예측 기술에 대해
M/M/c 대기행렬 이론과 기계학습을 융합한 차세대 예측 엔진
M/M/c 대기행렬 이론
SmoothQ의 예측 엔진은 수학적으로 증명된 M/M/c 대기행렬 이론을 기반으로 합니다. 도착률(λ), 서비스율(μ), 창구 수(c)의 세 가지 파라미터로 이론적인 대기시간을 산출합니다.
리틀의 법칙
Wq = 평균 대기시간, Lq = 대기행렬의 평균 길이, λ = 도착률
도착률 (시간당 방문객 수)
서비스율 (창구당 처리 능력)
대응 창구 수
AI・기계학습 기술
이론 모델에 더해 최신 기계학습 기술을 활용하여 예측 정확도를 향상시킵니다. 과거 데이터 패턴, 날씨, 이벤트 정보 등 다양한 요인을 고려한 예측을 수행합니다.
시계열 분석
과거 혼잡 데이터에서 요일・시간대별 패턴을 학습하여 미래 혼잡을 예측합니다.
행동심리학 모델
이용자의 행동 패턴을 심리학적 관점에서 분석하여 혼잡 회피 행동을 고려한 예측을 수행합니다.
외부 요인 분석
날씨, 공휴일, 지역 이벤트 등 외부 요인이 혼잡에 미치는 영향을 분석・반영합니다.
앙상블 학습
여러 예측 모델을 조합하여 단일 모델보다 높은 정확도와 안정성을 실현합니다.
데이터 품질 계층
실측 데이터 (Tier 1)
시설에서 직접 취득한 실측 데이터에 기반한 최고 정밀도 예측
과거 데이터 (Tier 2)
과거 측정 데이터에 기반한 예측 모델
추정 모델 (Tier 3)
시설 특성으로부터 추정한 예측값
통계 모델 (Tier 4)
유사 시설의 통계 데이터에 기반한 추정
시스템 아키텍처
고가용성과 저지연을 양립하는 클라우드 네이티브 시스템 설계로 24시간 365일 안정적인 서비스를 제공합니다.
데이터 수집
전국 13만 이상 시설에서 실시간으로 데이터를 수집. API와 스크래핑 등 다양한 방식에 대응.
데이터 처리
수집한 데이터를 정규화・클렌징하여 예측 모델에 적합한 형식으로 변환.
예측 엔진
M/M/c 이론과 AI 모델을 조합하여 고정밀도 대기시간 예측을 생성.
배신
CDN을 통해 전국 사용자에게 저지연으로 예측 결과를 배신.