딥러닝을 활용한 비타민 수요 예측

윤호정; 신용녀; 구희순

doi:10.31152/JB.2024.12.9.6.115

추천

검색

질문

자료유형: 학술저널

저자정보: 윤호정 (세종대학교) 신용녀 (마이크로소프트) 구희순 (세종대학교)

저널정보: 한국비즈니스학회 비즈니스융복합연구 비즈니스융복합연구 제9권 제6호

발행연도: 2024.12

수록면: 115 - 123 (9page)

DOI: 10.31152/JB.2024.12.9.6.115

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

비타민 시장은 코로나19 이후로 급격히 성장했으며, 특히 고함량 비타민에 대한 수요 증가로 다양한 신제품이 출시되었다. 그러나 기존 연구에서는 딥러닝을 활용한 수요예측에 대한 연구가 부족한 상황이다. 본 연구는 고함량 비타민의 수요를 예측하기 위해 자기회귀 누적 이동평균(SARIMA) 모델과 순환 신경망(RNN), 장기 메모리 네트워크(LSTM), 게이트 순환 유닛(GRU)과 같은 딥러닝 모델을 활용하였다. 판매 데이터를 기반으로 SARIMA 모델과 딥러닝 기반 모델(RNN, LSTM, GRU)의 성능을 비교·분석하여 시계열 예측의 효과성을 평가했다. SARIMA 모델은 계절성과 비계절성을 효과적으로 반영하여 안정적인 수요예측 결과를 제공했지만, 오차 항의 정규분포를 가정하고 변동성을 반영하는 데 한계를 보였다. 반면, 딥러닝 모델은 비선형적 특성과 변동성을 보다 유연하게 처리했으며, 특히 RNN과 GRU는 비타민 시장에서의 판매 변동성을 효과적으로 예측하였다. 연구 결과, 딥러닝 모델은 SARIMA 모델 대비 예측 정확도가 우수하며, 복잡한 시장 환경에서도 신뢰할 수 있는 결과를 도출할 수 있음을 확인하였다. 특히, LSTM은 시계열 데이터의 장기 의존성을 처리하는데 효과적임을 보여주었으며, GRU는 효율성과 성능의 균형 면에서 우수한 결과를 나타냈다. 이 결과는 비타민 업계에서의 사업 계획, 신제품 개발, 재고 관리와 같은 전략적 의사결정을 지원하는 데 활용될 수 있다. 또한, 본 연구는 딥러닝 모델이 전통적인 시계열 모델의 한계를 보완할 수 있음을 실증적으로 입증하며, 다양한 산업군에서의 수요예측 및 비즈니스 데이터 분석에 중요한 기여를 할 수 있다.

The vitamin market has experienced significant growth since the onset of COVID-19. In particular, the demand for high-content vitamins has surged, prompting the launch of various new products. Despite this trend, existing research lacks sufficient studies on demand forecasting using deep learning models. This study aims to predict the demand for high-content vitamins by employing the SARIMA model, an advanced time series forecasting method, alongside deep learning models, such as recurrent neural networks (RNN), long short-term memory networks (LSTM), and gated recurrent units (GRU). Using sales data, this study evaluates the effectiveness of time series forecasting by comparing the performance of the SARIMA model with deep learning-based approaches (RNN, LSTM, GRU). The SARIMA model demonstrates stable demand forecasting by effectively capturing both seasonal and non-seasonal patterns. However, it is limited by its assumption of normal error distribution and its inability to fully account for market volatility. Conversely, deep learning models flexibly handle non-linear characteristics and volatility, with RNN and GRU models particularly excelling in predicting sales fluctuations in the vitamin market. The findings of this study indicate that deep learning models outperform SARIMA model in prediction accuracy, delivering reliable results even in complex market environments. Specifically, LSTM proved effective in capturing long-term dependencies within time series data, while GRU demonstrated an excellent balance between computational efficiency and performance. These results provide valuable insights for strategic decision-making in the vitamin industry, including business planning, new product development, and inventory management. This study also highlights the potential of deep learning models to address the limitations of traditional time series approaches, contributing to enhanced demand forecasting and business data analysis across various industries.

#수요예측 #SARIMA 모델 #딥러닝 #비타민 #demand forecasting #SARIMA model #deep learning #RNN #LSTM #GRU #vitamin

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

최근 본 자료

전체보기

UCI(KEPA) : I410-151-25-02-092278995

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

함께 읽어보면 좋을 논문

최근 본 자료

댓글(0)