공급 사슬 티어 예측을 통한 LSTM 네트워크의 성능 평가
Performance Evaluation of LSTM Network through Supply Chain Tier Prediction
0
조회
0
다운로드
1
인용
0
참고문헌
키워드
초록
딥 러닝의 성능을 개선하기 위해 사용하는 대표적인 두 종류는 차별적인 네트워크 알고리즘을 사용하는 방법과 실행 프로세스에 변화를 주는 방법이다. 본 연구는 이 중에서 사용하는 네트워크의 알고리즘에 따라 딥 러닝의 성능에 차이가 발생하는지를 확인하고자 한다. 네트워크 알고리즘을 사용하는 방법은 딥 러닝 네트워크 알고리즘의 학습을 위해 어떤 알고리즘을 선택할 것인가에 관한 것이다. 본 연구는 공급 사슬의 티어 예측에 4 종류의 딥 러닝 네트워크 알고리즘을 적용하고 성능 평가를 통해 가장 적절한 알고리즘을 선정하고자 한다. 본 논문에서 성능 평가를 위해 사용되는 딥 러닝 네트워크 알고리즘은 lstmLayer, bilstmLayer, Deeper lstmLayer, Deeper bilstmLayer이며 동일한 실험 조건을 가정한다. 본 연구의 실험 결과는 사용하는 네트워크 알고리즘에 따라 수행도에 차이가 있음을 보여준다. 구체적인 실험 결과는 lstmLayer 계열보다는 bilstmLayer 계열이 더 성능이 우수하며, lstmLayer와 Deeper lstmLayer는 성능 차이가 없고, bilstmLayer 보다는 Deeper bilstmLayer가 더 성능이 우수하다. 결론적으로, 공급 사슬의 시계열 데이터 정보를 딥 러닝에 사용하는 경우는 Deeper bilstmLayer가 가장 효율적임을 알 수 있다.
Abstract
The two typical types used to improve the performance of deep running are the method of using discriminatory network algorithms and the method of changing the execution process. The purpose of this study is to find out whether there is a difference in the performance of deep learning according to the algorithm of the network used. The method of using the network algorithm is about which algorithm to choose for learning of the deep learning network algorithm. In this study, four types of deep running network algorithms are applied to the tier prediction of the supply chain and the most appropriate algorithm is selected through performance evaluation. Deep learning network algorithms used for performance evaluation in this paper are lstmLayer, bilstmLayer, Deeper lstmLayer, Deeper bilstmLayer and assume the same experimental conditions. The experimental results of this study show that performance varies depending on the network algorithm used. Specific test results show that the bilstmLayer family has better performance than the lstmLayer family, and there is no difference in performance between lstmLayer and Deeper lstmLayer, and Deeper bilstmLayer has better performance than the bilstmLayer. In conclusion, if the time series data information of the supply chain is used for deep running, Deeper bilstmLayer is the most efficient.
참고문헌 (13)
- S. J. Song, "Forecasting Trust Demand Response Using LSTM", The 49th KIEE Summer Conference, (2018) July 11-13; YongPyung, Korea, pp.11~13 (2018)
- H. J. Park, "Deep Learning with R" (2018), Hanbit Academy
- K. J. Park, "Performance Evaluation of Deep Learning Network by Tier Identification", Convergence Research Letter, 5(1), pp.273~277 (2019)
- 탁해성, "지역 기상 정보를 활용한 단기 전력 수요 예측 모델", 한국콘텐츠학회 논문지, 16(11), pp.488~498 (2016), 한국콘텐츠학회[DOI]
- 신동하, "하계 전력수요 예측을 위한 딥 러닝 입력 패턴에 관한 연구", 한국정보기술학회논문지, 14(11), pp.127~134 (2016), 한국정보기술학회[DOI]
- 안준영, "동계 전력수요예측을 위한 신경망 모델에 관한 연구", 한국정보기술학회논문지, 15(9), pp.1~9 (2017), 한국정보기술학회[DOI]
- S. Gil, "A Study on the Method of Energy Demand Prediction Using Deep Learning", Proceedings of Symposium of the Korean Institute of Communications and Information Sciences (2016)
- J. H. Park, "Evaluation of Demand Power Prediction Performance Based on Deep Learning Algorithm and Data Preprocessing", Korea Computer Congress 2017 (2017)
- G. D. Sim, "A Study on the Prediction Interest Rate Using LSTM Systems", Proceedings of Symposium of the Korean Institute of communications and Information Sciences, pp.20~22 (2018)
- 서덕희, "LSTM을 이용한 웹기반 수용가별 전력수요 변동성 평가시스템", 한국정보통신학회논문지, 22(4), pp.587~594 (2018), 한국정보통신학회[DOI]
- W. Lee, "Forecasting Energy Data Using LSTM", Proceedings of Korea Institute of Information Scientists and Engineers Winter Conference 2016 (2016)
- F. Strozzi, "Beer Game Order Policy Optimization Under Changing Customer Demand", Decision Support Systems, 42, pp.2153~2163 (2007)