시계열 데이터 기반 예측·이상탐지 및 순서형 학습

Time-series prediction, anomaly detection, and ordinal learning

연구 내용

시계열에서 이상 패턴을 탐지하고, 순서형 타깃 정보를 반영한 예측 모델을 설계하는 연구

스마트팩토리와 웨어러블 등에서 축적되는 시계열 데이터의 정상·비정상 구간을 자동으로 구분하기 위한 모델링을 수행합니다. 다변량 의존성을 활용하는 순환 신경망 기반 구조와, 다중 LSTM을 조합해 입력 도메인별로 모델을 선택·앙상블하는 이상탐지 절차를 적용합니다. 또한 타깃이 순서 정보를 갖는 분류 문제에 대해 ordinal encoding 기반 AdaBoost를 통해 지표의 일관성을 유지하며 최적화를 진행합니다. 이를 통해 예측과 모니터링에 직접 활용 가능한 데이터마이닝·정보시스템 관점의 분석 체계를 구축합니다.

관련 프로젝트

2건

연구 흐름

초기에는 다변량 시계열의 부분적 선형 의존성을 활용하는 dual recurrent neural networks 구조로 시계열 표현과 예측 성능을 확인했습니다. 이후 이상 징후의 탐지 가능성을 높이기 위해 입력 도메인 범위 내에서 적합 모델을 자동 선택하고, 선택된 다중 LSTM 출력을 앙상블로 결합하는 방식으로 확장했습니다. 동시에 실제 문제에서 흔한 순서형 타깃을 반영하기 위해 ordinal encoding adaptive boosting 알고리즘을 제안하여 순서 불일치로 인한 비최적 해를 줄이는 방향으로 연구를 심화했습니다.

활용 가능성

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

사이버 침입 탐지
산업 설비 이상 모니터링
부정행위 탐지
다변량 센서 기반 예측
순서형 위험도 스코어링
실시간 품질 이상 감지
시계열 이상 원인 분석용 지표화
운영 의사결정용 시간 분류
도메인별 적응형 경보 시스템
커머스 추천 관련 예측 모델링