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
- 기존 데이터마이닝을 적용하여 수요예측을 한 연구들은 대부분 분류, 발생여부를 예측하였다. 본 연구에서는 다양한 변수들을 입력변수로 한 데이터마이닝 기법을 적용하여 수리부속 소요수량에 대한 예측 정확도를 제고하고자 한다.
- 본 연구에서는 해군 함정 수리부속의 수요예측 정확도 제고를 위하여 지난 7개년의 수리부속 수요데이터를 분석하고 데이터마이닝 기법을 활용하여 수리부속 수요 예측 모델을 제안하였다.
- 본 연구의 의의로는 현재 군에서 사용하는 시계열 기법에서 벗어나 수요예측 모델을 제안하였으며, 수요예측 정확도 제고에 연관성을 갖는 변수들을 식별할 수 있었다는 점에서 의미가 있다.
- 이러한 대규모 데이터가 관리되는 정보체계를 활용하여 민간의 다양한 기법들에 대한벤치마킹을 통해 수요예측 정확도 향상과 군수운영 발전의 근간이 되어 전투력 강화로 이어질 수 있을 것이라 기대된다[9]. 이러한 배경 하에 본 연구에서는 최근 빅데이터와 맞물려 주목을 받고 있는 데이터마이닝 기법을 이용하여 현재 해군에서 운영하는 함정 수리부속을 대상으로 수요예측 정확도 제고에 기여하고자 한다.
- 해군 장비정비정보체계는 2005년부터 2008년까지 3년간 개발되었으며, 개발 목적은 군수자산의 가시화를 통해 자산관리의 효율성, 투명성, 정확성을 제고하고 정비,보급 등 제반 군수업무를 통합 관리하기 위한 것이다. 이러한 개발 목적을 달성하기 위하여 기존의 정비 및 보급 업무 관련 정보시스템인 군수종합정보체계, 함정정비정보체계, 항공종합정보체계를 통합하여 일원화하였으며,군수업무 수행에 필요한 정보의 공유를 위해 국방부 및 타군의 정보시스템과 연동하고 웹 기반의 정비기술을 적용하였다.
제안 방법
- 기존 연구에서 많은 논문들이 수요예측 분야에 데이터마이닝 기법을 적용하고 그 유용성을 보여주었다. 고객의 주문정보로부터 주문한 선박 부품 내역에 대한 데이터(주문번호, 부품코드, 부품명, 수량, 단위 등)를 통하여 재고관리 품목의 거래빈도, 품목간 연관성을 분석하여 품목의 출고준비에 소요되는 시간을 줄인 바 있으며[5], 물 사용량을 예측하기 위하여 3년간의 일일 수요량의 데이터를 이용하여 요일별 특성을 포함한 계절적 특성 등에 대한 상관분석 후 다중선형 자기회귀 모델과 칼만필터 모델로 수요예측 결과를 도출하였으며[1], 회복실 환자의 평균 체류시간을 확인하여 체류시간에 미치는 요인들을 파악하여 체류시간 예측을 분석하였다[12]. 그리고 농산물 유통시장의 부정거래를 예측하는 모형은 6개 농산물 도매시장법인으로부터 32개월 청과거래 정산 데이터를 수집하여 경매장 구분, 경매구분, 품목코드 등 34개의 변수 중 16개 변수를 선정하여 의사결정나무 기법을 이용, 허위거래를 탐지하는 모형을 제시하였다[6].
- 함정 특성상 주엔진이 가동한다는 것은 함정이 바다에서 항해하는 것이며, 그에 따라 함정에 탑재된 모든 장비들도 가동된다고 할 수 있다. 그래서 본 연구에서는 O척의 주엔진 운영일의 평균을 모든 수리부속의 연도별 운영일로 동일하게 적용하였다. 이와 같은 데이터 수집을 통하여 최종적으로 활용할 설명변수는 [Table 2]와 같이 총 42개의 변수이다.
- 신경망은 은닉층에 따라 예측력의 차이를 보이는데 단층, 다층의 예측력 비교 시 다층이 좋았으며, 다층에서도 은닉노드를 5, 3으로 할 경우 예측력이 가장 좋았다. 그래서 최종모형은 [Figure 5]와 같이 은닉층이 두 개인 다층신경망 구조로써, 입력층 22개, 2개의 은닉층에는 5/3개의 은닉노드, 출력층은 1개의 노드로 이루어져 있는 구조로 구성하였다.
- 고객의 주문정보로부터 주문한 선박 부품 내역에 대한 데이터(주문번호, 부품코드, 부품명, 수량, 단위 등)를 통하여 재고관리 품목의 거래빈도, 품목간 연관성을 분석하여 품목의 출고준비에 소요되는 시간을 줄인 바 있으며[5], 물 사용량을 예측하기 위하여 3년간의 일일 수요량의 데이터를 이용하여 요일별 특성을 포함한 계절적 특성 등에 대한 상관분석 후 다중선형 자기회귀 모델과 칼만필터 모델로 수요예측 결과를 도출하였으며[1], 회복실 환자의 평균 체류시간을 확인하여 체류시간에 미치는 요인들을 파악하여 체류시간 예측을 분석하였다[12]. 그리고 농산물 유통시장의 부정거래를 예측하는 모형은 6개 농산물 도매시장법인으로부터 32개월 청과거래 정산 데이터를 수집하여 경매장 구분, 경매구분, 품목코드 등 34개의 변수 중 16개 변수를 선정하여 의사결정나무 기법을 이용, 허위거래를 탐지하는 모형을 제시하였다[6]. 또한 공군 항공기 수리부속 수요를 예측하기 위하여 수리부속 관련 자료를 정리, 변수를 추출(불출 개수 대비 소모개수 비율, 연도별 소모개수 합, 수리율, 폐기율, 조달 기간 등)하여 의사결정나무, 베이지안 네트워크 등의 기법을 사용하여 수리부속 발생여부를 예측하는 모델을 제시하였다[4].
- 최초 연도별 소모실적 등 총 42개의 변수를 식별하여 활용하였으나 각 모델에서 활용한 변수들은 [Table 5]와 같다. 기존 변수 선정과정에서 수리부속 소요와 관련이 많을 것이라고 판단했던 연도별 소모실적, ASL 선정개수,청구불출비율이 모든 모델에서 중요변수로 활용되었다.
- 그리고 농산물 유통시장의 부정거래를 예측하는 모형은 6개 농산물 도매시장법인으로부터 32개월 청과거래 정산 데이터를 수집하여 경매장 구분, 경매구분, 품목코드 등 34개의 변수 중 16개 변수를 선정하여 의사결정나무 기법을 이용, 허위거래를 탐지하는 모형을 제시하였다[6]. 또한 공군 항공기 수리부속 수요를 예측하기 위하여 수리부속 관련 자료를 정리, 변수를 추출(불출 개수 대비 소모개수 비율, 연도별 소모개수 합, 수리율, 폐기율, 조달 기간 등)하여 의사결정나무, 베이지안 네트워크 등의 기법을 사용하여 수리부속 발생여부를 예측하는 모델을 제시하였다[4].
- 본 연구에서는 목적변수가 수리부속 소요수량으로 연속형이다. 이에 따른 최적의 수요예측 모델을 구축하기 위하여 데이터마이닝 기법 중 회귀나무모형, 랜덤포레스트 모형, 신경망모형, 선형회귀모형 4가지 기법을 사용하였으며, 모델 구축에는 공개 소프트웨어인 R을 사용하였다.
- 47로 가장 작으며, 산점도 그래프도 45도 대각선을 중심으로 잘 모여 있음을 알 수 있다. 예측 정확도를 측정하기 위하여 본 연구에서 예측력이 가장 높은 랜덤포레스트 모형을 이용하여 테스트 데이터의 실제 소모수량과 랜덤포레스트 모델을 이용한 예측치를 비교하였다. 실제 소모수량과 예측량의 차이가 0인 품목을 테스트데이터를 10회 변경하여 확인한 결과 평균은 90%가 나왔으며, 이는 우리 군 전체 수리부속의 정확도인 40~50%보다 약 40~50% 높은 결과를 보여주었다.
- 본 연구의 목적은 수리부 속 수요예측이므로 데이터를 수리부속별/연도별(2009~2016년)로 재정리하였으며, 수리부속 품목수는 총 29,083개였다. 이 자료에 추가하여 연도별 인가저장품목(ASL :Authorized Stockage List/각급 보급부대에서 현 보급운영을 지속하고 장차 예측되는 소요를 충당하기 위하여 항상 저장 유지하도록 인가된 보급품) 선정개수, 요수리품의 수리율(수리된 개수/수리부속 입고량), 연도별 수리부속청구/불출 비율(청구한 수리부속 수량/불출된 수리부속 수량), 함정 운영일을 확보하였다. 함정 운영일의 경우 해당 수리부속의 장비 운영일이 가장 좋은 자료이나 장비정비정보체계 내에서 획득할 수 있는 자료는 각 함정의 주엔진에 대한 운영일 자료만 축적되어 있었다.
- 해군 장비정비정보체계는 2005년부터 2008년까지 3년간 개발되었으며, 개발 목적은 군수자산의 가시화를 통해 자산관리의 효율성, 투명성, 정확성을 제고하고 정비,보급 등 제반 군수업무를 통합 관리하기 위한 것이다. 이러한 개발 목적을 달성하기 위하여 기존의 정비 및 보급 업무 관련 정보시스템인 군수종합정보체계, 함정정비정보체계, 항공종합정보체계를 통합하여 일원화하였으며,군수업무 수행에 필요한 정보의 공유를 위해 국방부 및 타군의 정보시스템과 연동하고 웹 기반의 정비기술을 적용하였다. 이렇게 해군 장비정비정보체계는 보급․정비 업무와 야전․창정비 업무에 대한 다양한 기능과 군수정보를 제공하는 등 해군 군수분야의 핵심적 역할을 하고 있다[3].
- 신경망 모형 작성시 첫 번째 단계는 목표변수와 관련성이 높은 입력변수를 선택하는 것이다. 입력정보를 나타내는 입력변수에 따라 출력결과가 많이 달라질 수 있으므로 기존 회귀나무모형과 랜덤포레스트에서 중요하다고 선정된 연도별 소모개수, ASL 선정개수, 청구불출비율을 입력변수로 선정하였다. 선정된 입력변수들은 표준화과정을 거쳐 0, 1 사이 값으로 변경하였다.
- 이 때 예측력 척도는 평균제곱오차(MSE :Mean Square Error/관측치와 예측치 사이의 차이가 적을수록 예측을 잘한 것이므로 평균제곱오차가 적을수록 모형의 예측력이 높음)를 사용하였다. 테스트 데이터를 이용하여 MSE를 총 10회 확인하였으며, 최종 MSE는 그 평균을 사용하였다.
대상 데이터
- 목적변수는 f년 수리부속(Cf, f = 16) 소요수량예측으로 선정하였으며, 훈련 및 테스트 데이터(7:3)를 분할하여 검증하였다. 이 때 예측력 척도는 평균제곱오차(MSE :Mean Square Error/관측치와 예측치 사이의 차이가 적을수록 예측을 잘한 것이므로 평균제곱오차가 적을수록 모형의 예측력이 높음)를 사용하였다.
- 수집한 데이터는 정비날짜 수리부속 소모개수, 수리내역 등의 자료가 포함되어 있다. 본 연구의 목적은 수리부 속 수요예측이므로 데이터를 수리부속별/연도별(2009~2016년)로 재정리하였으며, 수리부속 품목수는 총 29,083개였다. 이 자료에 추가하여 연도별 인가저장품목(ASL :Authorized Stockage List/각급 보급부대에서 현 보급운영을 지속하고 장차 예측되는 소요를 충당하기 위하여 항상 저장 유지하도록 인가된 보급품) 선정개수, 요수리품의 수리율(수리된 개수/수리부속 입고량), 연도별 수리부속청구/불출 비율(청구한 수리부속 수량/불출된 수리부속 수량), 함정 운영일을 확보하였다.
- 수집한 데이터는 정비날짜 수리부속 소모개수, 수리내역 등의 자료가 포함되어 있다. 본 연구의 목적은 수리부 속 수요예측이므로 데이터를 수리부속별/연도별(2009~2016년)로 재정리하였으며, 수리부속 품목수는 총 29,083개였다.
- 이와 같이 보급․정비에 대한 데이터가 축적된 체계를 통하여 현재 해군에서 접적해역 경비, 청해부대 파병,사관생도 원양실습 지원 등 다양한 분야에서 운영하고 있는 DDH-O 구축함 O척의 정비실적 데이터를 수집하였다.
데이터처리
- 목적변수는 f년 수리부속(Cf, f = 16) 소요수량예측으로 선정하였으며, 훈련 및 테스트 데이터(7:3)를 분할하여 검증하였다. 이 때 예측력 척도는 평균제곱오차(MSE :Mean Square Error/관측치와 예측치 사이의 차이가 적을수록 예측을 잘한 것이므로 평균제곱오차가 적을수록 모형의 예측력이 높음)를 사용하였다. 테스트 데이터를 이용하여 MSE를 총 10회 확인하였으며, 최종 MSE는 그 평균을 사용하였다.
- 회귀분석은 변수사이의 함수적 관계를 조사하는 통계적 방법이며, 본 연구에서는 목적변수가 연속형이므로 선형회귀모형을 사용하였다. 선형회귀모형 수행결과 P값은 0.
이론/모형
- 회귀나무모형은 분류나 예측의 근거를 알려주기 때문에 이해하기가 쉬우며, 데이터를 구성하는 입력변수의 수가 지나치게 많을 경우에도 작업이 용이하다. 본 연구에서는 회귀나무모형 기법인 CART(Classification and Regression Tree) 방법을 사용하였으며, R 소프트웨어의 RPART 패키지를 활용하였다. 회귀나무모형 트리구성은 [Figure 1]과 같으며, 회귀나무모형을 구성한 변수는 f-1-f-5/f-7년 소모개수, f-1-f-3년 ASL 선정개수, f-3/f-6년 청구불출비율 총 11개 변수이다.
- 본 연구에서는 목적변수가 수리부속 소요수량으로 연속형이다. 이에 따른 최적의 수요예측 모델을 구축하기 위하여 데이터마이닝 기법 중 회귀나무모형, 랜덤포레스트 모형, 신경망모형, 선형회귀모형 4가지 기법을 사용하였으며, 모델 구축에는 공개 소프트웨어인 R을 사용하였다.
성능/효과
- 실제 소모수량과 예측량의 차이가 0인 품목을 테스트데이터를 10회 변경하여 확인한 결과 평균은 90%가 나왔으며, 이는 우리 군 전체 수리부속의 정확도인 40~50%보다 약 40~50% 높은 결과를 보여주었다. 그러나 본 연구는 DDH-O의 O척이므로 전체 수리부속과 비교하는 것은 제한이 있으나 DDH-O 구축함에 대해서는 높은 정확도를 보여주었다.
- 단계적 방법(Stepwise selection) 후 R2 값 및 AIC 값에는 큰 변동이 없으므로 선형회귀모형에는 적합하지 않다고 할 수 있다. 단계적 방법 이후 제거된 변수를 확인한 결과 기존 모델과 동일하게 중요하지 않다고 평가된 연도별 재생율/폐기율/운영일이 포함되어 있었으나, 다른 모델에서 중요하다고 평가된 f-7년 ASL 선정개수, f-6년 소모개수,f-4년 청구불출비율이 제거되었음을 알 수 있었다.
- 4가지 기법의 MSE 값은 [Table 4]와 같다. 랜덤포레스트 모형의 MSE 값이 24.47로 가장 작으며, 산점도 그래프도 45도 대각선을 중심으로 잘 모여 있음을 알 수 있다. 예측 정확도를 측정하기 위하여 본 연구에서 예측력이 가장 높은 랜덤포레스트 모형을 이용하여 테스트 데이터의 실제 소모수량과 랜덤포레스트 모델을 이용한 예측치를 비교하였다.
- 회귀분석은 변수사이의 함수적 관계를 조사하는 통계적 방법이며, 본 연구에서는 목적변수가 연속형이므로 선형회귀모형을 사용하였다. 선형회귀모형 수행결과 P값은 0.000***으로 0.05보다 작아 유의하다고 할 수 있으나 R2값이 0.41로 낮았으며, AIC 값도 110713로 높게 나왔다. 단계적 방법(Stepwise selection) 후 R2 값 및 AIC 값에는 큰 변동이 없으므로 선형회귀모형에는 적합하지 않다고 할 수 있다.
- 신경망 모형에 대한 테스트 데이터의 MSE 확인결과는 57.78이며 회귀나무모형과 비교시 예측력이 높으나 랜덤 포레스트보다는 예측력이 낮았다. 산점도 결과는 [Figure6]과 같으며 그래프 상에서도 관측치와 예측치가 유사한 점들도 있으나 실제 소모가 발생한 품목이 있음에도 불구하고 0으로 예측하는 수량이 많았다.
- 선정된 입력변수들은 표준화과정을 거쳐 0, 1 사이 값으로 변경하였다. 신경망은 은닉층에 따라 예측력의 차이를 보이는데 단층, 다층의 예측력 비교 시 다층이 좋았으며, 다층에서도 은닉노드를 5, 3으로 할 경우 예측력이 가장 좋았다. 그래서 최종모형은 [Figure 5]와 같이 은닉층이 두 개인 다층신경망 구조로써, 입력층 22개, 2개의 은닉층에는 5/3개의 은닉노드, 출력층은 1개의 노드로 이루어져 있는 구조로 구성하였다.
- 예측 정확도를 측정하기 위하여 본 연구에서 예측력이 가장 높은 랜덤포레스트 모형을 이용하여 테스트 데이터의 실제 소모수량과 랜덤포레스트 모델을 이용한 예측치를 비교하였다. 실제 소모수량과 예측량의 차이가 0인 품목을 테스트데이터를 10회 변경하여 확인한 결과 평균은 90%가 나왔으며, 이는 우리 군 전체 수리부속의 정확도인 40~50%보다 약 40~50% 높은 결과를 보여주었다. 그러나 본 연구는 DDH-O의 O척이므로 전체 수리부속과 비교하는 것은 제한이 있으나 DDH-O 구축함에 대해서는 높은 정확도를 보여주었다.
- 제안한 모델 중에서 가장 성능이 좋은 모델은 랜덤포레스트 모델로서 MSE는 24.47, 정확도는 90%로 우리 군에서 기존에 사용하는 수요예측 모델보다 40~50% 향상된 결과를 도출하였다. 그러나 DDH-O 구축함 수리부속에 대한 정확도로 전체 수리부속에 적용하기에는 한계가 있으며, 확장된 수리부속 수요예측 관련 연구가 필요하다.
- 회귀나무모형의 트리 구성과 랜덤포레스트모형의 변수 중요도를 비교하면 소모개수, ASL 선정개수, 청구불출비율로 선택된 변수가 유사하였다.
후속연구
- 추가적으로 설명변수 중 장비 운영시간이 수요예측에 끼치는 영향이 많을 것으로 판단하여 함정 운영일을 변수에 추가하였으나, 장비정비정보체계 내 장비 운영시간이 단순하게 함정 주엔진의 가동시간만 주어져 있었다. 그래서 모델 구축시 수요예측에 중요한 변수로 채택되지 않았지만, 수리부속 소모에 결정적인 역할을 할 것으로 판단되며, 장비정비정보체계 내에 이와 연관되어 자료를 축적할 수 있는 시스템이 구축되어야 할 것이다.
- 47, 정확도는 90%로 우리 군에서 기존에 사용하는 수요예측 모델보다 40~50% 향상된 결과를 도출하였다. 그러나 DDH-O 구축함 수리부속에 대한 정확도로 전체 수리부속에 적용하기에는 한계가 있으며, 확장된 수리부속 수요예측 관련 연구가 필요하다.
- 본 연구에서는 수리부속 소모실적 및 ASL 선정개수,청구/불출비율 등의 데이터를 분석에 활용하였으나, 향후 장비 운영시간, 기상정보, 정비기록 등 외부 데이터나 비정형화된 텍스트 데이터를 추가적으로 활용한다면 보다 향상된 수요예측 결과를 얻을 수 있을 것이라고 기대된다.
- 또한 장비정비정보체계(DELIIS, Defense Logistics Integrated Information System)를 통하여 기준 수요자료 뿐만 아니라, 수리부속 수요와 관련된 다양한 자료를 관리하고 있다. 이러한 대규모 데이터가 관리되는 정보체계를 활용하여 민간의 다양한 기법들에 대한벤치마킹을 통해 수요예측 정확도 향상과 군수운영 발전의 근간이 되어 전투력 강화로 이어질 수 있을 것이라 기대된다[9]. 이러한 배경 하에 본 연구에서는 최근 빅데이터와 맞물려 주목을 받고 있는 데이터마이닝 기법을 이용하여 현재 해군에서 운영하는 함정 수리부속을 대상으로 수요예측 정확도 제고에 기여하고자 한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.