머신러닝(기계학습)은 사람이 개입하지 않고 기계가 명시하지 않은 동작을 데이터로부터 학습하여 실행할 수 있도록 하는 알고리즘과 기술을 일컫는다. 산업 전반적인 분야에서 이러한 머신러닝 기술을 접목시켜 이미지처리, 음성인식, 시계열 데이터 예측 등 많은 부분에서 사용된다.
기존 대다수의 머신러닝에서는 단일 모델을 이용하여 결과를 도출한다. 하지만 하나의 시스템에 대한 결과를 얻을 때 데이터의 특징, 머신러닝 모델, 입력 데이터의 종류 등 머신러닝을 구성하는 많은 요소에 따라 결과의 정확도가 다르게 도출된다. 이러한 현상에 착안하여 본 논문에서는 하나의 시스템에 대한 입력 데이터의 특징을 분석하고 이를 조건별로 구분하여 해당 특징의 조건에 부합하는 머신러닝 모델을 선정 후 조건부 학습을 통하여 전체 시스템의 머신러닝 정확도를 향상하는 방법에 대하여 제안한다.
기존의 단일 머신러닝 모델을 이용하여 결과를 예측, 도출하는 경우에는 하나의 머신러닝 모델에 입력 데이터를 전달하고 전달받은 모든 입력 데이터에 대한 학습을 진행한다. 이때 결과에 연관도가 높은 특징을 기준으로 하여 여러 구간의 데이터로 구분하였을 때 특정 구간의 데이터에 대한 학습에서 다른 구간의 데이터가 학습을 저해하여 특정 구간의 정확도가 저하될 수 있다. 이에 따라 전체 예측 정확도를 저하되는 문제가 발생할 수 있다. 이러한 문제점을 해결하기 위해 본 논문에서는 특정 특징의 조건을 만족하는 입력 데이터를 분류하고, 분류된 입력 데이터로 조건별로 학습하는 모델을 다르게 하여 조건부 학습을 한다. 그리고 특징의 조건에 특화된 모델을 이용하여 각 조건에 부합하는 입력 데이터에 대한 결과를 도출하고 하나의 출력 데이터로 병합하는 과정을 거쳐 최종 결과를 도출한다. 이렇게 전체 시스템을 여러 부분으로 나누어 해당 부분에 특화된 모델로 학습하고 결과를 도출함으로써 조건에 대한 부분별 결과 정확도를 향상하고 이에 따라 전체 시스템의 정확도를 향상시킬 수 있다.
마지막으로 본 논문에서 제안한 방법을 이용하여 시계열 데이터 중 유통·물류시설의 전력사용량 데이터를 예측하여 기존의 보편적인 방법을 이용한 예측 정확도와 비교 분석하였다. 우선 유통·물류시설의 전력사용량 예측에 전력사용량과 연관이 있을 것으로 예측되는 모든 특징을 입력 데이터로 하여 전력사용량을 측정한 후 정확도 향상을 위해 전력사용량에 영향을 많이 미치는 특징을 선정한다. 사용되는 입력 데이터의 특징 중 가장 영향을 많이 미치는 특징에 대하여 랜덤 포레스트를 이용하여 분류하고 영향을 많이 미치는 순서로 특징을 정리하였다. 전력사용량에 예측에 영향을 많이 미치는 3개의 특징인 "기온", "습도", "휴점 여부"를 선정하고 선정된 특징을 포함하여 정확도가 높은 특징 조합을 사용하여 전력사용량을 예측한다. 하나의 모델만을 이용하여 결과를 예측하는 기존의 방식을 이용하여 1년간의 일일 전력사용량을 예측하고 제안하는 방법을 이용하여 결과에 가장 많은 영향을 미치는 특징인 "기온"을 기준으로 조건부 학습을 통해 전력사용량을 예측하여 비교한다.