[논문]인공신경망과 유전자 알고리즘 기반의 융합모델을 이용한 가전제품의 판매예측

서광규

doi:10.14400/jdc.2015.13.9.177

인공신경망과 유전자 알고리즘 기반의 융합모델을 이용한 가전제품의 판매예측
Sales Prediction of Electronic Appliances using a Convergence Model based on Artificial Neural Network and Genetic Algorithm 원문보기

디지털융복합연구 = Journal of digital convergence, v.13 no.9, 2015년, pp.177 - 182

초록
AI-Helper

북미시장에서 국내 가전업체의 브랜드 및 제품 인지도는 크게 성장했으며 북미 소비자들에게 국내 기업의 제품은 성능이 좋고 혁신적인 기술 제품으로 인식되고 있다. 또한 에너지 절약을 원하는 소비자가 늘어나면서 국내 가전제품의 에너지 절약 측면에서 우수성이 부각됨에 따라 시장점유율이 상승으로 이어지고 있다. 최근 스마트폰과 모바일 기기 시장 확대 및 스마트 그리드 기술 발달의 영향으로 가전제품 시장에도 스마트 열풍이 거세게 몰아치고 있는데, 국내 기업들은 가전제품과 결합된 다양한 부가기능을 통해 소비자 편의를 제공함에 따라 지속적인 제품개발을 하고 있다. 본 연구에서는 지속적인 경쟁우위를 유지하기 위한 방안으로 국내 A사의 북미시장에서의 TV 판매 데이터를 이용하여 북미시장에서의 가전제품 판매예측을 위한 융합모델을 개발하고자 한다. 본 연구에서는 인공신경망과 유전자 알고리즘 기반의 융합모델을 이용한 가전제품의 판매예측을 수행하기로 한다. 추가적으로 본 연구에서는 제안한 융합모델과 기존의 예측모델과의 비교분석을 통해 제안한 융합모델의 우수성을 입증하기로 한다.

Abstract ▼ AI-Helper

The brand and product awareness of Korean electronics companies in the North American market has grown significantly and North American consumers has been recognized as an innovative technology products good performance of Korean electronics appliances. The consumer need of energy saving has led to a rise in market share because Korean electronics appliances have the excellence in energy saving aspects. The expansion of smartphones and mobile devices and the development of smart grid technology can affect electronics market. Domestic companies are continuously develop new product to provide consumers convenient with a variety of additional features combined consumer products. This study proposes a convergence model for sales prediction of electronic appliances using sales data of A company from the North American market. We develop the convergence model for sales prediction based on based on artificial neural network and genetic algorithm. In addition, we validate the superiority of the proposed convergence model by comparing the prediction performance of traditional prediction models.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구의 선행연구와의 차별점은 현재 가전제품인 TV를 대상으로 북미시장에서의 실제 판매데이터를 이용하여 판매예측모델 개발을 수행한 연구를 수행된 사례가 드물며, 특히 TV 모델별로 지원하는 다양한 기능들과 판매량과의 연관성을 분석을 수행한 연구가 진행되지 않았다는 점이다. 따라서 본 연구에서는 A사의 북미에서의 실제 판매데이터를 활용하여 개발한 판매예측모델을 검증하는 것뿐만 아니라 TV 제조사에서 고민하고 있는 부가가치를 향상시키고 제품경쟁력을 향상시키기 위해 TV의 주요 기능에 따른 판매연관성 분석을 통한 제품 개발 및 마케팅 전략 수립에 도움을 줄 수 있는 실증분석 및 예측 데이터를 제공한다는 것이다.
본 연구에서는 이러한 지속적인 경쟁우위를 유지하기 위한 방안으로 국내 A사의 북미시장에서의 TV 판매예측을 위한 인공신경망과 유전자 알고리즘 기반의 융합모델을 개발하고자 한다. 추가적으로 본 연구에서는 제안한 융합모델과 기존의 예측모델과의 비교분석을 통해 제안한 융합모델의 우수성을 입증하기로 하는데, 이를 위하여 다양한 예측모델에서 많이 적용되고 있는 다중회귀 분석(Multiple Regression Analysis; MRA) [1]과 인공신경망(Artificial Neural Network; ANN) 기반의 예측모델[2, 3]과 제안한 융합모델과 예측결과를 비교분석하기로 한다.
본 연구에서는 제안한 인공신경망과 유전자 알고리즘 기반의 융합모델과 전통적으로 예측모델에 적용된 다중 회귀분석(MRA)과 인공신경망(ANN) 모델과 예측 성능을 비교하고자 한다. 실험데이터는 북미지역에서 30인치 이상의 TV판매 데이터를 이용하여 실험을 진행하였는데 총 데이터 셋은 3,218개를 사용하였다.

제안 방법

제안한 융합모델에서 유전자 알고리즘 연산 중 선택 연산은 룰렛 선택을 채택하였으며, 교차연산은 균등교차를 적용하였다. 돌연변이의 발생확률은 0.1로 결정하여 예측 실험을 수행하였다.
먼저, 본 연구에서는 개발한 융합 모델은 인공신경망에 사용되는 입력값과 topology를 결정하기 위하여 유전자 알고리즘이 적용되었는데, 이를 위하여 시작단계, 인공신경망 학습단계. 유전자 알고리즘 연산단계, 그리고 융합모델 일반화 단계의 총 4단계로 구성되었다.
먼저, 입력변수와 인공신경망이 topology 결정을 위해[Table 2]의 모든 입력변수와 인공신경망의 히든층의 수와 히든층의 노드 수를 고려하여 chromosome을 설계하였다. 히든층의 최대 2개로 결정하였으며 히든층의 노드 수는 Kolmogrov 정의 [15]에 따라 1～2n+1(n: 입력 노드의 수)개 사이로 설정되도록 설계하였다.
본 연구에서는 북미시장에서의 TV 판매예측을 위해 국내 A사의 TV 판매 데이터를 이용하여 인공신경망과 유전자 알고리즘을 결합한 융합모델을 개발하였고, 전통적인 예측모델에 많이 적용된 다중회귀분석과 인공신경망을 이용한 예측 모델과의 성능을 비교분석하였다.
본 연구에서의 성능평가는 정확도(accuracy)와 RMSE(Root Mean Squared Error) 그리고 r²를 사용하기로 한다. 식 (1)는 평가를 위해 사용한 RMSE(Root Mean Squared Error)로서 제안 모델의 실제값과 예측값의 차이를 비교하는 방법이다.
제안 모델에서의 학습을 위해서는 입・출력 변수를 결정해야 하는데, 입력변수는 [Table 1]의 데이터를 기반을 선정하였다. “결정된 입력변수는 TV사이즈(inches), 평균판매단가(Average Selling Price; ASP), LCD, LED, HD, FULL HD, 대역폭(Hz), IPTV 기능지원여부, 3D 기능지원여부, USB기능지원여부, EPG(Electronic Program Guide) 기능지원여부, ERG(Electronic Ratings Guide) 기능지원여부, WIRE 기능지원여부, HDMI(High Definition Multimedia Interface) 지원 개수이며, 출력변수는 모델의 판매대수로 선정하였다.
제안한 융합모델에서 유전자 알고리즘 연산 중 선택 연산은 룰렛 선택을 채택하였으며, 교차연산은 균등교차를 적용하였다. 돌연변이의 발생확률은 0.
본 연구에서는 이러한 지속적인 경쟁우위를 유지하기 위한 방안으로 국내 A사의 북미시장에서의 TV 판매예측을 위한 인공신경망과 유전자 알고리즘 기반의 융합모델을 개발하고자 한다. 추가적으로 본 연구에서는 제안한 융합모델과 기존의 예측모델과의 비교분석을 통해 제안한 융합모델의 우수성을 입증하기로 하는데, 이를 위하여 다양한 예측모델에서 많이 적용되고 있는 다중회귀 분석(Multiple Regression Analysis; MRA) [1]과 인공신경망(Artificial Neural Network; ANN) 기반의 예측모델[2, 3]과 제안한 융합모델과 예측결과를 비교분석하기로 한다. 본 연구의 선행연구와의 차별점은 현재 가전제품인 TV를 대상으로 북미시장에서의 실제 판매데이터를 이용하여 판매예측모델 개발을 수행한 연구를 수행된 사례가 드물며, 특히 TV 모델별로 지원하는 다양한 기능들과 판매량과의 연관성을 분석을 수행한 연구가 진행되지 않았다는 점이다.

대상 데이터

“결정된 입력변수는 TV사이즈(inches), 평균판매단가(Average Selling Price; ASP), LCD, LED, HD, FULL HD, 대역폭(Hz), IPTV 기능지원여부, 3D 기능지원여부, USB기능지원여부, EPG(Electronic Program Guide) 기능지원여부, ERG(Electronic Ratings Guide) 기능지원여부, WIRE 기능지원여부, HDMI(High Definition Multimedia Interface) 지원 개수이며, 출력변수는 모델의 판매대수로 선정하였다.
본 연구에서는 2012년 북미지역에서 A사의 TV판매 데이터를 주별로 수집한 데이터를 사용하였는데, 이 데이터는 북미지역의 베스트바이, 월마트 등에서 2012년에 판매된 각 가전회사의 TV 모델별 판매 데이터를 모두 포함하고 있다. 확보한 판매 데이터는 30인치 이상의 TV 모델별을 모두 포함하고 있는데, 각 TV모델별 주요 기능도 모두 포함하고 있으며 [Table 1]과 같다.
본 연구에서는 제안한 인공신경망과 유전자 알고리즘 기반의 융합모델과 전통적으로 예측모델에 적용된 다중 회귀분석(MRA)과 인공신경망(ANN) 모델과 예측 성능을 비교하고자 한다. 실험데이터는 북미지역에서 30인치 이상의 TV판매 데이터를 이용하여 실험을 진행하였는데 총 데이터 셋은 3,218개를 사용하였다.
먼저, 본 연구에서는 개발한 융합 모델은 인공신경망에 사용되는 입력값과 topology를 결정하기 위하여 유전자 알고리즘이 적용되었는데, 이를 위하여 시작단계, 인공신경망 학습단계. 유전자 알고리즘 연산단계, 그리고 융합모델 일반화 단계의 총 4단계로 구성되었다.
본 연구에서는 2012년 북미지역에서 A사의 TV판매 데이터를 주별로 수집한 데이터를 사용하였는데, 이 데이터는 북미지역의 베스트바이, 월마트 등에서 2012년에 판매된 각 가전회사의 TV 모델별 판매 데이터를 모두 포함하고 있다. 확보한 판매 데이터는 30인치 이상의 TV 모델별을 모두 포함하고 있는데, 각 TV모델별 주요 기능도 모두 포함하고 있으며 [Table 1]과 같다.

이론/모형

먼저, 입력변수와 인공신경망이 topology 결정을 위해[Table 2]의 모든 입력변수와 인공신경망의 히든층의 수와 히든층의 노드 수를 고려하여 chromosome을 설계하였다. 히든층의 최대 2개로 결정하였으며 히든층의 노드 수는 Kolmogrov 정의 [15]에 따라 1～2n+1(n: 입력 노드의 수)개 사이로 설정되도록 설계하였다.

성능/효과

본 실험을 통해서 제안한 융합모델을 적용한 북미시장의 TV판매예측모델이 정확도 93.6%로 가장 우수한 성능을 보여주었는데, 이는 다중회귀분석 모델을 적용한 성능보다는 18.4%, 그리고 인공신경망 모델을 적용한 성능보다는 4.9%의 정확도가 향상되었다.
본 실험을 통해서 제안한 융합모델을 적용한 북미시장의 TV판매예측모델이 정확도 93.6%로 가장 우수한 성능을 보여주었다. 제안한 융합모델은 다중회귀분석 모델을 적용한 성능보다는 18.
6%로 가장 우수한 성능을 보여주었다. 제안한 융합모델은 다중회귀분석 모델을 적용한 성능보다는 18.4%, 그리고 인공신경망 모델을 적용한 성능보다는 4.9%의 정확도를 향상시켰다.

후속연구

향후 연구로는 현재 수행된 연구를 좀 더 세분화하여 TV사이즈별로 판매에 유의한 영향을 미치는 요인분석을 보다 상세하게 수행하는 것이 필요하며, 예측 성능을 향상시키기 위한 다양한 알고리즘 등과 결합한 하이브리드 모델을 개발이 지속적으로 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	다중회귀분석과 인공신경망 모델을 이용한 판매예측은 유의한 입력변수만을 적용하여 예측하는 이유는 무엇인가?	다중회귀분석(MRA)과 인공신경망(ANN) 모델을 이용한 판매예측은 유의한 입력변수만을 적용하여 예측한 실험결과값을 사용하기로 하는데, 이는 모든 입력변수를 사용한 것보다 예측성능이 더 우수하기 때문이다 [8].
	TV의 주요 기능에 따른 판매연관성 분석을 통해 마케팅 전략 수립에 도움을 줄 수 있는 실증분석 및 예측 데이터를 제공하고자 하는 배경은 무엇인가?	추가적으로 본 연구에서는 제안한 융합모델과 기존의 예측모델과의 비교분석을 통해 제안한 융합모델의 우수성을 입증하기로 하는데, 이를 위하여 다양한 예측모델에서 많이 적용되고 있는 다중회귀 분석(Multiple Regression Analysis; MRA) [1]과 인공신경망(Artificial Neural Network; ANN) 기반의 예측모델[2, 3]과 제안한 융합모델과 예측결과를 비교분석하기로 한다. 본 연구의 선행연구와의 차별점은 현재 가전제품인 TV를 대상으로 북미시장에서의 실제 판매데이터를 이용하여 판매예측모델 개발을 수행한 연구를 수행된 사례가 드물며, 특히 TV 모델별로 지원하는 다양한 기능들과 판매량과의 연관성을 분석을 수행한 연구가 진행되지 않았다는 점이다. 따라서 본 연구에서는 A사의 북미에서의 실제 판매데이터를 활용하여 개발한 판매예측모델을 검증하는 것뿐만 아니라 TV 제조사에서 고민하고 있는 부가가치를 향상시키고 제품경쟁력을 향상시키기 위해 TV의 주요 기능에 따른 판매연관성 분석을 통한 제품 개발 및 마케팅 전략 수립에 도움을 줄 수 있는 실증분석및 예측 데이터를 제공한다는 것이다.
	신경망이란 무엇인가?	신경망은 인간 뇌의 기본 구조 조직인 뉴런과 뉴런이 연결되어 신호를 처리하는 것처럼 수학적 모델을 도입하여 뉴런이 상호 연결되어 네트워크를 형성하여 학습하도록 한 것이다. 뉴런의 기본적인 기능은 정보의 입력,입력된 정보의 연산처리 그리고 정보의 출력이며 다수의 뉴런들이 서로 연결되어 신경망을 이루고 있다.

참고문헌 (15)

C. -W. Chu, G. P. Zhang, A Comparative Study of Linear and Nonlinear Models for Aggregate Retail Sales Forecasting, International Journal of Production Economics, Vol. 86, No. 3, pp. 217-231, 2003.

상세보기
J. H. Park, K. -K. Seo, Approximate Life Cycle Assessment of Product Concepts using Multiple Regression Analysis and Artificial Neural Networks, KSME International Journal, Vol. 17, No. 12, pp 1969-1976, 2003.

원문보기 상세보기
Z. Guoqiang, B. E. Patuwo, M.Y. Hu, Forecasting with artificial neural networks: The state of the art, International Journal of Forecasting, Vol. 14, No. 1, pp. 35-62, 1998.

상세보기
D. C. Park, M.A. El-Sharkawi, R.J. Marks, L.E. Atlas, Electric load forecasting using an artificial neural network, IEEE Transactions on Power Systems, Vol. 6, No.2. pp. 442-449, 1991.

상세보기
K. Iebeling, B. Milton, Designing a neural network for forecasting financial and economic time series, Neurocomputing, Vol. 10, No. 3, pp. 215-236, 1996.

상세보기
J. -H. Lee, J. -S. Kim, H. -W. Jang, J. -C. Lee, Drought Forecasting Using the Multi Layer Perceptron (MLP) Artificial Neural Network Model, Journal of Korea Water Resources Association, Vol. 46, No. 12, pp. 1249-1263, 2013.

원문보기 상세보기
D.E. Rumelhart, G.E. Hinton, R.J. Williams, Learning representations by back-propagating errors, Nature, Vol. 323, pp. 533-536, 1986.

상세보기
W. K. Yeo, Y. M. Seo, S. Y. Lee, H. K. Jee, Study on Water Stage Prediction Using Hybrid Model of ANN and GA, Journal of Korea Water Resources Association, Vol. 43, No. 8, pp. 721-731, 2010.

원문보기 상세보기
Z. Michalewicz, Genetic algorithms + data structuresevolution programs (3rd ed.), Springer-Verlag, 1996.
D. T. Pham, G. Jin, Genetic algorithm using gradient-like reproduction operator, Electronics Letters, Vol. 31, No. 18, pp. 1558-1559, 1995.

상세보기
D. E. Goldberg, Genetic algorithms in search, optimization, and machine learning. Addison-Wesley, 1989.
V. Maniezzo, Genetic evaluation of the topology and weight distribution of neural network, IEEE Transaction of Neural Network, Vol. 5, No. 1, pp.39-53, 1994.

상세보기
M. Nasseri, K. Asghari, M.J. Abedini, Optimized scenario for rainfall forecasting using GA coupled with ANN, Expert Systems with Applications, Vol. 35, No. 3, pp. 1415-1421, 2008.

상세보기
K. -K. Seo, Development of a Sales Prediction Model of Electronic Appliances using Artificial Neural Networks, Journal of Digital Convergence, Vol. 12, No. 11, pp. 209-214, 2014.
K. -K. Seo, An Application of One-class Support Vector Machines in Content-based Image Retrieval, Expert Systems with Applications, Vol. 33, No. 2, pp. 491-498, 2007.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증