[논문]머신러닝을 이용한 관중 수요 예측에 관한 연구

유지현

doi:10.7471/ikeee.2019.23.4.1243

머신러닝을 이용한 관중 수요 예측에 관한 연구
Study on Prediction of Attendance Using Machine Learning 원문보기

전기전자학회논문지 = Journal of IKEEE, v.23 no.4, 2019년, pp.1243 - 1249

유지현 (Dept. of Internet Communications, Jangan University)

초록
AI-Helper

특정한 이벤트나 콘텐츠를 즐기기 위해 모인 사람들을 관중 또는 관객이라고 하고, 모임의 특성에 따라 다양한 성향을 나타낸다. 그러한 차이점은 있지만, 일반적으로 관중 수는 경영적인 측면과 직결되는 요소로써, 관람료부터 다른 시설의 이용료 등 다양한 수입을 통해 콘텐츠 판매를 위한 안정적인 재정 운영을 가능케 한다. 따라서 관중 수에 대한 예측은 마케팅과 예산 전략 수립에 주요한 요소로 활용될 수 있다. 본 연구에서는 관중 수에 대한 예측을 위한 여러 가지 기존 모델을 검토하고, 그 중에서 효율적인 머신러닝 모델을 제안하고자 한다. 또한 딥러닝과 랜덤포레스트 모델을 혼용하여 일별 관중 수 예측과 비정상적 관중 수 예측에 대한 연구를 진행하였다.

Abstract ▼ AI-Helper

People who gathered to enjoy a specific event or content are called audiences or spectators, and show various propensity according to the characteristics of the crowd. Although there is such a difference, in general, the number of attendance is directly related to the business aspect, which enables stable financial operation for the sale of contents through various incomes, such as the admission fee and the use of other facilities. Therefore, prediction of audience can be used as a major factor in marketing and budgeting strategies. In this study, we review several existing models for predicting the number of attendance and propose an efficient machine learning model. In addition, we studied daily attendance prediction and abnormal attendance prediction using combine DNN(Deep Neural Network) and RF(Random Forest) model.

주제어

표/그림 (8)

그림 Fig. 1. Structure of Artificial Neural Network. 그림 1. 인공 신경망 구조
표 Table 1. Input and Output Variables. 표 1. 입력변수와 출력변수
표 Table 2. Hyperparameters. 표 2. 하이퍼파라미터
표 Table 3. Comparison of AC1 Prediction and Actual Attendance. 표 3. AC1 예측 결과와 실제 관중수 비교
그림 Fig. 2. Prediction of Reservation Pattern Using Random Forest(D-12). 그림 2. 머신러닝을 이용한 예매패턴 예측(D-12)
그림 Fig. 3. Prediction of Reservation Pattern Using Random Forest(D-11). 그림 3. 머신러닝을 이용한 예매패턴 예측(D-11)
그림 Fig. 4. Prediction of Reservation Pattern Using Random Forest(D-10). 그림 4. 머신러닝을 이용한 예매패턴 예측(D-10)
표 Table 4. Comparison of AC2 Prediction and Actual Attendance. 표 4. AC2 예측 결과와 실제 관중수 비교

AI 본문요약
AI-Helper

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

문제 정의

따라서 관중 수에 대한 예측은 마케팅과 예산 전략 수립에 기본적인 요소로 활용된다. 본 연구에서는 관중 수에 대한 예측을 위해 효율적인 머신러닝 모델을 제안하고, 관련 기업의 마케팅 자료로써의 효용성을 증대시키기 위해 일별 관중 수 예측과 비정상적 관중 수 예측에 대한 연구를 진행하였다.

제안 방법

관중수가 비정상적으로 낮게 나타나는 경우를 비정상 사례(Abnormal Case)로 정의하여 파악해 보았다. AC1은 특정 경기일의 예측 관중수가 평균 관중(월, 주중, 주말) 대비 25% 이하로 낮게 예측될 때 발생하는 비상상황으로 정의하였다.
무수한 머신러닝 방법론 중에 본 논문에서는 DNN(Deep Neural Network)과 RF(Random Forest)를 고려하였다.
RF분석 기법은 우선 변수 개수를 무작위(Random)로 적용하여 의사 결정 트리(Decision Tree)를 다 수 만들고 숲(forest)을 구성한다. 본 연구에서 kt wiz 관중예측에 사용한 변수는 4가지로 날짜, 상대 팀, 요일, 공휴일 유무인데, 원하는 결과값이 나올 때까지 반복적으로 결정트리를 만들고 학습을 수행하고 결과를 피드백하였다. kt wiz의 데이터는 상대팀과 요일을 구분하면 4년치라고 하여도 데이터가 적어서 학습 시간은 많이 걸리지 않았지만, 데이터의 영향력을 과도하게 해석하는 오버피팅 (overfitting)이 발생하여 예측값에 오차가 생기기도 하였다.
tanh 함수는 시그모이드 함수의 문제점인 훈련이 지연되는 점을 해결할 수 있고, ReLU 함수는 더 빠르게 수렴하고, 그라디언트가 소실되는 것을 막을 수 있다[4]. 본 연구에서는 은닉층의 활성화 함수로 시그모이드 함수를 선정하였다.

대상 데이터

RF(Random Forest) 기법을 이용한 관중수 예측 분석 절차는 다음과 같다. 2015년에서 2017년까지의 kt wiz의 예매 데이터를 활용하여 학습을 수행하였고, 학습 결과를 바탕으로 2018년 경기 예매 관중 패턴을 예측하여 실제값과 비교하였다. 예측 결과 72경기 중 67경기에서 유효한 예측 데이터가 생성되었다.
본 연구에서는 다양한 형태의 관중과 관객 중에서 한국프로야구의 관중을 선택하였고, 관중 수 및 야구경기 관련 데이터들은 KBO에서 제공하는 2015년부터 2018년 연감에 수록된 공식 데이터를 사용하였으며 부족한 데이터는 kt wiz 홈페이지와 관계사를 통해 수집하였다. 2015년에서 2017년의 kt wiz의 예매 데이터를 활용하여 학습을 수행하였다. 학습 데이터는 이 기간의 216 경기(72 경기 * 3년) 데이터를 이용하였다.
본 연구에서는 다양한 형태의 관중과 관객 중에서 한국프로야구의 관중을 선택하였고, 관중 수 및 야구경기 관련 데이터들은 KBO에서 제공하는 2015년부터 2018년 연감에 수록된 공식 데이터를 사용하였으며 부족한 데이터는 kt wiz 홈페이지와 관계사를 통해 수집하였다. 2015년에서 2017년의 kt wiz의 예매 데이터를 활용하여 학습을 수행하였다.
2015년에서 2017년의 kt wiz의 예매 데이터를 활용하여 학습을 수행하였다. 학습 데이터는 이 기간의 216 경기(72 경기 * 3년) 데이터를 이용하였다. 학습 결과를 바탕으로 2018년 경기 예매데이터를 이용하여 테스트를 수행하였고, 2018년 72경기의 예매 관중 패턴을 예측하여 실제값과 비교하였다.

데이터처리

학습 데이터는 이 기간의 216 경기(72 경기 * 3년) 데이터를 이용하였다. 학습 결과를 바탕으로 2018년 경기 예매데이터를 이용하여 테스트를 수행하였고, 2018년 72경기의 예매 관중 패턴을 예측하여 실제값과 비교하였다.

이론/모형

프로야구 경기의 관중수 예측에 딥러닝을 활용하는 과정에서 표1은 위에서 언급한 인공신경망의 입력 변수와 출력변수로 사용한 요소들이다. 은닉층과 은닉 노드의 개수는 표 2와 같이 설정해주었고, 실제값과 출력값과의 오차를 오류역전파(Backpropagation) 알고리즘으로 보정하였다.

성능/효과

AC2 예측 결과를 실제 데이터와 비교해본 결과 11회의 모든 AC2 상황에서 실제로 관중수가 전날보다 크게 감소할 것으로 나타나서 유의미한 예측을 하고 있는 것으로 확인되었다.
RF를 활용하여 경기일 이전 12일간의 예매 데이터를 활용하여 예측을 수행해본 결과 예매일 1～2일 데이터를 입력하면 예측 정확도가 매우 높아지는 것으로 나타났다. 따라서 예매 1～2일차에 해당 경기 관중 수가 정해지는 것으로 볼 수 있다.
그러므로 일반적인 머신러닝과 상호 보완적으로 사용할 필요가 있다. 관중수 데이터를 활용하여 예측값을 도출한 결과 딥러닝은 경기별 총관중수의 예측에 정확도가 높은 것으로 나타났고, RF는 구역별 좌석점유 예측에 더 높은 정확도를 보여주었다.
다양한 머신러닝 기법 중 주로 사용한 것은 RF(Random Forest)와 딥러닝(Deep Learning)이었다. 분석 결과 딥러닝은 RF에 비하여 연산시간이 10배 이상 걸리는데 비해 결과는 RF가 더 좋은 것으로 나타났다. 이에 관중예측을 위해서는 두 방법론을 상호 보완적으로 사용할 필요가 있다고 볼 수 있다.
분석과정에서 대부분의 경우 RF에서는 변수가 너무 크게 영향을 미치는 오버피팅(overfitting) 또는 그 반대의 경우인 언더피팅(underfitting)이 나타났다. 이는 머신러닝에 필요한 학습 데이터의 양이 적은 것이 원인으로 판단하고 있다.
2015년에서 2017년까지의 kt wiz의 예매 데이터를 활용하여 학습을 수행하였고, 학습 결과를 바탕으로 2018년 경기 예매 관중 패턴을 예측하여 실제값과 비교하였다. 예측 결과 72경기 중 67경기에서 유효한 예측 데이터가 생성되었다. 나머지 5경기는 데이터 오류가 발생하여 제외하였다.
AC2는 전일 대비 관중수가 15% 이상 감소할 것으로 예측될 때 발생하는 비정상 사례(Abnormal Case)로 정의하였다. 예측결과 2018년의 AC2 횟수는 총 11회로 나타났다. 주말에는 21, 25, 36번째 경기가 관중이 낮을 것으로 예측되었고, 주중에는 8, 18, 32, 33, 45, 47, 60, 61회 경기가 AC2의 수준으로 관중이 적게 올 것으로 예측되었다.
관중 예측을 위하여 일반적으로 사용하는 선형회귀 분석이 오차가 많아서 적용하기 쉽지 않았다. 이에 최근 새롭게 등장하고 있는 다양한 머신러닝 기법을 활용하여 관중수 예측을 수행한 결과 비교적 정확하고 세밀한 예측이 가능하였다.
예측결과 2018년의 AC2 횟수는 총 11회로 나타났다. 주말에는 21, 25, 36번째 경기가 관중이 낮을 것으로 예측되었고, 주중에는 8, 18, 32, 33, 45, 47, 60, 61회 경기가 AC2의 수준으로 관중이 적게 올 것으로 예측되었다.
예측결과 2018년에 AC1 횟수는 총 12회로 나타났다. 즉, 주말에는 22, 36, 51번째 경기의 3회가 관중이 낮을 것으로 예측되었고, 주중에는 7, 17, 23, 33, 41, 55, 56, 57, 67회 경기의 관중이 낮게 예측되었다.

질의응답

핵심어	질문	논문에서 추출한 답변
	머닝러신 방법론이 제한된 기간에 수집된 빅데이터를 활용하여 예측값을 도출하기에 최적의 방법론인 이유는?	머신러닝 방법론은 빅데이터를 활용해 비선형의 형태로 관중수를 예측할 때 사용할 수 있다. 또한 예측 못한 변수가 있더라도 데이터의 학습을 통하여 어느 정도 예측값을 도출하는 것이 가능하다. 따라서 현재의 제한된 기간에 수집된 빅데이터를 활용하여 예측값을 도출하기에 최적의 방법론으로 볼 수 있다.
	머신러닝이란?	머신러닝이란 주로 빅데이터를 활용해 비선형의 형태로 결과값을 예측하는 방법이다. 머신러닝 기법은 선형회귀분석 방법론과 달리 사전에 영향을 미치는 변수를 모두 알지 못한 상태에서도 예측값을 도출할 수 있다.
	선형회귀분석 방법론과 비교하여, 머신러닝 기법의 장점은?	머신러닝이란 주로 빅데이터를 활용해 비선형의 형태로 결과값을 예측하는 방법이다. 머신러닝 기법은 선형회귀분석 방법론과 달리 사전에 영향을 미치는 변수를 모두 알지 못한 상태에서도 예측값을 도출할 수 있다. 따라서 빅데이터 형태로 자료를 수집할 수 있고, 예측하지 못한 변수들이 종종 등장하는 경우에 적절히 활용할 수 있다.

참고문헌 (15)

Richard Giulianotti, Sport and Social Theorists, Palgrave Macmillan, 2004. DOI: 10.1057/9780230523180_1
George E. P. Box, Gwilym M. Jenkins, Gregory C. Reinsel, Greta M. Ljung, "Time Series Analysis: Forecasting and Control," 5th Edition, Wiley, 2015. DOI: 10.1111/jtsa.12194
A. K. Jain, Jianchang Mao, K. M. Mohiuddin, "Artificial neural networks: a tutorial," Journal Computer-Special issue: neural computing: companion issue to Spring 1996, IEEE Computational Science & Engineering, vol.29, no3, pp.31-44, 1996. DOI: 10.1109/2.485891
B. Karlik and A. V. Olgac, "Performance analysis of various activation functions in generalized MLP architectures of neural networks," International Journal of Artificial Intelligence and Expert Systems, vol.1, no.4, pp.111-122, 2011.
Wann, D. L., Martin, J., Grieve, F. G., & Gardner, L., "Social connections at sporting events: Attendance and its positive relationship with state social psychological well-being," North American Journal of Psychology, vol.10, no.2, pp.229-238, 2008.
T. Hegazy, O. Moselhi, and P. Fazio, "Developing practical neural network applications using backpropagation," Journal of Microcomputers in Civil Engineering, Vol.9, No.2, pp.145-159, 1994. DOI: 10.1111/j.1467-8667.1994.tb00369.x

상세보기
H. Larochelle, D. Erhan, A. Courville, J. Bergstra, and Y. Bengio, "An empirical evaluation of deep architectures on problems with many factors of variation," Proceedings of the 24th International Conference on Machine learning, ACM, 2007. DOI: 10.1145/1273496.1273556
A. Y. Ng., "Feature selection, L1 vs. L2 regularization, and rotational invariance," Proceedings of the 21st International Conference on Machine learning, 2004.
R. J. Hyndman, and B. K. Anne, "Another look at measures of forecast accuracy," International Journal of Forecasting, Vol.22, No.4, pp.679-688, 2006. DOI: 10.1145/1015330.1015435

상세보기
Tamas D. Gedeon, "Data mining of inputs: analysing magnitude and functional measures," International Journal of Neural Systems, Vol.8, No.2, pp.209-218, 1997. DOI: 10.1142/s0129065797000227

상세보기
J. U. Park, S. H. Park, "A Study on Prediction of Attendance in Korean Baseball League Using Artificial Neural Network," KIPS Transactions on Software and Data Engineering, Vol.6, No.12, pp.565-572, 2017. DOI: 10.3745/KTSDE.2017.6.12.565

원문보기 상세보기
"Korea Baseball Organization," https://www.koreabaseball.com/Reference/Ebook/
"KT Wiz," http://www.ktwiz.co.kr/sports/site/baseball/stats/
Fausett, L. V., Fundamental of neural networks: architectures, algorithms, & applications, NJ: Prentice-Hall, 1994.
Haykin, S. C., Neural networks: A comprehensive foundation, NJ:Prentice-Hall, 1994.

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