[논문]데이터 마이닝을 이용한 패트리어트 수리부속의 간헐적 수요 예측에 관한 연구

박천규; 마정목

doi:10.5762/kais.2021.22.3.234

데이터 마이닝을 이용한 패트리어트 수리부속의 간헐적 수요 예측에 관한 연구
A Study on Intermittent Demand Forecasting of Patriot Spare Parts Using Data Mining 원문보기

한국산학기술학회논문지 = Journal of the Korea Academia-Industrial cooperation Society, v.22 no.3, 2021년, pp.234 - 241

초록
AI-Helper

군에서는 수요예측에 대한 중요성을 인식하여 수리부속에 대해 예측 정확도 향상을 위한 많은 연구가 이루어지고 있다. 수리부속 수요예측은 예산 운영과 장비 가동률 측면에서 매우 중요한 요소가 되고 있다. 그러나 현재 군에서 적용중인 시계열 모형으로는 수요량의 변동과 발생주기가 일정하지 않은 간헐적 수요에 대해서는 예측에 한계가 있는 실정이다. 따라서, 본 연구는 공군 패트리어트 수리부속의 간헐적 수요에 대한 예측 정확도를 제고하는 방법을 제시하고자 하였다. 이를 위해서 2013년부터 2019년까지의 701개의 수리부속 소모개수를 토대로 수요 유형을 구분하여 수리부속의 간헐적 수요 자료를 수집하였다. 또한, 장비 고장에 영향을 줄 수 있는 외부 요인으로는 기온, 장비운영시간을 식별하여 입력변수로 선정하였다. 그 후, 소모개수와 외부 요인을 통해 군에서 적용하는 시계열 모형과 제안하는 데이터 마이닝 모형으로 예측을 실시하여 모형별 예측 정확도를 판단했다. 예측 결과로 기존의 시계열 모형과 비교하여 데이터 마이닝 모형의 예측 정확도가 높았으며, 그 중 다층 퍼셉트론 모형이 가장 우수한 성능을 보였다.

Abstract ▼ AI-Helper

By recognizing the importance of demand forecasting, the military is conducting many studies to improve the prediction accuracy for repair parts. Demand forecasting for repair parts is becoming a very important factor in budgeting and equipment availability. On the other hand, the demand for intermittent repair parts that have not constant sizes and intervals with the time series model currently used in the military is difficult to predict. This paper proposes a method to improve the prediction accuracy for intermittent repair parts of the Patriot. The authors collected intermittent repair parts data by classifying the demand types of 701 repair parts from 2013 to 2019. The temperature and operating time identified as external factors that can affect the failure were selected as input variables. The prediction accuracy was measured using both time series models and data mining models. As a result, the prediction accuracy of the data mining models was higher than that of the time series models, and the multilayer perceptron model showed the best performance.

주제어

표/그림 (14)

그림 Fig. 1. Demand forecasting process in airforce
그림 Fig. 2. Proposed Study Process
표 Table 1. Relevant prior research
그림 Fig. 3. Demand Classification
그림 Fig. 4. Statistics by failure time
표 Table 2. Variable description
그림 Fig. 5. Data set composition and prediction target
표 Table 3. Prediction results of time series models
표 Table 4. Operating environment in the case study
표 Table 5. Prediction results of data mining models
그림 Fig. 6. Summary of linear regression results
그림 Fig. 7. Scatter plot of SVM model
그림 Fig. 8. Structure of MLP model
표 Table 6. Prediction results by hidden node(MLP model)

AI 본문요약
AI-Helper

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

문제 정의

그러나, Table 1과 같이 공군의 KF-16, E-737 등과 같은 항공기에 대한 연구는 활발히 이루어지고 있지만, 패트리어트에 대한 연구는 수행되지 않았다. 또한, 본 연구는 패트리어트 수리부속의 간헐적 수요에 대한 예측 정확도를 높이기 위해 수리부속 수요에 영향을 미치는 외부 요인을 고려하였다. 외부 요인은 패트리어트의 정비 주무부서에서 분석한 자료에 근거하여 기온과 장비운영시간을 식별하였으며, 이를 예측모형에 반영하였다[13].
본 연구는 간헐적 수요 예측의 정확도 제고를 위해 수행한 것이며, 예측 정확도가 향상된다면 예산 운영과 장비의 가용도 측면에 영향을 미칠 것이다. 따라서, 향후 이두 가지의 영향까지 고려한 수요예측을 수행하여 해당 연구를 더욱 발전시킬 필요가 있을 것이다.
본 연구는 패트리어트 수리부속 수요예측의 정확도를 높이는 것을 목적으로 하였다. 이를 위해 2013년부터 2019년까지 701개의 패트리어트 수리부속 소모실적을 수집하였으며, 이를 분류했을 때 98.

제안 방법

다음과 같다. H. T. Kime 육군의 ATCMS, K-9 자주포, ARTHUR-K에 대해 수리부속 소모개수와 표준단가를 설명변수로 선정하여 데이터 마이닝으로 수요예측을 수행하였다. 이 때, 지도학습과 비지도학습을 병행하여 예측 정확도를 더욱 높이는 방안을 제안했다[6].
이 때, 지도학습과 비지도학습을 병행하여 예측 정확도를 더욱 높이는 방안을 제안했다[6]. J. D. Kime 공군 F-XX 항공기의 수리부속 수요예측을 위해 수리부속의 소모율, 소모개수 등을 변수로 하여 데이터 마이닝을 활용하였다[7]. J.
T. G. Kime 공군 E-737 수리부속 중 간헐적 수요를 갖는 수리부속에 대해 수리부속 소모개수와 더불어 비행시간/횟수 당 소모율, 분기별 온도/습도의 외부 요인을 고려하여 데이터 마이닝으로 수요예측을 수행하였다. 또한, 4년간의 자료를 1년부터 4년까지의 기간으로 세분화하여 시계열 모형과 데이터 마이닝 모형의 예측 정확도를 비교하여 제시하였다[13].
예측을 위한 방법으로는 시계열 기법 중 가중이동평균법, 선형이동평균법, 추세분석법, 지수평활법, 선형지수평활법을 적용한다. 구체적으로는 과거 17개 분기의 소모실적 자료를 사용하여 5가지 기법으로 최근 3개 분기의 수요를 예측한다. 그 후에는, 3개 분기별로 각 기법의 예측치와 실제 소모량과의 차이가 가장 작은 기법으로 미래 분기의 수요를 예측하는 방법이며, 이를 도식화하면 Fig.
먼저 패트리어트수리부속의 소모실적을 수집하여 그 중 간헐적 수요 유형을 분류하였다. 그 후, 입력변수를 선정하여 시계열 모형과 데이터 마이닝 모형으로 수요 예측을 진행하였으며, 최종적으로 모형별 예측 정확도를 비교하는 절차를 수행하였다.
외부 요인은 패트리어트의 정비 주무부서에서 분석한 자료에 근거하여 기온과 장비운영시간을 식별하였으며, 이를 예측모형에 반영하였다[13]. 더불어, T. G. Kim의 연구에서는 제한되었으나, 수리부속 수요를 예측하기 위해 군에서 적용하는 모형과 본 연구에서 제안하는 모형의 성능을 비교하였다. 이를 위해 각 모형의 자료기간을 군에서 적용하는 기간과 동일하게 5년으로 설정하였다.
Kime 공군 E-737 수리부속 중 간헐적 수요를 갖는 수리부속에 대해 수리부속 소모개수와 더불어 비행시간/횟수 당 소모율, 분기별 온도/습도의 외부 요인을 고려하여 데이터 마이닝으로 수요예측을 수행하였다. 또한, 4년간의 자료를 1년부터 4년까지의 기간으로 세분화하여 시계열 모형과 데이터 마이닝 모형의 예측 정확도를 비교하여 제시하였다[13]. 그러나, 군에서는 수리 부속의 수요를 예측하기 위해 5년간의 자료를 사용하므로, T.
2의 순서로 연구수행 방법을 제시한다. 먼저 패트리어트수리부속의 소모실적을 수집하여 그 중 간헐적 수요 유형을 분류하였다. 그 후, 입력변수를 선정하여 시계열 모형과 데이터 마이닝 모형으로 수요 예측을 진행하였으며, 최종적으로 모형별 예측 정확도를 비교하는 절차를 수행하였다.
먼저, 현재 공군에서 적용중인 방법과 동일하게 5가지의 시계열 모형으로 예측을 수행하였으며, 그 결과는 Table 3과 같다. 특히, 17년 4분기의 MSE가 다른 시기보다 높았는데, 이는 다른 시기에 비하여 수요량의 변동이 매우 큰 특징이 반영된 것으로 보인다.
모형 구축을 위해서는 단계적 변수선택방법과 변수 간의 상관성 확인을 통해 변수 중 통계적으로 유의미한 속성만을 선택하였다.
수 있는 모형으로 평가받는다. 본 연구에서는 비선형문제를 예측하기에 유용한 다항식 커널(polynomial kernel) 함수를 이용하였으며, 과적합을 방지하기 위해 이상치를 허용하는 매개변수 c는 1로 설정하였다.
산출된 ADI와 CV로 수리부속별 수요 발생 유형을 Fig. 3과 같이 구분하였으며, smooth 수요 1개, erratic 수요 9개, lumpy와 intermittent 수요는 691개로 분류되었다. 이 때, smooth와 erratic 수요를 제외하고, 전체 중 98.
수요예측을 위한 모형은 현재 공군에서 적용중인 5가지의 시계열 모형과 본 연구에서 제안하는 데이터 마이닝 모형으로 구축하였다. 또한, 두 모형의 비교를 위해 수집한 7년간의 전체자료를 공군에서 적용하는 기간인 5년씩 2013년~2017년, 2014년~2018년, 2015~2019년으로 3개의 데이터 세트로 구분하였다.
이를 토대로 701개 수리부속의 소모개수와 함께 2013년부터 2019년까지 28개 분기의 기온과 장비 운영 시간을 변수로 선정하였다. 여기에 장비운영시간과 수리부속 소모개수를 가공하여 장비운영시간당 수리부속 소모율(소모개수/장비 운영 시간)을 변수로 추가하였다. 이는 분기별 시계열 유형의 자료로서 2012년 이전 자료의 수집이 제한되어 특정 기간의 자료만을 활용했다는 한계점이 있었다.
또한, 본 연구는 패트리어트 수리부속의 간헐적 수요에 대한 예측 정확도를 높이기 위해 수리부속 수요에 영향을 미치는 외부 요인을 고려하였다. 외부 요인은 패트리어트의 정비 주무부서에서 분석한 자료에 근거하여 기온과 장비운영시간을 식별하였으며, 이를 예측모형에 반영하였다[13]. 더불어, T.
5와 같다. 이 중 두 번째 데이터 세트에서는 기온과 장비운영시간 변수가 유의하지 않은 것으로 분석되어 이를 제거한 후 예측을 수행하였다. 각 모형별 예측 정확도는 현재 공군에서 적용중인 방법과 비교하여 우수한 성능을 보였으며, 이 중 MLP 모형의 MSE가 0.
Kim의 연구에서는 제한되었으나, 수리부속 수요를 예측하기 위해 군에서 적용하는 모형과 본 연구에서 제안하는 모형의 성능을 비교하였다. 이를 위해 각 모형의 자료기간을 군에서 적용하는 기간과 동일하게 5년으로 설정하였다.
그러나 현재의 방법은 과거의 경향성만을 고려하기 때문에 추가적으로 고려해야할 외부 요인을 식별하였다. 이에 따라, 수리부속 소모개수, 기온, 장비운영시간, 장비 운영 시간당 수리부속 소모율을 입력변수로 하는 데이터마이닝 모형을 구축하여 시계열 모형과의 예측 정확도를 비교 분석하였다. 그 결과 현재 공군에서 적용중인 시계열 모형보다 제안한 데이터 마이닝 모형의 성능이 더욱 우수하였으며, 그 중 MLP 모형의 성능이 가장 우수하였다.

대상 데이터

Kime 공군 F-XX 항공기의 수리부속 수요예측을 위해 수리부속의 소모율, 소모개수 등을 변수로 하여 데이터 마이닝을 활용하였다[7]. J. S. Kime 공군 B 항공기의 수리부속 수요를 장단기 기억 메모리(LSTM: Long-Short Term Memory)를 활용하여 예측하였다 [8]. 그러나, 위의 연구들은 수리부속의 수요 유형을 고려하지 않은 채 모든 수리부속에 대해 일괄적으로 수행한 연구라는 한계가 있다.
모형으로 구축하였다. 또한, 두 모형의 비교를 위해 수집한 7년간의 전체자료를 공군에서 적용하는 기간인 5년씩 2013년~2017년, 2014년~2018년, 2015~2019년으로 3개의 데이터 세트로 구분하였다.
모형별 예측 결과를 확인하기 위해 3개 데이터 세트에서 각각 2017년~2019년의 4분기 소모개수를 예측대상으로 설정하였으며, 이를 도식화하면 Fig. 5와 같다.
본 연구에서는 공군 패트리어트의 수리부속을 연구 대상으로 하였다. 연구를 위해 공군 장비정비정보체계(DELIIS/F: Defense Logistics Integrated Information System/ airForce)를 이용하여 2013년부터 2019년까지 28개 분기의 수리부속 소모개수를 수집하였다.
하였다. 연구를 위해 공군 장비정비정보체계(DELIIS/F: Defense Logistics Integrated Information System/ airForce)를 이용하여 2013년부터 2019년까지 28개 분기의 수리부속 소모개수를 수집하였다.
3과 같이 구분하였으며, smooth 수요 1개, erratic 수요 9개, lumpy와 intermittent 수요는 691개로 분류되었다. 이 때, smooth와 erratic 수요를 제외하고, 전체 중 98.6%를 차지하는 간헐적 수요의 lumpy와 intermittent 수요를 연구대상으로 선정하였다.
또한, 수리 부속별로 혹서기 및 혹한기 등의 계절적 취약요인과 장비 운영 시간이 고장에 영향을 미친다고 분석했다[15]. 이를 토대로 701개 수리부속의 소모개수와 함께 2013년부터 2019년까지 28개 분기의 기온과 장비 운영 시간을 변수로 선정하였다. 여기에 장비운영시간과 수리부속 소모개수를 가공하여 장비운영시간당 수리부속 소모율(소모개수/장비 운영 시간)을 변수로 추가하였다.
입력변수 중 기온은 공군 기상정보체계와 기상청 기상자료개방 포털의 자료를 이용하여 평균값을 수집하였다. 장비운영시간은 패트리어트를 구성하는 교전통제소 (ECS: Engagement Control Station), 레이더(RS: Radar Set), 발사대(LS: Launching Station)로 구분하여 각각의 운영시간을 DELIIS/F에서 수집하였으며, 총 112개의 변수를 선정하여 Table 2와 같이 나타냈다.
수집하였다. 장비운영시간은 패트리어트를 구성하는 교전통제소 (ECS: Engagement Control Station), 레이더(RS: Radar Set), 발사대(LS: Launching Station)로 구분하여 각각의 운영시간을 DELIIS/F에서 수집하였으며, 총 112개의 변수를 선정하여 Table 2와 같이 나타냈다.
패트리어트 수리부속 수요에 영향을 미치는 외부 요인을 식별하기 위해 2009년부터 2019년까지 패트리어트정비 주무부서의 분석 자료를 수집했다. 먼저, 장비 고장 건수는 총 000건 이었으며, 이를 분기별 비율로 구분하여 Fig.

데이터처리

데이터 마이닝 모형으로 예측시 과적합을 방지하기 위해 10 Folds Cross Validation을 적용하였으며, 모형의 정확도를 평가하는 척도는 현재 공군에서 사용중인 척도와 동일하게 평균제곱오차(MSE: Mean Squared Error, 이하 MSE)를 사용하였다.

이론/모형

이 때, 공군에서 사용하는 5가지 시계열 기법을 활용하는 다수결 투표 및 hybrid 방법을 제시하였다[11]. B. H. Oh는 함정 수리부속의 간헐적 수요예측을 위해 LSTM, 다층 퍼셉트론(MLP: MultiLayer Perceptron), 순환 신경망(RNN: Recurrent Neural Network), 게이트된 순환 유닛(GRU: Gated Recurrent Unit)과 같은 딥러닝을 활용하였다[12]. 그러나, M.
본 연구는 예측하고자 하는 분기의 소모개수를 종속변수로 하는 자료이므로, 데이터 마이닝의 지도학습 모형을 활용하였다. 그 중 예측 정확성과 유용성이 높은 것으로 평가된 선형회귀 모형, 서포트 벡터 머신(SVM: Support Vector Machine, 이하 SVM) 모형, 다층 퍼셉트론(MLP: MultiLayer Perceptron, 이하 MLP) 모형을 선정하여 예측을 수행하였다.
그 후, 수요 유형별로 수리부속을 분류하기 위해 Ghobbar 의 연구[14]에 따라 평균발생주기(ADI: Average Demand Interval)와 변동계수(CV: Coefficient of Variation)를 이용하였다. ADI는 수요발생 간 평균 간격을 의미하며, CV는 수요의 표준편차를 평균으로 나눈 값으로 각각 Eq.
본 연구에서 데이터 마이닝을 사용한 이유는 현재 공군에서 적용중인 방법은 자기 상관만을 고려한 예측 방법이지만, 데이터 마이닝은 자기 상관 외에 여러 외부 요인을 포함하여 예측을 수행하기에 용이하기 때문이다. 본 연구는 예측하고자 하는 분기의 소모개수를 종속변수로 하는 자료이므로, 데이터 마이닝의 지도학습 모형을 활용하였다. 그 중 예측 정확성과 유용성이 높은 것으로 평가된 선형회귀 모형, 서포트 벡터 머신(SVM: Support Vector Machine, 이하 SVM) 모형, 다층 퍼셉트론(MLP: MultiLayer Perceptron, 이하 MLP) 모형을 선정하여 예측을 수행하였다.
예측하고 있다[4]. 예측을 위한 방법으로는 시계열 기법 중 가중이동평균법, 선형이동평균법, 추세분석법, 지수평활법, 선형지수평활법을 적용한다. 구체적으로는 과거 17개 분기의 소모실적 자료를 사용하여 5가지 기법으로 최근 3개 분기의 수요를 예측한다.
반대로, 수리부속의 보유량이 부족하다면 수리부속 조달 문제로 장비의 가동률이 저하될 수 있다. 해당사례를 살펴보면, 군에서는 2018년도에 보다 정확한 수리부속 수요예측을 위해 한국국방연구원(KIDA: Korea Institute for Defence Analyses)에서 개발한 예측 모형을 사용하였다. 이를 통해 예측 정확도를 70%에서 79%로 향상시켰으며, 약 129억 원의 예산 절감 효과를 거뒀다[2].

성능/효과

이를 통해 MLP 모형에서는 은닉노드 수를 적절히 설정하는 것이 중요한 요인으로 판단할 수 있다. 17년 4분기의 수리부속을 예측할 때는 은닉층 2개 은닉 노드 수 (6, 9), 18년 4분기는 은닉층 2개, 은닉노드 수 (4, 10)으로 입력했을 때 우수한 결과값을 얻을 수 있었다.
특히, 17년 4분기의 MSE가 다른 시기보다 높았는데, 이는 다른 시기에 비하여 수요량의 변동이 매우 큰 특징이 반영된 것으로 보인다. 5가지 모형 중에서는 MSE가 6.4716인 지수평활법이 가장 우수한 결과를 보여 간헐적 수요예측에 가장 적합함을 나타냈다. 또한, 각 데이터 세트에서 사용된 평활상수가 0.
SVM 모형으로 19년 4분기 소모개수를 예측한 결과에서는 MSE가 0.7567로 MLP 모형과 함께 우수한 성능을 보였다. 소모개수와 예측된 소모개수의 산점도는 Fig.
이 중 두 번째 데이터 세트에서는 기온과 장비운영시간 변수가 유의하지 않은 것으로 분석되어 이를 제거한 후 예측을 수행하였다. 각 모형별 예측 정확도는 현재 공군에서 적용중인 방법과 비교하여 우수한 성능을 보였으며, 이 중 MLP 모형의 MSE가 0.6395로 가장 낮아 세가지 모형 중 가장 우수한 성능을 보였다.
이에 따라, 수리부속 소모개수, 기온, 장비운영시간, 장비 운영 시간당 수리부속 소모율을 입력변수로 하는 데이터마이닝 모형을 구축하여 시계열 모형과의 예측 정확도를 비교 분석하였다. 그 결과 현재 공군에서 적용중인 시계열 모형보다 제안한 데이터 마이닝 모형의 성능이 더욱 우수하였으며, 그 중 MLP 모형의 성능이 가장 우수하였다.
4716인 지수평활법이 가장 우수한 결과를 보여 간헐적 수요예측에 가장 적합함을 나타냈다. 또한, 각 데이터 세트에서 사용된 평활상수가 0.2, 0.1, 0.1인 점을 고려하면 평활상수는 1에 가까울수록 최근 관측치에 보다 큰 비중을 주는 것이므로, 최근보다는 과거의 소모실적이 예측에 유리한 것으로 해석할 수 있다. 선형이동평균법은 MSE가 9.
1인 점을 고려하면 평활상수는 1에 가까울수록 최근 관측치에 보다 큰 비중을 주는 것이므로, 최근보다는 과거의 소모실적이 예측에 유리한 것으로 해석할 수 있다. 선형이동평균법은 MSE가 9.1697로 가장 높았는데, 이 방법은 수요량이 주기적이고 안정적인 추세를 갖는 경우에 적합한 방법이므로 다른 시계열 모형에 비해 예측 정확도가 낮은 것으로 판단했다.
것을 목적으로 하였다. 이를 위해 2013년부터 2019년까지 701개의 패트리어트 수리부속 소모실적을 수집하였으며, 이를 분류했을 때 98.6%가 간헐적 수요임을 확인했다. 따라서, 패트리어트에 대해 보다 정확한 수리 부속 수요예측을 위해서는 간헐적 수요의 수리 부속에 대한 예측이 중요함을 알 수 있었다.
해당사례를 살펴보면, 군에서는 2018년도에 보다 정확한 수리부속 수요예측을 위해 한국국방연구원(KIDA: Korea Institute for Defence Analyses)에서 개발한 예측 모형을 사용하였다. 이를 통해 예측 정확도를 70%에서 79%로 향상시켰으며, 약 129억 원의 예산 절감 효과를 거뒀다[2]. 또한, 2012년도에 한 패트리어트 포대가 특정 수리부속의 재고가 없는 문제로 132일 동안 가동이 중단되어 가동률이 현저히 저하된 사례가 있었다[3].

후속연구

Kime 공군 B 항공기의 수리부속 수요를 장단기 기억 메모리(LSTM: Long-Short Term Memory)를 활용하여 예측하였다 [8]. 그러나, 위의 연구들은 수리부속의 수요 유형을 고려하지 않은 채 모든 수리부속에 대해 일괄적으로 수행한 연구라는 한계가 있다.
공군에서는 간헐적 수요를 5년간 연간수요가 평균 1회 미만인 수요로 정의하고 있으며, 현재 적용중인 방법으로 간헐적 수요를 예측했을 때 주기성을 갖는 수요에 비해 예측 정확도가 40% 이상 낮은 것으로 분석했다[5]. 따라서, 패트리어트 수리부속의 대부분인 간헐적 수요를 예측하기 위해서는 공군에서 적용중인 방법이 갖는 한계점을 보완할 필요가 있을 것이다.
가용도 측면에 영향을 미칠 것이다. 따라서, 향후 이두 가지의 영향까지 고려한 수요예측을 수행하여 해당 연구를 더욱 발전시킬 필요가 있을 것이다.
Croston 이 변형된 지수평활법을 제시하면서 시작됐다[9]. 이 후, J. D. Croston의 모형을 수정한 간헐적 수요예측 방법을 여러 연구에서 제안하였지만, 수요의 크기와 간격을 각각 정규분포와 기하분포로 가정했다는 점에서 한계가 있다. [10].
여기에 장비운영시간과 수리부속 소모개수를 가공하여 장비운영시간당 수리부속 소모율(소모개수/장비 운영 시간)을 변수로 추가하였다. 이는 분기별 시계열 유형의 자료로서 2012년 이전 자료의 수집이 제한되어 특정 기간의 자료만을 활용했다는 한계점이 있었다.

참고문헌 (16)

Defense Agency for Technology and Quality(DTaQ), Defense Science and Technology Glossary[Internet], DTaQ, c2017 [cited 2017], Available From: http://dtims.dtaq.re.kr:8070/search/detail/term.do?tmnl_idT0007321 (accessed Oct. 25 2020)
Y. J. Lee, Ministry of Defense "Reduce 12.9 billion won by increasing the accuracy of demand forecasting" [Internet], Yunhapnews, c2017 [cited 2017 Nov. 24], Available From: https://www.yna.co.kr/view/AKR20171124043200014?input1195m (accessed Oct. 25, 2020)
S. H. Kang, Patriot battery shuts down for 132 days[Internet], Newsis, c2013 [cited 2013 Oct. 14], Available From: https://newsis.com/ar_detail/view.html?ar_idNISX20131014_0012431822&cID10301&pID10300 (accessed Oct. 25, 2020)
Airforce Headquarters, Maintenance of Repair parts, p.69, Airforce Headquarters, 2019, pp.12.
Airforce Logistics Command, '17 Research Results of Demand Forecasting Improvement Techniques, p.25, Airforce Logistics Command, 2017, pp.12.
H. T. Kim, S. H. Kim, "Data mining based army repair parts demand forecast", Journal of the Korean Data & Information Science Society, Vol.30, No.2, pp.429-444, March 2019. DOI: https://doi.org/10.7465/jkdi.2019.30.2.429

상세보기
J. D. Kim, H. J. Lee "A Study on Forecasting Spare Parts Demand based on Data-Mining", Journal of the Internet Computing and Services, Vol.18, No.1, pp.121-129, February 2017. DOI: https://doi.org/10.74726/jksii.2017.18.1.121

원문보기 상세보기
J. S. Kim, J. S. Hwang, J. W. Jung "A New LSTM Method Using Data Decomposition of Time Series for Forecasting the Demand of Aircraft Spare Parts", Korean Management Science Review, Vol.37, No.2, pp.1-18, June 2020. DOI: https://doi.org/10.7737/KMSR.2020.37.2.001

상세보기
J. D. Croston, "Forecasting and Stock Control for Intermittent Demands", Operational Research Quarterly, Vol.23, pp.289-303, September 1972. DOI: https://doi.org/10.1057/jors.1972.50

상세보기
D. W. Choi, A Data Mining Approach for Forecasting the Demand of Accidental Automobile Spare Parts with External Factors, Master's thesis, Yonsei University of Information Industrial Engineering, Seoul, Korea, pp.5-8, 2013.
M. K. Park, J. G. Baek, "Demand Forecast of Spare Parts for Low Consumption with Unclear Pattern", Journal of the KIMST, Vol.21, No.4, pp.529-540, August 2018. DOI: https://doi.org/10.9766/KIMST.2018.21.4.529

원문보기 상세보기
B. H. Oh, A study on weapon system spare parts intermittent demand forecasting using deep learning, Master's thesis, Korea University of Information and Communication, Seoul, Korea, pp.2-10, 2017.
T. G. Kim, J. M. Ma "A Data Mining Approach for Intermittent Demand Forecasting of Aircraft Spare Parts - Focusing on the E-737(AEW&C: Airborne Early Warning & Control) Spare Parts -", Journal of the AMSOK, Vol.16, No.4, pp.155-164, August 2018. DOI: https://doi.org/10.30529/amsok.2018.16.4.008

상세보기
A. Ghobbar, C. Friend, "Evaluation of forecasting methods for intermittent parts demand in the field of aviation: a predictive model", Computer and Operation Research, Vol.30, No.1, pp.2097-2114, December 2003. DOI: https://doi.org/10.1016/S0305-0548(02)00125-9

상세보기
Airforce Air Defence Missile Command, '15 Operational equipment defect analysis and management measures, p.19, Airforce Air Defence Missile Command, 2015, pp.10-14.
Galit Shmueli, Nitin R. Patel, Peter C. Bruce, Data Mining for Business Intelligence, p.455, E&B PLUS, 2012, pp.23-24, 265-272.

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