[논문]의약품 콜드체인 유통 수요 예측을 위한 AI 모델에 관한 연구

김희영; 류기환; 근재; 손현곤

doi:10.17703/jcct.2023.9.3.763

의약품 콜드체인 유통 수요 예측을 위한 AI 모델에 관한 연구
A Study on the AI Model for Prediction of Demand for Cold Chain Distribution of Drugs 원문보기

Journal of the convergence on culture technology : JCCT = 문화기술의 융합, v.9 no.3, 2023년, pp.763 - 768

김희영 (광운대학교 대학원 실감융합콘텐츠학과) , 류기환 (광운대학교 스마트융합대학원) , 근재 (광운대학교 대학원 실감융합콘텐츠학과) , 손현곤 (광운대학교 대학원 실감융합콘텐츠학과)

초록
AI-Helper

본 논문에서는 의약품 유통량 예측을 위해 기존의 통계 방식(ARIMA)과 머신러닝 방식(Informer)을 개발하고 비교하였다. 일별 데이터의 예측에서는 머신러닝 기반의 모델이 유리하며, 월별 예측에서는 ARIMA를 활용하고 데이터가 증가하면서 Informer로 전환하는 것이 효과적임을 발견하였다. 예측 에러율(RMSE)은 기존 방식 대비 26.6% 낮아졌으며, 예측 정확도도 13% 개선되어 86.2%의 결과를 보였다. 본 논문을 통해 통계적 방법과 머신러닝 방법을 앙상블하여 최상의 결과를 얻을 수 있다는 장점을 발견하였다. 또한 머신러닝 기반의 AI 모델은 불규칙한 상황에서도 딥러닝 연산을 통해 최선의 결과를 도출할 수 있으며, 상용화 이후에는 데이터양이 증가함에 따라 성능이 향상될 것으로 기대된다.

Abstract ▼ AI-Helper

In this paper, the existing statistical method (ARIMA) and machine learning method (Informer) were developed and compared to predict the distribution volume of pharmaceuticals. It was found that a machine learning-based model is advantageous for daily data prediction, and it is effective to use ARIMA for monthly prediction and switch to Informer as the data increases. The prediction error rate (RMSE) was reduced by 26.6% compared to the previous method, and the prediction accuracy was improved by 13%, resulting in a result of 86.2%. Through this thesis, we find that there is an advantage of obtaining the best results by ensembleing statistical methods and machine learning methods. In addition, machine learning-based AI models can derive the best results through deep learning operations even in irregular situations, and after commercialization, performance is expected to improve as the amount of data increases.

주제어

표/그림 (8)

그림 그림 1. 코로나19 백신 관련 유통 체계 Figure 1. COVID-19 Vaccine-Related Distribution System
그림 그림 2. 코로나19로 인한 월 별 의약품 유통량의 불규칙성 증대 Figure 2. Increased irregularity in monthly distribution due to COVID-19
표 표 1. ARIMA 모델의 정확도 평가 Table 1. Accuracy evaluation of ARIMA models
그림 그림 3. Convolutional LSTM 모델 예측 결과 Figure 3. Convolutional LSTM model prediction result
그림 그림 4. CNN-LSTM Encoder-Decoder 모델 예측 결과 Figure 4. CNN-LSTM Encoder-Decoder model prediction result
그림 그림 5. Transformer 모델 예측 결과 Figure 5. Transformer model prediction result
그림 그림 6. 본 개발 모델과 타 모델의 성능 비교 Figure 6. Performance comparison of this developed model and other models
표 표 2. 기존 통계 방식과 본 개발 방식의 예측 정확도 비교 Table 2. Comparison of prediction accuracy between existing statistical methods and this developed method

참고문헌 (9)

Rathipriya, R., et al., "Demand forecasting model？for time-series pharmaceutical data using shallow？and deep neural network model.", Neural Computing？and Applications, Vol. 35, No. 2, pp. 1945-1957,？2023. DOI: https://doi.org/10.1007/s00521-022-07889-9

상세보기
Jin-mo Im, Weol-Youg Kim, Woo-Jin Byoun,？Seung-Jung Shin, "Fruit price prediction study？using artificial intelligence", The Journal of the？Convergence on Culture Technology(JCCT), Vol.？4, No. 2, pp. 197-204, May 2018. DOI: https://doi.org/10.17703/JCCT.2018.4.2.197

원문보기 상세보기
Zhu, Xiaodan, et al., "Demand forecasting with？supply-chain information and machine learning:？Evidence in the pharmaceutical industry.",？Production and Operations Management, Vol. 30,？No. 9, pp. 3231-3252, March 2021. DOI: https://doi.org/10.1111/poms.13426

상세보기
Shi, Xingjian, et al., "Convolutional LSTM network:？A machine learning approach for precipitation？nowcasting.", Advances in neural information？processing systems 28, 2015.
Sainath, Tara N., et al., "Convolutional, long？short-term memory, fully connected deep neural？networks.", 2015 IEEE international conference？on acoustics, speech and signal processing？(ICASSP), pp.4580-4584, IEEE, 2015. DOI: https://doi.org/10.1109/ICASSP.2015.7178838
Vaswani, Ashish, et al., "Attention is all you need.",？Advances in neural information processing systems.？2017.
Zhou, Haoyi, et al., "Informer: Beyond efficient？transformer for long sequence time-series？forecasting.", Proceedings of the AAAI conference？on artificial intelligence, Vol. 35, No. 12, pp.？11106-11115, 2021. DOI: https://doi.org/10.1609/aaai.v35i12.17325

상세보기
H. Y. Kim, S. M. Jung, W. S. Kim, G. H. Ryu,？H. K. Son, "A Study on the Implementation of？Restaurant Recommendation System based on？Deep Learning-based Consumer Data", The Journal？of Convergence of Culture Technology (JCCT),？Vol. 7, No. 2, pp. 437-442, 2021. DOI: http://dx.doi.org/10.17703/JCCT.2021.7.2.437

원문보기 상세보기
S. H. Song, "Die Probleme des Umlaufs der？Infektionskrankheit sowie der Verteilung und des？Ausgebots der Entstehungszeit der Krise der？Infektionskrankheit-Um die sparliche Zeit des？Medikaments-", Law Review (pnulaw), Vol. 61,？No. 2, pp. 1-47, 2020. DOI: https://doi.org/10.35275/pnulaw.2020.61.2.001

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