수리 시간의 정확한 예측은 자원 할당, 고객 만족도 및 운영 성능에 미치는 영향으로 인해 제품 유지보수 분야에서 중요한 과제입니다. 본 연구는 제품의 과거 데이터를 바탕으로 차량 수리 센터가 수리 시간을 정확하게 분류할 수 있도록 돕는 딥러닝 (Deep Learning) 프레임워크를 개발하는 것을 목표로 합니다. 본 연구는 자동차 수리 및 유지보수 데이터셋을 사용하며, 정형 데이터 (Tabular data)를 위해 설계된 멀티 헤드 어텐션 (Multi-head attention) 네트워크를 채택하여 엔드 투 엔드 (End-to-end) 예측 프레임워크를 구축합니다. 개발된 프레임워크는 임베딩 (Embeddings) 및 어텐션 메커니즘 (Attention mechanisms)을 통해 변환된 범주형 정보와 수치형 과거 데이터를 결합하여, 다양한 데이터 특징으로부터의 통합과 학습을 용이하게 합니다. 대규모 데이터셋에서의 클래스 불균형 (Class imbalance) 문제를 극복하기 위해 가중 손실 함수 (Weighted loss function)를 도입하였습니다. 또한, 변화하는 운영 환경에서 예측 정확도를 유지하기 위해 지속적인 점진적 모델 업데이트를 위한 온라인 학습 (Online learning) 전략을 사용합니다. 실험적 결과에 따르면, 멀티 헤드 어텐션 메커니즘은 피드포워드 신경망 (Feed-forward neural network) 및 랜덤 포레스트 (Random forest) 모델과 비교했을 때 차량 식별자와 수리 유형 간의 의미 있는 상호작용을 추출해내는 것으로 나타났습니다. 또한, 과거 유지보수 데이터와 온라인 학습 전략을 결합함으로써 변화하는 패턴에 대한 실시간 조정이 용이해지고 새로운 데이터에 대한 모델의 예측 성능이 향상되었습니다. 본 모델은 2013년부터 2020년까지의 실제 수리 데이터로 테스트되었으며, 78%의 정확도를 달성하였고, 어텐션 가중치 (Attention weight) 분석을 통해 특징 간의 상호작용을 입증하였습니다.