DEEP LEARNING-BASED BITCOIN BLOCK DATA PREDICTION SYSTEM TAKING INTO ACCOUNT TIME SERIES DISTRIBUTION CHARACTERISTICS

Disclosed are a deep learning-based Bitcoin block data prediction system and method that take into account time series distribution characteristics. The deep learning-based Bitcoin block data prediction system that takes into account time series distribution characteristics according to the present invention comprises: a data collection module for collecting a plurality of class data including block data, social media data, and price data; a pre-processing module which performs pre-processing for unifying the data formats of the plurality of collected class data as time series data, and clusters the time series data into time series data sets according to the distribution characteristics of the respective time series data for the plurality of pre-processed class data; a learning module which is trained on the plurality of clustered time series data sets through a deep learning-based model, and generates a plurality of prediction models according to the plurality of time series data sets; and a prediction module which evaluates the plurality of learned prediction models, and which, when new data is input, selects a prediction model with which to perform prediction from among the plurality of prediction models. L'invention concerne un système et un procédé de prédiction de données de bloc de Bitcoin basé sur un apprentissage profond qui prennent en compte des caractéristiques de distribution en série chronologique. Le système de prédiction de données de bloc de Bitcoin basé sur l'apprentissage profond qui prend en compte les caractéristiques de distribution en série chronologique selon la présente invention comprend : un module de collecte de données pour collecter une pluralité de données de classe comprenant des données de bloc, des données de média social et des données de prix ; un module de prétraitement qui effectue un prétraitement pour unifier les formats de données de la pluralité de données de classe collectées en tant que données de série chronologique, et regroupe les données de série chronologique en ensembles de données de série chronologique en fonction des caractéristiques de distribution des données de série chronologique respectives pour la pluralité de données de classe pré-traitées ; un module d'apprentissage qui est entraîné sur la pluralité d'ensembles de données de série chronologique regroupés par l'intermédiaire d'un modèle basé sur un apprentissage profond, et génère une pluralité de modèles de prédiction en fonction de la pluralité