KR20220115357A - 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성방법 및 장치 - Google Patents

Abstract

본 발명은 산업현장에서 발생할 수 있는 제품별 미래 수요예측의 정확성을 향상시킬 수 있는 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성방법 및 장치를 제안한다. 본 발명은 과거 수요 데이터들을 이용하여 미래 시점의 수요 예측을 위한 데이터를 준비하는 데이터 준비 엔진부, 및 준비된 데이터를 기초로 미래 시점의 수요을 예측하고 분석하는 예측/분석 엔진부를 포함하는 구성이며, 여기서 상기 데이터 준비 엔진부는, 과거 수요 데이터가 간헐적 패턴을 보이는 경우 결측치가 없도록 시계열 데이터로 변환하고, 상기 예측/분석 엔진부는, 간헐적 수요에 대한 미래 예측 데이터를 신경망 모델을 이용하여 개별적인 미래 예측 데이터로 분해하여 제공한다.

Description

어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성방법 및 장치{A method and apparatus for generating future demand forecast data based on attention mechanism}

본 발명은 산업현장에서 발생하는 시계열 데이터(Time series data) 또는 간헐적 데이터의 데이터 종류에 상관없이 어텐션 메커니즘(Attention Mechanism)이 적용된 RNN(Recurrent Neural Network) 신경망 알고리즘을 이용하여 미래 시점에 대한 정확한 수요 예측 데이터를 생성할 수 있는 방법 및 장치에 관한 것이다.

모든 분야에서 미래 시점에 대한 수요 예측은 기업의 수익과 직결되는 부분으로써, 효율적인 공급망 관리를 위한 경영전략뿐만 아니라 제품생산 및 마케팅까지 포함한 부문의 의사결정에 매우 중요하다. 정확한 수요예측은 기업의 효율적인 운영을 가능하게 하며 이를 통해 기업은 고객에게 만족스러운 서비스를 제공할 수 있다.

하지만 정확하지 못한 예측은 과잉 재고, 낮은 서비스 수준, 그리고 비효율적인 자원이용을 초래하여 전반적인 공급망 운영에 영향을 미친다. 그래서 제품에 대한 수요예측은 매우 중요하다. 특히 영세한 중소 중견 제조업체의 경우 시장 조사나 수요 예측에 어려움이 있어, 상품 재고 발생으로 인한 영업 손실이 크기 때문에 중요한 이슈일 수 있다.

중소/중견 제조업체는 제품에 대한 양산체계를 구축하는 것이 어려워 소량 제품에 대한 다품종 생산, 즉 다품종 소량생산 방식으로 특정 제품에 대한 견적 및 실수요가 발생하는 경우에 제품을 제공하는 MTO(Make To Order) 방식의 생산 체계를 운영하는 경우가 있다. 이러한 다품종 소량 생산 체계는 고객사의 주문 의존성, 즉 발주받는 수요변화에 따른 생산체계 영향이 상대적으로 높은 특징이 있다. 그러나 이러한 특징은 생산속도 불안정과 빈번한 일정 계획의 차질, 원자재에 대한 적기, 적량 조달이 곤란한 문제를 초래한다. 즉 사전에 원재료 및 반제품과 같은 자재 제고를 적절한 수량만큼 준비할 수 없어, 기한 내에 발주를 하지 못하는 치명적인 문제가 발생하고 예상할 수 있는 것이다. 그만큼 수요 예측이 중요하다 할 것이다. 따라서 다품종 소량 생산 체제에서 나타나는 간헐적 수요도 올바르게 예측하는 것이 중요하다.

종래의 수요 예측 기법들로서 ARIMA, 지수 평활법 등이 있다. 하지만 이러한 기법들은 시계열 데이터 예측 기법들로서 지속적으로 수요가 발생하는, 즉 결측치가 많이 존재하지 않는 연속적인 데이터에 대해서는 충분한 성능을 제공하지만 반대로 간헐적 데이터의 경우 특정 패턴을 추출하기 어려운 문제가 있어 예측 성능이 떨어진다. 간헐적 수요 데이터는 과거에 발생한 특정 제품에 대한 수요가 시스템에서 정의하고 있는 시간 단위(예를 들면, 주변, 월별, 분기별 등) 상에서 정기적으로 수요가 발생하지 않는 경우를 의미한다.

한국공개특허 10-2005-0104482(2005. 11. 03. 자동수요예측을 통한 생산 계획 시스템 및 그 방법)

따라서 본 발명의 목적은 일련의 산업현장에서 발생할 수 있는 제품별 미래 수요예측의 정확성을 향상시킬 수 있는 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성방법 및 장치를 제공하는 것이다.

본 발명의 다른 목적은 간헐적으로 제품 수요가 발생하는 경우에도 이의 수요 예측을 정확하게 할 수 있도록 한 것이다.

즉 본 발명은 시계열 데이터나 간헐적 데이터에 상관없이 어텐션 매커니즘 기반의 RNN 신경망(즉 RNN Attention)을 이용하여 미래에 대한 정확한 수요 예측 데이터를 생성하고 이를 분석하여 제공하는 것이라 할 것이다.

이와 같은 목적을 달성하기 위한 본 발명은, 과거 수요 데이터들을 이용하여 미래 시점의 수요 예측을 위한 데이터를 준비하는 데이터 준비 엔진부; 준비된 데이터를 기초로 미래 시점의 수요을 예측하고 분석하는 예측/분석 엔진부를 포함하며, 상기 데이터 준비 엔진부는, 과거 수요 데이터가 간헐적 패턴을 보이는 경우 결측치가 없도록 시계열 데이터로 변환하고, 상기 예측/분석 엔진부는, 간헐적 수요에 대한 미래 예측 데이터를 신경망 모델을 이용하여 개별적인 미래 예측 데이터로 분해하여 제공하는 것을 특징으로 하는 미래 수요 예측 데이터 생성장치를 제공한다.

상기 데이터 준비 엔진부는, 수요 예측에 활용할 데이터베이스의 범위를 설정하고, 군집(aggregation) 기준에 따라 계정(account)을 생성하는 계정 데이터 생성부; 상시 계정을 전처리 하는 전처리부; 및 상기 전처리된 값에 따라 과거 수요 데이터를 수집하고, 시계열 데이터로 변환한 스마트 셋(smart set)을 생성하여 상기 예측/분석 엔진부로 제공하는 입력정보 제공부를 포함하여 구성된다.

상기 신경망 모델은, 어텐션 메커니즘(Attenton Mechanism)을 이용하는 RNN(Recurrent Neural Network) 기반이다.

상기 예측/분석 엔진부는, 신경망 모델 제공부를 포함하며, 상기 신경망 모델 제공부는, 상기 스마트 셋을 입력으로 받아 학습하는 신경망 모델 실행부; 상기 스마트 셋에 대한 가중치를 계산하는 제1 계산부; 상기 가중치를 균일화하는 함수부; 상기 스마트 셋과 균일화된 가중치를 이용하여 균일화 스마트 셋을 계산하는 제2 계산부; 및 상기 균일화 스마트 셋을 이용하여 제품별 개별 가중치를 계산하는 제3 계산부를 포함하고, 상기 제품별 개별 가중치를 통해 제품별 미래 수요 예측값을 제공한다.

본 발명의 다른 특징에 따르면, 과거 수요 데이터를 이용하여 미래 시점의 수요 예측 데이터를 생성하는 장치에 있어서, 간헐적 수요 패턴 데이터를 시계열 데이터로 변환하는 단계; 상기 시계열 데이터를 신경망 학습하는 단계; 및 학습 결과에 따라 제품에 대한 개별 미래 수요 예측 데이터를 제공하는 단계를 포함하는 미래 수요 예측 데이터 생성방법을 제공한다.

상기 개별 미래 수요 예측 데이터를 이용하여 과거의 어떤 패턴으로부터 기인하였는지에 대한 분석 보고서를 제공하는 단계를 더 포함한다.

상기 신경망 학습하는 단계는, 제품마다 시점별로 발생한 과거 수요 데이터를 더하여 스마트 셋을 계산하는 단계; 계산된 스마트 셋 정보를 신경망에 입력하는 단계; 신경망의 학습에 따라 제품마다 시간별 가중치를 계산하는 단계; 소정 함수를 이용하여 시간별 가중치를 균일화하는 단계; 제품마다 스마트 셋과 균일화 가중치를 계산하여 균일화 스마트 셋을 계산하는 단계; 및 상기 균일화 스마트 셋을 이용하여 시점별로 제품별 개별 가중치를 계산하고, 제품별 미래 예측값을 생성하는 단계를 포함하여 이루어진다.

상기 신경망 학습하는 단계는, 어텐션 메커니즘(Attention Mechanism) 기반의 RNN(Recurrent Neural Network) 신경망을 이용한다.

상기 함수는 softmax 함수를 적용한다.

이상과 같은 본 발명의 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성방법 및 장치에 따르면, 어텐션 메커니즘 기반의 RNN 신경망 모델을 적용하면서, 간헐적 패턴의 수요 데이터인 경우 이를 예측 가능한 시계열 패턴으로 변환한 후 개별 제품에 대한 미래 예측값을 제공할 수 있어, 소정 제품에 대하여 시계열 패턴 또는 간헐적 패턴으로 수요 데이터가 발생한 경우에도, 특정한 미래 시점의 수요 예측을 정확하게 예측할 수 있는 효과가 있다. 따라서 대부분의 중견/중소기업에서 판매되는 제품군의 경우 종래의 수요 예측 기법이 적용되기 어려운 경우가 빈번하게 발생하기 때문에, 더욱 개선된 예측 결과값을 기대할 수 있다.

본 발명에 따르면, 미래 수요 예측값이 과거 수요 패턴에서 어떤 요인이나 시간대가 얼마나 크게 작용하였는지에 대한 분석자료를 수치와 시각화를 통해 제공하고 있어, 예측 결과값을 특정한 목표 값에 근접할 수 있도록 관련 요인과 시간대를 분석하는 등 경영 전략을 보다 효과적으로 수립할 수 있다.

도 1은 본 발명의 실시 예에 따른 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성장치의 전체 구성도
도 2는 도 1에 도시한 신경망 모델 제공부의 구성도
도 3은 본 발명의 실시 예에 따른 미래 수요 예측 데이터 생성방법을 설명한 흐름도
도 4는 본 발명에 따른 신경망 모델의 실행과정을 설명하는 흐름도
도 5는 도 4의 과정을 수치적으로 설명하기 위한 표

본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

본 발명에서 사용한 용어는 단지 특정한 실시 예를 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.

공간적으로 상대적인 용어인 아래(below, beneath, lower), 위(above, upper) 등은 도면에 도시되어 있는 바와 같이 하나의 소자 또는 구성 요소들과 다른 소자 또는 구성 요소들과의 상관 관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용시 또는 동작시 소자의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들면, 도면에 도시되어 있는 소자를 뒤집을 경우, 다른 소자의 아래(below, beneath)로 기술된 소자는 다른 소자의 위(above, upper)에 놓여질 수 있다. 따라서, 예시적인 용어인 아래는 아래와 위의 방향을 모두 포함할 수 있다. 소자는 다른 방향으로도 배향될 수 있고, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.

본 발명에서 사용되는 “부” 또는 “부분” 등의 일부분을 나타내는 표현은 해당 구성요소가 특정 기능을 포함할 수 있는 장치, 특정 기능을 포함할 수 있는 소프트웨어, 또는 특정 기능을 포함할 수 있는 장치 및 소프트웨어의 결합을 나타낼 수 있음을 의미하나, 꼭 표현된 기능에 한정된다고 할 수는 없으며, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.

또한, 본 발명에서 사용되는 모든 전기 신호들은 일 예시로서, 본 발명의 회로에 반전기 등을 추가적으로 구비하는 경우 이하 설명될 모든 전기 신호들의 부호가 반대로 바뀔 수 있음을 유의해야 한다. 따라서, 본 발명의 권리범위는 신호의 방향에 한정되지 않는다.

따라서, 본 발명의 사상은 설명된 실시 예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

이하에서는 도면에 도시한 실시 예에 기초하면서 본 발명에 대하여 더욱 상세하게 설명하기로 한다.

도 1은 본 발명의 실시 예에 따른 어텐션 메커니즘 기반의 미래 수요 예측 데이터 생성장치의 전체 구성도이다. 도시한 바와 같이 본 발명의 장치(10)는 크게 데이터를 준비하는 데이터 준비 엔진부(100)와, 준비된 데이터를 기초로 예측 및 분석과정을 수행하는 예측/분석 엔진부(200)를 포함한다.

첫 번째, 데이터 준비 엔진부(100)는 계정 데이터 생성부(110), 전처리부(120) 및 입력정보 산출부(130)를 포함하여 구성된다. 계정 데이터 생성부(110)는, 수요 예측에 활용할 데이터베이스의 범위를 설정하고, 제품명/발주처 등과 같은 군집(aggregation) 기준에 따라 개별 시계열 데이터인 계정(account)을 생성하는 프로세서를 수행하는 구성이다. 데이터 범위는 예를 들면 시간 단위로 기준을 선택하는 것을 의미할 수 있다. 1년을 기준으로 데이터 범위를 월(月)로 선택하면 총 12개의 시계열 데이터가 생성되고, 주 단위로 선택하면 총 52개의 시계열 데이터가 생성되는 것이다.

전처리부(120)는, 생성된 계정을 전처리하는 프로세스를 제공한다. 전처리 대상은 기본정보(예를 들면 원, 달러와 같은 통화 설정, 예측 알고리즘 할당 등) 설정을 위한 기준 값 처리, 생성된 계정이 간헐적 수요 패턴을 보이는 경우 이를 하나의 계정으로 통합하는 통합 계정(smart set) 처리, 데이터에 이상치를 보이는 데이터를 평활법 등을 이용하여 제거할 지 선택하는 이상치 처리, 실제 수요 및 실제 판매량 등 예측 목표값에 대한 기준인 목표 값(target value) 처리 등을 수행한다.

입력정보 제공부(130)는, 상기 전처리된 값에 맞게 데이터를 수집하고 정제한 뒤, 후단의 예측/분석 엔진부(200)가 사용할 수 있는 입력정보를 산출하여 제공하는 역할을 한다.

두 번째, 예측/분석 엔진부(200)는 데이터 준비 엔진부(100)가 제공한 입력정보를 신경망 모델에서 학습시켜 미래 수요값을 예측하고 분석하는 구성으로, 모델 피팅부(210), 신경망 모델 제공부(220), 결과 제공부(230), 보정부(240)를 포함하여 이루어진다.

모델 피팅부(210)는, 신경망의 예측 알고리즘에 대한 매개 변수들을 선택하는 프로세스를 제공한다. 예를 들어 예측 알고리즘에 의한 학습량 대비 오차값이 가장 적은 매개 변수를 선택할 수 있다. 신경망 모델 제공부(220)는, 과거 수요 데이터를 기초로 미래 수요 예측 데이터를 생성하는 프로세스를 제공한다. 결과 제공부(230)는 사용자가 확인할 수 있도록 미래 예측 데이터를 제공하는 프로세스를 제공하며, 필요에 따라 미래 예측 데이터를 손쉽게 확인할 수 있도록 시각화된 데이터로 제공할 수도 있다. 보정부(240)는 미래 수요 예측 데이터를 보정하는 프로세스를 제공한다. 필요에 따라 미래 수요 예측 데이터를 추가로 제공해야 하거나, 잘못 생성된 경우, 만족스럽지 못한 결과 값 등이 제공될 경우 이를 다시 학습시켜 재생산하도록 하는 것이다.

본 발명의 신경망 모델은 RNN(Recurrent Neural Network) 기반이 제공된다. RNN 기반 신경망은 어텐션 메커니즘(Attention Mechanism)를 통해 미래 수요 예측 데이터를 생산하고 제공한다. 어텐션 메커니즘은 attention score, attention output, attention distribution, decoder hidden state 순으로 동작하며 공지된 구성으로 본 명세서는 이의 상세한 설명은 생략하기로 한다.

도 2는 도 1에 도시한 신경망 모델 제공부의 구성도이다. 도시한 바와 같이 신경망 모델 제공부(220)는, 제품마다 시점별로 발생한 과거 수요 데이터를 더하여 스마트 셋을 계산하는 스마트 셋 계산부(221), 상기 스마트 셋에 대한 가중치를 계산하는 제1 계산부(222), 상기 가중치를 균일화하는 함수부(223), 상기 스마트 셋과 균일화된 가중치를 이용하여 균일화 스마트 셋을 계산하는 제2 계산부(224), 및 상기 균일화 스마트 셋을 이용하여 제품별 개별 가중치를 계산하는 제3 계산부(225)를 포함하여 구성된다. 이러한 구성에 따라 상기 제품별 개별 가중치를 통해 제품별 미래 수요 예측값을 제공한다.

다음에는 이와 같이 구성된 미래 수요 예측 데이터 생성장치를 이용하여 미래 수요 예측 데이터를 생성, 제공하는 과정에 대해 살펴본다.

도 3은 본 발명의 실시 예에 따른 미래 수요 예측 데이터 생성방법을 설명한 흐름도이다. 본 발명은 미래 수요예측을 위해 데이터를 준비하는 단계(데이터 준비단계, s100), 및 준비된 데이터를 기반으로 미래시점의 수요를 예측하고 분석하는 단계(예측/분석 단계, s200))가 순차적으로 진행된다.

데이터 준비 단계(s100)는, 우선 수요 예측에 활용할 전체 데이터베이스의 범위를 설정한다(s110). 그리고 과거 수요 데이터들을 군집할 기준을 선택하고(s120), 각 기준에 따라 계정(account)을 생성한다(s130). 예를 들면 과거 수요 데이터들 중 제품군을 기준으로 한다면 제품 1 내지 제품 n으로 분류할 수 있고, 각 제품군별로 계정을 생성하는 것이다. 이때 계정은 수요가 지속적으로 발생한 정상 수요패턴이거나 간헐적 수요 패턴일 수 있다. 제품군마다 상이할 수 있는 것이다.

군집 기준에 따라 계정들이 생성되면, 생성된 계정에 대한 정책 관리정보를 설정한다(s140). 정책 관리는 전처리부(120)가 과거 수요 데이터를 기초로 어떤 기준에 따라 미래 수요 예측을 실시할 것인지를 셋팅하는 것을 말한다. 정책 관리의 예로, 기본 정보 설정, 스마트 셋 처리, 이상치 관리, 목표 값 설정 등을 말할 수 있다. 기본 정보 설정은, 예를 들면 원화(￦)나 달러($)와 같은 통화 값 설정, 예측 알고리즘을 설정하는 작업이다. 스마트 셋 처리는, 생성된 계정이 간헐적 수요를 보이는 경우 하나의 계정인 스마트 셋으로 통합하는 작업이다. 간헐적 수요가 있는 경우 스마트 셋을 하도록 설정하는 것으로 보면 된다. 이상치 관리는 이상치로 보이는 데이터가 있는 경우 평활법(smoothing) 등을 이용하여 제거를 할 것인지에 대한 선택을 하는 것이다. 목표 값 설정은 실제 수요나 실제 판매량 등 예측 목표값에 대한 기준을 설정하는 것이다.

이후, 입력정보 제공부(130)는 미래 수요 예측을 위한 데이터를 수집하고 정제한 후, 예측 및 분석에 사용될 수 있는 형태로 가공한다(s150). 입력정보 제공부(130)는 결측치가 존재하는 계정들을 통합하여 하나의 시계열 데이터(즉 스마트 셋)로 변환하여 새로운 데이터 셋(data set)을 생성하는 작업을 한다. 생성된 데이터 셋이 추후 예측 단계에서 실질적으로 사용된다. 여기서 시계열 데이터로 변환하는 이유는 미래 수요 예측을 위한 과거 수요 데이터가 간헐적 수요 패턴인 경우 정확한 미래 수요 예측이 어렵기 때문이다. 간헐적 수요 패턴이란 과거에 발생한 특정 제품에 대한 수요가 시스템에서 정의하고 있는 시간 단위 상에서 다수의 결측치가 발생하는 데이터를 말한다. 그렇기 때문에, 입력정보 제공부(130)는 과거에 발생한 수요 데이터들을 결측치가 보이지 않는 시계열 데이터 형태로 변환시키는 작업을 수행하는 것으로 보면 된다. 물론, 과거 수요 데이터가 간헐적 수요 패턴이 아닌 정상 패턴인 경우라면, 상기한 변환작업은 생략될 수 있을 것이다.

이와 같은 과정에 의하여 과거 수요 데이터는 실제 미래 수요 예측이 가능한 시계열 데이터 패턴을 가지는 데이터 셋으로 가공되는 것이고, 가공된 데이터 셋을 활용하여 미래 수요 예측을 실시하게 될 것이다. 수요 예측 및 분석에 대해 계속하여 살펴본다.

예측/분석 엔진부(200)는 데이터 셋을 입력받으면 정해진 신경망 모델에서 시계열 데이터를 학습하는 모델 피팅과정을 수행한다(s210). 이러한 과정은 학습에 따라 신경망 모델이 미래 수요 예측을 최적으로 수행할 수 있는 매개변수를 결정하는 작업일 수 있다.

이후 신경망 모델 제공부(220)에 의해 제공된 신경망 모델을 실행하여(s220), 데이터 셋에 대한 미래 수요 예측을 실시하고, RNN 기반의 신경망 모델을 통한 미래 수요 예측값을 산출한다(s230). 단계 220에 대한 구체적은 설명은 도 4를 참조하여 아래에서 살펴볼 것이다. 그리고 산출된 미래 수요 예측값은 결과 제공부에 의해 사용자가 확인할 수 있도록 제공된다(s240). 산출된 예측 결과값은 수치뿐만 아니라 시각화를 통해 제공될 수 있다. 여기서 본 발명은 어텐션 메커니즘을 통한 가중치를 제공하기 때문에, 미래 수요 예측 결과값에 대해 수치와 시각화를 통해 설명을 제공할 수 있는 것이고, 이에 산출된 미래 수요 에측 결과값에 작용하는 과거 수요 데이터의 요인이나 시간대, 기여도를 알 수 있다. 즉 수요 예측 결과값이 어떠한 근거를 기초로 예측하였는지 설명할 수 있는 해석력을 제공할 수 있다(s250).

따라서 미래 수요 예측값을 앞서 설명한 특정한 목표 값(target value)에 근접할 수 있도록 관련 요인과 시간대를 분석할 수 있어, 기업의 경영 전략을 보다 효과적으로 수립할 수 있게 한다.

본 발명은 미래 수요 예측값을 보정하는 과정이 선택적으로 실시될 수도 있다. 기준값 변경이나 다른 기준에 의해 미래 수요 예측, 과거 수요 데이터나 데이터 셋 등의 오류 등과 같이 실질적으로 미래 수요 예측을 다시 하고자 할 경우 보정과정이 수행될 수 있다.

도 4는 본 발명에 따라 미래 수요 예측을 위한 신경망 모델의 실행과정을 설명하는 흐름도이다. 이 과정은 신경망 모델 제공부(220)에 의해 실시된다.

도시한 바와 같이 수요를 예측하고자 하는 제품을 설정한다(s300). 수요 예측 제품에 대한 데이터는 상기한 데이터 준비 단계(s100)에서 사전에 완료된 상태이며, 여기서는 수요 예측 대상제품에 해당하는 데이터 셋을 호출하면 된다. 데이터 셋은 정상 패턴 데이터 또는 간헐적 수요 패턴 데이터일 수 있다. 정상 패턴 데이터는, 다수의 결측치가 없는 데이터로, 위에서 말한 시계열 데이터로 변환하여 새로운 데이터 셋을 생성하는 작업이 필요없는 데이터일 수 있다.

신경망 모델이 상기 데이터 셋이 입력되면, 예측값을 산출하기 위해 학습을 시작한다(s320). 학습 과정에 따라 과거 수요 패턴을 판단하는 과정이 수행된다(s330). 상기 단계에서, 정상 패턴 데이터에 대한 데이터 셋인 경우, 상기 신경망 모델은 각 제품마다 시간 가중치 및 미래 예측값을 산출하여 제공한다(s340). 이를 통해 과거 어떤 시계열 패턴으로부터 미래 수요 예측이 되었는지를 알 수 있다.

반면 간헐적 패턴 데이터를 가지는 데이터 셋인 경우에도(s350), 제품마다 시간 가중치 및 미래 예측값을 산출하여 제공할 수 있다. 그러나 간헐적 수요 패턴의 경우 과거 어떠한 데이터 패턴으로부터 영향을 받았는지 알 수 없기 때문에 다시 제품별로 미래 수요 예측값을 배분할 필요가 있다.

정확한 예측값을 계산하기 위하여, 스마트 셋 계산부(221)는 제품마다 시점별로 발생한 과거 수요 데이터를 더하여 스마트 셋을 계산한다(s352). 그리고 제 계산부(222)가 제품마다 시간별 가중치를 계산한다(s354)하고, softmax가 적용된 함수부(223)는 제품마다 시점별로 계산된 시간 가중치를 균일화한다(s354). 균일화된 제품별 시간 가중치를 '균일화 가중치'라 하여 설명한다. 상기 균일화 가중치를 모두 가산하면 합은 '1'이 된다.

제2 계산부(224)는 상기 균일화 가중치를 이용하여 제품마다 시점별 데이터를 이용하여 스마트 셋(s')을 다시 계산한다(s358). 여기서 계산된 스마트 셋(s')은 최초의 스마트 셋과는 다른 데이터이고, 이하에서는 '균일화 스마트 셋'이라 하여 설명한다. 이와 같이 균일화 스마트 셋이 계산되면, 제3 계산부(225)는 이를 이용하여 제품마다 시점별로 개별 가중치를 계산하게 된다(s359). 따라서 제품별로 미래 수요 예측값을 계산하여 배분할 수 있는 것이다. 이를 통해 미래 수요 예측값이 과거의 어떤 패턴으로부터 기인하였는지 알 수 있다.

즉 도 4의 과정은 하나 이상의 제품에 대하여 소정 정해진 시간동안 발생한 과거 수요 데이터를 기초로 하면서, 제품마다 시점별로 발생한 과거 수요 데이터를 더하여 스마트 셋을 계산하고, 계산된 스마트 셋 정보를 신경망에 입력하고, 신경망의 학습에 따라 제품마다 시간별 가중치를 계산하고, 시간별 가중치를 균일화하고, 제품마다 스마트 셋과 균일화 가중치를 계산하여 균일화 스마트 셋을 계산하고, 상기 균일화 스마트 셋을 이용하여 시점별로 제품별 개별 가중치를 계산하고, 제품별 미래 예측값을 생성하는 단계가 순차적으로 실시되어, 미래 수요 예측값을 생성하고, 생성결과에 대한 설명을 제공하는 것이다.

도 4의 과정을 도 5에 도시한 표를 참조하여 수치적으로 나타내면 다음과 같다. 도 5에서 보듯이, '제품 1' 내지 '제품 5'에 대해 '1' ~ '12' 시간 시점별로 수요 데이터가 간헐적으로 발생했다고 가정하면, 이러한 간헐적 패턴을 보인 데이터를 결측치가 없도록 시계열 데이터로 변환하여 스마트 셋(s)을 생성한다. 그리고 신경망 모델에 의해 각 시점별 시간 가중치를 계산한 다음 소프트맥스 함수를 이용하여 균일화 가중치를 구한다. 균일화 가중치의 값을 모두 더하면 '1'이 된다.

그리고 균일화 가중치와 스마트 셋 정보를 통해 균일화 스마트 셋(s')을 구한 다음, 이를 통해 제품마다 시점별 개별 가중치를 구한다. 그러면 제품마다 개별 가중치를 구할 수 있다. 이 값이 제품별 미래 배분값이 된다. 그리고 이를 통해 고, 이를 합하여 미래 예측값을 구할 수 있다. 도 5에서 미래 예측값은 '22.78081'이고, 이 값은 각 제품별 미래 배분값의 합 또는 균일화 스마트 셋(s')의 합이 된다.

이와 같이 본 발명은 꾸준한 패턴의 시계열 데이터나 간헐적 수요 패턴을 보인 간헐적 데이터에 상관없이 미래 시점에 대한 수요 예측값을 생성하며, 특히 간헐적인 수요 데이터의 경우 어텐션 메커니즘을 적용된 RNN 신경망을 이용하여 미래 시점에서의 제품별 예측 값을 제공함으로써, 미래 예측 값이 과거 어느 시점에서 가장 많이 영향을 받았는지에 대한 해석 데이터를 제공할 수 있게 됨을 알 수 있다.

이상과 같이 본 발명의 도시된 실시 예를 참고하여 설명하고 있으나, 이는 예시적인 것들에 불과하며, 본 발명이 속하는 기술 분야의 통상의 지식을 가진 자라면 본 발명의 요지 및 범위에 벗어나지 않으면서도 다양한 변형, 변경 및 균등한 타 실시 예들이 가능하다는 것을 명백하게 알 수 있을 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위의 기술적인 사상에 의해 정해져야 할 것이다.

10: 미래 수요 예측 데이터 생성장치
100: 데이터 준비 엔진부
110: 계정 데이터 생성부
120: 전처리부
130: 입력정보 제공부
200: 예측/분석 엔진부
221: 스마트셋 계산부
222: 제1 계산부
223: 함수부
224: 제2 계산부
225: 제3 계산부
210: 모델 피팅부
220: 신경망 모델 제공부
230: 결과 제공부
240: 보정부

Claims (9)

1. 과거 수요 데이터들을 이용하여 미래 시점의 수요 예측을 위한 데이터를 준비하는 데이터 준비 엔진부;
   준비된 데이터를 기초로 미래 시점의 수요을 예측하고 분석하는 예측/분석 엔진부를 포함하며,
   상기 데이터 준비 엔진부는, 과거 수요 데이터가 간헐적 패턴을 보이는 경우 결측치가 없도록 시계열 데이터로 변환하고,
   상기 예측/분석 엔진부는, 간헐적 수요에 대한 미래 예측 데이터를 신경망 모델을 이용하여 개별적인 미래 예측 데이터로 분해하여 제공하는 것을 특징으로 하는 미래 수요 예측 데이터 생성장치.
2. 제 1 항에 있어서,
   상기 데이터 준비 엔진부는,
   수요 예측에 활용할 데이터베이스의 범위를 설정하고, 군집(aggregation) 기준에 따라 계정(account)을 생성하는 계정 데이터 생성부;
   상시 계정을 전처리 하는 전처리부; 및
   상기 전처리된 값에 따라 과거 수요 데이터를 수집하고, 시계열 데이터로 변환한 스마트 셋(smart set)을 생성하여 상기 예측/분석 엔진부로 제공하는 입력정보 제공부를 포함하는 것을 특징으로 하는 미래 수요 예측 데이터 생성장치.
3. 제 1 항에 있어서,
   상기 신경망 모델은, 어텐션 메커니즘(Attention Mechanism)을 이용하는 RNN(Recurrent Neural Network) 기반인 것을 특징으로 하는 신경망인 미래 수요 예측 데이터 생성장치.
4. 제 3 항에 있어서,
   상기 예측/분석 엔진부는, 신경망 모델 제공부를 포함하며,
   상기 신경망 모델 제공부는,
   상기 스마트 셋을 입력으로 받아 학습하는 신경망 모델 실행부;
   상기 스마트 셋에 대한 가중치를 계산하는 제1 계산부;
   상기 가중치를 균일화하는 함수부;
   상기 스마트 셋과 균일화된 가중치를 이용하여 균일화 스마트 셋을 계산하는 제2 계산부;
   상기 균일화 스마트 셋을 이용하여 제품별 개별 가중치를 계산하는 제3 계산부를 포함하고,
   상기 제품별 개별 가중치를 통해 제품별 미래 수요 예측값을 제공하는 것을 특징으로 하는 미래 수요 예측 데이터 생성장치.
5. 과거 수요 데이터를 이용하여 미래 시점의 수요 예측 데이터를 생성하는 장치에 있어서,
   간헐적 수요 패턴 데이터를 시계열 데이터로 변환하는 단계;
   상기 시계열 데이터를 신경망 학습하는 단계; 및
   학습 결과에 따라 제품에 대한 개별 미래 수요 예측 데이터를 제공하는 단계를 포함하는 미래 수요 예측 데이터 생성방법.
6. 제 5 항에 있어서,
   상기 개별 미래 수요 예측 데이터를 이용하여 과거의 어떤 패턴으로부터 기인하였는지에 대한 분석 보고서를 제공하는 단계를 더 포함하는 미래 수요 예측 데이터 생성방법.
7. 제 5 항에 있어서,
   상기 신경망 학습하는 단계는,
   제품마다 시점별로 발생한 과거 수요 데이터를 더하여 스마트 셋을 계산하는 단계;
   계산된 스마트 셋 정보를 신경망에 입력하는 단계;
   신경망의 학습에 따라 제품마다 시간별 가중치를 계산하는 단계;
   소정 함수를 이용하여 시간별 가중치를 균일화하는 단계;
   제품마다 스마트 셋과 균일화 가중치를 계산하여 균일화 스마트 셋을 계산하는 단계;
   상기 균일화 스마트 셋을 이용하여 시점별로 제품별 개별 가중치를 계산하고, 제품별 미래 예측값을 생성하는 단계를 포함하여 이루어지는 미래 수요 예측 데이터 생성방법.
8. 제 5 항에 있어서,
   상기 신경망 학습하는 단계는,
   어텐션 메커니즘(Attention Mechanism) 기반의 RNN(Recurrent Neural Network) 신경망을 이용하여 학습하는 미래 수요 예측 데이터 생성방법.
9. 제 7 항에 있어서,
   상기 함수는 softmax 함수를 적용하는 것을 특징으로 하는 미래 수요 예측 데이터 생성방법.

Images