기술 격차 예측을 위한 LSTM 기반 시계열 모델의 경험적 비교 분석

유용한 인재 풀과 변화하는 비즈니스 요구 간의 지속적인 기술 불일치는 조직의 생산성과 국가 수준의 경제 경쟁력에 중요한 장애물이 되고 있습니다. 비즈니스 프로세스 실패로 이어질 수 있는 신흥 역량의 격차 위치를 예측하려면 시간이 지남에 따라 수요의 패턴을 효과적으로 추출할 수 있는 도구가 필요합니다. 본 논문에서는 기술, 의료, 금융 및 제조 산업을 위한 96개월 동안의 네 가지 합성 수요 시퀀스에서 Vanilla LSTM, Stacked LSTM, Bidirectional LSTM, CNN-LSTM, Bahdanau Attention을 포함한 LSTM, GRU 및 Transformer라는 7개의 시퀀스 아키텍처 성능에 대한 경험적 조사 결과를 보고합니다. 모든 아키텍처에 대해 동일한 평가 프로토콜을 사용하여, Bahdanau Attention 아키텍처가 모든 네 가지 메트릭에서 최소 예측 오류를 생성함을 보여줍니다: RMSE = 0.0643, MAE = 0.0472, MAPE = 5.09%, R2 = 0.9142. 특히, Bahdanau Attention 아키텍처는 Baseline Vanilla LSTM 아키텍처에 비해 RMSE 오류를 21.9% 개선했습니다. Wilcoxon signed-rank test를 사용하여 아키텍처 간의 쌍별 차이의 통계적 유의성을 검증하였습니다. 또한, 5회 별도의 훈련 실행에서 모든 아키텍처의 표준 편차가 0.001 이하로 유지됨을 보고합니다. 이러한 결과는 차세대 인력 정보 예측 시스템 구축을 위한 근거 기반의 메트릭 중심 추천을 제공합니다.