http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 변준현(Junhyun Byun) (검색결과 5 건)
- 무료
- 기관 내 무료
- 유료
-
-
변준현(Junhyun Byun),민수홍(Suhong Min),강지훈(Jihoon Kang) 한국정보기술학회 2021 Proceedings of KIIT Conference Vol.2021 No.11
현대에 이르러 산업이 빠른 발전속도로 인해 제조 공정이 복잡해짐에 따라 기존의 고장물리(Failure Physics) 기반 잔여수명 (Remained Useful Lifecycle : RUL) 예측 방법론의 일반적 활용에 한계가 있다. 이에 센서 데이터를 기반으로 한 머신러닝 모델링을 활용하는 잔여수명 예측 방법론이 광범위하게 개발되었으나, 데이터 기반의 잔여수명 예측 방법론은 주로 단일모델의 예측성능에 의존되는 경향이 있어 이로 인한 불확실성이 존재한다. 이에, 본 연구에서는 해당 한계를 극복하기 위해 확률적 수명분포를 활용한 다양한 가상패턴을 생성하고 실제 데이터와 가상패턴 분포의 적합도를 확률 가중치로 조합하는 혼합모델을 제안한다. 뿐만 아니라, 베이지안 업데이트 기법을 접목한 실시간 적합도 확률 업데이트 열화 패턴 변화에 대한 불확실성을 줄였다. 본 수명예측 방법론의 성능 검토를 위해 일반적으로 널리 활용되는 지수함수 가중치를 반영한 가중 선형 회귀(Exponentially Weighted Liner Regression) 모델과 비교해서 정확도를 검증하였다. As the manufacturing process becomes more complicated due to rapid development of the industry, Existing RUL (Remained Useful Lifecycle) prediction method based on failure physics that used in general was hard to use. Thus, although machine learning model with sensor data in RUL prediction has been widely developed, data-driven RUL prediction methodology tends to depend primarily on the predictive performance of a single model and have uncertainty of degradation patterns change. In this paper, we proposed a mixture model combining several artificial hazard functions with their fitness of the performance. Then Bayesian update is adopted in real time to reduce uncertainty of degradation pattern change. We compared the performance of proposed idea, with existing Exponentially weighted linear regression (EWLR). Experiments with the simulations and real datasets demonstrate the effectiveness and usefulness of the proposed algorithm.
-
변준현 ( Junhyun Byun ),문성암 ( Seongam Moon ) 한국로지스틱스학회 2019 로지스틱스연구 Vol.27 No.1
수요예측 과정에서 주변의 데이터들과 큰 차이를 보이는 데이터는 관리가 필요하다. 이를 이상점 관리라고 한다. 데이터가 소음이면 제거하는 것이 맞지만, 신호였다면 제거는 잘못된 것이다. 수요를 예측하는 과정에서 신호인지 소음인지에 대한 판단은 어려운 일이다. 본 연구에서는 신호와 소음의 기준을 정하는 것은 접어두고, 수요예측 과정에서의 판단(이하 ‘과정판단’이라 명함)보다 일정 기간 후의 결과적 판단(이하 ‘결과판단’이라 명함)에서 이상점을 보다 잘 인지한다는 것을 실험을 통해 검증한다. 한 명의 피실험자는 크게 두 번의 의사결정을 내린다. 한 번은 1일 단위로 수요를 예측하고, 다른 한 번은 과거 데이터를 한데 모아서 예측한다. 두 실험의 수요는 동일하며 이상점이 포함되어 있다. 실험결과는 과정판단이 결과판단에 비해 이상점을 잘 식별하지 못하는 것으로 나타났다. 즉 과정판단은 평균으로부터 멀리 떨어진 수요를 이상점으로 여겨 예측과정에서 제외시키는 비율이 결과판단보다 낮았다. 이는 과정판단이 결과판단보다 예측정확도가 높다는 것을 의미하지는 않는다. 다만 과정판단의 경우 이상점 관리가 제대로 이루어지지 않을 가능성이 높음을 보여준다고 할 수 있다. In the process of forecasting the future using past data, we can increase accuracy of forecasting by deleting strange data. This is outlier management. If we analyze past data frequently, it is not easy to distinguish specific data away from the average. It is still difficult for this process to decide that deleting such data is better. In this research, we verify through experimentation that judging after the process (hereinafter ‘consequence judgment’) is more rigorous than judging during the process (hereinafter ‘in-process judgment’). Each subject makes two major decisions. They forecast the demand on a daily basis, and then forecast once more with all previous data. The demand includes outlier. As a result, the proportion of outlier detection in in-process judgment is less than in consequence judgment. This does not mean that the forecasting accuracy of progress judgment is higher than result judgment. In case of in-process judgment, it only can be shown that there is a high possibility that outlier management is not appropriately performed.
-
-
김나은(Naeun Kim),변준현(Junhyun Byun),민수홍(Suhong Min),강지훈(Jihoon Kang) 한국정보기술학회 2021 Proceedings of KIIT Conference Vol.2021 No.11
사회 · 경제 시장의 불확실성으로 인하여 경제 지표를 정량적으로 예측하고 모니터링하는 것은 올바른 의사결정에 중요한 사항이다. 기존의 단변량 시계열 모델과 다변량 머신러닝 모델은 사회 · 경제 모형의 복잡한 인과성을 반영하지 못하고 단일 모델의 성능에 의존하여 경제 지표를 거시적으로 예측하고 모니터링하기에는 한계가 있다. 본 연구는 단변량 시계열모형과 다변량 머신러닝 모델을 혼합하여 경제 지표를 안정적으로 예측하여 상기 한계점을 극복하고, MSET(Multivariate State Estimation Technique) 기법을 활용하여 경제 지표 이상감지 및 해석 방법론을 하나의 프레임워크로 제안한다. Since the socioeconomic market is uncertain, it is important to quantitatively predict and monitor economic indicators in order to make the right decisions. The existing univariate time series model and multivariate machine learning model do not reflect the complex causality of the socioeconomic state and depend on the performance of a single model and there are limitations in macroscopically predicting and monitoring economic indicators. This study stably predicts the economic state by mixing the univariate time series model and the multivariate machine learning model to overcome the above limitations. Using MSET(Multivariate State Estimation Technique) techniques, anomaly detection and interpretation of economic indicators are performed. We propose the monitoring process of economic indicators as a framework.
KCI연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
