고시간(High temporal) 퍼지 유틸리티 패턴 분석은 항목이 나타나는 시간적 요인을 고려하여 패턴을 추출하며, 퍼지 이론에 근거해 사람이 쉽게 이해할 수 있도록 언어적으로 패턴을 표현한다. 그러나 실제 세계의 스트림 데이터 환경에서는 센서 데이터의 부정확성 등과 같은 내재적 불확실성을 포함하는 경우가 많다. 그럼에도 불구하고, 시간적 측면을 활용한 기존의 패턴 분석 및 퍼지 집합 이론 연구들은 이러한 불확실성이나 부정확성을 명시적으로 반영하지 않는다. 이러한 한계에 동기를 받아, 동적 불확실 데이터 스트림에서 고시간 퍼지 유틸리티 패턴을 추출하기 위한 확장 가능한(scable) 방법을 제안한다. 각 트랜잭션에서 나타나는 항목과 관련된 불확실성을 통합함으로써, 우리의 방법은 실제 조건을 보다 정확히 반영하는 불확실성 기반 고시간 퍼지 유틸리티 패턴을 추출한다. 패턴 확장 과정은 리스트 구조와 다양한 가지치기(pruning) 방법을 통해 효율적으로 수행된다. 실험 결과는 제안된 접근법이 다양한 멤버십 함수(membership functions) 하에서 기존 방법에 비해 실행 시간과 메모리 사용 측면에서 우수한 성능을 보임을 나타낸다. 또한 이 방법은 데이터 양 증가에 대해 가장 높은 확장성을 가지며, 임계값 변화에 대한 민감도를 안정적으로 유지하면서 추출 결과의 완전성 및 유의성을 함께 나타낸다. 다양한 불확실성 분포에서의 평가는 우리의 접근법이 우수한 성능을 보임을 보여주며, 효과성 평가는 제안 구성요소들의 기여를 나타낸다. 개념 드리프트(concept drifting) 평가를 포함한 사례 연구는 성능이 더 나은 다양한 실제 환경에서 본 접근법의 적용 가능성을 시사한다. 구현은 https://github.com/sejongdmlab/ TFUN 에서 제공된다.

사물인터넷(IoT) 환경에서는 상호 연결된 장치들이 생성된 데이터를 지속적으로 실시간으로 공유하며, 일반적으로 특정 목적에 따라 수집된다. 효율성을 확보하기 위해 IoT 기술은 이러한 장치들로부터 가장 관련성 높은 통찰만을 제공해야 한다. 고유용도 패턴 마이닝은 중요한 지식을 추출하는 기법이며, 동적인 환경에서 이러한 패턴을 효율적으로 채굴하기 위한 성능 향상에 대한 연구가 수행되어 왔다. 데이터 삭제 환경에서 고유용도 패턴을 마이닝하기 위해 사전 large 개념(prelarge concept)을 도입한 접근법이 제시되었지만, 최신 기술은 비효율적인 데이터 구조에 의존하여 IoT 데이터와의 실시간 분석에는 적합하지 않다. 이러한 한계를 극복하기 위해, 본 논문은 센서 오류 또는 저장 제약 때문에 데이터가 삭제되는 동적 IoT 환경을 대상으로 사전 large 개념을 포함한 새로운 유용도 패턴 마이닝 접근법을 제안한다. 사전 large 패턴의 실제 유용도를 유지함으로써 검증을 생략하고 통신 지연을 개선한다. 실제 유용도에 기반하여 보다 적은 수의 large 또는 prelarge 패턴을 저장함으로써 처리 시간과 메모리 소비를 최적화할 수 있다. 제안된 방법은 효율적인 리스트 기반 방식으로 동작하여, 리스캔 조건이 충족될 때 검색 공간 가지치기(pruning)를 효과적으로 수행하고, 트랜잭션 병합을 통해 간결한 데이터 구조를 생성한다. 실험 결과, 본 알고리즘은 기존 방법과 비교하여 메모리 소비에 대한 최소한의 타협으로도 처리 시간과 확장성 측면에서 우수하며, 정확한 패턴을 추출하는 것으로 나타났다. 또한 실제 IoT 환경을 재현하는 분석을 통해, 제안된 방법이 현실 환경에서 충분히 적용 가능함을 확인하였다.

재생에너지는 에너지 산업에서 매우 중요하며, 특히 최근의 석유 및 가스 가격 급등을 고려할 때 그 중요성은 더욱 커지고 있다. 이에 따라 석유 및 가스 부문은 다가오는 에너지 전환에 대비하기 위해 지속적으로 준비하고 있다. 이러한 배경에서 석유 및 가스 산업은 재생에너지 원천에 대해 언제 투자해야 하는지라는 문제가 제기된다. 본 글은 이 질문에 답하기 위해 석유 회사들의 재생에너지 참여의 역사를 고찰한다. 또한 재생에너지 투자와 석유 및 가스 가격 간의 관계를 설정하고 정량화한 뒤, 석유 및 가스 가격을 바탕으로 재생에너지 투자를 전망한다. 정유(원유) 가격과 재생에너지 관련 주식을 기반으로 한 의사결정 지원 시스템을 개발하여 재생에너지 투자 의사결정을 예측한다. 실험 결과, 본 연구에서 사용한 예측 모델은 다른 모델들에 비해 유리한 평균제곱값(mean square values)을 제공하는 것으로 나타났다. 알고리즘은 석유 가격을 기반으로 재생에너지 기업의 주식에 투자할지 여부를 결정한다. 기업의 성과는 기대수익성을 기준으로 평가한다.

인간의 추론에 유리한 퍼지 유틸리티(Fuzzy utility, FU) 패턴 마이닝은 지식 발견 연구에서 주목할 만한 주제 중 하나가 되었다. 품목별 이윤을 포함한 실제 수치형 데이터베이스로부터 FU 패턴 마이닝을 통해 발견된 정보는 수치 값으로 표현되지 않고 자연어로 구성된 언어적 용어로 표현되기 때문에, 인간의 관점에서 데이터를 해석하는 데 적합하다. 이 분야의 최신 접근법들은 실제 상황에서 영향을 줄 수 있는 계절과 같은 시간적 요인을 고려함으로써 확장된 결과를 제공한다. 그러나 이러한 방법들은 후보 수를 생성하는 수준별(level-wise) 접근에 기반하므로 확장성 문제를 여전히 겪고 있다. 본 연구에서는 후보를 생성하지 않고 높은 시간적 FU 패턴을 마이닝하기 위한 새로운 데이터 구조를 포함하여, 확장 가능하고 효율적인 접근법을 제안한다. 제안된 접근법의 성능을 향상시키기 위해 효율적인 가지치기(pruning) 기법과 알고리즘을 제시한다. 실제 데이터와 합성 데이터 모두에 대한 성능 실험 결과, 제안된 알고리즘은 실행 시간, 메모리 사용량, 확장성 측면에서 기존의 최첨단 알고리즘보다 더 나은 성능을 보이는 것으로 나타났다.

최근 사전(prelarge) 기반 연구는, 이미 발견된 결과를 활용하여 자원 집약적인 패턴 확장 절차의 필요성을 최소화함으로써 효율적인 자원 사용을 가능하게 한다는 점에서 유틸리티 스트림 탐색에 대한 관심을 끌고 있다. 그러나 보다 최근 데이터가 더 큰 중요성을 갖는 시점 기반 시나리오에서는, 이러한 방법들이 모든 데이터를 동등하게 취급하므로 분석 결과가 구식의 경향을 산출한다. 일부 접근법이 시간적 중요성을 고려하더라도, prelarge 개념이 부재하여 매 데이터 도착 시마다 비용이 큰 패턴 확장 절차를 수행해야 하며, 그 결과 계산 비용이 높다. 이러한 한계를 극복하기 위해, 우리는 시간-감쇠(time-fading) 효과를 갖는 유틸리티 스트림을 탐색하면서 prelarge 개념을 채택하는 새로운 방법을 제안한다. 제안된 방법은 시간-감쇠 효과에 기반하여 리스트 기반 데이터 구조 내에서 더 최근의 거래에 더 큰 중요도를 효율적으로 부여한다. 또한, 우리의 방법은 재스캔 조건이 새 스트림 데이터 도착 시 충족되지 않는 경우 비용이 큰 패턴 확장을 수행하지 않으면서도, 이전에 발견된 패턴을 활용해 결과를 탐지한다. 광범위한 성능 평가 결과, 제안된 방법은 기존 방법들보다 더 효율적임이 입증되었다. 제안된 방법은 메모리 사용량을 유사하게 유지하면서 결과 손실 없이 정확도 100%를 달성하며, 가장 효율적인 기존 최첨단 접근법 대비 런타임을 최대 2.9배 향상시킨다. 또한 통계적 가설 검정은, 제안된 방법이 평균적으로 이전 연구보다 약 4배 적은 수의 결과를 탐지함을 보여준다. 질적 분석은 제안된 방법이 최신 연구보다 더 정교하고 최근성에 초점을 둔 결과 집합을 추출함을 시사하며, 사례 연구는 그 실용적 적용 가능성을 입증한다. • 비용이 큰 패턴 확장을 줄여 최근성에 초점을 둔 유틸리티 스트림을 탐색한다. • 시간-감쇠 효과를 통해 사전의 결과를 손실 없이 효율적으로 유지한다. • 시간-감쇠 효과 하에서 재스캔 조건을 정교화하여 어떠한 손실도 방지한다. • 다양한 유틸리티 스트림 시나리오에서 향상된 런타임과 확장성을 보인다.

고시간(High temporal) 퍼지 유틸리티 패턴 분석은 항목이 나타나는 시간적 요인을 고려하여 패턴을 추출하며, 퍼지 이론에 근거해 사람이 쉽게 이해할 수 있도록 언어적으로 패턴을 표현한다. 그러나 실제 세계의 스트림 데이터 환경에서는 센서 데이터의 부정확성 등과 같은 내재적 불확실성을 포함하는 경우가 많다. 그럼에도 불구하고, 시간적 측면을 활용한 기존의 패턴 분석 및 퍼지 집합 이론 연구들은 이러한 불확실성이나 부정확성을 명시적으로 반영하지 않는다. 이러한 한계에 동기를 받아, 동적 불확실 데이터 스트림에서 고시간 퍼지 유틸리티 패턴을 추출하기 위한 확장 가능한(scable) 방법을 제안한다. 각 트랜잭션에서 나타나는 항목과 관련된 불확실성을 통합함으로써, 우리의 방법은 실제 조건을 보다 정확히 반영하는 불확실성 기반 고시간 퍼지 유틸리티 패턴을 추출한다. 패턴 확장 과정은 리스트 구조와 다양한 가지치기(pruning) 방법을 통해 효율적으로 수행된다. 실험 결과는 제안된 접근법이 다양한 멤버십 함수(membership functions) 하에서 기존 방법에 비해 실행 시간과 메모리 사용 측면에서 우수한 성능을 보임을 나타낸다. 또한 이 방법은 데이터 양 증가에 대해 가장 높은 확장성을 가지며, 임계값 변화에 대한 민감도를 안정적으로 유지하면서 추출 결과의 완전성 및 유의성을 함께 나타낸다. 다양한 불확실성 분포에서의 평가는 우리의 접근법이 우수한 성능을 보임을 보여주며, 효과성 평가는 제안 구성요소들의 기여를 나타낸다. 개념 드리프트(concept drifting) 평가를 포함한 사례 연구는 성능이 더 나은 다양한 실제 환경에서 본 접근법의 적용 가능성을 시사한다. 구현은 https://github.com/sejongdmlab/ TFUN 에서 제공된다.

사물인터넷(IoT) 환경에서는 상호 연결된 장치들이 생성된 데이터를 지속적으로 실시간으로 공유하며, 일반적으로 특정 목적에 따라 수집된다. 효율성을 확보하기 위해 IoT 기술은 이러한 장치들로부터 가장 관련성 높은 통찰만을 제공해야 한다. 고유용도 패턴 마이닝은 중요한 지식을 추출하는 기법이며, 동적인 환경에서 이러한 패턴을 효율적으로 채굴하기 위한 성능 향상에 대한 연구가 수행되어 왔다. 데이터 삭제 환경에서 고유용도 패턴을 마이닝하기 위해 사전 large 개념(prelarge concept)을 도입한 접근법이 제시되었지만, 최신 기술은 비효율적인 데이터 구조에 의존하여 IoT 데이터와의 실시간 분석에는 적합하지 않다. 이러한 한계를 극복하기 위해, 본 논문은 센서 오류 또는 저장 제약 때문에 데이터가 삭제되는 동적 IoT 환경을 대상으로 사전 large 개념을 포함한 새로운 유용도 패턴 마이닝 접근법을 제안한다. 사전 large 패턴의 실제 유용도를 유지함으로써 검증을 생략하고 통신 지연을 개선한다. 실제 유용도에 기반하여 보다 적은 수의 large 또는 prelarge 패턴을 저장함으로써 처리 시간과 메모리 소비를 최적화할 수 있다. 제안된 방법은 효율적인 리스트 기반 방식으로 동작하여, 리스캔 조건이 충족될 때 검색 공간 가지치기(pruning)를 효과적으로 수행하고, 트랜잭션 병합을 통해 간결한 데이터 구조를 생성한다. 실험 결과, 본 알고리즘은 기존 방법과 비교하여 메모리 소비에 대한 최소한의 타협으로도 처리 시간과 확장성 측면에서 우수하며, 정확한 패턴을 추출하는 것으로 나타났다. 또한 실제 IoT 환경을 재현하는 분석을 통해, 제안된 방법이 현실 환경에서 충분히 적용 가능함을 확인하였다.

재생에너지는 에너지 산업에서 매우 중요하며, 특히 최근의 석유 및 가스 가격 급등을 고려할 때 그 중요성은 더욱 커지고 있다. 이에 따라 석유 및 가스 부문은 다가오는 에너지 전환에 대비하기 위해 지속적으로 준비하고 있다. 이러한 배경에서 석유 및 가스 산업은 재생에너지 원천에 대해 언제 투자해야 하는지라는 문제가 제기된다. 본 글은 이 질문에 답하기 위해 석유 회사들의 재생에너지 참여의 역사를 고찰한다. 또한 재생에너지 투자와 석유 및 가스 가격 간의 관계를 설정하고 정량화한 뒤, 석유 및 가스 가격을 바탕으로 재생에너지 투자를 전망한다. 정유(원유) 가격과 재생에너지 관련 주식을 기반으로 한 의사결정 지원 시스템을 개발하여 재생에너지 투자 의사결정을 예측한다. 실험 결과, 본 연구에서 사용한 예측 모델은 다른 모델들에 비해 유리한 평균제곱값(mean square values)을 제공하는 것으로 나타났다. 알고리즘은 석유 가격을 기반으로 재생에너지 기업의 주식에 투자할지 여부를 결정한다. 기업의 성과는 기대수익성을 기준으로 평가한다.