KR102289396B1 - Application of reinforcement learning for the advancement of forecasting item demand of repair parts of military equipment - Google Patents

Abstract

군장비 수리부속 품목 수요예측의 고도화를 위한 강화학습 적용 기술이 개시된다. 일 실시예에 따른 군장비 수리부속 품목 수요 예측 방법은, 군장비 수리부속 품목의 수요예측을 위한 적어도 하나 이상의 서로 다른 학습 모델을 구성하는 단계; 상기 구성된 적어도 하나 이상의 서로 다른 학습 모델에 품목 데이터를 학습시킴에 따라 각각의 예측 결과 데이터를 획득하는 단계; 및 상기 획득된 각각의 예측 결과 데이터를 통하여 군장비 수리부속 품목의 수요를 예측하는 단계를 포함할 수 있다. Reinforcement learning application technology for advanced prediction of demand for military equipment repair accessories is disclosed. A method for predicting demand for military equipment repair accessory items according to an embodiment comprises the steps of: configuring at least one or more different learning models for predicting demand for military equipment repair accessory items; acquiring each prediction result data as the item data is learned in the configured at least one or more different learning models; And it may include the step of predicting the demand of the military equipment repair accessory items through each of the obtained prediction result data.

Description

군장비 수리부속 품목 수요예측의 고도화를 위한 강화학습 적용{APPLICATION OF REINFORCEMENT LEARNING FOR THE ADVANCEMENT OF FORECASTING ITEM DEMAND OF REPAIR PARTS OF MILITARY EQUIPMENT}APPLICATION OF REINFORCEMENT LEARNING FOR THE ADVANCEMENT OF FORECASTING ITEM DEMAND OF REPAIR PARTS OF MILITARY EQUIPMENT}

아래의 설명은 군장비 수리부속 품목의 수요를 예측하는 방법 및 시스템에 관한 것이다. The description below relates to a method and system for predicting the demand for military equipment repair accessories.

수요예측의 정확도에 따라 생산관리의 모든 문제(설비, 투자, 관리)의 성과가 결정되기 때문에 수요예측의 정확도를 올리는 것은 중요하다. 그러나 현실적으로 정확한 수요예측은 어렵다. 최근 수요예측을 위한 한 방법으로 머신러닝 및 딥러닝 연구가 진행되고 있다. 그러나 머신러닝 및 딥러닝을 통한 수요예측은 수요가 미발생 했을 경우에도 발생을 했다고 예측하는 경우가 있기 때문에 낮은 정확도를 보이는 문제점이 있다. It is important to increase the accuracy of demand forecasting because the performance of all problems of production management (facility, investment, management) is determined according to the accuracy of demand forecasting. However, in reality, it is difficult to accurately forecast demand. Recently, machine learning and deep learning research are being conducted as a method for forecasting demand. However, demand forecasting through machine learning and deep learning has a problem of showing low accuracy because it sometimes predicts that demand has occurred even when it has not occurred.

기존 군장비 수리부속 품목 수요예측은 군, 민간기업 등에서 많은 시도가 있었고 연구되고 있다. 그러나 정확도가 낮아서 품목 수요산정을 할 때 실제로 사용하기엔 어려운 실정이다. 품목 수요산정을 할 때 오차가 크면 재정에 큰 손실을 줄 수 있기 때문에 정확도를 높여 오차를 줄이는 것이 중요하다. 하지만 품목 수요가 일정한 간격으로 발생하는 것이 아닌 불규칙하고 다양한 간격으로 수요가 발생하기 때문에 품목 수요산정의 정확도를 향상시킬 수 있는 기술이 요구된다. There have been many attempts and studies in the military and private companies to predict the demand for repair accessories for existing military equipment. However, it is difficult to use in practice when estimating the demand for items due to low accuracy. When estimating the demand for items, it is important to reduce the error by increasing the accuracy because a large error can cause a huge financial loss. However, since the demand for items does not occur at regular intervals, but at irregular and varied intervals, a technology capable of improving the accuracy of item demand calculation is required.

강화학습과 머신러닝/딥러닝을 적용하여 군장비 수리부속 품목 수요를 예측하는 방법 및 시스템을 제공할 수 있다. 구체적으로, 강화학습 모델을 통하여 품목 데이터를 학습시킴에 따라 획득된 수요가 발생 또는 미발생할 것인지 예측한 결과와 머신러닝 및 딥러닝 모델을 통하여 품목 데이터를 학습시킴에 따라 획득된 수요량을 예측한 결과를 합산하여 군장비 수리부속 품목 수요를 예측하는 방법 및 시스템을 제공할 수 있다. By applying reinforcement learning and machine learning/deep learning, it is possible to provide a method and system for predicting the demand for repair parts for military equipment. Specifically, the result of predicting whether demand obtained by learning item data through the reinforcement learning model will occur or not, and the result of predicting the quantity of demand obtained by learning item data through machine learning and deep learning models It is possible to provide a method and system for predicting the demand for military equipment repair accessories by adding

군장비 수리부속 품목 수요 예측 방법은, 군장비 수리부속 품목의 수요예측을 위한 적어도 하나 이상의 서로 다른 학습 모델을 구성하는 단계; 상기 구성된 적어도 하나 이상의 서로 다른 학습 모델에 품목 데이터를 학습시킴에 따라 각각의 예측 결과 데이터를 획득하는 단계; 및 상기 획득된 각각의 예측 결과 데이터를 통하여 군장비 수리부속 품목의 수요를 예측하는 단계를 포함할 수 있다. The method for predicting the demand for military equipment repair accessories comprises the steps of: configuring at least one or more different learning models for predicting the demand for military equipment repair accessories; acquiring each prediction result data as the item data is learned in the configured at least one or more different learning models; And it may include the step of predicting the demand of the military equipment repair accessory items through each of the obtained prediction result data.

상기 학습 모델을 구성하는 단계는, 상기 군장비 수리부속 품목의 수요량을 예측하기 위한 머신러닝 및 딥러닝 모델을 구성하고, 상기 군장비 수리부속 품목의 수요 여부를 예측하기 위한 강화학습 모델을 구성하는 단계를 포함할 수 있다. The step of configuring the learning model comprises configuring a machine learning and deep learning model for predicting the demand for the military equipment repair accessory, and configuring a reinforcement learning model for predicting whether the demand for the military equipment repair accessory item is in demand. may include

상기 각각의 예측 결과를 획득하는 단계는, 상기 딥러닝 모델에 학습시키기 위한 품목 데이터의 값을 전처리하는 과정을 진행하며, 품목 데이터의 이상값을 제거하고 품목 데이터 간 수요량을 표준화하기 위하여 min-max scaling을 적용하여 품목 데이터의 수요 데이터를 0 내지 1 사이의 값을 표준화하는 단계를 포함할 수 있다. In the step of obtaining each prediction result, a process of preprocessing the value of item data for training in the deep learning model is performed, and min-max is performed to remove outliers in item data and standardize the amount of demand between item data. It may include the step of standardizing the demand data of the item data to a value between 0 and 1 by applying scaling.

상기 각각의 예측 결과를 획득하는 단계는, 상기 표준화된 품목 데이터의 수요 데이터를 머신러닝 및 딥러닝 모델에 학습시킴에 따라 품목 데이터의 수요량을 예측한 결과 데이터를 획득하고, 상기 표준화된 품목 데이터의 수요 데이터를 강화학습 모델에 학습시킴에 따라 품목 데이터에 대한 수요의 발생 여부를 예측한 결과 데이터를 획득하는 단계를 포함하고, 상기 예측하는 단계는, 상기 획득된 각각의 결과 데이터를 합산하여 군장비 수리분속 품목 수요량을 산출하는 단계를 포함할 수 있다. The obtaining of the respective prediction results includes: acquiring the result data of predicting the quantity of item data demand by learning the standardized item data demand data in a machine learning and deep learning model; Comprising the step of obtaining the result data of predicting whether or not the demand for the item data will occur as the demand data is trained on the reinforcement learning model, wherein the predicting comprises summing up each of the obtained result data to repair military equipment It may include the step of calculating the demand for each item.

상기 예측하는 단계는, 상기 강화학습 모델을 학습시킴에 따라 획득된 결과 데이터 중 수요가 미발생으로 예측되는 품목 데이터에 대하여 상기 머신러닝 및 딥러닝 모델의 결과 데이터에서 상기 수요가 미발생으로 예측되는 품목 데이터를 0으로 산출하는 단계를 포함할 수 있다. In the predicting step, the demand is predicted as non-occurrence in the result data of the machine learning and deep learning models with respect to item data for which the demand is predicted as non-occurrence among the result data obtained by learning the reinforcement learning model. It may include calculating the item data as 0.

군장비 수리부속 품목 수요를 예측하기 위한 예측 시스템은, 군장비 수리부속 품목의 수요예측을 위한 적어도 하나 이상의 서로 다른 학습 모델을 구성하는 모델 구성부; 상기 구성된 적어도 하나 이상의 서로 다른 학습 모델에 품목 데이터를 학습시킴에 따라 각각의 예측 결과 데이터를 획득하는 획득부; 및 상기 획득된 각각의 예측 결과 데이터를 통하여 군장비 수리부속 품목의 수요를 예측하는 예측부를 포함할 수 있다.The prediction system for predicting the demand for military equipment repair accessories includes: a model configuration unit for configuring at least one or more different learning models for predicting the demand for military equipment repair accessories; an acquisition unit that acquires each prediction result data by learning item data in the configured at least one or more different learning models; And it may include a prediction unit for predicting the demand of the military equipment repair accessory items through each of the obtained prediction result data.

상기 모델 구성부는, 상기 군장비 수리부속 품목의 수요량을 예측하기 위한 머신러닝 및 딥러닝 모델을 구성하고, 상기 군장비 수리부속 품목의 수요 여부를 예측하기 위한 강화학습 모델을 구성할 수 있다. The model configuration unit may configure a machine learning and deep learning model for predicting the demand amount of the military equipment repair accessory, and configure a reinforcement learning model for predicting whether the demand for the military equipment repair accessory item.

상기 획득부는, 상기 딥러닝 모델에 학습시키기 위한 품목 데이터의 값을 전처리하는 과정을 진행하며, 품목 데이터의 이상값을 제거하고 품목 데이터 간 수요량을 표준화하기 위하여 min-max scaling을 적용하여 품목 데이터의 수요 데이터를 0 내지 1 사이의 값을 표준화할 수 있다. The acquisition unit performs a process of pre-processing the value of item data for training in the deep learning model, and applies min-max scaling to remove outliers in item data and standardize the amount of demand between item data. The demand data can be normalized to a value between 0 and 1.

상기 획득부는, 상기 표준화된 품목 데이터의 수요 데이터를 머신러닝 및 딥러닝 모델에 학습시킴에 따라 품목 데이터의 수요량을 예측한 결과 데이터를 획득하고, 상기 표준화된 품목 데이터의 수요 데이터를 강화학습 모델에 학습시킴에 따라 품목 데이터에 대한 수요의 발생 여부를 예측한 결과 데이터를 획득하는 것을 포함하고, 상기 예측부는, 상기 획득된 각각의 결과 데이터를 합산하여 군장비 수리분속 품목 수요량을 산출할 수 있다. The acquisition unit acquires data as a result of predicting the quantity of demand for item data as the demand data of the standardized item data is learned by machine learning and deep learning models, and the demand data of the standardized item data is applied to the reinforcement learning model. Acquiring the result data of predicting whether the demand for the item data occurs according to the learning, wherein the prediction unit may calculate the amount of demand for items per unit repair for military equipment by summing up each of the obtained result data.

상기 예측부는, 상기 강화학습 모델을 학습시킴에 따라 획득된 결과 데이터 중 수요가 미발생으로 예측되는 품목 데이터에 대하여 상기 머신러닝 및 딥러닝 모델의 결과 데이터에서 상기 수요가 미발생으로 예측되는 품목 데이터를 0으로 산출할 수 있다. The prediction unit may include: Item data for which the demand is predicted as non-occurrence in the result data of the machine learning and deep learning models with respect to item data for which demand is predicted as non-occurrence among result data obtained by learning the reinforcement learning model can be calculated as 0.

일 실시예에 따른 예측 시스템은 품목 데이터를 머신러닝 및 딥러닝 모델과 강화학습 모델 각각에 학습시키고, 학습된 결과 데이터를 결합하여 군장비 수리부속 품목의 수요를 예측함으로써 군장비 수리부속 품목 수요예측의 정확도를 향상시킬 수 있다. The prediction system according to an embodiment trains item data to machine learning and deep learning models and reinforcement learning models, respectively, and predicts the demand for military equipment repair accessories by combining the learned result data to predict the demand for military equipment repair accessories. can improve

도 1은 일 실시예에 따른 예측 시스템의 동작을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 예측 시스템에서 학습 데이터를 정규화하는 것을 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 예측 시스템에서 머신러닝 및 딥러닝 수요예측 모델의 동작을 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 예측 시스템에서 랜덤 포레스트를 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 예측 시스템에서 Gradient Boosting를 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 예측 시스템에서 Deep Neural Network 를 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 예측 시스템에서 강화학습 수요예측 모델을 설명하기 위한 도면이다.
도 8은 일 실시예에 따른 예측 시스템에서 강화학습을 설명하기 위한 도면이다.
도 9는 일 실시예에 따른 예측 시스템에서 군장비 수리부속 품목의 예측 결과를 설명하기 위한 도면이다.
도 10은 일 실시예에 따른 예측 시스템에서 군장비 수리부속 품목의 예측 결과를 비교한 표를 나타낸 도면이다.
도 11은 일 실시예에 따른 예측 시스템의 구성을 설명하기 위한 블록도이다.
도 12는 일 실시예에 따른 예측 시스템에서 군장비 수리부속 품목을 예측하는 방법을 설명하기 위한 흐름도이다. 1 is a diagram for describing an operation of a prediction system according to an embodiment.
2 is a diagram for explaining normalization of training data in a prediction system according to an embodiment.
3 is a diagram for explaining the operation of a machine learning and deep learning demand prediction model in the prediction system according to an embodiment.
4 is a diagram for describing a random forest in a prediction system according to an embodiment.
5 is a diagram for explaining gradient boosting in a prediction system according to an embodiment.
6 is a diagram for explaining a deep neural network in a prediction system according to an embodiment.
7 is a diagram for explaining a reinforcement learning demand prediction model in a prediction system according to an embodiment.
8 is a diagram for explaining reinforcement learning in a prediction system according to an embodiment.
9 is a view for explaining a prediction result of a military equipment repair accessory item in the prediction system according to an embodiment.
10 is a view showing a table comparing prediction results of military equipment repair accessory items in the prediction system according to an embodiment.
11 is a block diagram illustrating a configuration of a prediction system according to an embodiment.
12 is a flowchart illustrating a method of predicting a military equipment repair accessory item in a prediction system according to an embodiment.

이하, 실시예를 첨부한 도면을 참조하여 상세히 설명한다.Hereinafter, embodiments will be described in detail with reference to the accompanying drawings.

도 1은 일 실시예에 따른 예측 시스템의 동작을 설명하기 위한 도면이다.1 is a diagram for describing an operation of a prediction system according to an embodiment.

예측 시스템은 데이터 전처리 과정, 수요예측을 위한 학습 모델로서 머신러닝 및 딥러닝을 통한 수요예측 과정, 강화학습을 통한 수요예측 과정, 예측을 수행한 결과를 합산하여 최종 결과를 도출하는 과정을 포함할 수 있다. The prediction system is a data preprocessing process, a learning model for demand forecasting, and a process of deriving the final result by summing up the demand forecasting process through machine learning and deep learning, the demand forecasting process through reinforcement learning, and the prediction. can

전처리 과정에서, 예측 시스템은 0~10000 사이의 서로 수치가 다른 데이터의 값을 정규화하고 이상값을 찾아 제거하는 작업을 수행할 수 있다. 전처리 과정을 통하여 데이터가 정제될 수 있고, 상기 데이터가 학습 데이터로 사용될 수 있다. 도 2를 참고하면, 학습 데이터를 정규화하는 것을 설명하기 위한 도면이다. 모든 품목 데이터의 값이 상이하기 때문에 예측에 어려움이 있다. 예측 시스템은 품목 데이터의 값을 전처리하는 과정을 진행할 수 있다. 구체적으로, 예측 시스템은 품목 데이터의 이상값을 제거한 후 품목 간 수요량을 표준화하기 위해 min-max scaling을 적용할 수 있다. 이때, min-max scaling이란 값을 0에서 1사이로 표준화하는 작업을 의미한다. 예측 시스템은 품목 데이터의 수요를 0에서 1 사이의 값으로 표준화한 후, 표준화된 값을 머신러닝 및 딥러닝 모듈, 강화학습 모듈에 적용할 수 있다.In the preprocessing process, the prediction system may perform a task of normalizing data values with different values between 0 and 10000 and finding and removing outliers. Data may be refined through a preprocessing process, and the data may be used as training data. Referring to FIG. 2 , it is a diagram for explaining normalization of learning data. Since the values of all item data are different, it is difficult to predict. The prediction system may proceed with the process of preprocessing the value of the item data. Specifically, the forecasting system can apply min-max scaling to standardize demand between items after removing outliers from item data. At this time, min-max scaling means standardizing the value from 0 to 1. After the prediction system standardizes the demand for item data to a value between 0 and 1, the standardized value can be applied to machine learning and deep learning modules and reinforcement learning modules.

일례로, 예측 시스템은 품목들을 수요패턴에 따라 클러스터링하여 수요패턴 별 품목 데이터를 생성할 수 있다. 예측 시스템은 클러스터링 결과를 바탕으로 품목을 그룹핑할 수 있고, 복수 개의 수요패턴 별 학습 모델을 생성하기 위하여 품목들을 수요패턴에 따라 클러스터링함에 따라 적어도 하나 이상의 클러스터를 생성할 수 있다. 이때, 클러스터는 수요패턴에 기초하여 클러스터링되어 생성될 수 있다. 예를 들면, 예측 시스템은 모든 품목 데이터를 K-means 알고리즘을 사용하여 복수 개의 수요패턴으로 클러스터링하여 각각의 수요패턴에 포함되는 품목 데이터를 하나로 결합할 수 있다. 예측 시스템은 클러스터링을 수행함에 따라 획득된 클러스터 각각에 포함된 품목 데이터의 이상값을 제거할 수 있다. 또는, 예측 시스템은 예측 시스템은 품목 데이터의 이상값을 제거한 후, 클러스터링을 수행할 수도 있다. 예측 시스템은 생성된 클러스터 각각에 포함된 품목 데이터들을 0 내지 1 사이의 값으로 정규화하고, 정규화된 각각의 데이터들을 통합할 수 있다. 예측 시스템은 생성된 수요패턴 별 품목 데이터를 사용하여 학습함에 따라 수요패턴과 관련된 군장비 수리부속 품목 데이터를 예측할 수 있다. For example, the prediction system may generate item data for each demand pattern by clustering items according to a demand pattern. The prediction system may group items based on the clustering result, and may generate at least one cluster by clustering items according to a demand pattern in order to generate a learning model for each of a plurality of demand patterns. In this case, the cluster may be generated by being clustered based on the demand pattern. For example, the prediction system may cluster all item data into a plurality of demand patterns using a K-means algorithm, and combine item data included in each demand pattern into one. The prediction system may remove outliers in item data included in each cluster obtained by performing clustering. Alternatively, the prediction system may perform clustering after the prediction system removes outliers from item data. The prediction system may normalize item data included in each of the generated clusters to a value between 0 and 1, and integrate each normalized data. As the prediction system learns using the generated item data for each demand pattern, it is possible to predict the data of repair accessories for military equipment related to the demand pattern.

수요예측 과정에서, 예측 시스템은 전처리된 데이터를 사용하여 머신러닝 및 딥러닝 모델에 학습시킴에 따라 획득된 수요 패턴에 맞는 품목 데이터를 예측할 수 있다. 또한, 예측 시스템은 전처리된 데이터를 강화학습 모델에 학습시킴에 따라 데이터에 대한 수요의 발생 또는 미발생을 예측할 수 있다. 도 3을 참고하면, 머신러닝 및 딥러닝 수요예측 모델의 동작을 설명하기 위한 도면이다. 예측 시스템은 전처리된 데이터를 머신러닝 및 딥러닝 모델을 통해 학습할 수 있다. 예측 시스템은 머신러닝 및 딥러닝 모델로 품목 데이터의 수량 값을 예측할 수 있다. 예를 들면, 예측 시스템은 머신러닝 알고리즘으로 RF(Random Forest), GB(Gradient Boosting), Extra Trees, AdaBoost, Bagging 등을 사용할 수 있고, 딥러닝 알고리즘으로 DNN(Deep Neural Network), LSTM(Long Short Term Memory) 등을 사용할 수 있다.In the demand forecasting process, the forecasting system can predict item data that fits the acquired demand pattern by training the machine learning and deep learning models using the preprocessed data. In addition, the prediction system can predict the occurrence or non-occurrence of demand for data as the preprocessed data is trained on the reinforcement learning model. Referring to FIG. 3 , it is a diagram for explaining the operation of a machine learning and deep learning demand forecasting model. Prediction systems can learn preprocessed data through machine learning and deep learning models. The prediction system can predict the quantity value of item data with machine learning and deep learning models. For example, the prediction system can use RF (Random Forest), GB (Gradient Boosting), Extra Trees, AdaBoost, Bagging, etc. as machine learning algorithms, and DNN (Deep Neural Network), LSTM (Long Short) as deep learning algorithms. Term Memory) can be used.

우선적으로 머신러닝 알고리즘에 대하여 설명하기로 한다. 구체적으로, 도 4를 참고하면, RF 알고리즘은 복수 개의 의사결정 트리를 사용하는 앙상블 방식의 알고리즘으로 복수 개의 트리가 하나의 숲을 이루는 형태를 띄고 있으며, 서로 조금씩 다른 특성을 갖는 트리들로 이루어진 앙상블기법으로 학습한다. 결과적으로 일반화 성능을 향상시킬 뿐만 아니라 노이즈가 포함된 데이터에 대해서도 강인한 모델을 구축할 수 있다. RF알고리즘은 분류 문제에도 사용되지만 회귀분석으로도 사용된다. 도 5를 참고하면, GB 알고리즘에 대하여 설명하기로 한다. GB 알고리즘은 다수의 모델들을 결합해서 보다 정확하고 강력한 모델을 생성하는 방법이다. GB 알고리즘은 모델의 오류를 정량화하는 손실 함수(Loss Function)를 최소화하는 파라미터를 찾는다. 또한, Extra Trees 알고리즘은 Random Forest와 유사하고 노드를 분할하는 cut point를 무작위로 구성하는 알고리즘이다. 또한, AdaBoost 알고리즘은 이전 약한 모델 결과의 오차를 다른 약한 모델의 Weight에 반영하는 방법으로 성능을 개선한다. Bagging 알고리즘은 샘플을 여러 번 뽑아 각 모델을 학습시켜 결과를 집계해 모델의 오류를 최소화하는 알고리즘이다.First, the machine learning algorithm will be described. Specifically, referring to FIG. 4 , the RF algorithm is an ensemble-type algorithm using a plurality of decision trees. The plurality of trees form a single forest, and the RF algorithm is an ensemble consisting of trees having slightly different characteristics. learn the technique As a result, not only can the generalization performance be improved, but also a robust model can be built for data containing noise. The RF algorithm is also used for classification problems, but also for regression analysis. Referring to FIG. 5 , the GB algorithm will be described. The GB algorithm is a method of generating a more accurate and robust model by combining multiple models. The GB algorithm finds parameters that minimize the loss function that quantifies the error of the model. Also, the Extra Trees algorithm is similar to the Random Forest and randomly constructs cut points that divide nodes. In addition, the AdaBoost algorithm improves performance by reflecting the error of the previous weak model result in the weights of other weak models. The bagging algorithm is an algorithm that minimizes model errors by taking samples multiple times and training each model to aggregate the results.

딥러닝 알고리즘에 대하여 설명하기로 한다. 딥러닝 알고리즘에 LSTM(Long Short Term Memory), DNN(DeepNeuralNetwork) 알고리즘 그룹이 있고 내부에 해당하는 그룹에 속하는 알고리즘이 있다. LSTM 알고리즘은 시계열 특성을 학습해 예측을 진행하는 대표적인 딥러닝 알고리즘이다. 도 6에 도시된 Deep Neural Network(DNN)은 층을 깊게 쌓은 심층 신경망을 의미한다. 종래에는 과적합과 높은 시간 복잡도 때문에 층을 깊게 쌓는 것이 불가능했었지만 DNN은 과적합은 드롭아웃(Dropout)으로, 높은 시간 복잡도는 GPU의 병렬처리를 이용하여 층을 깊게 쌓는 것이 가능하다. DNN과 같이 층을 깊게 했을 경우 더 적은 매개변수로 동일하거나 높은 수준의 표현력을 가질 수 있으며, 층을 깊게 해 작은 필터를 여러번 거치도록 하는 경우 매개변수의 수를 줄이고 넓은 수용영역을 가지도록 할 수 있다는 것이 장점이다.A deep learning algorithm will be described. In deep learning algorithms, there are LSTM (Long Short Term Memory) and DNN (DeepNeural Network) algorithm groups, and there are algorithms belonging to the corresponding groups. The LSTM algorithm is a representative deep learning algorithm that makes predictions by learning time series characteristics. The Deep Neural Network (DNN) shown in FIG. 6 means a deep neural network in which layers are deeply stacked. In the past, it was impossible to deep layer layers due to overfitting and high time complexity, but in DNN, overfitting is dropout, and high time complexity is possible using GPU parallel processing to deep layer layers. If the layer is deep like DNN, the same or high level of expressive power can be obtained with fewer parameters. It is an advantage to have

강화학습 수요예측 모델을 설명하기로 한다. 도 7을 참고하면, 강화학습을 통하여 수요를 예측하는 것을 나타낸 예이다. 예측 시스템은 전처리된 데이터를 강화학습 모델을 통해 학습할 수 있다. 예측 시스템에서 학습된 강화학습 모델은 수요가 발생할 것인지 미발생할 것인지를 예측하는 결과를 도출할 수 있다. 도 8을 참고하면, 강화학습 모델을 설명하기 위한 것이다. 강화학습(Reinforcement Learning) 알고리즘은 알파고를 통해 유명해진 알고리즘으로 컴퓨터가 환경, 행동, 보상, 규칙을 통해 에이전트를 학습시키는 방법이다. 어떤 환경 내에서 정의된 에이전트가 현재의 상태를 인식하여, 선택 가능한 행동 중 보상을 최대화하는 행동 혹은 행동을 선택하는 알고리즘이다. 실시예에 따른 예측 시스템에서 에이전트는 수요 발생 예측 결과를 반영한 성능을 도출할 수 있다.The reinforcement learning demand forecasting model will be described. Referring to FIG. 7 , it is an example of predicting demand through reinforcement learning. The prediction system can learn the preprocessed data through the reinforcement learning model. The reinforcement learning model trained in the prediction system can derive the result of predicting whether demand will occur or not. Referring to FIG. 8 , a reinforcement learning model is described. The Reinforcement Learning algorithm is an algorithm that became famous through AlphaGo, and is a method in which a computer learns an agent through environment, behavior, reward, and rules. It is an algorithm that selects the action or action that maximizes the reward among the selectable actions by recognizing the current state of the agent defined in a certain environment. In the prediction system according to the embodiment, the agent may derive performance reflecting the demand generation prediction result.

최종 결과를 도출하는 과정에서, 예측 시스템은 각각의 학습 모델을 통하여 획득된 결과 데이터를 확인한 후, 각각의 결과 데이터를 합산하여 최종 결과를 도출할 수 있다. 예측 시스템은 최종 수요량에 대한 예측 결과를 도출할 수 있다. 도 9를 참고하면, 군장비 수리부속 품목의 예측 결과를 설명하기 위한 도면이다. 예측 시스템은 머신러닝 및 딥러닝 모델을 통하여 획득된 결과 데이터로 품목 데이터의 수량을 예측한 값을 도출할 수 있고, 강화학습 모델을 통하여 획득된 결과 데이터로 품목 데이터의 수요가 발생할 것인지 또는 미발생한 것인지를 나타낸 값을 도출할 수 있다. In the process of deriving the final result, the prediction system may determine the result data obtained through each learning model, and then sum the result data to derive the final result. The forecasting system may derive a forecasting result for the final demand quantity. Referring to FIG. 9 , it is a view for explaining a prediction result of an item to be repaired for military equipment. The prediction system can derive a value that predicts the quantity of item data with the result data obtained through machine learning and deep learning models, and determines whether the demand for item data will occur or not with the result data obtained through the reinforcement learning model. It is possible to derive a value indicating whether

예측 시스템은 각각의 결과 데이터를 합산하여 강화학습 결과의 수요가 미발생으로 예측되는 품목 데이터는 머신러닝 및 딥러닝 결과에서 수량 예측의 값을 0(미발생)으로 나타내며 산출 정확도를 측정하는 산출 대상에서 제외해 최종 정확도 및 품목 예측 수요량을 산출할 수 있다. The prediction system sums up each result data, and the item data for which the demand for reinforcement learning results is predicted as non-occurring is calculated as 0 (non-occurring) in the machine learning and deep learning results, and the calculation accuracy is measured. It is possible to calculate final accuracy and forecast demand for items by excluding them.

도 10은 일 실시예에 따른 예측 시스템에서 군장비 수리부속 품목의 예측 결과를 비교한 표를 나타낸 도면이다.10 is a view showing a table comparing prediction results of military equipment repair accessory items in the prediction system according to an embodiment.

실시예에 따른 예측 시스템은 머신러닝 및 딥러닝과 강화학습을 통하여 군장비 수리 부속 품목의 수요를 예측함에 따라 머신러닝 및 딥러닝만을 적용하여 수요를 예측할 때보다 예측 정확도를 향상시킬 수 있다. As the prediction system according to the embodiment predicts the demand for military equipment repair accessories through machine learning and deep learning and reinforcement learning, it is possible to improve the prediction accuracy than when predicting the demand by applying only machine learning and deep learning.

일례로, 공군의 모든 품목 중 약 55%의 품목을 대상으로 실시예에서 제안한 방법인 강화학습을 적용한 수요예측 결과와 강화학습을 적용하지 않은 기존 수요예측 결과와 성능을 비교한 표이다. 수요예측의 경우 정확도를 향상시키기 매우 어려운 문제이다. 하지만 강화학습을 사용해 기존의 수요예측 결과보다 품목 정확도에서는 4%, 수량 정확도에서는 8%가 향상된 성능을 보임을 확인할 수 있다. 이러한 결과를 통해 강화학습을 적용한 수요예측이 기존의 머신러닝 및 딥러닝만 사용한 수요예측 모델보다 정확도가 더 높다는 것을 알 수 있다. As an example, it is a table comparing the performance of the demand forecasting result to which reinforcement learning, the method proposed in the example, was applied, and the existing demand forecasting result, to which reinforcement learning was not applied, for about 55% of all items of the Air Force. In the case of demand forecasting, it is very difficult to improve the accuracy. However, it can be seen that using reinforcement learning, the performance is improved by 4% in item accuracy and 8% in quantity accuracy compared to the existing demand forecasting results. From these results, it can be seen that demand forecasting using reinforcement learning has higher accuracy than demand forecasting models using only machine learning and deep learning.

이에 따라, 실시예에 따른 예측 시스템은 강화학습을 적용한 수요예측이 딥러닝 및 머신러닝 모델에서 생기는 성능저하 문제를 보완할 수 있다. 또한, 강화학습을 적용하는 기술을 여러 수요예측이 필요한 분야 적용하여 예측 정확도를 높일 수 있다. Accordingly, the prediction system according to the embodiment can compensate for the performance degradation problem that occurs in the deep learning and machine learning models of demand forecasting to which reinforcement learning is applied. In addition, it is possible to increase the prediction accuracy by applying the technology that applies reinforcement learning to fields that require multiple demand forecasting.

도 11은 일 실시예에 따른 예측 시스템의 구성을 설명하기 위한 블록도이고, 도 12는 일 실시예에 따른 예측 시스템에서 군장비 수리부속 품목을 예측하는 방법을 설명하기 위한 흐름도이다. 11 is a block diagram illustrating a configuration of a prediction system according to an embodiment, and FIG. 12 is a flowchart illustrating a method of predicting a repair accessory item for military equipment in a prediction system according to an embodiment.

예측 시스템(1100)의 프로세서는 모델 구성부(1110), 획득부(1120) 및 예측부(1130)를 포함할 수 있다. 이러한 프로세서의 구성요소들은 예측 시스템(1100)에 저장된 프로그램 코드가 제공하는 제어 명령에 따라 프로세서에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 프로세서 및 프로세서의 구성요소들은 도 12의 군장비 수리부속 품목을 예측하는 방법이 포함하는 단계들(1210 내지 1230)을 수행하도록 예측 시스템을 제어할 수 있다. 이때, 프로세서 및 프로세서의 구성요소들은 메모리가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.The processor of the prediction system 1100 may include a model construction unit 1110 , an acquirer 1120 , and a prediction unit 1130 . These processor components may be representations of different functions performed by the processor according to control instructions provided by program code stored in the prediction system 1100 . The processor and components of the processor may control the prediction system to perform steps 1210 to 1230 included in the method for predicting the military equipment repair accessory of FIG. 12 . In this case, the processor and components of the processor may be implemented to execute instructions according to the code of the operating system and the code of at least one program included in the memory.

프로세서는 군장비 수리부속 품목을 예측하는 방법을 위한 프로그램의 파일에 저장된 프로그램 코드를 메모리에 로딩할 수 있다. 예를 들면, 예측 시스템에서 프로그램이 실행되면, 프로세서는 운영체제의 제어에 따라 프로그램의 파일로부터 프로그램 코드를 메모리에 로딩하도록 예측 시스템을 제어할 수 있다. 이때, 프로세서 및 프로세서가 포함하는 모델 구성부(1110), 획득부(1120) 및 예측부(1130) 각각은 메모리에 로딩된 프로그램 코드 중 대응하는 부분의 명령을 실행하여 이후 단계들(1210 내지 1230)을 실행하기 위한 프로세서의 서로 다른 기능적 표현들일 수 있다. The processor may load into the memory the program code stored in the file of the program for the method of predicting the military equipment repair accessory. For example, when the program is executed in the prediction system, the processor may control the prediction system to load the program code from the file of the program into the memory according to the control of the operating system. At this time, each of the processor and the model constructing unit 1110 , the obtaining unit 1120 , and the predicting unit 1130 included in the processor executes the instruction of the corresponding part of the program code loaded in the memory to perform subsequent steps 1210 to 1230 . ) may be different functional representations of a processor for executing

단계(1210)에서 모델 구성부(1110)는 군장비 수리부속 품목의 수요예측을 위한 적어도 하나 이상의 서로 다른 학습 모델을 구성할 수 있다. 모델 구성부(1110)는 군장비 수리부속 품목의 수요량을 예측하기 위한 머신러닝 및 딥러닝 모델을 구성하고, 군장비 수리부속 품목의 수요 여부를 예측하기 위한 강화학습 모델을 구성할 수 있다.In step 1210, the model configuration unit 1110 may configure at least one or more different learning models for predicting the demand for military equipment repair accessory items. The model configuration unit 1110 may configure a machine learning and deep learning model for predicting the demand for military equipment repair accessories, and configure a reinforcement learning model for predicting whether there is a demand for military equipment repair accessory items.

단계(1220)에서 획득부(1120)는 구성된 적어도 하나 이상의 서로 다른 학습 모델에 품목 데이터를 학습시킴에 따라 각각의 예측 결과를 획득할 수 있다. 획득부(1120)는 머신러닝 및 딥러닝 모델에 학습시키기 위한 품목 데이터의 값을 전처리하는 과정을 진행하며, 품목 데이터의 이상값을 제거하고 품목 데이터 간 수요량을 표준화하기 위하여 min-max scaling을 적용하여 품목 데이터의 수요 데이터를 0 내지 1 사이의 값을 표준화할 수 있다. 획득부(1120)는 표준화된 품목 데이터의 수요 데이터를 머신러닝 및 딥러닝 모델에 학습시킴에 따라 품목 데이터의 수요량을 예측한 결과 데이터를 획득하고, 표준화된 품목 데이터의 수요 데이터를 강화학습 모델에 학습시킴에 따라 품목 데이터에 대한 수요의 발생 여부를 예측한 결과 데이터를 획득할 수 있다. In operation 1220 , the acquisition unit 1120 may acquire respective prediction results by learning item data in at least one or more different learning models configured. The acquisition unit 1120 performs a process of preprocessing the value of item data for training in machine learning and deep learning models, and applies min-max scaling to remove outliers in item data and standardize demand between item data. Thus, the demand data of the item data can be standardized to a value between 0 and 1. The acquisition unit 1120 acquires data as a result of predicting the quantity of demand for item data as the demand data of standardized item data is learned by machine learning and deep learning models, and the demand data of standardized item data is applied to the reinforcement learning model. As it is trained, it is possible to obtain data as a result of predicting whether or not demand for item data will occur.

단계(1230)에서 예측부(1130)는 획득된 각각의 예측 결과를 통하여 군장비 수리부속 품목의 수요를 예측할 수 있다. 예측부(1130)는 획득된 각각의 결과 데이터를 합산하여 군장비 수리분속 품목 수요량을 산출할 수 있다. 예측부(1130)는 강화학습 모델을 학습시킴에 따라 획득된 결과 데이터 중 수요가 미발생으로 예측되는 품목 데이터에 대하여 상기 머신러닝 및 딥러닝 모델의 결과 데이터에서 상기 수요가 미발생으로 예측되는 품목 데이터를 0으로 산출할 수 있다. In step 1230, the prediction unit 1130 may predict the demand of the military equipment repair accessory item through each obtained prediction result. The prediction unit 1130 may calculate the amount of demand for items per unit for repair of military equipment by summing up each of the obtained result data. The prediction unit 1130 is an item for which the demand is predicted as non-occurrence in the result data of the machine learning and deep learning models with respect to item data for which the demand is predicted as non-occurrence among the result data obtained by learning the reinforcement learning model. The data can be calculated as 0.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The device described above may be implemented as a hardware component, a software component, and/or a combination of the hardware component and the software component. For example, devices and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate array (FPGA). , a programmable logic unit (PLU), a microprocessor, or any other device capable of executing and responding to instructions, may be implemented using one or more general purpose or special purpose computers. The processing device may execute an operating system (OS) and one or more software applications running on the operating system. The processing device may also access, store, manipulate, process, and generate data in response to execution of the software. For convenience of understanding, although one processing device is sometimes described as being used, one of ordinary skill in the art will recognize that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that can include For example, the processing device may include a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as parallel processors.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.The software may comprise a computer program, code, instructions, or a combination of one or more thereof, which configures a processing device to operate as desired or is independently or collectively processed You can command the device. The software and/or data may be any kind of machine, component, physical device, virtual equipment, computer storage medium or device, to be interpreted by or to provide instructions or data to the processing device. may be embodied in The software may be distributed over networked computer systems, and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 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. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks. - includes magneto-optical media, and hardware devices specially configured to store and carry out program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with reference to the limited embodiments and drawings, various modifications and variations are possible from the above description by those skilled in the art. For example, the described techniques are performed in a different order than the described method, and/or the described components of the system, structure, apparatus, circuit, etc. are combined or combined in a different form than the described method, or other components Or substituted or substituted by equivalents may achieve an appropriate result.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are also within the scope of the following claims.

Claims (10)

군장비 수리부속 품목 수요 예측 방법에 있어서,
군장비 수리부속 품목의 수요예측을 위한 적어도 하나 이상의 서로 다른 학습 모델을 구성하는 단계;
상기 구성된 적어도 하나 이상의 서로 다른 학습 모델에 수요 패턴에 따라 클러스터링을 통해 생성된 수요패턴 별 품목 데이터를 학습시킴에 따라 각각의 예측 결과 데이터를 획득하는 단계; 및
상기 획득된 각각의 예측 결과 데이터를 통하여 군장비 수리부속 품목의 수요를 예측하는 단계
를 포함하고,
상기 학습 모델을 구성하는 단계는,
상기 군장비 수리부속 품목의 수요량을 예측하기 위한 머신러닝 및 딥러닝 모델을 구성하고, 상기 군장비 수리부속 품목의 수요 여부를 예측하기 위한 강화학습 모델을 구성하는 단계
를 포함하고,
상기 머신러닝 및 딥러닝 모델은, RF(Random Forest), GB(Gradient Boosting), Extra Trees, AdaBoost, Bagging, DNN(Deep Neural Network), LSTM(Long Short Term Memory)을 포함하고,
상기 각각의 예측 결과를 획득하는 단계는,
품목들에 대하여 K-means 알고리즘을 사용하여 복수 개의 수요 패턴으로 클러스터링하여 수요패턴 별 품목 데이터를 생성하고, 상기 생성된 수요패턴 별 품목 데이터의 값을 전처리하는 과정을 진행하며, 품목 데이터의 이상값을 제거하고 품목 데이터 간 수요량을 표준화하기 위하여 min-max scaling을 적용하여 품목 데이터의 수요 데이터를 0 내지 1 사이의 값을 표준화하고, 상기 표준화된 품목 데이터의 수요 데이터를 머신러닝 및 딥러닝 모델에 학습시킴에 따라 품목 데이터의 수요량을 예측한 결과 데이터를 획득하고, 상기 표준화된 품목 데이터의 수요 데이터를 강화학습 모델에 학습시킴에 따라 품목 데이터에 대한 수요의 발생 여부를 예측한 결과 데이터를 획득하는 단계
를 포함하고,
상기 예측하는 단계는,
상기 획득된 각각의 결과 데이터를 합산하여 군장비 수리분속 품목 수요량을 산출하고, 상기 강화학습 모델을 학습시킴에 따라 획득된 결과 데이터 중 수요가 미발생으로 예측되는 품목 데이터에 대하여 상기 머신러닝 및 딥러닝 모델의 결과 데이터에서 상기 수요가 미발생으로 예측되는 품목 데이터를 0으로 나타내며 산출 정확도를 측정하는 산출 대상에서 제외해 군장비 수리부속 품목 수요의 예측 정확도 및 품목 예측 수요량을 산출하는 단계
를 포함하는 군장비 수리부속 품목 수요 예측 방법.In the method for predicting the demand for repair accessories for military equipment,
constructing at least one or more different learning models for predicting demand for military equipment repair accessories;
acquiring respective prediction result data by learning item data for each demand pattern generated through clustering according to the demand pattern in the configured at least one or more different learning models; and
Predicting the demand for military equipment repair accessories through each of the obtained prediction result data
including,
The step of constructing the learning model is,
Configuring a machine learning and deep learning model for predicting the demand for the military equipment repair accessory, and configuring a reinforcement learning model for predicting whether the demand for the military equipment repair accessory item
including,
The machine learning and deep learning models include RF (Random Forest), GB (Gradient Boosting), Extra Trees, AdaBoost, Bagging, DNN (Deep Neural Network), LSTM (Long Short Term Memory),
Obtaining the respective prediction results comprises:
Items are clustered into a plurality of demand patterns using the K-means algorithm to generate item data for each demand pattern, and the process of preprocessing the generated item data for each demand pattern is performed, and the outlier value of the item data is performed. In order to remove and standardize the amount of demand between item data, min-max scaling is applied to standardize the demand data of item data to a value between 0 and 1, and the demand data of the standardized item data is applied to machine learning and deep learning models. Acquiring data as a result of predicting the amount of demand for item data as it is taught step
including,
The predicting step is
The machine learning and deep learning for the item data whose demand is predicted as non-occurrence among the result data obtained by calculating the item demand for military equipment repair by summing the obtained respective result data, and learning the reinforcement learning model In the result data of the model, the item data for which the demand is predicted to be non-occurring is represented as 0, and the prediction accuracy of the item demand for repair parts for military equipment and the item forecast demand quantity are calculated by excluding it from the calculation target for measuring the calculation accuracy.
A method for forecasting demand for military equipment repair parts, including: 삭제delete 삭제delete 삭제delete 삭제delete 군장비 수리부속 품목 수요를 예측하기 위한 예측 시스템에 있어서,
군장비 수리부속 품목의 수요예측을 위한 적어도 하나 이상의 서로 다른 학습 모델을 구성하는 모델 구성부;
상기 구성된 적어도 하나 이상의 서로 다른 학습 모델에 수요 패턴에 따라 클러스터링을 통해 생성된 수요패턴 별 품목 데이터를 학습시킴에 따라 각각의 예측 결과 데이터를 획득하는 획득부; 및
상기 획득된 각각의 예측 결과 데이터를 통하여 군장비 수리부속 품목의 수요를 예측하는 예측부
를 포함하고,
상기 모델 구성부는,
상기 군장비 수리부속 품목의 수요량을 예측하기 위한 머신러닝 및 딥러닝 모델을 구성하고, 상기 군장비 수리부속 품목의 수요 여부를 예측하기 위한 강화학습 모델을 구성하는 것을 포함하고,
상기 머신러닝 및 딥러닝 모델은, RF(Random Forest), GB(Gradient Boosting), Extra Trees, AdaBoost, Bagging, DNN(Deep Neural Network), LSTM(Long Short Term Memory)을 포함하고,
상기 획득부는,
품목들에 대하여 K-means 알고리즘을 사용하여 복수 개의 수요 패턴으로 클러스터링하여 수요패턴 별 품목 데이터를 생성하고, 상기 생성된 수요패턴 별 품목 데이터의 값을 전처리하는 과정을 진행하며, 품목 데이터의 이상값을 제거하고 품목 데이터 간 수요량을 표준화하기 위하여 min-max scaling을 적용하여 품목 데이터의 수요 데이터를 0 내지 1 사이의 값을 표준화하고, 상기 표준화된 품목 데이터의 수요 데이터를 머신러닝 및 딥러닝 모델에 학습시킴에 따라 품목 데이터의 수요량을 예측한 결과 데이터를 획득하고, 상기 표준화된 품목 데이터의 수요 데이터를 강화학습 모델에 학습시킴에 따라 품목 데이터에 대한 수요의 발생 여부를 예측한 결과 데이터를 획득하는 것을 포함하고,
상기 예측부는,
상기 획득된 각각의 결과 데이터를 합산하여 군장비 수리분속 품목 수요량을 산출하고, 상기 강화학습 모델을 학습시킴에 따라 획득된 결과 데이터 중 수요가 미발생으로 예측되는 품목 데이터에 대하여 상기 머신러닝 및 딥러닝 모델의 결과 데이터에서 상기 수요가 미발생으로 예측되는 품목 데이터를 0으로 나타내며 산출 정확도를 측정하는 산출 대상에서 제외해 군장비 수리부속 품목 수요의 예측 정확도 및 품목 예측 수요량을 산출하는
예측 시스템.
In the forecasting system for predicting the demand for repair accessories for military equipment,
a model configuration unit for configuring at least one or more different learning models for predicting demand for military equipment repair accessories;
an acquisition unit configured to acquire prediction result data by learning item data for each demand pattern generated through clustering according to the demand pattern in the configured at least one or more different learning models; and
Prediction unit for predicting the demand for military equipment repair accessory items through each of the obtained prediction result data
including,
The model component,
Constructing a machine learning and deep learning model for predicting the demand for the military equipment repair accessory, and configuring a reinforcement learning model for predicting the demand for the military equipment repair accessory,
The machine learning and deep learning models include RF (Random Forest), GB (Gradient Boosting), Extra Trees, AdaBoost, Bagging, DNN (Deep Neural Network), LSTM (Long Short Term Memory),
The acquisition unit,
Items are clustered into a plurality of demand patterns using the K-means algorithm to generate item data for each demand pattern, and the process of preprocessing the generated item data for each demand pattern is performed, and the outlier value of the item data is performed. In order to remove and standardize the amount of demand between item data, min-max scaling is applied to standardize the demand data of item data to a value between 0 and 1, and the demand data of the standardized item data is applied to machine learning and deep learning models. Acquiring data as a result of predicting the amount of demand for item data as it is taught including that,
The prediction unit,
The machine learning and deep learning for the item data whose demand is predicted as non-occurrence among the result data obtained by calculating the item demand for military equipment repair by summing the obtained respective result data, and learning the reinforcement learning model In the result data of the model, the item data for which the demand is predicted to be non-occurring is represented as 0, and the prediction accuracy of the item demand for repair parts for military equipment and the item forecast demand are calculated by excluding it from the calculation target for measuring the calculation accuracy.
prediction system.
삭제delete 삭제delete 삭제delete 삭제delete

Images