KR20210093015A

KR20210093015A - 시계열 데이터 예측 방법 및 이를 포함하는 장치

Info

Publication number: KR20210093015A
Application number: KR1020200006663A
Authority: KR
Inventors: 김주유; 송형선; 김경재; 아쇽 말루찬드라; 신동준; 쿠마르파반
Original assignee: 삼성전자주식회사
Priority date: 2020-01-17
Filing date: 2020-01-17
Publication date: 2021-07-27
Also published as: WO2021145577A1; US11734388B2; US20230342421A1; US20210222904A1

Abstract

개시된 일 실시예에 따른 시계열 데이터 예측 방법은 시계열 모델을 저장하고; 시계열 데이터를 상기 시계열 모델에 입력하고; 상기 시계열 모델이 미리 설정된 개수 이상의 예측 데이터를 출력하는 것;을 포함하고, 상기 입력하는 것은, 상기 시계열 데이터에 포함된 무효 데이터를 미리 설정된 유효 데이터로 치환하고, 상기 유효 데이터가 포함된 시계열 데이터를 상기 시계열 모델에 입력하는 것;을 포함한다.

Description

시계열 데이터 예측 방법 및 이를 포함하는 장치{THE METHOD FOR PREDICTING IN SEQUENTIAL DATA AND APPARATUS THEREOF}

개시된 일 실시예는 시계열 데이터를 바탕으로 한 예측 데이터의 정확성을 높이는 시계열 데이터 예측 방법 및 이를 포함하는 장치에 관한 것이다.

인간 수준의 지능을 구현하는 인공 지능 시스템이 다양한 분야에서 이용되고 있다. 인공 지능 시스템은 기존의 룰(rule) 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 시스템이다. 인공 지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 룰 기반 스마트 시스템은 점차 딥러닝 기반 인공 지능 시스템으로 대체되고 있다.

인공 지능 기술은 기계학습(예로, 딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다.

기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하여 인간 두뇌의 인지, 판단 등의 기능을 모사하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.

인공 지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 오브젝트 인식, 오브젝트 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.

한편, 실내 공간의 온도, 습도, 청정도 및 기류 등을 조절하여 쾌적한 실내 환경을 유지하기 위한 공조 장치가 보급되고 있는 실정이다. 공조 장치는 전력 사용량과 같은 시계열 데이터를 수집할 수 있다. 공조 장치는 기계학습을 활용한 요소기술을 통해 앞으로 있을 전력 사용량을 예측할 수 있다. 그러나 종래 일반적인 시계열 분석은 전력 사용량이 0이되는 무효 데이터가 포함되는 경우, 예측 성능이 떨어지는 문제가 있었다.

개시된 일 측면에 따르면, 무효 데이터를 치환한 입력 데이터를 기초로 시계열 분석을 진행함으로써, 예측 데이터의 정확성을 높이고, 높아진 정확성을 통해 품질 높은 서비스를 제공하는 시계열 데이터 예측 방법 및 이를 포함하는 장치에 관한 것이다.

상기 시계열 모델에서 출력되는 복수 개의 예측 데이터 중 상기 유효 데이터로 치환된 예측 데이터를 상기 무효 데이터로 복원하는 것;을 더 포함할 수 있다.

상기 복원하는 것은, 상기 시계열 데이터에서 무효 데이터가 포함된 주기에 기초하여 상기 시계열 모델에서 출력되는 복수 개의 예측 데이터 중 일부의 예측 데이터를 상기 무효 데이터로 복원하는 것;을 포함할 수 있다.

상기 복원하는 것은, 상기 시계열 데이터에 포함된 무효 데이터의 개수에 기초한 확률 분포를 통해 상기 시계열 모델에서 출력되는 복수 개의 예측 데이터 중 일부의 예측 데이터를 무효 데이터로 복원하는 것;을 포함할 수 있다.

상기 유효 데이터를 포함한 제1 시계열 데이터에 기초한 상기 예측 데이터를 기준 데이터와 비교하고, 상기 비교 결과에 기초하여 제2 시계열 데이터에 포함된 무효 데이터의 치환 여부를 결정하는 것;을 더 포함할 수 있다.

상기 무효 데이터를 포함한 시계열 데이터에 기초한 제1 예측 데이터 및 상기 유효 데이터가 포함된 시계열 데이터에 기초한 제2 예측 데이터를 비교하는 것;을 더 포함할 수 있다.

기준 데이터를 상기 제1 예측 데이터 또는 상기 제2 예측 데이터와 비교하고, 상기 비교 결과에 기초하여 유효 데이터의 치환 여부를 결정하는 것;을 포함할 수 있다.

상기 유효 데이터는, 상기 시계열 데이터의 평균값, 상기 시계열 데이터의 최솟값, 상기 시계열 데이터의 최대값, 상기 시계열 데이터의 회귀값 또는 상기 시계열 데이터 중 적어도 하나로 결정되는 무작위 값 중 적어도 하나를 포함할 수 있다.

상기 시계열 모델은, Prophet, ARIMA(Autoregressive Integrated Moving Average), RNN(Recurrent Neural Networks), LSTM(Long Short-Term Memory models), Seq2Seq(Sequence-to-Sequence) 중 적어도 하나를 포함할 수 있다.

개시된 다른 실시예에 따른 장치는, 시계열 모델 및 시계열 데이터를 저장하는 메모리; 및 상기 시계열 데이터에 포함된 무효 데이터를 미리 설정된 유효 데이터로 치환하고, 상기 유효 데이터가 포함된 시계열 데이터를 상기 시계열 모델에 입력하고, 상기 시계열 모델에 통해 미리 설정된 개수 이상의 예측 데이터를 출력하는 프로세서;를 포함한다.

상기 프로세서는, 상기 시계열 모델에서 출력되는 복수 개의 예측 데이터 중 상기 유효 데이터로 치환된 예측 데이터를 상기 무효 데이터로 복원할 수 있다.

상기 프로세서는, 시계열 데이터에 포함된 상기 무효 데이터의 주기에 기초하여 상기 시계열 모델에서 출력되는 복수 개의 예측 데이터 중 일부의 예측 데이터를 상기 무효 데이터로 복원할 수 있다.

상기 프로세서는, 상기 시계열 데이터에 포함된 무효 데이터의 개수에 기초한 확률 분포를 통해 상기 시계열 모델에서 출력되는 복수 개의 예측 데이터 중 일부의 예측 데이터를 무효 데이터로 복원할 수 있다.

상기 프로세서는, 상기 무효 데이터를 포함한 제1 시계열 데이터에 기초한 제1 예측 데이터 및 상기 유효 데이터가 포함된 제1 시계열 데이터에 기초한 제2 예측 데이터를 비교할 수 있다.

상기 프로세서는, 기준 데이터를 상기 제1 예측 데이터 또는 상기 제2 예측 데이터와 비교하고, 상기 비교 결과에 기초하여 유효 데이터의 치환 여부를 결정할 수 있다.

상기 프로세서는, 상기 제1 예측 데이터보다 상기 제2 예측 데이터가 상기 기준 데이터와 유사하면, 제2 시계열 데이터의 무효 데이터를 상기 유효 데이터로 치환하고, 치환된 유효 데이터가 포함된 제2 시계열 데이터를 상기 시계열 모델에 입력할 수 있다.

개시된 다른 실시예에 따른 시스템은, 전력 사용량을 수집하는 공조 장치;

상기 공조 장치와 통신을 수행하는 서버;를 포함하고, 상기 서버는, 상기 공조 장치로부터 미리 설정된 기간 동안 상기 전력 사용량을 포함한 시계열 데이터를 수집하고, 상기 시계열 데이터에 포함된 무효 데이터를 미리 설정된 유효 데이터로 치환하고, 상기 유효 데이터가 포함된 시계열 데이터를 시계열 모델에 입력하고, 상기 시계열 모델에 통해 미리 설정된 개수 이상의 예측 데이터를 출력하고, 상기 출력된 예측 데이터를 상기 공조 장치에 전송한다.

상기 서버는, 상기 예측 데이터를 전년도 전력 사용량과 비교하고, 상기 비교 결과에 기초하여 상기 유효 데이터의 치환 여부를 결정할 수 있다.

상기 서버는, 상기 예측 데이터가 상기 전년도 사용량과 유사하면, 추가적으로 전송되는 전력 사용량에 포함된 무효 데이터를 상기 유효 데이터로 치환하고, 상기 치환된 유효 데이터가 포함된 시계열 데이터를 상기 시계열 모델에 입력할 수 있다.

상기 공조 장치는, 상기 서버로부터 수신된 예측 데이터를 기초로 동작할 수 있다.

개시된 일 측면에 따른 시계열 데이터 예측 방법 및 이를 포함하는 장치는 무효 데이터를 치환한 입력 데이터를 기초로 시계열 분석을 진행함으로써, 예측 데이터의 정확성을 높이고, 높아진 정확성을 통해 품질 높은 서비스를 제공할 수 있다.

도 1은 일 실시예에 따른 시계열 데이터 예측 방법 이 적용된 장치 및 그를 포함하는 시스템에 관한 도면이다.
도 2a 및 도 2b는 일 실시예에 따른 시계열 데이터 예측 방법의 효과를 설명하기 위한 도면이다.
도 3a 및 도 3b는 다른 실시예에 따른 시계열 데이터 예측 방법의 효과를 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 시스템의 제어 블록도이다.
도 5는 일 실시예에 따른 시계열 데이터 예측 방법을 포함한 장치의 동작에 관한 순서도이다.
도 6은 다른 실시예에 따른 시계열 데이터 예측 방법의 효과를 향상시키는 방법에 관한 순서도이다.
도 7은 도 6의 실시예의 변형례에 관한 순서도이다.

명세서 전체에 걸쳐 동일 참조 부호는 동일 구성요소를 지칭한다. 본 명세서가 실시예들의 모든 요소들을 설명하는 것은 아니며, 본 발명이 속하는 기술분야에서 일반적인 내용 또는 실시예들 간에 중복되는 내용은 생략한다. 명세서에서 사용되는 '부, 모듈, 부재, 블록'이라는 용어는 소프트웨어 또는 하드웨어로 구현될 수 있으며, 실시예들에 따라 복수의 '부, 모듈, 부재, 블록'이 하나의 구성요소로 구현되거나, 하나의 '부, 모듈, 부재, 블록'이 복수의 구성요소들을 포함하는 것도 가능하다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐 아니라, 간접적으로 연결되어 있는 경우를 포함하고, 간접적인 연결은 무선 통신망을 통해 연결되는 것을 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.

제 1, 제 2 등의 용어는 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 전술된 용어들에 의해 제한되는 것은 아니다.

단수의 표현은 문맥상 명백하게 예외가 있지 않는 한, 복수의 표현을 포함한다.

각 단계들에 있어 식별부호는 설명의 편의를 위하여 사용되는 것으로 식별부호는 각 단계들의 순서를 설명하는 것이 아니며, 각 단계들은 문맥상 명백하게 특정 순서를 기재하지 않는 이상 명기된 순서와 다르게 실시될 수 있다.

이하 첨부된 도면들을 참고하여 본 발명의 작용 원리 및 실시예들에 대해 설명한다.

도 1은 일 실시예에 따른 시계열 데이터 예측 방법 이 적용된 장치 및 그를 포함하는 시스템에 관한 도면이다.

도 1을 참조하면, 시스템(1)은 시계열 데이터 예측 방법 을 통해 시계열 데이터를 처리할 수 있는 서버(10) 및 서버(10)로부터 예측 데이터를 수신하거나 또는 서버(2)를 통해 제공되는 시계열 데이터 예측 방법 을 저장하고, 수집되는 시계열 데이터를 기초로 예측 데이터를 출력하는 공조 장치(20)를 포함한다.

서버(10)는 네트워크를 통해 공조 장치(20)와 통신을 수행하고, 공조 장치(20)로부터 수집되는 다양한 데이터를 수신할 수 있다. 일 예로 서버(10)가 수집하는 데이터는 사용자가 하루동안 공조 장치(20)를 사용하는 전력 사용량일 수 있다. 서버(10)는 미리 설정된 기간 동안 공조 장치(20)의 동작에 따른 전력 사용량과 같은 시계열적 데이터를 수집하고, 이후 사용자가 사용할 전력 사용량과 같은 예측 데이터를 출력할 수 있다.

한편, 공조 장치(20)는 구조 상의 한계에 의해서 메모리(22, 도 4 참조)의 용량이 제한적이다. 따라서 서버(10)는 공조 장치(20) 및 공조 장치(20) 이외의 다양한 장치로부터 수집되는 다양한 크기의 시계열 데이터를 저장하고, 시계열 모델을 통해 예측 데이터를 출력할 수 있다.

서버(10)는 예측 데이터를 산출하는데 필요한 다양한 시계열 모델을 저장하고, 시계열 데이터를 학습 또는 갱신할 수 있다. 개시된 일 예에 따른 시계열 모델은, Prophet, ARIMA((AutoregRessive Integrated Moving Average)), RNN(Recurrent Neural Networks), LSTM(Long Short-Term Memory models), Seq2Seq(Sequence-to-Sequence) 중 적어도 하나를 포함할 수 있다.

구체적으로 Prophet은 Facebook^TM의 시계열 분석 라이브러리로 리니어 모델(Linear Model)이다. ARIMA는 과거 관측값과 오차를 사용하여 현재의 시계열 데이터를 설명하는 모델로, 비안정적인 시계열 데이터도 예측 데이터의 정확성이 높아지는 모델이다. RNN은 신경망(Neural Network)의 일종으로, 은칙층의 결과가 다시 은닉층의 입력으로 들어가도록 연결된다. LSTM은 백프로퍼게이션(backpropagation)이 잘 유지될 수 있도록 RNN을 변형한 시계열 모델이다. Seq2Seqsms 입력된 시퀀스로부터 다른 도메인의 스퀀스를 출력하는 모델로, 기계 번역에서 주로 사용되는 시계열 모델이다. 서버(10)는 전술한 시계열 모델 이외에도 다양한 시계열 데이터를 입력받고, 시계열적인 데이터를 출력하는 다양한 모델을 사용할 수 있다.

공조 장치(20)는 난방, 냉방, 감습, 가습, 환기(Ventilation) 등을 통해 실내를 쾌적하게 유지해 주는 다양한 유형의 장치를 의미한다. 일 예로, 공조 장치(20)는 온풍기, 히터, 냉난방이 모두 가능한 에어컨 등으로 구현될 수 있다. 공조 장치(20)는 실내기 및 실외기를 포함할 수 있다. 실내기는 실외기와 연결되어 있으며, 실내기는 배관을 통해 실외기와 냉매를 교류한다. 실내기와 실외기로 구성되는 공조 장치(20)는 실내 공기의 온도를 낮추는 냉방, 실내 공기의 온도를 높이는 난방, 실내에 기류를 형성하는 송풍 및 실내 습도를 낮추는 제습 등 다양한 동작 모드를 포함할 수 있다.

공조 장치(20)는 도 1에서 도시된 바와 같이, 사용자에 의해서 다양한 모드가 설정될 수 있다.

일 예로, 열대야 쾌면 모드는 미리 설정된 시간, 예를 들어 오전 1시부터 오전 5시까지, 공조 장치(20)가 설치된 공간의 온도를 사용자가 설정한 희망 온도(또는 사용 이력에 따른 선호되는 온도)까지 조절하는 동작일 수 있다.

다른 예로, 스마트 쾌적 모드는, 희망 온도와 주기적으로 사용되는 전력 사용량에 기초하여 공조 장치(20)가 자동으로 동작하는 모드이다. 구체적으로 스마트 쾌적 모드에서 공조 장치(20)는 시계열 모델에 의해서 예측되는 예상 전력 사용량(0.7KW)에서 금일 현재까지 사용한 전력 사용량(0.2KW)을 분석하고, 여유 분의 전력 사용량에 기초하여 희망 온도(22°C)까지 설치된 장소의 온도(24°C)를 낮추는 동작을 의미할 수 있다. 이러한 동작을 위해서 공조 장치(20)는 서버(10)로부터 시계열 모델 및 이전까지 사용자의 시계열 데이터를 수신하여 예측 데이터를 출력하거나, 또는 서버(10)가 출력하는 예측 데이터를 활용할 수 있다.

한편, 전술한 스마트 쾌적 모드와 같은 일 예는 시계열 데이터를 활용하는 실시예에 불과하고, 예측 데이터를 다양한 서비스에 사용할 수도 있다.

도 2a 및 도 2b는 일 실시예에 따른 시계열 데이터 예측 방법의 효과를 설명하기 위한 도면이다.

도 2a를 참조하면, 일 예에 따른 시계열 데이터 이하 제1 시계열 데이터)는 2019년 08월 01일부터 2019년 08월 07일까지 전자 장치를 사용한 전력 사용량일 수 있다. 다만, 제1 시계열 데이터는 2019년 08월 01일부터 2019년 08월 05일까지 전력 사용량이 0W이고, 2019년 08월 06일부터 2019년 08월 07일까지 전력 사용량이 3000W일 수 있다. 이렇게 0의 값을 가지는 제1 시계열 데이터를 시계열 모델(Prophet 및 Prophet과 RNN의 조합)에 입력하면, 도 2a에서 도시된 그래프가 예측 데이터로 출력될 수 있다.

구체적으로 Prophet은2019년 08월 08일부터 2019년 08월 12일까지 3500W의 예측 데이터를 출력하다가 2019년 08월 13일부터 2019년 08월 14일까지 6200W의 예측 데이터를 출력한다. 또한, Prophet은 2019년 08월 15일부터 2019년 08월 19일까지 6300W의 예측 데이터를 출력하다가 2019년 08월 20일부터 2019년 08월 21일까지 10000W의 예측 데이터를 출력한다. 즉, 현재 공지된 시계열 모델 Prophet은 제1 시계열 데이터의 기울기, 즉 증가하는 주기성에 기초하여 예측 데이터를 출력하였다.

RNN과 Prophet을 조합한 시계열 모델은, 2019년 08월 08일부터 2019년 08월 14일까지 Prophet과는 다른 증가폭을 가지는 측 데이터를 출력하였다. 또한, 2019년 08월 15일부터 2019년 08월 19일까지의 전력 소모량의 예측도 스스로 예측한 2019년 08월 08일부터 2019년 08월 14일까지의 전력 소모량과 다른 예측 데이터를 출력하였다. 그러나 여전히 RNN과 Prophet을 조합한 시계열 모델도 0을 포함한 전력 사용량을 예측하지 않고, 계속적으로 증가하는 예측 데이터를 출력하였다.

이와 비교하여 개시된 시계열 데이터 예측 방법은 동일한 Prophet을 시계열 모델로 사용하였지만, 도 2b의 그래프를 예측 모델로 출력하였다. 즉, 시계열 데이터 예측 방법은 2019년 08월 08일부터 2019년 08월 12일까지 전력 사용량을 0W로 예측하고, 2019년 08월 13일부터 2019년 08월 14일까지 전력 사용량을 3000W로 예측한다. 또한, 시계열 데이터 예측 방법은 2019년 08월 15일부터 2019년 08월 19일까지 전력 사용량을 0W로 예측하고, 2019년 08월 20일부터 2019년 08월 21일까지 전력 사용량을 3000W로 예측한다. 즉, 시계열 데이터 예측 방법은, 시계열 데이터에 포함된 0과 같은 무효 데이터를 유효한 데이터로 취급함으로써, 증가하는 주기성에 무게를 두지 않고, 실제에 부합하는 예측 데이터를 출력할 수 있다.

도 3a 및 도 3b는 다른 실시예에 따른 시계열 데이터 예측 방법의 효과를 설명하기 위한 도면이다.

도 3a를 참조하면, 다른 예에 따른 시계열 데이터(이하 제2 시계열 데이터)는 2019년 08월 01일부터 2019년 08월 07일까지 전자 장치를 사용한 전력 사용량일 수 있다. 다만, 제2 시계열 데이터는 제1 시계열 데이터와 다르게 2019년 08월 01일부터 2019년 08월 05일까지 전력 사용량이 7000W에서 11000W까지 증가하고, 2019년 08월 06일부터 2019년 08월 07일까지 전력 사용량이 0W일 수 있다. 이렇게 0의 값을 가지는 제2 시계열 데이터를 시계열 모델(Prophet 및 Prophet과 RNN의 조합)에 입력하면, 도 3a에서 도시된 그래프가 예측 데이터로 출력될 수 있다.

구체적으로 Prophet은2019년 08월 08일부터 2019년 08월 12일까지 -10W에서 3000W까지 증가되는 예측 데이터를 출력하다가 2019년 08월 13일부터 2019년 08월 14일까지 -8000W의 예측 데이터를 출력한다. 또한, Prophet은 2019년 08월 15일부터 2019년 08월 19일까지 -9000W에서 -5000W로 증가하는 예측 데이터를 출력하다가 2019년 08월 20일부터 2019년 08월 21일까지 -16000W의 예측 데이터를 출력한다. 즉, Prophet에 제2 시계열 데이터를 입력하면, 현실과 다른 -의 전력 소모량을 예측 데이터로 출력하였다.

RNN과 Prophet을 조합한 시계열 모델은, Prophet과 달리, -크기의 전력 소모량을 출력하지 않았다. 그러나 RNN과 Prophet을 조합한 시계열 모델도 2019년 08월 08일부터 2019년 08월 12일까지 증가하는 전력 소모량을 예측하다가, 2019년 08월 13일부터 2019년 08월 14일까지 0이 아닌 9000W의 전력 소모량을 예측하였다. 또한, 2019년 08월 20일부터 2019년 08월 21일까지의 전력 소모량도 0W가 아닌 9000W의 전력 소모량을 예측 데이터로 출력하였다.

개시된 시계열 데이터 예측 방법은 Prophet및 RNN을 조합한 시계열 모델에 제2 시계열 데이터를 입력한다. 다만, 시계열 데이터 예측 방법은 제2 시계열 데이터에 포함된 0의 전력 소모량을 특정한 값을 가진 유효 데이터로 치환한다. 즉, 시계열 데이터 예측 방법은 2019년 08월 06일부터 2019년 08월 07일까지 데이터를 유효 데이터로 치환된 시계열 데이터를 입력하고, 시계열 모델이 합리적 수준의 유사한 예측 데이터를 출력할 수 있다.

도 3b의 그래프를 참조하면, 시계열 데이터 예측 방법은 제2 시계열 데이터에 기초하여 2019년 08월 08일부터 2019년 08월 12일까지 소폭의 증가량을 포함하는 예측 데이터를 출력할 수 있다. 또한 시계열 데이터 예측 방법은 2019년 08월 13일부터 2019년 08월 14일까지 전력 사용량을 0W로 예측한다. 또한, 시계열 데이터 예측 방법은 2019년 08월 15일부터 2019년 08월 19일까지 증가하는 예측 데이터를 출력하고, 2019년 08월 20일부터 2019년 08월 21일까지 전력 사용량을 0W 또는 1000W로 예측한다. 즉, 개시된 시계열 데이터 예측 방법은, 시계열 데이터에 포함된 0과 같은 무효 데이터에 대응한 예측 데이터를 출력함으로써, 사용자에게 설득 가능한 범위에서 일어나는 예측 데이터를 출력할 수 있다.

도 4는 일 실시예에 따른 시스템의 제어 블록도이다.

도 4를 참조하면, 시스템(1)은 다양한 장치(20, 30, 40)를 포함하고, 다양한 장치(20, 30, 40)과 통신하는 서버(10)를 포함한다. 도 1에서 전술한 사항과 중복되는 설명은 생략한다.

서버(10)는 통신 네트워크를 통해 데이터를 수집하는 데이터 수집부(11), 시계열 데이터에 포함된 무효 데이터를 유효 데이터로 치환하는 데이터 치환부(12), 치환된 유효 데이터를 포함한 시계열 데이터를 시계열 모델에 입력하고, 시계열 모델로부터 예측 데이터를 출력하는 데이터 예측부(13) 및 예측 데이터에 포함된 일부 데이터를 다시 무효 데이터로 복원하는 데이터 복원부(14)를 포함할 수 있다.

구체적으로 데이터 수집부(11)는 통신 네트워크를 통해 복수 개의 장치(20, 30, 40)로부터 다양한 데이터를 수집할 수 있다. 일 예로 데이터 수집부(11)는 복수 개의 장치(20, 30, 40) 중 적어도 하나의 장치로 시계열 데이터를 요청할 수 있다. 예를 들어 데이터 수집부(11)는 디스플레이 장치(30)로 미리 설정된 기간 동안의 전력 사용량을 요청할 수 있다. 다른 예로, 데이터 수집부(11)는 복수 개의 장치(20, 30, 40)로부터 당일에 소모하는 전력 사용량을 각각 수집한 후, 특정 순서에 기한 시계열 데이터를 생성할 수도 있다. 즉, 데이터 수집부(11)는 글, 유전자, 손 글씨, 음성 신호, 센서가 감지한 데이터, 주가 등 배열의 형태를 갖는 다양한 시계열 데이터를 수집할 수 있다.

데이터 치환부(12)는 시계열 데이터에 포함된 무효 데이터를 판단하고, 무효 데이터를 유효 데이터로 변경한다.

무효 데이터는 시계열 데이터의 목적이나 의도에 비추어 널(Null) 데이터에 해당할 수 있는 특정 데이터를 의미하는 것으로, 반드시 0의 값 뿐만 아니라 미리 설정된 기준 이하의 특정 값도 포함된다.

유효 데이터는 무효 데이터가 대체될 수 있는 의미있는 값으로, 입력되는 시계열 데이터의 평균값, 입력되는 시계열 데이터의 최솟값, 입력되는 시계열 데이터의 최대값, 입력되는 시계열 데이터의 회귀값 또는 입력되는 시계열 데이터 중 적어도 하나로 결정되는 무작위 값 중 적어도 하나를 포함할 수 있다. 즉, 유효 데이터는 시계열 모델이 무시하지 않을 데이터이면 충분하다.

일 예로 (0, 0, 0, 0, 0, 3000, 3200)의 제1 시계열 데이터가 시계열 모델로 입력될 수 있다. 데이터 치환부(12)는 0을 무효 데이터로 선택하고, 0을 3000으로 치환한 (3000. 3000. 3000. 3000. 3000. 3000, 3200)을 시계열 모델에 입력할 수 있다.

데이터 예측부(13)는 시계열 모델에 데이터 치환부(12)가 변경한 시계열 데이터를 입력하고, 예측 데이터를 출력한다. 데이터 예측부(13)가 선택하는 시계열 모델은 Prophet, ARIMA, RNN, LSTM, Seq2Seq중 적어도 하나를 포함할 수 있다. 즉, 개시된 시계열 데이터 예측 방법은 시계열 모델의 변경이 아니라, 사전에 입력되는 시계열 데이터를 가공함으로써, 예측 데이터의 정확성을 향상시킨다.

유효 데이터가 포함된 시계열 데이터가 입력되는 시계열 모델은 무효 데이터를 출력하지 않을 수 있다. 데이터 복원부(14)는 미리 설정된 기준에 기초하여 0과 같은 무효 데이터를 삽입시킴으로써, 사용자가 허용 가능한 범위 내의 예측 데이터를 출력할 수 있다.

데이터 복원부(14)는 데이터 예측부(13)가 출력한 예측 데이터 중 일부의 예측 데이터를 무효 데이터로 복원한다.

일 예로 데이터 복원부(14)는 입력되는 시계열 데이터에서 파악된 스퀀스 위치에 해당하는 예측 데이터를 무효 데이터로 다시 치환한다. 즉, 데이터 복원부(14)는 무효 데이터가 치환되기 전의 시계열 데이터에 포함된 무효 데이터의 주기에 기초하여 데이터를 복원시킬 수 있다.

데이터 복원부(14)는 치환된 무효 데이터의 개수에 기초한 확률 분포를 통해 무효 데이터를 포함한 예측 데이터를 복원할 수 있다. 예를 들어 데이터 복원부(14)는 무효 데이터의 개수에 따른 경험적 확률을 계산한다. 데이터 복원부(14)는 시계열적으로 출력되는 예측 데이터 중 각각의 시퀀스에서 산출된 확률에 따라 이항 분포, 음이항 분포 또는 기하 분포와 같은 분포도를 통해 복원할 시퀀스를 결정하고, 무효 데이터가 예측 데이터 내에서 복원될 수 있도록 할 수도 있다.

만약 제1 시계열 데이터로, (0, 0, 0, 0, 0, 3000, 3100)가 시계열 모델에 입력되면, 예측 데이터는 (3100, 3100, 3100, 3100, 3100, 3300)이 출력될 수 있고, 데이터 복원부(14)는 3100을 제1 시계열 데이터의 주기(5)에 기초하여 (0, 0, 0, 0, 0, 3100, 3300)을 예측 데이터로 복원할 수 있다.

서버(10)의 각 구성으로 도시된 데이터 수집부(11), 데이터 치환부(12), 데이터 예측부(13) 및 데이터 복원부(14)는 시계열 데이터 예측 방법에 대한 설명의 편의를 위한 것이다. 예를 들어 서버(10)는 복수 개의 프로세서와 메모리를 포함할 수 있고, 각 구성의 역할을 복수 개의 프로세서가 분할 또는 통합적으로 수행할 수도 있다.

한편, 반드시 개시된 시계열 데이터 예측 방법이 서버(10)에서만 수행되는 것은 아니다. 후술하는 공조 장치(20), 디스플레이 장치(30) 및 세탁기(40)도 시계열 데이터 및 시계열 모델을 저정하고, 예측 데이터를 출력할 수도 있다. 이를 위해서 공조 장치(20), 디스플레이 장치(30) 및 세탁기(40)도 프로세서(21, 31, 41) 및 메모리(22, 32, 42)를 각각 포함할 수 있다.

구체적으로 공조 장치(20)는 시계열 데이터 및 세계열 모델을 저장하는 메모리(22)와 시계열 데이터에 포함된 무효 데이터를 미리 설정된 유효 데이터로 치환하고, 유효 데이터가 포함된 시계열 데이터를 상기 시계열 모델에 입력하고, 시계열 모델에 통해 미리 설정된 개수 이상의 예측 데이터를 출력하는 프로세서(21)를 포함할 수 있다.

프로세서(21)는 공조 장치(20) 내에 마련된 유선 또는 무선 통신 모듈(미도시)을 통해 서버(10)와 수신하고, 서버(10)가 학습시킨 시계열 모델이나 서버(10)가 출력한 예측 데이터를 수신할 수도 있다.

프로세서(21)는 공조 장치(20)내 전반적인 동작을 제어하는 메인 컨트롤러일 수 있으며, 구성요소들의 동작을 제어하기 위한 알고리즘 또는 알고리즘을 재현한 프로그램을 이용한다. 메모리(22)는 명령어 형태로 프로그램을 저장하고, 프로세서(21)는 명령어를 실행시킴으로써, 전술한 동작을 수행할 수도 있다. 한편, 메모리(22)와 프로세서(21)는 각각 별개의 칩으로 구현될 수 있다. 또는, 메모리(22)와 프로세서(21)는 단일 칩으로 구현될 수도 있다.

디스플레이 장치(30)도 전술한 동작을 수행하는 프로세서(31) 및 메모리(32)를 포함하고, 세탁기(40)도 전술한 동작을 수행하는 프로세서(41) 및 메모리(42)를 포함한다. 즉, 개시된 시계열 데이터 예측 방법을 수행할 수 있는 장치는 시계열 데이터를 수집할 수 있는 다양한 장치를 모두 포함할 수 있으며, 장치의 종류에는 제한이 없다.

도 5는 일 실시예에 따른 시계열 데이터 예측 방법을 포함한 장치의 동작에 관한 순서도이다.

도 5를 참조하면, 시계열 데이터 예측 방법을 포함하는 장치는, 시계열 모델을 학습 또는 학습된 시계열 모델을 저장한다(100).

시계열 모델은 다양한 시계열 데이터를 처리하고, 이를 통해 예측 데이터를 출력하는 기계학습이면 충분하다. 따라서 장치는 학습 또는 학습된 시계열 모델을 저장하고 있는 다양한 장치를 포함할 수 있다.

장치는 시계열 데이터를 수집한다(110).

시계열 데이터의 종류 또한 다양할 수 있다. 전술한 실시예는 전력 사용량을 주요 실시예로 설명하였지만, 반드시 이에 한정되는 것은 아니다.

장치는 무효 데이터가 존재하는지 여부를 판단한다(120).

무효 데이터는 시계열 데이터 내에 포함된 무의미한 수치에 해당할 수 있다. 전력 사용량의 경우, 0W를 예시로 들고 있으나 반드시 이에 제한되는 것은 아니며, 미리 설정된 기준 이하의 다양한 데이터를 포함할 수 있다.

만약 무효 데이터가 존재하면(120의 예), 장치는 무효 데이터를 유효 데이터로 치환한다(121).

유효 데이터는 시계열 데이터의 평균값, 시계열 데이터의 최솟값, 시계열 데이터의 최대값, 시계열 데이터의 회귀값 또는 시계열 데이터 중 적어도 하나로 결정되는 무작위 값 중 적어도 하나를 포함할 수 있으며, 이 외에도 다양한 데이터를 포함할 수 있다.

만약 무효 데이터가 존재하지 않거나(120의 아니오), 무효 데이터가 치환되면, 장치는 시계열 데이터를 시계열 모델에 입력한다(130).

시계열 모델은 예측 데이터를 출력한다(140). 장치는 치환 이력이 존재하는지 여부를 판단한다(150).

전술한 바와 같이, 시계열 데이터에 무효 데이터가 포함된 것으로 판단하고, 장치는 무효 데이터를 유효 데이터로 치환한 것을 확인할 수 있다. 만약 치환 이력이 존재하면(150의 예), 장치는 출력된 예측 데이터 중 일부를 무효 데이터로 복원한다(151).

구체적으로 장치는 시계열 데이터에 포함된 무효 데이터가 포함된 주기 또는 무효 데이터의 개수에 기초한 확률 분포를 통해 예측 데이터의 일부를 무효 데이터로 복원할 수 있다.

장치는 치환 이력이 존재하지 않으면(150의 아니오), 무효 데이터의 복원 없이 출력된 예측 데이터를 최종적인 예측 데이터로 획득한다(160).

또한, 장치는 무효 데이터로 복원된 예측 데이터를 최종적인 예측 데이터 획득할 수 있다(160).

도 6은 다른 실시예에 따른 시계열 데이터 예측 방법의 효과를 향상시키는 방법에 관한 순서도이다.

개시된 시계열 데이터 예측 방법은 제2 시계열 데이터의 예측 데이터를 출력하기 전, 제1 시계열 데이터를 통해 시계열 데이터 예측의 효과를 검토할 수 있다. 여기서 제1 시계열 데이터는 미리 설정된 기간 동안 수집된 전력 사용량에 대한 시계열 데이터일 수 있다. 제2 시계열 데이터는 미리 설정된 기간 이후의 특정 기간 동안 수집된 전력 사용량에 대한 시계열 데이터를 의미한다.

장치는 무효 데이터를 포함한 제1 시계열 데이터를 수집한다(200). 장치는 무효 데이터를 유효 데이터로 치환하고(210), 유효 데이터가 포함된 제1 시계열 데이터를 시계열 모델에 입력하고(220), 시계열 모델이 예측 데이터를 출력하고(230), 예측 데이터에 포함된 데이터를 무효 데이터로 복원한다(240).

장치는 복원된 무효 데이터가 포함된 예측 데이터를 기준 데이터와 비교한다(250).

여기서 기준 데이터는 사용자가 정상적인 범위라고 인정할 수 있는 예측 데이터의 표준이 되는 데이터를 의미한다.

예를 들어 제1 시계열 데이터가 전력 사용량에 관한 것이면, 기준 데이터는 전년도 전력 사용량을 포함한 시계열 데이터일 수 있다. 만약 제1 시계열 데이터가 2019년 08월 01일부터 2019년 08월 30일까지의 전력 사용량에 대한 데이터이면, 전년도 전력 사용량은 2018년 08월 01일부터 2018년 08월 30일까지의 전력 사용량이고, 기준 데이터가 될 수 있다. 즉, 장치는 예측 데이터의 정확성을 판단하기 위해서 기준 데이터를 참조할 수 있다.

만약 기준 데이터와 예측 데이터의 유사도가 미리 설정된 기준값 이상이면(260의 예), 장치는 제2 시계열 데이터의 무효 데이터를 치환하고, 유효 데이터가 포함된 제2 시계열 데이터를 시계열 모델에 입력시킨다(270).

개시된 다른 실시예에 따른 장치는 제1 시계열 데이터를 개시된 시계열 데이터 예측 방법에 적용한 후, 적용 결과를 기준 데이터와 비교한다. 비교 결과가 우위에 있는 경우, 장치는 다음 시계열 데이터의 처리에 개시된 시계열 데이터 예측 방법을 적용시킨다.

그러나 만약 기준 데이터와 예측 데이터의 유사도가 미리 설정된 기준값 미만이면(260의 아니오), 장치는 제2 시계열 데이터의 무효 데이터를 치환하지 않고, 시계열 모델에 제2 시계열 데이터를 입력시킨다.

즉, 장치는 개시된 시계열 데이터 예측 방법이 입력되는 시계열 데이터의 예측에 정확성이 떨어진다고 판단할 수 있으며, 추가적인 데이터 입력에서 개시된 시계열 데이터 예측 방법의 적용 여부를 결정할 수도 있다.

도 7은 도 6의 실시예의 변형례에 관한 순서도이다.

개시된 시계열 데이터 예측 방법은 도 6과 같이 제2 시계열 데이터의 예측 데이터를 출력하기 전, 제1 시계열 데이터를 통해 시계열 데이터 예측의 효과를 검토할 수 있다.

장치는 무효 데이터를 포함한 제1 시계열 데이터를 수집한다(300).

개시된 시계열 데이터 예측 방법을 포함하는 장치는 무효 데이터가 포함된 제1 시계열 데이터를 유효 데이터로 치환하지 않고, 시계열 모델에 입력한다(310). 무효 데이터를 포함한 제1 시계열 데이터에 기초하여 시계열 모델은 제1 예측 데이터를 출력한다(311).

또한, 장치는 도 5와 마찬가지로 무효 데이터가 포함된 제1 시계열 데이터를 유효 데이터로 치환하고, 치환된 유효 데이터를 포함한 제1 시계열 데이터를 시계열 모델에 입력한다(320). 유효 데이터를 포함한 제1 시계열 데이터에 기초하여 시계열 모델은 제2 예측 데이터를 출력한다(321).

장치는 제1 예측 데이터와 제2 예측 데이터를 기준 데이터와 비교한다(330). 또한, 장치는 제2 시계열 데이터를 수집한다(340).

단계 330과 단계 340이 반드시 순서에 구속되어 수행되지 않을 수 있다.

장치는 제1 예측 데이터와 기준 데이터의 유사도 및 제2 예측 데이터와 기준 데이터의 유사도를 비교한다(350).

만약 제1 예측 데이터의 유사도가 제2 예측 데이터의 유사도보다 크면(350의 예), 제2 시계열 데이터를 시계열 모델에 입력한다(360).

제1 예측 데이터가 기준 데이터와 유사하다면, 무효 데이터를 치환하는 개시된 시계열 데이터 예측 방법의 정확성이 낮아지는 것을 의미한다. 개시된 시계열 데이터 예측 방법은 무효 데이터의 치환 없이, 제2 시계열 데이터를 시계열 모델에 입력하여 예측 결과의 효과를 높일 수 있다.

만약 제2 예측 데이터의 유사도가 제1 예측 데이터의 유사도보다 크면(350의 아니오), 제2 시계열 데이터의 무효 데이터를 유효 데이터로 치환한다(370).

장치는 치환된 유효 데이터를 포함한 제2 시계열 데이터를 시계열 모델에 입력한다(380).

즉, 개시된 시계열 데이터 예측 방법은, 무효 데이터의 치환여부에 대한 효과를 고려하고, 효과가 입증되는 것이 확인되면, 제2 시계열 데이터의 예측에도 무효 데이터의 치환 여부를 적용함으로써, 예측의 효과를 향상시킬 수 있다.

1: 시스템 10: 서버
20: 공조장치 30: 디스플레이 장치
40: 세탁기

Claims

시계열 모델을 저장하고;
시계열 데이터를 상기 시계열 모델에 입력하고;
상기 시계열 모델이 미리 설정된 개수 이상의 예측 데이터를 출력하는 것;을 포함하고,
상기 입력하는 것은,
상기 시계열 데이터에 포함된 무효 데이터를 미리 설정된 유효 데이터로 치환하고, 상기 유효 데이터가 포함된 시계열 데이터를 상기 시계열 모델에 입력하는 것;을 포함하는 시계열 데이터 예측 방법 .
제 1항에 있어서,
상기 시계열 모델에서 출력되는 복수 개의 예측 데이터 중 상기 유효 데이터로 치환된 예측 데이터를 상기 무효 데이터로 복원하는 것;을 더 포함하는 시계열 데이터 예측 방법.
제 2항에 있어서,
상기 복원하는 것은,
상기 시계열 데이터에서 무효 데이터가 포함된 주기에 기초하여 상기 시계열 모델에서 출력되는 복수 개의 예측 데이터 중 일부의 예측 데이터를 상기 무효 데이터로 복원하는 것;을 포함하는 시계열 데이터 예측 방법.
제 2항에 있어서,
상기 복원하는 것은,
상기 시계열 데이터에 포함된 무효 데이터의 개수에 기초한 확률 분포를 통해 상기 시계열 모델에서 출력되는 복수 개의 예측 데이터 중 일부의 예측 데이터를 무효 데이터로 복원하는 것;을 포함하는 시계열 데이터 예측 방법.
제 1항에 있어서,
상기 유효 데이터를 포함한 제1 시계열 데이터에 기초한 상기 예측 데이터를 기준 데이터와 비교하고, 상기 비교 결과에 기초하여 제2 시계열 데이터에 포함된 무효 데이터의 치환 여부를 결정하는 것;을 더 포함하는 시계열 데이터 예측 방법.
제 1항에 있어서,
상기 무효 데이터를 포함한 시계열 데이터에 기초한 제1 예측 데이터 및 상기 유효 데이터가 포함된 시계열 데이터에 기초한 제2 예측 데이터를 비교하는 것;을 더 포함하는 시계열 데이터 예측 방법.
제 6항에 있어서,
기준 데이터를 상기 제1 예측 데이터 또는 상기 제2 예측 데이터와 비교하고, 상기 비교 결과에 기초하여 유효 데이터의 치환 여부를 결정하는 것;을 포함하는 시계열 데이터 예측 방법.
제 1항에 있어서,
상기 유효 데이터는,
상기 시계열 데이터의 평균값, 상기 시계열 데이터의 최솟값, 상기 시계열 데이터의 최대값, 상기 시계열 데이터의 회귀값 또는 상기 시계열 데이터 중 적어도 하나로 결정되는 무작위 값 중 적어도 하나를 포함하는 시계열 데이터 예측 방법.
제 1항에 있어서,
상기 시계열 모델은,
Prophet, ARIMA(Autoregressive Integrated Moving Average), RNN(Recurrent Neural Networks), LSTM(Long Short-Term Memory models), Seq2Seq(Sequence-to-Sequence) 중 적어도 하나를 포함하는 시계열 데이터 예측 방법.
시계열 모델 및 시계열 데이터를 저장하는 메모리; 및
상기 시계열 데이터에 포함된 무효 데이터를 미리 설정된 유효 데이터로 치환하고,
상기 유효 데이터가 포함된 시계열 데이터를 상기 시계열 모델에 입력하고,
상기 시계열 모델에 통해 미리 설정된 개수 이상의 예측 데이터를 출력하는 프로세서;를 포함하는 장치.
제 10항에 있어서,
상기 프로세서는,
상기 시계열 모델에서 출력되는 복수 개의 예측 데이터 중 상기 유효 데이터로 치환된 예측 데이터를 상기 무효 데이터로 복원하는 장치.
제 11항에 있어서,
상기 프로세서는,
시계열 데이터에 포함된 상기 무효 데이터의 주기에 기초하여 상기 시계열 모델에서 출력되는 복수 개의 예측 데이터 중 일부의 예측 데이터를 상기 무효 데이터로 복원하는 장치.
제 11항에 있어서,
상기 프로세서는,
상기 시계열 데이터에 포함된 무효 데이터의 개수에 기초한 확률 분포를 통해 상기 시계열 모델에서 출력되는 복수 개의 예측 데이터 중 일부의 예측 데이터를 무효 데이터로 복원하는 장치.
제 10항에 있어서,
상기 프로세서는,
상기 무효 데이터를 포함한 제1 시계열 데이터에 기초한 제1 예측 데이터 및 상기 유효 데이터가 포함된 제1 시계열 데이터에 기초한 제2 예측 데이터를 비교하는 장치.
제 14항에 있어서,
상기 프로세서는,
기준 데이터를 상기 제1 예측 데이터 또는 상기 제2 예측 데이터와 비교하고, 상기 비교 결과에 기초하여 유효 데이터의 치환 여부를 결정하는 장치.
제 15항에 있어서,
상기 프로세서는,
상기 제1 예측 데이터보다 상기 제2 예측 데이터가 상기 기준 데이터와 유사하면, 제2 시계열 데이터의 무효 데이터를 상기 유효 데이터로 치환하고, 치환된 유효 데이터가 포함된 제2 시계열 데이터를 상기 시계열 모델에 입력하는 프로세서.
전력 사용량을 수집하는 공조 장치; 및
상기 공조 장치와 통신을 수행하는 서버;를 포함하고,
상기 서버는,
상기 공조 장치로부터 미리 설정된 기간 동안 상기 전력 사용량을 포함한 시계열 데이터를 수집하고,
상기 시계열 데이터에 포함된 무효 데이터를 미리 설정된 유효 데이터로 치환하고,
상기 유효 데이터가 포함된 시계열 데이터를 시계열 모델에 입력하고,
상기 시계열 모델에 통해 미리 설정된 개수 이상의 예측 데이터를 출력하고,
상기 출력된 예측 데이터를 상기 공조 장치에 전송하는 시스템.
제 17항에 있어서,
상기 서버는,
상기 예측 데이터를 전년도 전력 사용량과 비교하고, 상기 비교 결과에 기초하여 상기 유효 데이터의 치환 여부를 결정하는 시스템.
제 18항에 있어서,
상기 서버는,
상기 예측 데이터가 상기 전년도 사용량과 유사하면, 추가적으로 전송되는 전력 사용량에 포함된 무효 데이터를 상기 유효 데이터로 치환하고, 상기 치환된 유효 데이터가 포함된 시계열 데이터를 상기 시계열 모델에 입력하는 시스템.
제 17항에 있어서,
상기 공조 장치는,
상기 서버로부터 수신된 예측 데이터를 기초로 동작하는 시스템.