딥러닝 기법을 활용한 가구 부자재 주문 수요예측
Demand Prediction of Furniture Component Order Using Deep Learning Techniques
0
조회
0
다운로드
4
인용
0
참고문헌
키워드
초록
최근 코로나 19 사태로 인한 경기 위축에도 불구하고, 재택근무 증가로 집에 거주하는 시간이 늘어나면서 주거환경에 관한 관심이 커지고 있으며, 이에 따라 리모델링에 대한 수요가 증가하고 있다. 또한, 정부의 부동산 정책 또한 규제 정책에서 주택공급 확대 방향으로 전환하면서 이에 따른 인테리어, 가구업계의 매출에도 가시적인 영향이 있을 것으로 예상한다. 정확한 수요예측은 재고 관리와 직결되는 문제로 정확한 수요예측은 불필요한 재고를 보유할 필요가 없어 과잉생산으로 인한 물류, 재고 비용을 줄여줄 수 있다. 하지만 정확한 수요를 예측하기 위해서는 지속적으로 변화하는 경제동향, 시장동향, 사회적 이슈등 외부요인을모두 고려하여 분석해야 하기 때문에 어려운 문제이다. 본연구에서는 가구 부자재를 생산하고 있는 제조업체에 대하여 신뢰성 있는 결과 도출을 위해 인공지능기반 시계열 분석 방법으로, LSTM 모형, 1D-CNN 모형을비교 분석하였다.
Abstract
Despite the recent economic contraction caused by the Corona 19 incident, interest in the residential environment is growing as more people live at home due to the increase in telecommuting, thereby increasing demand for remodeling. In addition, the government’s real estate policy is also expected to have a visible impact on the sales of the interior and furniture industries as it shifts from regulatory policy to the expansion of housing supply. Accurate demand forecasting is a problem directly related to inventory management, and a good demand forecast can reduce logistics and inventory costs due to overproduction by eliminating the need to have unnecessary inventory. However, it is a difficult problem to predict accurate demand because external factors such as constantly changing economic trends, market trends, and social issues must be taken into account. In this study, LSTM model and 1D-CNN model were compared and analyzed by artificial intelligence-based time series analysis method to produce reliable results for manufacturers producing furniture components.
참고문헌 (18)
- "전⋅가구 수요 증가 홈코노미주, 목표주가도 쑥쑥" (2020)[URL]
- "모델링 시장규모 2030년 46조원으로 2.5배 급성장 전망" (2019)[URL]
- 김정아, "중소기업 제조공장의 수요예측 기반 재고관리 모델의 효용성 평가", 한국인터넷방송통신학회 논문지, 18(2), pp.197~207 (2018), 한국인터넷방송통신학회[DOI]
- D. Jeong, "Long-term prediction of vehicle trajectory based on a deep neural network", Proc. of the 2017 International Conference on Information and Communication Technology Convergence (ICTC), pp.725~727 (2017)
- A. Tokgoz, "A RNN based time series approch for forecasting turkish electricity load", Proc. of the 2018 26th Signal Processing and Communications Applications Conference (SIU) (2018)
- 김진섭, "시계열 분해 데이터를 이용한 LSTM 기법 기반 항공기 수리부속 수요예측 방안 연구", 경영과학, 37(2), pp.1~18 (2020), 한국경영과학회[DOI]
- 조영기, "변형된 Attention 메커니즘 기반의 LSTM을 통한 전력수요 예측 프레임웍", 한국지능시스템학회 논문지, 30(3), pp.242~250 (2020), 한국지능시스템학회[DOI]
- 이정현, "V2G 환경의 전력 수급 의사결정 지원을 위한 SARIMA기법과 LSTM기법의 전력사용량 1일 예측 연구", 한국데이터정보과학회지, 30(4), pp.779~795 (2019), 한국데이터정보과학회[DOI]
- 이우주, "승률에 대한 Arima와 Grey 그리고 LSTM 모형 비교", 한국지능시스템학회 논문지, 30(4), pp.303~308 (2020), 한국지능시스템학회[DOI]
- 김예인, "CNN-LSTM 딥러닝 기반 캠퍼스 전력 예측 모델 최적화 단계 제시", 한국산학기술학회논문지, 21(10), pp.8~15 (2020), 한국산학기술학회[DOI]
- Y. H. Chen, "Eyeriss : An energy-efficient reconfigurable accelerator for deep convolutional neural networks", IEEE Journal of Solid-State Circuits, 52(1), pp.127~138 (2017)
- T. D. Do, "Real-time self-driving car navigation using deep neural network", Proc. of the 20184th International Conference on Green Technology and Sustainable Development (GTSD), pp.7~12
- Bengio, Y., "Learning long-term dependencies with gradient descent is difficult", IEEE Transactions on Neural Networks, 5(2), pp.157~166 (1994)
- Arel, I., "Deep Machine Learning-A New Frontier in Artificial Intelligence Research", IEEE Computational Intelligence Magazine, pp.13~18 (2010)
- 김현일, "LSTM 모형과 로지스틱 회귀를 통한 도시 침수 범위의 예측", 대한토목학회논문집(국문), 40(3), pp.273~283 (2020), 대한토목학회[DOI]
- 정호철, "에너지인터넷에서 1D-CNN과 양방향 LSTM을이용한 에너지 수요예측", 전기전자학회논문지, 23(1), pp.134~142 (2019), 한국전기전자학회[DOI]
- Chen, Q., "Research on a Real-Time Monitoring Method for the Wear State of a Tool Based on a Convolutional Bidirectional LSTM Model", Symmetry, 11(10), pp.1233~ (2019)