해석 가능한 전력사용량 예측 모델 연구

• 영문명: A Study on an Interpretable Power Consumption Prediction Model
• 발행기관: 한국스마트미디어학회
• 저자명: 양민호(Min Ho Yang) 최태종(Tae Jong Choi)
• 간행물 정보: 『스마트미디어저널』제14권 제4호, 48~55쪽, 전체 8쪽
• 주제분류: 공학 > 컴퓨터학
• 파일형태: PDF
• 발행일자: 2025.04.30

국문 초록

본 연구는 유전 프로그래밍(Genetic Programming, GP) 기반 기호 회귀(Symbolic Regression, SR)와 신경망 모델(RNN, LSTM, GRU)을 활용하여 전력 사용량 예측의 성능 및 해석 가능성을 비교하고, 해석 가능한 대안적 접근법을 제시하는 것을 목적으로 한다. 기존 신경망 모델은 높은 예측 성능을 보이나 블랙박스 특성으로 인해 변수 간 관계를 명확히 해석하기 어렵다. 반면, GP 기반 SR은 변수 간 관계를 설명하는 명확한 수식을 도출함으로써 모델의 해석 가능성을 크게 향상시킨다. 제조업 공장의 최대 수요 전력 예측 문제를 대상으로 동일한 데이터셋에서 신경망 모델과 SR을 학습한 결과, SR은 신경망 모델보다 우수한 예측 성능과 해석 가능한 수식을 도출하는 특징을 나타냈다. 실험 결과, SR이 예측 성능과 해석 가능성 측면에서 신경망 모델에 비해 유의미한 장점을 가진다는 점을 실증적으로 확인하였다.

영문 초록

This study presents an interpretable alternative approach to power usage prediction by comparing the performance and interpretability of Genetic Programming (GP)-based symbolic regression (SR) and various neural network models (RNN, LSTM, GRU). Although conventional neural network models deliver high prediction accuracy, their black-box nature makes it difficult to clearly interpret the relationships between variables. In contrast, GP-based SR enhances interpretability by generating explicit formulas that describe these relationships. When applied to the maximum demand power prediction problem in a manufacturing plant using the same dataset, SR not only achieved higher prediction performance compared to the neural network models but also provided interpretable formulas. The experimental results empirically confirm that SR offers significant advantages over neural networks in terms of both prediction performance and interpretability.

목차

Ⅰ. 서론

Ⅱ. 이론적 배경

Ⅲ. 실험 방법

Ⅳ. 실험 결과

Ⅴ. 결론

REFERENCES

키워드

유전 프로그래밍 기호 회귀 해석 가능한 인공지능 자원 최적화 신경망 Genetic Programming Symbolic Regression Interpretable AI Resource Optimization Neural Network