시계열 데이터를 위한 머신러닝 알고리즘 및 특징 추출 연구

이 논문은 다양한 머신러닝 알고리즘을 사용하고, 시계열에서 서로 다른 알고리즘과 다중 특성 간의 영향을 탐색하는 것을 목표로 합니다. 실제 소비 기록이 연구 객체로서 시계열을 구성합니다. 우리는 소비 지표, 빈도 및 기타 특성을 추출합니다. 또한 지원 벡터 머신(SVM), 장단기 메모리(LSTM) 및 기타 알고리즘을 활용하여 사용자의 소비 행동을 예측합니다. 게다가, 우리는 LSTM과 SVM을 사용하여 다중 특성 융합 및 다중 알고리즘 융합도 구현하였습니다. 결국, 실험 결과는 데이터가 희소할 때 LSTM 알고리즘이 예측에서 유리하다는 것을 보여줍니다. 반대로, 데이터가 더 풍부할 때는 SVM이 유익합니다. 더욱이, LSTM-SVM 융합 모델은 LSTM의 특징 추출 및 SVM의 분류에서 장점을 가지고 있습니다. 대부분의 경우, LSTM-SVM은 예측에서 가장 뛰어납니다.