KR102646061B1 - Ai 기반 모델 선택 알고리즘을 이용한 수요 예측 방법 - Google Patents

Abstract

본 발명은 수요 예측 방법을 개시한다. 보다 상세하게는, 빅데이터를 이용하여 다양한 분야의 생산 업체에서 필요로 하는 부품, 자재 등에 대한 수요량을 예측하는 고도화된 예측 모델을 생성 및 운용하는 AI 기반 모델 선택 알고리즘을 이용한 수요 예측 방법에 관한 것이다.
본 발명의 실시예에 따르면, 다수의 데이터 소스를 활용하여 복수의 예측 시나리오를 도출하고, 복수의 통계적 기법 및 머신러닝 기법을 이용하여 학습 및 평가절차를 수행하고 최적의 예측 수요량을 제시하는 앙상블 모델을 제시함으로써, 기업의 현 상황에 최적의 예측 결과를 제공할 수 있는 효과가 있다.

Description

AI 기반 모델 선택 알고리즘을 이용한 수요 예측 방법{DEMAND FORECASTING METHOD USING AI-BASED MODEL SELECTOR ALGORITHM}

본 발명은 수요 예측 방법에 관한 것으로, 특히 다양한 산업 분야의 서비스 부품 및 완제품 등에 대한 수요량을 AI기반 빅데이터 분석 방법론들을 활용하여 예측하고 이를 다시 최적화 하는, AI 기반 모델 선택 알고리즘을 이용한 수요 예측 방법에 관한 것이다.

다양한 제품을 생산, 제조하는 기업에서 생산을 위한 부품의 수요량과, 생산하고자 하는 완제품에 대한 고객의 미래 수요량을 예측하는 것은 대단히 중요한 일이라 할 수 있다.

예측한 수요량이 부정확한 경우, 생산 계획에 차질이 발생할 수 있고, 과도한 생산에 따른 악성재고 등 경제적 또는 시간적 낭비가 커지는 문제가 발생할 수 있기 때문이다.

예를 들면, 냉난방 장치 관련 부품은 계절에 따른 수요량 변동이 매우 크다. 즉, 여름철에는 에어컨, 선풍기와 같은 냉방장치의 수요량이 크게 증가할 것이고, 겨울철에는 온풍기, 보일러와 같은 난방장치의 수요량이 크게 증가할 것으로 쉽게 예측할 수 있다.

그러나, 이러한 단순 예측에는 다양한 변수가 존재하게 된다. 여름철임에도 불구하고 평년보다 평균 기온이 낮은 경우에는 실 수요량이 예측 수요량을 크게 밑돌 가능성이 있으며, 겨울철에 평년보다 평균 기온이 현저히 낮거나 폭설이 자주 내린 경우에는 실 수요량이 예측 수요량을 크게 웃돌 가능성이 존재한다.

그러므로, 각 계절별 필요한 냉난방장치 및 냉난방장치 관련 부품에 대한 수요량을 정확히 예측한다면, 기업에서는 냉난방장치의 과잉 또는 부족 생산으로 인한 비용 낭비를 크게 줄일 수 있을 것이다.

이에 따라, 생산, 제조 분야에서는 지금까지 특정 부품 및 제품에 대한 미래 수요량을 예측하기 위한 다양한 기법들이 제안되고 있다. 그러나, 지금까지 공개된 수요 예측 기법들은 기본적으로 미래 수요량을 예측하고자 하는 특정 부품 또는 제품에 관하여 과거 수요량만을 제한적으로 활용하여 미래 수요량을 예측하는 것이 일반적이었다. 이러한 기법을 통하여 미래 수요량을 예측하는 경우, 주어진 정보를 충분히 활용하지 못하는 문제와 함께, 아울러 예측하고자 하는 특정 부품 또는 물건의 과거 데이터가 충분하지 않을 경우 예측의 정확성이 떨어지는 한계가 있다.

또한, 수요량 예측 시 과거 데이터만 활용하는 통계적 기법 이외에 머신 러닝 및 딥 러닝 기반의 다양한 수요예측 방법론도 함께 제시되어 있으나, 이러한 AI 기반 모델 역시 단일 모델에 기반함에 따라 다수 아이템들을 복수 예측하는데 있어 그 한계가 존재한다.

뿐만 아니라, 현재 제시된 단일 AI 모델이 아닌 복수의 모델을 이용하여 예측하는 방법들 또한 적합(fitting) 기준의 모델 선택 방식에 따라 과적합 등의 이슈로 인하여 적절한 모델을 선택하는 데 어려움이 있다.

등록특허공보 제10-1966557호(공고일자: 2019.04.05.)

본 발명은 전술한 한계를 극복하기 위해 안출된 것으로, 본 발명은 생산, 제조 업체에서 부품 또는 제품에 대한 미래 수요량을 예측하는 데 있어서, 다양한 예측 시나리오를 제시하고 과거 실제 예측 결과 히스토리(history)를 더욱 고려하여 이를 기반으로 최적의 예측 결과를 도출하는 앙상블 알고리즘(ensemble algorithm)을 제시함으로써, 최적의 결과를 도출할 수 있는 AI 기반 모델 선택 알고리즘을 이용한 수요 예측 방법을 제공하는 데 과제가 있다.

전술한 과제를 해결하기 위해, 본 발명의 실시예에 AI 기반 모델 선택 알고리즘을 이용한 수요 예측 방법은, 특정 산업분야에 속한 기업의 기업 단말로부터 기업에서 운용하는 하나 이상의 부품에 대한 수요량 예측 결과를 질의 받는 단계, 데이터 웨어하우스로부터 해당 기업의 어느 하나의 부품 또는 복수의 부품의 조합으로 이루어지는 세그먼트와 관련된 수요실적 정보, 메타정보 및 예측 인자 등에 대한 복수의 데이터 소스를 추출하고 가공하는 단계, 각 부품별 복수의 데이터 소스에 기반하여 하나 이상의 통계적 기법 및 머신러닝 기법등의 예측 모델을 포함하는 복수의 예측 시나리오를 생성하는 단계, 모델 선택부를 통해 복수의 예측 시나리오에 따른 수요량 예측 결과를 과거 실제 예측 결과 히스토리에 더해 복수의 예측 시나리오를 평가하고 예측오차 수준을 반영하여 현재의 예측시점에서 최적의 앙상블 모델을 생성하는 단계 및, 상기 앙상블 모델을 통해 최종 수요량을 도출하고, 사용자가 필요에 따라 그 결과를 수정할 수 있는 단계를 포함할 수 있다.

상기 예측 시나리오는, 학습 단위에 대한 레벨, 수요예측 알고리즘 및 모델, 예측 알고리즘 및 모델에 입력되는 학습인자 값을 포함 할 수 있다.

상기 예측 모델은, 복수의 시계열 모델, 데이터 마이닝 모델, 머신 러닝 모델 및 딥 러닝 모델 중 하나 이상에 기반할 수 있다.

상기 복수의 예측 시나리오를 생성한 이후, 상기 예측 결과에 대하여 통상의 범위를 벗어나는 이상치를 탐지하는 단계 및, 탐지결과 및 미리 계산된 오차에 따라 데이터 프로모션의 수량을 제거 또는 프로모션 플래그를 지정하거나, 평활 또는 상하한 제한을 포함하는 전처리 절차를 통해 상기 예측 결과를 보정하는 단계를 더 포함할 수 있다.

상기 앙상블 모델을 통해 최종 수요량 예측 결과를 도출하는 단계는, 도출된 수요예측 결과를 각각 평가하여 하나의 앙상블 모델을 생성하고, 상기 복수의 예측 시나리오의 분석에 의한 수요량 예측 결과를 사용자 인터페이스(UI)를 통해 상기 기업 단말에 제공하는 단계 및, 기업 담당자가 상기 사용자 인터페이스를 통해 예측 결과를 수정하거나 예측 시나리오를 생성하여 추가하는 단계를 더 포함할 수 있다.

상기 앙상블 모델을 생성하는 단계는, AI 알고리즘 또는 머신러닝 알고리즘을 이용하여 시나리오별 평가를 통한 앙상블 결과를 도출하는 단계를 포함할 수 있다.

본 발명의 실시예에 따르면, 다수의 데이터 소스를 활용하여 복수의 예측 시나리오를 도출하고, 복수의 통계적 기법 및 머신러닝 기법을 이용하여 학습 및 평가절차를 수행하고 최적의 예측 수요량을 제시하는 앙상블 모델을 도출함으로써, 기업의 현 상황에 적절한 예측 결과를 제공할 수 있는 효과가 있다.

또한, 본 발명의 실시예에 따르면, 분석을 위해 활용하는 다양한 데이터 소스 이외에도 과거 실제 예측 결과 히스토리를 더 활용함으로써 알고리즘의 과적합 이슈를 극복하고 보다 높은 차원의 수요량 예측 결과를 도출 및 제공할 수 있는 효과가 있다.

도 1은 본 발명의 실시예에 따른 AI 기반 모델 선택 알고리즘을 이용한 수요 예측 방법을 나타낸 도면이다.
도 2은 본 발명의 실시예에 따른 AI 기반 모델 선택 알고리즘을 이용한 수요 예측 시스템에서 이용하는 데이터 소스의 일례를 표로 나타낸 도면이다.
도 3은 본 발명의 실시예에 따른 AI 기반 모델 선택 알고리즘을 이용한 수요 예측 시스템에서 이용하는 예측 시나리오의 일례를 표 나타낸 도면이다.
도 4는 본 발명의 실시예에 따른 AI 기반 모델 선택 알고리즘을 이용한 수요 예측 방법을 구현하는 시스템의 구조를 나타낸 도면이다.
도 5는 본 발명의 실시예에 따른 AI 기반 모델 선택 알고리즘을 나타낸 도면이다.
도 6은 종래의 이상치 전처리 절차를 설명하기 위한 도면이다.
도 7은 본 발명의 실시예에 따른 AI 기반 모델 선택 알고리즘을 이용한 수요 예측 시스템의 예측 결과 보정 알고리즘을 나타낸 도면이다.
도 8은 본 발명의 실시예에 따른 AI 기반 모델 선택 알고리즘을 이용한 수요 예측 시스템에서 제공하는 사용자 시뮬레이션 기능을 설명하기 위한 도면이다.

명세서 전체에서 어떤 부분이 어떤 구성요소를 "구비" 또는 "포함" 한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부(Unit)" 및 "...시스템(System)" 등의 용어는 하나 또는 그 이상의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어, 소프트웨어 또는, 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.

또한 본 명세서에서 "실시예"라는 용어는 예시, 사례 또는 도해의 역할을 하는 것을 의미하나, 발명의 대상은 그러한 예에 의해 제한되지 않는다. 또한 "포함하는", "구비하는", "갖는" 및 다른 유사한 용어가 사용되고 있으나, 청구범위에서 사용되는 경우 임의의 추가적인 또는 다른 구성요소를 배제하지 않는 개방적인 전환어(Transition word)로서 "포함하는(Comprising)"이라는 용어와 유사한 방식으로 포괄적으로 사용될 수 있다.

본 명세서에 설명된 다양한 기법은 하드웨어 또는 소프트웨어와 함께 구현되거나, 적합한 경우에 이들 모두의 조합과 함께 구현될 수 있다. 본 명세서에 사용된 바와 같은 "...부(Unit)" 및 "...시스템(System)" 등의 용어는 마찬가지로 컴퓨터 관련 엔티티(Entity), 즉 하드웨어, 하드웨어 및 소프트웨어의 조합, 소프트웨어 또는 실행 시의 소프트웨어와 등가로 취급할 수 있다. 또한, 본 발명의 프로그램에서 실행되는 각 기능은 모듈단위로 구성될 수 있고, 하나의 물리적 메모리에 기록되거나, 둘 이상의 메모리 및 기록매체 사이에 분산되어 기록될 수 있다.

이하의 설명에서, 본 발명의 실시예에 따른 'AI 기반 모델 선택 알고리즘을 이용한 수요 예측 방법'은, 설명의 편의상, '수요 예측 방법'으로 표기될 수 있고 'AI 기반 모델 선택 알고리즘을 이용한 수요 예측 시스템'은 '수요 예측 시스템' 또는 '시스템'으로 표기될 수 있다.

이하, 도면을 참조하여 본 발명의 실시예에 따른 AI 기반 모델 선택 알고리즘을 이용한 수요 예측 방법을 설명한다.

도 1은 본 발명의 실시예에 따른 AI 기반 모델 선택 알고리즘을 이용한 수요 예측 방법을 나타낸 도면이고, 도 2은 본 발명의 실시예에 따른 모델 선택부를 이용한 수요 예측 시스템에서 이용하는 데이터 소스의 일례를 표로 나타낸 도면이고, 도 3은 본 발명의 실시예에 따른 AI 기반 모델 선택 알고리즘을 이용한 수요 예측 시스템에서 이용하는 예측 시나리오의 일례를 표 나타낸 도면이다.

이하의 각 단계에서 실행주체는, 별도의 기재가 없더라도 본 발명의 실시예에 따른 수요 예측 시스템 및 이를 구성하는 각 구성부가 되며, 각 단계는 공지의 프로그래밍 언어에 의한 컴퓨터 프로그램의 형태로 구현될 수 있고, 읽고 쓰기가 가능한 기록매체에 기록될 수 있다.

먼저 도 1을 참조하면, 본 발명의 실시예에 따른 AI 기반 모델 선택 알고리즘을 이용한 수요 예측 방법은, 특정 산업분야에 속한 기업의 기업 단말로부터 기업에서 운용하는 하나 이상의 부품에 대한 수요량 예측 결과를 질의 받는 단계(S100), 데이터 웨어하우스로부터 해당 기업의 어느 하나의 부품 또는 복수의 부품의 조합으로 이루어지는 세그먼트와 관련된 수요실적 정보, 메타정보 및 예측 인자 등에 대한 복수의 데이터 소스를 추출 및 가공하는 단계(S110), 각 부품별 복수의 데이터 소스에 기반하여 하나 이상의 통계적 기법 및 머신러닝 기법 등의 예측 모델을 포함하는 복수의 예측 시나리오를 생성하는 단계(S120), 모델 선택부를 통해 복수의 예측 시나리오에 따른 수요량 예측 결과를 과거 실제 예측 결과 히스토리에 기반하여 복수의 예측 시나리오를 평가하고 예측오차 수준을 반영하여 현재의 예측시점에서 최적의 앙상블 모델을 생성하는 단계(S130) 및, 상기 앙상블 모델을 통해 최종 수요량을 도출하고, 사용자가 필요에 따라 그 결과를 수정할 수 있는 단계(S140)를 포함할 수 있다.

기업 단말로부터 기업에서 운용하는 하나 이상의 부품에 대한 수요량 예측 결과를 질의 받는 단계(S100)는, 특정 산업분야에 속한 기업이 본 발명의 시스템을 도입함에 따라, 기업 담당자가 자신의 단말을 이용하여 시스템에 접속하고, 기업에서 운용하는 하나 이상의 부품에 대한 수요량 예측 결과를 질의하는 단계이다.

본 발명의 실시예에 따른 수요 예측 시스템은, 각 산업분야에서 빅데이터 기반 수요예측, 판매계획, 영업 관리 및 재고 최적화 등의 SCM 컨설팅을 원하는 기업을 위한 솔루션으로서, 본 발명의 시스템을 도입한 기업의 기업 담당자는 기업에서 운영하는 부품에 대하여 수요량 예측을 질의할 수 있다.

다음으로, 데이터 웨어하우스로부터 부품 또는 복수의 부품의 조합으로 이루어지는 세그먼트와 관련된 복수의 데이터 소스를 추출하고 가공하는 단계(S110)는 시스템이 부품 관련 데이터 소스를 획득하는 단계이다. 본 단계에서는 시스템이 예측 시나리오를 생성하기 위해 데이터 웨어하우스에 저장된 데이터 소스, 특히 분석 대상인 기업의 부품과 관련된 다양한 데이터 소스를 추출함으로써 해당 기업의 부품과 관련하여 가용할 수 있는 모든 데이터를 활용할 수 있도록 한다. 이러한 데이터 소스로는, 도 2에 예시된 바와 같이 수요 실적 정보, 메타 정보 및 예측 인자 등이 있다. 수요 실적 정보(a)는 월간 부품의 수요에 관한 데이터 일 수 있으며 시계열 예측을 위한 기반 자료로 활용될 수 있다. 또한, 메타 정보(b)는 마스터 부품 속성 데이터를 포함할 수 있고, 둘 이상의 부품 데이터에 의한 세그먼트 분석 및 예측 인자로 활용될 수 있다. 여기서, 세그먼트는 분석을 위해 둘 이상의 부품에 대한 조합을 가리킨다.

또한, 본 발명의 다른 실시예에 따른 시스템은 전술한 데이터 이외에도 데이터 소스에는 외부 데이터 소스(c) 등의 데이터를 더 활용할 수도 있다. 이러한 외부 데이터 소스로는 타임 이벤트, 기상 정보, 크롤링 데이터와, 동일 또는 유사 분야의 기업에서 제공하는 데이터 등이 있으며, 기업 담당자는 기업 단말을 통해 자신이 원하는 데이터를 수동으로 입력할 수도 있다.

특히, 본 발명의 실시예에 따른 시스템은 전술한 종류의 데이터 소스 이외에도 과거 예측 알고리즘에 의해 도출한 예측 히스토리(d)를 더 이용하여 분석에 활용할 수 있고, 이를 예측 결과의 보정 및 모델 선택 알고리즘에 활용할 수 있다.

다음으로, 복수의 데이터 소스에 기반하여 통계적 기법 및 머신러닝 기법을 수행하여 복수의 예측 시나리오를 생성하는 단계(S120)는, S110 단계에서 열거하는 다양한 정보를 이용하여 다양한 알고리즘과 사용자 시뮬레이션을 통해 복수의 예측 시나리오를 도출하는 단계이다.

전술한 부품 또는 세그먼트에 대한 수요 실적 정보, 메타 정보 및 예측 인자를 통해 이상 데이터 감지 및, 추세, 계절성, 간헐적 등의 데이터 패턴을 분석할 수 있으며, 시스템은 이러한 데이터 소스로부터 부품 또는 세그먼트에 대한 예측 시나리오를 생성할 수 있다.

상기의 예측 시나리오는 버킷을 포함할 수 있고, 레벨, 모델 및 모델 파라미터로 구성될 수 있다. 버킷(bucket)은 예측하고자 하는 년, 월, 주 등의 데이터 주기를 의미하며, 학습 단위에 대한 global, segment, item 등의 레벨(level)에 따라 데이터의 종류에 적합한 알고리즘을 이용하여 예측 모델(또는 예측 모듈)을 도출하고, 예측 모델에 입력할 모델 파라미터(parameter)를 결정 및 입력하여 예측 결과를 도출할 수 있다.

데이터 소스는 다양한 패턴을 가질 수 있고, 시스템은 시나리오별로 데이터 패턴에 적합한 어느 하나의 통계적(statistical) 기법 또는 머신 러닝(machine learning)기법 중 하나를 적용하여 부품 또는 세그먼트에 대한 예측 결과를 도출할 수 있고, 또는 복수의 예측 결과를 앙상블하여 예측결과를 생성할 수도 있다.

통계적 기법으로는 시계열 분석(time-series analysis) 및 데이터 마이닝 분석(data mining analysis)이 있고, 머신 러닝 기법으로는 신경망 등의 일반 머신 러닝 및 딥 러닝(deep learning) 알고리즘이 있다.

이중, 시계열 분석을 위한 알려진 예측 모델로는 Weighted Moving Average, Holt-winter's Exponential Moving Average, Croston Model, ARIMA, Seanonal Native 등이 있다.

또한, 데이터 마이닝 분석을 위한 예측 모델로는 Linear Model, Generalized Linear Model 및 Decision Tree 등이 있다.

그리고, 일반적인 머신 러닝 분석을 위한 예측 모델로는 gbm, xgboost, light gbm, catboost 등과 같은 boosting 계열의 모델과 randomForest, Decision Forest 등과 같은 bagging 계열 모델 등이 있다.

또한, 딥 러닝 분석을 위한 예측 모델로는 ANN(Artificial Neural Network), DNN(Deep Neural Network) 등과 함께 최근 각광 받는 시계열 기반 딥 러닝 모델로서 RNN(Recurrent Neural Network), LSTM(Long Short-Term Memory) 및 LSTNet(Long-and Short-Term Temporal Patterns) 등이 있다.

시스템은 하나의 부품 또는 둘 이상의 부품 세그먼트를 선정하고, 이와 관련된 데이터 소스의 분석을 통해 각 예측 모델과 그에 입력될 모델 파라미터를 결정하여 복수의 예측 시나리오를 생성하게 된다.

특히, 본 발명의 실시예에 따르면 시스템은 데이터의 종단적 속성(Time-series Data), 횡단적 속성(Cross-section Data) 및 아이템 간 상호성(Inter-item) 등의 차원적 속성을 고려하여 하나의 부품을 예측하는 데 최소 10개 이상의 예측 시나리오를 구성하게 된다. 도 3을 참조하면, 본 발명의 실시예에 따른 예측 시나리오에 의한 예측 결과를 예시한 것으로, 각 시나리오에 의한 예측 결과를 예측 모델별로 구분하고, 월별 데이터를 수치 또는 그래프로 확인할 수 있다.

다음으로, 모델 선택부를 통해 복수의 예측 시나리오에 따른 수요량 예측 결과를 과거 실제 예측 결과 히스토리에 기반하여 복수의 예측 시나리오를 평가하고 예측오차 수준을 반영하여 현재의 예측시점에서 최적의 앙상블 모델을 생성하는 단계(S130)에서는, S120 단계에서 도출한 10개 이상의 예측 시나리오를 이용하여 부품 또는 세그먼트에 대한 수요량 예측 결과를 도출하고, 본 발명의 시스템에 포함되는 모델 선택부를 통해 도출된 수요량 예측 결과를 평가하여 앙상블 모델을 생성하게 된다.

본 발명의 시스템에 따르면, 복수의 예측 시나리오에 대한 앙상블을 수행하기 위한 모델 선택부를 제공하는 것을 특징으로 한다. 상기의 모델 선택부는 예측 시나리오에 의한 예측 결과를 평가하여 앙상블(ensemble)을 수행하는 것으로서, 예측 시나리오별 과거 계획 월의 실제 예측오차 수준을 분석에 반영하여 현재의 예측시점에서 가장 최적(best)의 예측 결과를 도출할 수 있다.

특히, 본 발명의 모델 선택부는, 종래 분석 시스템에 의한 학습 데이터 내에서 과거 구간의 적합(Best-fit) 수준만을 이용하여 모델을 선택함으로써 발생하는 과적합 문제를 해결하기 위한 최적 선택(Best-pick)이라는 새로운 개념이 적용된 것이다.

상세하게는, 모델 선택부는 최적 앙상블 모델을 구축하기 위해, 과거 예측 시나리오별 예측 결과에 대한 좋음(Good) 또는 나쁨(Bad) 여부를 지시함수(Indicator Function)를 통해 진행하고, 이 결과를 바탕으로 기법 선택 알고리즘을 위한 학습 데이터인 학습 마트를 구현하며, 머신러닝 및 딥러닝 알고리즘을 활용하여 현재의 예측 시나리오에 대한 시나리오 평가를 진행하여 예측 결과를 통합하게 된다.

특히 예측 결과 통합시, 모델 선택부는 컷 오프 지표 함수(Cut-off indicator function)를 이용하여 확률적으로 일정 수준 이상의 예측 시나리오에 대해 앙상블을 처리하게 된다.

또한, 전술한 모델 선택부의 앙상블 알고리즘은 아이템 및 부품 세그먼트 단위로 머신러닝 및 딥러닝 과정이 수행되며, 아이템 및 부품 세그먼트 별로 서로 다른 최적의 앙상블 모델을 결정할 수 있게 됨에 따라 수요 예측 정확도가 향상되게 된다.

또한, 본 발명의 실시예에 따르면, 전술한 S130 단계에서 앙상블 모델을 생성하는 단계는, 예측 결과에 대하여 통상의 범위를 벗어나는 이상치를 탐지하는 단계와, 탐지결과 및 미리 계산된 오차에 따라, 데이터 프로모션의 수량을 제거 또는 프로모션 플래그를 지정하거나, 평활 또는 상하한 제한을 포함하는 전처리 절차를 통해 상기 예측 결과를 보정하는 단계를 더 포함할 수 있다.

이러한 이상치 탐지를 위한 알고리즘에 대한 상세한 설명은 후술한다.

그리고, 생성된 앙상블 모델을 통해 최종 수요량 예측 결과를 도출하는 단계(S140)에서는 S130 단계에서 도출된 앙상블 모델을 이용하여 기업 담당자가 질의한 해당 기업에서 운용하는 부품 등에 대한 수요량 예측에 대한 분석 결과를 제공할 수 있다.

또한, S140 단계는 복수의 예측 시나리오의 분석에 의한 수요량 예측 결과를 사용자 인터페이스(UI)를 통해 기업 단말에 제공하는 단계 및, 기업 담당자가 상기 사용자 인터페이스를 통해 시뮬레이션을 위한 사용자 시나리오를 생성하여 추가하는 단계를 더 포함할 수 있으며, 추후 기업 담당자는 시스템을 통해 제공되는 최적 결과뿐만 아니라, 자신의 의도에 따른 시뮬레이션 결과 또한 확인할 수 있다.

이때, 생성된 앙상블 모델은 복수의 예측 시나리오에서 하나 이상의 통계적 기법 및 머신러닝 기법에 따라 선택된 모델이고, 과거 계획 구간 시나리오들을 평가, 학습하여 현재 시점의 유의미한 시나리오들을 분류하여 앙상블을 수행함에 따라 보다 정확한 수요 예측 결과를 제공할 수 있게 된다.

이하, 도면을 참조하여 전술한 본 발명의 수요 예측 방법을 구현하기 위한 AI 기반 최적 픽 선택 알고리즘을 이용한 수요 예측 시스템을 상세히 설명한다.

도 4는 본 발명의 실시예에 따른 AI 기반 모델 선택 알고리즘을 이용한 수요 예측 방법을 구현하는 시스템의 구조를 나타낸 도면이다.

도 4를 참조하면, 본 발명의 실시예에 따른 AI 기반 모델 선택 알고리즘을 이용한 수요 예측 시스템(100)은, 기업의 부품과 관련된 수요실적 정보(111), 메타정보(112) 및 예측 인자(113)를 포함하는 복수의 데이터 소스가 저장된 데이터 웨어하우스(110), 특정 산업분야에 속한 기업의 기업 단말로부터 기업에서 운용하는 하나 이상의 부품에 대한 수요량 예측 결과를 질의 받으면, 데이터 웨어하우스(110)로부터 해당 기업의 어느 하나의 부품 또는 복수의 부품의 조합으로 이루어지는 세그먼트와 관련된 복수의 데이터 소스를 추출하고, 각 부품별 복수의 데이터 소스에 기반하여 하나 이상의 통계적 기법 및 머신러닝 기법을 수행하여 예측 모델을 포함하는 복수의 예측 시나리오를 생성하는 시나리오 도출부(120), 상기 복수의 예측 시나리오에 대하여, 통계적 기법 및 머신 러닝 기법에 의해 오차수준과 이상치와의 관계를 AI 모델을 활용하여 후보정하는 이상치 탐지부(130), 복수의 예측 시나리오에 따른 수요량 예측 결과를 도출하되, 과거 예측 결과 히스토리에 기반하여 과거 계획 월의 예측오차 수준을 반영함으로써 현재의 예측시점에서 앙상블 모델을 생성하는 모델 선택부(140) 및, 앙상블 모델을 통해 최종 수요량 예측 결과를 도출하는 최적 예측부(150)를 포함할 수 있다.

본 발명의 실시예에 따른 시스템(100)은 전술한 각 구성부들이 실행되는 운영체제를 포함하는 베이스 플랫폼상에 구현될 수 있다. 이러한 베이스 플랫폼에는 프레임워크, 빅데이터 플랫폼 및 윈도우 서버와 프로그래밍 언어로서, JAVA, C#.net, Python, R 등과 데이터 저장 수단으로서 데이터 베이스, 스토리지 등을 포함될 수 있다.

또한, 본 발명의 서비스는 웹 기반으로 제공될 수 있고, 이에 기업 단말은 본 발명의 실시예에 따른 수요 예측 시스템(100)이 제공하는 클라이언트를 통해 시스템(100)에 접속 및 해당 기업에 대한 부품 수요 예측 분석 결과를 이용할 수 있다.

데이터 웨어하우스(110)는 본 발명의 실시예에 따른 시스템(100)에서 부품에 대한 수요량 분석을 위한 각종 정보를 저장할 수 있다.

이러한 데이터 웨어하우스(110)에는 해당 기업뿐만 아니라, 다양한 기업을 대상으로 하여 획득한 정보 및 크롤링 등을 통해 수집된 외부 정보 또한 저장될 수 있고, 각 부품들에 대한 수요 실적 정보(111), 부품에 대한 메타정보(112) 및 예측 인자(113) 등의 데이터 소스가 저장될 수 있다.

특히, 데이터 웨어하우스(110)에는 이전 시점에 시스템(100)을 통해 타 기업 등에서 의뢰 시 생성한 과거 예측 시나리오가 저장되고, 후술하는 모델 선택부(140)는 이를 시나리오 평가 시 더 활용할 수 있다.

시나리오 도출 부(120)는 데이터 웨어하우스(110)에 저장된 다양한 데이터 소스를 이용하여 복수의 예측 시나리오(121)를 생성할 수 있다. 예측 시나리오(121)는 버킷, 레벨, 모델, 모델 파라미터를 포함할 수 있고, 시나리오 도출부(120)는 하나의 부품 또는 둘 이상의 부품 세그먼트를 선정하고, 이와 관련된 데이터 소스의 분석을 통해 각 모델과 그에 입력될 모델 파라미터를 결정하여 복수의 예측 시나리오를 생성하게 된다.

여기서, 예측 모델을 다양하게 구성하는 것은 예측 대상의 데이터의 특징에 따라 최적화된 모델이 존재하기 때문이다. 일례로서, 과거 수요 실적이 단순 변동성만 가진 경우에는 ARIMA와 같은 시계열 분석이 적합하며, 이벤트에 민감한 데이터의 경우에는 머신 러닝 분석, 간헐적인 부품의 경우에는 Croston 분석을 선정할 수 있다.

또한, 본 발명의 실시예에 따르면, 예측 시나리오(121)에 의한 예측 결과에 대하여 통상의 범위를 벗어나는 이상치를 탐지하고, 탐지결과 및 미리 계산된 오차에 따라 전처리를 수행하는 이상치 탐지부(130)를 더 포함할 수 있다.

이상치 탐지(Anomaly Detection)는 예측 시나리오(121)에 의해 도출된 예측 결과에 존재 가능한 이상치를 탐지하는 것으로, 이상치 탐지부(130)는 통계적 기법 및 머신 러닝 기법에 의해 수행될 수 있고, 오차수준과 이상치와의 관계를 AI 모델을 활용하여 후보정 할 수 있다.

전술한 전처리 절차는, 일반적인 상황과 다른 상이한 값을 갖는 지점을 찾아내어 제거하는 절차로서, 데이터에서 의도한 부픔 수요량 변화, 일례로서 기업의 부품에 대한 프로모션(promotion)에 의한 것일 경우, 프로모션 수량을 제거하거나, 프로모션 플래그(flag)를 지정할 수 있고, 의도하지 않은 일시적 외부요인에 의한 변동인 경우, 데이터 평활 또는 상하한 제한 등을 통해 처리할 수 있다.

모델 선택부(140)는 적용된 기법인 AI에 기반한 선택 알고리즘(method selector algorithm)을 통해 각 예측 시나리오(121)를 평가하여 앙상블 모델을 결정할 수 있다.

이러한 모델 선택부(140)는 최적 선택을 위한 앙상블 모델을 구축하기 위해, 기법 선택 알고리즘을 통한 학습결과를 바탕으로 현재의 예측 시나리오(121)에 대한 평가를 진행할 수 있다. 이때, 과거 예측 시나리오에 의한 히스토리를 평가 할 수 있고, 예측 시나리오의 입력변수의 특징에 기반하여 머신러닝 기법을 수행함으로써 예측 결과를 통합하여 앙상블 모델을 생성할 수 있다.

최종 예측부(150)는 생성된 앙상블 모델을 통해 부품 또는 세그먼트에 대한 최종 수요량 예측 결과를 제공할 수 있다. 이러한 최종 수요량 예측 결과는 통합 예측 결과 및 각 시나리오별 예측 결과를 포함할 수 있고, 아울러 기업 담당자의 수동 입력에 따른 시뮬레이션 결과를 더 제공할 수 있다.

전술한 구조에 따라, 본 발명의 실시예에 따른 수요 예측 시스템은, 이상 데이터, 데이터 패턴 등의 다양한 관점의 데이터 소스에 기반하여 다수의 예측 시나리오를 도출하고, 이에 기반한 다수의 예측 모델을 평가 및 앙상블 함으로써 기업이 운용하는 부품 수요 예측 및 재고와 관련된, 각 기업에 최적화된 정보를 제공할 수 있으며, 특히 데이터 앙상블 시 과거의 실제 예측 히스토리를 사용하여 모델을 평가함으로써 기업에 가장 적합한 모델을 선정하고 수요 예측 정보를 제공할 수 있다.

이하, 도면을 참조하여 본 발명의 실시예에 따른 기법 선택 알고리즘을 설명한다.

도 5는 본 발명의 실시예에 따른 최적 AI 기반 모델 선택 알고리즘을 나타낸 도면이다.

도 5를 참조하면, 본 발명의 실시예에 따른 모델 선택부에 적용된 최적 선택(Best-pick) 기반 기법 선택 알고리즘(Method Selector Algorithm)을 나타내고 있다. 본 발명에서는 지수 기반(indice-based)으로 데이터를 분류할 수 있다.

먼저, 데이터 웨어하우스(110)로부터 복수의 예측 시나리오를 추출하고 이를 학습 데이터인 입력마트(203)를 구현한다. 특히, 본 발명의 실시예에 따른 기법 선택 알고리즘에 따르면, 데이터 하우스(110)에 저장된 데이터 소스 중, 과거 계획 월의 실제 예측 시나리오인 예측 히스토리(forecasting history; 201)에 따른 실제 예측 오차 수준을 반영하기 위해, 지시함수(202)를 통해 평가 지표(Evaluating Metrics)가 임계치(threshold)보다 크거나 같은 데이터를 선별하여 입력마트(203)에 반영할 수 있다. 이러한 평가는 참(True)/거짓(False), 좋음(Good)/나쁨(Bad) 등으로 표현될 수 있다.

다음으로, 입력마트(203)를 각 시나리오 별로 나누어(split), 훈련 데이터(204)로서 머신 러닝 기법 또는 딥러닝 알고리즘(205)에 입력하여 예측 모델을 학습시키고, 각 예측 시나리오에 의한 예측 결과 즉, 평가를 위한 테스트 데이터(206)를 획득한다.

다음으로, 테스트 데이터(206)에 대한 평가를 수행하여 평가 점수(evaluating score; 207)를 산출하고, 컷 오프 지표(cut-off indicator)를 통해 확률적으로 일정 수준 이상의 시나리오에 대한 앙상블을 처리하게 된다.

이하, 도면을 참조하여 본 발명의 실시예에 따른 이상치 전처리 알고리즘을 상세히 설명한다.

도 6은 종래의 이상치 전처리 절차를 설명하기 위한 도면이고, 도 7은 본 발명의 실시예에 따른 AI 기반 모델 선택 알고리즘을 이용한 수요 예측 시스템의 예측 결과 보정 알고리즘을 나타낸 도면이다.

도 6을 참조하면, 종래 수요량 데이터에서 이상치(outlier)는 도 6에 도시된 바와 같이 데이터에 나타난 바와 같이 특정 기간 '201805'에서 수요량이 타 기간에 대비하여 볼 때 현저하게 높거나 낮은 값의 형태로 나타날 수 있다.

이러한 이상치가 발생하는 원인은, 해당 부품에 대한 정기적인 프로모션에 따른 수요량 변경이거나, 또는 공급망 변화, 날씨 등의 일시적 외부요인일 수 있으며, 종래에는 각각 다른 방식으로 전처리 과정을 수행하게 된다.

상세하게는, 정기적인 프로모션이 원인인 경우, 해당 프로모션 수량을 제거하거나 프로모션 플래그(promotion flag)를 지정하여 예측결과에 반영되도록 하고, 또한 일시적 외부요인이 원인인 경우, 데이터 평활을 통해 데이터 전체의 굴곡을 평탄화하거나, 상하한에 제한을 설정하여 특정 범위를 벗어나는 데이터를 제거하게 된다.

이러한 종래 방식에 의하면 실제 전처리 효과가 예측에 미치는 영향을 시뮬레이션 하는 것은 어려우며, 실적 이외에 입력 데이터의 이상치 여부를 확인하기 어렵다는 문제점이 있다.

이러한 한계를 극복하기 위해, 본 발명의 실시예에 따른 수요 예측 시스템의 이상치 탐지 알고리즘에 의하면, 예측 결과(300)에 대한 오차를 산출(301)하고 아울러, 예측 시나리오 입력마트(303)를 통계적 기법 및 머신 러닝 기법(304)에 입력하여 학습을 수행하여 이상치를 탐지하여 산출된 오차값과 이상치간의 관계를 도출함으로써, 이상치가 예측에 미치는 효과를 탐지하기 위한 학습 데이터인 오차보정 입력마트(305)를 생성한다.

그리고, 오차보정 입력마트(305)를 각 예측 시나리오 별로 나누어 훈련 데이터(306)로서 통계적 기법 또는 머신 러닝 기법(307)에 입력하여 예측 모델을 학습시키고, 이상치가 각 예측 시나리오에 주는 영향을 평가하기 위한 테스트 데이터(308)를 획득한다.

그리고, 평가 결과를 이용하여 예측 결과를 후보정함으로써 보정된 예측 결과(309)를 도출하고, 이후의 최적 픽 선택 절차를 수행하게 된다.

이하, 도면을 참조하여 본 발명의 실시예에 따른 모델 선택부를 이용한 수요 예측 시스템이 제공하는 기타 기능을 설명한다.

도 8은 본 발명의 실시예에 따른 모델 선택부를 이용한 수요 예측 시스템에서 제공하는 사용자 시뮬레이션 기능을 설명하기 위한 도면이다.

도 8을 참조하면, 본 발명의 실시예에 따른 AI 기반 모델 선택 알고리즘을 이용한 수요 예측 시스템은 시스템에 가입된 기업의 의뢰에 따라 제공되는 정기적인 예측 결과 이외에도 기업에서 필요시 기업 담당자가 직접 예측 시나리오를 생성하여 등록 가능하고, 그 시나리오에 기반하여 분석을 수행 및 예측 결과를 제공할 수 있다.

기업 담당자는 기업 단말을 이용하여 시스템에 접속하고, 도면에 예시된 바와 같이, 버킷(bucket) 및 플랜(Plan) 등을 입력하여 기타 시나리오를 등록하고, 속성별로 대상 부품(Item)을 추가하고, 시계열 분석 및 머신러닝 분석을 위한 예측 모델을 추가하고, 예측 모델에 입력될 파라미터를 설정하여 시스템에 입력함으로써 시스템에 분석을 요청할 수 있다.

이에 따라, 시스템은 기타 시나리오에 대한 분석을 수행하여 수요 예측 결과를 도출하고 기업 단말에 제공할 수 있다.

상기한 설명에 많은 사항이 구체적으로 기재되어 있으나 이것은 발명의 범위를 한정하는 것이라기보다 바람직한 실시예의 예시로서 해석되어야 한다. 따라서 발명은 설명된 실시예에 의하여 정할 것이 아니고 특허청구범위와 특허청구범위에 균등한 것에 의하여 정하여져야 한다.

100 : 수요 예측 시스템 110 : 데이터 웨어하우스
111 : 수요 실적 정보 112 : 메타 정보
113 : 예측 인자 114 : 예측 히스토리
120 : 시나리오 도출부 121 : 예측 시나리오
130 : 이상치 탐지부 140 : 모델 선택부
150 : 최종 예측부

Claims (6)

1. AI 기반 모델 선택 알고리즘을 이용한 수요 예측 시스템을 통해 수요를 예측하는 방법에 관한 것으로,
   특정 산업분야에 속한 기업의 기업 단말이, 기업에서 운용하는 하나 이상의 부품에 대한 수요량 예측 결과를 질의 받는 단계;
   데이터 웨어하우스가, 해당 기업의 어느 하나의 부품 또는 복수의 부품의 조합으로 이루어지는 세그먼트와 관련된 수요실적 정보, 메타정보 및 예측 인자를 포함하는 복수의 데이터 소스를 추출하고 가공하는 단계;
   시나리오 도출부가, 각 부품별 복수의 데이터 소스에 기반하여 하나 이상의 통계적 기법 및 머신러닝 기법을 수행하여 예측 모델을 포함하는 복수의 예측 시나리오를 생성하는 단계;
   이상치 탐지부가, 상기 복수의 예측 시나리오에 따른 수요량 예측 결과에 대하여 통상의 범위를 벗어나는 이상치를 탐지하는 단계;
   이상치 탐지부가, 상한 및 하한을 포함한 제한 값을 설정하고, 탐지된 이상치 중 제한 값에 의한 특정 범위를 벗어나는 데이터를 제거하는 전처리 절차를 통해 수요량 예측 결과를 보정하는 단계;
   모델 선택부가, 복수의 예측 시나리오에 따른 수요량 예측 결과를 도출하되, 과거 예측 결과 히스토리에 기반하여 과거 계획 월의 예측오차 수준을 반영함으로써 현재의 예측시점에서 앙상블 모델을 생성하는 단계; 및
   최적 예측부가, 상기 앙상블 모델을 통해 최종 수요량 예측 결과를 도출하는 단계를 포함하고,
   상기 앙상블 모델을 생성하는 단계는, 예측 시나리오 별 과거 계획 월의 실제 예측오차를 상기 복수의 예측 시나리오의 분석에 반영하여 현재의 예측시점에서 최적의 수요량 예측 결과를 도출하고,
   상기 예측 시나리오는, 학습 단위에 대한 레벨, 수요예측 알고리즘 및 모델, 예측 알고리즘 및 모델에 입력되는 학습인자 값을 포함하고,
   상기 예측 모델은, 복수의 시계열 모델, 데이터 마이닝 모델, 머신 러닝 모델 및 딥 러닝 모델 중, 하나 이상에 기반하고,
   상기 앙상블 모델을 생성하는 단계에서의 상기 AI 기반 모델 선택 알고리즘은, 상기 데이터 웨어하우스에 저장된 데이터 소스 중 과거 계획 월의 실제 예측 시나리오인 예측 히스토리(forecasting history)로부터 지시 함수(indicator function)를 이용해 평가 지표(Evaluating Metrics)가 임계치(threshold)보다 크거나 같은 데이터를 선별하고, 선별된 데이터를 학습 데이터로서 입력 마트에 반영하고, 상기 입력 마트의 데이터를 각 예측 시나리오 별로 나누어 훈련 데이터로 생성하고, 상기 훈련 데이터를 머신 러닝 알고리즘 또는 딥러닝 알고리즘에 입력하여 상기 예측 모델을 학습시키고, 각 예측 시나리오에 의한 예측 결과인 테스트 데이터를 획득하고, 획득된 테스트 데이터에 대한 평가를 수행하여 평가 점수(evaluating score)를 산출하고, 산출된 평가 점수에 따른 컷 오프 지표(cut-off indicator)를 이용하여 각 예측 시나리오에 대한 앙상블을 처리하고,
   상기 수요량 예측 결과를 보정하는 단계는, 수요량 탐지 결과 및 미리 계산된 오차에 따라 데이터 프로모션의 수량을 제거 또는 프로모션 플래그를 지정하여 수요량 예측 결과에 반영 또는 데이터 평활을 통해 데이터의 굴곡을 평탄화하는 전처리 절차를 더 포함하고,
   상기 앙상블 모델을 통해 최종 수요량 예측 결과를 도출하는 단계는, 상기 복수의 예측 시나리오의 분석에 의한 수요량 예측 결과를 사용자 인터페이스(UI)를 통해 상기 기업 단말에 제공하는 단계; 및 기업 담당자가 상기 사용자 인터페이스를 통해 예측 시나리오를 생성하여 추가하는 단계를 더 포함하는 AI 기반 모델 선택 알고리즘을 이용한 수요 예측 방법.
   
2. 삭제
3. 삭제
4. 삭제
5. 삭제
6. 삭제

Images