머신러닝을 활용한 렛츠런 파크 입장객 수요 예측 최적화 모델 연구
A Study on the Estimation Model for the Visitors to Let’s Run Park Using Machine Learning
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
[목적] 본 연구는 머신러닝을 활용하여 렛츠런 파크의 입장객 수요를 예측하는 최적의 모델을 발견하여 향후 마케팅 전략을 수립하는데 실효성 있는 자료를 제공하는데 그 목적이 있다. [방법] 이를 위해 머신러닝 방법을 랜덤포레스트, 에이다부스트, 그래디언트부스틴의 3가지 방법을 적용하였고, 입장객예측을 위한 변수는 날씨 데이터와 4년 간 날짜별 입장객 수를 훈련 데이터로 설정하고, 1년간 실제 데이터와 비교하여정확도를 예측하였다. [결과] 첫째, 랜덤포레스트를 이용하여 성능 평가를 실시한 결과 RMSE=1856.067, R²=.965였고, 오차는 6.47% 이다. 둘째, 에이다부스트를 이용하여 성능 평가를 실시한 결과 RMSE=1836.227, R²=.965였고, 오차는 5.25%로 3개의 머신러닝 중 가장 낮았다. 셋째, 그래디언트 부스팅을 이용하여 성능 평가를 실시한 결과 RMSE=1797.400, R²=.967로 3개의머신러닝 중 가장 정확도가 높았고, 오차는 6.99% 이다. [결론] 본 연구의 결과 3개의 머신러닝은 각각의 특징이 존재하였으나, 가장 성능이 우수한 모델은 그래디언트 부스팅이었다. 또한 모든 머신러닝의 결과가 대부분 언더피트(underfitting)의 경향을 보여 보다 정교한 모델을 구출하기 위해서는 이벤트, 날씨 등의 변수에 대한 전처리가 더욱 요구된다고 하겠다. 아울러 현장에서 활용할 수 있는 가장 좋은 방법은3개의 머신러닝의 결과를 종합적으로 판단하여 입장객 수를 예측하는 것이 가장 좋고, 이를 통해 효율적인 마케팅 의사결정에 도움을 줄 것으로 판단된다.
Abstract
PURPOSE The purpose of this study is to find the best model to predict the demand of visitors in Let’s Run Park by using machine learning and to provide effective data for establishing future marketing strategies. METHODS For this purpose, three methods of machine learning were applied: random forest, adaboost, and gradient boosting. The variables for predicting the audience were weather data and the number of visitors per date for four years as training data, and the accuracy was predicted by comparing the actual data for one year. RESULTS First, the performance evaluation using random forest was conducted, RMSE = 1856.067, R2 = .965, and error was 6.47%. Second, the performance evaluation using Adaboost was conducted, RMSE = 1836.227, R2 = .965, and error was 5.25%, which was the lowest among the three machine learnings. Third, the performance evaluation using gradient boosting showed that RMSE = 1797.400 and R2 = .967 were the most accurate among the three machine learnings and error was 6.99%. CONCLUSIONS As a result of this study, each of the three machine learning features existed, but the most efficient model was gradient boosting. In addition, the best way to utilize it in the field is to predict the number of visitors by comprehensively judging the results of the three machine learning, and it is judged that it will help efficient management decision making in the future.
참고문헌 (21)
- 채진석, "한국 프로야구 관중 수 예측", 체육과학연구, 23(4), pp.892~905 (2012), 국민체육진흥공단 한국스포츠정책과학원[DOI]
- Chiu, C., "A case-based customer classification approach for direct marketing", Expert Systems with Applications, 22, pp.163~168 (2002)
- 최필선, "머신러닝 기법을 이용한 대졸자 취업예측 모형", 직업능력개발연구, 21(1), pp.31~54 (2018), 한국직업능력연구원[DOI]
- Dangeti, P., "Statistics for machine learning" (2017), Packt Publishing Ltd
- Géron, A., "Hands-on machine learning with scikit-learn and tensorflow, sebastopol" (2017), O’Reilly Media
- 허주성, "그래디언트 부스팅을 활용한 암호화폐 가격동향 예측", 정보처리학회 논문지, 7(10), pp.387~396 (2018), 한국정보처리학회[DOI]
- 홍기혜, "랜덤포레스트 머신러닝 알고리즘 기반 남·여 청소년의 자살생각 예측 및 분석", 한국사회복지학, 72(3), pp.157~180 (2020), 한국사회복지학회[DOI]
- 정지현, "외환거래에서 의사결정나무와 그래디언트 부스팅을 이용한 수익 모형 연구", 한국데이터정보과학회지, 24(1), pp.161~170 (2013), 한국데이터정보과학회[DOI]
- Kar, S., "Predicting the direction of stock market price using tree based classifiers", The North American Journal of Economics and Finance, 47, pp.552~567 (2019)
- 김혁, "기계학습 방법에 의한 프로스포츠에서의 관중 수 예측과 그 요인들 연구", Journal of The Korean Data Analysis Society, 21(4), pp.1867~1880 (2019), 한국자료분석학회[DOI]
- Kim, E. M., "A deep learning approach for the prediction of tourism demand using online review sentiment analysis", Korea Society of IT Service 2020 spring conference, pp.729~732 (2020)
- "Korea Racing Authority" (2021)[URL]
- Lee, G. M., "Artificial intelligence" (2019), Saenung
- Park, D. K., "Prediction of movies box-office success using machine learning approaches", Proceedings of the Korean Society of Computer Information Conference, 28(1), pp.15~18 (2020)
- Effective demand prediction methods and cases, "Park, S. B.", SERI, ~ (2012)
- Raul, R., "AdaBoost and the super bowl of classifiers: A tutorial introduction to adaptive boosting", Master, pp.2009
- Rathord, P., "A comprehensive review on online news popularity prediction using machine learning approach", International Journal Online of Science, 5(1), pp.1~29 (2019)
- Schapire, R. E., "The boosting approach to machine learning, an overview" (2002), Springer
- Schapire, R. E., "Improved boosting algorithms using confidence-rated predictions", Machine learning, 37(3), pp.297~336 (1999)
- Woo, Y. C., "Trend of utilization of machine learning technology for digital healthcare data analysis", Electronics and Telecommunications Trends, 34(1), pp.98~110 (2019)
- Yoo, J. H., "A Study on the prediction of the demand of the spectator using machine learning", Journal of IEEE Korea Council, 23(4), pp.128~134 (2019)