딥러닝을 활용한 로또 번호 예측 프로그램 (LSTM 기반)

로또 번호 예측은 많은 사람들이 관심을 갖는 주제 중 하나입니다. 본 글에서는 파이토치(Pytorch)를 활용한 딥러닝 모델(LSTM, Long Short-Term Memory)을 사용해 로또 번호를 예측하는 프로그램을 구현하는 방법을 설명해 보려 합니다.(너무 전문적이라, 활용만 하실 분들은 링크를 참고하세요.)

무료 복권 예측 프로그램 : http://lottery645.streamlit.app

주요 라이브러리 및 환경 설정

로또 번호 예측을 위한 프로그램을 작성하기 위해 필요한 라이브러리는 다음과 같습니다.

import numpy as np
import pandas as pd
import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader
from sklearn.preprocessing import MinMaxScaler
import joblib
import os
import ast

이 코드에서는 torch, pandas, numpy와 같은 라이브러리를 사용합니다. 또한 MinMaxScaler를 이용해 데이터의 스케일을 조정하여 모델 성능을 높입니다.

데이터셋 및 전처리

프로그램에서 로또 번호 데이터는 LottoDataset이라는 사용자 정의 데이터셋 클래스를 통해 전처리됩니다. 이 클래스는 __getitem__ 메서드를 통해 지정된 n_steps만큼의 데이터를 가져옵니다. n_steps는 LSTM 모델의 입력 데이터 개수를 의미하며, 마지막 숫자를 타겟으로 삼아 학습합니다.

class LottoDataset(Dataset):
    def __init__(self, data, n_steps):
        self.data = data
        self.n_steps = n_steps

    def __len__(self):
        return max(len(self.data) - self.n_steps, 0)

    def __getitem__(self, idx):
        if idx + self.n_steps >= len(self.data):
            x = self.data[idx:]
            y = self.data[-1]
        else:
            x = self.data[idx:idx+self.n_steps]
            y = self.data[idx+self.n_steps]
        return torch.FloatTensor(x), torch.FloatTensor(y)

모델 설계 (LSTM 기반 RNN 모델)

모델 구조는 LottoRNN이라는 이름의 클래스에 정의되어 있습니다. 여기서는 LSTM 레이어와 Fully Connected 레이어로 구성된 간단한 구조를 사용합니다. LSTM은 시계열 데이터 예측에 탁월한 성능을 발휘하는 순환 신경망(RNN)의 일종입니다.

class LottoRNN(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(LottoRNN, self).__init__()
        self.rnn = nn.LSTM(input_size, hidden_size, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        out, _ = self.rnn(x)
        out = self.fc(out[:, -1, :])
        return out

여기서 input_size는 입력 데이터의 크기, hidden_size는 LSTM의 은닉 상태 크기, output_size는 모델의 출력 크기입니다.

모델 학습 함수

학습 함수는 train_model 함수에서 정의되며, DataLoader를 통해 데이터 배치를 반복적으로 불러와 모델을 학습합니다.

def train_model(data, n_steps=10, epochs=100, batch_size=32):
    scaler = MinMaxScaler(feature_range=(0, 1))
    scaled_data = scaler.fit_transform(data)
    dataset = LottoDataset(scaled_data, n_steps)
    dataloader = DataLoader(dataset, batch_size=batch_size, shuffle=True)
    model = LottoRNN(input_size=6, hidden_size=50, output_size=6)
    criterion = nn.MSELoss()
    optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

    for epoch in range(epochs):
        for batch_x, batch_y in dataloader:
            optimizer.zero_grad()
            outputs = model(batch_x)
            loss = criterion(outputs, batch_y)
            loss.backward()
            optimizer.step()

        if (epoch + 1) % 10 == 0:
            print(f'Epoch [{epoch+1}/{epochs}], Loss: {loss.item():.4f}')

    torch.save(model.state_dict(), MODEL_PATH)
    joblib.dump(scaler, SCALER_PATH)

여기서 MSELoss를 손실 함수로 사용하며, 에포크가 진행될수록 손실이 줄어드는 것을 통해 모델의 성능이 향상되는지 확인할 수 있습니다.

미세 조정 및 예측

학습된 모델은 fine_tune_model과 predict_next_numbers 함수를 통해 새로운 데이터로 미세 조정이 가능합니다. 새로운 로또 데이터가 들어오면 이를 통해 모델을 업데이트하고, 예측 값을 출력할 수 있습니다.

def fine_tune_model(new_data):
    # 모델 및 스케일러 로드, 기존 데이터 로드 및 추가, 모델 재학습
    ...

def predict_next_numbers():
    # 모델 및 스케일러 로드, 마지막 10회 로또 번호 예측
    ...

모델 초기화 및 업데이트

프로그램은 initialize_or_update_model 함수를 통해 새 모델을 학습하거나 기존 모델을 업데이트합니다. 예측을 실행하는 전체 코드 흐름은 다음과 같습니다.

if __name__ == "__main__":
    data = pd.read_csv('lotto_data.csv')
    numbers = np.array([ast.literal_eval(num) for num in data['numbers']])
    initialize_or_update_model(numbers)
    print("Next predicted numbers:", predict_next_numbers())

결론

이 코드를 통해 딥러닝을 사용하여 로또 번호를 예측하는 기본적인 LSTM 모델을 구축할 수 있습니다. 이 모델은 fine_tune_model로 실시간 데이터를 반영하고, predict_next_numbers로 예측 값을 제공합니다. 로또 번호 예측에 있어서 높은 정확도를 보장하기는 어렵지만, 시계열 예측 모델을 활용하는 방식으로 머신러닝에 대한 이해도를 높이는 유익한 프로젝트가 아닐까 생각합니다.

무료 복권 예측 프로그램 : http://lottery645.streamlit.app

최종 업데이트: 2025-05