유통 수요 예측 모델의 특징 정제를 통한 성능 개선 연구
Feature Refinement for Enhancing the Performance of Retail Forecasting Models
- 주제어 (키워드) Time-series , Retail , Forecasting , LGBM , LSTM , Transformer , Feature Engineering , Feature Refinement , Feature Extraction
- 발행기관 서강대학교 AI.SW대학원
- 지도교수 구명완
- 발행년도 2025
- 학위수여년월 2025. 8
- 학위명 석사
- 학과 및 전공 AI.SW대학원 데이터사이언스 · 인공지능
- 실제 URI http://www.dcollection.net/handler/sogang/000000081826
- UCI I804:11029-000000081826
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
급변하는 유통 환경 속에서 수요 예측의 중요성은 커지고 있으나, 이와 동시에 실무 현장에서는 다양한 과제에 직면하고 있다. 특정 변수에 과도하게 의존하는 예측 모델은 영향 요인의 중요도 변화에 취약한 문제가 발생하며 일반적인 모델 운영 과정에서 예측 시기에 따른 성능 저하로 지속적인 모델 수정과 신규 변수 검토가 빈번히 요구된다. 그러나 새로운 변수 도입 과정은 시간과 자원을 많이 소모하며 실무적 제약을 초래한다. 이에 본 연구는 기존 변수의 제약 내에서 특징 정제를 통한 예측 성능 향상을 제안한다. 연구의 주요 목표는 한정된 기존 변수를 가공하는 특징 정제 방법을 통해 유통 수요 예측의 성능을 향상시키고, 대표적인 시계열 예측 모델인 LGBM, LSTM, 트랜스포머(Transformer)에 이를 적용하여 성능 향상의 모델 일반화 가능성을 검증하는 것이다. 이 과정에서 연간 예측 기반 성능 평가로 특정 시기 의존성을 줄이고 성능 안정성을 확보하였다. 실험 결과, 특징 정제 데이터셋을 적용한 모델들은 베이스라인 대비 평가 지표인 RMSE, RMSSE, R²에서 유의미한 성능 향상을 보였다. 가장 높은 성능은 LGBM 모델에 특징 정제 데이터셋을 적용한 경우로 RMSE 4,424, RMSSE 0.53, R²0.96의 성능을 나타냈으며, 트랜스포머(Transformer) 모델은 특징 정제 데이터셋을 적용했을 때 베이스라인 대비 가장 큰 예측 성능 향상이 확인 되었다. 본 연구는 기존 데이터를 활용한 효율적인 특성 엔지니어링으로 예측 성능 개선을 입증하고 실무에 적용 가능한 방법론을 제시했다는 점에서 의의가 있다.
more초록 (요약문)
In the dynamic retail environment, demand forecasting has become increasingly important. However, most models depend on specific variables, leading to performance degradation due to changing conditions and time-series non-stationarity. The need for frequent recalibration and the operational burden of incorporating new external variables pose significant challenges in real-world deployments. This thesis aims to improve forecasting accuracy by refining existing features without incorporating additional external data. Using the refined dataset, we train LGBM, LSTM, and Transformer models and the prediction performance is clearly improved. Experimental results showed that models trained on the refined dataset outperformed those using the baseline across all metrics (RMSE, RMSSE, R²). The LGBM model achieved the best performance with RMSE 4,424, RMSSE 0.53, and R²0.96 and the Transformer model showed the largest relative improvement. This study highlights the effectiveness of efficient feature engineering using existing data and presents a practical methodology applicable to real-world retail forecasting.
more목차
제 1 장 서 론 6
제 2 장 관련 연구 8
제 1 절 시계열 수요 예측 모델 8
제 2 절 시계열 데이터와 변수 가공 기법 13
제 3 절 유통 수요 예측 선행 연구 17
제 3 장 유통 수요 데이터 특징 정제 및 예측 모델 21
제 1 절 유통 수요 데이터 21
제 2 절 특징 정제 방법 24
제 3 절 예측 모델 : LGBM, LSTM, 트랜스포머(Transformer) 29
제 4 장 수요 예측 연구 34
제 1 절 실험 방법 34
제 2 절 평가 방법 38
제 3 절 결과 분석 40
제 5 장 결 론 53
참 고 문 헌 56
