검색 상세

CNN-LSTM 기반의 잠재 요인 특징 추출을 활용한 효과적인 불규칙 경향 예측 기법

An Effective Irregular Trend Prediction Method Using Feature Extraction on Potential Factors Based on CNN-LSTM

초록/요약

주기적인 시계열 데이터에서는 불규칙한 패턴이 부분적으로 관측될 수 있다. 폭우에 의한 수질 변화, 연휴에 의한 대중교통 이용량 변화와 같이 불규칙한 패턴이 중요한 의미를 갖는 경우에는 이를 정확히 예측하는 것이 중요하다. 일반적인 딥러닝 기반 시계열 데이터 예측에서는 목표 변수를 도입하여 모델을 구성한다. 그러나 모델 학습에 목표 변수만을 도입할 경우 규칙적인 패턴에 비해서 불규칙한 패턴은 상대적으로 정확히 예측하지 못한다. 본 논문에서는 목표 변수가 아닌, 잠재 요인들을 특징 추출에 활용하는 불규칙 경향 예측 기법을 제안한다. 제안하는 기법에 대한 검증을 수행한 결과, 목표 변수를 직접 사용한 경우보다, 잠재 요인만을 분석에 활용한 제안하는 기법의 경우 불규칙성을 상대적으로 잘 감지하는 것을 확인하였다. 본 논문은 목표 변수를 분석에 활용하는 일반적인 시계열 예측 기법과 달리 잠재 요인만을 활용하여 목표 변수의 불규칙한 패턴을 효과적으로 예측할 수 있다는 점에서 의의가 있다.

more

초록/요약

Irregular patterns may be partially observed in periodic time series data. When irregular patterns have important meanings, such as changes in water quality due to heavy rain or changes in public transportation usage due to holidays, predicting the irregular pattern accurately is important. Generally, deep learning-based time series data prediction method use target variables. However, when only target variables are applied for model training, irregular patterns are hard to predict accurately compared to periodical patterns. In this paper, we propose an irregular trend prediction technique using only potential factors instead of target variables. We showed that irregularities could be detected relatively well when only potential factors were applied to the model training process than when target variables were directly applied. The main contribution of this paper is that we can effectively predict the irregular pattern of a target variable using only potential factors, unlike the traditional time series prediction technique using a target variable.

more
반출 Meta View 목록