KR20200053004A - 태양광예측알고리즘 적용 상황인지 기반의 지표를 이용하여 예측한 위기 감지 방법 및 이를 위한 장치 - Google Patents

태양광예측알고리즘 적용 상황인지 기반의 지표를 이용하여 예측한 위기 감지 방법 및 이를 위한 장치 Download PDF

Info

Publication number
KR20200053004A
KR20200053004A KR1020180131247A KR20180131247A KR20200053004A KR 20200053004 A KR20200053004 A KR 20200053004A KR 1020180131247 A KR1020180131247 A KR 1020180131247A KR 20180131247 A KR20180131247 A KR 20180131247A KR 20200053004 A KR20200053004 A KR 20200053004A
Authority
KR
South Korea
Prior art keywords
economic
crisis
indicators
industry
index
Prior art date
Application number
KR1020180131247A
Other languages
English (en)
Other versions
KR102178427B1 (ko
Inventor
이혜영
김정환
남정훈
Original Assignee
주식회사 알스피릿
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 주식회사 알스피릿 filed Critical 주식회사 알스피릿
Priority to KR1020180131247A priority Critical patent/KR102178427B1/ko
Publication of KR20200053004A publication Critical patent/KR20200053004A/ko
Application granted granted Critical
Publication of KR102178427B1 publication Critical patent/KR102178427B1/ko

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
    • G06Q10/06—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 서버에 의해 수행되는, 서버에 의해 수행되는, 상황인지를 위한 업종별 위기 감지 방법에 있어서, 업종별 데이터를 수집하는 단계; 상기 수집된 업종별 데이터에 기초하여 정상적인 경제 상태를 결정하는 단계; 및 상기 결정된 경제 상태에서 예측된 경기선행지수가 기설정된 오차 범위를 벗어난 경우, 경제 위기 상태로 판단하는 단계를 포함한다.

Description

상황인지 기반의 경기 지표를 이용하여 예측한 위기 감지 방법 및 이를 위한 장치{METHOD AND DEVICE FOR CONTEXT RECOGNITION REGARDING PREDICTING SENSING OF CRISIS USING BUSINESS INDEX}
본 발명은 상황인지 기반의 경기 지표를 이용하여 예측한 위기 감지 방법 및 장치에 관한 것으로서, 보다 상세하게는, RNN 방식 및 오토 인코더 방식을 이용하여 경기 선행지수를 분석하고 예측하는 방법에 관한 것이다.
일반적으로 산업이란 인간이 생계를 유지하기 위하여 일상적으로 종사하는 생산적 활동으로서, 물적 재화의 생산과 서비스의 생산을 포함한다. 대개 산업은 농업, 임업, 축산업, 수산업을 포함하는 1차 산업과, 제조업, 건설업, 광업을 포함하는 2차 산업과, 도소매 및 소매업, 관광업, 운수업, 금융업을 포함하는 3차 산업으로 분류된다.
이런 다양한 업종마다 업종에 영향을 미치는 고유의 지표들이 존재할 수 있다. 예를 들어, 농업, 수산업의 경우, 기상 지표(예, 기온, 태풍 등)에 큰 영향을 받을 수 있다. 또한, 업종별 고유 지표 외에도 전업종 공통적으로 영향을 미치는 지표 또한 있으며, 예를 들어, 경기지수가 이에 해당할 수 있다.
이러한 지표들은 기존 누적된 다양한 데이터들과 함께 경제의 미래를 예측하는데 이용되고 있다. 경기선행지수(Composite Leading Indicator; CLI)는 3~6개월 후의 경기흐름을 가늠하는 지표로서, 지수가 전월보다 올라가면 경기상승, 전월보다 내려가면 경기하강을 의미한다. 이러한 경기선행지수는 다양한 구성지표의 움직임을 종합하여 결정되는데, 구성지표의 예로는 재고순환지표, 소비자기대지수, 기계류내수출하지수(선박제외), 건설수주액, 수출입물가비율, 구인구직비율, 코스피지수, 장단기금리차 등의 지표가 해당될 수 있다.
따라서, 다양한 경제 주체들이 미래 경제를 전망하기 위해서 경기선행지수를 정확하게 예측하려는 연구를 활발히 하고 있으며, 작은 오차의 예측 방법에 대한 필요성이 증가하고 있다.
본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 본 발명에서는 다양한 경제 지표들을 분석하여 경기 지표를 예측할 수 있다.
또한, 본 발명은 경영자(회사)에게 예측되는 경기 지표에 따라 경영 전략을 구축할 수 있는 데이터를 제공할 수 있다.
본 발명의 일 실시예는 서버에 의해 수행되는, 서버에 의해 수행되는, 상황인지를 위한 업종별 위기 감지 방법에 있어서, 업종별 데이터를 수집하는 단계; 상기 수집된 업종별 데이터에 기초하여 정상적인 경제 상태를 결정하는 단계; 및 상기 결정된 경제 상태에서 예측된 경기선행지수가 기설정된 오차 범위를 벗어난 경우, 경제 위기 상태로 판단하는 단계를 포함한다.
본 발명의 다른 일 실시예는 상황인지를 위한 업종별 위기 감지 서버에 있어서, 업종별 데이터를 수집하는 데이터 수집부; 상기 수집된 업종별 데이터에 기초하여 정상적인 경제 상태를 결정하는 경제 지표 학습부; 및 상기 결정된 경제 상태에서 예측된 경기선행지수가 기설정된 오차 범위를 벗어난 경우, 경제 위기 상태로 판단하는, 경제 위기 감지부;를 포함한다.
본 발명은 상황인지를 위한 업종별 위기를 감지하는 방법에 관한 것으로, 다양한 경제 지표들을 분석하여, 경기선행지수를 예측할 수 있다.
또한, 본 발명에 따를 경우, 예측되는 경기선행지수에 따라 업종별 경영상의 전략을 구축할 수 있다.
도 1은 본 발명의 일 실시예에 따르는 업종별 위기를 감지하는 과정을 시간 흐름에 따라 나타낸 순서도이다.
도 2는 본 발명의 일 실시예에 따르는 업종별 위기를 감지하는 서버의 구조를 개념적으로 나타낸 블록도이다.
도 3은 본 발명의 일 실시예에 따르는 분석에 사용되는 학습과정을 개념적으로 나타내는 흐름도이다.
도 4는 본 발명의 일 실시예에 따라 예측된 경기선행지수 지표에 대한 설명을 나타내는 도면이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 명세서에 있어서 '부(部)'란, 하드웨어에 의해 실현되는 유닛(unit), 소프트웨어에 의해 실현되는 유닛, 양방을 이용하여 실현되는 유닛을 포함한다. 또한, 1 개의 유닛이 2 개 이상의 하드웨어를 이용하여 실현되어도 되고, 2 개 이상의 유닛이 1 개의 하드웨어에 의해 실현되어도 된다. 한편, '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, '~부'는 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
이하에서 언급되는 "사용자 단말"은 네트워크를 통해 서버나 타 단말에 접속할 수 있는 컴퓨터나 휴대용 단말기로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop) 등을 포함하고, 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet), LTE(Long Term Evolution) 통신 기반 단말, 스마트폰, 태블릿 PC 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다. 또한, "네트워크"는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN) 또는 부가가치 통신망(Value Added Network; VAN) 등과 같은 유선 네트워크나 이동 통신망(mobile radio communication network) 또는 위성 통신망 등과 같은 모든 종류의 무선 네트워크로 구현될 수 있다.
도 1은 본 발명의 일 실시예에 따르는 업종별 위기를 감지하는 과정을 시간 흐름에 따라 나타낸 순서도이다.
도 1에 도시된 바와 같이, 서버는 업종별 데이터를 수집할 수 있다(S110).
업종별 데이터는 업종 분석에 있어서 유의미한 지표들이며, 크게 9개 업종으로 분류하여 데이터를 수집할 수 있다. 9개 업종의 예로는 항공, 철강, 금융, 식품, 화장품, 의류, 가구 호텔 및 백화점 업종이 해당될 수 있다.
서버는 9개 업종에 대해 각 업종별로 각종 지표 데이터들을 수집하여 상관관계분석 및 회귀분석을 통해서 전업종 공통지표, 업종 필수지표, 업종 활용가능지표로 분류할 수 있다.
앞서 설명한 전업종 공통 지표는 하기 표 1과 같이 분류될 수 있다. 소비자물가지수, 경제심리지수, 관광수지, 유가 및 환율이 이에 포함될 수 있다.
사용 지표 데이터 기간 데이터 출처 데이터 설명
소비자물가지수 2014.1~2018.6
(월별)		 ECOS(한국은행경제통계시스템) 소비자가 구입하는 상품과 서비스 가격변동 측정
경제심리지수 기업경기실사지수(BSI) 및 소비자동향지수(CSI)를 합성한 지표. 경제상황에 대한 심리를 파악
관광수지
유가 KOSIS(국가통계포털)
환율
또한, 앞서 설명한 업종별 필수 지표는 하기 표2와 같이 분류될 수 있다.
업종 사용한 데이터 데이터 기간 데이터 출처
식품 편의점판매액지수 2014.1~2018.6
(월별)		 KOSIS
ONI Climate Prediction Center
유가 KOSIS
가구 혼인건수 KOSIS
신설법인수 KOSIS
금융 NIM(Net Interest Margin) ECOS에서 대출이자/예금이자 받아서 제공한 자료
코스피지수 ECOS
장단기금리차 ECOS에서 단기국채/장기국채 받아서 가공한 자료
화장품 소매액판매액지수 KOSIS
수출금액지수 ECOS
관광객수 KOSIS
철강 철강수입/수출금액 KOSIS
석탄수입액 KOSIS
항공 운항편수 한국공항공사(전처리 필요)
여행객수 한국공항공사(전처리 필요)
화물량 한국공항공사(전처리 필요)
호텔 소매액판매액지수
(면세점)		 KOSIS
의류 소매액판매액지수 KOSIS
수출금액지수(의류) KOSIS
관광객수 KOSIS
백화점 소매업태별
판매지수(백화점)		 KOSIS
품목별 소비자물가 KOSIS
*ECOS : 한국은행 경제통계시스템*KOSIS : 국가통계포털(통계청)
또한, 앞서 설명한 업종별 활용가능지표는 하기 표3과 같이 분류될 수 있다.
업종 사용한 데이터 데이터 기간 데이터 출처
식품 곡물소비자물가 2014.1~2018.6
(월별)		 KOSIS
음료/설탕 수출입 KOSIS
돈육가격지수
육계가격지수 한국육계협회(전처리 필요)
가구 출생건수 KOSIS
주택/아파트 매매거래 KOSIS
목재수입가격 KOSIS
호텔 관광객수 ECOS에서 대출이자/예금이자
받아서 제공한 자료
백화점 관광객수 ECOS
수입물가 ECOS에서 단기국채/장기국채
받아서 가공한 자료
금융 연체율 ECOS
한국은행 기준금리 ECOS
회사채(3년, AA-) ECOS
국고채 수익률 ECOS
*ECOS : 한국은행 경제통계시스템*KOSIS : 국가통계포털(통계청)
서버는, 수집된 업종별 데이터에 기초하여, 정상적인 경제 상태를 결정할 수 있다(S120).
본 발명에서 정상적인 경제 상태라 함은, 일정 범위 내에서의 경제 지표로 분석되는 경제 상태를 의미하며, 서버는 일정 범위를 벗어난 경우를 비정상적인 경제 상태 즉, 위기 경제 상태로 결정할 수 있다.
서버의 프로세스는 정상적인 경제 상태를 결정하기 위해서 드래곤 킹(Dragon King) 이론에 관한 알고리즘이 프로그래밍된 상태일 수 있다. 드래곤 킹 이론은 일정 기간 동안 경제지표의 등락폭 정보 및 등락지점 사이의 시간 간격 등에 기초하여 경제 지표의 위기 관리를 위한 이론이다.
서버는, 후술하는 RNN이나 오토 인코더를 학습시킬 때 드래곤 킹 이론을 이용하여 학습을 수행할 수 있으며, 드래곤 킹 이론은 충격이 작은 사건이 자주 일어나고 시장에 충격이 상당히 큰 사건은 긴 시간 간격을 가지고 일어난다는 법칙으로 이해할 수 있다. 예를 들어, 유가정보의 패턴을 볼 때 좁은 범위의 등락이 계속되다가 일정 기간이 지난 후에는 큰 폭의 등락이 이루어진다는 것을 확인할 수 있다.
서버는 드래곤 킹 이론을 적용한 LPPL(Log Period Power Low) 모델로서 예측을 수행할 수 있으며, 복잡성 이론과 관련이 되어 있다. 복잡성 이론이란 경제시장을 복잡한 시스템으로 간주하여 극단적인 결과를 예측하는 이론을 의미하며, 멱함수 법칙으로 증명이 가능하다.
멱함수 법칙이라 함은 시장에서 충격이 작은 사건은 자주 일어나고 시장에 충격이 큰 사건은 긴 시간 후에 일어난다는 법칙으로, 그래프로 나타날 경우, 멱함수와 비슷한 그래프로 표시되기 때문에 멱함수 법칙이라고 한다. 서버는 드래곤 킹(멱함수 법칙)을 통해서 경제지표의 위기 감지를 예측할 수 있다.
서버는, 결정된 경제 상태에서 예측된 경기선행지수가 기설정된 오차 범위를 벗어난 경우, 경제 위기 상태로 판단할 수 있다(S130).
경기선행지수(Composite Leading Indicator; CLI )는 3~6개월 후의 경기흐름을 가늠하는 지표로서, 지수가 전월보다 올라가면 경기상승, 전월보다 내려가면 경기하강을 의미한다. 이러한 경기선행지수는 다양한 구성지표의 움직임을 종합하여 결정되는데, 구성지표의 예로는 재고순환지표, 소비자기대지수, 기계류내수출하지수(선박제외), 건설수주액, 수출입물가비율, 구인구직비율, 코스피지수, 장단기금리차 등의 지표가 해당될 수 있다.
서버는 예측된 경기선행지수가 일정 수준 이하인 경우, 경제 위기 상태로 판단할 수 있다. 경기선행지수가 일정 수준 이상인 경우는, 그만큼 경기가 팽창하고 있다는 것을 의미하므로 서버는 이 상태를 경제 위기 상태로 판단하지 않는다.
도 2는 본 발명의 일 실시예에 따르는 업종별 위기를 감지하는 서버의 구조를 개념적으로 나타낸 블록도이다.
도 2에 도시된 바와 같이, 위기 감지 서버(200)는 데이터 수집부(210), 경제 지표 학습부(220) 및 경제 위기 감지부(230)를 포함할 수 있다.
데이터 수집부(210)는 업종별 데이터를 수집할 수 있다. 업종별 데이터는 업종 분석에 있어서 유의미한 지표들이며, 크게 9개 업종으로 분류하여 데이터를 수집할 수 있다. 9개 업종의 예로는 항공, 철강, 금융, 식품, 화장품, 의류, 가구 호텔 및 백화점 업종이 해당될 수 있다.
서버는 9개 업종에 대해 각 업종별로 각종 지표 데이터들을 수집하여 상관관계분석 및 회귀분석을 통해서 전업종 공통지표, 업종 필수지표, 업종 활용가능지표로 분류할 수 있다. 이에 대한 자세한 설명은 표 1 내지 표 3에서 하였으므로 생략하기로 한다.
경제 지표 학습부(220)는, 드래곤 킹(Dragon King) 이론을 적용하여, 상기 업종별 데이터들을 학습시킬수 있다. 드래곤 킹 이론은 일정 기간 동안 경제지표의 등락폭 정보 및 등락지점 사이의 시간 간격 등에 기초하여 경제 지표의 위기 관리를 위한 이론이다.
경제 지표 학습부(220)는 다양한 학습 방식을 통해서 경제 지표들을 학습할 수 있으며, 그 예로는 회귀분석, RNN(Recurrent Neural Network), 오토 인코딩(Auto Encoding)이 해당될 수 있다. 다만 이는 설명의 편의를 위해서 열거한 것이며, 다양한 학습 방식으로 이해함이 중요하며, 상기 언급한 학습 방식에 제한되지 아니한다.
경제 위기 감지부(230)는 상기 결정된 경제 상태에서 예측된 경기선행지수가 기설정된 오차 범위를 벗어난 경우, 경제 위기 상태로 판단할 수 있다.
경제 위기 감지부(230)는 다양한 학습 방법에 의해서 예측된 경기 선행지수가 일정 수준 이하인 경우를 경제 위기 상태로 판단할 수 있으며, RNN 딥러닝 학습을 수행한 경우, 입력값은 물가, 환율, 경제상황, 생활, 관광 및 주식(stock) 중 어느 하나 이상의 지표이고, 출력값은 경기선행지수일 수 있다. 경제 위기 감지부(230)는 과거에 해당하는 입력값과 출력값을 통하여 학습을 수행하여, 뉴럴 네트워크의 가중치 값 등을 정함으로써, 모델링이 될 수 있다.
또한, 경제 위기 감지부(230)는 오토 인코딩(Auto Encoding) 방식을 통해서 경기선행지수를 예측하여, 경기선행지수가 일정 수준 이하인 경우를 상기 경제 위기 상태로 판단할 수 있고, 오토 인코딩 방식의 입력값은 물가, 환율, 경제상황, 생활, 관광 및 주식(stock) 중 어느 하나 이상의 지표이고, 출력값은 경기선행지수일 수 있다.
도 3은 본 발명의 일 실시예에 따르는 분석에 사용되는 학습과정을 개념적으로 나타내는 흐름도이다.
25개의 통계 및 경제 지표를 활용하여 RNN 모델을 이용하여 경기선행지수를 예측할 수 있으며, 또한 오토 인코더를 활용하여 이상치 탐색을 거쳐 경제 이상 신호를 예측할 수 있다.
서버는 드래곤 킹 이론을 적용하여 RNN, 오토 인코딩 학습을 할 수 있으며, 결과적으로 사용자에게 RNN 알고리즘 및 오토 인코딩 알고리즘 2개의 결과값을 각각 구분하여 제공함으로써 보다 다양한 측면에서 경기선행지수를 예측할 수 있다.
RNN 분석의 경우, 서버는 물가, 환율, 경제상황, 생활, 관광 및 주식과 관련된 지표를 입력값으로 하여 딥러닝을 수행할 수 있다.
이 때, 물가와 관련된 지표로는 Brent 유가, Dubai 유가, West_Texas 유가가 해당될 수 있다.
또한, 환율과 관련된 지표는 엔화, 위안화, 달러, 유로가 이에 해당될 수 있다.
또한, 경제상황과 관련된 지표는 유동성지표, 통화량, 경상수지, 경제심리지수, 교역조건지수, 수입금액지수, 수출금액지수, 수출물가지수, 소비자물가지수가 이에 해당될 수 있다.
또한, 생활과 관련된 지표로 신용카드 사용액, 고용률, 실업률이 이에 해당될 수 있다.
또한, 관광과 관련된 지표는 대만 관광객수, 일본 관광객수, 중국 관광객수, 홍콩 관광객수, 관광수지, 호텔신라주가가 이에 해당될 수 있다.
또한, 주식과 관련된 지표는 공매도, 미국채수익률, 주식거래대금이 이에 해당될 수 있다.
상기의 다양한 지표들을 입력값(Input Layer)으로 설정하고, 출력값(Output Layer)으로 경기선행지수를 설정하여 제곱근편차 분석을 통해 예측할 수 있다.
오토 인코딩 분석의 경우, 경기선행지수의 이상값을 판단할 수 있다. 서버는 일반적인 뉴럴네트워크(Neural Network)보다 오토 인코딩 분석을 통해 이상치를 판별할 수 있다. 오토 인코딩의 특성 중 하나가 비지도학습(Unsupervised Learning)이며, 비지도학습이라 함은, 정답 또는 정상적인 결과값을 제공하지 않고 입력값만 제공하여 학습을 수행하는 것으로, 정상적인 결과값을 판별하기 보다는 이상치를 염두해두고 비정상 조건의 심층분석을 통해서 비정상 결과를 판별하는 것을 특징으로 할 수 있다.
일반적으로 오토 인코딩은 흐릿하거나 훼손된 이미지를 복원할 때 사용하는 알고리즘으로 알려져 있으며, 이러한 방식을 경기선행지수에 적용하는 데에 유리한 효과가 있다.
특히, 이상치와 정상치를 구분하여 도출함으로써 현재의 특정 지표값을 입력하였을 때, 미래의 이상치가 발생이 될지 또는 정상치가 발생이 될지 예측할 수 있는 방식이다.
보다 구체적으로 설명하면, 서버는 경기선행지수를 정규화한 뒤, 일정수치 이하인 경우와 이상인 경우의 값들에 대해서 정상치 및 이상치 경기선행지수라고 가정을 하고, 이후 각 지표를 입력값으로 하여 출력되는 결과값에 따라서 현재 지표가 정상치인지 이상치인지 판별할 수 있는 유리한 효과가 있다.
오토 인코딩 분석의 경우, 서버는 물가, 환율, 경제상황, 생활, 관광 및 주식과 관련된 지표를 입력값으로 하여 딥러닝을 수행할 수 있다.
이 때, 물가와 관련된 지표로는 Brent 유가, Dubai 유가, West_Texas 유가가 해당될 수 있다.
또한, 환율과 관련된 지표는 엔화, 위안화, 달러, 유로가 이에 해당될 수 있다.
또한, 경제상황과 관련된 지표는 유동성지표, 통화량, 경상수지, 경제심리지수, 교역조건지수, 수입금액지수, 수출금액지수, 수출물가지수, 소비자물가지수가 이에 해당될 수 있다.
또한, 생활과 관련된 지표로 신용카드 사용액, 고용률, 실업률이 이에 해당될 수 있다.
또한, 관광과 관련된 지표는 대만 관광객수, 일본 관광객수, 중국 관광객수, 홍콩 관광객수, 관광수지, 호텔신라주가가 이에 해당될 수 있다.
또한, 주식과 관련된 지표는 공매도, 미국채수익률, 주식거래대금이 이에 해당될 수 있다.
오토 인코딩 분석의 경우, RNN 분석과 달리 독립변수만 가지고 예측을 하기 때문에 어떤 독립변수가 높을 때 또는 낮을 때 경기선행지수가 이상치를 가지는지 판단할 수 있는 유리한 효과가 있다.
또한, 독립지표 각각의 영향력을 찾은 후 직접적으로 경기에 영향을 미치는 지표를 판단할 수 있다.
또한, 서버는 임계치를 조정하여, 새로운 데이터가 입력되어도 이상치를 용이하게 판단할 수 있다.
도 4는 본 발명의 일 실시예에 따라 예측된 경기선행지수 지표에 대한 설명을 나타내는 도면이다.
상술한 바에 따라, RNN 알고리즘에 기반한 학습을 수행한 후, 새로운 데이터값(새로운 입력값)이 입력될 경우, 그러한 학습된 모델에 기반하여 경기선행지수 지표를 제공하는데, 이것이 바로 예측값이 될 수 있다. 마찬가지로, 오토인코딩 분석을 통하여 새로운 데이터 값이 입력될 경우, 경기선행지수 지표를 제공할 수 있다. RNN알고리즘, 오토 인코딩 분석 등 각 분석 방법에 따라 제공되는 경기선행지수 지표를 독립적으로 사용자 단말 상으로 제공할 수 있다.
도 4에 도시된 바와 같이, 서버는 경기선행지수의 실제값 및 예측값을 출력할 수 있으며, 그 차이(오차)를 비교하여 지속적으로 딥러닝을 수행할 수 있다. 도 4의 그래프의 경우, 2014년부터 수집된 자료를 월별 데이터로 하여 딥러닝 학습을 수행한 결과 실제값 및 예측값에 대한 그래프이다. 30가지 지표를 사용하여 분석된 지표이며, 앞서 설명한 다양한 입력값이 이에 해당된다.
또는, 추가 실시예로서, RNN 알고리즘의 결과값과 오토 인코딩 분석의 결과값을 결합하여 사용자에게 제공할 수도 있다. 예를 들어, RNN 알고리즘을 통해 도출된 경기선행지수 지표값과, 오토 인코딩 분석의 결과에 따라 도출된 정상치/이상치 판단여부에 대한 값을 결합하여, 오토 인코딩 분석의 결과값이 예측하는 정상치/이상치 정도와 RNN 알고리즘이 도출한 값의 범위가 서로 다른 범위를 지칭할 때, 입력된 데이터값에 대한 이상여부를 사용자에게 알릴 수 있다. 또는, 과거 입력데이터들에 대해 RNN과 오토인코딩을 함께 분석을 진행하여 동일하게 서로 다른 범위를 지칭하는 결과가 나오는 시점의 데이터들을 검색하여 그 시점의 경기 상황을 기반으로 최종적으로 예측할 수도 있다.
본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.
본 발명의 방법 및 시스템은 특정 실시예와 관련하여 설명되었지만, 그것들의 구성 요소 또는 동작의 일부 또는 전부는 범용 하드웨어 아키텍쳐를 갖는 컴퓨터 시스템을 사용하여 구현될 수 있다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
200: 업종별 위기 감지 서버

Claims (10)

  1. 서버에 의해 수행되는, 상황인지를 위한 업종별 위기 감지 방법에 있어서,
    업종별 데이터를 수집하는 단계;
    상기 수집된 업종별 데이터에 기초하여 정상적인 경제 상태를 결정하는 단계; 및
    상기 결정된 경제 상태에서 예측된 경기선행지수가 기설정된 오차 범위를 벗어난 경우, 경제 위기 상태로 판단하는 단계를 포함하는, 업종별 위기 감지 방법.
  2. 제1항에 있어서,
    상기 정상적인 경제 상태를 결정하는 단계는,
    드래곤 킹(Dragon King) 이론을 적용하여 상기 업종별 데이터들을 학습시키는 것을 특징으로 하고,
    상기 드래곤 킹 이론은,
    일정 기간 동안 경제지표의 등락폭 정보 및 등락지점 사이의 시간 간격 등에 기초하여 경제 지표의 위기 관리를 위한 이론인 것을 특징으로 하는, 업종별 위기 감지 방법.
  3. 제1항에 있어서,
    상기 경제 위기 상태로 판단하는 단계는,
    RNN(Recurrent Neural Network) 딥러닝 방식을 통해서 경기선행지수를 예측하여, 경기선행지수가 일정 수준 이하인 경우를 상기 경제 위기 상태로 판단하는 단계이고,
    RNN 딥러닝 방식의 입력값은 물가, 환율, 경제상황, 생활, 관광 및 주식(stock) 중 어느 하나 이상의 지표이고, 출력값은 경기선행지수인, 업종별 위기 감지 방법.
  4. 제1항에 있어서,
    상기 경제 위기 상태로 판단하는 단계는,
    오토 인코딩(Auto Encoding) 방식을 통해서 경기선행지수를 예측하여, 경기선행지수가 일정 수준 이하인 경우를 상기 경제 위기 상태로 판단하는 단계이고,
    오토 인코딩 방식의 입력값은 물가, 환율, 경제상황, 생활, 관광 및 주식(stock) 중 어느 하나 이상의 지표이고, 출력값은 경기선행지수인, 업종별 위기 감지 방법.
  5. 제1항에 있어서,
    상기 업종별 데이터를 수집하는 단계는,
    전업종 공통지표, 업종별 필수지표 및 업종별 활용가능지표로 분류하여 데이터를 수집하는 것을 특징으로 하는, 업종별 위기 감지 방법.
  6. 상황인지를 위한 업종별 위기 감지 서버에 있어서,
    업종별 데이터를 수집하는 데이터 수집부;
    상기 수집된 업종별 데이터에 기초하여 정상적인 경제 상태를 결정하는 경제 지표 학습부; 및
    상기 결정된 경제 상태에서 예측된 경기선행지수가 기설정된 오차 범위를 벗어난 경우, 경제 위기 상태로 판단하는, 경제 위기 감지부;
    를 포함하는, 업종별 위기 감지 서버.
  7. 제6항에 있어서,
    상기 경제 지표 학습부는,
    드래곤 킹(Dragon King) 이론을 적용하여 상기 업종별 데이터들을 학습시키는 것을 특징으로 하고,
    상기 드래곤 킹 이론은,
    일정 기간 동안 경제지표의 등락폭 정보 및 등락지점 사이의 시간 간격 등에 기초하여 경제 지표의 위기 관리를 위한 이론인 것을 특징으로 하는, 업종별 위기 감지 서버.
  8. 제6항에 있어서,
    상기 경제 위기 감지부는,
    RNN(Recurrent Neural Network) 딥러닝 방식을 통해서 경기선행지수를 예측하여, 경기선행지수가 일정 수준 이하인 경우를 상기 경제 위기 상태로 판단하는 단계이고,
    RNN 딥러닝 방식의 입력값은 물가, 환율, 경제상황, 생활, 관광 및 주식(stock) 중 어느 하나 이상의 지표이고, 출력값은 경기선행지수인, 업종별 위기 감지 서버.
  9. 제6항에 있어서,
    상기 경제 위기 감지부는,
    오토 인코딩(Auto Encoding) 방식을 통해서 경기선행지수를 예측하여, 경기선행지수가 일정 수준 이하인 경우를 상기 경제 위기 상태로 판단하는 단계이고,
    오토 인코딩 방식의 입력값은 물가, 환율, 경제상황, 생활, 관광 및 주식(stock) 중 어느 하나 이상의 지표이고, 출력값은 경기선행지수인, 업종별 위기 감지 서버.
  10. 제6항에 있어서,
    상기 데이터 수집부는,
    전업종 공통지표, 업종별 필수지표 및 업종별 활용가능지표로 분류하여 데이터를 수집하는 것을 특징으로 하는, 업종별 위기 감지 서버.
KR1020180131247A 2018-10-30 2018-10-30 상황인지 기반의 경기 지표를 이용하여 예측한 위기 감지 방법 및 이를 위한 장치 KR102178427B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180131247A KR102178427B1 (ko) 2018-10-30 2018-10-30 상황인지 기반의 경기 지표를 이용하여 예측한 위기 감지 방법 및 이를 위한 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180131247A KR102178427B1 (ko) 2018-10-30 2018-10-30 상황인지 기반의 경기 지표를 이용하여 예측한 위기 감지 방법 및 이를 위한 장치

Publications (2)

Publication Number Publication Date
KR20200053004A true KR20200053004A (ko) 2020-05-18
KR102178427B1 KR102178427B1 (ko) 2020-11-18

Family

ID=70913009

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180131247A KR102178427B1 (ko) 2018-10-30 2018-10-30 상황인지 기반의 경기 지표를 이용하여 예측한 위기 감지 방법 및 이를 위한 장치

Country Status (1)

Country Link
KR (1) KR102178427B1 (ko)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102453979B1 (ko) * 2021-12-16 2022-10-14 주식회사 에이젠글로벌 세그먼트별 크레딧 투 맵을 생성하는 방법 및 이러한 방법을 수행하는 장치
KR102433932B1 (ko) * 2021-12-16 2022-08-19 주식회사 에이젠글로벌 세그먼트별 크레딧 투 맵을 기반으로 금융 서비스를 제공하는 방법 및 이러한 방법을 수행하는 장치
KR102433930B1 (ko) * 2021-12-16 2022-08-19 주식회사 에이젠글로벌 세그먼트별 트래킹을 기반으로 크레딧 투 맵을 조정하는 방법 및 이러한 방법을 수행하는 장치
KR20240110254A (ko) 2023-01-06 2024-07-15 한국과학기술정보연구원 산업별 위기를 감지하는 방법 및 이를 위한 장치

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040089791A (ko) * 2003-04-15 2004-10-22 주식회사 아름테크놀로지 경제지표 예측 신경망 시스템
KR20080029429A (ko) * 2006-09-29 2008-04-03 김정한 위험 관리 방법 및 장치
KR20140133341A (ko) * 2013-05-10 2014-11-19 주식회사 신한은행 위기 경보 신호를 이용하여 산업 위기를 예측하는 방법 및 그 장치
KR101597939B1 (ko) * 2015-07-02 2016-02-25 한국기업데이터 주식회사 거시경제지표를 활용한 산업별 신용위험도 예측 장치 및 방법
KR20160063965A (ko) * 2014-11-27 2016-06-07 삼성전자주식회사 뉴럴 네트워크 구조 확장 방법, 디멘션 리덕션 방법, 및 그 방법을 이용한 장치
KR101886373B1 (ko) * 2016-07-14 2018-08-09 주식회사 언더핀 딥러닝 인공신경망 기반의 타스크 제공 플랫폼

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040089791A (ko) * 2003-04-15 2004-10-22 주식회사 아름테크놀로지 경제지표 예측 신경망 시스템
KR20080029429A (ko) * 2006-09-29 2008-04-03 김정한 위험 관리 방법 및 장치
KR20140133341A (ko) * 2013-05-10 2014-11-19 주식회사 신한은행 위기 경보 신호를 이용하여 산업 위기를 예측하는 방법 및 그 장치
KR20160063965A (ko) * 2014-11-27 2016-06-07 삼성전자주식회사 뉴럴 네트워크 구조 확장 방법, 디멘션 리덕션 방법, 및 그 방법을 이용한 장치
KR101597939B1 (ko) * 2015-07-02 2016-02-25 한국기업데이터 주식회사 거시경제지표를 활용한 산업별 신용위험도 예측 장치 및 방법
KR101886373B1 (ko) * 2016-07-14 2018-08-09 주식회사 언더핀 딥러닝 인공신경망 기반의 타스크 제공 플랫폼

Also Published As

Publication number Publication date
KR102178427B1 (ko) 2020-11-18

Similar Documents

Publication Publication Date Title
Liu et al. Corporate social responsibility, firm performance, and firm risk: the role of firm reputation
Fornell et al. Stock returns on customer satisfaction do beat the market: Gauging the effect of a marketing intangible
Brown et al. Linkages between community-focused agriculture, farm sales, and regional growth
Ak et al. Customer‐base concentration and inventory efficiencies: Evidence from the manufacturing sector
Pettersson et al. Aid, aid for trade, and bilateral trade: An empirical study
Tripathi et al. Stock market performance and macroeconomic factors: The study of Indian equity market
Szymanski et al. An analysis of the market share-profitability relationship
Lin et al. Predicting default of a small business using different definitions of financial distress
Madrid-Guijarro et al. An analysis of non-financial factors associated with financial distress
KR102178427B1 (ko) 상황인지 기반의 경기 지표를 이용하여 예측한 위기 감지 방법 및 이를 위한 장치
Sagaert et al. Temporal big data for tactical sales forecasting in the tire industry
Nijam Motives for reporting fixed assets at revalued amount: Evidence from a developing economy
US20200234218A1 (en) Systems and methods for entity performance and risk scoring
Islam et al. Towards sustainable supply chain management (SSCM): A case of leather industry
KR20200039852A (ko) 기업 경영 현황 분석 예측 모델링을 위한 기계학습 알고리즘 제공 방법
Gupta et al. Distressed selling by farmers: Model, analysis, and use in policy‐making
US20220277331A1 (en) Systems and methods for procurement cost forecasting
Bruni et al. Lending decisions under uncertainty: a DEA approach
Apaitan et al. Uncertainty in an emerging market economy: evidence from Thailand
Asbeig et al. Monetary transmission during low interest rate environment in a dual banking system: evidence from Malaysia
Cresti US domestic barter: An empirical investigation
Handojo et al. A multi layer recency frequency monetary method for customer priority segmentation in online transaction
Wright Supply chain strategies of manufacturers in Romania
Hillebrecht et al. Community-based versus statistical targeting of anti-poverty programs: Evidence from Burkina Faso
Megeid et al. The Role of Big Data Analytics in Supply Chain “3Fs”: Financial Reporting, Financial Decision Making and Financial Performance “An Applied Study”

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant