수요 패턴 Encoding 기반 Bi-LSTM을 활용한 상품 수요 예측 기법
Product Demand Forecasting Technique using Bi-LSTM based on Demand Pattern Encoding
- 주제어 (키워드) 수요 예측 , 수요 패턴 분석 , K-means 클러스터링 , 임베딩 , 원핫 인코딩 , 딥러닝 예측 모델; LSTM , Bi-LSTM
- 발행기관 서강대학교 정보통신대학원
- 지도교수 소정민
- 발행년도 2024
- 학위수여년월 2024. 2
- 학위명 석사
- 학과 및 전공 정보통신대학원 데이터사이언스 · 인공지능
- 실제URI http://www.dcollection.net/handler/sogang/000000076841
- UCI I804:11029-000000076841
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록
Predicting product demand is crucial for efficient supply chain management within businesses. However, as e-commerce expands and the variety and scale of products sold online increase, predicting accurate demand becomes challenging due to the diverse demand patterns across different products. This study proposes two methods to address the limitations of existing research [7] in predicting demand for each product and to enhance demand prediction performance. Firstly, we utilize embedding and one-hot encoding in the data preprocessing stage to reflect product-specific demand patterns through clustering and extracting cluster-specific features. Enhancing the data preprocessing stage by extracting feature values for demand patterns clustered by product and allowing deep learning models to more richly utilize these feature values for improved learning. Secondly, we propose a Bi-LSTM model to increase the prediction performance of product demand compared to prior research [7] by applying the extracted high-dimensional feature values. This model is actively employed in time series prediction and is structured with a bidirectional. Through various techniques in the data preprocessing stage and training deep learning models with extracted high-dimensional feature values, our study demonstrates improved predictive performance over the accuracy of prior machine learning prediction models [7]. We anticipate that the proposed approach, by strengthening the data preprocessing stage and employing deep learning models compared to traditional demand prediction methods based on demand pattern groups, will enhance the accuracy of demand prediction, especially for products with diverse demand patterns.
more초록
상품 수요 예측은 기업의 효율적인 공급망 관리 측면에서 중요하다. 하지만 이커머스가 확장되고 온라인에서 판매하는 상품의 종류와 규모가 늘어나면서 상품별 수요 패턴 또한 다양해짐에 따라 정확한 수요를 예측이 어렵다. 본 논문에서는 상품별 수요 예측의 기존 연구[7]의 한계점을 보완하고 수요 예측 성능을 높이고자 두 가지 방법을 제안한다. 첫째, 데이터 전처리 단계에서 상품별 수요 패턴 기반의 클러스터링과 군집 별 특징값을 예측 모델에 반영할 수 있도록 임베딩(Embedding)과 원-핫 인코딩(One-Hot Encoding)을 사용하였다. 이렇듯 상품별 수요 패턴 군집에 대한 특징값을 추출하고, 이를 딥러닝 모델이 특징값을 풍부하게 사용해서 더욱 효율적으로 학습할 수 있도록 데이터 전처리 단계를 강화했다. 둘째, 앞서 추출된 고차원 특징값을 Bi-LSTM 모델에 적용하여 기존 연구[7]보다 상품 수요 예측 성능을 높이는 방법을 제안한다. Bi-LSTM 모델은 양방향 학습 구조로, 시계열 예측에서 적극적으로 사용되는 모델이다. 이처럼 본 연구에서는 데이터 전처리 단계에서 다양한 기법을 통해 고차원의 특징값 추출과 이를 학습한 딥러닝 모델을 통해, 기존 머신러닝 예측 모델[7]의 정확성보다 개선된 예측 성능을 확인할 수 있었다. 제안된 방법을 통해 다양한 수요 패턴의 상품 예측 시, 기존 수요 패턴 그룹별 수요 예측 방법 대비 데이터 전처리 단계를 강화하고 딥러닝 모델을 사용함으로써 수요 예측 정확성을 높일 수 있을 것으로 기대한다.
more목차
제 1 장 서론 10
제 1 절 연구의 배경 및 필요성 10
제 2 절 연구 목적 11
제 3 절 논문 구성 12
제 2 장 관련 연구 13
제 1 절 상품 수요 예측 선행 연구 13
제 2 절 Average Demand Interval & Coefficient of Variation 15
제 3 절 클러스터링 기법 21
제 4 절 임베딩 기법 24
제 3 장 연구 방법 27
제 1 절 데이터 클러스터링 기법 27
제 2 절 데이터 전처리 30
제 3 절 모델 구조 32
제 4 장 연구 실험 및 결과 36
제 1 절 성능 평가 사전 준비 36
제 2 절 평균 제곱근 오차(RMSE, Root Mean Squared Error) 37
제 3 절 평균 절대 오차(MAE, Mean Absolute Error) 38
제 4 절 일반화 적용 범위 실험(Generalization Coverage Test) 39
제 5 장 결론 40
참고문헌 41
