• The Korean Journal of Applied Statistics
• /
• v.35 no.3
• /
• pp.385-393
• /
• 2022

In this paper, we consider univariate time series models that are well known in the field of forecasting and we study on forecasting performance for their simple combinations. The univariate time series models include exponential smoothing methods and ARIMA (autoregressive integrated moving average) models, their extended models, and non-seasonal and seasonal random walk models, which is frequently used as benchmark models for forecasting. The median and mean are simply used for the combination method, and the data set used for performance evaluation is M3-competition data composed of 3,003 various time series data. As results of evaluating the performance by sMAPE (symmetric mean absolute percentage error) and MASE (mean absolute scaled error), we assure that the simple combinations of the univariate models perform very well in the M3-competition dataset.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2015.05a
• /
• pp.462-462
• /
• 2015

이 논문에서는 시 공간적 토양수분 변화를 파악하기 위해 다년간 축적된 실측 토양수분 데이터를 이용하여 단변량 시계열 분석을 하였다. 지형에 따른 토양수분 변화를 알아보기 위해 경기도 파주에 위치한 설마천 유역의 산지사면 중 한 단면을 선정하였으며, 깊이에 따른 변동성은 깊이 10cm와 30cm에서 측정한 토양수분 데이터를 이용하여 분석하였다. 또한, 연도별 토양수분의 변화를 파악하고 토양수분을 예측하기 위해 2010-2013년의 토양수분 데이터를 일단위로 단변량 모델링을 시도하였다. 그 결과, 연도별 변화에 따른 경향성은 보이지 않았으며 대부분의 지점에서 ARMA(1, 1) 또는 ARMA(1, 0) 모형으로 모의되었다. 2시간 간격의 1-2개월 단기간 토양수분 데이터를 모의한 선행연구와 달리 본 연구에서는 낮은 차수의 모형을 보였다. 지형적 토양수분 거동을 살펴보면 상부사면에 위치하고 있는 지점에서는 모두 ARMA(1, 1)로 표현되지만 하부사면에 위치한 지점들은 연도나 심도에 따라 ARMA(1, 0)으로 모의된다. 단변량 모형의 정확도를 알아보기 위해 R2와 RMSE를 비교하였다. 10cm 깊이에서는 경향성을 보이지 않으나, 30cm 깊이에서는 사면하부로 갈수록 R2는 작아지고 RMSE는 커져, 하부사면에서의 모델링이 상부사면에 비해 정확도가 낮음을 보였다. 또한 2012년 토양수분 자료를 이용하여 2013년 토양수분을 예측하기 위해 2012년 매개변수와 2013년 전일 데이터를 이용하여 예측하고자 하는 일단위 토양수분을 구하였다. 그 결과 $R^2=0.646-0.807$, RMSE=1.758-4.802의 정확도를 나타냈다.

• Water for future
• /
• v.28 no.1
• /
• pp.81-90
• /
• 1995

This study attempts to develop a stochastic system model for extension and prediction of monthly runoff series in river basins where the observed runoff data are insufficient although there are long-term hydrometeorological records. For this purpose, univariate models of a seasonal ARIMA type are derived from the time series analysis of monthly runoff, monthly precipitation and monthly evaporation data with trend and periodicity. Also, a causual model of multiple input-single output relationship that take monthly precipitation and monthly evaporation as input variables-monthly runoff as output variable is built by the cross-correlation analysis of each series. The performance of the univariate model and the multiple input-output model were examined through comparisons between the historical and the generated monthly runoff series. The results reveals that the multiple input-output model leads to the improved accuracy and wide range of applicability when extension and prediction of monthly runoff series is required.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.289-289
• /
• 2023

4차산업 혁명이 도래한 이후로 전세계적으로 AI 기술이 유래 없는 속도로 발달 및 활용되고 있으며, 다양한 분야에서 AI 기법을 도입한 연구가 활발히 진행 중에 있다. 최근 수자원 분야에서는 단기 강우 예측, 댐 유입량 예측 및 하천 수위 예측 등의 분야에서 AI 기술이 접목되어 꾸준한 기술 개발이 이루어지고 있다. 그러나 단변량으로 축척된 자료를 활용하여 중·장기 모형 개발 연구가 다수 진행되고 있지만, 급격한 기후변화 현상과 복잡한 매커니즘을 보이고 있는 기상현상의 경우 단변량 분석으로서는 정확도가 저하 될 수 있는 우려가 있는 것이 현실이다. 이에 본 연구에서는 상기에 제시된 단점을 극복하고자 다양한 기상자료를 검증·예측인자로 활용함과 동시에 Deeplearning 모형과 결합하여 신뢰성 있는 단기 강수 예측이 가능한 모형을 개발하였다. 본 연구에서는 유럽중기예보센터(ECMWF, European Center for Medium-Range Weather Forecasts)에서 제공하고 있는 ERA5 재해석 자료를 활용하였으며, Deeplearning 모형과 결합하여 단기 강우 예측이 가능한 모형을 개발하였다. 1차적으로 격자자료(25km×25km)로 제공되고 있는 ERA5 자료를 상세화(downscaling) 모형에 적용하여 기상청 관측소와 비교·검증하였으며, Deeplearning 모형을 통해 단기 예측이 가능한 모형으로 확장하였다. 이때 Deeplearning의 다양한 모형 중 시계열 분석에 있어 예측 성능이 높은 LSTM 모형을 활용하였으며, 제공되고 있는 대기 변수의 상호관계를 노드간 연결을 통해 결과의 정확도와 신뢰성을 확보하였다. 본 연구 결과는 기관별로 제공하고 있는 예측 수준을 상회하는 결과를 도출하였으며, 홍수기에 집중되는 강우량을 예측하여 대비·대책을 선제적으로 마련할 수 있는 자료로써의 활용성이 높을 것으로 사료된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2009.05a
• /
• pp.1467-1471
• /
• 2009

홍수사상은 크게 첨두홍수량, 홍수용적, 지속기간 등과 같은 서로 상관된 세 가지 요소로 구성되어 있다. 그러나 그동안 홍수의 규모와 크기를 판단하고 예측하기 위하여 수행되어 온 홍수빈도 해석에서는, 서로 상관되어있는 요소들 간의 관계를 고려하지 않은 채 주로 첨두홍수량 하나만을 가지고 단변량 빈도 해석을 수행하였다. 이와 같은 단변량 홍수빈도 해석은 특정 홍수의 특성을 종합적으로 표현하는 데 한계를 가지고 있다. 따라서 본 연구에서는 홍수빈도 해석에 있어 첨두홍수량뿐만 아닌 홍수용적까지도 함께 고려하였다. 소양강댐의 35개년 일유입량 자료를 대상으로 홍수사상을 각각의 강우량 자료와 연계하여 분리한 후 Gumbel 혼합모형을 적용하여 이변량 홍수빈도 해석을 수행함으로써 과거의 극한 홍수사상을 평가 분석하였다. 이변량 빈도해석을 수행하여 홍수사상 요소들 간의 결합분포, 결합 재현기간 등을 추정하였다. 단변량 홍수빈도 해석 결과와 비교함으로써 특정 홍수에 대한 홍수심도를 분석하는 등 극한 홍수사상 평가를 위한 이변량 홍수빈도 해석기법의 적용성에 관하여 검토하였다. 이러한 연구 결과는 기존의 제방 중심 치수사업의 대안으로 제시된 유역종합치수계획에서 선정된 다양한 홍수방어 시설들의 설계 및 운영, 치수효과 평가 등에 유용하게 적용될 수 있을 것이다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2015.05a
• /
• pp.29-29
• /
• 2015

수자원의 지속적인 관리 및 효율적인 활용을 위하여 수문량의 예측과 분석은 필수적인 과정이라 할 수 있으며 이에 따라 다양한 수문 모형이 구축되고 강우, 유량 등 대표적인 수문량의 예측이 수행되어져 왔다. 그 중에서도 수문 시계열 모형은 시간의 흐름에 따라 일정하게 기록되어온 수문 자료를 확률적인 과정을 통하여 모형을 구축하고 이를 바탕으로 미래 수문량을 예측하는 데활용되는 모형으로, 과거에 기록된 수문 패턴이 미래에도 지속된다는 가정 하에 구축된다. 일반적으로 시계열 모형은 하나의 자료계열로 모형을 구축하는 단변량 모형과 원 자료계열 외에 다른 자료계열을 고려하여 모형을 구축하는 다변량 모형이 있으며, 다변량 모형은 원 자료계열에 영향을 미치는 외부변수를 고려함으로써 두 자료계열간의 상관성을 모형에 반영할 수 있는 장점을 가지고 있다. 또한 자료계열의 계절성을 고려하여 시계열 모형을 구축할 경우, 수문 시계열이 가지고 있는 계절적 영향을 잘 반영할 수 있다. 따라서 본 연구에서는 계절성을 고려한 다변량 시계열 모형인 SARIMAX(Seasonal AutoRegressive Integrated Moving Average with eXogenous) 모형을 이용하여 대표적인 수공구조물인 댐의 유입량 예측을 수행하였다. 일반적으로 댐 유입량 예측에는 댐의 유입량과 상관성이 높은 강우가 외부변수로 사용되어져 왔으나, 이 외에도 영향을 미칠 수 있는 지점특성치를 고려하여 모형을 구축한 후 비교하였다.

• KDI Journal of Economic Policy
• /
• v.14 no.1
• /
• pp.121-145
• /
• 1992

This paper examines characteristics of time series data related to the construction investment(stationarity and time series components such as secular trend, cyclical fluctuation, seasonal variation, and random change) and surveys predictibility, fitness, and explicability of independent variables of various models to build a short-term construction investment forecasting model suitable for current economic circumstances. Unit root test, autocorrelation coefficient and spectral density function analysis show that related time series data do not have unit roots, fluctuate cyclically, and are largely explicated by lagged variables. Moreover it is very important for the short-term construction investment forecasting to grasp time lag relation between construction investment series and leading indicators such as building construction permits and value of construction orders received. In chapter 3, we explicate 7 forecasting models; Univariate time series model (ARIMA and multiplicative linear trend model), multivariate time series model using leading indicators (1st order autoregressive model, vector autoregressive model and error correction model) and multivariate time series model using National Accounts data (simple reduced form model disconnected from simultaneous macroeconomic model and VAR model). These models are examined by 4 statistical tools that are average absolute error, root mean square error, adjusted coefficient of determination, and Durbin-Watson statistic. This analysis proves two facts. First, multivariate models are more suitable than univariate models in the point that forecasting error of multivariate models tend to decrease in contrast to the case of latter. Second, VAR model is superior than any other multivariate models; average absolute prediction error and root mean square error of VAR model are quitely low and adjusted coefficient of determination is higher. This conclusion is reasonable when we consider current construction investment has sustained overheating growth more than secular trend.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2007.05a
• /
• pp.1512-1516
• /
• 2007

자신의 현재와 과거의 시계열데이터만을 가지고 시계열 모형을 구축하는 단변량 ARIMA모형 분석법과는 달리, 관심의 대상이 되는 출력시계열과 이와 관련있는 입력시계열의 동태적 특성을 나타내는 전이함수모형(Transfer function model)을 사용하여 소양강댐, 충주댐, 화천댐에 대한 월별 수문자료를 이용하여 유입량을 예측해 보고자 한다. 본 연구의 주요 목적은 다변량 추계학적 시스템의 해석을 위한 모형의 추정과 등정을 위한 과정을 개발하는데 있다. 일반적 추계학적 시스템 모형이 표현되며 그것으로부터 수문학적 시스템의 모형을 매우 적절하게 유도하기 위한 다중 입력-단일 출력 TF, TFN모형을 유도하는데 있다. 이 모형은 수문학적 시스템을 위한 경우에 있어 상관된 입력을 설명할 수 있도록 개발된다. 일반적으로 모형을 만드는 전략이 유도되며 실제유역시스템에 적용하여 검토된다. 한강수계 주요 다목적댐인 소양강댐, 충주댐, 화천댐의 수문자료를 가지고 추계학적 모형(TF, TFN)에 의한 결과와 실제유입량을 비교하여 검토하고자 한다.

• Journal of Korea Port Economic Association
• /
• v.27 no.4
• /
• pp.1-11
• /
• 2011

In much the same way as the US Lehman crisis of 2008-2009 severely impacted the European economy through financial market dislocation, a European banking crisis would materially impact the US economy through a generalized increase in global risk aversion. A deepening of the European crisis could very well derail the US economic recovery and have a harmful impact on the Asian economies. This kind of vicious circle could be a bad news to the shipping companies. The purpose of the study is to predict the Baltic Dry Index representing the shipping business during the period of 2012 using the ARIMA-type models. This include the ARIMA and Intervention-ARIMA models. This article introduces the four ARIMA models and six Intervention-ARIMA models. The monthly data cover the period January 2000 through October 2011. The out-of-sample forecasting performance is also calculated. Forecasting performance is measured by three summary statistics: root mean squared percent error, mean absolute percent error and mean percent error. The root mean squared percent errors, however, are somewhat higher than normally expected. This reveals that it is very difficult to predict the BDI The ARIMA-type models show that the shipping market will be bearish in 2012. These pessimistic ex-ante forecasts are supported by the Hodrick-Prescott filtering technique.

• Journal of Navigation and Port Research
• /
• v.44 no.1
• /
• pp.44-52
• /
• 2020

More accurate forecasting of port cargo in the global long-term recession is critical for the implementation of port policy. In this study, the Busan Port container volume (export cargo and transshipment cargo) was estimated using the Vector Autoregressive (VAR) model and the vector error correction (VEC) model considering the causal relationship between the economic scale (GDP) of Korea, China, and the U.S. as well as ARIMA, a single volume model. The measurement data was the monthly volume of container shipments at the Busan port J anuary 2014-August 2019. According to the analysis, the time series of import and export volume was estimated by VAR because it was relatively stable, and transshipment cargo was non-stationary, but it has cointegration relationship (long-term equilibrium) with economic scale, interest rate, and economic fluctuation, so estimated by the VEC model. The estimation results show that ARIMA is superior in the stationary time-series data (local cargo) and transshipment cargo with a trend are more predictable in estimating by the multivariate model, the VEC model. Import-export cargo, in particular, is closely related to the size of our country's economy, and transshipment cargo is closely related to the size of the Chinese and American economies. It also suggests a strategy to increase transshipment cargo as the size of China's economy appears to be closer than that of the U.S.