초단기 시간 단위 수요예측을 위한 머신러닝과 시계열 기법 기반의 하이브리드 방법론 개발|RISS 상세보기

국문 초록 (Abstract)

수요예측(Demand Forecasting)이란 예측 대상의 특정 시점 혹은 특정 기간 내 수요를 예측하는 전략적 활동이다. 다양한 경제주체들은 수요예측을 통해 미래의 불확실성을 제거함으로써 유한한 자원에 대한 활용 효율성을 극대화할 수 있다. 생산기술의 발전이 생산의 효율성을 높임으로써 생산과정 간 낭비를 최소화한다면, 정확한 수요예측은 과잉공급 혹은 과소공급으로 발생하는 과잉재고나 판매손실을 최소화할 수 있다는 점에서 매우 중요한 전략적 활동이라 할 수 있다. 정확한 수요예측은 궁극적으로 미래 수요에 대응할 수 있는 최적 공급량을 사전에 확인할 수 있으며 이를 바탕으로 효율적이고 최적화된 생산 및 공급계획을 수립하게끔 할 수 있다는 점에서 경제주체들의 의사결정 과정에서 중요한 핵심자료로 활용된다. 정확한 수요예측을 통해 기업은 재고 및 판매손실을 최소화할 수 있기 때문이다.
예측의 시간 단위는 예측치의 활용범위 및 목적에 의해 결정된다. 그동안 물류 분야에서의 예측은 공항, 항만, 물류센터 등의 인프라, 혹은 특정 노선의 물동량에 대한 주, 월, 분기, 년도 별 예측이 주를 이루어왔다. 그러나 E-commerce 시장의 확대와 더불어 라스트 마일 배송에 대한 중요도가 높아지면서 물류 운영 효율성을 높이기 위한 일, 시간 등 초단기 시간 단위 예측에 대한 관심이 높아지고 있다. 이러한 환경변화에 따라 물류산업에서도 초단기 시간 단위 예측을 위한 예측방법론에 대한 요구와 중요성 역시 높아지고 있다.
본 연구는 전통적인 예측기법과 머신러닝 기법의 장점을 모두 반영한 하이브리드 예측방법론인 Hybrid Forecasting Model을 새로운 수요예측 모형으로 제안하였다. 이와 함께 보다 짧은 시간 단위의 예측에 대한 예측정확도를 높일 수 있는 대안으로 Multistage Model를 제안하였으며, 궁극적으로는 Hybrid Forecasting Model과 Multistage Model를 결합한 Hybrid & Multistage Model을 수요예측 기법의 대안으로 제안하였다. 기존 Hybrid 방법론들이 주로 독립적인 예측을 진행한 후 예측결과들 간 앙상블 형태인데 반해, 본 논문에서 제안한 Hybrid & Multistage Model은 시계열 예측기법과 데이터마이닝 기법이 예측단계에서 서로 결합된 형태라는 점에서 방법론 측면에서 가장 큰 차이가 있다고 할 수 있다. 본 연구에서 제안한 예측모형을 검증하기 위해 서울시에서 운영 중인 공유자전거 따릉이 이용실적을 검증 data로 활용하였으며, 예측결과 총 142개 대여소 클러스터의 3시간 단위, 향후 56개 시점의 평균 정확도는 약 81.5%로 나타났는데 이는 비교군으로 활용한 Random Forest를 통한 예측정확도에 비해 약 16.6% 높은 것으로 나타났다. 나아가 주차 및 일자별 예측 역시 91.7%, 90.1%의 높은 정확도를 보이며 Random Forest 대비 46.2%, 21.4% 높은 정확도를 보였다. 이를 통해 Hybrid & Multistage Model이 새로운 수요예측 기법의 대안으로 충분한 활용가치가 있음을 확인하였다.

번역하기

수요예측(Demand Forecasting)이란 예측 대상의 특정 시점 혹은 특정 기간 내 수요를 예측하는 전략적 활동이다. 다양한 경제주체들은 수요예측을 통해 미래의 불확실성을 제거함으로써 유한한 ...

다국어 초록 (Multilingual Abstract)

Demand Forecasting is a strategic activity that forecasts demand at a specific point in time or within a specific period of time. Economic players can optimize the utilization of finite resources by eliminating future uncertainties through demand forecasting. Accurate demand forecasting can ultimately confirm in advance the optimal supply to respond to future demand. Ant it is used as an important key data in the decision-making process of economic actors in that it is possible to establish an efficient and optimized production and supply plan. Enterprises can minimize inventory and sales losses through accurate demand forecasting.
Until now, forecasting in the logistics field have been mainly carried out by week, month, quarter, and year for infrastructure such as airports, ports, and logistics centers, or for the volume of cargo on a specific route. However, as the expansion of e-commerce market and enhancement of the last mile delivery, Interest in forecasting of short time unit to increase logistics operation efficiency is increasing. With these environmental changes, the importance of forecasting methodology for short time unit are also increasing in the logistics industry.
This study proposed the hybrid forecasting model, that reflects the advantages of both traditional forecasting model and machine learning algorithm, as a new forecasting model. And multistage model is proposed as a new model that is able to increase forecasting accuracy for shorter time units. Finally, the Hybrid & Multistage Model, which combines the Hybrid Forecasting Model and the Multistage Model, is proposed as an new forecasting model. Most of existing hybrid forecasting modes are ensemble structure between forecasting results after independent prediction, however the hybrid & multistage model proposed in this paper combines time series analysis and data mining techniques in the forecasting process. It is a unique and distinctive distinct point of the forecasting model is proposed. In order to verify the forecasting model proposed in this study, the rental record data of the shared bicycle in Seoul city was used as verification data. The average accuracy of hybrid forecasting model , in 3 hours at 56 points in the future of a total of 142 rental station clusters was about 81.5%, which was about 16.6% higher than the prediction accuracy of random forest. Furthermore, in the case of forecasting by week and date, Hybrid forecasting model showed high accuracy of 91.7% and 90.1%, which are also 46.2% and 21.4% higher than accuracy of random forest. As a result, it was confirmed that the Hybrid & Multistage Model is worthy enough as the new demand forecasting model.

번역하기