AIThe의 예측(Forecasting) 방법론 특징

은행, 유통, 제조기업 등 다양한 산업분야에서 제기되는 예측(Forecasting, Prediction) 문제 해결

  - 시계열 데이터의경우 LSTM 등 RNN계열의 모델이 적용되나, 데이터의 특성이 따라 매우 다양한 방법론이 요구됨

  - 차분(Differencing), 계절성 분해(Seasonal Decomposition), 다양한 필터(Filter) 이용, 피크/밸리 조정(Peak/valley adjustment) 등

  - 특히 일시적 효과(Intervention)의 유형과 강도를 반영하는 모델 개발 필요

  - 가장 핵심적인 피처(features)는 예측구간에 맞는 계열의 적절한 이용방법이 중요

  - Onestep-ahead 및 Multistep-ahead 예측. 특히 Multi-step ahead(30일, 60일) 예측의 경우 통합후 분해(Dis-aggregation) 방법등을 고려

S-Oil(Oil demand forecasting)

전국 13개의 저유소(Reserve Tanks)별× 유종별(기솔린, 등유, 경유, 항공유) 30일 일별(daily) 예측모델 개발

  - MAPE 15% 이내의 정확도

  - LSTM, GRU, Aggregation-DIsaggregation 혼합모형 적용

공항 여객수요 예측(Airport Passengers forecasting)

공항 이용 항공여객 규모 및 노선 증가 예측 모델

  - 예측모형에 의한 공항 혼잡도 추정 및 편의시설 정책 개발

은행 요구불 예금 잔액 예측(Demand deposit volume forecasting)

KB은행 요구불성 예금 잔액 일별, 월별 예측모델 개발

  - 예측 정확도 : MAPE 0.5% 수준, 2개월 예측구간

  - 추세포함, 분리형 모델, LSTM, RF, GBM 등