수요예측에서의 이상점 인지 휴리스틱에 관한 연구
Outlier Recognition Heuristics for Demand Forecasting
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
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.
Abstract
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.
참고문헌 (23)
- 김재동, "데이터 마이닝 기반의 수리부속 수요예측 연구", 인터넷정보학회논문지, 18(1), pp.121~129 (2017), 한국인터넷정보학회[DOI]
- 문성암, "연속형 뉴스벤더 모델에서의 휴리스틱에 관한 실험 연구", 로지스틱스연구, 19(2), pp.111~124 (2011), 한국로지스틱스학회[DOI]
- 문성암, "의사결정자의 평균고정 휴리스틱이 공급사슬에 미치는 영향에 관한 연구", 로지스틱스연구, 20(1), pp.72~88 (2012), 한국로지스틱스학회[DOI]
- 문성암, "공급부족 상황에서의 주문량 의사결정 휴리스틱 연구", 로지스틱스연구, 21(2), pp.47~60 (2013), 한국로지스틱스학회[DOI]
- 선미선, "한국군의 수리부속 수요예측 발전방안 연구 - 해군 중심으로 -", 국방정책연구, 25(3), pp.201~234 (2009), 한국국방연구원[DOI]
- 윤선길, "휴리스틱과 설득" (2015), 커뮤니케이션북스
- 이종구, "우위구조 탐색 모형과 전통적 2단계 의사결정 모형의 비교", 한국심리학회지 : 인지 및 생물, 12(1), pp.105~ (2000)
- Angiulli, F., "Detecting Distance-Based Outliers in Streams of Data", Proc. the 6th ACM conference, pp.811~820 (2007)
- Chandola, V., "Anomaly detection: A survey", ACM Computing Surveys, 41(3), pp.1~58 (2009)
- Chauvenet, W., "A Manual of Spherical and Practical Astronomy V. II", pp.474~566 (1960), BiblioLife
- Dean, R. B., "Simplified Statistics for Small Numbers of Observations", Anal. Chem., 23(4), pp.636~638 (1951)
- Grubbs, F. E., "Procedures for detecting outlying observations in samples", Technometrics, 11(1), pp.1~21 (1969)
- Gupta, M., "Outlier Detection for Temporal Data: A Survey", IEEE Transactions on Knowledgy and Data Engineering, 26(9), pp.2250~2267 (2014)
- Hawkins, D. M., "Indentification of Outliers", pp.1~ (1980), Springer
- Kahneman, D., "Prospect Theory : An Analysis of Decision Under Risk", Economica, 47, pp.263~291 (1979)
- Maddala, G. S., "Introduction to Econometrics", pp.89~ (1992), MacMillan
- Peirce, B., "Criterion for the Rejection of Doubtful Observations", Astronomical Journal II, 45, pp.161~163 (1852)
- Robert, B. D., "Simplified Statistics for Small Numbers of Observations", Anal. Chem., 23(4), pp.636~638 (1951)
- Rousseeuw, P., "Robust Regression and Outlier Detection" (2005), John Wiley & Sons
- Schweitzer, M. E., "Decision Bias in the Newsvendor Problem with a Known Demand Distribution : Experimental Evidence", Management Science, 46(3), pp.404~420 (2000)
- Thompson, R., "A Note on Restricted Maximum Likelihood Estimation with an Alternative Outlier Model", Journal of the Royal Statistical Society-Series B(Methodological), 47(1), pp.53~55 (1985)
- Tukey, J. W., "Exploratory Data Analysis" (1977), Addison-Wesley
- Yamanishi, K., "A unifying framework for detecting outliers and change points from non-stationary time series data", Proc. 8th ACM Int. Conf. KDD, pp.676~681 (2002)