선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 마지막으로, 기존의 SVM 전력수요예측 연구결과인 [10] 에서와 같이 다음 기간의 하루 최대 전력수요량을 예측하여보자.
- 본 논문에서는 SVM 전력수요예측에서 예측성능에 적지 않은 영향을 주는 SVM 파라메터의 선택기법에 대한 연구를 수행하고자 한다. SVM 파라메터를 체계적으로 선택하는 방법으로는 VC 한계 최소화기법, 베이시안 학습기법, 교차검증기법 등이 알려져 있다 [8][9].
- 기존의 SVM 전력수요예측기법에서는 SVM 파라메터를 선택하는 체계적인 방법이 제시되지 않아서 실제적인 응용에는 상당한 한계를 안고 있었다. 본 논문에서는 SVM 파라메터를 체계적으로 선택하기 위하여, 통계학에서 사용되는 교차검증을 SVM 전력수요예측에 사용할 것을 제안하였다. 4장의 5가지 사례연구 결과로부터 교차검증에 의해 선택된 SVM 파라메터를, 사용하였을 때의 MAPE와 최적의 SVM 파라메터를 사용하였을 때의 MAPE 오차는 5%이내임을 알 수 있었다.
- 마지막으로,교차검증기법은 학습시 주어진 데이터를 학습데이터와 검증데이터로 나누어 검증데이터에 대한 최적의 모델을 선정하는 방법이다. 본 논문에서는 이들 중에서 상대적으로 간단하면서도 우수한 성능을 나타내는 교차검증(cross validation) 을 사용하여 SVM전력수요예측의 최적 파라메터를 선정하고자 한다. 수요예측에 사용되는 교차검증은 다음과 같은 과정으로 진행되며, 그림 2는 교차검증의 수행방법 및 절차를 순서도로 표현한 것이다.
- 본 논문에서는 전력수요 예측에 사용되는 SVM의 효과적인 파라메터 선정방법에 대한 연구를 수행하였다. SVM은 기존의 통계적 학습 방법에서 이용되는 '경험적 위험 최소화' 와는 다른 '구조적 위험 최소화'를 이용하여 일반화 오차를 감소시키는 기법이다.
- 본 장에서는 모의실험을 통하여 3장에서 제시한 교차검증의 유효성을 검증하고자 한다. 이를 위하여 먼저, 비용계수와 대역폭이 취할 수 있는 값을 결정해야 하는데, 여러 번의 모의실험 결과 다음 값만을 고려해도 충분하였다: # 따라서, SVM 학습은 261(=9X29)개의 (#, C) 쌍에 대해서 수행되어야 하며, 이 중에서 검증데이터에 대한 예측오차를 최소로 하는 (#, C)를선택하여 실제의 예측시스템에 사용하는 것이다.
- 예측성능은 표 4와 같다. 이제, 교차검증을 적용하여 실제 사용가능한 예측시스템의 예측성능을 계산해보자. 먼저, 2002년 여름 수요예측을 위해서는 2001년 7월과 8월 자료를, 2003년 여름 수요예측을 위해서는 2002년 7월과 8월 자료를 각각 검증 데이터로 정한다.
가설 설정
- SVM에 교차검증을 적용하여 보았다. 학습시 사용 가능한 데이터는 2000년 6, 7, 8, 9월, 2001년 6, 7, 8, 9월, 2002 년 6월 데이터라고 가정하였다. 우선, 모든 학습 데이터를 이용하여 SVM을 학습시킨 후, 2002년 7월 데이터의 MAPE 를 최소로 하는 가장 우수한 3가지 SVM 파라메터를 구해보면, 그 결과는 표 1과 같다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.