딥러닝 알고리즘 기반의 자동차 현가장치 부품 수요 예측 모형에 대한 연구
Automobile Suspension Parts Demand Forecasting Model Based on Deep Learning Algorithms
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
수요 예측은 생산 계획이나 재고 관리 등과 같은 운영관리 활동을 위한 중요한 정보를 제공한다. 미래 수요가 이전 수요량들의 함수임을 가정하는 시계열 예측은 수요 예측을 위해 널리 사용되는 접근법 중 하나이다. 하지만, 미래 수요량과 과거 수요량들 간의 관계는 일반적으로 상당히 복잡하기 때문에 미래 수요량을 정확히 추정하는 것은 쉽지 않다. 최근에는 인공지능 및 딥러닝 알고리즘들이 고차원 데이터에 포함된 변수들 간의 복잡한 관계를 분석하는데 유용한 도구로 떠오른 바 있으며, 수요 예측은 딥러닝 알고리즘들의 중요한 응용 분야 중 하나이다. 본 논문은 순환신경망(RNN)이나 장단기메모리(LSTM), 게이트순환유닛(GRU) 등과 같은 딥러닝 알고리즘을 응용하여 자동차 부품 제조사의 수요 예측 모형을 개발하고자 한다. 딥러닝 알고리즘들은 실제 자동차 부품 제조사의 과거 데이터를 분석하는데 사용되었으며, 실험을 통해 딥러닝 알고리즘들의 우수한 성능을 살펴볼 수 있었다. 아울러, 저자들을 수요 예측을 위한 딥러닝 알고리즘의 실행 조건과 실무적인 이점에 관해서도 논의하고자 한다.
Abstract
Demand forecasting provides important information for operations management activities such as production scheduling and inventory management. Time series prediction is one of well-known approaches for demand forecasting, which assumes future demand is a function of previous demand amounts. However, the relationship between future demand and previous demand amounts is often quite complex, and it is non-trivial to approximate future demand accurately. In recent, artificial intelligence and deep learning algorithms have emerged as powerful tools to analyze complex relationships between many variables within datasets with high dimensionalities. Demand forecasting is also an important application domain of deep learning algorithms. This paper aims to develop demand forecasting model for automotive parts manufacturer by applying deep learning algorithms such as Recurrent Neural Network (RNN), Long Short Term Memory (LSTM), and Gated Recurrent Unit (GRU). The deep learning algorithms are applied to historical data from automobile suspension parts manufacturer, and the experiment results reveal the superior performance of deep learning algorithms. The authors also discuss configurations and practical benefits of deep learning algorithms for demand forecasting.
참고문헌 (27)
- 장승훈, "자동차 산업에서 1차 공급업체의 2차 공급업체에 대한 육성정책에 관한 사례 연구", 한국SCM학회지, 10(1), pp.67~80 (2010), 한국SCM학회
- C. Ingle, "Demand forecasting:literature review on various methodologies", Proceedings of the IEEE 12th International Conference on Computing Communication and Networkig Technologies, pp.1~7 (2021)
- J. Heizer, "Operations management: sustainability and supply chain management" (2019), Pearson Education Limited
- 안완식, "A Study on Machine Learning-based Grass Demand Forecasting", 한국지식정보기술학회 논문지, 14(5), pp.535~542 (2019), 한국지식정보기술학회[DOI]
- 정남기, "4차 산업혁명과 경제질서의 재편 그리고 중소자동차부품업체의 대응", 질서경제저널, 21(1), pp.45~63 (2018), 한국질서경제학회[DOI]
- 정기호, "자동차부품산업의 수요 및 공급불확실성과 공급사슬 유형의 적합성에 관한 연구", 한국SCM학회지, 7(1), pp.37~47 (2007), 한국SCM학회
- 이승봉, "중소 자동차부품업체들의 숙련 활용 제약 요인: 조직구조와 직무특성을 중심으로", 산업노동연구, 27(3), pp.91~124 (2021), 한국산업노동학회
- 정혜린, "인공지능 기반 수요예측 기법의 리뷰", 응용통계연구, 32(6), pp.795~835 (2019), 한국통계학회
- 김경배, "머신러닝 기반의 화재 피해 예측 모델 비교 - 재산피해와 인명피해를 중심으로", 한국지식정보기술학회 논문지, 17(4), pp.647~655 (2022), 한국지식정보기술학회[DOI]
- W. J. Stevenson, "Operations management" (2017), McGraw-Hill
- C. H. Jun, "Time series analysis and application" (2020), Free Academy Publishing
- 전해정, "딥 러닝을 이용한 주택가격 예측에 관한 연구", 주거환경, 17(2), pp.37~49 (2019), 한국주거환경학회[DOI]
- 김경환, "순환신경망을 활용한 벙커유가 예측에 관한 연구", 한국컴퓨터정보학회논문지, 26(10), pp.179~184 (2021), 한국컴퓨터정보학회[DOI]
- W. Ertel, "Introduction to artificial intelligence" (2018), Springer
- O. I. Abiodun, "State-of-the-art in artificial neural network applications : a survey", Heliyon, 4(11), pp.e00938~ (2018)
- B. Lim, "Time-series forecasting with deep learning : a survey", Philosophical Transactions of the Royal Society A, 379(2194), pp.20200209~ (2021)
- A. Sherstinsky, "Fundamentals of recurrent neural network(RNN)and long short-term memory(LSTM)network", Physica D : Nonlinear Phenomena, 404, pp.132306~ (2020)
- J. Chung, "Empirical evaluation of gated recurrent neural networks on sequence modeling", arXiv preprint, Vol. 1412, 3555, ~ (2014)
- J. S. Hong, "Development of the forecasting model for parts in an automobile", Journal of the Korean Institute of Industrial Engineers, 27(3), pp.233~238 (2001)
- 이상욱, "Agent-Based Model을 활용한 자동차 예비부품 장기수요예측", 한국산업경영시스템학회지, 38(1), pp.110~117 (2015), 한국산업경영시스템학회
- 최두원, "외부요인에 영향 받는 자동차 사고성 부품 수요에 대한 데이터 마이닝 기반 예측 방법", 석사, 정보산업공학과, pp.2014
- Y. C. Kim, "A study of demand forecasting for automobile service parts based on data mining method", Master’s, pp.2018
- H-D. Kim, "Analysis of demand planning effectiveness for automobile spare parts –based on Bayesian mixture model", Master’s, pp.2016
- H. H. Kim, "A model of auto parts demand forecasting and research on strategic use", Master’s, pp.2018
- 이민예, "계절조정을 활용한 전이학습 기반의 자동차 예비 부품 장기수요예측", 대한산업공학회지, 47(3), pp.302~314 (2021), 대한산업공학회
- R. Henkelmann, "A deep learning based approach for automotive spare part demand forecasting", Master’s, pp.2018