제 2 장 . 수요예측 (Demand forecasting)

(1)

제 2 장 . 수요예측 (Demand

forecasting)

(2)

5. 인공신경망 (artificial neural network)

Chapter 2. 2-5. ANN

(3)

인공신경망 (artificial neural network)

Chapter 2. 인공신경망 구성 요소 : neuron, layer (input layer, hidden layer, output layer)

신호

neurons

반응 / 출력

2-5. ANN

(4)

인공신경망 (artificial neural network)

: input-1 neuron-output

Chapter 2.

neuron

input

Layer of neurons

f(n)

p

₁

p

₂

p

₃

P

₄

. . p

_r

w

_1,1

w

_1,r

b

₁

 ⁿ

¹

^a

¹

2-5. ANN

(5)

인공신경망 (artificial neural network)

Chapter 2.

input

Layer of neurons

f(n)

p

₁

p

₂

p

₃

P

₄

. . p

_r

w

_1,1

w

_1,r

b

₁

 ⁿ

¹

^a

¹

f(n)

w

_2,1

w

_2,r

b

₂

 ⁿ

²

^a

²

2-5. ANN

(6)

ANN-perceptron neuron



Chapter 2.

Hard-limit function

f(n)

p

₁

p

₂

p

₃

P

₄

. . p

_r

w

_1,1

w

_1,r

b

₁

n

₁

a

₁

) lim(

₁

1

1 ,

1 1

n hard

a

b p

w n

i i i







 

0 1

n a

2-5. ANN



(7)

ANN-perceptron neuron

] 5 . 2 [

] 5 . 0 , 3 . 0 , 2 . 0 , 0 [

] 3 ,

2 , 1 ,

1 [





 b

w p

Chapter 2.

Hard-limit function

f(n)

p

₁

p

₂

p

₃

P

₄

. . p

_r

w

_1,1

w

_1,r

b

₁

n

₁

a

₁

4 . 1

5 . 2 3

5 . 0 2

3 . 0 1

2 . 0 1

0

1 4

1 1























 



b p

w n

i i i

a

₁

=1

2-5. ANN



(8)

예제 1: 3-1-1 perceptron

] 5 . 0 [

] 2 . 0 , 6 . 0 , 2 . 0 [

] 2 ,

0 , 1 [





 b

w p

a

₁

=?

(9)

ANN-linear neuron

Chapter 2.

purelin function

f(n)

p

₁

p

₂

p

₃

P

₄

. . p

_r

w

_1,1

w

_1,r

b

₁

n

₁

a

₁

2-5. ANN

) (

₁

1

1 ,

1 1

n purelin a

b p

w n

i i i







 

0 1

n a

1 

(10)

예제 2: 3-1-1 linear neuron

] 5 . 0 [

] 2 . 0 , 6 . 0 , 2 . 0 [

] 2 ,

0 , 1 [





 b

w p

a

₁

=?

(11)

ANN-sigmoid neuron

) (

log ₁

1 1 ,

1 1

n sig a

b p

w n

i i i







 

Chapter 2.

sigmoid function

f(n)

p

₁

p

₂

p

₃

P

₄

. . p

_r

w

_1,1

w

_1,r

b

₁

n

₁

a

₁

2-5. ANN



0 1

n a

0.5 e

n

a

_

  1

1

(12)

ANN- 예제



] 5 . 2 [

] 5 . 0 , 3 . 0 , 2 . 0 , 0 [

] 3 ,

2 , 1 ,

1 [





 b

w p



Chapter 2.

sigmoid function

f(n)

p

₁

p

₂

p

₃

P

₄

. . p

_r

w

_1,1

w

_1,r

b

₁

n

₁

a

₁

a

₁

=0.1978

2-5. ANN

1978 .

0 1

1

4 . 1



 

_

a e

4 . 1

5 . 2 3 5 . 0 2 3 . 0 1 2 . 0 1 0

1 4

1 1























 



b p w n

i i i

(13)

예제 3: 3-1-1 sigmoid neuron

] 5 . 0 [

] 2 . 0 , 6 . 0 , 2 . 0 [

] 2 ,

0 , 1 [





 b

w p

a

₁

=?

(14)

ANN- 예제 4. 수요예측

Chapter 2. 2-5. ANN

석유화학공업에서 대표적인 원료인 에틸렌 (C₂H₄) 의 국내수요변동에 대한 주요 변수는 원유값 (p1), 경제성장률 (p2), 환률 (p3), 전년도 재고량 (p4), 수출증가율 (p5) 에 따라 변한다고 한다 . 최근 3 년간의 다음 데이터를 바탕으로 2005 년도 수요를 예측하 시오 . 단 , 인공신경망 (5-4-1) 을 이용하고 sigmoid function 을 사용하시오 .

1) 변수 평준화 :

2) 학습과정 : 주어진 3 개의 데이터를 이용하여 가중치 (w, 5x4) 와 bias (b, 5x1) 를 구함 .

1-1) 주어진 3 개의 데이터값으로 수요변동을 최소할 수 있는 목적함수 생성 1-2) 목적함수를 최소화 시키는 함수를 수행

3) 구한 가중치와 bias 값을 바탕으로 주어진 입력값을 대입하여 수요를 예측한다 .

low high

low

new

p p

p P p



 

(15)

ANN- ^{Chapter 2.} 예제 4. 수요예측 ( 데이터 ) ^{2-5. ANN}

년도 변수명 변수부호 변수값 변수 단위 국내수요량

　 원유값 p1 1 $/barrel 　

　 경제성장률 p2 5 % 　

2002 환률 p3 1400 won/$ 14

　 전년도 재고량 p4 3 kilo-ton 　

　 수출증가율 p5 2 % 　

　 원유값 p1 1.2 $/barrel 　

　 경제성장률 p2 4 % 　

2003 환률 p3 1300 won/$ 12

　 수출증가율 p5 3 % 　

　 경제성장률 p2 4 % 　

2004 환률 p3 1200 won/$ 16

　 수출증가율 p5 5 % 　

　 경제성장률 p2 5 % 　

2005 환률 p3 1100 won/$ ?

　 수출증가율 p5 6 % 　

(16)

ANN- 예제 4. 수요예측 ( 변수 평준 화 )

Chapter 2. 2-5. ANN

년도 변수명 변수부호 변수값 변수범위 국내수요량

　 원유값 p1 0.333333 0.5-2 　

　 경제성장률 p2 0.5 0-10 　

2002 환률 p3 0.5 800-2000 14

　 전년도 재고량 p4 0.3 0-10 　

　 수출증가율 p5 0.2 0-10 　

　 원유값 p1 0.466667 0.5-2 　

　 경제성장률 p2 0.4 0-10 　

2003 환률 p3 0.416667 800-2000 12

　 전년도 재고량 p4 0.5 0-10 　

　 수출증가율 p5 0.3 0-10 　

　 원유값 p1 0.6 0.5-2 　

　 경제성장률 p2 0.4 0-10 　

2004 환률 p3 0.333333 800-2000 16

　 전년도 재고량 p4 0.6 0-10 　

　 수출증가율 p5 0.5 0-10 　

　 원유값 p1 0.533333 0.5-2 　

　 경제성장률 p2 0.5 0-10 　

2005 환률 p3 0.25 800-2000 ?

(17)

ANN- 예제 4. 수요예측 (matlab-nntoo l)

Chapter 2. 2-5. ANN

(18)

ANN- 예제 4. 수요예측 (matlab-nntool)

Chapter 2. 2-5. ANN

1. Matlab-nntool (neural network tool) 명령어 사용 2. Network name : network_ex1

3. Network type: feedforward backpropagation 4. Input range: [0 1; 0 1; 0 1; 0 1; 0 1]

5. Training function: traingd (basic gradient descent) 6. Adaptation learning function: learngdm

7. Performance function: MSE

8. Number of layers: 2 (hidden layer and output layer)

(19)

ANN- 예제 4. 수요예측 (matlab-nntool)

Chapter 2. 2-5. ANN

1. Training data set

Input_train=[0.33333 0.46667 0.6;

0.5 0.4 0.4;

0.5 0.41667 0.33333;

0.3 0.5 0.6;

0.2 0.3 0.5]

Target_train=[14 12 16]

3. Simulation data set

Input_sim = [0.53333;

0.5;

0.25;

0.7;

0.6]

Target_sim=[ 14.73 ^]

2. 가중치

weight=[-5.02 3.34 -2.15 2.88 -2.20;

2.42 -0.13 -4.15 5.77 0.76;

4.73 -3.06 1.04 4.50 -1.94;

3.61 1.95 3.69 -4.84 1.25]

bias=[5.5022;

-3.3137;

0.3567;

1.3632]

(20)

ANN- 과제 1. 수요예측 (matlab-nntool)

Chapter 2. 2-5. ANN

다음 데이터 세트에 대하여 2005 년도 에틸렌수요를 예측하시오 . 1. matlab-nntool 에서 feedforward backpropagation 사용

2. 주어진 데이터로 학습과정을 통하여 여러 nn topology 의 error 조사 3. 시행오차를 통하여 nn topology 결정

4. 알맞은 인공지능망 구조에서 가중치와 bias 구하시오

5. 2005 년도 수요예측

(21)

년도 변수명 변수부호 변수값 변수 단위 국내수요량

　 경제성장률 p1 5 % 　

2001 환율 ^p2 ¹⁴⁰⁰ ^won/$ ²⁰

　 건설경기성장률 p3 7 % 　

　 경제성장률 p1 6 % 　

2002 환율 ^p2 ¹³⁰⁰ ^won/$ ³⁶

　 경제성장률 p1 4 % 　

2003 환율 ^p2 ¹²⁰⁰ ^won/$ ³⁰

　 경제성장률 p1 4 % 　

　 환율 ^p2 ¹²⁰⁰ ^won/$ 　

2004 건설경기성장률 p3 4 % 18

　 경제성장률 p1 6 % 　

2005　 환율 ^p2 ¹⁰⁰⁰ ^won/$ ^?　

과제 1: 인공신경망을 이용한 수요예측

제 2 장 . 수요예측 (Demand forecasting)