머신러닝과 딥러닝을 활용한 공군 수리부속 예측 정확도 개선에 관한 연구

• 영문명: A Study on Improving the Accuracy of Air Force Spare Parts Demand Forecasting Using Machine Learning and Deep Learning
• 발행기관: 한국상품학회
• 저자명: 정재훈(Jaehun Jung) 심태수(Taesoo Sim)
• 간행물 정보: 『상품학연구』제43권 제3호, 67~73쪽, 전체 7쪽
• 주제분류: 경제경영 > 경영학
• 파일형태: PDF
• 발행일자: 2025.06.30

국문 초록

첨단 무기체계의 도입에 따른 운영유지비 증가와 수리부속 조달환경의 악화로 인해, 정밀한 수요예측의 중요성이 더욱 강조되고 있다. 본 연구는 공군 수리부속의 수요가 소량이며 발생 간격이 불규칙한 특성으로 인해 예측이 어렵다는 점에 착안하여, 기존 통계기반 예측기법의 한계를 극복하고자 머신러닝 및 딥러닝 기반 예측모형을 적용하였다. 국방물자관리체계로 부터 수집한 약 37만 건의 수요 데이터를 유형별(Regular, Intermittent, Erratic, Lumpy)로 분류한 후, Random Forest, XG-Boost, LightGBM, LSTM, N-Beats 5가지 예측모델을 구축하고 성능을 비교하였다. 분석 결과, XG-Boost 모델이 가장 우수한 정확도(79.13%)를 기록하였으며, 그리드 서치를 통한 매개변수 최적화 결과, 품목 기준 최대 81.28%의 예측 정확도를 달성하였다. 본 연구를 통해 세부 품목별 분류 기준 정립, 최적 모델 적용 및 매개변수 튜닝 효율화 등을 통해 공군 수리부속 수요예측의 정확도를 실질적으로 향상시킬 수 있음을 실증적으로 확인하였으며, 이는 대규모 군수 데이터셋에 대한 정량적 분석과 실용적인 예측모형 적용을 통해 현장 활용 가능성이 높은 모델을 제시하였다는 점에서 기존 연구와 차별성을 지닌다. 본 연구의 결과는 향후 공군 및 국방 군수 시스템 전반의 운영 효율성 제고와 자원관리 혁신에 중요한 토대를 제공할 수 있을 것으로 기대한다.

영문 초록

With the increase in operating and maintenance costs due to the introduction of advanced weapon systems and the deterioration of the procurement environment for spare parts, the importance of precise demand forecasting has become even more pronounced. This study addresses the challenge of forecasting Air Force spare parts demand, which is characterized by low volume and irregular occurrence intervals, by applying machine learning and deep learning-based predictive models to overcome the limitations of traditional statistical methods. Approximately 370,000 demand records were collected from the Defense Logistics Integrated Information System (DELIIS) and classified by demand type (Regular, Intermittent, Erratic, Lumpy). Five predictive models-Random Forest, XG-Boost, LightGBM, LSTM, and N-Beats-were constructed and their performance compared. The analysis showed that the XG-Boost model achieved the highest prediction accuracy (79.13%), and, through grid search-based hyperparameter optimization, a maximum accuracy of 81.28% was attained for certain items. This study empirically demonstrates that establishing detailed item classification criteria, applying optimal models, and efficiently tuning parameters can significantly improve the accuracy of demand forecasting for Air Force spare parts. By presenting a practical, data-driven approach applicable to real-world operations, this research offers a differentiated contribution compared to previous studies, especially in terms of quantitative analysis using large-scale military logistics datasets and the application of practical predictive models. The results of this study are expected to provide a solid foundation for enhancing operational efficiency and innovating resource management across Air Force and national defense logistics systems in the future.

목차

I. 서 론

II. 이론적 배경

III. 연구수행 절차

IV. 실험 및 결과

V. 결 론

참고문헌

키워드

수리부속 수요예측 머신러닝 딥러닝 XG-Boost 예측 정확도 국방 물자관리체계 spare parts demand forecasting machine learning deep learning XG-Boost prediction accuracy DELIIS