KR20210115832A - 시계열 데이터 예측 모델 학습 방법 및 장치, 그리고 이를 이용한 시계열 데이터 예측 장치 - Google Patents

시계열 데이터 예측 모델 학습 방법 및 장치, 그리고 이를 이용한 시계열 데이터 예측 장치 Download PDF

Info

Publication number
KR20210115832A
KR20210115832A KR1020200032166A KR20200032166A KR20210115832A KR 20210115832 A KR20210115832 A KR 20210115832A KR 1020200032166 A KR1020200032166 A KR 1020200032166A KR 20200032166 A KR20200032166 A KR 20200032166A KR 20210115832 A KR20210115832 A KR 20210115832A
Authority
KR
South Korea
Prior art keywords
data
time series
generative adversarial
neural network
discriminator
Prior art date
Application number
KR1020200032166A
Other languages
English (en)
Inventor
최승한
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020200032166A priority Critical patent/KR20210115832A/ko
Publication of KR20210115832A publication Critical patent/KR20210115832A/ko

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Neurology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

시계열 데이터 예측 모델 학습 방법 및 장치, 그리고 이를 이용한 시계열 데이터 예측 장치가 개시된다. 상기 시계열 데이터 예측 모델 학습 방법 및 장치, 그리고 이를 이용한 시계열 데이터 예측 장치는 생산적 적대 신경망을 이용하여 제1 가상 데이터를 생성하고, 기하 브라운 운동 모델에 상기 제1 가상 데이터를 적용함으로써 복수의 제2 가상 데이터들을 생성하며, 생성된 복수의 제2 가상 데이터들 및 적어도 하나의 실제 데이터를 이용하여 시계열 데이터 예측 모델을 학습함으로써, 학습된 시계열 데이터 예측 모델을 바탕으로, 고정밀 및 고정확한 시계열 예측 데이터의 추출이 가능한 시계열 데이터 예측 모델 학습 방법 및 장치, 그리고 이를 이용한 시계열 데이터 예측 장치를 제공할 수 있다.

Description

시계열 데이터 예측 모델 학습 방법 및 장치, 그리고 이를 이용한 시계열 데이터 예측 장치{METHOD AND APPARATUS FOR LEARNING PREDICTIVE MODEL AND APPARATUS FOR PREDICTING TIME SERIES DATA}
본 발명은 시계열 데이터 예측 모델 학습 방법 및 장치, 그리고 이를 이용한 시계열 데이터 예측 장치에 관한 것으로, 예측 정확도가 높은 시계열 데이터를 획득하기 위한 시계열 데이터 예측 모델 학습 방법 및 장치, 그리고 이를 이용한 시계열 데이터 예측 장치에 관한 것이다.
최근, 세계적으로 인구의 집중 및 기반 시설의 노화에 의해, 교통, 에너지, 환경 등 다양한 분야에서 자원 및 인프라 부족, 교통 혼잡, 에너지 부족 등의 다양한 도시 문제가 발생되고 있다. 이에 종래에는 이를 해결하기 위한 방법으로, 정보통신기술(Information & Communication Technology, ICT) 기술, 빅데이터(Big Data) 및 인공지능(Artificial Intelligence, AI)를 활용한 스마트시티(Smart City) 연구에 주목하고 있다.
예를 들어, 현재 스마트시티 기술 사업으로는 교통, 에너지, 환경 등의 분야에서 생성되는 데이터를 수집 및 분석하고, 분석된 데이터를 활용하여 예측 모델을 생성하며, 생성된 예측 모델로부터 출력된 미래 데이터를 바탕으로, 미래에 발생할 수 있는 상황을 분석 및 예측하여 도시 문제를 해결하는 연구가 진행되고 있다.
이때, 도시에서 수집되는 데이터의 대부분은 시간 함수와 연관된 다량의 시계열 데이터로 제공된다.
종래에는 시계열 데이터를 예측하기 위해, 과거의 관측 자료를 분석하여 규칙성을 발견하고, 이러한 규칙성이 미래에도 변하지 않고 계속될 것이라는 가정 하에 이를 모형화하여 추정하였다. 예를 들어, 종래의 추청 모형으로는 추정된 모형을 이용하여 미래의 시계열을 예측한 자귀회귀모형(Autoregressive Model, AR), 시계열자료가 연속적인 오차항 들의 영향을 받는다는 가정으로 예측 모형을 추정하는 이동평균모형(Moving Average model, MA) 및 과거의 시계열자료 값들과 과거의 오차값들 모두의 영향을 받는다고 할 수도 있다는 가정으로 예측 모형을 추정하는 자기회귀이동평균모형(Autoregressive-Moving Average model, ARMA) 등이 있다.
한편, 최근에는 시계열 데이터의 예측 방법으로, 서포트 벡터 머신(support vector machine, SVM), 랜덤 포레스트(random forest, RF), 그래디언트 부스팅 회귀 트리(gradient boosting regression tree, GBRT), 심층신경망(deep neural networks, DNN), LSTM(long short term memory networks) 등과 같은 기계 학습 기반의 시계열 데이터 예측 방법이 연구되고 있다.
이러한 기계 학습 기반의 시계열 예측 방법은, 연구 결과, 종래의 자귀회귀모형(AR), 이동평균모형(MA) 및 자기회귀이동평균모형(ARMA)보다 우수한 예측 정확도를 보이는 것으로 확인되고 있다.
기계 학습 기반의 시계열 데이터 예측 방법을 이용할 경우, 예측 정확도를 향상시키기 위해서는 고품질의 다량의 데이터 및 적정 개수의 특징값(Features)이 필요하다.
일반적으로 예측 모델의 예측 정확도를 높이기 위해서는 다량의 데이터를 학습하여 특징값을 증가시켜야 한다. 그러나, 특징값의 수가 증가할 경우, 이를 학습하고 예측하는데 장시간이 소요되는 문제가 있다.
또한, 딥러닝(Deep-Learning) 기계 학습 방법의 경우, 학습을 위한 가중치가 대부분 랜덤값으로 초기화되기 때문에, 일정 수준의 예측 정확도를 획득하기 까지의 가중치 계산에 다량의 데이터가 소요되는 단점이 있다.
상기와 같은 문제점을 해결하기 위한 본 발명의 목적은 고정확, 고효율 및 고속의 시계열 데이터 예측을 위한 예측 모델 학습 방법을 제공하는 데 있다.
또한, 상기와 같은 문제점을 해결하기 위한 본 발명의 다른 목적은 고정확, 고효율 및 고속의 시계열 데이터 예측을 위한 예측 모델 학습 장치를 제공하는 데 있다.
또한, 상기와 같은 문제점을 해결하기 위한 본 발명의 또다른 목적은 고정확, 고효율 및 고속의 시계열 데이터 예측 장치를 제공하는 데 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따라 시계열 데이터 예측을 위한 예측 모델 학습 방법은, 생성적 적대 신경망(Generative Adversarial Network, GAN)을 이용하여 제1 가상 데이터를 생성하는 단계, 상기 제1 가상 데이터를 기하 브라운 운동(Geometric Brownian Motion) 모델에 입력하여 제2 가상 데이터를 생성하는 단계, 상기 제2 가상 데이터를 이용하여 시계열 예측 모델을 학습시키는 단계 및 실제 데이터를 이용하여 상기 시계열 예측 모델을 학습시키는 단계를 포함한다.
여기서, 상기 제1 가상 데이터를 생성하는 단계는, 상기 생성적 적대 신경망으로 하여금 제1 데이터 및 제2 데이터를 이용하여 구별자(Discriminator)를 학습하도록 하는 단계, 상기 생성적 적대 신경망으로 하여금 상기 구별자의 학습을 중단하도록 하는 단계, 상기 생성적 적대 신경망으로 하여금 초기값을 이용하여 생성자를 학습하도록 하는 단계 및 상기 생성적 적대 신경망으로 하여금 상기 생성자를 이용하여 상기 제1 가상 데이터를 생성하도록 하는 단계를 포함할 수 있다.
이때, 상기 구별자는, 상기 생성적 적대 신경망으로 하여금 상기 제1 데이터를 실제 데이터로 판정하고, 상기 제2 데이터를 거짓 데이터로 판정하도록 학습될 수 있다.
한편, 상기 생성자를 학습하도록 하는 단계는, 상기 생성적 적대 신경망으로 하여금 상기 생성자가 초기값을 입력 받아 출력 데이터를 획득하도록 하는 단계, 상기 생성적 적대 신경망으로 하여금 상기 생성자가 상기 출력 데이터를 상기 구별자로 송신하도록 하는 단계, 상기 생성적 적대 신경망으로 하여금 상기 구별자가 상기 출력 데이터를 실제 데이터인지 판정하도록 하는 단계 및 상기 구별자가 상기 출력 데이터를 실제 데이터로 판정할 경우, 상기 생성적 적대 신경망으로 하여금 상기 생성자의 학습을 종료시키도록 하는 단계를 포함할 수 있다.
이때, 상기 구별자가 상기 출력 데이터를 실제 데이터로 판정하지 않을 경우에는, 상기 생성적 적대 신경망으로 하여금, 상기 생성자가 초기값을 입력 받아 출력 데이터를 획득하도록 하는 단계, 상기 생성자가 상기 출력 데이터를 상기 구별자로 송신하도록 하는 단계 및 상기 구별자가 상기 출력 데이터를 실제 데이터인지 판정하도록 하는 단계를 재수행하도록 할 수 있다.
또한, 상기 제2 가상 데이터를 생성하도록 하는 단계에서, 상기 제1 가상 데이터는 상기 기하 브라운 운동 모델의 가중치에 입력될 수 있다.
상기 시계열 데이터 예측 모델은 LSTM(Long Short Term Memory networks) 기반의 학습 모델일 수 있다.
또한, 상기 실제 데이터에 의해 학습된 상기 시계열 데이터 예측 모델은 시계열 예측 데이터 예측에 적용될 수 있다.
상기 목적을 달성하기 위한 본 발명의 다른 실시예에 따른 시계열 데이터 예측을 위한 예측 모델 학습 장치는, 메모리(memory) 및 상기 메모리에 저장된 적어도 하나의 명령을 실행하는 프로세서(processor)를 포함하되, 상기 적어도 하나의 명령은, 생성적 적대 신경망(Generative Adversarial Network, GAN)을 이용하여 제1 가상 데이터를 생성하도록 하는 명령, 상기 제1 가상 데이터를 기하 브라운 운동(Geometric Brownian Motion) 모델에 입력하여 제2 가상 데이터를 생성하도록 하는 명령, 상기 제2 가상 데이터를 이용하여 시계열 예측 모델을 학습시키도록 하는 명령 및 실제 데이터를 이용하여 상기 시계열 예측 모델을 학습시키도록 하는 명령을 포함한다.
이때, 상기 제1 가상 데이터를 생성하도록 하는 명령은, 상기 생성적 적대 신경망으로 하여금 제1 데이터 및 제2 데이터를 이용하여 구별자(Discriminator)를 학습하도록 하는 명령, 상기 생성적 적대 신경망으로 하여금 상기 구별자의 학습을 중단하도록 하는 명령, 상기 생성적 적대 신경망으로 하여금 초기값을 이용하여 생성자를 학습하도록 하는 명령 및 상기 생성적 적대 신경망으로 하여금 상기 생성자를 이용하여 상기 제1 가상 데이터를 생성하도록 하는 명령을 포함할 수 있다.
여기서, 상기 구별자는, 상기 생성적 적대 신경망으로 하여금 상기 제1 데이터를 실제 데이터로 판정하고, 상기 제2 데이터를 거짓 데이터로 판정하도록 학습될 수 있다.
한편, 상기 생성자를 학습하도록 하는 명령은, 상기 생성적 적대 신경망으로 하여금 상기 생성자가 초기값을 입력 받아 출력 데이터를 획득하도록 하는 명령, 상기 생성적 적대 신경망으로 하여금 상기 생성자가 상기 출력 데이터를 상기 구별자로 송신하도록 하는 명령, 상기 생성적 적대 신경망으로 하여금 상기 구별자가 상기 출력 데이터를 실제 데이터인지 판정하도록 하는 명령 및 상기 구별자가 상기 출력 데이터를 실제 데이터로 판정할 경우, 상기 생성적 적대 신경망으로 하여금 상기 생성자의 학습을 종료시키도록 하는 명령을 포함할 수 있다.
이때, 상기 구별자가 상기 출력 데이터를 실제 데이터로 판정하지 않을 경우에는, 상기 생성적 적대 신경망으로 하여금, 상기 생성자가 초기값을 입력 받아 출력 데이터를 획득하도록 하는 명령, 상기 생성자가 상기 출력 데이터를 상기 구별자로 송신하도록 하는 명령 및 상기 구별자가 상기 출력 데이터를 실제 데이터인지 판정하도록 하는 명령을 재수행하도록 할 수 있다.
또한, 상기 제2 가상 데이터를 생성하는 단계에서, 상기 제1 가상 데이터는 상기 기하 브라운 운동 모델의 가중치에 입력될 수 있다.
상기 시계열 데이터 예측 모델은 LSTM(Long Short Term Memory networks) 기반의 학습 모델일 수 있다.
또한, 상기 실제 데이터에 의해 학습된 상기 시계열 데이터 예측 모델은 시계열 데이터 예측에 적용될 수 있다.
상기 목적을 달성하기 위한 본 발명의 또다른 실시예에 따른 시계열 데이터 예측 장치는, 메모리(memory) 및 상기 메모리에 저장된 적어도 하나의 명령을 실행하는 프로세서(processor)를 포함하되, 상기 적어도 하나의 명령은, 생성적 적대 신경망(Generative Adversarial Network, GAN)을 이용하여 제1 가상 데이터를 생성하도록 하는 명령, 상기 제1 가상 데이터를 기하 브라운 운동(Geometric Brownian Motion) 모델에 입력하여 제2 가상 데이터를 생성하도록 하는 명령, 상기 제2 가상 데이터를 이용하여 시계열 예측 모델을 학습시키도록 하는 명령, 실제 데이터를 이용하여 상기 시계열 예측 모델을 학습시키도록 하는 명령 및 상기 시계열 예측 모델을 이용하여, 시계열 예측 데이터를 생성하도록 하는 명령을 포함한다.
여기서, 상기 제1 가상 데이터를 생성하도록 하는 명령은, 상기 생성적 적대 신경망으로 하여금 제1 데이터 및 제2 데이터를 이용하여 구별자(Discriminator)를 학습하도록 하는 명령, 상기 생성적 적대 신경망으로 하여금 상기 구별자의 학습을 중단하도록 하는 명령, 상기 생성적 적대 신경망으로 하여금 초기값을 이용하여 생성자를 학습하도록 하는 명령 및 상기 생성적 적대 신경망으로 하여금 상기 생성자를 이용하여 상기 제1 가상 데이터를 생성하도록 하는 명령을 포함할 수 있다.
이때, 상기 구별자는, 상기 생성적 적대 신경망으로 하여금 상기 제1 데이터를 실제 데이터로 판정하고, 상기 제2 데이터를 거짓 데이터로 판정하도록 학습할 수 있다.
한편, 상기 생성자를 학습하도록 하는 명령은, 상기 생성적 적대 신경망으로 하여금 상기 생성자가 초기값을 입력 받아 출력 데이터를 획득하도록 하는 명령, 상기 생성적 적대 신경망으로 하여금 상기 생성자가 상기 출력 데이터를 상기 구별자로 송신하도록 하는 명령, 상기 생성적 적대 신경망으로 하여금 상기 구별자가 상기 출력 데이터를 실제 데이터인지 판정하도록 하는 명령 및 상기 구별자가 상기 출력 데이터를 실제 데이터로 판정할 경우, 상기 생성적 적대 신경망으로 하여금 상기 생성자의 학습을 종료시키도록 하는 명령을 포함할 수 있다.
본 발명의 실시예들에 따른 시계열 데이터 예측 모델 학습 방법 및 장치, 그리고 이를 이용한 시계열 데이터 예측 장치는, 생산적 적대 신경망을 이용하여 제1 가상 데이터를 생성하고, 기하 브라운 운동 모델에 상기 제1 가상 데이터를 적용함으로써 복수의 제2 가상 데이터들을 생성하며, 생성된 복수의 제2 가상 데이터들 및 적어도 하나의 실제 데이터를 이용하여 시계열 데이터 예측 모델을 학습함으로써, 학습된 시계열 데이터 예측 모델을 바탕으로, 고정밀 및 고정확한 시계열 예측 데이터의 추출이 가능한 시계열 데이터 예측 모델 학습 방법 및 장치, 그리고 이를 이용한 시계열 데이터 예측 장치를 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 시계열 데이터 예측 장치의 블록 구성도이다.
도 2는 본 발명의 다른 실시예에 따른 시계열 데이터 예측 방법의 순서도이다.
도 3은 본 발명의 다른 실시예에 따른 시계열 데이터 예측 방법 중 생성적 적대 신경망을 설명하기 위한 블록 구성도이다.
도 4는 본 발명의 다른 실시예에 따른 시계열 데이터 예측 방법 중 제1 가상 데이터를 생성하는 단계를 설명하기 위한 순서도이다.
도 5는 본 발명의 다른 실시예에 따른 시계열 데이터 예측 방법 중 시계열 데이터 예측 모델을 설명하기 위한 블록 이미지이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는 데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. "및/또는"이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 본 발명을 설명함에 있어 전체적인 이해를 용이하게 하기 위하여 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
도 1은 본 발명의 일 실시예에 따른 시계열 데이터 예측 장치의 블록 구성도이다.
도 1을 참조하면, 시계열 데이터 예측 장치는 시계열 예측 모델을 제공하여 시계열 데이터를 예측할 수 있다. 다시 말하면, 시계열 데이터 예측 장치는 시계열 예측 데이터를 생성할 수 있다.
보다 구체적으로 설명하면, 시계열 데이터 예측 장치(1000)는 적어도 하나의 명령을 저장하는 메모리(100), 상기 메모리의 적어도 하나의 명령을 실행하는 프로세서(200) 및 상기 프로세서(200)를 통해 실행되는 네트워크와 연결되어 통신을 수행하는 송수신 장치(300)를 포함할 수 있다.
또한, 시계열 데이터 예측 장치(1000)는 상기 프로세서(200)를 통해 실행되는 네트워크와 연결되어 통신을 수행하는 송수신 장치(300), 입력 인터페이스 장치(400), 출력 인터페이스 장치(500), 저장 장치(600) 등을 더 포함할 수 있다.
시계열 데이터 예측 장치(1000)에 포함된 각각의 구성 요소들은 버스(bus, 700)에 의해 연결되어 서로 통신을 수행할 수 있다.
프로세서(200)는 메모리(100) 및 저장 장치(600) 중에서 적어도 하나에 저장된 프로그램 명령(program command)을 실행할 수 있다.
프로세서(200)는 중앙 처리 장치(central processing unit, CPU), 그래픽 처리 장치(graphics processing unit, GPU), 또는 본 발명의 실시예들에 따른 방법들이 수행되는 전용의 프로세서를 의미할 수 있다.
메모리(100) 및 저장 장치(600) 각각은 휘발성 저장 매체 및 비휘발성 저장 매체 중에서 적어도 하나로 구성될 수 있다. 예를 들어, 메모리(100)는 읽기 전용 메모리(read only memory, ROM) 및 랜덤 액세스 메모리(random access memory, RAM) 중에서 적어도 하나로 구성될 수 있다.
프로세서(200)는 메모리(100) 내 적어도 하나의 명령에 의해 수행될 수 있다.
실시예에 따르면, 메모리(100) 내 적어도 하나의 명령은 생성적 적대 신경망(Generative Adversarial Network, GAN)을 이용하여 제1 가상 데이터를 생성하도록 하는 명령, 상기 제1 가상 데이터를 기하 브라운 운동(Geometric Brownian Motion) 모델에 입력하여 제2 가상 데이터를 생성하도록 하는 명령, 상기 제2 가상 데이터를 이용하여 시계열 예측 모델을 학습시키도록 하는 명령 및 실제 데이터를 이용하여 상기 시계열 예측 모델을 학습시키도록 하는 명령을 포함할 수 있다.
적어도 하나의 명령을 수행하는 상기 프로세서(200)의 동작은 후술될 시계열 데이터 예측 장치를 이용한 시계열 데이터 예측 방법의 설명시 보다 자세히 설명하겠다.
이상, 본 발명의 일 실시예에 따른 시계열 데이터 예측 장치를 설명하였다. 이하에서는 상기 시계열 데이터를 예측 장치의 프로세서 동작에 의한 시계열 데이터 예측 방법을 설명하겠다.
도 2는 본 발명의 다른 실시예에 따른 시계열 데이터 예측 방법의 순서도이다.
도 2를 참조하면, 시계열 데이터 예측 장치(1000)의 프로세서(200)는 제1 가상 데이터를 생성할 수 있다(S1000).
보다 구체적으로 설명하면, 프로세서(200)는 외부로부터 실제 데이터 및 거짓 데이터를 수신할 수 있다(S1100). 여기서, 실제 데이터 및 거짓 데이터는 특징값으로 수신될 수 있다.
이후, 프로세서(200)는 수신된 실제 데이터 및 거짓 데이터의 특징값들을 이용하여 순환신경망(Reccurent Neural Network, RNN)을 학습시킬 수 있다(S1500). 예를 들어, 순환신경망은 생성적 적대 신경망(Generative Adversarial Network, GAN)일 수 있다.
도 3은 본 발명의 다른 실시예에 따른 시계열 데이터 예측 방법 중 생성적 적대 신경망을 설명하기 위한 블록 구성도이다.
도 2 및 도 3을 참조하면, 생성적 적대 신경망(GAN, M1)은 비지도 학습에 사용되는 인공지능 알고리즘일 수 있다.
보다 구체적으로 설명하면, 생성적 적대 신경망(GAN, M1)은 생성자(Generator, MG) 및 구별자(Discriminator, MD)를 포함할 수 있다.
실시예에 따르면, 생성자(MG)는 실제 데이터를 학습하여, 출력 데이터를 생성할 수 있다. 여기서, 출력 데이터는 거짓 데이터일 수 있다.
이후, 구별자(MD)는 생성자(MG)로부터 수신된 출력 데이터가 실제인지 또는 거짓인지의 여부를 판별할 수 있다. 생성적 적대 신경망(GAN, M1)을 이용하여 제1 가상 데이터를 생성하는 프로세서(200)의 동작은 하기 도 4에서 보다 자세히 설명하겠다.
도 4는 본 발명의 다른 실시예에 따른 시계열 데이터 예측 방법 중 제1 가상 데이터를 생성하는 단계를 설명하기 위한 순서도이다.
도 3 및 도 4를 참조하면, 프로세서(200)는 생성적 적대 신경망(GAN, M1) 내 구별자(MD)를 학습시킬 수 있다(S1510).
보다 구체적으로 설명하면, 프로세서(200)는 실제 데이터인 제1 데이터 및 거짓 데이터인 제2 데이터를 구별자(MD)에 입력하여, 제1 데이터가 실제 데이터이고, 제2 데이터가 거짓 데이터임을 구별하도록 구별자(MD)를 학습시킬 수 있다.
이후, 프로세서(200)는 구별자(MD)의 학습을 중단시킨 후, 생성자(MG)를 학습시킬 수 있다(S1530).
실시예에 따르면, 프로세서(200)는 생성자(MG)에 초기값을 입력하여, 출력 데이터를 생성할 수 있다. 여기서, 출력 데이터는 거짓 데이터일 수 있다.
이후, 프로세서(200)는 생성자로부터 생성된 출력 데이터를 구별자(MD)에 입력시켜 결과를 출력할 수 있다.
프로세서(200)는 구별자(MD)로부터 상기 출력 데이터가 실제 데이터라는 결과가 도출될 때까지 생성자(MG)를 반복적으로 학습시킬 수 있다.
이후, 프로세서(200)는 학습이 완료된 생성자(MG)를 이용하여 제1 가상 데이터를 생성할 수 있다(S1550).
다시 도 2를 참조하면, 프로세서(200)는 생성된 제1 가상 데이터를 바탕으로, 제2 가상 데이터를 생성할 수 있다(S3000).
실시예에 따르면, 프로세서(200)는 운동 모델을 이용하여 복수의 제2 가상 데이터를 생성할 수 있다. 여기서, 운동 모델은 하기 수학식 1에 따른 기하 브라운 운동(Geometric Brownian Motion) 모델일 수 있다.
Figure pat00001
여기서, St는 제2 가상 데이터이고, S0는 초기값이며, μ는 예측 가능한 움직임이고, Wt는 가중치이다.
이에, 프로세서(200)는 제1 가상 데이터를 기하 브라운 운동(GBM) 모델의 가중치인 Wt(Weiner Process)에 입력하여 복수의 제2 가상 데이터들을 출력할 수 있다.
이후, 프로세서(200)는 출력된 복수의 제2 가상 데이터들을 바탕으로, 시계열 데이터 예측 모델(M2)을 학습할 수 있다. 시계열 데이터 예측 모델에 대해서는 하기 도 5를 참조하여 보다 구체적으로 설명하겠다.
도 5는 본 발명의 다른 실시예에 따른 시계열 데이터 예측 방법 중 시계열 데이터 예측 모델을 설명하기 위한 블록 이미지이다.
도 2 및 도 5를 참조하면, 시계열 데이터 예측 모델(M2)은 수집된 시계열 데이터를 분석하여 미래 데이터를 예측하고, 이를 바탕으로 미래에 발생할 수 있는 시계열 데이터를 생성하는 모델일 수 있다. 예를 들어, 시계열 데이터 예측 모델(M2)은 순환신경망(RNN)인 LSTM(Long Short Term Memory networks) 기반의 학습 모델일 수 있다.
실시예에 따라 보다 구체적으로 설명하면, 프로세서(200)는 출력된 복수의 제2 가상 데이터들을 이용하여, 시계열 데이터 예측 모델(M2)을 1차 학습할 수 있다(S5000).
이후, 프로세서(200)는 적어도 하나의 실제 데이터의 특징값을 이용하여, 1차 학습된 상기 시계열 데이터 예측 모델(M2)을 2차 학습할 수 있다(S7000). 다시 말하면, 프로세서(200)는 2차 학습된 시계열 데이터 예측 모델(M2)을 생성할 수 있다.
프로세서(200)는 학습이 완료된 시계열 데이터 예측 모델(M2)을 이용하여, 시계열 데이터를 예측할 수 있다. 다시 말해, 프로세서(200)는 시계열 데이터 예측 모델(M2)을 이용하여 시계열 예측 데이터를 생성할 수 있다(S9000).
이상, 본 발명의 실시예들에 따른 시계열 데이터 예측 모델 학습 방법 및 장치, 그리고 이를 이용한 시계열 데이터 예측 장치를 설명하였다.
본 발명의 실시예들에 따른 시계열 데이터 예측 모델 학습 방법 및 장치, 그리고 이를 이용한 시계열 데이터 예측 장치는 생산적 적대 신경망을 이용하여 제1 가상 데이터를 생성하고, 기하 브라운 운동 모델에 상기 제1 가상 데이터를 적용함으로써 복수의 제2 가상 데이터들을 생성하며, 생성된 복수의 제2 가상 데이터들 및 적어도 하나의 실제 데이터를 이용하여 시계열 데이터 예측 모델을 학습함으로써, 학습된 시계열 데이터 예측 모델을 바탕으로, 고정밀 및 고정확한 시계열 예측 데이터의 추출이 가능한 시계열 데이터 예측 모델 학습 방법 및 장치, 그리고 이를 이용한 시계열 데이터 예측 장치를 제공할 수 있다.
본 발명의 실시예들에 따른 방법의 동작은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 프로그램 또는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산 방식으로 컴퓨터로 읽을 수 있는 프로그램 또는 코드가 저장되고 실행될 수 있다.
또한, 컴퓨터가 읽을 수 있는 기록매체는 롬(rom), 램(ram), 플래시 메모리(flash memory) 등과 같이 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다. 프로그램 명령은 컴파일러(compiler)에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터(interpreter) 등을 사용해서 컴퓨터에 의해 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
본 발명의 일부 측면들은 장치의 문맥에서 설명되었으나, 그것은 상응하는 방법에 따른 설명 또한 나타낼 수 있고, 여기서 블록 또는 장치는 방법 단계 또는 방법 단계의 특징에 상응한다. 유사하게, 방법의 문맥에서 설명된 측면들은 또한 상응하는 블록 또는 아이템 또는 상응하는 장치의 특징으로 나타낼 수 있다. 방법 단계들의 몇몇 또는 전부는 예를 들어, 마이크로프로세서, 프로그램 가능한 컴퓨터 또는 전자 회로와 같은 하드웨어 장치에 의해(또는 이용하여) 수행될 수 있다. 몇몇의 실시예에서, 가장 중요한 방법 단계들의 하나 이상은 이와 같은 장치에 의해 수행될 수 있다.
실시예들에서, 프로그램 가능한 로직 장치(예를 들어, 필드 프로그머블 게이트 어레이)가 여기서 설명된 방법들의 기능의 일부 또는 전부를 수행하기 위해 사용될 수 있다. 실시예들에서, 필드 프로그머블 게이트 어레이는 여기서 설명된 방법들 중 하나를 수행하기 위한 마이크로프로세서와 함께 작동할 수 있다. 일반적으로, 방법들은 어떤 하드웨어 장치에 의해 수행되는 것이 바람직하다.
이상 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
1000: 시계열 데이터 예측 장치 100: 메모리
200: 프로세서 300: 송수신 장치
400: 입력 인터페이스 장치 500: 출력 인터페이스 장치
600: 저장 장치 700: 버스
M1: 생성적 적대 신경망 MD: 구별자
MG: 생성자 M2: 시계열 데이터 예측 모델

Claims (20)

  1. 생성적 적대 신경망(Generative Adversarial Network, GAN)을 이용하여 제1 가상 데이터를 생성하는 단계;
    상기 제1 가상 데이터를 기하 브라운 운동(Geometric Brownian Motion) 모델에 입력하여 제2 가상 데이터를 생성하는 단계;
    상기 제2 가상 데이터를 이용하여 시계열 예측 모델을 학습시키는 단계; 및
    실제 데이터를 이용하여 상기 시계열 예측 모델을 학습시키는 단계를 포함하는, 시계열 데이터 예측을 위한 예측 모델 학습 방법.
  2. 제1 항에 있어서,
    상기 제1 가상 데이터를 생성하는 단계는,
    상기 생성적 적대 신경망으로 하여금 제1 데이터 및 제2 데이터를 이용하여 구별자(Discriminator)를 학습하도록 하는 단계;
    상기 생성적 적대 신경망으로 하여금 상기 구별자의 학습을 중단하도록 하는 단계;
    상기 생성적 적대 신경망으로 하여금 초기값을 이용하여 생성자를 학습하도록 하는 단계; 및
    상기 생성적 적대 신경망으로 하여금 상기 생성자를 이용하여 상기 제1 가상 데이터를 생성하도록 하는 단계를 포함하는, 시계열 데이터 예측을 위한 예측 모델 학습 방법.
  3. 제2 항에 있어서,
    상기 구별자는,
    상기 생성적 적대 신경망으로 하여금 상기 제1 데이터를 실제 데이터로 판정하고, 상기 제2 데이터를 거짓 데이터로 판정하도록 학습되는, 시계열 데이터 예측을 위한 예측 모델 학습 방법.
  4. 제2 항에 있어서,
    상기 생성자를 학습하도록 하는 단계는,
    상기 생성적 적대 신경망으로 하여금 상기 생성자가 초기값을 입력 받아 출력 데이터를 획득하도록 하는 단계;
    상기 생성적 적대 신경망으로 하여금 상기 생성자가 상기 출력 데이터를 상기 구별자로 송신하도록 하는 단계;
    상기 생성적 적대 신경망으로 하여금 상기 구별자가 상기 출력 데이터를 실제 데이터인지 판정하도록 하는 단계; 및
    상기 구별자가 상기 출력 데이터를 실제 데이터로 판정할 경우, 상기 생성적 적대 신경망으로 하여금 상기 생성자의 학습을 종료시키도록 하는 단계를 포함하는, 시계열 데이터 예측을 위한 예측 모델 학습 방법.
  5. 제4 항에 있어서,
    상기 구별자가 상기 출력 데이터를 실제 데이터로 판정하지 않을 경우에는, 상기 생성적 적대 신경망으로 하여금,
    상기 생성자가 초기값을 입력 받아 출력 데이터를 획득하도록 하는 단계,
    상기 생성자가 상기 출력 데이터를 상기 구별자로 송신하도록 하는 단계 및
    상기 구별자가 상기 출력 데이터를 실제 데이터인지 판정하도록 하는 단계를 재수행하도록 하는, 시계열 데이터 예측을 위한 예측 모델 학습 방법.
  6. 제1 항에 있어서,
    상기 제2 가상 데이터를 생성하도록 하는 단계에서,
    상기 제1 가상 데이터는 상기 기하 브라운 운동 모델의 가중치에 입력되는, 시계열 데이터 예측을 위한 예측 모델 학습 방법.
  7. 제1 항에 있어서,
    상기 시계열 데이터 예측 모델은 LSTM(Long Short Term Memory networks) 기반의 학습 모델인, 시계열 데이터 예측을 위한 예측 모델 학습 방법.
  8. 제1 항에 있어서,
    상기 실제 데이터에 의해 학습된 상기 시계열 데이터 예측 모델은 시계열 예측 데이터 예측에 적용되는, 시계열 데이터 예측을 위한 예측 모델 학습 방법.
  9. 메모리(memory); 및
    상기 메모리에 저장된 적어도 하나의 명령을 실행하는 프로세서(processor)를 포함하되,
    상기 적어도 하나의 명령은,
    생성적 적대 신경망(Generative Adversarial Network, GAN)을 이용하여 제1 가상 데이터를 생성하도록 하는 명령,
    상기 제1 가상 데이터를 기하 브라운 운동(Geometric Brownian Motion) 모델에 입력하여 제2 가상 데이터를 생성하도록 하는 명령,
    상기 제2 가상 데이터를 이용하여 시계열 예측 모델을 학습시키도록 하는 명령, 및
    실제 데이터를 이용하여 상기 시계열 예측 모델을 학습시키도록 하는 명령을 포함하는, 시계열 데이터 예측을 위한 예측 모델 학습 장치.
  10. 제9 항에 있어서,
    상기 제1 가상 데이터를 생성하도록 하는 명령은,
    상기 생성적 적대 신경망으로 하여금 제1 데이터 및 제2 데이터를 이용하여 구별자(Discriminator)를 학습하도록 하는 명령,
    상기 생성적 적대 신경망으로 하여금 상기 구별자의 학습을 중단하도록 하는 명령,
    상기 생성적 적대 신경망으로 하여금 초기값을 이용하여 생성자를 학습하도록 하는 명령, 및
    상기 생성적 적대 신경망으로 하여금 상기 생성자를 이용하여 상기 제1 가상 데이터를 생성하도록 하는 명령을 포함하는, 시계열 데이터 예측을 위한 예측 모델 학습 장치.
  11. 제10 항에 있어서,
    상기 구별자는,
    상기 생성적 적대 신경망으로 하여금 상기 제1 데이터를 실제 데이터로 판정하고, 상기 제2 데이터를 거짓 데이터로 판정하도록 학습되는, 시계열 데이터 예측을 위한 예측 모델 학습 장치.
  12. 제10 항에 있어서,
    상기 생성자를 학습하도록 하는 명령은,
    상기 생성적 적대 신경망으로 하여금 상기 생성자가 초기값을 입력 받아 출력 데이터를 획득하도록 하는 명령,
    상기 생성적 적대 신경망으로 하여금 상기 생성자가 상기 출력 데이터를 상기 구별자로 송신하도록 하는 명령,
    상기 생성적 적대 신경망으로 하여금 상기 구별자가 상기 출력 데이터를 실제 데이터인지 판정하도록 하는 명령, 및
    상기 구별자가 상기 출력 데이터를 실제 데이터로 판정할 경우, 상기 생성적 적대 신경망으로 하여금 상기 생성자의 학습을 종료시키도록 하는 명령을 포함하는, 시계열 데이터 예측을 위한 예측 모델 학습 장치.
  13. 제12 항에 있어서,
    상기 구별자가 상기 출력 데이터를 실제 데이터로 판정하지 않을 경우에는, 상기 생성적 적대 신경망으로 하여금,
    상기 생성자가 초기값을 입력 받아 출력 데이터를 획득하도록 하는 명령,
    상기 생성자가 상기 출력 데이터를 상기 구별자로 송신하도록 하는 명령, 및
    상기 구별자가 상기 출력 데이터를 실제 데이터인지 판정하도록 하는 명령을 재수행하도록 하는, 시계열 데이터 예측을 위한 예측 모델 학습 장치.
  14. 제9 항에 있어서,
    상기 제2 가상 데이터를 생성하도록 하는 명령에서,
    상기 제1 가상 데이터는 상기 기하 브라운 운동 모델의 가중치에 입력되는, 시계열 데이터 예측을 위한 예측 모델 학습 장치.
  15. 제9 항에 있어서,
    상기 시계열 데이터 예측 모델은 LSTM(Long Short Term Memory networks) 기반의 학습 모델인, 시계열 데이터를 예측하기 위한 모델 학습 장치.
  16. 제9 항에 있어서,
    상기 실제 데이터에 의해 학습된 상기 시계열 데이터 예측 모델은 시계열 데이터 예측에 적용되는, 시계열 데이터 예측을 위한 예측 모델 학습 장치.
  17. 메모리(memory); 및
    상기 메모리에 저장된 적어도 하나의 명령을 실행하는 프로세서(processor)를 포함하되,
    상기 적어도 하나의 명령은,
    생성적 적대 신경망(Generative Adversarial Network, GAN)을 이용하여 제1 가상 데이터를 생성하도록 하는 명령,
    상기 제1 가상 데이터를 기하 브라운 운동(Geometric Brownian Motion) 모델에 입력하여 제2 가상 데이터를 생성하도록 하는 명령,
    상기 제2 가상 데이터를 이용하여 시계열 예측 모델을 학습시키도록 하는 명령,
    실제 데이터를 이용하여 상기 시계열 예측 모델을 학습시키도록 하는 명령 및
    상기 시계열 예측 모델을 이용하여, 시계열 예측 데이터를 생성하도록 하는 명령을 포함하는, 시계열 데이터 예측 장치.
  18. 제17 항에 있어서,
    상기 제1 가상 데이터를 생성하도록 하는 명령은,
    상기 생성적 적대 신경망으로 하여금 제1 데이터 및 제2 데이터를 이용하여 구별자(Discriminator)를 학습하도록 하는 명령,
    상기 생성적 적대 신경망으로 하여금 상기 구별자의 학습을 중단하도록 하는 명령,
    상기 생성적 적대 신경망으로 하여금 초기값을 이용하여 생성자를 학습하도록 하는 명령, 및
    상기 생성적 적대 신경망으로 하여금 상기 생성자를 이용하여 상기 제1 가상 데이터를 생성하도록 하는 명령을 포함하는, 시계열 데이터 예측 장치.
  19. 제18 항에 있어서,
    상기 구별자는,
    상기 생성적 적대 신경망으로 하여금 상기 제1 데이터를 실제 데이터로 판정하고, 상기 제2 데이터를 거짓 데이터로 판정하도록 학습되는, 시계열 데이터 예측 장치.
  20. 제18 항에 있어서,
    상기 생성자를 학습하도록 하는 명령은,
    상기 생성적 적대 신경망으로 하여금 상기 생성자가 초기값을 입력 받아 출력 데이터를 획득하도록 하는 명령,
    상기 생성적 적대 신경망으로 하여금 상기 생성자가 상기 출력 데이터를 상기 구별자로 송신하도록 하는 명령,
    상기 생성적 적대 신경망으로 하여금 상기 구별자가 상기 출력 데이터를 실제 데이터인지 판정하도록 하는 명령, 및
    상기 구별자가 상기 출력 데이터를 실제 데이터로 판정할 경우, 상기 생성적 적대 신경망으로 하여금 상기 생성자의 학습을 종료시키도록 하는 명령을 포함하는, 시계열 데이터 예측 장치.
KR1020200032166A 2020-03-16 2020-03-16 시계열 데이터 예측 모델 학습 방법 및 장치, 그리고 이를 이용한 시계열 데이터 예측 장치 KR20210115832A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200032166A KR20210115832A (ko) 2020-03-16 2020-03-16 시계열 데이터 예측 모델 학습 방법 및 장치, 그리고 이를 이용한 시계열 데이터 예측 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200032166A KR20210115832A (ko) 2020-03-16 2020-03-16 시계열 데이터 예측 모델 학습 방법 및 장치, 그리고 이를 이용한 시계열 데이터 예측 장치

Publications (1)

Publication Number Publication Date
KR20210115832A true KR20210115832A (ko) 2021-09-27

Family

ID=77925700

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200032166A KR20210115832A (ko) 2020-03-16 2020-03-16 시계열 데이터 예측 모델 학습 방법 및 장치, 그리고 이를 이용한 시계열 데이터 예측 장치

Country Status (1)

Country Link
KR (1) KR20210115832A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102565747B1 (ko) * 2022-11-25 2023-08-11 대한민국 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102565747B1 (ko) * 2022-11-25 2023-08-11 대한민국 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법
WO2024111747A1 (ko) * 2022-11-25 2024-05-30 대한민국(기상청장) 순환 생성적 적대 신경망 확장에 기반한 지역별 강수량 실황 예보 시스템 및 방법

Similar Documents

Publication Publication Date Title
US11861474B2 (en) Dynamic placement of computation sub-graphs
US11783227B2 (en) Method, apparatus, device and readable medium for transfer learning in machine learning
CN111247532B (zh) 利用多任务学习进行特征提取
CN109891897B (zh) 用于分析媒体内容的方法
Soudjani et al. FAUST: F ormal A bstractions of U ncountable-ST ate ST ochastic Processes
US20180136912A1 (en) Systems and methods for automatically generating code for deep learning systems
CN110366734A (zh) 优化神经网络架构
CN113128478B (zh) 模型训练方法、行人分析方法、装置、设备及存储介质
CN112099848B (zh) 一种业务处理方法、装置及设备
CN114936631B (zh) 一种模型处理方法及装置
KR102152081B1 (ko) 딥러닝 기반의 가치 평가 방법 및 그 장치
Mani et al. Test case generation for embedded system software using UML interaction diagram
CN111191789A (zh) 模型训练方法、系统、芯片、电子设备及介质
CN116187463B (zh) 量子测量模式至量子电路的编译方法、装置及电子设备
US20210264307A1 (en) Learning device, information processing system, learning method, and learning program
CN116363363A (zh) 无监督域适应语义分割方法、装置、设备及可读存储介质
CN116047934A (zh) 一种无人机集群的实时仿真方法、系统以及电子设备
KR20210115832A (ko) 시계열 데이터 예측 모델 학습 방법 및 장치, 그리고 이를 이용한 시계열 데이터 예측 장치
CN112036641B (zh) 基于人工智能的留存预测方法、装置、计算机设备及介质
CN113191527A (zh) 一种基于预测模型进行人口预测的预测方法及装置
CN112416301A (zh) 深度学习模型开发方法及装置、计算机可读存储介质
KR102105951B1 (ko) 추론을 위한 제한된 볼츠만 머신 구축 방법 및 추론을 위한 제한된 볼츠만 머신을 탑재한 컴퓨터 장치
CN110889316B (zh) 一种目标对象识别方法、装置及存储介质
KR20210048281A (ko) 배경 제거 영상 생성 방법 및 장치
CN116841564A (zh) 一种数据处理方法、装置、设备以及计算机可读存储介质

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20200316

PG1501 Laying open of application