License

This project is licensed under the GPLv3 License - see the LICENSE file for details.

성림학사 세탁기 사용량 예측 AI

1. 서론

현재 성림학사 내 세탁 시설은 IoT 기능이 전무한 구형 장비로 작동되고 있다. 이로 인해 거주 학생들은 세탁기가 비어 있는지 확인하기 위하여 세탁실로 직접 가 확인해야 하는 불편함을 겪고 있다. 이를 해결하기 위하여 성림학사의 결제 정보 데이터를 시간대별 세탁기 사용량 데이터로 전처리하고, 이를 학습시켜 특정 시간대에 세탁기 사용량이 얼마일지 예측하는 AI를 만들고자 한다.

2. 설계 과정

최근 1달간 결제 정보 데이터를 성림학사의 결제금액 당 사용 시간에 따라 5분 간격 당 세탁기 사용량 데이터로 전처리하는 과정을 거쳤다. 또한 전처리한 데이터를 인공신경망에 집어넣어 학습시키는 과정을 반복하였다.

3. 사용 언어 & 라이브러리

Python, Tensorflow + Keras, Pandas, Numpy

4. 상세 과정

** 초기 데이터 형식

1. 기본 설정

계산 과정의 편의성을 위해 시간과 관련된 항목의 값들은 전부 'datetime' 객체로 변환

초기 데이터 : df_before

결제시간-종료시간 데이터 : df

5분 간격 시간-세탁기 사용량 데이터(최종 데이터) : time

2. 데이터 전처리

(1) '매출일' 항목의 값들을 변환 (ex) 2025-04-02-00:00 -> 2025-04-02 00:00)

(2) '결제시간' 항목을 기반으로 추가 결제금액('이용액' 항목의 값) 100원당 10분이 추가됨을 이용해 '종료시간' 항목, 항목 안 값들 생성. 생성한 값 통해 df 생성.

(3) 5분 간격마다의 시간이 마지막 종료 시간보다 작거나 같을 때까지 5분 간격의 시간대 추가. (time의 첫번째 항목 채우는 과정)

(4) 시간대가 특정 인덱스의 결제시간과 종료시간 사이에 있다면 그 인덱스에 포함되는 세탁기 사용량 1 증가. .(time의 두번째 항목 채우는 과정)

3. AI 제작

(1) 전처리한 데이터 불러오고 세탁기 수를 one-hot incoding 형태로 변환, 인공신경망은 datetime 객체를 인식하지 못하므로 시간, 분, 요일, 월 단위로 '결제시간' 항목의 data들을 쪼개고 각각의 값에 sin, cos함수를 넣은 값들을 열에 추가(따라서 4*2 = 8개의 열(feature) 추가).

(2) 전처리 데이터를 X와 y로 변환(X : 입력 데이터, y : 정답 데이터)

(3) Input layer : 8 node, hidden layer : 4 layer, 64 node, output layer : 14 node(세탁기 수가 14대)인 인공신경망을 학습.

4. 사용 근거

(1) Datetime 객체 값 변환할 때 sin, cos함수 사용한 이유

  : 날짜는 주기성을 갖고 있으며, 그냥 일, 월 등을 숫자로 변환해 집어넣으면 주기성은 무시한 채 잘못 해석할 위험(ex : 12월 다음은 1월이여서 가깝지만 단순히 숫자 자체로는 머므로 가까운 관계가 아니라 생각함)이 존재하므로 연속성과 주기성을 인공신경망에 강조하기 위하여 사용하였다.

(2) 회귀 아닌 분류 사용한 이유

  : 세탁기 사용 수를 정확한 정수 단위로 예측해야 했기 때문이다.

(3) Hidden layer 활성화함수로 LeakyReLU(alpha=0.01) 사용한 근거

  : sigmoid나 tanh를 activate function으로 사용하면 gradient vanishing의 위험이 있다. 또한 위험을 없애기 위해 ReLU를 사용하면 노드들이 죽는 문제가 말생하므로 입력값이 0 이하일 때 y=0이 아닌 y=ax(여기서 a는 매우 작은 값, 보통 0.01)을 사용함으로 노드가 죽는 문제를 예방한 LeakyReLU를 차용하였다.

(4) 가중치 초기화 사용한 이유, He 초기화를 사용한 이유

  : 가중치 초기화로 가중치 대칭성 꺠기, 기울기 소실/폭주 방지, 분산 유지의 장점이 있기 때문이다. 활성화함수로 LeakyReLU를 사용했기 때문이다

5. 출력 결과

6. 한계점 및 개선방안

1. 제대로 학습되지 않았다.

-> 데이터 자체에는 문제가 없었고, 단지 1)번에서도 말할 하이퍼파라미터 조정 문제 때문에 제대로 학습이 진행되지 않았던 것 같다.

2. 충분한 학습으로 하이퍼파라미터를 제대로 설정하지 못했다.

-> 시간을 들여 grid search와 같은 방식을 사용한다.

3. 데이터의 표본이 최근 1달로 한정되어 일반성이 떨어진다.

-> 사감 선생님에게 요청해 데이터를 일일히 사진으로 찍어가 직접 작업하는 방식 등등을 사용한다.

4. Input data의 feature 수가 너무 적다.

-> 날씨 정보 등을 data에 추가한다.

7. 결론

너무나도 좋은 data를 제공받아 활용할 수 있었지만 시간의 부족으로 완성도 있는 AI를 만들지 못했던 것 같아 아쉬웠다. 특히 가장 중요한 학습이 제대로 이루어지지 않는 부분을 제대로 개선하지 못한 것이 너무나도 아쉬웠다. 그렇지만 AI를 만들면서 고민하고 학습했던 과정 속에 얻어간 내용들이 많았던 것 같다.