연관규칙 기반의 기계학습을 활용한 마이크로풀필먼트 수요 예측에 관한 연구

국문 초록 (Abstract)

최근 물류, 유통 및 전자상거래 산업에서는 빠른 배송에 대한 수요가 높아짐에 따라 마이크로풀필먼트(Micro Fulfillment Center, MFC)에 대한 관심이 고조되고 있다. MFC는 수요예측을 통해 미리 상품을 보관하여 소비자의 주문을 즉각적으로 이행함으로써 빠른 배송을 가능하게 한다. 이러한 특성으로 마이크로풀필먼트의 수요예측 시 상품별 예측과 신속한 의사결정을 지원하는 수요예측 모델이 필요하다. 본 연구는 연관규칙 기반 기계학습(Association Rule based Machine Learning, ARML)을 이용하여 MFC에 적합한 설명 가능한 AI(eXplainable AI, XAI) 수요예측 모델을 제안한다.
특정 데이터를 불확실성 수준에 따라 확장하고, 복잡성 정도에 따른 예측 성능을 평가하였다. 예측 성능 평가를 위해 Naive, 단순 지수평활, 홀트윈터 기법, 자기회귀통합이동평균 모델을 벤치마크로 선정하여 성능을 비교하였다. 연구 결과는 다음과 같다. 첫째, 수요 불확실성의 모든 수준에서 ARML의 예측 성능이 높게 나타났으며, 특히 변동성이 높은 상황에서 홀트윈터 기법과는 큰 성능 차이를 보였다. 둘째, 연관규칙의 탐색적인 과정을 통한 패턴 도출 기능으로 상품 예측에 영향을 미치는 다른 상품을 식별하여 상품군별 수요예측 시 발생하는 데이터의 구조적인 문제를 완화하여 예측 편향을 감소시켰다. 또한, 예측 결과의 근거를 제공하여 모델 결과와 과정에 대한 해석 가능성을 제공하였다. 셋째, 복잡성 수준과 관계없이 예측 정확도는 유지됨을 발견하였다.
본 연구는 다음과 같은 의의를 지닌다. 첫째, 연관규칙과 수요예측 모델을 결합한 통합적 프레임워크를 제시하였다. 둘째, 해석 가능한 분석 방법론인 연관규칙을 사용하여 XAI 연구 분야를 확장하였다. 셋째, MFC 수요예측 시, 불확실성과 복잡성을 비교하지 못한 선행 연구를 보완하였다. 마지막으로, 실증적 데이터를 통해 예측 성능 효과를 검증하여 마이크로풀필먼트 분야 연구에 기여하였다.
또한, ARML은 내부 데이터를 기반으로 하는 투명한 모델로, 기계학습 도입에 대한 의문이 깊어지는 기업에게 AI에 대한 신뢰도를 향상할 수 있는 계기가 될 수 있으며, 신속한 의사결정을 지원하여 실무적 도구로 활용할 수 있다.

다국어 초록 (Multilingual Abstract)

Recently, interest in micro fulfillment centers (MFCs) has been growing among logistics, distribution and e-commerce industries as demand for real-time delivery services increases. MFCs enable rapid delivery by pre-stocking products based on demand forecasts, allowing immediate fulfillment of customer orders. Due to these characteristics, a demand forecasting model that supports product forecasts and rapid decision-making are needed in predicting demand. This study proposes an eXplainable AI (XAI) demand forecasting model suitable for MFC using Association Rule based Machine Learning (ARML).
Using specific data, the data was extended according to levels of uncertainty and its predictive performance was evaluated based on complexity. To evaluate prediction performance, Naive, simple exponential smoothing, Holt-winter method, and autoregressive integrated moving average model were selected as benchmarks and their performance was compared. The research results are as follows. First, the forecasting performance of ARML was high at all levels of demand uncertainty, and showed a large performance difference from Holt-Winter method, especially in situations of high volatility. Second, the pattern extraction function through the exploratory analysis of association rules identifies other products that affect product forecasting, alleviating structural data issues during product demand forecasting, thus enhancing predictive performance. Additionally, by providing the basis for the prediction results, the interpretability of the model results and processes was provided. Third, predictive accuracy was maintained regardless of the complexity level.
The study offers several contributions: First, it presents a framework combining association rules with demand forecasting models. Second, it extends the XAI field by employing interpretable analytical methods through association rules. Third, it addresses gaps in previous research by comparing uncertainty and complexity in MFC demand forecasting. Lastly, it verifies the predictive performance effects using empirical data, contributing to the micro-fulfillment research field.
In addition, ARML is a transparent model based on internal data, which can serve as an opportunity to improve reliability in AI for companies with deeper questions about introducing machine learning, and can be used as a practical tool by supporting quick decision-making.

목차 (Table of Contents)

• List of Tables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv
• List of Figures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . v
• 국문요약 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . vi
• Chapter 1: 서론 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
• Chapter 2: 선행연구 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
• 2.1 운영관리 분야와 풀필먼트에서의 수요예측 . . . . . . . . . . . . . . . . . . . . 5
• 2.2 MFC에서의 수요예측 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
• 2.3 기계학습을 이용한 수요예측 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
• 2.4 XAI를 위한 연관규칙 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
• Chapter 3: 연구방법론 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
• 3.1 문제 정의 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
• 3.2 제안 모델 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
• 3.2.1 연관규칙기반 기계학습(ARML) . . . . . . . . . . . . . . . . . . . . . . . . 12
• 3.2.2 ARML 모델 생성 과정 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
• 3.3 벤치마크 모델 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
• 3.3.1 지수평활(SES, HTWT) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
• 3.3.2 자기회귀누적이동평균모형(ARIMA) . . . . . . . . . . . . . . . . . . . . . 19
• 3.4 연구 설계 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
• 3.4.1 불확실성에 대한 가정 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
• 3.4.2 복잡성에 대한 가정 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
• 3.5 성능평가방법 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
• Chapter 4: 연구 수행 및 결과 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
• 4.1 데이터 설명 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
• 4.1.1 데이터 수집 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
• 4.1.2 데이터 구성 및 정제과정 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
• 4.2 연구 수행 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
• 4.2.1 연관규칙 활용한 변수 추출 과정 . . . . . . . . . . . . . . . . . . . . . . . 25
• 4.2.2 불확실성과 복잡성 수준 설정 . . . . . . . . . . . . . . . . . . . . . . . . . 26
• 4.3 불확실성 수준에 따른 모델별 성능 비교 . . . . . . . . . . . . . . . . . . . . . . 28
• 4.3.1 Naive와 비교 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
• 4.3.2 지수평활, ARIMA와 ARML의 성능 비교 . . . . . . . . . . . . . . . . . . . 29
• 4.4 수요예측에서의 연관규칙 효과 . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
• 4.4.1 세부화된 데이터의 구조적 문제 완화 . . . . . . . . . . . . . . . . . . . . 33
• 4.4.2 상관관계를 반영하여 규칙 도출 . . . . . . . . . . . . . . . . . . . . . . . 35
• 4.4.3 연관관계 추출과 주요 변수의 설명 가능성 . . . . . . . . . . . . . . . . . 36
• 4.5 복잡성 수준에 따른 제안 모델의 성능 비교 . . . . . . . . . . . . . . . . . . . . 38
• Chapter 5: 결론 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
• 5.1 논의 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
• 5.2 학술적 시사점 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
• 5.3 실무적 시사점 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
• 5.4 한계점과 향후 연구 방향 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
• References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
• Abstract . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57