1. 서론

1.1 우리가 구현하고자 하는 프로그램

(정의, 왜 이런 것을 선택했는지, 기사, 현존기술)

• 무인 편의점이 늘어나고 있다는 뉴스

  • https://m.etnews.com/20210810000023

    

  • https://www.inews24.com/view/1401745

• 인건비 부담으로 인해 무인편의점이 늘어나고 있고 캐셔, 결제 등 자동화가 되고 있는데, 아직까지도 발주는 점주가 직접 하는 경우가 많음
• 점주 시스템에 현재 판매 통계를 표시함과 동시에 판매 예측, 그것에 더해 발주 추천까지 해주는 시스템을 구상해봄

1.2 현존하는 프로그램과의 차별성

• 발주고 - http://balju.co.kr/bj-subpage/solution_feature_new.asp?mode2=1

  

  • 스마트폰으로 발주 확인, 가상계좌 서비스 등 여러가지 편의 기능을 제공하지만 발주 추천을 제공하지는 않음. 발주 자체는 점주가 매출에 대한 분석을 하여 직접 처리해야 함

2. 관련 연구 고찰

• 관련 논문

  • https://www.dbpia.co.kr/pdf/pdfView.do?nodeId=NODE10537504&mark=0&useDate=&ipRange=N&accessgl=Y&language=ko_KR&hasTopBanner=true

    그래디언트 부스팅 모델을 활용한 상점 매출 예측.pdf

• 그레디언트 부스트 - https://bkshin.tistory.com/entry/머신러닝-15-Gradient-Boost

  • 시계열 예측에 대한 설명 블로그 - https://medium.com/daria-blog/machine-learning-for-time-series-forecasting-part-1-6e97661c9773

• 시계열 예측 분석 유튜브 강좌

• https://youtu.be/AuzoQ8eZXEw

• https://youtu.be/7Do_hixXCpc

• 시계열 예측 라이브러리 Facebook Prophet 공식 사이트

• https://facebook.github.io/prophet/

• Facebook Prophet 실습 블로그

• https://zzsza.github.io/data/2019/02/06/prophet/

<위의 내용 정리>

시계열 데이터란 시간의 흐름에 따라 순차적으로 기록된 데이터를 가리킴.

위의 논문에서는 사용 모델로 그레디언트 부스팅 모델 즉, XGBoost 모델을 사용했지만 매출 데이터와 같은 시계열 데이터는 시간,일,월,년 등 일정한 패턴이 있기 때문에 시계열 분석 예측 라이브러리를 사용해야한다고 생각함.

시계열 데이터 분석에는 대표적으로 ARIMA 모델이 사용되는데, 검색을 하다보니 페이스북에서 만든 API인 Facebook Prophet를 발견함. 훨씬 간편하고 높은 정확도를 제공함.

3. 데이터셋 분석 및 머신러닝 모델 설계