KR20210073352A

KR20210073352A - 예측 장치들로부터 수신된 데이터를 앙상블하는 장치 및 이의 동작 방법

Info

Publication number: KR20210073352A
Application number: KR1020190164113A
Authority: KR
Inventors: 임명은; 김도현; 최재훈
Original assignee: 한국전자통신연구원
Priority date: 2019-12-10
Filing date: 2019-12-10
Publication date: 2021-06-18
Also published as: US20210174229A1; KR102482374B1

Abstract

본 발명은 예측 장치들로부터 수신된 데이터를 앙상블하는 장치 및 이의 동작 방법에 관한 것이다. 본 발명의 실시예에 따른 장치는 데이터 관리기, 학습기, 및 예측기를 포함한다. 데이터 관리기는 시계열 데이터에 기초하여 출력 데이터를 생성하고, 예측 장치들로부터 출력 데이터에 대응되는 장치 예측 결과들을 수신하고, 장치 예측 결과들과 시계열 데이터의 차이에 기초하여 장치 오차들을 계산한다. 학습기는 장치 예측 결과들 및 장치 오차들에 기초하여, 장치 가중치들을 생성하기 위한 예측 모델의 파라미터 그룹을 조절할 수 있다. 예측기는 장치 가중치들에 기초하여 제1 및 제2 장치 예측 결과들의 앙상블 결과를 생성한다.

Description

예측 장치들로부터 수신된 데이터를 앙상블하는 장치 및 이의 동작 방법{DEVICE FOR ENSEMBLING DATA RECEIVED FROM PREDICTION DEVICES AND OPERATING METHOD THEREOF}

본 발명은 데이터의 처리에 관한 것으로, 좀 더 구체적으로 예측 장치들로부터 수신된 데이터를 앙상블하는 장치 및 이의 동작 방법에 관한 것이다.

건강한 삶을 영위하기 위하여, 현재의 질병을 치료하는 것에서 나아가 미래의 건강 상태를 예측하기 위한 요구가 제기되고 있다. 미래의 건강 상태를 예측하기 위하여, 빅데이터를 분석하여 질병을 진단하거나 미래의 질병 위험도를 예측하고자 하는 수요가 증가하고 있다. 산업 기술과 정보 통신 기술의 발달은 빅데이터의 구축을 지원하고 있다. 그리고, 이러한 빅데이터를 이용하여, 컴퓨터와 같은 전자 장치를 학습시켜, 다양한 서비스를 제공하는 인공 지능과 같은 기술이 대두되고 있다. 특히, 미래의 건강 상태를 예측하기 위하여, 다양한 의료 데이터 또는 건강 데이터 등을 이용한 학습 모델을 구축하는 방안이 제안되고 있다.

정확한 예측을 위해서는 데이터의 규모가 클수록 유리하지만, 윤리적 문제, 법적 문제, 개인 프라이버시 문제 등 다양한 원인으로, 다양한 의료 기관들끼리의 데이터 공유가 어려울 수 있다. 이로 인하여, 하나로 통합된 의료 데이터의 빅데이터 구축은 사실상 어려운 실정이다. 이러한 의료 데이터 특유의 문제점에 대한 방안으로, 다양한 의료 기관들에서 개별적으로 구축된 데이터로 개별 예측 모델을 학습하고, 이들의 예측 결과를 환자의 미래 건강 상태의 예측에 활용하는 방안이 모색되고 있다.

본 발명은 미래의 건강 상태 예측의 신뢰성, 정확성, 및 효율성을 확보할 수 있도록, 복수의 예측 장치들로부터 수신된 데이터를 앙상블하는 장치 및 이의 동작 방법을 제공할 수 있다.

본 발명의 실시예에 따른 복수의 예측 장치들로부터 수신된 데이터를 앙상블하는 장치는, 데이터 관리기 및 학습기를 포함한다. 데이터 관리기는 시계열 데이터에 기초하여 출력 데이터를 생성하고, 출력 데이터를 제1 예측 장치 및 제2 예측 장치에 제공하고, 제1 예측 장치로부터 출력 데이터에 대응되는 제1 장치 예측 결과를 수신하고, 제2 예측 장치로부터 출력 데이터에 대응되는 제2 장치 예측 결과를 수신하고, 제1 장치 예측 결과와 시계열 데이터의 차이에 기초하여 제1 장치 오차를 계산하고, 제2 장치 예측 결과와 시계열 데이터의 차이에 기초하여 제2 장치 오차를 계산한다. 학습기는 제1 장치 예측 결과, 제2 장치 예측 결과, 제1 장치 오차, 및 제2 장치 오차에 기초하여, 제1 예측 장치에 대응되는 제1 장치 가중치 및 제2 예측 장치에 대응되는 제2 장치 가중치를 생성하기 위한 예측 모델의 파라미터 그룹을 조절한다. 출력 데이터는 시계열 데이터에서 제1 시간 이전의 특징들을 포함하는 제1 누적 데이터 및 시계열 데이터에서 제2 시간 이전의 특징들을 포함하는 제2 누적 데이터를 포함한다.

일례로, 제1 예측 장치는 제1 누적 데이터에 기초하여 제2 시간에 대응되는 제1 예측 특징들을 생성하고, 제2 누적 데이터에 기초하여 제2 시간 이후의 제3 시간에 대응되는 제2 예측 특징들을 생성하고, 제1 예측 특징들 및 제2 예측 특징들을 포함하는 제1 장치 예측 결과를 생성할 수 있다. 제2 예측 장치는 제1 누적 데이터에 기초하여 제2 시간에 대응되는 제3 예측 특징들을 생성하고, 제2 누적 데이터에 기초하여 제2 시간 이후의 제3 시간에 대응되는 제4 예측 특징들을 생성하고, 제3 예측 특징들 및 제4 예측 특징들을 포함하는 제2 장치 예측 결과를 생성할 수 있다.

일례로, 학습기는, 제1 장치 예측 결과에서 타겟 시간 이전의 윈도우 시간 간격 동안의 예측 특징들을 추출하여 제1 특징 윈도우를 생성하고, 제2 장치 예측 결과에서 타겟 시간 이전의 윈도우 시간 간격 동안의 예측 특징들을 추출하여 제2 특징 윈도우를 생성하고, 제1 장치 오차에서 타겟 시간 이전의 윈도우 시간 간격 동안의 예측 특징들을 추출하여 제1 오차 윈도우를 생성하고, 제2 장치 오차에서 타겟 시간 이전의 윈도우 시간 간격 동안의 예측 특징들을 추출하여 제2 오차 윈도우를 생성하고, 제1 특징 윈도우, 제2 특징 윈도우, 제1 오차 윈도우, 및 제2 오차 윈도우에 기초하여, 파라미터 그룹을 조절할 수 있다.

일례로, 학습기는 타겟 시간이 제1 및 제2 장치 예측 결과들 및 제1 및 제2 장치 오차들의 최초 시간인 경우, 타겟 시간 이전의 시간에 대한 값들을 제로 패딩하여 제1 및 제2 특징 윈도우들 및 제1 및 제2 오차 윈도우들을 생성할 수 있다.

일례로, 학습기는 제1 특징 윈도우에 대한 윈도우 시간 간격의 트렌드를 분석하여 제1 예측 결과 트렌드를 생성하고, 제2 특징 윈도우에 대한 윈도우 시간 간격의 트렌드를 분석하여 제2 예측 결과 트렌드를 생성하고, 제1 오차 윈도우에 대한 윈도우 시간 간격의 트렌드를 분석하여 제1 오차 트렌드를 생성하고, 제2 오차 윈도우에 대한 윈도우 시간 간격의 트렌드를 분석하여 제2 오차 트렌드를 생성하고, 제1 예측 결과 트렌드, 제2 예측 결과 트렌드, 제1 오차 트렌드, 및 제2 오차 트렌드에 기초하여, 파라미터 그룹을 조절할 수 있다.

일례로, 학습기는 제1 및 제2 예측 결과 트렌드들 및 제1 및 제2 장치 예측 결과들에 기초하여, 예측 시간에 대응되는 예측 특징 벡터를 추출하고, 제1 및 제2 오차 트렌드들 및 제1 및 제2 장치 오차들에 기초하여, 예측 시간에 대응되는 예측 오차 벡터를 추출할 수 있다. 일례로, 학습기는 예측 특징 벡터 및 예측 오차 벡터에 기초하여, 제1 장치 가중치 및 제2 장치 가중치를 생성할 수 있고, 제1 장치 가중치 및 제2 장치 가중치 각각은 복수의 항목들 각각에 대응되는 가중치 값들을 포함할 수 있다.

일례로, 학습기는 제1 장치 예측 결과, 제2 장치 예측 결과, 제1 장치 오차, 및 제2 장치 오차에 기초하여, 제1 장치 가중치 및 제2 장치 가중치를 생성하고, 제1 장치 예측 결과 및 제2 장치 예측 결과에 기초하여 기준 장치 가중치를 생성하고, 기준 장치 가중치를 제1 및 제2 장치 가중치들과 비교하여, 파라미터 그룹을 조절할 수 있다. 일례로, 학습기는 예측 시간에 대응되는 제1 장치 예측 결과의 예측 특징과 예측 시간에 대응되는 실측 값 사이의 제1 차이를 계산하고, 예측 시간에 대응되는 제2 장치 예측 결과의 예측 특징과 실측 값 사이의 제2 차이를 계산하고, 제1 차이 및 제2 차이에 기초하여 기준 장치 가중치를 생성할 수 있다.

본 발명의 실시예에 따른 복수의 예측 장치들로부터 수신된 데이터를 앙상블하는 장치는, 데이터 관리기 및 예측기를 포함한다. 데이터 관리기는 출력 데이터를 제1 예측 장치 및 제2 예측 장치에 제공하고, 제1 예측 장치로부터 출력 데이터에 대응되는 제1 장치 예측 결과를 수신하고, 제2 예측 장치로부터 출력 데이터에 대응되는 제2 장치 예측 결과를 수신한다. 예측기는 제1 장치 예측 결과, 제2 장치 예측 결과, 윈도우 시간 간격 동안의 제1 장치 예측 결과의 제1 트렌드, 및 윈도우 시간 간격 동안의 제2 장치 예측 결과의 제2 트렌드에 기초하여 예측 시간에 대응되는 예측 특징 벡터를 생성하고, 예측 특징 벡터에 기초하여 복수의 항목들 각각의 제1 장치 가중치 및 제2 장치 가중치를 생성하고, 제1 장치 가중치 및 제2 장치 가중치에 기초하여 예측 시간에 대응되는 제1 및 제2 장치 예측 결과들의 앙상블 결과를 생성한다.

일례로, 데이터 관리기는 시계열 데이터에서 제1 시간 이전의 특징들을 포함하는 제1 누적 데이터 및 시계열 데이터에서 제2 시간 이전의 특징들을 포함하는 제2 누적 데이터를 포함하는 출력 데이터를 생성할 수 있다.

일례로, 데이터 관리기는 시계열 데이터에 기초하여 출력 데이터를 생성하고, 제1 장치 예측 결과와 시계열 데이터의 차이에 기초하여 제1 장치 오차를 계산하고, 제2 장치 예측 결과와 시계열 데이터의 차이에 기초하여 제2 장치 오차를 계산할 수 있다. 예측기는 제1 장치 오차, 제2 장치 오차, 윈도우 시간 간격 동안의 제1 장치 오차의 제3 트렌드, 및 윈도우 시간 간격 동안의 제2 장치 예측 결과의 제4 트렌드에 기초하여, 예측 시간에 대응되는 예측 오차 벡터를 생성하고, 예측 오차 벡터에 더 기초하여 제1 장치 가중치 및 제2 장치 가중치를 생성할 수 있다.

일례로, 예측기는 제1 장치 예측 결과에서 타겟 시간 이전의 윈도우 시간 간격 동안의 예측 특징들을 추출하여 제1 특징 윈도우를 생성하고, 제2 장치 예측 결과에서 타겟 시간 이전의 윈도우 시간 간격 동안의 예측 특징들을 추출하여 제2 특징 윈도우를 생성하고, 제1 특징 윈도우에 기초하여 제1 트렌드를 생성하고, 제2 특징 윈도우에 기초하여 제2 트렌드를 생성할 수 있다. 일례로, 예측기는 타겟 시간이 제1 및 제2 장치 예측 결과들의 최초 시간인 경우, 타겟 시간 이전의 시간에 대한 값들을 제로 패딩하여 제1 및 제2 특징 윈도우들을 생성할 수 있다.

일례로, 예측기는 예측 시간의 이전 시간에 대응되는 제1 및 제2 트렌드들에 의하여 생성되는 특징 벡터, 및 예측 시간에 대응되는 제1 및 제2 트렌드들, 및 예측 시간에 대응되는 제1 및 제2 장치 예측 결과들에 기초하여, 예측 특징 벡터를 생성할 수 있다.

일례로 예측기는 제1 장치 가중치를 예측 시간에 대응되는 제1 장치 예측 결과에 적용하여 제1 결과를 생성하고, 제2 장치 가중치를 예측 시간에 대응되는 제2 장치 예측 결과에 적용하여 제2 결과를 생성하고, 제1 결과 및 제2 결과에 기초하여 앙상블 결과를 생성할 수 있다.

본 발명의 실시예에 따른 복수의 예측 장치들로부터 수신된 데이터를 앙상블하는 장치의 동작 방법은, 시계열 데이터에서 제1 시간 이전의 특징들을 포함하는 제1 누적 데이터 및 시계열 데이터에서 제2 시간 이전의 특징들을 포함하는 제2 누적 데이터를 포함하는 출력 데이터를 생성하는 단계, 예측 요청과 함께 출력 데이터를 제1 예측 장치 및 제2 예측 장치로 송신하는 단계, 제1 예측 장치로부터 예측 요청에 응답한 제1 장치 예측 결과를 수신하는 단계, 제2 예측 장치로부터 예측 요청에 응답한 제2 장치 예측 결과를 수신하는 단계, 제1 장치 예측 결과와 시계열 데이터의 차이에 기초하여 제1 장치 오차를 계산하는 단계, 제2 장치 예측 결과와 시계열 데이터의 차이에 기초하여 제2 장치 오차를 계산하는 단계, 및 제1 장치 예측 결과, 제2 장치 예측 결과, 제1 장치 오차, 및 제2 장치 오차에 기초하여, 제1 예측 장치에 대응되는 제1 장치 가중치 및 제2 예측 장치에 대응되는 제2 장치 가중치를 생성하는 단계를 포함한다.

일례로, 제1 장치 가중치 및 제2 장치 가중치를 생성하는 단계는, 윈도우 시간 간격 동안의 제1 장치 예측 결과를 분석하여 제1 예측 결과 트렌드를 생성하는 단계, 윈도우 시간 간격 동안의 제2 장치 예측 결과를 분석하여 제2 예측 결과 트렌드를 생성하는 단계, 윈도우 시간 간격 동안의 제1 장치 오차를 분석하여 제1 오차 트렌드를 생성하는 단계, 윈도우 시간 간격 동안의 제2 장치 오차를 분석하여 제2 오차 트렌드를 생성하는 단계, 제1 및 제2 예측 결과 트렌드들 및 제1 및 제2 장치 예측 결과들에 기초하여 예측 시간에 대응되는 특징 벡터를 생성하는 단계, 제1 및 제2 오차 트렌드들 및 제1 및 제2 장치 오차들에 기초하여 예측 시간에 대응되는 오차 벡터를 생성하는 단계, 및 특징 벡터 및 오차 벡터에 기초하여 제1 및 제2 장치 가중치들을 생성하는 단계를 포함할 수 있다.

일례로, 상기 방법은 제1 장치 가중치 및 제2 장치 가중치를 기준 장치 가중치와 비교하여, 예측 모델의 파라미터를 조절하는 단계를 더 포함할 수 있다.

일례로, 상기 방법은, 제1 장치 가중치에 예측 시간에 대응되는 제1 장치 예측 결과를 적용하여 제1 결과를 생성하는 단계, 제2 장치 가중치에 예측 시간에 대응되는 제2 장치 예측 결과를 적용하여 제2 결과를 생성하는 단계, 및 제1 결과 및 제2 결과에 기초하여 앙상블 결과를 생성하는 단계를 더 포함할 수 있다.

본 발명의 실시예에 따르면, 장치별 예측 결과들, 오차들, 및 이들의 트렌드를 고려하도록 예측 모델을 구축함으로써, 장치별 예측 결과들의 앙상블 결과의 정확성 및 신뢰성이 향상될 수 있다.

또한, 본 발명의 실시예에 따르면, 장치별 예측 모델들이 시간 별 예측 결과들을 생성하도록, 출력 데이터를 생성함으로써, 예측 모델의 학습 효율성이 향상될 수 있다.

도 1은 본 발명의 실시예에 따른 건강 상태 예측 시스템을 도시한 도면이다.
도 2는 도 1의 앙상블 예측 장치의 예시적인 블록도이다.
도 3은 도 2의 데이터 관리기의 동작을 설명하기 위한 예시적인 도면이다.
도 4는 도 3의 데이터 관리기에서 설명된 시계열 데이터, 출력 데이터, 장치 예측 결과들, 및 장치 오차들을 설명하기 위한 도면이다.
도 5는 도 2의 학습기의 예시적인 블록도이다.
도 6은 도 5의 예측 결과 전처리기의 동작을 설명하기 위한 도면이다.
도 7은 도 5의 예측 트렌드 추출기의 동작을 설명하기 위한 도면이다.
도 8은 도 5의 예측 앙상블 분석기의 동작을 설명하기 위한 도면이다.
도 9는 도 5의 가중치 계산기의 동작을 설명하기 위한 도면이다.
도 10은 도 5의 오차 학습기의 동작을 설명하기 위한 도면이다.
도 11은 도 2의 예측기의 예시적인 블록도이다.
도 12는 도 1의 앙상블 예측 장치의 예시적인 블록도이다.

아래에서는, 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있을 정도로, 본 발명의 실시 예들이 명확하고 상세하게 기재된다.

도 1은 본 발명의 실시예에 따른 건강 상태 예측 시스템을 도시한 도면이다. 도 1을 참조하면, 건강 상태 예측 시스템(1000)은 제1 내지 제n 예측 장치들(101~10n), 단말기(200), 앙상블 예측 장치(300), 및 네트워크(400)를 포함한다. 설명의 편의상, 예측 장치들(101~10n)의 개수가 n개인 것으로 도시하였으나, 건강 예측 장치들의 개수는 제한되지 않는다.

제1 내지 제n 예측 장치들(101~10n) 각각은 개별적으로 구축된 예측 모델에 기초하여 사용자의 건강 상태를 예측할 수 있다. 여기에서, 예측 모델은 시계열 의료 데이터를 이용하여, 미래 시점의 건강 상태를 예측하기 위하여 모델화된 구조일 수 있다. 제1 내지 제n 예측 장치들(101~10n) 각각은 제1 내지 제n 학습 데이터(11~1n)를 이용하여 예측 모델을 생성하고 학습할 수 있다.

제1 내지 제n 예측 장치들(101~10n) 각각은 서로 다른 의료 기관 또는 공공 기관에 제공될 수 있다. 제1 내지 제n 학습 데이터(11~1n)는 기관들 각각의 예측 모델 생성 및 학습을 위하여, 개별적으로 데이터베이스화될 수 있다. 서로 다른 의료 기관 또는 공공 기관은 개별적으로 예측 모델을 학습하고, 이러한 학습에 따라 구축된 예측 모델에 사용자의 시계열 의료 데이터를 적용하여, 사용자의 미래 시점에 대한 건강 상태를 예측할 수 있다.

제1 내지 제n 예측 장치들(101~10n) 각각은 네트워크(400)를 통하여, 앙상블 예측 장치(300)로부터 원시 학습 데이터(31)에 기초하여 생성된 출력 데이터를 수신할 수 있다. 여기에서, 원시 학습 데이터(31)는 앙상블 예측 장치(300)에 구축된 예측 모델(33)을 학습하기 위한 시계열 의료 데이터를 포함할 수 있다. 시계열 의료 데이터는 복수의 시간들 각각에 대응되는 특징들을 포함할 수 있다. 출력 데이터는 복수의 시간들 각각의 이전 시간들의 특징들을 누적한 데이터로 이해될 것이다. 출력 데이터의 구체적인 내용은 후술된다.

제1 내지 제n 예측 장치들(111~11n)은 각각 구축된 예측 모델에 출력 데이터를 적용하여 제1 내지 제n 장치 예측 결과들을 생성할 수 있다. 여기에서, 제1 내지 제n 장치 예측 결과들은 출력 데이터를 기준으로 예측 시간의 건강 상태를 예측한 결과로 이해될 수 있다. 제1 내지 제n 장치 예측 결과들은 네트워크(400)를 통하여, 앙상블 예측 장치(300)로 제공될 수 있다.

제1 내지 제n 장치 예측 결과들은 서로 다른 예측 모델에 기초하여 생성되므로, 서로 다른 데이터 값을 가질 수 있다. 제1 내지 제n 예측 장치들(101~10n) 각각은 서로 다른 시계열 의료 데이터, 즉 서로 다른 제1 내지 제n 학습 데이터(11~1n)을 기반으로 예측 모델을 학습 및 구축하기 때문이다. 윤리적 문제, 법적 문제, 개인 프라이버시 문제 등, 의료 데이터의 민감한 특성으로 인하여, 의료 기관 별로 데이터를 공유하기 어렵고, 빅데이터화가 어렵다. 따라서, 제1 내지 제n 예측 장치들(101~10n)이 개별적으로 예측 모델을 구축하되, 앙상블 예측 장치(300)에서 제1 내지 제n 예측 장치들(101~10n)로부터 원시 학습 데이터(31)의 예측 결과들을 앙상블함으로써, 다양한 데이터 학습이 고려된 미래 건강 예측이 가능할 수 있다.

제1 내지 제n 예측 장치들(101~10n)은 서로 다른 예측 모델에 기초하여 시계열 데이터(TD)를 분석한다. 의료 데이터의 민감성으로 인하여 데이터의 공유 및 교환이 어려운 환경에서, 의료 기관 또는 병원들은 내부적으로 구축된 데이터베이스로부터 예측 모델을 학습한다. 의료 환경 특성 상, 시계열 의료 데이터는 특정 의료 기관에 편중될 수 있다. 특정 질환의 전문 병원은 특정 질환에 편중된 의료 데이터를 수집하게 될 수 있다. 그리고, 방문 환자군의 건강 상태의 편차로 인하여 시계열 의료 데이터의 범위가 특정 의료 기관에 편중될 수 있다. 이러한 상황에서, 본 발명의 건강 상태 예측 시스템(1000)은 서로 다른 방식으로 구축된 예측 모델들을 이용하여 결과들을 생성하고, 이를 앙상블함으로써, 협진과 같은 효과를 가질 수 있다.

단말기(200)는 환자(들)의 미래 건강 예측 또는 예측 모델(33)의 학습을 위한 요청 신호를 제공할 수 있다. 단말기(200)는 스마트폰, 데스크탑, 랩탑, 웨어러블 장치 등 요청 신호를 제공할 수 있는 전자 장치일 수 있다. 예를 들어, 단말기(200)는 네트워크(400)를 통하여, 앙상블 예측 장치(300)에 요청 신호를 제공할 수 있다. 이 경우, 앙상블 예측 장치(300)의 예측 모델(33)이 학습될 수 있다. 또는, 제1 내지 제n 예측 장치들(101~10n) 및 앙상블 예측 장치(300)에 의하여 사용자의 건강 상태가 진단되거나, 미래 건강 상태가 예측될 수 있다.

앙상블 예측 장치(300)는 제1 내지 제n 장치 예측 결과들을 이용하여 예측 모델(33)을 학습한다. 여기에서, 예측 모델(33)은 상술한 바와 같이, 제1 내지 제n 예측 장치들(101~10n) 각각이 건강 상태를 예측한 장치 예측 결과들을 앙상블하여, 미래 건강 상태를 최종 예측하기 위하여 모델화된 구조일 수 있다. 앙상블 예측 장치(300)는 원시 학습 데이터(31)에 기초하여 생성된 출력 데이터를 예측 요청과 함께 제1 내지 제n 예측 장치들(101~10n)로 송신할 수 있다. 앙상블 예측 장치(300)는 제1 내지 제n 예측 장치들(101~10n)로부터 제1 내지 제n 장치 예측 결과들을 수신할 수 있다. 앙상블 예측 장치(300)는 제1 내지 제n 장치 예측 결과들과 시계열 의료 데이터의 차이를 계산하여 제1 내지 제n 장치 오차들을 생성할 수 있다. 앙상블 예측 장치(300)는 는 제1 내지 제n 장치 예측 결과들 및 제1 내지 제n 장치 오차들을 포함하는 앙상블 학습 데이터(32)를 생성할 수 있다. 앙상블 예측 장치(300)는 앙상블 학습 데이터(32)에 기초하여 예측 모델(33)을 학습한다.

원시 학습 데이터(31)는 진단, 치료, 검사, 또는 투약 처방 등에 의하여 생성된 사용자의 건강 상태를 나타내는 시계열 의료 데이터를 포함할 수 있다. 예시적으로, 시계열 의료 데이터는 EMR(Electronic Medical Record) 데이터 또는 PHR(Personal Health Record) 데이터일 수 있다. 원시 학습 데이터(31)는 앙상블 예측 장치(300)가 구현된 기관에서 수집된 시계열 의료 데이터를 포함할 수 있다. 원시 학습 데이터(31)는 앙상블 예측 장치(300)에서 통합 관리될 수 있다. 원시 학습 데이터(31)는 앙상블 예측 장치(300)의 서버 또는 저장 매체에 데이터베이스화될 수 있다.

앙상블 학습 데이터(32)는 제1 내지 제n 장치 예측 결과들 및 제1 내지 제n 장치 오차들을 포함할 수 있다. 앙상블 학습 데이터(32)는 앙상블 예측 장치(300)에서 통합 관리될 수 있다. 앙상블 학습 데이터(32)는 앙상블 예측 장치(300)의 서버 또는 저장 매체에 데이터베이스화될 수 있다.

예측 모델(33)은 제1 내지 제n 장치 예측 결과들을 앙상블하기 위한 앙상블 모델로 이해될 수 있다. 앙상블 모델은 단순히 예측 결과들을 병합하는 것이 아니라, 제1 내지 제n 장치 예측 결과들과 동일한 차원을 갖도록, 제1 내지 제n 장치 예측 결과들을 처리하기 위한 구조일 수 있다. 예측 모델(33)은 이러한 처리를 위한 인공 신경망이 구현되도록 가중치 그룹(파라미터 그룹)으로 관리될 수 있다. 파라미터 그룹은 앙상블 예측 장치(300)의 서버 또는 저장 매체에 데이터베이스화될 수 있다. 그리고, 앙상블 예측 장치(300)가 예측 모델(33)을 학습하고, 학습된 예측 모델(33)을 이용하여 앙상블 결과를 생성하는 구체적인 내용은 후술된다.

네트워크(400)는 제1 내지 제n 예측 장치들(101~10n), 단말기(200), 및 앙상블 예측 장치(300) 사이의 데이터 통신이 수행되도록 구성될 수 있다. 제1 내지 제n 예측 장치들(101~10n), 단말기(200), 및 앙상블 예측 장치(300)는 네트워크(400)를 통하여, 유선 또는 무선으로 데이터를 주고 받을 수 있다.

도 2는 도 1의 앙상블 예측 장치의 예시적인 블록도이다. 도 2의 앙상블 예측 장치(300)는 도 1의 제1 내지 제n 예측 장치들(101~10n)로부터 수신된 장치별 예측 결과들을 분석하여 앙상블 결과를 생성하기 위한 예측 모델(33)을 학습하거나, 앙상블 결과를 생성하기 위한 예시적인 구성으로 이해될 것이다. 도 2를 참조하면, 앙상블 예측 장치(300)는 데이터 관리기(310), 학습기(320), 및 예측기(330)를 포함한다.

데이터 관리기(310), 학습기(320), 및 예측기(330)는 하드웨어로 구현되거나, 펌웨어, 소프트웨어, 또는 이의 조합으로 구현될 수 있다. 일례로, 소프트웨어 (또는 펌웨어)는 앙상블 예측 장치(300)에 포함되는 메모리(미도시)에 로딩되어, 프로세서(미도시)에 의하여 실행될 수 있다. 일례로, 데이터 관리기(310), 학습기(320), 및 예측기(330)는 FPGA(Field Programmable Gate Aray) 또는 ASIC(Application Specific Integrated Circuit)와 같은 전용 논리 회로 등의 하드웨어로 구현될 수 있다.

데이터 관리기(310)는 원시 학습 데이터(31) 및 앙상블 학습 데이터(32)를 관리할 수 있다. 예측 모델(33)을 학습하기 위하여, 데이터 관리기(310)는 원시 학습 데이터(31)에 포함된 시계열 데이터를 이용하여 출력 데이터를 생성할 수 있다. 출력 데이터는 시계열 데이터에서 복수의 시간들 각각을 기준으로 이전 시간들의 특징들을 누적한 데이터로 이해될 것이다. 데이터 관리기(310)는 예측 요청과 함께 출력 데이터를 도 1의 제1 내지 제n 예측 장치들(101~10n)로 출력할 수 있다. 이 경우, 제1 내지 제n 예측 장치들(101~10n)은 예측 요청에 응답하여, 출력 데이터에 대한 제1 내지 제n 장치 예측 결과들을 생성할 수 있다.

데이터 관리기(310)는 제1 내지 제n 예측 장치들(101~10n)로부터 제1 내지 제n 장치 예측 결과들을 수신할 수 있다. 데이터 관리기(310)는 제1 내지 제n 장치 예측 결과들과 시계열 데이터의 차이에 기초하여 제1 내지 제n 장치 오차들을 계산할 수 있다. 제1 내지 제n 장치 예측 결과들 및 제1 내지 제n 장치 오차들은 앙상블 학습 데이터(32)로 병합되어 관리될 수 있다. 여기에서, 병합은 제1 내지 제n 예측 결과들 고유의 정보들을 변형시키지 않고, 예측 장치에 대한 식별 정보 등을 부가하여 결과들을 그룹화한 것으로 이해될 수 있다.

학습기(320)는 앙상블 학습 데이터(32)에 기초하여, 예측 모델(33)을 학습할 수 있다. 예측 모델(33)은 장치별 예측 결과들 및 오차들을 분석하여 예측 시간에 대한 예측 결과인 앙상블 결과를 계산하기 위한 분석 모델을 포함할 수 있다. 예측 모델(33)은 인공 신경망(artificial neural network) 또는 딥러닝 기계 학습을 통하여 구축될 수 있다.

학습기(320)는 앙상블 학습 데이터(32)를 분석하여 예측 모델(33)의 파라미터 그룹을 생성 및 조절할 수 있다. 파라미터 그룹은 예측 모델(33)의 인공 신경망 구조 또는 신경망에 포함된 모든 파라미터들의 집합일 수 있다. 학습기(320)는 앙상블 학습 데이터(32)의 분석을 통하여 앙상블 결과를 생성할 수 있다. 학습기(320)는 생성된 앙상블 결과가 기대되는 비교 결과를 갖도록 (또는, 비교 결과로부터 기준 오차 이내이도록), 예측 모델(33)의 파라미터 그룹을 조절할 수 있다. 비교 결과는 예측 시간의 실측 값일 수 있고, 앙상블 예측 장치(300)에 기설정될 수 있다. 조절된 파라미터 그룹은 예측 모델(33)에 반영되어 앙상블 예측 장치(300)에 의하여 관리될 수 있다.

예측기(330)는 학습기(320)로부터 학습된 예측 모델(33) 및 파라미터 그룹에 기초하여, 특정 사용자에 대응되는 장치 예측 결과들을 분석하고, 앙상블 결과를 생성할 수 있다. 데이터 관리기(310)가 예측 요청과 함께 특정 사용자의 출력 데이터를 제1 내지 제n 예측 장치들(101~10n)에 제공할 수 있다. 제1 내지 제n 예측 장치들(101~10n)은 예측 요청에 응답하여, 제1 내지 제n 장치 예측 결과들을 생성할 수 있다. 예측기(330)는 예측 모델(33)을 이용하여 제1 내지 제n 장치 예측 결과들 및 이의 오차들을 분석할 수 있다. 그리고, 앙상블 결과는 도 1의 단말기(200) 등에 제공될 수 있다.

도 3은 도 2의 데이터 관리기의 동작을 설명하기 위한 예시적인 도면이다. 도 3을 참조하면, 데이터 관리기(310)는 출력 데이터 생성기(311) 및 오차 계산기(311)를 포함한다. 데이터 관리기(310)는 시계열 데이터(TD)를 수신한다. 예측 모델(33)의 학습 동작에서, 시계열 데이터(TD)는 서버(미도시) 또는 스토리지(미도시)에서 관리되는 원시 학습 데이터(31)의 적어도 일부일 수 있다. 학습된 예측 모델(33)을 이용한 미래 상태의 예측 동작에서, 시계열 데이터(TD)는 도 1의 단말기(200)로부터 제공되거나, 앙상블 예측 장치(300)에 의하여 생성 또는 수집될 수 있다.

시계열 데이터(TD)는 시간의 흐름에 따라 기록된, 시간적 순서를 갖는 데이터 집합일 수 있다. 시계열 데이터(TD)는 시계열적으로 나열된 복수의 시간들 각각에 대응되는 적어도 하나의 특징들(F1~Fa)을 포함할 수 있다. 일례로, 시계열 데이터(TD)는 전자 의무 기록(Electronic Medical Record, EMR)과 같이, 의료 기관에서 진단, 치료, 또는 투약 처방 등에 의하여 생성된 사용자의 건강 상태를 나타내는 시계열 의료 데이터를 포함할 수 있다. 특징들(F1~Fa)은 진단, 검사, 또는 처방된 항목들 각각의 값들을 나타낼 수 있다. 일례로, 항목은 혈압, 혈당, 콜레스테롤 수치, 또는 몸무게 등 다양한 건강 지표를 나타낼 수 있다. 설명의 명확성을 위하여, 시계열 의료 데이터가 예시적으로 설명되었으나, 시계열 데이터(TD)의 종류는 이에 제한되지 않고, 시계열 데이터(TD)는 엔터테인먼트, 리테일, 스마트 매니지먼트 등 다양한 분야에서 생성 및 수집될 수 있다.

출력 데이터 생성기(311)는 시계열 데이터(TD)에 기초하여 출력 데이터(OD)를 생성할 수 있다. 출력 데이터(OD)는 복수의 시간들 각각의 이전 시간들의 특징들(F1~Fa)을 추출한 누적 데이터를 포함할 수 있다. 일례로, 출력 데이터 생성기(311)는 제1 시간의 이전 시간들의 특징들(F1~Fa)을 포함하는 제1 누적 데이터를 포함하고, 제1 시간 이후의 제2 시간의 이전 시간들의 특징들(F1~Fa)을 포함하는 제2 누적 데이터를 생성할 수 있다. 출력 데이터(OD)의 구체적인 생성 과정은 도 4에서 후술된다.

데이터 관리기(310)는 예측 요청과 함께 출력 데이터(OD)를 제1 내지 제n 예측 장치들(101~10n)로 제공할 수 있다. 제1 내지 제n 예측 장치들(101~10n)은 예측 요청에 응답하여, 개별적으로 구축된 예측 모델을 이용하여 출력 데이터(OD)를 분석할 수 있다. 분석 결과, 제1 내지 제n 예측 장치들(101~10n)은 각각 제1 내지 제n 장치 예측 결과들(PD1~PDn)을 생성할 수 있다. 제1 내지 제n 장치 예측 결과들(PD1~PDn, PD)은 누적 데이터를 기준으로 미래 시점에 대한 건강 상태를 나타낼 수 있다.

오차 계산기(312)는 제1 내지 제n 장치 예측 결과들(PD)을 수신하고, 제1 내지 제n 장치 오차들(DD)을 생성할 수 있다. 오차 계산기(312)는 제1 내지 제n 장치 예측 결과들(PD)과 시계열 데이터(TD)의 차이를 계산할 수 있다. 오차 계산기(312)는 복수의 시간들 각각에 대한 특징들(F1~Fa)과 제1 내지 제n 장치 예측 결과들(PD)의 예측 특징들의 차이를 계산하여, 제1 내지 제n 장치 오차들(DD)을 생성할 수 있다. 제1 내지 제n 장치 예측 결과들(PD) 및 제1 내지 제n 장치 오차들(DD)은 앙상블 학습 데이터(32)에 포함될 수 있고, 도 2의 학습기(320)에 제공될 수 있다. 학습된 예측 모델(33)을 이용한 미래 상태의 예측 동작에서, 제1 내지 제n 장치 예측 결과들(PD) 및 제1 내지 제n 장치 오차들(DD)은 도 2의 예측기(330)에 제공될 수 있다.

도 4는 도 3의 데이터 관리기에서 설명된 시계열 데이터, 출력 데이터, 장치 예측 결과들, 및 장치 오차들을 설명하기 위한 도면이다. 시계열 데이터(TD), 출력 데이터(OD), 장치 예측 결과들(PD1, PD2), 및 장치 오차들(DD1, DD2)은 도 3의 시계열 데이터(TD), 출력 데이터(OD), 장치 예측 결과들(PD), 및 장치 오차들(DD)에 대응된다. 설명의 편의상, 2개의 예측 장치에 대한 장치 예측 결과들(PD1, PD2)이 데이터 관리기(310)에 제공되는 것으로 가정한다.

시계열 데이터(TD)는 복수의 시간들(t1, t2, t3, t4, ??, tb) 및 복수의 항목들(I1, I2)에 각각 대응되는 특징들을 포함한다. 일례로, 항목은 혈압, 혈당, 콜레스테롤 수치, 또는 몸무게 등 다양한 건강 지표를 나타낼 수 있다. 특징들은 특정 시간에 진단, 검사, 또는 처방된 항목들 각각의 값들을 나타낼 수 있다.

출력 데이터(OD)는 복수의 시간들(t1~tb) 각각의 이전 시간들의 특징들을 누적함으로써 생성될 수 있다. 출력 데이터(OD)는 도 3의 데이터 관리기(310) 또는 출력 데이터 생성기(311)로부터 생성될 수 있다. 일례로, 출력 데이터 생성기(311)는 제3 시간(t3) 이전의 시간들의 특징들을 누적하여 제1 누적 데이터를 생성하고, 제4 시간(t4) 이전의 시간들의 특징들을 누적하여 제2 누적 데이터를 생성하고, 제b+1 시간(tb+1) 이전의 시간들의 특징들을 누적하여 제b-1 누적 데이터를 생성할 수 있다. 출력 데이터(OD)는 제1 내지 제b-1 누적 데이터를 포함할 수 있다. 예측 장치들은 제1 내지 제b-1 누적 데이터 각각을 분석하여 제3 시간(t3) 내지 제b+1 시간(tb+1)에 대응되는 예측 특징들을 생성할 수 있다. 즉, 데이터 관리기(310)는 시계열 데이터(TD)를 이용하여 다양한 누적 데이터를 생성함으로써, 예측 장치들이 다양한 시점에 대한 예측 결과들을 생성할 수 있게 할 수 있다.

제1 장치 예측 결과(PD1)는 출력 데이터(OD)에 기초하여 도 3의 제1 예측 장치(101)로부터 생성될 수 있다. 제2 장치 예측 결과(PD2)는 출력 데이터(OD)에 기초하여 도 3의 제2 예측 장치(102)로부터 생성될 수 있다. 제1 및 제2 예측 장치들(101, 102) 각각은 제1 누적 데이터를 분석하여 제3 시간(t3)에 대응되는 예측 특징들을 생성하고, 제2 누적 데이터를 분석하여 제4 시간(t4)에 대응되는 예측 특징들을 생성하고, 제b-1 누적 데이터를 분석하여 제b+1 시간(tb+1)에 대응되는 예측 특징들을 생성할 수 있다. 제1 및 제2 장치 예측 결과들(PD1, PD2)은 도 3의 데이터 관리기(310) 또는 오차 계산기(312)로 제공될 수 있다.

제1 장치 오차(DD1)는 제1 장치 예측 결과(PD1)와 시계열 데이터(TD)의 차이에 기초하여 생성될 수 있다. 제2 장치 오차(DD2)는 제2 장치 예측 결과(PD2)와 시계열 데이터(TD)의 차이에 기초하여 생성될 수 있다. 오차 계산기(312)는 제3 내지 제b 시간들(t3~tb)에 대응되는 제1 및 제2 장치 예측 결과들(PD1, PD2)의 예측 특징들과 제3 내지 제b 시간들(t3~tb)에 대응되는 시계열 데이터(TD)의 특징들의 차이를 계산할 수 있다. 제1 및 제2 장치 오차들(DD1, DD2)은 이러한 차이 값들을 포함한다. 일례로, 제1 장치 예측 결과(PD1)의 제3 시간(t3) 및 제1 항목(I1)의 예측 특징인 32와 시계열 데이터(TD)의 제3 시간(t3) 및 제1 항목(I1)의 특징인 50의 차이인 18이 제1 장치 오차(DD1)의 제3 시간(t3) 및 제1 항목(I1)의 값으로 결정될 수 있다.

도 5는 도 2의 학습기의 예시적인 블록도이다. 도 5의 학습기(320)는 도 4에서 설명된 장치 예측 결과들 및 장치 오차들에 기초하여 예측 모델(33)을 학습하고 파라미터 그룹을 결정하는 예시적인 구성으로 이해될 것이다. 도 5를 참조하면, 학습기(320)는 예측 결과 전처리기(321), 예측 트렌드 추출기(322), 예측 앙상블 분석기(323), 오차 전처리기(324), 오차 트렌드 추출기(325), 오차 앙상블 분석기(326), 가중치 계산기(327), 및 오차 학습기(328)를 포함할 수 있다. 상술한 바와 같이, 학습기(320)에 포함된 각 구성들은 하드웨어로 구현되거나, 펌웨어, 소프트웨어, 또는 이의 조합으로 구현될 수 있다.

예측 결과 전처리기(321)는 장치 예측 결과들을 윈도우 시간 간격으로 그룹화하여 특징 윈도우들을 생성할 수 있다. 예측 결과 전처리기(321)는 장치 예측 결과들에서 타겟 시간으로부터 윈도우 시간 간격 동안의 예측 특징들을 추출함으로써, 특징 윈도우들을 생성할 수 있다. 여기에서, 타겟 시간은 도 4의 제3 내지 제b+1 시간들(t3~tb+1) 중 하나일 수 있다. 특징 윈도우는 복수의 타겟 시간들 각각에 대응되는 복수의 윈도우 그룹들을 포함할 수 있다. 일례로, 윈도우 시간 간격이 3이고, 타겟 시간이 제5 시간(t5)인 윈도우 그룹은 제3 내지 제5 시간들(t3~t5)에 대응되는 예측 특징들을 포함할 수 있다. 예측 결과 전처리기(321)의 구체적인 동작은 도 6에서 후술된다.

예측 트렌드 추출기(322)는 예측 결과 전처리기(321)에서 생성된 복수의 윈도우 그룹들 각각을 분석하여 예측 결과 트렌드들을 생성할 수 있다. 예측 트렌드 추출기(322)는 특징 윈도우에 대한 윈도우 시간 간격의 트렌드를 분석하여 예측 결과 트렌드들을 생성할 수 있다. 일례로, 예측 트렌드 추출기(322)는 윈도우 그룹들을 복수의 트렌드 커널 함수들에 입력하여 커널들 각각에 대한 트렌드 스코어를 생성할 수 있다. 이러한 트렌드 스코어는 예측 결과 트렌드에 포함된다. 커널들은 인공 신경망의 파라미터들의 집합으로 구성될 수 있고, 컨볼루션 레이어로 구현될 수 있다. 예측 트렌드 추출기(322)의 구체적인 동작은 도 7에서 후술된다.

예측 앙상블 분석기(323)는 복수의 시간들 각각에 대한 예측 결과 트렌드들을 분석하여 예측 시간 (일례로, 제b+1 시간(tb+1))에 대응되는 예측 특징 벡터를 추출할 수 있다. 이러한 예측 특징 벡터는 예측 시간의 장치 가중치들을 계산하기 위한 특징 벡터로 이해될 것이다. 일례로, 장치 가중치는 제1 예측 장치(101)에 대응되는 제1 장치 가중치 및 제2 예측 장치(102)에 대응되는 제2 장치 가중치를 포함할 수 있다. 일례로, 예측 앙상블 분석기(323)는 LSTM(Long short term memory) 신경망으로 구현될 수 있고, 제3 내지 제b+1 시간들(t3~tb+1) 각각에 대응되는 예측 결과 트렌드들을 순차적으로 LSTM 신경망에 입력할 수 있다. 그 결과, 이전 시간의 특징 벡터가 다음 시간의 특징 벡터를 생성하는데 반영될 수 있다. 예측 앙상블 분석기(323)의 구체적인 동작은 도 8에서 후술된다.

오차 전처리기(324)는 장치 오차들을 윈도우 시간 간격으로 그룹화하여 오차 윈도우들을 생성할 수 있다. 오차 전처리기(324)에 의한 오차 윈도우들의 생성 과정은 예측 결과 전처리기(321)에 의한 특징 윈도우들의 생성 과정과 실질적으로 동일할 수 있다.

오차 트렌드 추출기(325)는 오차 전처리기(324)에서 생성된 오차 윈도우들 각각의 윈도우 그룹들을 분석하여 오차 트렌드들을 생성할 수 있다. 오차 트렌드 추출기(325)에 의한 오차 트렌드들의 생성 과정은 예측 트렌드 추출기(322)에 읜한 오차 트렌드들의 생성 과정과 실질적으로 동일할 수 있다.

오차 앙상블 분석기(326)는 복수의 시간들 각각에 대한 오차 트렌드들을 분석하여 예측 시간 (일례로, 제b+1 시간(tb+1))에 대응되는 오차 특징 벡터를 추출할 수 있다. 오차 앙상블 분석기(326)에 의한 오차 특징 벡터의 생성 과정은 예측 앙상블 분석기(323)에 의한 예측 특징 벡터의 생성 과정과 실질적으로 동일할 수 있다.

가중치 계산기(327)는 예측 특징 벡터 및 오차 특징 벡터에 기초하여 복수의 예측 장치들 각각에 대한 장치 가중치들을 생성할 수 있다. 가중치 계산기(327)는 예측 특징 벡터 및 오차 특징 벡터를 항목 단위로 분석하고, 항목들 각각에 대한 예측 특징 벡터의 분석 결과 및 오차 특징 벡터의 분석 결과를 결합(fusion)할 수 있다. 이에 따라, 가중치 계산기(327)는 항목들 각각에 대한 장치 가중치들을 생성할 수 있다. 가중치 계산기(327)의 구체적인 동작은 도 9에서 후술된다.

오차 학습기(328)는 가중치 계산기(327)로부터 생성된 장치 가중치들을 기준 장치 가중치와 비교하여, 역전파 방식으로 도 5에 도시된 각 구성들의 동작을 위한 파라미터 그룹을 조절할 수 있다. 여기에서, 기준 장치 가중치는 장치 예측 결과들 각각의 예측 시간의 예측 특징들과 예측 시간의 실측 값의 차이를 계산하여 생성될 수 있다. 예를 들어, 항목들 각각에서 차이가 최소인 예측 장치와 나머지 예측 장치들이 기준 장치 가중치에서 서로 다른 값들로 구분될 수 있다. 오차 학습기(328)는 기준 장치 가중치와 장치 가중치의 차이의 제곱근의 합을 계산함으로써, 장치 가중치들의 오차를 계산할 수 있다. 오차 학습기(328)는 이러한 오차의 크기가 최소화되도록, 역전파 방식으로 파라미터 그룹을 조절할 수 있다. 오차 학습기(328)의 구체적인 동작은 도 10에서 후술된다.

도 6은 도 5의 예측 결과 전처리기의 동작을 설명하기 위한 도면이다. 입력되는 데이터가 다를 뿐, 도 5의 오차 전처리기(322)의 동작은 예측 결과 전처리기(321)의 동작과 실질적으로 동일하다. 도 6을 참조하면, 제1 장치 예측 결과(PD1) 및 제2 장치 예측 결과(PD2)가 예측 결과 전처리기(321)에 입력된다. 제1 장치 예측 결과(PD1) 및 제2 장치 예측 결과(PD2)는 제3 내지 제b+1 시간(t3~tb+1) 및 제1 및 제2 항목들(I1, I2) 각각에 대응되는 예측 특징들을 포함한다.

예측 결과 전처리기(321)는 제1 및 제2 장치 예측 결과들(PD1, PD2)을 윈도우 시간 간격으로 그룹화하여 제1 및 제2 특징 윈도우들(WD1, WD2)을 생성할 수 있다. 예시적으로, 도 6의 윈도우 시간 간격은 3으로 가정한다. 예측 결과 전처리기(321)는 3개의 시간들에 대응되는 예측 특징들을 추출하여 제1 및 제2 특징 윈도우들(WD1, WD2)의 윈도우 그룹들(WG3, WG4, WG5, ??, WGb)을 생성할 수 있다. 윈도우 그룹들(WG3~WGb) 각각은 3개의 연속된 시간 동안의 예측 특징들을 포함할 수 있다. 윈도우 그룹들(WG3~WGb)은 윈도우 시간 간격 동안의 예측 특징들의 트렌드를 분석하기 위하여 사용될 수 있다.

제3 시간(t3)의 이전 시간들에 대한 예측 특징들이 제1 및 제2 장치 예측 결과들(PD1, PD2)에 없다. 따라서, 제3 시간(t3) 또는 제4 시간(t4)을 기준으로 생성된 윈도우 그룹들(WG3, WG4)의 비어있는 시간 (일례로, 도 4의 제1 및 제2 시간들(t1, t2))의 값들은 제로 패딩을 통하여 채워질 수 있다.

도 7은 도 5의 예측 트렌드 추출기의 동작을 설명하기 위한 도면이다. 입력되는 데이터가 다를 뿐, 도 5의 오차 트렌드 추출기(325)의 동작은 예측 트렌드 추출기(322)의 동작과 실질적으로 동일하다. 도 7을 참조하면, 도 6의 예측 결과 전처리기(321)에서 생성된 제1 및 제2 특징 윈도우들(WD1, WD2)이 예측 트렌드 추출기(322)에 입력된다. 제1 및 제2 특징 윈도우들(WD1, WD2)은 윈도우 시간 간격 동안의 예측 특징들을 포함한다.

예측 트렌드 추출기(322)는 윈도우 그룹들(WG3~WGb) 각각을 분석하여 예측 결과 트렌드(KD1)를 생성할 수 있다. 예측 결과 트렌드(KD1)는 윈도우 그룹들(WG3~WGb)에 각각 대응되는 트렌드 특징들(K3~Kb)을 포함할 수 있다. 예측 트렌드 추출기(322)는 윈도우 시간 간격의 예측 특징들의 트렌드를 분석하여 예측 결과 트렌드(KD1)를 생성할 수 있다. 일례로, 윈도우 그룹들(WG3~WGb) 각각이 복수의 트렌드 커널 함수들(제1 내지 제k 커널들)에 입력될 수 있다. 일례로, 제1 내지 제k 커널들 각각은 예측의 유지 성향, 상승 성향, 및 하강 성향을 분석하기 위한 트렌드 커널 함수일 수 있다.

예측 트렌드 추출기(322)는 1 내지 제k 커널들 각각에 대응되는 트렌드 스코어들을 생성할 수 있다. 트렌드 스코어들은 트렌드 특징들(K3~Kb)에 포함된다. 일례로, 윈도우 그룹(WG5)이 제1 커널에 입력되어 생성된 트렌드 스코어는 제1 항목(I1)의 경우 m이고, 제2 항목(I2)의 경우 p일 수 있다. 윈도우 그룹(WG5)이 제2 커널에 입력되어 생성된 트렌드 스코어는 제1 항목(I1)의 경우 n이고, 제2 항목(I2)의 경우 q일 수 있다. 일례로, 하나의 윈도우 그룹에 대응되는 트렌드 스코어들의 개수는 커널들의 개수 및 항목들의 개수에 의존할 수 있다.

커널들은 인공 신경망의 파라미터들의 집합으로 구성될 수 있고, 컨볼루션 레이어로 구현될 수 있다. 일례로, 제1 및 제2 특징 윈도우들(WD1, WD2)의 항목이 1개인 경우, 1차원 컨볼루션을 통하여 트렌드 스코어가 계산될 수 있다. 일례로, 제1 및 제2 특징 윈도우들(WD1, WD2)의 항목이 복수인 경우, 2차원 컨볼루션을 통하여 항목들 사이의 상관 관계가 고려되는 트렌드 스코어가 계산될 수 있다. 커널들 각각의 파라미터들은 도 5에서 설명된 역전파 방식으로 학습 및 조절될 수 있다.

도 8은 도 5의 예측 앙상블 분석기의 동작을 설명하기 위한 도면이다. 입력되는 데이터가 다를 뿐, 도 5의 오차 앙상블 분석기(326)의 동작은 예측 앙상블 분석기(323)의 동작과 실질적으로 동일하다. 도 8을 참조하면, 도 7의 예측 트렌드 추출기(322)에서 생성된 예측 결과 트렌드들(KD1, KD2) 및 장치 예측 결과들(PD1, PD2)이 조합되어 예측 앙상블 분석기(323)에 입력된다.

예측 앙상블 분석기(323)는 예측 결과 트렌드들(KD1, KD2) 및 장치 예측 결과들(PD1, PD2)을 수신한다. 예측 결과 트렌드들(KD1, KD2) 각각은 트렌드 특징들(K3~Kb)을 포함한다. 예측 앙상블 분석기(323)는 트렌드 특징들(K3~Kb) 각각에 대응되는 타겟 시간의 장치 예측 결과들(PD1, PD2)을 조합하여, 분석 데이터(AD1, AD2)를 생성할 수 있다. 일례로, 제3 시간(t3)에 대응되는 트렌드 특징들(K3)과 장치 예측 결과들(PD1, PD2) (도 4의 제3 시간(t3)에 대응되는 장치 예측 결과 값인 32, 8, 35, 4)이 조합될 수 있다.

예측 앙상블 분석기(323)는 제3 내지 제b+1 시간들(t3~tb+1) 각각에 대응되는 분석 데이터(AD1, AD2)를 LSTM 신경망에 순차적으로 입력할 수 있다. 일례로, 제3 시간(t3)에 대응되는 분석 데이터(AD1, AD2)가 LSTM 신경망에 입력되어, 제3 시간(t3)에 대응되는 특징 벡터가 생성될 수 있다. 이후, 제4 시간(t4)에 대응되는 분석 데이터(AD1, AD2)가 LSTM 신경망에 입력되고, 제3 시간(t3)에 대응되는 특징 벡터가 반영되어, 제4 시간(t4)에 대응되는 특징 벡터가 생성될 수 있다. 이러한 과정이 반복되어, 제b+1 시간(tb+1)에 대응되는 예측 특징 벡터(PR)가 생성될 수 있다. 제b+1 시간은 예측 시간일 수 있다. 예측 특징 벡터(PR)는 예측 시간의 장치 가중치들(제1 및 제2 장치 가중치들)을 계산하기 위한 특징 벡터로 이해될 것이다. LSTM 신경망의 파라미터들은 도 5에서 설명된 역전파 방식으로 학습 및 조절될 수 있다.

도 9는 도 5의 가중치 계산기의 동작을 설명하기 위한 도면이다. 도 9를 참조하면, 가중치 계산기(327)는 제1 항목 예측 분석기(327_1), 제1 항목 오차 분석기(327_2), 제1 항목 가중치 계산기(327_3), 제2 항목 예측 분석기(327_4), 제2 항목 오차 분석기(327_5), 및 제2 항목 가중치 계산기(327_6)를 포함할 수 있다.

제1 항목 예측 분석기(327_1)는 예측 특징 벡터(PR)로부터 제1 항목(I1)에 대응되는 특징을 추출할 수 있다. 제1 항목 오차 분석기(327_2)는 예측 오차 벡터(ER)로부터 제1 항목(I1)에 대응되는 특징을 추출할 수 있다. 여기에서, 예측 특징 벡터(PR)는 도 8에서 설명된 예측 특징 벡터(PR)에 대응된다. 여기에서, 예측 오차 벡터(ER)는 도 6 내지 도 8의 과정들을 도 5의 오차 전처리기(324), 오차 트렌드 추출기(325), 및 오차 앙상블 분석기(326)에서 수행하여 생성된 예측 시간에 대응되는 오차 벡터로 이해될 것이다.

제1 항목 가중치 계산기(327_3)는 제1 항목 예측 분석기(327_1)로부터 추출된 특징과 제1 항목 오차 분석기(327_2)로부터 추출된 특징을 결합(fusion)하여 제1 항목(I1)에 대응되는 장치 가중치들(IW1)을 생성할 수 있다. 일례로, 제1 항목(I1)에 대응되는 장치 가중치들(IW1)은 제1 예측 장치(d1)에 대응되는 가중치 값 및 제2 예측 장치(d2)에 대응되는 가중치 값을 포함할 수 있다.

제2 항목 예측 분석기(327_4)는 예측 특징 벡터(PR)로부터 제1 항목(I2)에 대응되는 특징을 추출할 수 있다. 제2 항목 오차 분석기(327_5)는 예측 오차 벡터(ER)로부터 제1 항목(I2)에 대응되는 특징을 추출할 수 있다. 제2 항목 가중치 계산기(327_6)는 제2 항목 예측 분석기(327_4)로부터 추출된 특징과 제2 항목 오차 분석기(327_5)로부터 추출된 특징을 결합(fusion)하여 제2 항목(I1)에 대응되는 장치 가중치들(IW2)을 생성할 수 있다. 일례로, 제2 항목(I2)에 대응되는 장치 가중치들(IW2)은 제1 예측 장치(d1)에 대응되는 가중치 값 및 제2 예측 장치(d2)에 대응되는 가중치 값을 포함할 수 있다.

도 10은 도 5의 오차 학습기의 동작을 설명하기 위한 도면이다. 오차 학습기(328)는 도 9의 가중치 계산기(327)로부터 생성된 장치 가중치들(IW1, IW2)이 병합된 장치 가중치(IW)를 수신할 수 있다. 오차 학습기(328)는 오차 학습을 위한 기준 장치 가중치(RW)를 생성할 수 있다.

기준 장치 가중치(RW)는 장치 예측 결과들 각각의 예측 시간의 예측 특징들과 예측 시간의 실측 값의 차이를 계산하여 생성될 수 있다. 예를 들어, 예측 시간에 대응되는 제1 장치 예측 결과와 기설정된 예측 시간의 실측 값의 차이가 계산될 수 있다. 그리고, 예측 시간에 대응되는 제2 장치 예측 결과와 기설정된 예측 시간의 실측 값의 차이가 계산될 수 있다. 예측 장치들(d1, d2) 중 이러한 차이가 가장 작은 예측 장치(일례로, 제2 예측 장치)에 대한 가중치 값이 1로 설정되고, 나머지 예측 장치(일례로, 제1 예측 장치)에 대한 가중치 값이 0으로 설정될 수 있다. 이러한 가중치 값은 항목들(I1, I2) 각각에 대하여 설정되고, 설정 결과, 기준 장치 가중치(RW)가 생성될 수 있다.

오차 학습기(328)는 기준 장치 가중치(RW)에서 계산된 장치 가중치(IW)의 차이를 항목들(I1, I2) 및 장치들(d1, d2) 각각에 대하여 계산할 수 있다. 오차 학습기(328)는 이러한 차이의 제곱근을 계산하고, 계산된 값들 (도 10의 경우, 총 4개의 계산된 값들)을 합할 수 있다. 이러한 합산된 값이 최소화되도록, 파라미터 그룹이 조절될 수 있다. 오차 학습기(328)는 상술된 역전파 방식으로 도 5에 도시된 각 구성들의 동작을 위한 파라미터 그룹을 조절할 수 있다.

도 11은 도 2의 예측기의 예시적인 블록도이다. 도 11의 예측기(330)는 학습된 예측 모델(33) 및 파라미터 그룹에 기초하여, 복수의 예측 장치들로부터 수신된 예측 결과들의 앙상블 결과를 생성하는 예시적인 구성으로 이해될 것이다. 도 11을 참조하면, 예측기(330)는 예측 결과 전처리기(331), 예측 트렌드 추출기(332), 예측 앙상블 분석기(333), 오차 전처리기(334), 오차 트렌드 추출기(335), 오차 앙상블 분석기(336), 가중치 계산기(337), 및 결과 계산기(338)을 포함할 수 있다. 상술한 바와 같이, 예측기(330)에 포함된 각 구성들은 하드웨어로 구현되거나, 펌웨어, 소프트웨어, 또는 이의 조합으로 구현될 수 있다.

예측기(330)는 학습된 예측 모델(33)에 기초하여, 장치 예측 결과들(PD) 및 장치 오차들(DD)을 분석하고, 앙상블 결과(RD)를 생성한다. 예측 결과 전처리기(331), 예측 트렌드 추출기(332), 예측 앙상블 분석기(333), 오차 전처리기(334), 오차 트렌드 추출기(335), 오차 앙상블 분석기(336), 및 가중치 계산기(337)는 도 5 내지 도 9에서 설명된 예측 결과 전처리기(321), 예측 트렌드 추출기(322), 예측 앙상블 분석기(323), 오차 전처리기(324), 오차 트렌드 추출기(325), 오차 앙상블 분석기(326), 및 가중치 계산기(327)와 실질적으로 동일한 동작을 수행할 수 있다.

결과 계산기(338)는 가중치 계산기(327)로부터 생성된 장치 가중치들을 장치 예측 결과들에 적용하여, 최종적인 앙상블 결과(RD)를 생성할 수 있다.

도 12는 도 1의 앙상블 예측 장치의 예시적인 블록도이다. 도 12를 참조하면, 앙상블 예측 장치(1300)는 네트워크 인터페이스(1310), 프로세서(1320), 메모리(1330), 스토리지(1340), 및 버스(1350)를 포함할 수 있다. 예시적으로, 앙상블 예측 장치(1300)는 서버로 구현될 수 있으나, 이에 제한되지 않는다.

네트워크 인터페이스(1310)는 도 1의 네트워크(400)를 통하여 단말기(200) 또는 제1 내지 제n 예측 장치들(101~10n)과 통신하도록 구성된다. 네트워크 인터페이스(1310)는 네트워크(400)를 통하여 수신된 데이터를 버스(1350)를 통하여 프로세서(1320), 메모리(1330) 또는 스토리지(1340)에 제공할 수 있다. 네트워크 인터페이스(1310)는 프로세서(1320)에 의한 예측 요청과 함께 출력 데이터를 제1 내지 제n 예측 장치들(101~10n)로 출력할 수 있다. 또한, 네트워크 인터페이스(1310)는 출력 데이터에 응답하여 생성된 장치 예측 결과들을 수신할 수 있다.

프로세서(1320)는 앙상블 예측 장치(1300)의 중앙 처리 장치로의 기능을 수행할 수 있다. 프로세서(1320)는 앙상블 예측 장치(1300)의 데이터 관리, 학습, 및 예측을 위하여 요구되는 제어 동작 및 연산 동작을 수행할 수 있다. 예를 들어, 프로세서(1320)의 제어에 따라, 네트워크 인터페이스(1310)는 출력 데이터를 제1 내지 제n 예측 장치들(101~10n)로 송신하고, 장치 예측 결과들을 제1 내지 제n 예측 장치들(101~10n)로부터 수신할 수 있다. 프로세서(1320)의 제어에 따라, 예측 모델의 가중치 그룹이 조절될 수 있고, 예측 모델을 이용하여 앙상블 결과가 계산될 수 있다. 프로세서(1320)는 메모리(1330)의 연산 공간을 활용하여 동작할 수 있고, 스토리지(1340)로부터 운영체제를 구동하기 위한 파일들 및 어플리케이션의 실행 파일들을 읽을 수 있다. 프로세서(1320)는 운영 체제 및 다양한 어플리케이션들을 실행할 수 있다.

메모리(1330)는 프로세서(1320)에 의하여 처리되거나 처리될 예정인 데이터 및 프로세스 코드들을 저장할 수 있다. 예를 들어, 메모리(1330)는 장치 예측 결과들, 장치 예측 결과들을 관리하기 위한 정보들, 가중치 그룹을 생성하기 위한 정보들, 앙상블 결과를 계산하기 위한 정보들, 및 예측 모델을 구축하기 위한 정보들을 저장할 수 있다. 메모리(1330)는 앙상블 예측 장치(1300)의 주기억 장치로 이용될 수 있다. 메모리(1330)는 DRAM (Dynamic RAM), SRAM (Static RAM), PRAM (Phase-change RAM), MRAM (Magnetic RAM), FeRAM (Ferroelectric RAM), RRAM (Resistive RAM) 등을 포함할 수 있다.

데이터 관리부(1331), 학습부(1332), 및 예측부(1333)는 메모리(1330)에 로딩되어 실행될 수 있다. 데이터 관리부(1331), 학습부(1332), 및 예측부(1333)는 각각 도 2의 데이터 관리기(310), 학습기(320), 및 예측기(330)에 대응된다. 데이터 관리부(1331), 학습부(1332), 및 예측부(1333)는 메모리(1330)의 연산 공간의 일부일 수 있다. 이 경우, 데이터 관리부(1331), 학습부(1332), 및 예측부(1333)는 펌웨어 또는 소프트웨어로 구현될 수 있다. 예를 들어, 펌웨어는 스토리지(1340)에 저장되고, 펌웨어를 실행 시에 메모리(1330)에 로딩될 수 있다. 프로세서(1320)는 메모리(1330)에 로딩된 펌웨어를 실행할 수 있다.

데이터 관리부(1331)는 프로세서(1320)의 제어 하에 스토리지(1340)에 저장된 원시 학습 데이터에 포함된 시계열 데이터를 로딩하고, 출력 데이터를 생성할 수 있다. 데이터 관리부(1331)는 네트워크 인터페이스(1310)를 통하여 제1 내지 제n 예측 장치들(101~10n)로 출력 데이터를 송신하도록 동작될 수 있다. 데이터 관리부(1331)는 장치 예측 결과들과 시계열 데이터의 차이를 계산하여 장치 오차들을 생성할 수 있다. 학습부(1332)는 프로세서(1320)의 제어 하에 장치 예측 결과들 및 장치 오차들을 분석하여 가중치 그룹을 생성 및 조절하도록 동작될 수 있다. 예측부(1333)는 프로세서(1320)의 제어 하에 예측 모델에 기초하여 앙상블 결과를 생성하도록 동작될 수 있다.

스토리지(1340)는 운영 체제 또는 어플리케이션들에 의해 장기적인 저장을 목적으로 생성되는 데이터, 운영 체제를 구동하기 위한 파일, 또는 어플리케이션들의 실행 파일 등을 저장할 수 있다. 예를 들어, 스토리지(1340)는 데이터 관리부(1331), 학습부(1332), 및 예측부(1333)의 실행을 위한 파일들을 저장할 수 있다. 스토리지(1340)는 앙상블 예측 장치(1300)의 보조 기억 장치로 이용될 수 있다. 스토리지(1340)는 플래시 메모리, PRAM (Phase-change RAM), MRAM (Magnetic RAM), FeRAM (Ferroelectric RAM), RRAM (Resistive RAM) 등을 포함할 수 있다.

버스(1350)는 앙상블 예측 장치(1300)의 구성 요소들 사이에서 통신 경로를 제공할 수 있다. 네트워크 인터페이스(1310), 프로세서(1320), 메모리(1330), 및 스토리지(1340)는 버스(1350)를 통해 서로 데이터를 교환할 수 있다. 버스(1350)는 앙상블 예측 장치(1300)에서 이용되는 다양한 유형의 통신 포맷을 지원하도록 구성될 수 있다.

위에서 설명한 내용은 본 발명을 실시하기 위한 구체적인 예들이다. 본 발명에는 위에서 설명한 실시 예들뿐만 아니라, 단순하게 설계 변경하거나 용이하게 변경할 수 있는 실시 예들도 포함될 것이다. 또한, 본 발명에는 상술한 실시 예들을 이용하여 앞으로 용이하게 변형하여 실시할 수 있는 기술들도 포함될 것이다.

1000: 건강 상태 예측 시스템 101~10n: 예측 장치들
200: 단말기 300, 1300: 앙상블 예측 장치
310, 1331: 데이터 관리기 320, 1332: 학습기
330, 1333: 예측기

Claims

복수의 예측 장치들로부터 수신된 데이터를 앙상블하는 장치에 있어서,
시계열 데이터에 기초하여 출력 데이터를 생성하고, 상기 출력 데이터를 제1 예측 장치 및 제2 예측 장치에 제공하고, 상기 제1 예측 장치로부터 상기 출력 데이터에 대응되는 제1 장치 예측 결과를 수신하고, 상기 제2 예측 장치로부터 상기 출력 데이터에 대응되는 제2 장치 예측 결과를 수신하고, 상기 제1 장치 예측 결과와 상기 시계열 데이터의 차이에 기초하여 제1 장치 오차를 계산하고, 상기 제2 장치 예측 결과와 상기 시계열 데이터의 차이에 기초하여 제2 장치 오차를 계산하는 데이터 관리기; 및
상기 제1 장치 예측 결과, 상기 제2 장치 예측 결과, 상기 제1 장치 오차, 및 상기 제2 장치 오차에 기초하여, 상기 제1 예측 장치에 대응되는 제1 장치 가중치 및 상기 제2 예측 장치에 대응되는 제2 장치 가중치를 생성하기 위한 예측 모델의 파라미터 그룹을 조절하는 학습기를 포함하고,
상기 출력 데이터는, 상기 시계열 데이터에서 제1 시간 이전의 특징들을 포함하는 제1 누적 데이터 및 상기 시계열 데이터에서 제2 시간 이전의 특징들을 포함하는 제2 누적 데이터를 포함하는 장치.
제1 항에 있어서,
상기 제1 예측 장치는, 상기 제1 누적 데이터에 기초하여 상기 제2 시간에 대응되는 제1 예측 특징들을 생성하고, 상기 제2 누적 데이터에 기초하여 상기 제2 시간 이후의 제3 시간에 대응되는 제2 예측 특징들을 생성하고, 상기 제1 예측 특징들 및 상기 제2 예측 특징들을 포함하는 상기 제1 장치 예측 결과를 생성하고,
상기 제2 예측 장치는, 상기 제1 누적 데이터에 기초하여 상기 제2 시간에 대응되는 제3 예측 특징들을 생성하고, 상기 제2 누적 데이터에 기초하여 상기 제2 시간 이후의 제3 시간에 대응되는 제4 예측 특징들을 생성하고, 상기 제3 예측 특징들 및 상기 제4 예측 특징들을 포함하는 상기 제2 장치 예측 결과를 생성하는 장치.
제1 항에 있어서,
상기 학습기는,
상기 제1 장치 예측 결과에서 타겟 시간 이전의 윈도우 시간 간격 동안의 예측 특징들을 추출하여 제1 특징 윈도우를 생성하고, 상기 제2 장치 예측 결과에서 상기 타겟 시간 이전의 상기 윈도우 시간 간격 동안의 예측 특징들을 추출하여 제2 특징 윈도우를 생성하고,
상기 제1 장치 오차에서 상기 타겟 시간 이전의 상기 윈도우 시간 간격 동안의 예측 특징들을 추출하여 제1 오차 윈도우를 생성하고, 상기 제2 장치 오차에서 상기 타겟 시간 이전의 상기 윈도우 시간 간격 동안의 예측 특징들을 추출하여 제2 오차 윈도우를 생성하고,
상기 제1 특징 윈도우, 상기 제2 특징 윈도우, 상기 제1 오차 윈도우, 및 상기 제2 오차 윈도우에 기초하여, 상기 파라미터 그룹을 조절하는 장치.
제3 항에 있어서,
상기 학습기는,
상기 타겟 시간이 상기 제1 및 제2 장치 예측 결과들 및 상기 제1 및 제2 장치 오차들의 최초 시간인 경우, 상기 타겟 시간 이전의 시간에 대한 값들을 제로 패딩하여 상기 제1 및 제2 특징 윈도우들 및 상기 제1 및 제2 오차 윈도우들을 생성하는 장치.
제3 항에 있어서,
상기 학습기는,
상기 제1 특징 윈도우에 대한 상기 윈도우 시간 간격의 트렌드를 분석하여 제1 예측 결과 트렌드를 생성하고, 상기 제2 특징 윈도우에 대한 상기 윈도우 시간 간격의 트렌드를 분석하여 제2 예측 결과 트렌드를 생성하고,
상기 제1 오차 윈도우에 대한 상기 윈도우 시간 간격의 트렌드를 분석하여 제1 오차 트렌드를 생성하고, 상기 제2 오차 윈도우에 대한 상기 윈도우 시간 간격의 트렌드를 분석하여 제2 오차 트렌드를 생성하고,
상기 제1 예측 결과 트렌드, 상기 제2 예측 결과 트렌드, 상기 제1 오차 트렌드, 및 상기 제2 오차 트렌드에 기초하여, 상기 파라미터 그룹을 조절하는 장치.
제5 항에 있어서,
상기 학습기는,
상기 제1 및 제2 예측 결과 트렌드들 및 상기 제1 및 제2 장치 예측 결과들에 기초하여, 예측 시간에 대응되는 예측 특징 벡터를 추출하고,
상기 제1 및 제2 오차 트렌드들 및 상기 제1 및 제2 장치 오차들에 기초하여, 상기 예측 시간에 대응되는 예측 오차 벡터를 추출하는 장치.
제6 항에 있어서,
상기 학습기는,
상기 예측 특징 벡터 및 상기 예측 오차 벡터에 기초하여, 상기 제1 장치 가중치 및 상기 제2 장치 가중치를 생성하고,
상기 제1 장치 가중치 및 상기 제2 장치 가중치 각각은 복수의 항목들 각각에 대응되는 가중치 값들을 포함하는 장치.
제1 항에 있어서,
상기 학습기는,
상기 제1 장치 예측 결과, 상기 제2 장치 예측 결과, 상기 제1 장치 오차, 및 상기 제2 장치 오차에 기초하여, 상기 제1 장치 가중치 및 상기 제2 장치 가중치를 생성하고,
상기 제1 장치 예측 결과 및 상기 제2 장치 예측 결과에 기초하여 기준 장치 가중치를 생성하고,
상기 기준 장치 가중치를 상기 제1 및 제2 장치 가중치들과 비교하여, 상기 파라미터 그룹을 조절하는 장치.
제8 항에 있어서,
상기 학습기는,
예측 시간에 대응되는 상기 제1 장치 예측 결과의 예측 특징과 상기 예측 시간에 대응되는 실측 값 사이의 제1 차이를 계산하고, 상기 예측 시간에 대응되는 상기 제2 장치 예측 결과의 예측 특징과 상기 실측 값 사이의 제2 차이를 계산하고, 상기 제1 차이 및 상기 제2 차이에 기초하여 상기 기준 장치 가중치를 생성하는 장치.
복수의 예측 장치들로부터 수신된 데이터를 앙상블하는 장치에 있어서,
출력 데이터를 제1 예측 장치 및 제2 예측 장치에 제공하고, 상기 제1 예측 장치로부터 상기 출력 데이터에 대응되는 제1 장치 예측 결과를 수신하고, 상기 제2 예측 장치로부터 상기 출력 데이터에 대응되는 제2 장치 예측 결과를 수신하는 데이터 관리기; 및
상기 제1 장치 예측 결과, 상기 제2 장치 예측 결과, 윈도우 시간 간격 동안의 상기 제1 장치 예측 결과의 제1 트렌드, 및 상기 윈도우 시간 간격 동안의 상기 제2 장치 예측 결과의 제2 트렌드에 기초하여 예측 시간에 대응되는 예측 특징 벡터를 생성하고, 상기 예측 특징 벡터에 기초하여 상기 복수의 항목들 각각의 제1 장치 가중치 및 제2 장치 가중치를 생성하고, 상기 제1 장치 가중치 및 상기 제2 장치 가중치에 기초하여 상기 예측 시간에 대응되는 상기 제1 및 제2 장치 예측 결과들의 앙상블 결과를 생성하는 예측기를 포함하는 장치.
제10 항에 있어서,
상기 데이터 관리기는,
시계열 데이터에서 제1 시간 이전의 특징들을 포함하는 제1 누적 데이터 및 상기 시계열 데이터에서 제2 시간 이전의 특징들을 포함하는 제2 누적 데이터를 포함하는 상기 출력 데이터를 생성하는 장치.
제10 항에 있어서,
상기 데이터 관리기는,
시계열 데이터에 기초하여 상기 출력 데이터를 생성하고, 상기 제1 장치 예측 결과와 상기 시계열 데이터의 차이에 기초하여 제1 장치 오차를 계산하고, 상기 제2 장치 예측 결과와 상기 시계열 데이터의 차이에 기초하여 제2 장치 오차를 계산하고,
상기 예측기는,
상기 제1 장치 오차, 상기 제2 장치 오차, 상기 윈도우 시간 간격 동안의 상기 제1 장치 오차의 제3 트렌드, 및 상기 윈도우 시간 간격 동안의 상기 제2 장치 예측 결과의 제4 트렌드에 기초하여, 예측 시간에 대응되는 예측 오차 벡터를 생성하고, 상기 예측 오차 벡터에 더 기초하여 상기 제1 장치 가중치 및 상기 제2 장치 가중치를 생성하는 장치.
제10 항에 있어서,
상기 예측기는,
상기 제1 장치 예측 결과에서 타겟 시간 이전의 상기 윈도우 시간 간격 동안의 예측 특징들을 추출하여 제1 특징 윈도우를 생성하고, 상기 제2 장치 예측 결과에서 상기 타겟 시간 이전의 상기 윈도우 시간 간격 동안의 예측 특징들을 추출하여 제2 특징 윈도우를 생성하고,
상기 제1 특징 윈도우에 기초하여 상기 제1 트렌드를 생성하고, 상기 제2 특징 윈도우에 기초하여 상기 제2 트렌드를 생성하는 장치.
제13 항에 있어서,
상기 예측기는,
상기 타겟 시간이 상기 제1 및 제2 장치 예측 결과들의 최초 시간인 경우, 상기 타겟 시간 이전의 시간에 대한 값들을 제로 패딩하여 상기 제1 및 제2 특징 윈도우들을 생성하는 장치.
제10 항에 있어서,
상기 예측기는,
상기 예측 시간의 이전 시간에 대응되는 상기 제1 및 제2 트렌드들에 의하여 생성되는 특징 벡터, 및 상기 예측 시간에 대응되는 상기 제1 및 제2 트렌드들, 및 상기 예측 시간에 대응되는 상기 제1 및 제2 장치 예측 결과들에 기초하여, 상기 예측 특징 벡터를 생성하는 장치.
제10 항에 있어서,
상기 예측기는,
상기 제1 장치 가중치를 상기 예측 시간에 대응되는 상기 제1 장치 예측 결과에 적용하여 제1 결과를 생성하고, 상기 제2 장치 가중치를 상기 예측 시간에 대응되는 상기 제2 장치 예측 결과에 적용하여 제2 결과를 생성하고, 상기 제1 결과 및 상기 제2 결과에 기초하여 상기 앙상블 결과를 생성하는 장치.
복수의 예측 장치들로부터 수신된 데이터를 앙상블하는 장치의 동작 방법에 있어서,
시계열 데이터에서 제1 시간 이전의 특징들을 포함하는 제1 누적 데이터 및 상기 시계열 데이터에서 제2 시간 이전의 특징들을 포함하는 제2 누적 데이터를 포함하는 출력 데이터를 생성하는 단계;
예측 요청과 함께 상기 출력 데이터를 제1 예측 장치 및 제2 예측 장치로 송신하는 단계;
상기 제1 예측 장치로부터 상기 예측 요청에 응답한 제1 장치 예측 결과를 수신하는 단계;
상기 제2 예측 장치로부터 상기 예측 요청에 응답한 제2 장치 예측 결과를 수신하는 단계;
상기 제1 장치 예측 결과와 상기 시계열 데이터의 차이에 기초하여 제1 장치 오차를 계산하는 단계;
상기 제2 장치 예측 결과와 상기 시계열 데이터의 차이에 기초하여 제2 장치 오차를 계산하는 단계; 및
상기 제1 장치 예측 결과, 상기 제2 장치 예측 결과, 상기 제1 장치 오차, 및 상기 제2 장치 오차에 기초하여, 상기 제1 예측 장치에 대응되는 제1 장치 가중치 및 상기 제2 예측 장치에 대응되는 제2 장치 가중치를 생성하는 단계를 포함하는 방법.
제17 항에 있어서,
상기 제1 장치 가중치 및 상기 제2 장치 가중치를 생성하는 단계는,
윈도우 시간 간격 동안의 상기 제1 장치 예측 결과를 분석하여 제1 예측 결과 트렌드를 생성하는 단계;
상기 윈도우 시간 간격 동안의 상기 제2 장치 예측 결과를 분석하여 제2 예측 결과 트렌드를 생성하는 단계;
상기 윈도우 시간 간격 동안의 상기 제1 장치 오차를 분석하여 제1 오차 트렌드를 생성하는 단계;
상기 윈도우 시간 간격 동안의 상기 제2 장치 오차를 분석하여 제2 오차 트렌드를 생성하는 단계;
상기 제1 및 제2 예측 결과 트렌드들 및 상기 제1 및 제2 장치 예측 결과들에 기초하여 예측 시간에 대응되는 특징 벡터를 생성하는 단계;
상기 제1 및 제2 오차 트렌드들 및 상기 제1 및 제2 장치 오차들에 기초하여 상기 예측 시간에 대응되는 오차 벡터를 생성하는 단계; 및
상기 특징 벡터 및 상기 오차 벡터에 기초하여 상기 제1 및 제2 장치 가중치들을 생성하는 단계를 포함하는 방법.
제17 항에 있어서,
상기 제1 장치 가중치 및 상기 제2 장치 가중치를 기준 장치 가중치와 비교하여, 예측 모델의 파라미터를 조절하는 단계를 더 포함하는 방법.
제17 항에 있어서,
상기 제1 장치 가중치에 예측 시간에 대응되는 상기 제1 장치 예측 결과를 적용하여 제1 결과를 생성하는 단계;
상기 제2 장치 가중치에 상기 예측 시간에 대응되는 상기 제2 장치 예측 결과를 적용하여 제2 결과를 생성하는 단계; 및
상기 제1 결과 및 상기 제2 결과에 기초하여 앙상블 결과를 생성하는 단계를 더 포함하는 방법.