Journal of the Korea Society of Computer and Information (한국컴퓨터정보학회논문지)

Korean Society of Computer Information (한국컴퓨터정보학회)
권호 표지
DOI QR코드

DOI QR Code

A Modeling Methodology for Analysis of Dynamic Systems Using Heuristic Search and Design of Interface for CRM

휴리스틱 탐색을 통한 동적시스템 분석을 위한 모델링 방법과 CRM 위한 인터페이스 설계

  • 전진호 (단국대학교 일반대학원 컴퓨터과학) ;
  • 이계성 (단국대학교 컴퓨터과학)
  • Published : 2009.04.30
Download PDF
⟨ Previous Next ⟩

Abstract

Most real world systems contain a series of dynamic and complex phenomena. One of common methods to understand these systems is to build a model and analyze the behavior of them. A two-step methodology comprised of clustering and then model creation is proposed for the analysis on time series data. An interface is designed for CRM(Customer Relationship Management) that provides user with 1:1 customized information using system modeling. It was confirmed from experiments that better clustering would be derived from model based approach than similarity based one. Clustering is followed by model creation over the clustered groups, by which future direction of time series data movement could be predicted. The effectiveness of the method was validated by checking how similarly predicted values from the models move together with real data such as stock prices.

실세계의 많은 시스템들은 동적이며 복잡한 현상으로 이뤄져 있다. 이러한 특징의 시스템을 이해하는 방법의 하나로 시스템에 대한 모델을 세우고 분석하는 방법이 있다. 본 연구에서는 동적시스템에서 발생되는 시계열데이터들의 분석을 위한 방법론을 제시한다. 시스템 모델링을 통해 사용자들에게 1:1의 맞춤정보를 제공하기 위한 CRM(고객관계관리) 인터페이스를 제안한다. 실험에서 실제의 시계열데이터를 통하여 군집화 하는 과정에서는 유사기반의 방식보다 모델기반 방식이 더 나은 군집화 결과를 산출하였고 각 군집의 모델을 생성한 후 모델을 통하여 일정기간 시계열 데이터를 생산하여 이를 실제 곡선의 운동양태와 비교 분석하였다. 주가와 같은 실제 시계열데이터에 제안된 방법을 적용하여 모델로 생산된 데이터가 실제의 데이터와 비교하여 얼마나 근사한지를 확인하여 제안된 방법의 유효성을 검증하였다.

Keywords

References

  1. J. Alon, S. Sclaroff, and G. Kollios, "Discovering cluster in motion time-series data," Proceedings of Computer Vision and Pattern Recognition, 2003.
  2. F. Porrkli, "Clustering variable length sequences by eigenvector decomposition using hmm," Intermational workshop on statistical pattern recognition(SPR 2004), 2004.
  3. T. Okuda, E. Tanara and T. Kasai, "A method for the correction of garbled words based on the levenshtein metric," IEEE Transaction on Computers C25, 2, pp. 172-177, 1976(2).
  4. A. K. Jain and D. C. Dube., "Algorithms for clustering data," Prentice Hall, 1988.
  5. J. Lin, E. Keogh, P. & S. Lonardi., "Finding motifs in time series," In the 2nd Workshop on Temporal Data Mining, at the 8th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, Canada, 2002.
  6. L. Rabiner., "A tutorial on Hidden Markov Models and selected applications in speech recognition," Proc. of IEEE 77, pp. 257-286, 1989.
  7. 전진호, 조영희, 이계성., "Temporal 데이터의 최적의 클러스터 수 결정에 관한 연구," 한국콘텐츠학회논문지 제6권 제1호, 23-30쪽, 2006년 1월.
  8. T. Kosaka., S. Masunaga and M. Kuraoka., "Speaker-independent phone modeling based on speaker-dependent hmm's composition and clustering," In Proceeding of the Twentieth International Conference on Acoustics, Speech, and Signal Processing, pp. 441-444, 1995.
  9. L. R. Rabiner., C. H. Lee., B. H. Juang and J. C. Wilpon., "Hmm clustering for connected word recognition," In Proceedings of the Fourteenth International Conference on Acoustics, Speech, and Signal Processing, pp. 405-408, 1989.
  10. E. Dermatas and G. Kokkinakis., "Algorithm for clustering continuous density hmm by recognition error," IEEE Transactions on Speech and Audio Processing 4, pp. 231-234, 1996. https://doi.org/10.1109/89.496219
  11. D. Heckerman, D. Geiger, and D. M. Chickering, "A tutorial on learning with Bayesian Network," Machine Learning, Vol. 20, pp. 197-243, 1995.