동백전 빅데이터를 활용한 딥러닝 기반 신흥 상권 성장 예측 모델 연구 (A Study on Deep Learning-Based Emerging Commercial District Growth Prediction Model with Big Data from Dongbaekjeon)

서지정보

· 발행기관 : 한국지능정보시스템학회
· 수록지 정보 : 지능정보연구 / 30권 / 3호 / 327 ~ 351페이지
· 저자명 : 송위창, 김상진

초록

본 연구는 부산광역시 지역화폐인 동백전 지급결제 시스템의 빅데이터를 활용하여 신흥 상권의 성장성을 예측하는 딥 러닝 기반 모델을 개발하고, 이동평균법을 이용한 데이터 전처리 기법이 모델 성능에 미치는 영향을 검증하는 것을 목표 로 한다. 상권은 업체와 서비스 제공자가 위치를 선택하고 마케팅 전략을 수립하는 데 중요한 요소로 작용한다. 기존 연구 에서 사용된 원형 상권 분석 방법의 한계를 극복하기 위해, 국가 공공 데이터와 연계가 가능하고 회원 가입 시 등록하는 우편번호 기반의 상권 범위 설정 방법을 제안한다. 동백전 지급결제 시스템의 충전형 선불카드 승인 데이터를 우편번호 구역을 기준으로 집계하여 선정된 신흥 상권의, 시계열 데이터를 통해 성장성을 예측하는 데 가장 효율적인 이동평균법 기반 데이터 전처리 방법과 최적의 딥러닝 모델을 제안 한다. 특히, RNN 모델과 RNN 계열 모델인 LSTM과 GRU 모델을 활용하여 전처리된 시계열 데이터를 학습하고 예측한다. 연구 결과, 단순이동평균법으로 전처리한 데이터를 GRU 모델을 사용하여 Random Seed 1에서 127 사이 구간에서 학습한 결과, 예측 성능 지표인 R²의 평균값이 0.89 이고, 평균 성능은 표준편차 0.05에서 0.89로 가장 안정적이고 우수한 결과를 보였다. 본 연구는 SMA(단순 이동평균), TMA(삼각 이동평균), WMA(가중 이동평균), EMA(지수 이동평균) 이동평균법을 기 반으로 한 데이터 전처리가 딥러닝 모델의 예측 성능에 큰 영향을 미친다는 점을 시사한다. 데이터 특성에 맞는 이동평균 법 기반 전처리 기법은 금융시장 및 다양한 산업 분야에서 시계열 데이터 학습 및 예측의 정확성과 효율성을 높이는 데 활용할 수 있다.

영어초록

This study aims to develop a deep learning-based model to predict the growth potential of emerging commercial areas using big data from the Dongbaekjeon Payments system, a local currency of Busan Metropolitan City. It also seeks to verify the impact of data preprocessing techniques based on moving average methods on model performance. Commercial areas play a key role in helping businesses and service providers select locations and formulate marketing strategies. To overcome the limitations of traditional circular commercial area analysis methods used in previous studies, this research proposes a method for defining commercial area boundaries based on postal codes provided during the registration process, which can be linked to national public data. The study aggregates rechargeable prepaid card approval data from the Dongbaekjeon Payments system by postal code area and presents the most efficient moving average-based data preprocessing method along with the optimal deep learning model for predicting the growth of selected emerging commercial areas using time-series data. In particular, the study employs RNN models, including RNN-based models such as LSTM and GRU, to train and predict on preprocessed time-series data. The results indicate that using the GRU model with data preprocessed by the Simple Moving Average method, trained within the Random Seed range of 1 to 127, yielded an average R² value of 0.89, with a standard deviation of 0.05, demonstrating highly stable and superior performance. This study suggests that data preprocessing based on moving average methods, including Simple Moving Average (SMA), Triangular Moving Average (TMA), Weighted Moving Average (WMA), and Exponential Moving Average (EMA), significantly impacts the predictive performance of deep learning models. Tailored moving average-based preprocessing techniques can enhance the accuracy and efficiency of time-series data learning and prediction in financial markets and various industries.

참고자료

· 없음