파렛트 이동량에 대한 시간 단위 군집화 예측 모델
Time Unit Clustering Model for Pallet Movement Amount
0
조회
0
다운로드
4
인용
0
참고문헌
키워드
초록
데이터 수집 및 처리 기술이 발전하면서 빅데이터 분석 및 활용이 증가하고 있다. 물류 산업에서도 다양한 데이터가 더 높은 빈도로 수집되고 있으며, 이에 따라 데이터 분석 역시 더욱 세분화된 하위집단을 대상으로 시도되고 있다. 물류 데이터는 대표적인 시계열 데이터로서, 시계열 데이터에서 이러한 경향은 복잡한 계절성과 다양한 설명변수와 같은 새로운 데이터 특성을 의미한다. 그러나 기존의 많은 시계열 예측 모델은 구조적 한계로 인해 이러한 새로운 데이터 속성을 반영하지 못하여 낮은 예측 정확도를 보인다. 이러한 한계를 극복하기 위하여 본 논문은 시간 단위 군집화 모델을 제안한다. 제안한 모델은 시간 단위를 기준으로 시계열 데이터를 분류한 후 단위별로 분리된 시계열 집단들을 군집화한다. 또한 복잡한 계절성은 푸리에 방식으로, 다양한 설명변수는 베이즈 일반화된 선형 모델로 표현한다. 제안한 시간 단위 군집화 모델을 파렛트 대여기업의 실제 데이터에 적용하고, 기존의 프로펫 모델과 비교한 결과 더 높은 정확도로 예측값을 산출함을 확인하였다.
Abstract
As data collection and processing technologies evolve, big data analysis and utilization efforts are increasing. In the logistics industry, data are being collected with higher frequency and diversity, and analysis is conducted on subdivided groups. Logistics data are generally time series data, and such trends in time series data suggest new data characteristics: complex seasonality and various explanatory variables. However, a lot of existing time series models fail to reflect these new characteristics due to structural limitations, resulting in low prediction accuracy. To overcome this limitation, this paper proposes a time unit clustering model. This model classifies time series data based on time units, days of the week for example, and then clusters time series groups. In addition, Fourier series regression is used to model complex seasonality, and various explanatory variables are modeled through a Bayesian generalized linear model. The proposed model was applied to real data from the pallet rental company. This logistics flow amount data displayed the characteristics of recent time series data. Compared with prophet models, the proposed model yielded predictions with higher accuracy resulting from its capability to model the difference between time units through clustering.
참고문헌 (17)
- 남승엽, "전시 피격 및 고장을 고려한 전투기 추가 소요 예측 모델 연구", 로지스틱스연구, 24(1), pp.81~94 (2016), 한국로지스틱스학회[DOI]
- 박진희, "전자상거래 환경을 고려한 위계별 물류시설의 최적 입지 선정에 관한 연구 - 예측배송시스템 관점에서 -", 로지스틱스연구, 24(4), pp.41~58 (2016), 한국로지스틱스학회[DOI]
- 장기왕, "전투기 수리부속 수요예측 프로세스 개선을 위한 실증적 연구", 로지스틱스연구, 25(4), pp.195~212 (2017), 한국로지스틱스학회[DOI]
- Arlot, S., "A survey of cross-validation procedures for model selection", Statistics Surveys, 4, pp.40~79 (2010)
- Bertsimas, D., "Algorithmic prediction of health-care costs", Operations Research, 56(6), pp.1382~1392 (2008)
- Cleveland, R. B., "STL : A Seasonal-Trend Decomposition", Journal of Official Statistics, 6(1), pp.3~73 (1990)
- De Livera, A., "Forecasting Time Series With Complex Seasonal Patterns Using Exponential Smoothing", Journal of the American Statistical Association, 106(496), pp.1513~1527 (2011)
- Gelman, A., "Bayesian Data Analysis", pp.2013, Chapman and Hall
- Hyndman, R. J., "Forecasting: Principles and Practice" (2018), OTexts
- Hyndman, R. J., "Automatic time series for forecasting: the forecast package for R", Journal of Statistical Software, 27 (2007), Monash University, Department of Econometrics and Business Statistics
- Hyndman, R. J., "Another look at forecast-accuracy metrics for intermittent demand", Foresight:The International Journal of Applied Forecasting, 4(4), pp.43~46 (2006)
- Hyndman, R. J., "A state space framework for automatic forecasting using exponential smoothing methods", International Journal of Forecasting, 18(3), pp.439~454 (2002)
- McAfee, A., "Big data: The management revolution", Harvard Business Review, 90(10), pp.60~68 (2012)
- McElreath, R., "Statistical Rethinking: A Bayesian course with examples in R and Stan, Richard McElreath, Max Planck Institute for Evolutionary Anthropology, Leipzig, Germany. (Texts in statistical science; 122)", pp.2016, CRC Press
- Harvey, A. C., "Handbook of Statistics Vol. 11", pp.261~302 (1993), Elsevier
- Terwiesch, C., "Matching supply with demand: An introduction to operations management" (2012), Mcgraw-Hill Education-Europe
- Venkatesh, K. V., "Cash demand forecasting in ATMs by clustering and neural networks", European Journal of Operational Research, 232(2), pp.383~392 (2014)