Data Mining for Fraud Detection and LSTM-Based Demand Forecasting
연구 내용
사례기반추론 기반 규칙형 탐지로 사내 부정행위를 식별하고, 다변량 시계열에 LSTM을 적용해 수요를 예측하는 연구
조준서 연구실은 기업 데이터에서 부정행위와 수요 변동을 식별하기 위한 데이터마이닝 방법을 연구합니다. 먼저 범죄학적 관점과 사례기반추론(CBR)을 결합한 규칙형 내부 부정 탐지 프로세스를 제안해, 횡령과 같은 내부 문제를 조사 절차 관점에서 접근합니다. 이어 다변량 시계열에 LSTM을 적용해 주문 수량을 예측하고, 시계열 특성과 상관 구조를 반영하는 수요예측 로직을 구성합니다. 두 연구는 기업 의사결정에 필요한 신뢰 가능한 분석 흐름을 확보하는 데 목적이 있습니다.
관련 연구 성과
관련 논문
2편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
2024년에는 범죄학적 접근을 기반으로 내부 부정행위 탐지의 처리 과정을 규칙형 시스템과 사례기반추론(CBR)으로 정리했습니다. 이때는 조사·판단의 근거를 절차와 규칙으로 연결하는 방식에 집중했습니다(2024). 이후 2025년에는 예측 문제로 확장하여 다변량 시계열 기반 주문 수량 예측에 LSTM을 적용하고, 수요 변동을 데이터로 학습해 생산·거래 의사결정에 활용할 수 있도록 분석 구성을 구체화했습니다(2025).
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
The Process of Internal Corruption Detection using the Criminological Approach based on Case-based Reasoning
Predicting Steel Product Order Quantity Using LSTM (Long Short-Term Memory) Machine Learning Technique - Demand Forecasting Using Multivariate Time Series Data -