Journal Archive

2016년 1월부터 2024년 7월까지 매월 확인된 원재료 가격 및 스크랩 가격 데이터를 이용하여 분석을 진행하였고 알고리즘을 사용하기 전에 모델의 효과적인 학습과 예측 성능 향상을 위하 데이터 전처리 과정을 체계적으로 수행하였다. 데이터는 원가등록일을 기준으로 현재 단가에 대하여 시간에 따른 변화를 추적할 수 있고 스크랩단가와 관세정보도 포함하고 있다.

승용차용 엔진 부품의 원가예측에 초점을 맞추고자 대상 재질을 알루미늄 합금으로 결정하고 연구를 진행하였다. 해당 재질은 엔진 블록, 실린더헤드 및 피스톤 등 주요 엔진 부품에 광범위하게 사용되고 있고, 가격 변동의 영향 요인이 비교적 단순하며, 최근 경량화 및 차량 전동화 추세로 사용양이 꾸준히 증가하고 있다. 알루미늄 합금도 재질 명 기준 40여가지의 종류로 구성되어 있어 우선 A6061과 AC4CH재질을 이용하여 최적의 알고리즘을 찾고 나머지 알루미늄 합금재질을 이용해서 모델의 성능을 재확인하는 방법을 이용하여 연구를 진행하였다.

A6061은 자동차용 엔진과 변속기 제작에 광범위하게 사용되는 대표적인 알루미늄 범용재로서 표준화된 특성을 가지고 있어 가격 형성이 비교적 단순하고 예측 모델 개발의 기준점으로 적합할 것으로 판단되었다. 반면 AC4CH는 엔진 실린더 헤드 제작에 특화된 알루미늄 주조용 합금으로 복잡한 가격 결정 메커니즘을 가지고 있다. 두 재질 모두 연속적인 가격 데이터, 스크랩 단가 및 관세 등 관련 변수들의 데이터가 충분히 확보되어 있어 시계열 분석에 적합할 것으로 판단하였다.

본 연구에서는 알고리즘 적용에 앞서 체계적인 데이터 전처리와 특성 생성 과정을 수행하였다. 우선 원재료 가격 데이터에서 공휴일이나 거래 중단으로 인한 결측치는 선형 보간 법을 적용하여 처리하였으며 가격 변동의 추세와 변동성을 포착하기 위해 다양한 시계열 특성들을 생성하였다. 단기, 중기, 장기 추세를 포착하기 위해 3개월간의 이동평균을 계산하였고 가격 변동성 특성을 반영하기 위해 이동 표준편차를 산출하였다. 또한 주기적 패턴을 포착하기 위해 월별, 분기별 더미 변수를 생성하였으며 전월 대비 가격 변화율도 계산하여 반영하였다.

외부 변수인 스크랩 단가와 관세 데이터는 원재료 가격 대비 스크랩 가격의 비율 및 원재료 가격과 스크랩 가격의 절대적 차이를 계산하였다. 또한 스크랩 가격과 관세율의 곱 및 스크랩 가격 변동과 관세율 변동의 교차 항 등 상호작용 특성도 생성하였다. Prophet 모델의 예측력 향상을 위해서는 추가적인 리그레서를 구성하였다. 스크랩 가격의 이동평균, 관세 변화 추세 및 환율 변동을 추가 리그레서로 활용하였다.

예측 모델링은 다음의 세 단계로 진행하였는데, 첫 번째 단계에서는 XGBoost, LightGBM, CatBoost 세 가지 머신러닝 알고리즘을 적용하여 기준 성능을 측정하였다. 이 과정에서 특성 엔지니어링을 이용한 시계열 특성을 반영하기 위해 추가의 특성을 생성하였으며 두 번째 단계에서는 시계열 특성을 더 잘 반영하기 위해 LSTM모델을 적용하였다. 2층 구조 및 드롭 아웃 레이어를 포함하도록 설계하였으며, 시퀀스 길이는 6개월로 설정하였다. 마지막 단계에서는 Facebook Prophet 모델을 도입하여 시계열 예측의 정확도를 향상시켰다.

모델 평가는 RMSE, MAE 및 R²값을 기준으로 수행하였으며, 시계열 교차검증을 통해 모델의 안정성을 검증하였다. 또한 각 모델에서 도출된 특성 중요도를 분석하여 가격 결정에 영향을 미치는 주요 요인들을 식별하였다.

모델의 평가와 검증을 위해 전체 데이터셋을 학습용(60 %), 검증용(20 %) 및 시험용(20 %) 데이터로 분할하였다. 학습용 데이터는 모델 학습에 사용되었고 검증용 데이터는 하이어 파라미터 튜닝과 모델 선택에 활용되었으며 시험용 데이터는 최종 모델의 성능 평가에 사용되었다. 또한 시계열 데이터의 특성을 고려하여 시간 기반 교차검증을 실시하였다. 이는 미래 시점의 데이터가 과거 시점의 예측에 사용되는 것을 방지하기 위함이다. 구체적으로, 12개월의 윈도우를 설정하고 3개월씩 전진하는 방식으로 5번의 교차검증을 수행하였다. 모든 분석은 Python 환경에서 수행되었으며, 각 모델의 구현에는 XGBoost, LightGBM, CatBoost 및 Prophet 등의 라이브러리를 활용하였다.

전통적인 가격예측 방법인 SARIMA모델을 적용한 결과A6061과 AC4CH두 재질 모두에서 월별 데이터임에도 뚜렷한 계절성 패턴은 관찰되지 않았다.

모델 확인 결과, 두 재질 모두 Ljung-Box 검정에서 p-value가 0.05보다 큰 것으로 나타나 잔차의 독립성은 확인¹¹⁾되었으나 이분산성 검정에서 Prob(H)가 0.00으로 나타나 오차의 분산이 시간에 따라 일정하지 않음이 확인¹²⁾되었으며, Jarque-Bera 검정¹³⁾결과 정규성 가정도 위배되는 것으로 나타났다. 이는 원자재 가격의 급격한 변동과 외부 요인에 의한 영향이 반영된 것으로 판단된다.

Fig. 2는 두 재질의 가격예측 결과로서 A6061의 경우 월평균 약 55원의 꾸준한 상승세를 통해 향 후 6개월 동안 약 330원의 원가가 상승할 것으로 예상된다. AC4CH의 경우는 더 가파른 상승세를 보여 약 511원의 상승이 예측되었으며, 이는 월평균 약 85원의 상승률에 해당한다. 두 재질의 예측 결과를 비교해보면 AC4CH가 A6061에 비해 더 큰 폭의 가격 상승이 예상되며 변동성도 더 크게 나타났다. 이는 AC4CH가 보다 고급 사양의 엔진 부품에 사용되는 특수 합금이라는 특성을 고려할 때 적절한 결과라고 판단된다.

Fig. 2 
Predicted price of A6061 and AC4CH by SARIMA

XGBoost, LightGBM 및 CatBoost 알고리즘을 적용한 알루미늄 원재료 가격 예측 결과 재질별로 상이한 예측 성능이 관찰되었다.

Table 1은 각 머신러닝 모델의 예측성능을 나타낸 것으로 A6061 재질의 경우 CatBoost가 가장 높은 성능을 보였고 AC4CH재질은 XGBoost가 상대적으로 높은 예측 성능을 보였으며 이어서 CatBoost 및 LightGBM순으로 나타났으나 전체적으로 모두 기대에 미치지 못하는 예측 성능 결과를 보였다. 추가로, 데이터 전처리 강화 및 특성 엔지니어링 개선을 통해 모델의 성능 향상을 시도하였지만 모델의 전반적인 성능 개선에는 큰 영향을 미치지 못했다. 이는 원자재 가격이 단순한 시계열 패턴이나 특성간 상호작용보다 더 복잡한 요인들에 의해 결정될 수 있음을 반증하는 것으로 판단된다.

시계열 특성을 활용한 LSTM과 Prophet 모델을 알루미늄 원재료 가격 예측에 적용한 결과, 두 모델 간의 뚜렷한 성능 차이가 관찰되었다. Table 2는 시계열 기반 모델의 예측성능을 나타낸 것으로 Prophet 모델은 A6061과 AC4CH 두 재질 모두에서 매우 높은 예측 정확도를 보였으며, XGBoost 모델과 비교하여 현저히 개선된 결과를 나타내었다. 반면 LSTM 모델은 상대적으로 저조한 성능을 보였다. 이러한 성능 차이는 데이터의 특성과 모델의 구조적 차이에서 기인한 것으로 분석된다.

특히, A6061재질은 낮은 R²값을 보이고, AC4CH재질의 경우 음수의 R²값을 나타내는 것을 보면 모델이 제대로 학습되지 않았음 예상할 수 있다. 실제 모델은 2개의 LSTM 층과 드롭 아웃 층으로 구성된 복잡한 구조를 가지고 있다. 그리고, 6개월의 시퀀스 길이를 사용하여 입력 데이터를 구성했으며, 이는 가용 데이터의 수를 더욱 감소시키는 결과를 가져오며, 전체 데이터의 80 %를 훈련 데이터로 사용했을 때 실제 학습에 사용된 시퀀스의 수가 모델의 파라미터 수에 비해 매우 제한적이었을 것으로 추정된다.

반면에 Prophet은 추세, 계절성, 휴일 효과를 명시적으로 모델링하는 분해 접근 방식을 사용한다. 실제 코드에서 연간계절성을 활성화하고 SCRAP단가와 관세를 추가 리그레서로 사용하여 모델의 예측력을 향상시켰고 이러한 구조는 제한된 데이터에서도 안정적인 학습이 가능하게 한다. 이러한 결과는 시계열 예측 시 데이터의 특성과 크기를 고려하여 적절한 모델을 선택하는 것이 중요함을 나타낸다.

Prophet 모델이 다른 모델들과 비교하여 현저히 높은 R²값을 보인 것과 관련하여 과 적합 가능성을 다각도로 검토하였다. 시간 기반 교차검증을 위해 전체 데이터 기간을 12개월 단위로 분할하고 3개월씩 전진하면서 5회의 교차검증을 수행한 결과, 학습 데이터셋(R² = 0.985)과 시험 데이터셋(R² = 0.977)에서 유사한 수준의 성능을 보였다. 예측 구간의 신뢰성을 검증하기 위해 실제 관측값이 95 % 예측 구간 내에 포함되는 비율을 분석한 결과 A6061의 경우 93.2 %, AC4CH의 경우 91.8 %로 나타났다. 이는 이론적 기대치인 95 %에 근접한 수준으로, 모델이 예측의 불확실성을 적절히 추정하고 있음을 보여준다.

또한, 예측 구간의 평균 폭이 A6061은 ±248원, AC4CH는 ±312원 수준을 유지하며 극단적인 확장이나 수축 없이 안정적인 범위를 보였다. 이러한 결과는 모델이 합리적인 수준의 불확실성을 반영하고 있음을 나타낸다. 이는 Prophet 모델의 높은 성능이 과적합이 아닌 시계열 데이터의 특성을 효과적으로 포착한 결과임을 뒷받침하고 추세, 계절성 및 휴일 효과를 명시적으로 분해하여 모델링하는 접근 방식은 알루미늄 원재료 가격의 복잡한 변동 패턴을 설명하는데 적합했던 것으로 분석된다.

Fig. 3은 Prophet 모델을 활용하여 2025년 7월까지의 A6061과 AC4CH 두 재질의 가격 변동을 예측한 결과, 두 재질 모두 완만한 상승세를 보일 것으로 분석되었다. 예측 모델은 SCRAP단가와 관세를 외부 변수로 활용하여 신뢰구간 95 %의 예측 값을 도출하였다.

Fig. 3 
Price forecasting results for A6061 and AC4CH aluminum materials using the Prophet model

A6061재질의 경우 상승 추세가 선형적인 양상을 보이며 예측 구간의 폭이 상대적으로 좁게 나타나는 것으로 미루어 보면 예측의 불확실성이 비교적 낮은 것으로 판단된다. 반면에 AC4CH재질의 경우 A6061과 비교하여 예측 구간의 폭이 더 넓게 나타났으며 가격 변동성이 더 클 것으로 분석되었다.

자동차 부품 원재료 가격은 글로벌 공급망 불안정성 및 환율 변동 등의 외부 요인에 영향을 받고 있다. 이러한 환경에서 두 모델의 실제 예측 성능을 검증하기 위해 2024년 8월부터 2025년 1월까지 6개월간의 실제 원재료 가격과 예측 값을 비교 분석하였다.

Fig. 4는 예측 값과 실제 가격의 비교 결과를 나타낸 것으로 A6061 재질의 경우 SARIMA와 Prophet 모두 전반적으로 양호한 예측 성능을 보였다. 특히 2024년 8월의 경우 Prophet의 예측 값이 실제 가격에 근접했으며 12월과 2025년 1월의 예측에서도 Prophet이 실제 가격 변동을 더 정확하게 포착했다. 주목할 만한 점은 두 모델 모두 10월경 실제 가격이 급격히 하락한 변동을 예측하지 못했다는 것이다. 이는 예측하기 어려운 외부 요인의 영향으로 판단되지만 추가의 검토가 필요할 것으로 판단된다.

Fig. 4 
Comparison of predicted prices and real material prices

그러나, 전반적으로 Prophet이 SARIMA보다 더 안정적인 예측 패턴을 보여주었다. AC4CH 재질에서는 두 모델 모두 예측의 정확도에서 한계를 보였다. SARIMA 모델은 지속적인 상승세를 예측하여 큰 폭의 예측 오차를 나타내었는데 이는 AC4CH가 엔진 실린더 헤드용 주조합금으로서 더 복잡한 가격 결정 메커니즘을 가지고 있기 때문으로 분석된다. Prophet 모델은 반대로 전반적으로 실제 가격보다 낮게 예측하는 경향을 보였으나, 가격변동의 폭을 고려할 때 상대적으로 더 안정적인 예측을 제공했다.

두 재질에 대한 예측 결과를 종합적으로 분석해보면 Prophet 모델이 예측의 안정성 측면에서 우수한 성능을 보여주었다. A6061 재질에서 Prophet의 평균 절대 오차는 약 73원으로, SARIMA의 약 104원보다 더 낮은 수준을 기록했다.

본 연구에서 개발한 예측 모델의 검증을 위하여 알루미늄 재질 중 A6063, A6082M 및 A7H01을 선택하여 동일한 알고리즘으로 예측성능을 확인하였다. 추가로 선택한 재질은 산업의 활용도를 우선 고려하였는데, A6063은 압출성이 우수하고 표면 마감 성능이 좋아 자동차의 프레임이나 트림에 널리 사용되는 범용 알루미늄 합금이고 A6082M은 높은 강도와 우수한 성형성을 갖아 새시, 서스펜션 암 및 엔진 마운트 브라켓에 많이 사용된다. A7H01은 7000계열 알루미늄 합금으로서 고강도가 요구되는 구조용 부품에 사용되며, 다른 두 재질과는 다른 합금 계열이라는 점에서 모델의 범용성을 검증하기에 적합할 것으로 판단되었다.

Table 3은 추가 검증과정에서 확인된 모델의 예측 성능을 나타낸 결과로 LSTM과 Prophet 두 모델 간의 성능차이가 원래 연구 대상이었던 A6061 및 AC4CH와 유사한 패턴을 보이는 것으로 나타났다. LSTM 모델의 경우 세 재질 모두에서 낮은 예측 성능을 보였으나 Prophet 모델은 모든 재질에서 매우 우수한 예측 성능을 보여주었다.

모든 재질에서 R² 값이 0.95 이상을 기록한 것은 Prophet모델이 재질의 특성과 관계없이 안정적인 예측이 가능함을 나타낸다. 재질별로는 A7H01이 가장 높은 예측 정확도를 보였으며, A6082M이 상대적으로 낮은 정확도를 나타냈지만 성능 차이가 크지 않아 모델의 안정성을 확인할 수 있었다.