인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
건물 에너지 소비 예측은 에너지 관리 및 최적화에 필수적이지만, 기존 연구들은 전체 시간대에 단일 모델을 적용하여 시간대별 상이한 소비 패턴과 예측 난이도를 충분히 반영하지 못한다. 본 연구는 시간대별 예측 난이도를 정량화하는 새로운 지표인 Prediction Difficulty Index(PDI)를 개발하고, 차별화된 모델링 전략의 필요성과 효과를 실증적으로 입증하였다. 분석 결과, 변동성과 예측 오차를 통합한 PDI를 통해 전환기(Transition) 시간대의 예측 난이도가 비첨두(Off-peak) 시간대 대비 4.36배 높음을 정량화하였다. 통계적 검정 결과, 시간대 간 차이는 매우 유의미하였으며 (ANOVA: F=26.35, p<0.000001; Cohen's d=1.95), SHAP 분석을 통해 시간대별로 서로 다른 특성이 예측에 중요한 역할을 함을 확인하였다. 시간대별 전용 모델을 개발하고 LOOCV으로 평가한 결과, Baseline LightGBM 모델 대비 MAPE 30.58% 개선을 달성하였다. 본 연구는 94개의 샘플로 구성된 소규모 데이터 환경이라는 제약 조건 하에서 수행되었으나, 이를 통해 제안하는 방법론의 타당성을 검증하는 개념 실증연구로서의 가치를 지니며 소규모 데이터에서도 Linear(Ridge) Regression이 시간대 특성에 맞춰지면 복잡한 단일 모델을 능가할 수 있음을 보여준다.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
UCI(KEPA) : I410-151-26-02-096643608
