Predicting Vitamin Demand Using Deep Learning

비타민 시장은 코로나19 이후로 급격히 성장했으며, 특히 고함량 비타민에 대한 수요 증가로 다양한 신제품이 출시되었다. 그러나 기존 연구에서는 딥러닝을 활용한 수요예측에 대한 연구가 부족한 상황이다. 본 연구는 고함량 비타민의 수요를 예측하기 위해 자기회귀 누적 이동평균(SARIMA) 모델과 순환 신경망(RNN), 장기 메모리 네트워크(LSTM), 게이트 순환 유닛(GRU)과 같은 딥러닝 모델을 활용하였다. 판매 데이터를 기반으로 SARIMA 모델과 딥러닝 기반 모델(RNN, LSTM, GRU)의 성능을 비교·분석하여 시계열 예측의 효과성을 평가했다. SARIMA 모델은 계절성과 비계절성을 효과적으로 반영하여 안정적인 수요예측 결과를 제공했지만, 오차 항의 정규분포를 가정하고 변동성을 반영하는 데 한계를 보였다. 반면, 딥러닝 모델은 비선형적 특성과 변동성을 보다 유연하게 처리했으며, 특히 RNN과 GRU는 비타민 시장에서의 판매 변동성을 효과적으로 예측하였다. 연구 결과, 딥러닝 모델은 SARIMA 모델 대비 예측 정확도가 우수하며, 복잡한 시장 환경에서도 신뢰할 수 있는 결과를 도출할 수 있음을 확인하였다. 특히, LSTM은 시계열 데이터의 장기 의존성을 처리하는데 효과적임을 보여주었으며, GRU는 효율성과 성능의 균형 면에서 우수한 결과를 나타냈다. 이 결과는 비타민 업계에서의 사업 계획, 신제품 개발, 재고 관리와 같은 전략적 의사결정을 지원하는 데 활용될 수 있다. 또한, 본 연구는 딥러닝 모델이 전통적인 시계열 모델의 한계를 보완할 수 있음을 실증적으로 입증하며, 다양한 산업군에서의 수요예측 및 비즈니스 데이터 분석에 중요한 기여를 할 수 있다.