선행 보정법과 제안된 보정법의 비교 분석 결과

[그림 5-33]은 결측 구간의 시간별 누적 전력사용량을 예측한 최종 결과 데이터 이다.

[그림 5-33] 전체 실험 결과 데이터

[그림 5-34]는 1000개 계량기 전체 실험 결과 데이터를 요약한 정보이다. 최댓값 과 최솟값의 차이가 많이 발생함으로 MSE, MAE, RMSE 등의 평가지표로 오차를 비교하는 것은 정확하지 않을 수도 있다. 그래서 추가적으로 평균절대비오차(MAPE;

Mean Absolute Percentage Error)도 계산하여 비교를 수행하였다.

[그림 5-34] 전체 실험 결과 요약 데이터

[그림 5-35]는 계량기별 시간별로 평균절대비오차(MAPE; Mean Absolute Percentage

Error)를 계산하였다.

[그림 5-35] 전체 실험 결과의 보정법별 MAPE

[그림 5-36]은 평균절대비오차(MAPE; Mean Absolute Percentage Error)를 시간 별로 계산한 결과이다.

[그림 5-36] 전체 실험 결과의 보정법별 시간별 평균 MAPE

104

-[그림 5-37]은 계량기별 시간별로 MAPE를 계산하였고, 0시부터 22시까지의 각 보정법의 MAPE값을 그래프로 표현하였다. 선형보정법과 가중치를 적용한 보정법 을 제외하고는 결측 길이가 커질수록 MAPE값이 점점 커지는 것을 알 수 있다. 그 리고 본 논문에서 제안한 보정법이 선형보정법보다도 결측 중간시간대에서도 정확 도가 명확히 높다는 것을 알 수 있다.

[그림 5-37] 전체 보정 방법별 MAPE

[그림 5-38]은 전체 MAPE값의 요약정보이다. 아래 요약정보로 보았을 때 전체 1000개 계량기의 24시간 평균 MAPE값은 유사도 기반 보정법이 ‘0.448683’ 으로 정 확도가 가장 낮았고, 본 논문에서 제안한 보정법이 ‘0.010020’ 으로 가장 좋은 결과 가 나왔다.

[그림 5-38] MAPE 요약 데이터

[그림 5-39]는 각 보정 방법별 RMSE(Root Mean Square Error) 오차를 그래프 로 표현하였다. 선형보정법과 가중치를 적용한 보정법만이 결측 구간의 양쪽 끝 부 분 오차가 ‘0’에 수렴하고 있다. 가중치를 적용함으로써 다른 보정법도 성능이 좋아 졌다.

[그림 5-39] 전체 실험결과 시간별 RMSE

[그림 5-40]은 전체 데이터에 대한 AE(Absolute Error)를 박스 플롯(box plot)으 로 표현했다. 박스 플롯으로만 봤을 때 절대 오차에 대한 순서는 ARIMA 예측 보 정법 > 유사도 기반 보정법 > 선형보정법 > CNN-LSTM결합 예측 보정법 > 유 사도 가중치적용 보정법 > CNN_LSTM결합 가중치적용 보정법 순이다. 요즘 시계 열 분야에서 좋은 성능을 보이는 딥러닝 보정법이 상당히 좋은 결과를 보였으나,

106

-앞서 얘기한 여러 가지 이유로 본 논문에서는 딥러닝 보정법에 가중치를 적용한 것이 더 좋은 결과가 나온 것을 확인 할 수 있다.

[그림 5-40] 전체 데이터의 AE(Absolute Error) boxPlot

[표 5-8]은 전체 계량기에 대한 각 보정 방법별 실험 평가결과 비교자료를 표현했 다. 본 논문에서 제안한 보정법이 모든 평가지표에서 가장 우수한 결과가 나왔다.

정확도가 가장 나쁜 보정법은 ARIMA 예측 보정법이었다. 평균제곱오차(MSE)는 본 논문에서 제안한 보정법이 ‘0.218447’으로 ARIMA 예측 보정법보다 약 40배 이 상 좋았고, 제곱근 평균제곱오차(RMSE)도 6배 이상 좋았다. MAPE 값으로 비교 시에도 본 논문에서 제안한 보정법이 ‘0.009899’ 으로 ARIMA 예측 보정법

‘0.448682’ 보다 약 45배 이상으로 정확도가 가장 우수했다.

[표 5-8] 전체 계량기에 대한 각 보정 방법별 실험 평가결과 비교

구 분 MSE MAE RMSE MAPE

선형보정법 2.320586 0.712757 1.523347 0.022139 ARIMA 예측 보정법 8.883553 1.448703 2.980529 0.448682 유사도 기반 보정법 7.044095 1.193031 2.654071 0.035867 유사도 가충치적용 보정법 1.782093 0.694318 0.694318 0.022185 CNN-LSTM결합 예측 보정법 1.960150 0.735364 1.400053 0.028588 CNN-LSTM결합 가중치적용 보정법 0.218447 0.256664 0.467383 0.009899