데이터 분석 및 모델링 No. 9
h_t = tanh(W_c · [h_{t-1}, x_t] + b_c)
순환신경망(LSTM) 기반 비선형 순차 패턴 인식
시계열 데이터의 장기 의존성(Long-term dependency)을 파악하는 딥러닝 순환신경망 알고리즘을 적용하여, 최근 10회차의 각 자리수(1~6구)별 이동평균 궤적과 비선형적 모멘텀 상승 텐서를 산출합니다.
LSTM 1~6구 궤적 텐서 도출 조합
각 구(1구~6구)별 순차 텐서 이동평균 추세 최적점
7
13
18
27
34
41
신경망 아키텍처
LSTM RNN
3개 은닉층 + 시계열 텐서
학습 시퀀스 길이
10 회차
순차 위치별 슬라이딩 윈도우
1구 예측점
7번
평균 7.1 기점
6구 예측점
41번
평균 41.4 기점
최근 10회차 1구~6구 위치별 이동평균 및 LSTM 추정치
1구 (Pos 1)
07
10회 평균: 7.1
2구 (Pos 2)
13
10회 평균: 13.4
3구 (Pos 3)
18
10회 평균: 18.3
4구 (Pos 4)
27
10회 평균: 27
5구 (Pos 5)
34
10회 평균: 34.5
6구 (Pos 6)
41
10회 평균: 41.4