딥러닝 기반 예측·추천 및 혼합가스 농도 추정

Deep learning-based prediction and recommendation, and mixed-gas concentration estimation

연구 내용

사용자 행동 시퀀스와 클러스터 정보를 결합해 추천을 강화하고, 센서 배열 기반 혼합가스 농도를 딥러닝으로 추정하는 연구

본 분야는 데이터 스케일성과 희소성, 초기 사용자 문제를 다루기 위해 추천 모델의 구조를 고도화하는 접근과, 혼합가스에서 교차 영향이 큰 센서 데이터를 딥러닝으로 정량화하는 접근을 함께 포함합니다. 추천에서는 사용자 특성(연령, 성별, 직업)과 행동 시퀀스를 입력으로 하여 transformer 기반 시퀀스 표현을 학습하고, multi-head attention으로 다음 타깃 아이템 예측을 강화합니다. 또한 영화 장르 임베딩에 대해 KMeans clustering을 적용해 유사 항목 그룹 정보를 추천 다양성과 함께 반영합니다. 예측 쪽에서는 센서 배열 데이터에 대해 데이터 분할, 특징 추출, 정규화를 수행하고 CNN-1D, LSTM, GRU 모델을 비교하여 시계열 의존성을 고려한 농도 추정을 수행합니다. 두 축 모두 feature engineering과 모델링 설계를 통해 실사용 성능을 목표로 합니다.

관련 프로젝트

0건

연구 흐름

추천 연구는 협업 필터링과 콘텐츠 기반 방식의 스케일·희소성 및 cold-start 제약을 보완하기 위해 사용자 정보와 행동 시퀀스를 결합하는 구조로 출발했습니다. 이후 transformer와 positional encoding을 도입해 시퀀스 순서 정보를 반영하고, multi-head attention으로 예측 성능을 개선하는 방향으로 진행했습니다. 동시에 KMeans clustering을 통해 장르 임베딩의 유사 항목 그룹을 구성하고, 예측 점수와 통합해 Top-N 추천의 다양성을 확보했습니다. 한편 센서 기반 예측에서는 혼합가스에서 센서 교차 영향을 고려하여 데이터 분할·정규화와 특징 추출 절차를 설계하고, CNN-1D, LSTM, GRU의 비교를 통해 시계열 모델 선택과 성능 향상을 검증하는 연구를 수행했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

개인화 영화·콘텐츠 추천
시퀀스 기반 사용자 선호 예측
cold-start 완화 추천 로직
클러스터 기반 추천 다양성 제어
센서 배열 기반 가스 농도 추정
산업 안전 모니터링 고도화
혼합물 교차 영향 완화 모델
딥러닝 기반 실시간 예측 엔진
데이터 전처리 및 정규화 자동화
다중 모델 비교 기반 모델 선택