정보과학회 논문지 데이타베이스 분야 2025년도 우수논문상 수상
첨부파일
정보과학회 논문지 데이타베이스 분야 2025년도 우수논문상 수상
지난 7월 2일부터 7월 4일까지 3일간 열린 2025 한국컴퓨터종합학술대회(KCC 2025)에서 석사 졸업생 김윤영 학생(지도 교수: 정성원)의 2024년도 정보과학회논문지 데이터베이스 분야에 게재된 “패칭을 이용한 GRU 기반의 시계열 예측 방법” 논문이 2024년도 정보과학회논문지 데이터베이스 분야에서 게재된 모든 논문 중 우수논문으로 선정되어 우수논문상을 수상했다.
본 논문은 정성원 교수의 지도하에 김윤영 학생(석사 졸업생)이 공동으로 작성한 연구 결과이다.
▲ 왼쪽부터 김윤영(석사 졸업생), 정성원(지도교수)
시계열 예측을 위해 RNN, MLP, CNN, 트랜스포머 등 다양한 신경망 기반 모델들이 연구되어 왔으나, 트랜스포머 계열은 복잡성과 높은 연산 자원 소모로 실적용에 한계가 있고, 단순한 MLP 모델은 구조적 제약으로 충분한 정보 학습에 어려움이 있었다.
본 연구에서는 이러한 한계를 극복하기 위해 패칭을 적용한 GRU(Gated Recurrent Unit) 기반의 시계열 예측 모델인 PatchTSG를 제안하였다. PatchTSG는 패칭 기법을 통해 입력 길이를 줄이고 GRU를 결합하여 효율성을 확보하였으며, 다수의 벤치마크 데이터셋에서 단일 Linear 모델보다 우수한 성능을 보였다. 또한 트랜스포머 기반 모델 대비 학습시간을 최대 82%, 추론시간을 최대 46% 단축함으로써 다양한 실제 환경(교통 흐름, 에너지 수요 예측 등)에 적용 가능한 경량 시계열 예측 모델임을 입증하였다.
본 연구에서는 이러한 한계를 극복하기 위해 패칭을 적용한 GRU(Gated Recurrent Unit) 기반의 시계열 예측 모델인 PatchTSG를 제안하였다. PatchTSG는 패칭 기법을 통해 입력 길이를 줄이고 GRU를 결합하여 효율성을 확보하였으며, 다수의 벤치마크 데이터셋에서 단일 Linear 모델보다 우수한 성능을 보였다. 또한 트랜스포머 기반 모델 대비 학습시간을 최대 82%, 추론시간을 최대 46% 단축함으로써 다양한 실제 환경(교통 흐름, 에너지 수요 예측 등)에 적용 가능한 경량 시계열 예측 모델임을 입증하였다.
