다양한 종류의 예측에서 머신러닝 성능 비교

Performance Comparison of Machine Learning in the Various Kind of Prediction

Abstract

현재 인공지능의 한 영역인 머신러닝을 적용하여 다양한 예측을 수행하고 있으나 실제 현장에서 어떤 종류의 알고리즘을 사용하는 것이 가장 좋은 방법인지는 늘 문제가 된다. 본 논문은 여러 머신러닝 지도 학습 알고리즘을 이용하여 월별 전력 거래량, 전력 거래금액, 월별 생산 확산 지수, 최종 에너지 소비, 자동차용 경유를 예측하여 각 경우에 어떤 알고리즘이 가장 적합한 알고리즘인지를 알아본다. 이를 위해 통계청에 나와 있는 월별 전력 거래량과 월별 전력 거래금액, 월별 생산 확산 지수, 최종에너지 소비, 자동차용 경유로 머신 러닝이 예측하는 값의 확률을 보여주고 각각의 예측 값을 평균화 하여 이들 중에서 어떤 기법이 가장 우수한 기법인지를 확인한다.

Now a day, we can perform various predictions by applying machine learning, which is a field of artificial intelligence; however, the finding of best algorithm in the field is always the problem. This paper predicts monthly power trading amount, monthly power trading amount of money, monthly index of production extension, final consumption of energy, and diesel for automotive using machine learning supervised algorithms. Then, we find most fit algorithm among them for each case. To do this we show the probability of predicting the value for monthly power trading amount and monthly power trading amount of money, monthly index of production extension, final consumption of energy, and diesel for automotive. Then, we try to average each predicting values. Finally, we confirm which algorithm is the most superior algorithm among them.

그림 1. 전력거래량 시계열 데이터 Fig. 1 Time series of power trading amount

그림 2. 전력거래금액 시계열 데이터 Fig. 2 Time series of power trading amount of money

그림 3. 생산확산지수 시계열데이터 Fig. 3 Time series of production spread index

그림 4. 최종에너지 소비의 시계열 데이터 Fig. 4 Time series of final energy consumption

그림 5. 자동차용 경유의 시계열데이터 Fig. 5 Time series of vehicle diesel

그림 6. k-근접 이웃 회귀 알고리즘을 이용한 전력거래량 데이터의 학습 Fig. 6 Learning of power trading amount data using k-Neighbors Regression algorithms

그림 7. k-근접 이웃 회귀 알고리즘을 이용한 전력거래금액 데이터의 학습 Fig. 7 Learning of power trading amount of money data using k-Neighbors Regression algorithms

그림 8. k-근접 이웃 회귀 알고리즘을 이용한 생산확산지수 데이터의 학습 Fig. 8 Learning of production spread index data using k-Neighbors Regression algorithms

그림 9. k-근접 이웃 회귀 알고리즘을 이용한 최종에너지소비 데이터의 학습 Fig. 9 Learning of final energy consumption data using k-NeighborsRegressor algorithms

그림 10. k-근접 이웃 회귀 알고리즘을 이용한 자동차용 경유 데이터의 학습 Fig. 10 Learning of vehicle diesel data using k-Neighbors Regression algorithms

그림 11. 전력거래량의 f(x) Fig. 11 f(x) of power trading amount

그림 12. 전력거래금액의 f(x) Fig. 12 f(x) of power trading amount of money

그림 13. 생산확산지수의 f(x) Fig. 13 f(x) of production spread index

그림 14. 최종에너지소비의 f(x) Fig. 14 f(x) of final energy consumption

그림 15. 자동차용 경유의 f(x) Fig. 15 f(x) of vehicle diesel

그림 16. 전력거래량 데이터를 릿지 회귀 알고 리즘으로 학습하여 나타낸 f(x) Fig. 16 f(x) showing power trading amount data learned by Ridge algorithm

그림 17. 전력거래금액 데이터를 릿지 회귀 알고리즘으로 학습하여 나타낸 f(x) Fig. 17 f(x) showing power trading amount of money data learned by Ridge algorithm

그림 18. 생산확산지수 데이터를 릿지 회귀 알고리즘으로 학습하여 나타낸 f(x) Fig. 18 f(x) showing production spread index data learned by Ridge algorithm

그림 19. 최종에너지소비 데이터를 릿지 회귀 알고리즘으로 학습하여 나타낸 f(x) Fig. 19 f(x) showing final energy consumption data learned by Ridge algorithm

그림 20. 자동차용 경유 데이터를 릿지 회귀 알고리즘으로 학습하여 나타낸 f(x) Fig. 20 f(x) showing vehicle diesel data learned by Ridge algorithm

표 1. 각 알고리즘의 예측 정확도 결과 Table 1. Result of prediction accuracy for each algorithm

표 2. 각각의 예측 정확도를 평균 Table 2. Average of prediction accuracy for each algorithm