KR102038703B1 - 동적 전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법 및 그 시스템 - Google Patents

동적 전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법 및 그 시스템 Download PDF

Info

Publication number
KR102038703B1
KR102038703B1 KR1020170180576A KR20170180576A KR102038703B1 KR 102038703 B1 KR102038703 B1 KR 102038703B1 KR 1020170180576 A KR1020170180576 A KR 1020170180576A KR 20170180576 A KR20170180576 A KR 20170180576A KR 102038703 B1 KR102038703 B1 KR 102038703B1
Authority
KR
South Korea
Prior art keywords
dynamic transition
real
models
time
model
Prior art date
Application number
KR1020170180576A
Other languages
English (en)
Other versions
KR20190078850A (ko
Inventor
이기천
임태훈
최동근
Original Assignee
(주)가디엘
한양대학교 산학협력단
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 (주)가디엘, 한양대학교 산학협력단 filed Critical (주)가디엘
Priority to KR1020170180576A priority Critical patent/KR102038703B1/ko
Publication of KR20190078850A publication Critical patent/KR20190078850A/ko
Application granted granted Critical
Publication of KR102038703B1 publication Critical patent/KR102038703B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/008—Reliability or availability analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법방법 및 그 시스템이 제공된다.
상기 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법은 실시간 다변량 시계열 예측시스템이 복수의 동적전이 모형들 중 소정 개수를 선택하여 선택된 선택 모형들에 기초한 동적전이 앙상블 모형을 정의하는 단계, 상기 실시간 다변량 시계열 예측시스템이 실시간 데이터를 입력받아 상기 동적전이 앙상블 모형에 포함된 상기 선택 모형들 각각의 가중치 또는 상기 선택 모형들 각각의 모형 계수를 업데이트하면서 실시간으로 예측을 수행하는 단계를 포함한다.

Description

동적 전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법 및 그 시스템{Method for estimation on online multivariate time series using ensemble dynamic transfer models and system thereof}
본 발명은 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법 및 그 시스템에 관한 것으로, 보다 상세하게는 복수의 동적전이 모형들을 복합적으로 이용한 앙상블 모형을 이용하여 효과적으로 다변량 환경에서 실시간 시계열 예측을 할 수 있는 방법 및 그 시스템에 관한 것이다.
기존의 다양한 APM 솔루션이나 CCTV 네트워크 기타 시계열 예측 모형을 통해 실시간으로 특정 이벤트(예컨대, 오류 또는 장애 등)를 예측하는 시도가 존재하였다.
하지만 시스템의 성능에 영향을 미치는 독립적인 인자가 다수 개가 되는 다변량 환경에서 종래의 기술들은 실시간 분석을 통해 예측까지 가능한 것이 아니라 단순히 모니터링을 하는 수준에 그치고 있다.
또한 종래의 다변량 시계열 예측 모형으로 알려진 VAR(Vector Autoregressive) 모델은 여러 가지 가정을 이용한 예측 모형이며, 하나의 모형을 이용해서 변수들을 한꺼번에 예측하는 모형이라는 특징으로 인해 여러 상황에 대처하기 어려운 문제가 있고 다변량 데이터를 이용하면서 타겟 변수 하나를 예측하는데는 어려움이 있다.
따라서 본 발명은 복수의 동적전이 모형을 결합한 앙상블 모형을 이용하여 예측의 정확도를 높일 수 있는 방법 및 그 시스템을 제공하는 것이다.
또한 실시간 다변량 시계열 데이터를 이용하여 많은 변수들 중에서 타겟이 되는 반응변수를 설정하여 예측력을 향상시킬 수 있는 방법 및 그 시스템을 제공하는 것이다.
또한 오프라인 학습을 통해 모형을 선별하여 온라인에서 실시간으로 정확도 높은 예측을 할 수 있는 방법 및 시스템을 제공하는 것이다.
본 발명의 일 측면에 따르면, 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법은 실시간 다변량 시계열 예측시스템이 복수의 동적전이 모형들 중 소정 개수를 선택하여 선택된 선택 모형들에 기초한 동적전이 앙상블 모형을 정의하는 단계, 상기 실시간 다변량 시계열 예측시스템이 실시간 데이터를 입력받아 상기 동적전이 앙상블 모형에 포함된 상기 선택 모형들 각각의 가중치 또는 상기 선택 모형들 각각의 모형 계수를 업데이트하면서 실시간으로 예측을 수행하는 단계를 포함한다.
상기 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법은, 상기 실시간 다변량 시계열 예측시스템이 학습데이터를 통해 상기 복수의 동적전이 모형들을 생성하는 단계를 더 포함할 수 있다.
상기 실시간 다변량 시계열 예측시스템이 학습데이터를 통해 복수의 동적전이 모형들을 생성하는 단계는 종속변수 Y에 대해 상기 종속변수 Y의 자기 회귀 영향과 현재 시점의 독립변수 x들의 영향을 선형 결합하여 상기 동적전이 모형들을 생성하는 단계를 포함할 수 있다.
상기 동적전이 모형들은 다음의 수식에 의해 생성되는 것일 수 있다.
[수학식]
Figure 112017129603856-pat00001
여기서 Y는 종속변수, B는 backshift operator, d는 차분차수(difference factor), p는 자기회귀차수, I는 표시함수,
Figure 112017129603856-pat00002
는 자기회귀계수,
Figure 112017129603856-pat00003
는 회귀모델 상수,
Figure 112017129603856-pat00004
는 독립변수 x에 대한 1차 회귀계수,
Figure 112017129603856-pat00005
는 오차항, m은 독립변수의 개수를 나타낸다.
상기 실시간 다변량 시계열 예측시스템이 학습데이터를 통해 상기 복수의 동적전이 모형들을 생성하는 단계는,
Figure 112017129603856-pat00006
개(여기서, q는 독립변수 선택개수)의 동적전이 모형들을 생성하는 것을 특징으로 할 수 있다.
상기 실시간 다변량 시계열 예측시스템이 생성된 복수의 동적전이 모형들 중 소정 개수를 선택하여 선택된 선택 모형들에 기초한 동적전이 앙상블 모형을 정의하는 단계는 상기 복수의 동적전이 모형들 중에서 예측성능이 뛰어난 K개를 상기 선택 모형들로 뽑는 것을 특징으로 할 수 있다.
상기 동적전이 앙상블 모형은 다음과 같은 수식에 의해 정의되는 것을 특징으로 할 수 있다.
Figure 112017129603856-pat00007
여기서 w는 각각의 선택모형들의 가중치.
상기 실시간 다변량 시계열 예측시스템이 상기 동적전이 앙상블 모형에 포함된 상기 선택 모형들 각각의 가중치 또는 상기 선택 모형들 각각의 모형 계수를 업데이트하면서 실시간으로 예측을 수행하는 단계는 다음의 수학식을 이용하여 상기 가중치를 업데이트하는 것을 특징으로 할 수 있다.
Figure 112017129603856-pat00008
상기 실시간 다변량 시계열 예측시스템이 상기 동적전이 앙상블 모형에 포함된 상기 선택 모형들 각각의 가중치 또는 상기 선택 모형들 각각의 모형 계수를 업데이트하면서 실시간으로 예측을 수행하는 단계는 미리 정해진 윈도 사이즈를 이용하여 전진 업데이트를 하면서 RLS방법을 통해 상기 선택 모현들 각각의 모형 계수를 업데이트하는 것을 특징으로 할 수 있다.
상기 실시간 다변량 시계열 예측시스템이 상기 동적전이 앙상블 모형에 포함된 상기 선택 모형들 각각의 가중치 또는 상기 선택 모형들 각각의 모형 계수를 업데이트하면서 실시간으로 예측을 수행하는 단계는 현재 시점 t에서는 이전 시점인 (t-1)에서의 예측한 오차를 이용하여 가중치를 구하는 것을 특징으로 할 수 있다.
상기 기술적 과제를 해결하기 위한 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법은 실시간 다변량 시계열 예측시스템이 학습데이터를 통해 상기 복수의 동적전이 모형들을 생성하는 단계, 상기 실시간 다변량 시계열 예측시스템이 생성한 상기 복수의 동적전이 모형들 중 소정 개수를 선택하여 선택된 선택 모형들에 기초한 동적전이 앙상블 모형을 이용하여, 실시간 데이터를 입력받아 상기 선택 모형들 각각의 가중치 또는 상기 선택 모형들 각각의 모형 계수를 업데이트하면서 실시간으로 예측을 수행하는 단계를 포함한다.
상기 방법은 데이터 처리장치에 설치되며 기록매체에 기록된 컴퓨터 프로그램에 의해 구현될 수 있다.
상기 기술적 과제를 해결하기 위한 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측시스템은 복수의 동적전이 모형들 각각에 대한 정보가 저장되는 DB, 상기 복수의 동적전이 모형들 중 소정 개수를 선택하여 선택된 선택 모형들에 기초한 동적전이 앙상블 모형을 정의하기 위한 앙상블 모형모듈, 실시간 데이터를 입력받아 상기 동적전이 앙상블 모형에 포함된 상기 선택 모형들 각각의 가중치 또는 상기 선택 모형들 각각의 모형 계수를 업데이트하면서 실시간으로 예측을 수행하기 위한 제어모듈을 포함한다.
상기 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측시스템은 학습데이터를 통하여 학습을 수행하여 상기 복수의 동적전이 모형들을 생성하는 동적전이 모형모듈을 더 포함할 수 있다.
상기 기술적 과제를 해결하기 위한 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측시스템은 프로세서 및 상기 프로세서에 의하여 실행되는 컴퓨터 프로그램을 저장하는 메모리를 포함하며, 상기 컴퓨터 프로그램은, 상기 프로세서에 의해 실행되는 경우, 상기 방법을 수행할 수 있다.
본 발명의 기술적 사상에 따르면, 복수의 동적전이 모형을 결합한 앙상블 모형을 이용하여 예측의 정확도를 높일 수 있는 효과가 있다. 또한 복수의 동적전이 모형들 각각의 가중치 및/또는 모형계수를 실시간으로 업데이트하면서 실시간 예측성능을 향상시킬 수 있는 효과가 있다.
또한 오프라인 학습을 통해 모형을 선별하여 온라인에서 실시간으로 정확도 높은 예측을 할 수 있는 효과가 있다.
또한 실시간 다변량 시계열 데이터를 이용하여 많은 변수들 중에서 타겟이 되는 반응변수를 설정하여 예측력을 향상시킬 수 있는 효과가 있다. 따라서 종래의 애플리케이션 성능관리 솔루션이나 CCTV 네트워크 등에서 실시간으로 장애를 예측하는데 이용될 수 있을 뿐만 아니라, 기타 다양한 데이터베이스나 서버에서 발생하는 로그 데이터나 성능 데이터 등과 같이 서버 네트워크 시스템에서 발생하는 실시간 다변량 시계열 데이터를 이용해서 분석, 예측이 필요한 산업에서 적용이 가능한 효과가 있다. 적절한 임계치를 설정할 수 있는 경우 이상치 탐지 분야에도 적용이 가능하며, 의료 산업에서 발생하는 데이터를 이용해 질병을 판단하거나, 네트워크 상의 침입 탐지와 같은 분야에도 적용 될 수 있는 효과가 있다.
본 발명의 상세한 설명에서 인용되는 도면을 보다 충분히 이해하기 위하여 각 도면의 간단한 설명이 제공된다.
도 1은 본 발명의 기술적 사상에 따른 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측시스템의 일 예를 나타낸다.
도 2는 본 발명의 일실시 예에 따른 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법을 구현하기 위한 개략적인 플로우 차트를 나타낸다.
도 3은 및 도 4는 본 발명의 일 실시 예에 따른 학습 데이터의 실시 예를 나타내는 도면이다.
도 5는 본 발명의 실시 예에 따라 복수의 동적전이 모형들 중에서 선택된 선택모형의 예시를 나타낸다.
도 6은 본 발명의 실시 예에 따른 앙상블 모형에서의 선택보형들 각각의 가중치 변화를 예시적으로 나타낸다.
도 7은 본 발명의 기술적 사상에 따른 예측결과를 나타내는 도면이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 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 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 출원에서 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 명세서에 있어서, “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.
또한, 본 명세서에 있어서는 어느 하나의 구성요소가 다른 구성요소로 데이터를 '전송'하는 경우에는 상기 구성요소는 상기 다른 구성요소로 직접 상기 데이터를 전송할 수도 있고, 적어도 하나의 또 다른 구성요소를 통하여 상기 데이터를 상기 다른 구성요소로 전송할 수도 있는 것을 의미한다. 반대로 어느 하나의 구성요소가 다른 구성요소로 데이터를 '직접 전송'하는 경우에는 상기 구성요소에서 다른 구성요소를 통하지 않고 상기 다른 구성요소로 상기 데이터가 전송되는 것을 의미한다.
이하, 첨부된 도면들을 참조하여 본 발명의 실시 예들을 중심으로 본 발명을 상세히 설명한다. 각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다.
도 1은 본 발명의 기술적 사상에 따른 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측시스템의 일 예를 나타낸다.
도 1을 참조하면, 본 발명의 기술적 사상에 따른 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법을 구현하기 위해서 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측시스템(이하, '예측시스템' , 100)이 구비될 수 있다.
상기 예측시스템(100)은 소정의 유저의 단말기에 클라이언트 형태로 설치되거나 또는 서버 측에 설치되는 시스템일 수 있다. 상기 예측시스템(100)은 소정의 데이터 처리장치에 설치되며 본 발명의 기술적 사상을 구현하기 위해 구현되는 소프트웨어(예컨대, 애플리케이션)와 상기 소프트웨어를 구동하기 위한 상기 데이터 처리장치의 하드웨어가 유기적으로 결합하여 구현되는 시스템일 수 있다.
상기 예측시스템(100)은 본 발명의 기술적 사상에 따라 다수의 독립변수가 존재하는 환경 즉, 다변량 환경에서 특정 변수의 시계열 데이터를 예측하기 위한 시스템일 수 있다. 이러한 상기 예측시스템(100)은 종래의 다변량 시계열 예측시스템(예컨대, Var 등)이 단일모형을 이용하여 한꺼번에 모든 변수들을 예측하는 방법에 비해 하나 또는 소수 개의 특정 변수(예컨대, 독립변수에 영향을 받는 종속변수)를 예측하는데 유리한 효과가 있다.
이하 본 명세서에서 예시하는 학습 데이터 및 모형들은 얘츨리케이션 성능관리(Application Performance Management) 시스템에 적용된 일 예들이며, 본 발명의 권리범위가 이에 한정되지는 않는다.
상기 예측시스템(100)은 제어모듈(110) 및 앙상블 모형모듈(120)을 포함한다.
상기 예측시스템(100)은 소정의 DB(130) 및/또는 동적전이 모형모듈(140)을 더 포함할 수 있다. 본 발명의 실시 예에 따라서는, 상술한 구성요소들 중 일부 구성요소는 반드시 본 발명의 구현에 필수적으로 필요한 구성요소에 해당하지 않을 수도 있으며, 또한 실시 예에 따라 상기 예측시스템(100)은 이보다 더 많은 구성요소를 포함할 수도 있음은 물론이다.
상기 예측시스템(100)은 본 발명의 기술적 사상을 구현하기 위해 필요한 하드웨어 리소스(resource) 및/또는 소프트웨어를 구비할 수 있으며, 반드시 하나의 물리적인 구성요소를 의미하거나 하나의 장치를 의미하는 것은 아니다. 즉, 상기 예측시스템(100)은 본 발명의 기술적 사상을 구현하기 위해 구비되는 하드웨어 및/또는 소프트웨어의 논리적인 결합을 의미할 수 있으며, 필요한 경우에는 서로 이격된 장치에 설치되어 각각의 기능을 수행함으로써 본 발명의 기술적 사상을 구현하기 위한 논리적인 구성들의 집합으로 구현될 수도 있다.
또한, 본 명세서에서 모듈이라 함은, 본 발명의 기술적 사상을 수행하기 위한 하드웨어 및 상기 하드웨어를 구동하기 위한 소프트웨어의 기능적, 구조적 결합을 의미할 수 있다. 예를 들면, 상기 모듈은 소정의 코드와 상기 소정의 코드가 수행되기 위한 하드웨어 리소스의 논리적인 단위를 의미할 수 있으며, 반드시 물리적으로 연결된 코드를 의미하거나, 한 종류의 하드웨어를 의미하는 것은 아님은 본 발명의 기술분야의 평균적 전문가에게는 용이하게 추론될 수 있다.
상기 제어모듈(110)은 상기 예측시스템(100)에 포함된 다른 구성들 예를 들면, 앙상블 모형모듈(120), DB(130), 및/또는 동적전이 모형모듈(140) 등의 기능 및/또는 리소스를 제어할 수 있다.
본 발명의 기술적 사상에 따른 예측시스템(100)은 다변량 시계열 예측에 대한 가정이 많고 다변량 데이터를 이용하여 특정 변수 하나에 대한 예측이 어려우면 다양한 상황에 강인하지 못한 문제점을 보완하기 위해 복수의 동적전이 모형들을 결합한 동적전이 앙상블 모형을 이용하는 특징이 있다.
이를 위해 상기 앙상블 모형모듈(120)은 미리 정의된 복수의 동적전이 모형들 중 소정 개수를 선택할 수 있다. 그리고 선택된 동적전이 모형들 즉, 선택모형에 기초한 동적전이 앙상블 모형을 정의할 수 있다. 이러한 동적전이 앙상블 모형은 다음과 같은 수학식으로 정의될 수 있다.
[수학식 1]
Figure 112017129603856-pat00009
여기서 w는 각각의 선택모형들의 가중치이고,
Figure 112017129603856-pat00010
는 k 번째 선택모형을 의미할 수 있다.
상기 앙상블 모형모듈(120)은 다수의 동적전이 모형들 중에서 K 개의 동적전이 모형들을 선택모형으로 선택할 수 있다. 물론, 상기 앙상블 모형모듈(120)은 예측성능이 뛰어난 모형들 순으로 상기 K 개의 선택모형을 선택할 수도 있고, 다양한 방식의 선택이 가능할 수 있다.
다수의 동적전이 모형들에 대한 정보는 상기 DB(130)에 저장되어 있을 수 있다.
또한, 상기 DB(130)에는 상기 다수의 동적전이 모형들을 학습시키기 위한 학습 데이터, 학습결과에 따른 동적전이 모형들에 대한 정보(즉, 동적전이 모형들을 정의하기 위한 모형계수 및 오차 등), 각각의 동적전이 모형들의 성능측정결과에 대한 정보가 더 저장되어 있을 수 있다.
상기 동적전이 모형들은 오프라인 학습을 통해 구축된 다변량 시계열 모형일 수 있다. 즉, 각각의 동적전이 모형들이 하나의 다변량 시계열 모형으로 동작할 수 있다.
상기 동적전이 모형들은 학습데이터를 통해 학습될 수 있으며, 학습의 결과를 통해 동적전이 모형을 정의하기 위한 계수들이 정의될 수 있다.
상기 동적전이 모형모듈(140)은 이러한 동적전이 모형들 다수를 생성할 수 있다. 생성된 동적전이 모형들에 대한 정보 및 관련정보(예컨대, 학습데이터, 성능 등)는 상기 DB(130)에 저장될 수 있음은 물론이다.
상기 동적전이 모형모듈(140)은 자기 회귀 영향 부분 및 현재 시점의 독립변수(
Figure 112017129603856-pat00011
)들의 영향을 선형 결합하여 상기 동적전이 모형들을 생성할 수 있다.
이러한 동적전이 모형들은 다음과 같은 수학식을 통해 생성될 수 있다.
[수학식 2]
Figure 112017129603856-pat00012
여기서 자기회귀 영향 부분은
Figure 112017129603856-pat00013
으로 표현될 수 있다.
또한 현재 시점의 독립변수(
Figure 112017129603856-pat00014
)들의 영향은
Figure 112017129603856-pat00015
로 표현될 수 있다.
또한, Y는 종속변수, B는 후진작용소(backshift operator), d는 차분차수(difference factor), p는 자기회귀 차수(autoregressive order), I는 표시함수(indicator function)
Figure 112017129603856-pat00016
,
Figure 112017129603856-pat00017
는 자기회귀 계수(autoregression coefficient),
Figure 112017129603856-pat00018
는 회귀모델 상수,
Figure 112017129603856-pat00019
는 독립변수에 대한 1차 회귀 계수(simple linear regression coefficient),
Figure 112017129603856-pat00020
는 오차, m은 독립변수의 개수를 의미할 수 있다.
일 실시 예에 의하면, 도 3에 도시된 바와 같은 데이터가 학습 데이터가 될 수 있다.
도 3은 본 발명의 일 실시 예에 따른 학습데이터의 일 예를 나타내며, 이러한 학습데이터는 애플리케이션 성능관리 솔루션에 이용되는 학습데이터일 수 있다.
도 3에 도시된 바와 같이 학습데이터 중 응답속도(response)가 종속변수 Y가 될 수 있고, 나머지 변수들(예컨대, Totla_mem, Free_mem, Used_mem, Usage, sys_cpu, user_cpu, count, http, javad, jdbc)이 모두 독립변수(x)가 될 수 있다. 따라서 이러한 학습데이터들을 이용해 상기 독립변수들이 어떤 값을 각각 가지면서 시계열적으로 변화될 때 상기 응답속도를 예측하기 위한 것이 본 발명의 기술적 사상에 따른 동적전이 앙상블 모형일 수 있다.
상기 동적전이 모형모듈(140)은 수학식 2를 이용하여 다수의 동적전이 모형을 생성할 수 있다.
예컨대, 상기 동적전이 모형모듈(140)은,
[수학식 3]
Figure 112017129603856-pat00021
개(여기서, q는 독립변수 선택개수)의 동적전이 모형들을 생성할 수 있다.
즉, 가능한 자기회귀 차수(p)와 가능한 차분차수(d) 및 종속변수에 영향을 미치는 독립변수 개수 q개일 경우, 가능한 서로 다른 모든 수학식 2의 개수가 수학식 3일 수 있다. 여기서
Figure 112017129603856-pat00022
는 독립변수가 q개인 경우 전체 독립변수의 개수(m) 중에서 서로 다른 1개를 뽑을 수 있는 조합의 수부터 서로 다른 q개까지 뽑을 수 있는 조합의 수를 의미할 수 있다. 즉, [수학식 3]은 종속변수에 영향을 미치는 독립변수가 q개 이하라고 가정할 경우, 생성될 수 있는 모든 서로 다른 수학식 2의 개수가 될 수 있다.
이처럼 다수 개(예컨대, 수학식 3의 개수)의 서로 다른 동적전이 모형들이 생성되고 학습되면 학습된 동적전이 모형은 각각 상기 DB(130)에 저장될 수 있다.
일 실시 예에 의하면, 상기 동적전이 모형모듈(140)은 학습데이터들(예컨대, 4000개) 중 일부(예컨대, 3000개)를 이용하여 동적전이 모형을 생성하고, 나머지 일부(예컨대, 1000개)를 이용하여 생성한 동적전이 모형을 업데이트할 수 있다. 그리고 각각의 모형의 성능을 평가할 수 있는 소정의 측정치(예컨대, RMSE : Root Meas Square Error)를 상기 DB(130)에 같이 저장할 수도 있다.
예컨대, 도 5에 도시된 데이터는 성능측정치(예컨대, RMSE)를 기준으로 높은순으로 정렬한 동적전이 모형의 식별번호들을 나타내고 있다. 즉, 1628번째 동적전이 모형이 가장 높은 성능측정치(예컨대, 0.3679042)를 가짐을 의미할 수 있다.
그러면 상기 앙상블 모형모듈(120)은 상기 DB(130)에 저장된 서로 다른 동적전이 모형들 중 소정의 개수(예컨대, K개)를 동적전이 앙상블 모형에 이용할 모형 즉, 선택모형으로 선택할 수 있다. 물론 상기 앙상블 모형모듈(120)은 각각의 동적전이 모형의 성능평가결과가 좋은 순으로 K개의 동적전이 모형을 선택모형을 선택할 수 있다. 여기서 K 개는 임의로 선택될 수도 있고, 다수의 반복 시뮬레이션을 통해 학습데이터의 개수나 기타 다양한 상황에 적합한 K개가 결정되는 과정을 거칠 수도 있다.
그러면 상기 앙상블 모형모듈(120)에 의해 정의되는 동적전이 앙상블 모형은 전술한 수학식 1과 같을 수 있다.
이처럼 동적전이 앙상블 모형이 정의되면, 상기 제어모듈(110)은 실시간 데이터를 입력받아 상기 동적전이 앙상블 모형에 포함된 상기 선택 모형들 각각의 가중치 및/또는 상기 선택 모형들 각각의 모형 계수를 업데이트하면서 실시간으로 예측을 수행할 수 있다. 즉, 앙상블 모형이 동적전이가 되면서 실시간으로 시계열적 예측을 수행할 수 있다.
상기 제어모듈(110)이 선택모형들 각각의 가중치를 업데이트한다고 함은, 실시간으로 각각의 선택모형들의 영향력 또는 성능이 동적전이 됨을 의미할 수 있다. 또한 선택모형들 각각의 모형계수(예컨대,
Figure 112017129603856-pat00023
Figure 112017129603856-pat00024
등)는 선택모형을 정의하는 파라미터 자체가 실시간으로 동적 전이됨을 의미할 수 있다.
이처럼 상기 제어모듈(110)은 실시간 데이터가 입력됨에 따라 실시간으로 동적전이하면서 동적전이 앙상블 모형을 업데이트하여 예측성능을 향상시키는 효과가 있다.
상기 제어모듈(110)은 다음과 같은 수학식을 이용하여 선택모형들 각각의 가중치를 업데이트할 수 있다.
[수학식 4]
Figure 112017129603856-pat00025
여기서
Figure 112017129603856-pat00026
는 동적전이 모형에 의해 예측된 예측값을 의미할 수 있으며, 수학식 4의 왼쪽 식은 현재 시점의 다음시점부터 예측하고자 하는 시간 타임 개수(T)까지의 실제 데이터(
Figure 112017129603856-pat00027
)와 예측값(
Figure 112017129603856-pat00028
)의 차이의 제곱의 합에 반비례하여 해당 동적전이 모형의 가중치가 연산됨을 의미할 수 있다. 또한 수학식 4의 오른쪽 식은 선택모형들 각각의 가중치의 합은 1이 됨을 의미할 수 있으며 각각의 가중치는 전체 가중치의 합에서 차지하는 해당 가중치의 비율을 나타냄을 의미할 수 있다.
한편, 상기 제어모듈(110)은 상기 선택모형들 각각의 모형계수를 업데이트할 수 있으며, 이때에는 널리 알려진 바와 같이 미리 정해진 윈도 사이즈를 이용하여 전진 업데이트를 하면서 RLS(Recursive Least Square)방법을 통해 상기 선택 모형 들 각각의 모형 계수를 업데이트할 수 있다.
한편, 상기 제어모듈(110)은 수학식 5에 의하면, 현재 시점의 바로 다음 시점을 예측하는 경우라고 하면, 현재 시점 t에서는
Figure 112017129603856-pat00029
을 이용하여 해당
Figure 112017129603856-pat00030
번째 선택모형의 가중치를 구해야하지만 온라인(실시간)으로 순차적으로 데이터가 입력되는 상황이므로
Figure 112017129603856-pat00031
이 존재하지 않게 된다. 따라서 이때에는 (t-1)의 시점에서의 오차 즉,
Figure 112017129603856-pat00032
를 이용하여 가중치
Figure 112017129603856-pat00033
를 구할 수도 있다.
마찬가지로 현재 시점이 t일 경우, 그 이후의 시점의 가중치(예컨대, t+n)은 (t-n)의 시점에서의 오차인
Figure 112017129603856-pat00034
를 이용하여 가중치
Figure 112017129603856-pat00035
를 구할 수도 있다.
이러한 본 발명의 기술적 사상에 따른 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법을 정리하면 도 2와 같을 수 있다.
도 2는 본 발명의 일실시 예에 따른 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법을 구현하기 위한 개략적인 플로우 차트를 나타낸다.
도 2를 참조하면, 본 발명의 기술적 사상에 따른 예측시스템(100)은 학습데이터를 입력받아 오프라인에서 학습을 수행할 수 있다(S100, S110).
그 결과 전술한 바와 같이 복수 개(예컨대, 수학식 3)의 동적전이 모형들이 생성될 수 있다(S120). 각각의 동적전이 모형은 수학식 2에 의해 정의될 수 있다.
그러면 상기 예측시스템(100)은 복수 개의 동적전이 모형들 중 K개를 선택하여 동적전이 앙상블 모형을 구축할 수 있다(S130). 구축되는 동적전이 앙상블 모형은 수학식 1과 같을 수 있다.
그러면 상기 예측시스템(100)은 실시간으로(온라인) 입력데이터를 획득하고(S140), 이에 따라 실시간으로 각각의 선택모형의 가중치 및/또는 모형계수를 업데이트하면서 예측을 수행할 수 있다(S150).
이러한 본원발명의 기술적 사상에 따른 실시 예는 도 3 내지 도 7을 참조하여 설명하도록 한다.
도 3은 및 도 4는 본 발명의 일 실시 예에 따른 학습 데이터의 실시 예를 나타내는 도면이고, 도 5는 본 발명의 실시 예에 따라 복수의 동적전이 모형들 중에서 선택된 선택모형의 예시를 나타내며, 도 6은 본 발명의 실시 예에 따른 앙상블 모형에서의 선택모형들 각각의 가중치 변화를 나타내고, 도 7은 본 발명의 기술적 사상에 따른 예측결과를 나타내는 도면이다.
본 발명의 실시 예에 따르면 도 3에 도시된 바와 같은 종류의 학습데이터를 이용하여 전술한 바와 같이 애플리케이션의 선능관리 솔루션에 적용하기 위한 예측을 수행하였다. 이때 예측하고자 하는 종속변수는 응답속도이다.
실제 학습데이터는 4000개를 사용하였고, 이렇게 사용된 학습데이터는 도 4에 도시된 바와 같다.
이러한 4000개의 학습데이터들 중 상기 예측시스템(100)은 3000개의 학습데이터를 이용하여 다수의 동적전이 모형들을 구축하였고, 나머지 1000개의 학습데이터를 이용하여 각각의 동적전이 모형들을 업데이트하였다.
그리고 도 5에 도시된 바와 같이 각각의 동적전이 모형들의 성능치(예컨대, RMSE)를 이용하여 K(예컨대, 40개)개의 선택모형을 선택하였다. 도 5에서는 t+6의 예측성능에 따라 선택된 선택모형과 해당 선택모형의 성능치를 나타낸다.
그리고 선택된 K개의 선택모형을 이용한 동적전이 앙상블 모형을 정의하고, 이를 이용하여 가중치와 모형계수들을 업데이트하면서 예측을 수행하였다.
온라인에서 초기 실시간 데이터 200개가 들어온 시점 이후부터 예측을 시작하였고, 그 결과 도 6에서와 같이 K개(40개)의 선택모형의 가중치가 변화되는 것을 확인할 수 있었다.
또한 도 7은 위와 같은 환경에서 t+6의 예측결과를 나타내는데, 검은 실선이 실제 데이터이고 붉은 실선이 본 발명의 실시 예에 따른 동적전이 앙상블 모형을 통한 예측치를 나타낸다. 그리고 도 7에 도시된 바와 같이 상대적으로 우수한 예측성능이 발휘됨을 알 수 있다.
본 발명의 기술적 사상에 따른 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법은 다양한 데이터베이스나 서버에서 발생하는 로그 데이터나 성능 데이터 등과 같이 서버 네트워크 시스템에서 발생하는 실시간 다변량 시계열 데이터를 이용해서 분석, 예측이 필요한 산업에서 적용이 가능할 수 있다. 또한 적절한 임계치를 설정할 수 있는 경우 이상치 탐지 분야에도 적용이 가능하며, 의료 산업에서 발생하는 데이터를 이용해 질병을 판단하거나, 네트워크 상의 침입 탐지와 같은 분야에도 적용 될 수도 있다.
한편, 본 발명의 실시 예에 따른 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법은 컴퓨터가 읽을 수 있는 프로그램 명령 형태로 구현되어 컴퓨터로 읽을 수 있는 기록 매체에 저장될 수 있으며, 본 발명의 실시예에 따른 제어 프로그램 및 대상 프로그램도 컴퓨터로 판독 가능한 기록 매체에 저장될 수 있다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다.
기록 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 소프트웨어 분야 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터로 읽을 수 있는 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 전자적으로 정보를 처리하는 장치, 예를 들어, 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타나며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (15)

  1. 실시간 다변량 시계열 예측시스템이 복수의 동적전이 모형들 중 소정 개수를 선택하여 선택된 선택 모형들에 기초한 동적전이 앙상블 모형을 정의하는 단계;
    상기 실시간 다변량 시계열 예측시스템이 실시간 데이터를 입력받아 상기 동적전이 앙상블 모형에 포함된 상기 선택 모형들 각각의 가중치 또는 상기 선택 모형들 각각의 모형 계수를 업데이트하면서 예측을 수행하는 단계를 포함하는 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법.
  2. 제1항에 있어서, 상기 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법은,
    상기 실시간 다변량 시계열 예측시스템이 학습데이터를 통해 상기 복수의 동적전이 모형들을 생성하는 단계를 더 포함하는 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법.
  3. 제2항에 있어서, 상기 실시간 다변량 시계열 예측시스템이 학습데이터를 통해 복수의 동적전이 모형들을 생성하는 단계는,
    종속변수 Y에 대해 상기 종속변수 Y의 자기 회귀 영향과 현재 시점의 독립변수 x들의 영향을 선형 결합하여 상기 동적전이 모형들을 생성하는 단계를 포함하는 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법.
  4. 제3항에 있어서, 상기 동적전이 모형들은 다음의 수식에 의해 생성되는 것인 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법.
    [수학식]
    Figure 112019503455747-pat00036

    여기서 Y는 종속변수, B는 backshift operator, d는 차분차수(difference factor), p는 자기회귀차수, I는 표시함수,
    Figure 112019503455747-pat00037
    는 자기회귀계수,
    Figure 112019503455747-pat00038
    는 회귀모델 상수,
    Figure 112019503455747-pat00039
    는 독립변수 x에 대한 1차 회귀계수,
    Figure 112019503455747-pat00040
    는 오차항, m은 독립변수의 개수를 나타낸다.
  5. 제4항에 있어서, 상기 실시간 다변량 시계열 예측시스템이 학습데이터를 통해 상기 복수의 동적전이 모형들을 생성하는 단계는,
    Figure 112017129603856-pat00041
    개(여기서, q는 독립변수 선택개수)의 동적전이 모형들을 생성하는 것을 특징으로 하는 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법.
  6. 제1항에 있어서, 상기 실시간 다변량 시계열 예측시스템이 생성된 복수의 동적전이 모형들 중 소정 개수를 선택하여 선택된 선택 모형들에 기초한 동적전이 앙상블 모형을 정의하는 단계는,
    상기 복수의 동적전이 모형들 중에서 예측성능이 뛰어난 K개를 상기 선택 모형들로 뽑는 것을 특징으로 하는 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법.
  7. 제1항에 있어서, 상기 동적전이 앙상블 모형은 다음과 같은 수식에 의해 정의되는 것을 특징으로 하는 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법.
    Figure 112017129603856-pat00042

    여기서 w는 각각의 선택모형들의 가중치.
  8. 제1항에 있어서, 상기 실시간 다변량 시계열 예측시스템이 상기 동적전이 앙상블 모형에 포함된 상기 선택 모형들 각각의 가중치 또는 상기 선택 모형들 각각의 모형 계수를 업데이트하면서 실시간으로 예측을 수행하는 단계는,
    다음의 수학식을 이용하여 상기 가중치를 업데이트하는 것을 특징으로 하는 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법.
    Figure 112017129603856-pat00043

  9. 제1항에 있어서, 상기 실시간 다변량 시계열 예측시스템이 상기 동적전이 앙상블 모형에 포함된 상기 선택 모형들 각각의 가중치 또는 상기 선택 모형들 각각의 모형 계수를 업데이트하면서 실시간으로 예측을 수행하는 단계는,
    미리 정해진 윈도 사이즈를 이용하여 전진 업데이트를 하면서 RLS방법을 통해 상기 선택 모형들 각각의 모형 계수를 업데이트하는 것을 특징으로 하는 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법.
  10. 제1항에 있어서, 상기 실시간 다변량 시계열 예측시스템이 상기 동적전이 앙상블 모형에 포함된 상기 선택 모형들 각각의 가중치 또는 상기 선택 모형들 각각의 모형 계수를 업데이트하면서 실시간으로 예측을 수행하는 단계는,
    현재 시점 t에서는 이전 시점인 (t-1)에서의 예측한 오차를 이용하여 가중치를 구하는 것을 특징으로 하는 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법.
  11. 실시간 다변량 시계열 예측시스템이 학습데이터를 통해 복수의 동적전이 모형들을 생성하는 단계;
    상기 실시간 다변량 시계열 예측시스템이 생성한 상기 복수의 동적전이 모형들 중 소정 개수를 선택하여 선택된 선택 모형들에 기초한 동적전이 앙상블 모형을 이용하여, 실시간 데이터를 입력받아 상기 선택 모형들 각각의 가중치 또는 상기 선택 모형들 각각의 모형 계수를 업데이트하면서 예측을 수행하는 단계를 포함하는 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법.
  12. 데이터 처리장치에 설치되며 제1항 내지 제11항 중 어느 한 항에 기재된 방법을 수행하기 위한 기록매체에 기록된 컴퓨터 프로그램.
  13. 복수의 동적전이 모형들 각각에 대한 정보가 저장되는 DB;
    상기 복수의 동적전이 모형들 중 소정 개수를 선택하여 선택된 선택 모형들에 기초한 동적전이 앙상블 모형을 정의하기 위한 앙상블 모형모듈;
    실시간 데이터를 입력받아 상기 동적전이 앙상블 모형에 포함된 상기 선택 모형들 각각의 가중치 또는 상기 선택 모형들 각각의 모형 계수를 업데이트하면서 예측을 수행하기 위한 제어모듈을 포함하는 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측시스템.
  14. 제13항에 있어서, 상기 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측시스템은,
    학습데이터를 통하여 학습을 수행하여 상기 복수의 동적전이 모형들을 생성하는 동적전이 모형모듈을 더 포함하는 동적전이 앙상블 모형을 통한 실시간 다변량 시계열 예측시스템.
  15. 프로세서; 및
    상기 프로세서에 의하여 실행되는 컴퓨터 프로그램을 저장하는 메모리를 포함하며,
    상기 컴퓨터 프로그램은, 상기 프로세서에 의해 실행되는 경우, 상기 제1항 내지 제10항 중 어느 한 항에 기재된 방법을 수행하도록 하는 데이터 처리장치.
KR1020170180576A 2017-12-27 2017-12-27 동적 전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법 및 그 시스템 KR102038703B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170180576A KR102038703B1 (ko) 2017-12-27 2017-12-27 동적 전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법 및 그 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170180576A KR102038703B1 (ko) 2017-12-27 2017-12-27 동적 전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법 및 그 시스템

Publications (2)

Publication Number Publication Date
KR20190078850A KR20190078850A (ko) 2019-07-05
KR102038703B1 true KR102038703B1 (ko) 2019-11-26

Family

ID=67225030

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170180576A KR102038703B1 (ko) 2017-12-27 2017-12-27 동적 전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법 및 그 시스템

Country Status (1)

Country Link
KR (1) KR102038703B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11823077B2 (en) 2020-08-13 2023-11-21 International Business Machines Corporation Parallelized scoring for ensemble model
KR20240039729A (ko) 2022-09-20 2024-03-27 고려대학교 산학협력단 Sacae와 tcn을 이용한 다변량 대 다변량 시계열 데이터 예측 장치 및 방법

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11139048B2 (en) 2017-07-18 2021-10-05 Analytics For Life Inc. Discovering novel features to use in machine learning techniques, such as machine learning techniques for diagnosing medical conditions
US11062792B2 (en) 2017-07-18 2021-07-13 Analytics For Life Inc. Discovering genomes to use in machine learning techniques
KR102608732B1 (ko) * 2021-09-06 2023-12-01 울산대학교 산학협력단 대체 필터의 동작 방법 및 이를 이용한 자료 동화 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101677008B1 (ko) 2015-11-20 2016-11-17 (주)엔키아 Tsd 기반 데이터 예측 방법

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100640264B1 (ko) * 2002-03-02 2007-02-28 김용대 앙상블 모형을 이용한 데이터 마이닝 모형 구축 장치 및그 방법
KR101039717B1 (ko) * 2009-07-07 2011-06-09 한국전자통신연구원 사이버위협을 예측하기 위한 사이버위협 예측 엔진 시스템 및 상기 시스템을 이용한 사이버위협 예측 방법
KR20140140361A (ko) * 2013-05-29 2014-12-09 창원대학교 산학협력단 앙상블 유출 예측기법을 적용한 하천 수질예측 시스템
KR101538306B1 (ko) * 2013-11-11 2015-07-21 (주)큐버솔루션 유사태풍분석 예측 시스템 및 이를 이용한 유사태풍분석 예측 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101677008B1 (ko) 2015-11-20 2016-11-17 (주)엔키아 Tsd 기반 데이터 예측 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11823077B2 (en) 2020-08-13 2023-11-21 International Business Machines Corporation Parallelized scoring for ensemble model
KR20240039729A (ko) 2022-09-20 2024-03-27 고려대학교 산학협력단 Sacae와 tcn을 이용한 다변량 대 다변량 시계열 데이터 예측 장치 및 방법

Also Published As

Publication number Publication date
KR20190078850A (ko) 2019-07-05

Similar Documents

Publication Publication Date Title
KR102038703B1 (ko) 동적 전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법 및 그 시스템
JP6609050B2 (ja) 時間的因果グラフにおける異常フュージョン
US9727035B2 (en) Computer apparatus and method using model structure information of model predictive control
US9286573B2 (en) Cost-aware non-stationary online learning
Jamaludin et al. N4SID and MOESP subspace identification methods
KR102293791B1 (ko) 반도체 소자의 시뮬레이션을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체
JP2018528511A (ja) 生産システムにおける出力効率の最適化
WO2018150798A1 (ja) モデル推定システム、方法およびプログラム
US11715284B2 (en) Anomaly detection apparatus, anomaly detection method, and program
CN113037577A (zh) 网络流量预测方法、装置和计算机可读存储介质
WO2022009010A1 (en) Model fidelity monitoring and regeneration for manufacturing process decision support
CN112613617A (zh) 基于回归模型的不确定性估计方法和装置
US10248462B2 (en) Management server which constructs a request load model for an object system, load estimation method thereof and storage medium for storing program
JP2019185163A (ja) データ予測装置、方法、及びプログラム
JP7152938B2 (ja) 機械学習モデル構築装置および機械学習モデル構築方法
CN108897673B (zh) ***容量评估方法与装置
KR102134682B1 (ko) 실시간 시계열 데이터를 위한 예측 모형 생성 시스템 및 방법
US20230222385A1 (en) Evaluation method, evaluation apparatus, and non-transitory computer-readable recording medium storing evaluation program
WO2020218246A1 (ja) 最適化装置、最適化方法、及びプログラム
KR102124425B1 (ko) 시계열 데이터 예측 모델 평가 방법 및 장치
CN113825165A (zh) 基于时间图网络的5g切片网络拥塞预警方法及装置
Aguayo-Lara et al. Sensor placement for distinguishability and single structure observer design in continuous timed Petri nets
US20150212974A1 (en) Fast and automated arima model initialization
CN115860856A (zh) 一种数据处理方法、装置、电子设备及存储介质
JP6977877B2 (ja) 因果関係推定装置、因果関係推定方法および因果関係推定プログラム

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant