KR20090047131A - Method and system for forecasting part demand - Google Patents

Method and system for forecasting part demand Download PDF

Info

Publication number
KR20090047131A
KR20090047131A KR1020070113153A KR20070113153A KR20090047131A KR 20090047131 A KR20090047131 A KR 20090047131A KR 1020070113153 A KR1020070113153 A KR 1020070113153A KR 20070113153 A KR20070113153 A KR 20070113153A KR 20090047131 A KR20090047131 A KR 20090047131A
Authority
KR
South Korea
Prior art keywords
data
comparison
target
demand
group
Prior art date
Application number
KR1020070113153A
Other languages
Korean (ko)
Other versions
KR100928621B1 (en
Inventor
손소영
문태희
김홍식
Original Assignee
연세대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Priority to KR1020070113153A priority Critical patent/KR100928621B1/en
Publication of KR20090047131A publication Critical patent/KR20090047131A/en
Application granted granted Critical
Publication of KR100928621B1 publication Critical patent/KR100928621B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

부품 수요 예측 방법이 개시된다. 부품 수요 예측 방법은 대상 부품과는 다른 복수의 비교 부품들의 수요에 대한 과거 데이터를 입력 받는 단계, 상기 비교 부품들의 수요에 대한 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성하는 단계, 상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 부품의 수요에 대한 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택하는 단계 및 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터를 기초로 상기 대상 부품의 예측 데이터를 생성하는 단계를 포함한다.A method for predicting component demand is disclosed. The component demand prediction method may include receiving historical data on demand of a plurality of comparison parts different from a target part, generating a plurality of comparison data groups in which historical data on demand of the comparison parts is classified by time intervals; Selecting at least one comparison target data group among the plurality of comparison data groups by comparing a change pattern of each of the plurality of comparison data groups and a change pattern of historical data with respect to demand of the target component; and the at least one And generating predictive data of the target part based on the comparison target data group of and the historical data about the demand of the target part.

부품 수요, 예측, 선형 회귀 분석, 시간 구간, 데이터 Part demand, forecasts, linear regression, time intervals, data

Description

부품 수요 예측 방법 및 시스템{METHOD AND SYSTEM FOR FORECASTING PART DEMAND}METHOD AND SYSTEM FOR FORECASTING PART DEMAND}

본 발명은 특정 부품에 대하여 미래에 발생할 수요를 예측하거나, 특정 객체의 미래 데이터를 예측하는 기술에 관한 것이다.The present invention relates to a technique for predicting future demand for a particular part or for predicting future data of a specific object.

산업 현장에서 특정 부품 또는 물건에 대한 미래 수요량을 예측하는 것은 대단히 중요한 문제이다. 부정확하게 미래 수요량을 예측하는 경우, 경제적 또는 시간적 낭비가 커지기 때문이다.Predicting future demand for a particular part or object on an industrial site is a critical issue. Inaccurately forecasting future demand will result in greater economic or time waste.

예를 들어, 우산 및 우산 관련 부품은 계절에 따른 수요량 변동이 매우 크다. 즉, 비가 자주 내리는 여름철에 우산 및 우산 관련 부품의 수요량은 크게 증가할 것이나, 비가 거의 오지 않는 가을철에 그 수요량은 크게 감소할 것이다. For example, umbrellas and umbrella-related parts have very large seasonal fluctuations in demand. In other words, the demand for umbrellas and umbrella-related parts will increase significantly during the summer when it rains a lot, but the demand will fall significantly during the autumn when there is little rain.

이 때, 여름철에 필요한 우산 및 우산 관련 부품에 대한 수요량을 정확히 예측한다면, 우산 및 우산 관련 부품의 과잉 생산으로 인한 비용 낭비를 크게 줄일 수 있을 것이다.At this time, if you accurately predict the demand for the umbrella and the umbrella-related parts required during the summer, it is possible to significantly reduce the waste of costs due to the excessive production of umbrellas and umbrella-related parts.

지금까지 특정 부품 또는 물건에 대해 미래 수요량을 예측하기 위한 다양한 기법들이 제시되어 왔다. 다만, 지금까지 제시된 기법은 기본적으로 미래 수요량 을 예측하고자 하는 특정 부품 또는 물건의 과거 수요량만을 기초로 미래 수요량을 예측하는 기법이었다. 이러한 기법을 통하여 미래 수요량을 예측하는 경우, 예측 정확도가 높지 않은 문제가 있었다.To date, various techniques for predicting future demand for a particular part or object have been proposed. However, the techniques presented so far have basically predicted future demand based only on the historical demand of a specific part or object to predict future demand. When forecasting future demand through this technique, there is a problem that the prediction accuracy is not high.

특히, 예측하고자 하는 특정 부품 또는 물건의 과거 수요량에 대한 과거 데이터가 충분하지 않을 경우, 그 과거 데이터를 이용하여 미래 수요량을 예측하는 데에 어려움이 있었다.In particular, when there is not enough historical data on the historical demand of a particular part or object to be predicted, it is difficult to predict the future demand using the historical data.

따라서, 과거 데이터가 충분하지 않은 상황에서도 미래 데이터의 예측이 가능할 뿐만 아니라 예측 정확도를 향상시킬 수 있는 기술이 필요하다.Therefore, there is a need for a technology capable of improving prediction accuracy as well as predicting future data even when there is insufficient past data.

본 발명은 대상 부품의 과거 데이터뿐만 아니라 대상 부품과는 다른 비교 부품들의 수요에 대한 과거 데이터를 대상 부품의 미래 데이터를 예측하는 데에 이용함으로써 예측 정확도를 높일 수 있는 부품 수요 예측 방법 및 그 시스템을 제공한다.The present invention provides a method and system for predicting parts demand, which can improve prediction accuracy by using not only historical data of a target part but also historical data on demand of comparative parts different from the target part in predicting future data of the target part. to provide.

또한, 본 발명은 비교 부품들의 수요에 대한 과거 데이터를 이용하여 대상 부품의 미래 데이터를 예측함으로써 대상 부품의 과거 데이터가 충분하지 않은 상황에서도 대상 부품의 미래 데이터를 예측할 수 있는 부품 수요 예측 방법 및 그 시스템을 제공한다.In addition, the present invention predicts the future data of the target part by using the historical data on the demand of the comparative parts by using the historical data of the target part, even if there is not enough historical data of the target part prediction method and its Provide a system.

본 발명의 일실시예에 따른 부품 수요 예측 방법은 대상 부품과는 다른 복수의 비교 부품들의 수요에 대한 과거 데이터를 입력 받는 단계, 상기 비교 부품들의 수요에 대한 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성하는 단계, 상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 부품의 수요에 대한 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택하는 단계 및 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터를 기초로 상기 대상 부품의 예측 데이터를 생성하는 단계를 포함한다.According to an embodiment of the present invention, a method for predicting parts demand may include receiving historical data on demand of a plurality of comparative parts different from a target part, and classifying historical data on demand of the comparative parts by time intervals. Generating comparison data groups, comparing a change pattern of each of the plurality of comparison data groups and a change pattern of historical data with respect to demand of the target component to compare at least one data group of the plurality of comparison data groups Selecting and generating prediction data of the target part based on the at least one comparison target data group and historical data on demand of the target part.

또한, 본 발명의 일실시예에 따른 부품 수요 예측 시스템은 대상 부품과는 다른 복수의 비교 부품들의 수요에 대한 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성하는 비교 데이터 그룹 생성부, 상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 부품의 수요에 대한 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택하는 비교 대상 데이터 그룹 선택부 및 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터를 기초로 상기 대상 부품의 예측 데이터를 생성하는 예측 데이터 생성부를 포함한다.In addition, the component demand prediction system according to an embodiment of the present invention includes a comparison data group generation unit for generating a plurality of comparison data groups classified by time intervals of the past data on the demand of a plurality of comparison parts different from the target part, A comparison target data group selection for selecting at least one comparison target data group among the plurality of comparison data groups by comparing a change pattern of each of the plurality of comparison data groups and a change pattern of historical data with respect to demand of the target component And a prediction data generation unit configured to generate prediction data of the target component based on a portion, the at least one comparison target data group, and historical data on demand of the target component.

또한, 본 발명의 일실시예에 따른 데이터 예측 방법은 대상 객체와는 다른 복수의 비교 객체와 관련된 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성하는 단계, 상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 객체의 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택하는 단계, 선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 객체의 과거 데이터에 대한 적어도 하나의 회귀 모형을 생성하는 단계 및 생성된 상기 적어도 하나의 회귀 모형을 이용하여 상기 대상 객체의 예측 데이터를 결정하는 단계를 포함한다.In addition, the data prediction method according to an embodiment of the present invention comprises the steps of generating a plurality of comparison data groups classified by time intervals of the past data associated with a plurality of comparison objects different from the target object, the plurality of comparison data groups Selecting at least one comparison target data group among the plurality of comparison data groups by comparing each change pattern and a change pattern of historical data of the target object, using the linear regression analysis technique Generating at least one regression model for a data group and historical data of the target object and determining predictive data of the target object using the generated at least one regression model.

또한, 본 발명의 일실시예에 따른 데이터 예측 시스템은 대상 객체와는 다른 복수의 비교 객체와 관련된 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성하는 그룹 생성부, 상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 객체의 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비 교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택하는 그룹 선택부, 선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 객체의 과거 데이터에 대한 적어도 하나의 회귀 모형을 생성하는 회귀 모형 생성부 및 생성된 상기 적어도 하나의 회귀 모형을 이용하여 상기 대상 객체의 예측 데이터를 결정하는 예측 데이터 결정부를 포함한다.In addition, the data prediction system according to an embodiment of the present invention, a group generation unit for generating a plurality of comparison data groups classified by time intervals of the past data associated with a plurality of comparison objects different from the target object, the plurality of comparison data A group selector which selects at least one comparison target data group among the plurality of comparison data groups by comparing the change pattern of each group with a change pattern of historical data of the target object, using the linear regression analysis technique; A regression model generator that generates at least one comparison target data group and at least one regression model for historical data of the target object, and a prediction for determining prediction data of the target object using the generated at least one regression model It includes a data determination unit.

본 발명은 대상 부품의 과거 데이터뿐만 아니라 대상 부품과는 다른 비교 부품들의 수요에 대한 과거 데이터를 대상 부품의 미래 데이터를 예측하는 데에 이용함으로써 예측 정확도를 향상시키는 부품 수요 예측 방법 및 그 시스템을 제공할 수 있다.The present invention provides a component demand prediction method and system for improving the prediction accuracy by using not only the historical data of the target part but also the historical data on the demand of comparative parts different from the target part in predicting future data of the target part. can do.

또한, 본 발명은 비교 부품들의 수요에 대한 과거 데이터를 이용하여 대상 부품의 미래 데이터를 예측함으로써 대상 부품의 과거 데이터가 충분하지 않은 상황에서도 대상 부품의 미래 데이터를 예측하는 부품 수요 예측 방법 및 그 시스템을 제공할 수 있다.In addition, the present invention predicts the future data of the target part using the historical data on the demand of the comparative parts to predict the future data of the target part even when the historical data of the target part is insufficient, and a system and method for predicting the future data of the target part Can be provided.

이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.Hereinafter, exemplary embodiments of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일실시예에 따른 부품 수요 예측 방법을 나타낸 동작 흐름도이다.1 is an operation flowchart showing a component demand prediction method according to an embodiment of the present invention.

도 1을 참조하면, 본 발명의 일실시예에 따른 부품 수요 예측 방법은 대상 부품과는 다른 복수의 비교 부품들의 수요에 대한 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성한다(S110).Referring to FIG. 1, the method for predicting parts demand according to an embodiment of the present invention generates a plurality of comparison data groups in which historical data on demand of a plurality of comparison parts different from a target part is classified by time period (S110). ).

이 때, 비교 부품들의 수요에 대한 과거 데이터는 미리 데이터베이스에 저장될 수 있으며, 외부 장치 또는 사용자로부터 입력 받은 것일 수 있다.At this time, the historical data on the demand of the comparison parts may be stored in a database in advance, and may be input from an external device or a user.

예를 들어, 예측하고자 하는 대상 부품을 A라고 한다면, A와는 다른 B, C, D가 비교 부품들로 결정될 수 있다. 이 때, B, C, D 비교 부품들의 시간에 따른 수요량 등을 포함하는 과거 데이터들이 존재할 수 있다.For example, if the target part to be predicted is A, B, C, and D different from A may be determined as the comparison parts. At this time, there may be historical data including the amount of demand over time of the B, C, D comparison components.

그리고, B, C, D 비교 부품들의 과거 데이터들은 시간 구간 별로 분류되어, B, C, D 비교 부품들 각각에 대한 복수의 비교 데이터 그룹들이 생성될 수 있다. In addition, historical data of the B, C, and D comparison components may be classified by time intervals, and a plurality of comparison data groups for each of the B, C, and D comparison components may be generated.

예를 들어, B 비교 부품의 과거 데이터는 다양한 시간 구간 별로 분류될 수 있다. 즉, B 비교 부품의 과거 데이터는 1월 ~ 3월, 2월 ~ 6월, 1월 ~ 5월, 6월 ~ 12월 등 다양한 시간 구간 별로 분류되어, 복수의 비교 데이터 그룹들이 생성될 수 있다. 마찬가지로, C, D 비교 부품들의 과거 데이터들도 시간 구간 별로 분류되어 C, D 비교 부품들 각각에 대한 복수의 비교 데이터 그룹들이 생성될 수 있다.For example, historical data of the B comparison component may be classified by various time intervals. That is, the historical data of the B comparison component may be classified by various time intervals such as January to March, February to June, January to May, June to December, and a plurality of comparison data groups may be generated. . Similarly, the past data of the C and D comparison parts may be classified by time intervals to generate a plurality of comparison data groups for each of the C and D comparison parts.

특히, 비교 데이터 그룹들은 다양한 시간 구간들로 분류될 수 있을 뿐만 아니라, 추후 자기회귀를 고려할 수 있도록 분류될 수 있다.In particular, the comparative data groups can be classified not only into various time intervals, but also to allow for future regression.

또한, 본 발명의 일실시예에 따른 부품 수요 예측 방법은 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 대상 부품의 수요에 대한 과거 데이터의 변화 패턴을 비교하여 복수의 비교 데이터 그룹들 중 비교 대상 데이터 그룹을 선택한다(S120).In addition, the component demand prediction method according to an embodiment of the present invention compares the change pattern of each of the plurality of comparison data groups and the change pattern of the past data for the demand of the target component to compare the data of the plurality of comparison data groups A group is selected (S120).

이 때, 비교 대상 데이터 그룹을 선택하는 단계(S120)는 복수의 비교 데이터 그룹들 중 대상 부품의 수요에 대한 과거 데이터의 변화 패턴과 유사한 변화 패턴을 가지는 적어도 하나의 그룹을 비교 대상 데이터 그룹으로 선택하는 단계일 수 있다.In this case, in the selecting of the comparison target data group (S120), at least one group having a change pattern similar to the change pattern of the historical data on the demand of the target component among the plurality of comparison data groups is selected as the comparison target data group. It may be a step.

또한, 본 발명의 일실시예에 따른 비교 대상 데이터 그룹을 선택하는 단계(S120)는 복수의 비교 데이터 그룹들 각각의 증가/감소 패턴에 따른 제1 업/다운 데이터 및 상기 대상 객체의 과거 데이터의 증가/감소 패턴에 따른 제2 업/다운 데이터를 생성하는 단계(S121)를 포함한다. In operation S120, the selecting of the comparison target data group according to an embodiment of the present invention may include the first up / down data according to the increase / decrease pattern of each of the comparison data groups and the past data of the target object. Generating second up / down data according to the increase / decrease pattern (S121).

이 때, 증가 또는 감소 패턴은 '1' 또는 '0' 과 같은 업/다운 데이터로 표현될 수 있다.In this case, the increase or decrease pattern may be represented by up / down data such as '1' or '0'.

예를 들어, 비교 부품 B의 과거 데이터가 시간 구간 별로 분류되어 10개의 비교 데이터 그룹들이 존재한다고 가정한다. 이 때, 미리 결정된 다수의 시점들에 대하여, 10개의 비교 데이터 그룹들 각각은 이전(previous) 시점과 대비하여 증가 또는 감소할 수 있다. 이 때, 증가 또는 감소 패턴에 따라 제1 업/다운 데이터가 생성될 수 있다. For example, it is assumed that the historical data of the comparison component B is classified by time intervals so that 10 comparison data groups exist. At this time, for a plurality of predetermined time points, each of the ten comparison data groups may increase or decrease as compared with a previous time point. At this time, the first up / down data may be generated according to the increase or decrease pattern.

마찬가지로, 대상 부품 A의 과거 데이터도 미리 결정된 다수의 시점들에 대하여, 이점 시점과 대비하여 증가 또는 감소하는 패턴을 가질 수 있고, 증가 또는 감소 패턴에 따라 제2 업다운 데이터가 생성될 수 있다. Similarly, historical data of the target component A may also have a pattern that increases or decreases relative to the benefit time point for a plurality of predetermined time points, and second up-down data may be generated according to the increase or decrease pattern.

또한, 본 발명의 일실시예에 다른 비교 대상 데이터 그룹을 선택하는 단계(S120)는 생성된 제1 업/다운 데이터 및 제2 업/다운 데이터를 이용하여 적어도 하나의 비교 대상 데이터 그룹을 결정하는 단계(S122)를 포함한다.Also, in the selecting of the comparison target data group according to an embodiment of the present invention (S120), at least one comparison target data group is determined using the generated first up / down data and the second up / down data. Step S122 is included.

즉, 제1 업/다운 데이터는 비교 데이터 그룹들 각각의 변화 패턴을 나타내는 것이며, 제2 업/다운 데이터는 대상 부품의 과거 데이터의 변화 패턴을 나타낸다. 따라서, 제1 업/다운 데이터 및 제2 업/다운 데이터를 비교함으로써 복수의 비교 데이터 그룹들 중 대상 부품의 과거 데이터의 변화 패턴과 유사도가 높은 적어도 하나의 비교 대상 데이터 그룹이 결정될 수 있다.That is, the first up / down data represents a change pattern of each of the comparison data groups, and the second up / down data represents a change pattern of past data of the target component. Accordingly, by comparing the first up / down data and the second up / down data, at least one comparison target data group having a high similarity with a change pattern of the past data of the target component among the plurality of comparison data groups may be determined.

또한, 본 발명의 일실시예에 따른 부품 수요 예측 방법은 비교 대상 데이터 그룹 및 대상 부품의 수요에 대한 과거 데이터를 기초로 대상 부품의 미래 예측 수요량과 관련된 예측 데이터를 생성한다(S130). In addition, the component demand prediction method according to an embodiment of the present invention generates the prediction data related to the future prediction demand of the target part based on the comparison data group and the historical data on the demand of the target part (S130).

따라서, 본 발명의 일실시예에 따르면, 대상 부품의 과거 데이터뿐만 아니라 대상 부품과는 다른 비교 부품들의 비교 대상 데이터 그룹을 이용하여 선형 회귀 분석 기법을 적용함으로써, 보다 정확한 예측 데이터를 얻을 수 있다. 특히, 대상 부품의 과거 데이터가 충분히 존재하지 않는 경우에도 본 발명에 따르면 대상 부품의 예측 데이터를 생성할 수 있다.Accordingly, according to an embodiment of the present invention, by applying the linear regression analysis technique using not only the historical data of the target component but also the comparison target data group of the comparison components different from the target component, more accurate prediction data may be obtained. In particular, according to the present invention, even when there is not enough historical data of the target component, prediction data of the target component can be generated.

이 때, 예측 데이터를 생성하는 단계(S130)는 선형 회귀 분석 기법을 이용하여 비교 대상 데이터 그룹 및 대상 부품의 수요에 대한 과거 데이터를 분석하고, 분석 결과를 이용하여 대상 부품의 예측 데이터를 생성하는 단계일 수 있다.At this time, the step of generating the prediction data (S130) is to analyze the historical data about the demand of the comparison target data group and the target component using a linear regression analysis technique, and to generate the predictive data of the target component using the analysis result It may be a step.

선형 회귀 분석 기법은 종속 변수와 독립 변수 사이의 관계가 선형 관계인 경우, 종속 변수와 독립 변수 사이의 인과 관계를 분석하는 통계 기법이다. 즉, 대상 부품의 수요에 대한 예측 데이터는 종속 변수에 대응되고, 비교 대상 데이터 그룹 및 대상 부품의 과거 데이터는 독립 변수에 대응된다.Linear regression analysis is a statistical technique that analyzes the causal relationship between dependent and independent variables when the relationship between dependent and independent variables is linear. That is, the prediction data for the demand of the target part corresponds to the dependent variable, and the historical data of the comparison target data group and the target part correspond to the independent variable.

이 때, 예측 데이터를 생성하는 단계(S130)는 예측 데이터를 생성하는 데에 기준이 되는 최적 유사성 지표를 결정하고, 결정된 최적 유사성 지표에 따라 선형 회귀 분석 기법을 이용하여 예측 데이터를 생성하는 단계일 수 있다.At this time, generating the prediction data (S130) is a step of determining the optimal similarity index as a reference for generating the prediction data, and generating the prediction data using a linear regression analysis method according to the determined optimal similarity index Can be.

이 때, 대상 부품의 최적 유사성 지표는 대상 부품의 과거 수요량, 과거 수요 패턴, 대상 부품의 종류, 대상 부품이 사용되는 용도 등 대상 부품의 다양한 특성 등을 고려하여 결정될 수 있다.In this case, the optimum similarity index of the target part may be determined in consideration of various characteristics of the target part, such as a past demand amount of the target part, a past demand pattern, a type of the target part, and a use of the target part.

결정된 최적 유사성 지표에 따라 대상 부품의 과거 데이터와 비교 데이터 그룹들의 유사성이 측정될 수 있다. 이 때, 유사성의 형태는 개념적으로 대상 부품의 과거 데이터와 비교 데이터 그룹들 사이에 수요량의 사이즈만 다른 제1 형태, 수요량의 추세가 다른 제2 형태, 수요량의 사이즈 및 추세가 다른 제3 형태, 역의 관계를 갖는 제4 형태 및 제1 형태 내지 제4 형태의 조합 등과 같은 다양한 형태를 가질 수 있다. According to the determined optimal similarity index, the similarity between the historical data of the target part and the comparative data groups may be measured. At this time, the form of similarity is conceptually the first form differing only in the size of the quantity demanded between the historical data and the comparative data groups of the target part, the second form differing in the demand trend, the third form differing in the size and trend of the demand quantity, It can have various forms, such as the 4th form which has an inverse relationship, and the combination of 1st form-4th form, etc.

이 때, 측정된 대상 부품의 과거 데이터와 비교 데이터 그룹들 사이의 유사성의 형태는 추후 선형 회귀 분석 기법을 적용하여 회귀 모형을 생성하는 데에 고려될 수 있다. 예를 들어, 제1 형태는 절편을 추가함으로써 고려되며, 제4형태는 음의 회귀 계수에 의해 고려될 수 있다. 따라서, 보다 정확도 높은 예측 데이터가 생성될 수 있다.In this case, the form of similarity between the measured data of the target component and the comparative data groups may be considered in generating a regression model by applying a linear regression analysis technique. For example, the first form can be considered by adding intercepts, and the fourth form can be considered by negative regression coefficients. Thus, more accurate prediction data can be generated.

또한, 본 발명의 일실시예에 따른 예측 데이터를 생성하는 단계(S130)는 선형 회귀 분석을 이용하여 비교 대상 데이터 그룹 및 대상 부품의 수요에 대한 과거 데이터에 대한 적어도 하나의 회귀 모형을 생성하는 단계(S131)를 포함한다.In addition, generating the predictive data according to an embodiment of the present invention (S130) is a step of generating at least one regression model for the historical data on the demand of the target data group and the target component using the linear regression analysis (S131).

이 때, 회귀 모형은 종속 변수(예측 데이터)와 독립 변수(비교 대상 데이터 그룹 및 대상 부품의 과거 데이터)의 관계를 수리적으로 나타낸 것이다. 따라서, 예측 데이터는 비교 대상 데이터 그룹의 함수로 표현될 수 있다.At this time, the regression model mathematically represents the relationship between the dependent variable (prediction data) and the independent variable (compare target data group and the historical data of the target part). Thus, the prediction data may be expressed as a function of the data group to be compared.

또한, 본 발명의 일실시예에 따른 예측 데이터를 생성하는 단계(S130)는 생성된 적어도 하나의 회귀 모형을 이용하여 대상 부품의 예측 데이터를 결정하는 단계(S132)를 포함한다.In addition, generating the prediction data according to an embodiment of the present invention (S130) includes determining the prediction data of the target component using the generated at least one regression model (S132).

즉, 대상 부품의 과거 데이터가 존재하고, 복수의 비교 대상 데이터 그룹들이 존재할 수 있으므로, 대상 부품의 예측 데이터는 복수의 회귀 모형들로 나타낼 수 있다. 예를 들어, X, Y, Z 회귀 모형이 생성된 경우, X, Y, Z 회귀 모형 각각을 통하여 생성되는 예측 값들은 각각 다를 수 있다. 이 때, 예측 값들의 평균값 또는 중위수와 같이 예측 값들을 기초로 대상 부품의 예측 데이터가 생성될 수 있다.That is, since historical data of the target component exists and a plurality of comparison target data groups may exist, the prediction data of the target component may be represented by a plurality of regression models. For example, when an X, Y, Z regression model is generated, prediction values generated through the X, Y, Z regression models may be different. At this time, the prediction data of the target part may be generated based on the prediction values, such as the average value or the median of the prediction values.

또한, 도 1에 도시되지 아니하였으나, 본 발명의 일실시예에 따른 데이터 예측 방법은 대상 객체와는 다른 복수의 비교 객체와 관련된 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성하는 단계, 상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 객체의 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택하는 단계, 선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 객체의 과거 데이터에 대한 적어도 하나의 회귀 모형 을 생성하는 단계 및 생성된 상기 적어도 하나의 회귀 모형을 이용하여 상기 대상 객체의 예측 데이터를 결정하는 단계를 포함한다.In addition, although not shown in FIG. 1, the data prediction method according to an embodiment of the present invention may include generating a plurality of comparison data groups in which historical data related to a plurality of comparison objects different from the target object is classified for each time interval. Comparing at least one change pattern of each of the plurality of comparison data groups with a change pattern of historical data of the target object to select at least one comparison data group from among the plurality of comparison data groups, and performing a linear regression analysis technique. Generating at least one regression model of the at least one comparison target data group and the historical data of the target object and determining the predictive data of the target object using the generated at least one regression model. It includes.

이 때, 본 발명의 기술적 사상은 부품의 수요를 예측하는 데 적용될 수 있을 뿐만 아니라 다양한 분야에서 데이터를 예측하는 데에도 적용될 수 있다. 따라서, 상술한 설명을 통해 당업자라면, 본 발명의 부품 수요 예측 방법에 대한 상술한 설명으로부터 데이터 예측 방법을 용이하게 실시할 수 있다. 따라서, 본 발명의 데이터 예측 방법에 대한 설명은 생략하기로 한다.In this case, the technical idea of the present invention can be applied not only to predicting demand of components but also to predicting data in various fields. Therefore, those skilled in the art through the above description can easily implement the data prediction method from the above description of the component demand prediction method of the present invention. Therefore, description of the data prediction method of the present invention will be omitted.

본 발명에 따른 부품 수요 예측 방법 및 데이터 예측 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The parts demand prediction method and the data prediction method according to the present invention may be implemented in the form of program instructions that can be executed by various computer means and recorded in a computer readable medium. The computer readable medium may include program instructions, data files, data structures, etc. alone or in combination. Program instructions recorded on the media may be those specially designed and constructed for the purposes of the present invention, or they may be of the kind well-known and available to those having skill in the computer software arts. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tape, optical media such as CD-ROMs, DVDs, and magnetic disks, such as floppy disks. Magneto-optical media, and hardware devices specifically configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine code generated by a compiler, but also high-level language code that can be executed by a computer using an interpreter or the like. The hardware device described above may be configured to operate as one or more software modules to perform the operations of the present invention, and vice versa.

도 2는 본 발명의 복수의 비교 부품들의 수요에 대한 과거 데이터의 일예를 도시한 도면이다.2 is a diagram showing an example of historical data on the demand of a plurality of comparative parts of the present invention.

도 2를 참조하면, A, B, C가 비교 부품들이며, 각각의 커브(curve)는 시간에 따른 각각의 비교 부품들의 수요에 대한 과거 데이터를 나타낸다.Referring to FIG. 2, A, B, and C are comparison parts, each curve representing historical data on the demand of each comparison part over time.

A 비교 부품의 과거 데이터는 다양한 시간 구간 별로 분류될 수 있다. 예를 들어, A 비교 부품의 과거 데이터는 t1 ~ t4, t2 ~ t8, t3 ~ t6 등 다양한 시간 구간 별로 분류되어 복수의 비교 데이터 그룹들이 생성될 수 있다. 이 때, 비교 데이터 그룹 1은 A 비교 부품의 과거 데이터 중 t3 ~ t6 시간 구간에 해당하는 비교 데이터 그룹이다.Historical data of the A comparison component may be classified by various time intervals. For example, the historical data of a comparable part is t 1 ~ T 4, t 2 to t 8 , t 3 A plurality of comparison data groups may be generated by being classified by various time intervals, such as ˜t 6 . In this case, the comparison data group 1 is t 3 of the historical data of the A comparison component. to t 6 Comparison data group corresponding to time interval.

마찬가지로, 비교 데이터 그룹 2는 B 비교 부품의 t2 ~ t5 시간 구간에 해당하는 비교 데이터 그룹이고, 비교 데이터 그룹 3은 t5 ~ t8 시간 구간에 해당하는 비교 데이터 그룹이다.Similarly, comparison data group 2 is t 2 of the B comparison component to t 5 A comparison data group corresponding to a time interval, and comparison data group 3 is t 5 to t 8 Comparison data group corresponding to time interval.

이 때, 복수의 비교 데이터 그룹들 중 대상 부품의 과거 데이터와 유사한 변화 패턴을 갖는 그룹이 비교 대상 데이터 그룹으로 선택된다. 특히, 복수의 비교 데이터 그룹들의 패턴은 증가/감소 패턴에 따라 업/다운 데이터로 나타낼 수 있으며, 각각의 비교 데이터 그룹들의 업/다운 데이터와 대상 부품의 업/다운 데이터를 비교함으로써 적어도 하나의 비교 대상 데이터 그룹이 선택될 수 있다.At this time, a group having a change pattern similar to the past data of the target component among the plurality of comparison data groups is selected as the comparison target data group. In particular, the pattern of the plurality of comparison data groups may be represented as up / down data according to an increase / decrease pattern, and at least one comparison may be performed by comparing the up / down data of each comparison data group with the up / down data of the target component. The target data group can be selected.

도 3은 본 발명의 비교 데이터 그룹 및 대상 부품의 수요에 대한 과거 데이터의 일예를 도시한 도면이다.3 is a diagram showing an example of historical data on the demand of the comparative data group and the target component of the present invention.

도 3을 참조하면, 비교 데이터 그룹을 나타내는 커브와 대상 부품의 수요에 대한 과거 데이터를 나타내는 커브가 도시되어 있다.Referring to FIG. 3, a curve representing a comparative data group and a curve representing historical data on demand of a target component are shown.

이 때, tb 시점에서 비교 데이터 그룹의 값은 이전 시점인 tb 시점에서의 값보다 작으므로 업/다운 데이터는 '다운'을 의미하는 것으로 생성될 수 있다. 반대로, tc 시점에서 비교 데이터 그룹의 값은 이전 시점인 tb 시점에서의 값보다 크므로 업/다운 데이터는 '업'을 의미하는 것으로 생성될 수 있다.At this time, the value of the comparison data in the group is less than the value of the time t b at the time t b before the time-up / down data may be generated to mean a "down". On the contrary, since the value of the comparison data group at time t c is larger than the value at time t b , the up / down data may be generated to mean 'up'.

마찬가지로, 대상 부품의 수요에 대한 과거 데이터에 상응하는 업/다운 데이터가 생성될 수 있다.Similarly, up / down data may be generated that corresponds to historical data on the demand of the target component.

이 때, 도 3에 도시되지 아니하였으나, 복수의 비교 데이터 그룹들이 존재하므로, 복수의 비교 데이터 그룹들 각각에 대한 업/다운 데이터가 생성될 수 있다. 따라서, 복수의 비교 데이터 그룹들 각각에 대한 업/다운 데이터와 대상 부품의 수요에 대한 과거 데이터의 업/다운 데이터를 이용하여 대상 부품의 과거 데이터와 유사한 변화 패턴을 가지는 비교 데이터 그룹이 선택될 수 있다. 이 때, 선택된 비교 데이터 그룹은 비교 대상 데이터 그룹이다.At this time, although not shown in FIG. 3, since there are a plurality of comparison data groups, up / down data for each of the plurality of comparison data groups may be generated. Accordingly, the comparison data group having a change pattern similar to the past data of the target part may be selected using the up / down data of each of the plurality of comparison data groups and the up / down data of the historical data on the demand of the target part. have. At this time, the selected comparison data group is a comparison target data group.

도 4는 본 발명의 일실시예에 따른 부품 수요 예측 시스템을 나타낸 블록도이다.4 is a block diagram illustrating a system for predicting component demand according to an embodiment of the present invention.

도 4를 참조하면, 본 발명의 일실시예에 따른 부품 수요 예측 시스템은 비 교 데이터 그룹 생성부(410), 비교 대상 데이터 그룹 선택부(420) 및 예측 데이터 생성부(430)를 포함한다.Referring to FIG. 4, the component demand prediction system according to an embodiment of the present invention includes a comparison data group generator 410, a comparison target data group selector 420, and a prediction data generator 430.

비교 데이터 그룹 생성부(410)는 대상 부품과는 다른 복수의 비교 부품들의 수요에 대한 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성한다.The comparison data group generation unit 410 generates a plurality of comparison data groups in which historical data on demand of a plurality of comparison parts different from the target part is classified by time period.

또한, 비교 대상 데이터 그룹 선택부(420)는 상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 부품의 수요에 대한 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택한다.In addition, the comparison target data group selector 420 compares a change pattern of each of the plurality of comparison data groups and a change pattern of historical data with respect to the demand of the target component to compare at least one of the plurality of comparison data groups. Select the data group to compare.

이 때, 비교 대상 데이터 그룹 선택부(420)는 상기 복수의 비교 데이터 그룹들 각각의 증가/감소 패턴에 따른 제1 업/다운 데이터 및 상기 대상 부품의 수요에 대한 과거 데이터의 증가/감소 패턴에 따른 제2 업/다운 데이터를 생성하고, 생성된 상기 제1 업/다운 데이터 및 상기 제2 업/다운 데이터를 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹을 결정할 수 있다.In this case, the comparison target data group selector 420 may be configured to increase or decrease the first up / down data according to the increase / decrease pattern of each of the plurality of comparison data groups and the increase / decrease pattern of the historical data about the demand of the target component. The second up / down data may be generated, and the at least one comparison target data group may be determined using the generated first up / down data and the second up / down data.

또한, 예측 데이터 생성부(430)는 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터를 기초로 상기 대상 부품의 예측 데이터를 생성한다.In addition, the prediction data generator 430 generates the prediction data of the target part based on the at least one comparison target data group and historical data on the demand of the target part.

이 때, 예측 데이터 생성부(430)는 선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터를 분석하고, 분석 결과를 이용하여 상기 대상 부품의 예측 데이터를 생성할 수 있다.In this case, the prediction data generator 430 analyzes historical data on the at least one comparison target data group and the demand of the target component by using a linear regression analysis technique, and predicts the target component by using an analysis result. You can generate data.

이 때, 예측 데이터 생성부(430)는 상기 대상 부품의 예측 데이터를 생성하는 데에 기준이 되는 최적 유사성 지표를 결정하고, 선형 회귀 분석 기법을 이용하여 결정된 상기 최적 유사성 지표에 따라 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터를 분석하고, 분석 결과를 기초로 상기 대상 부품의 예측 데이터를 생성할 수 있다.In this case, the prediction data generator 430 determines an optimal similarity index that is a reference for generating the prediction data of the target part, and the at least one according to the optimal similarity index determined using a linear regression analysis technique. Historical data about the comparison target data group and the demand of the target component may be analyzed, and prediction data of the target component may be generated based on the analysis result.

또한, 도 4에 도시되지 아니하였으나, 본 발명의 일실시예에 따른 데이터 예측 시스템은 대상 객체와는 다른 복수의 비교 객체와 관련된 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성하는 그룹 생성부, 상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 객체의 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택하는 그룹 선택부, 선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 객체의 과거 데이터에 대한 적어도 하나의 회귀 모형을 생성하는 회귀 모형 생성부 및 생성된 상기 적어도 하나의 회귀 모형을 이용하여 상기 대상 객체의 예측 데이터를 결정하는 예측 데이터 결정부를 포함한다.In addition, although not shown in FIG. 4, the data prediction system according to an embodiment of the present invention is a group for generating a plurality of comparison data groups in which historical data related to a plurality of comparison objects different from the target object is classified by time period. A generation unit and a group selection unit configured to select at least one comparison target data group among the plurality of comparison data groups by comparing a change pattern of each of the plurality of comparison data groups and a change pattern of historical data of the target object; A regression model generator for generating at least one regression model for the at least one comparison target data group and the historical data of the target object using a regression analysis technique and the target object using the generated at least one regression model And a prediction data determiner for determining the prediction data of the.

이 때, 상기 회귀 모형 생성부는 미리 결정된 최적 유사성 지표에 따라 선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 객체의 과거 데이터에 대한 적어도 하나의 회귀 모형을 생성할 수 있다.In this case, the regression model generator may generate at least one regression model of the at least one comparison target data group and the historical data of the target object using a linear regression analysis method according to a predetermined optimal similarity index.

본 발명의 데이터 예측 시스템에 대하여는 도 1 내지 도 3을 통하여 설명한 사항이 동일 또는 유사하게 적용될 수 있으므로, 이에 대한 상세한 설명은 생략한다.Since the matters described with reference to FIGS. 1 through 3 may be applied to the data prediction system of the present invention in the same or similar manner, a detailed description thereof will be omitted.

이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.As described above, the present invention has been described by way of limited embodiments and drawings, but the present invention is not limited to the above embodiments, and those skilled in the art to which the present invention pertains various modifications and variations from such descriptions. This is possible.

그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.Therefore, the scope of the present invention should not be limited to the described embodiments, but should be determined not only by the claims below but also by the equivalents of the claims.

도 1은 본 발명의 일실시예에 따른 부품 수요 예측 방법을 나타낸 동작 흐름도이다.1 is an operation flowchart showing a component demand prediction method according to an embodiment of the present invention.

도 2는 본 발명의 복수의 비교 부품들의 수요에 대한 과거 데이터의 일예를 도시한 도면이다.2 is a diagram showing an example of historical data on the demand of a plurality of comparative parts of the present invention.

도 3은 본 발명의 비교 데이터 그룹 및 대상 부품의 수요에 대한 과거 데이터의 일예를 도시한 도면이다.3 is a diagram showing an example of historical data on the demand of the comparative data group and the target component of the present invention.

도 4는 본 발명의 일실시예에 따른 부품 수요 예측 시스템을 나타낸 블록도이다.4 is a block diagram illustrating a system for predicting component demand according to an embodiment of the present invention.

Claims (16)

대상 부품과는 다른 복수의 비교 부품들의 수요에 대한 과거 데이터를 입력 받는 단계;Receiving historical data on demand of a plurality of comparative parts different from the target part; 상기 비교 부품들의 수요에 대한 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성하는 단계;Generating a plurality of comparison data groups classifying historical data on demand of the comparison parts by time intervals; 상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 부품의 수요에 대한 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택하는 단계; 및Selecting at least one comparison target data group among the plurality of comparison data groups by comparing a change pattern of each of the plurality of comparison data groups and a change pattern of historical data with respect to demand of the target component; And 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터를 기초로 상기 대상 부품의 예측 데이터를 생성하는 단계Generating prediction data of the target part based on the at least one comparison target data group and historical data on demand of the target part; 를 포함하는 것을 특징으로 하는 부품 수요 예측 방법.Component demand prediction method comprising a. 제1항에 있어서,The method of claim 1, 상기 대상 부품의 예측 데이터를 생성하는 단계는Generating prediction data of the target part 선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터를 분석하고, 분석 결과를 이용하여 상기 대상 부품의 예측 데이터를 생성하는 단계인 것을 특징으로 하는 부품 수요 예측 방법.And analyzing the historical data on the demand of the at least one comparison target data group and the target component using a linear regression analysis technique, and generating predictive data of the target component using the analysis result. Demand forecasting method. 제1항에 있어서,The method of claim 1, 상기 대상 부품의 예측 데이터를 생성하는 단계는Generating prediction data of the target part 상기 대상 부품의 예측 데이터를 생성하는 데에 기준이 되는 최적 유사성 지표를 결정하고, 선형 회귀 분석 기법을 이용하여 결정된 상기 최적 유사성 지표에 따라 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터를 분석하고, 분석 결과를 기초로 상기 대상 부품의 예측 데이터를 생성하는 단계인 것을 특징으로 하는 부품 수요 예측 방법.Determine an optimal similarity index that is a reference for generating prediction data of the target component, and determine the demand for the at least one comparison data group and the target component according to the optimal similarity index determined using a linear regression analysis technique. And analyzing the past data and generating predictive data of the target part based on an analysis result. 제1항에 있어서,The method of claim 1, 상기 대상 부품의 예측 데이터를 생성하는 단계는Generating prediction data of the target part 선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터에 대한 적어도 하나의 회귀 모형을 생성하는 단계; 및Generating at least one regression model of historical data for the at least one group of data to be compared and the demand for the component using a linear regression analysis technique; And 생성된 상기 적어도 하나의 회귀 모형을 이용하여 상기 대상 부품의 예측 데이터를 결정하는 단계Determining prediction data of the target part using the generated at least one regression model 를 더 포함하는 것을 특징으로 하는 부품 수요 예측 방법.Part demand forecasting method further comprising. 제1항에 있어서,The method of claim 1, 상기 적어도 하나의 비교 대상 데이터 그룹을 선택하는 단계는Selecting the at least one data group to compare 상기 복수의 비교 데이터 그룹들 중 상기 대상 부품의 수요에 대한 과거 데 이터의 변화 패턴과 유사한 변화 패턴을 가지는 적어도 하나의 그룹을 상기 적어도 하나의 비교 대상 데이터 그룹으로 선택하는 단계인 것을 특징으로 하는 부품 수요 예측 방법.Selecting at least one group having a change pattern similar to a change pattern of past data for the demand of the target component among the plurality of comparison data groups as the at least one comparison target data group Demand forecasting method. 제1항에 있어서,The method of claim 1, 상기 적어도 하나의 비교 대상 데이터 그룹을 선택하는 단계는Selecting the at least one data group to compare 상기 복수의 비교 데이터 그룹들 각각의 증가/감소 패턴에 따른 제1 업/다운 데이터 및 상기 대상 부품의 수요에 대한 과거 데이터의 증가/감소 패턴에 따른 제2 업/다운 데이터를 생성하는 단계; 및Generating first up / down data according to an increase / decrease pattern of each of the plurality of comparison data groups and second up / down data according to an increase / decrease pattern of historical data on demand of the target component; And 생성된 상기 제1 업/다운 데이터 및 상기 제2 업/다운 데이터를 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹을 결정하는 단계Determining the at least one data group to be compared using the generated first up / down data and the second up / down data 를 포함하는 것을 특징으로 하는 부품 수요 예측 방법.Component demand prediction method comprising a. 대상 객체와는 다른 복수의 비교 객체와 관련된 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성하는 단계;Generating a plurality of comparison data groups in which historical data related to a plurality of comparison objects different from the target object are classified according to time intervals; 상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 객체의 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택하는 단계;Selecting at least one comparison target data group among the plurality of comparison data groups by comparing a change pattern of each of the plurality of comparison data groups with a change pattern of historical data of the target object; 선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 객체의 과거 데이터에 대한 적어도 하나의 회귀 모형을 생성하는 단계; 및Generating at least one regression model of the at least one group of data to be compared and historical data of the target object using a linear regression analysis technique; And 생성된 상기 적어도 하나의 회귀 모형을 이용하여 상기 대상 객체의 예측 데이터를 결정하는 단계Determining prediction data of the target object by using the generated at least one regression model 를 포함하는 것을 특징으로 하는 데이터 예측 방법.Data prediction method comprising a. 제7항에 있어서,The method of claim 7, wherein 상기 적어도 하나의 회귀 모형을 생성하는 단계는Generating the at least one regression model 미리 결정된 최적 유사성 지표에 따라 선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 객체의 과거 데이터에 대한 적어도 하나의 회귀 모형을 생성하는 단계인 것을 특징으로 하는 데이터 예측 방법.Generating at least one regression model of the at least one group of data to be compared and the historical data of the target object by using a linear regression analysis method according to a predetermined optimal similarity index. 제7항에 있어서,The method of claim 7, wherein 상기 적어도 하나의 비교 대상 데이터 그룹을 선택하는 단계는Selecting the at least one data group to compare 상기 복수의 비교 데이터 그룹들 각각의 증가/감소 패턴에 따른 제1 업/다운 데이터 및 상기 대상 객체의 과거 데이터의 증가/감소 패턴에 따른 제2 업/다운 데이터를 생성하는 단계; 및Generating first up / down data according to an increase / decrease pattern of each of the plurality of comparison data groups and second up / down data according to an increase / decrease pattern of past data of the target object; And 생성된 상기 제1 업/다운 데이터 및 상기 제2 업/다운 데이터를 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹을 결정하는 단계Determining the at least one data group to be compared using the generated first up / down data and the second up / down data 를 포함하는 것을 특징으로 하는 데이터 예측 방법.Data prediction method comprising a. 제1항 내지 제9항 중 어느 한 항의 방법을 실행하기 위한 프로그램이 기록되어 있는 것을 특징으로 하는 컴퓨터에서 판독 가능한 기록 매체.A computer-readable recording medium in which a program for executing the method of any one of claims 1 to 9 is recorded. 대상 부품과는 다른 복수의 비교 부품들의 수요에 대한 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성하는 비교 데이터 그룹 생성부;A comparison data group generation unit configured to generate a plurality of comparison data groups in which historical data on demand of a plurality of comparison parts different from the target part is classified by time intervals; 상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 부품의 수요에 대한 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택하는 비교 대상 데이터 그룹 선택부; 및A comparison target data group selection for selecting at least one comparison target data group among the plurality of comparison data groups by comparing a change pattern of each of the plurality of comparison data groups and a change pattern of historical data with respect to demand of the target component part; And 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터를 기초로 상기 대상 부품의 예측 데이터를 생성하는 예측 데이터 생성부Prediction data generation unit for generating the prediction data of the target part based on the at least one comparison target data group and the historical data on the demand of the target component 를 포함하는 것을 특징으로 하는 부품 수요 예측 시스템.Component demand prediction system comprising a. 제11항에 있어서,The method of claim 11, 상기 예측 데이터 생성부는The prediction data generator 선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터를 분석하고, 분석 결과를 이용하 여 상기 대상 부품의 예측 데이터를 생성하는 것을 특징으로 하는 부품 수요 예측 시스템.Using the linear regression analysis technique to analyze the historical data on the demand of the at least one comparison target data group and the target component, and using the analysis result to generate the prediction data of the target component parts demand prediction system. 제11항에 있어서,The method of claim 11, 상기 예측 데이터 생성부는The prediction data generator 상기 대상 부품의 예측 데이터를 생성하는 데에 기준이 되는 최적 유사성 지표를 결정하고, 선형 회귀 분석 기법을 이용하여 결정된 상기 최적 유사성 지표에 따라 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 부품의 수요에 대한 과거 데이터를 분석하고, 분석 결과를 기초로 상기 대상 부품의 예측 데이터를 생성하는 것을 특징으로 하는 부품 수요 예측 시스템.Determine an optimal similarity index that is a reference for generating prediction data of the target component, and determine the demand for the at least one comparison data group and the target component according to the optimal similarity index determined using a linear regression analysis technique. And analyzing the historical data, and generating predictive data of the target part based on the analysis result. 제11항에 있어서,The method of claim 11, 상기 비교 대상 데이터 그룹 선택부는The comparison target data group selection unit 상기 복수의 비교 데이터 그룹들 각각의 증가/감소 패턴에 따른 제1 업/다운 데이터 및 상기 대상 부품의 수요에 대한 과거 데이터의 증가/감소 패턴에 따른 제2 업/다운 데이터를 생성하고, 생성된 상기 제1 업/다운 데이터 및 상기 제2 업/다운 데이터를 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹을 결정하는 것을 특징으로 하는 부품 수요 예측 시스템.Generating first up / down data according to an increase / decrease pattern of each of the plurality of comparison data groups and second up / down data according to an increase / decrease pattern of historical data on demand of the target component; And determining the at least one data group to be compared using the first up / down data and the second up / down data. 대상 객체와는 다른 복수의 비교 객체와 관련된 과거 데이터를 시간 구간 별로 분류한 복수의 비교 데이터 그룹들을 생성하는 그룹 생성부;A group generation unit configured to generate a plurality of comparison data groups in which historical data related to a plurality of comparison objects different from the target object are classified for each time interval; 상기 복수의 비교 데이터 그룹들 각각의 변화 패턴 및 상기 대상 객체의 과거 데이터의 변화 패턴을 비교하여 상기 복수의 비교 데이터 그룹들 중 적어도 하나의 비교 대상 데이터 그룹을 선택하는 그룹 선택부;A group selector which selects at least one comparison target data group among the plurality of comparison data groups by comparing a change pattern of each of the plurality of comparison data groups with a change pattern of historical data of the target object; 선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 객체의 과거 데이터에 대한 적어도 하나의 회귀 모형을 생성하는 회귀 모형 생성부; 및A regression model generator for generating at least one regression model of the at least one comparison target data group and the historical data of the target object using a linear regression analysis technique; And 생성된 상기 적어도 하나의 회귀 모형을 이용하여 상기 대상 객체의 예측 데이터를 결정하는 예측 데이터 결정부Prediction data determination unit for determining the prediction data of the target object using the generated at least one regression model 를 포함하는 것을 특징으로 하는 데이터 예측 시스템.Data prediction system comprising a. 제15항에 있어서,The method of claim 15, 상기 회귀 모형 생성부는The regression model generator 미리 결정된 최적 유사성 지표에 따라 선형 회귀 분석 기법을 이용하여 상기 적어도 하나의 비교 대상 데이터 그룹 및 상기 대상 객체의 과거 데이터에 대한 적어도 하나의 회귀 모형을 생성하는 것을 특징으로 하는 데이터 예측 시스템.And generating at least one regression model of the at least one comparison target data group and the historical data of the target object using a linear regression analysis technique according to a predetermined optimal similarity index.
KR1020070113153A 2007-11-07 2007-11-07 Part demand forecasting method and system KR100928621B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020070113153A KR100928621B1 (en) 2007-11-07 2007-11-07 Part demand forecasting method and system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020070113153A KR100928621B1 (en) 2007-11-07 2007-11-07 Part demand forecasting method and system

Publications (2)

Publication Number Publication Date
KR20090047131A true KR20090047131A (en) 2009-05-12
KR100928621B1 KR100928621B1 (en) 2009-11-26

Family

ID=40856671

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020070113153A KR100928621B1 (en) 2007-11-07 2007-11-07 Part demand forecasting method and system

Country Status (1)

Country Link
KR (1) KR100928621B1 (en)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120105259A (en) * 2011-03-15 2012-09-25 삼성테크윈 주식회사 Chip mounting recipe managing system and method for board group
KR102332122B1 (en) * 2020-07-28 2021-12-02 (주)엔키아 Building energy prediction model apparatus and Building energy prediction method
KR102403331B1 (en) * 2021-11-16 2022-05-30 이현규 System and method for managing and trading inventory of materials/parts
KR102516196B1 (en) * 2021-12-22 2023-03-30 호서대학교 산학협력단 Apparatus for forecasting demand based on extreme events and method therefor
CN111178624B (en) * 2019-12-26 2023-10-20 浙江大学 New product demand prediction method

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102591580B1 (en) 2023-04-14 2023-10-19 진부현 Construction plan information analysis-based construction bolt demand forecasting and inventory management method, device and system

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3481570B2 (en) * 2000-08-30 2003-12-22 本田技研工業株式会社 Demand forecasting equipment in parts inventory management
JP2006350883A (en) * 2005-06-20 2006-12-28 Yaskawa Electric Corp Demand prediction value automatic determination system using knowledge database, demand prediction value automatic determination program used therefor, and storage medium storing its program

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120105259A (en) * 2011-03-15 2012-09-25 삼성테크윈 주식회사 Chip mounting recipe managing system and method for board group
CN111178624B (en) * 2019-12-26 2023-10-20 浙江大学 New product demand prediction method
KR102332122B1 (en) * 2020-07-28 2021-12-02 (주)엔키아 Building energy prediction model apparatus and Building energy prediction method
KR102403331B1 (en) * 2021-11-16 2022-05-30 이현규 System and method for managing and trading inventory of materials/parts
KR102516196B1 (en) * 2021-12-22 2023-03-30 호서대학교 산학협력단 Apparatus for forecasting demand based on extreme events and method therefor

Also Published As

Publication number Publication date
KR100928621B1 (en) 2009-11-26

Similar Documents

Publication Publication Date Title
JP6849915B2 (en) Comparison program, comparison method and comparison device
KR100928621B1 (en) Part demand forecasting method and system
JP6697159B2 (en) Machine learning management program, machine learning management device, and machine learning management method
JP6974712B2 (en) Search method, search device and search program
JP6536295B2 (en) Prediction performance curve estimation program, prediction performance curve estimation device and prediction performance curve estimation method
US20140115592A1 (en) Method for estimating job run time
US20120310939A1 (en) Systems And Methods For Clustering Time Series Data Based On Forecast Distributions
KR101982753B1 (en) Apparatus and method for predicting degree of risk of train accident
KR102239464B1 (en) Methods and apparatuses for forecasting power demand using deep structure
JP2017228086A (en) Machine learning management program, machine learning management method, and machine learning management device
US7483864B2 (en) Active learning method and system
KR102499240B1 (en) Power demand predicting method and power demand predicting system
TW201537314A (en) Method and controller for controlling operation of machine
JP2017146888A (en) Design support device and method and program
KR102662329B1 (en) Automatic learning-based time series data prediction and control method and device
JP2020052459A (en) Failure prediction method, failure prediction device and failure prediction program
US20060175393A1 (en) Analysis technique of computer system
JP5135803B2 (en) Optimal parameter search program, optimal parameter search device, and optimal parameter search method
WO2019224909A1 (en) Parameter selection method, parameter selection program, and information processing device
KR20090123352A (en) Method of predicting stocks price and sytem using the method
KR20200057835A (en) Clustring system and method for forecasting item demand of repair parts of military equipment by demand pattern
JP2015228182A (en) Changing point detection device, changing point detection method and computer program
KR102289396B1 (en) Application of reinforcement learning for the advancement of forecasting item demand of repair parts of military equipment
JPH10228461A (en) Demand prediction method
JP2012029389A (en) Electrical power supply-demand matching control system and electrical power supply-demand matching control method

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20120921

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20130814

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20141014

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20160105

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20161208

Year of fee payment: 8

LAPS Lapse due to unpaid annual fee