딥러닝 기반 시계열 파고 자료의 예측기법에 대한 연구

Abstract

시계열 데이터의 예측을 위해 딥러닝 기법 중 하나인 RNNs(Recurrent Neural Networks) 방법이 이용될 수 있다. 하지만, RNNs는 학습이 진행됨에 따라, 초기 입력된 정보의 학습 영향이 점점 감소하다가 결국에는 사라져 버리는 Vanishing Gradient Problem을 가지고 있다고 알려진다. 이러한 문제를 해결하기 위해 Hochreiter, S. and Schmidhuber, J.(1997)는 RNNs의 발전된 형태인 Long Short-Term Memory Network(LSTM) 기법을 처음 제안하였다. LSTM 기법은 네트워크 전체 신경망을 아우르는 셀 스테이트(Cell state)를 통해 데이터의 초기 입력이 최종 출력 단계까지 영향을 줄 수 있다는 점에서 기존 RNNs 기법과 크게 구별된다. 본 연구에서는 LSTM 및 RNNs 학습방법을 이용하여 파랑 및 바람 자료를 예측하고, 그에 대한 정확도를 서로 비교하였다.