UCI에서 제공하는 오픈 데이터를 활용하여 2007년~2009년 가구 전력 사용량을 시계열 예측 모델에 학습하여 2010년 월별 전력사용량을 예측해보았다. 첫째, 데이터를 확인하고 결측치를 제거한 후 학습 데이터와 테스트 데이터를 분리했다. 둘째, 기존 데이터가 1분 단위로 수집한 전력 데이터이므로 월 단위로 합산했다. 셋째, ARIMA 모델로 3년치 데이터를 학습한 후 다음 연도의 11개월치 월별 전력 사용량을 예측했다. 2024-02-22

한국전자통신연구원(ETRI)에서 제공한 데이터는 각 보일러 별 주요부품 동작 횟수 및 고장발생 데이터로 귀뚜라미 부품들의 수명연한 및 실제 AS 발생 이력을 기반으로 개발한 시뮬레이션 데이터이다. 제공받은 시뮬레이션 데이터로 주요부품 고장시간 예측 분석을 진행했다.첫째, 수치적 자료요약을 통해 데이터의 특성 및 분포를 파악하고, 데이터타입을 변경했다. 둘째, 파생변수 생성 전처리를 수행하고 탐색적 데이터 분석(EDA)으로 연도별, 월별, 요일별 고장 빈도수를 확인했다. 셋째, 회귀 알고리즘으로 콘트롤러 부품 고장일 예측 모델을 학습했다. 2023-12-12

한국산업기술시험원(KTL)에서 제공한 전기차 부품생산 공정 실적데이터를 활용하여 공정최적화를 위한 공정지연율 예측 분석을 진행했다. 첫째, 데이터요약, 상관분석, 시각화 등을 통해 데이터의 분포 및 특성을 파악했다. 둘째, 컬럼 변경, 파생변수 생성 등 전처리를 수행하고 회귀 알고리즘으로 공정 지연율을 예측했다. 셋째, 박스 플롯을 통해 지연율의 범위를 나눠 범주화하고, 분류 알고리즘으로 지연율을 예측했다. 2023-12-12

한국전자기술연구원(디맨드)에서 제공한 데이터를 활용하여 ppg데이터를 활요한 스트레스 예측 분석을 진행했다. 첫째, 데이터의 분포, 결측치, 이상치 등을 확인하고 특성을 파악했다. 둘째, 타입 변경, 데이터 파싱, 파생변수 생성 등 전처리를 수행하고 탐색적 데이터 분석(EDA)으로 시간별 스트레스 지수를 확인했다. 셋째, 회귀 알고리즘과 분류 알고리즘으로 스트레스 지수 및 단계 예측 모델을 학습했다. 2023-12-12

선도 R&D 밸류체인 기업 중 “하이서울기업협회”의 물류 입출고데이터를 제공받아 재고 유형 파악 및 재고회전율 예측 AI모듈을 개발하였다. 입출고 데이터를 이용해 재고 데이터와 재고회전율(출고평균/재고평균) 데이터를 만들고 이를 기준으로 군집 및 예측분석을 진행하였다. 첫째, 데이터를 확인하여 결측치, 이상치의 여부를 파악하고 피봇테이블을 통해 데이터 형태를 변형했다. 둘째, 재고 데이터와 출고데이터의 평균값을 이용해 재고회전율을 계산하고 재고회전율을 기준으로 그룹화하였다. 셋째, 재고회전율과 관련있는 변수들을 모두 결합한 데이터셋을 만들고 재고회전율을 예측하는 분석을 진행했다. 2023-12-12

결함이 정의된 모터의 진동 데이터를 활용하여 모터의 결함을 감지할 수 있다. UFRJ에서 공개한 데이터를 활용하여 중첩돼있는 진동데이터를 퓨리에 변환한 후 kNN, SVM을 통해 분류 예측분석을 진행했다. 첫째, 데이터를 확인하여 결측치 여부와 데이터 형태를 파악했다. 둘째, 결함유형별로 구분 되어 있는 데이터를 병합하여 실제 데이터가 수집되는 상황과 유사하게 만들었다. 셋째, 분류예측분석을 통해 결함유형을 예측하여 미리 고장부품별로 원인을 해결한다. 2023-12-12