• 디지털융복합연구
• /
• 제10권9호
• /
• pp.357-362
• /
• 2012

본 논문에서는 분산이 각각 다른 이분산성을 갖는 비선형 시계열 자료를 가지고, 비선형 시계열 모형중 1차 일반화 확률계수 자기회귀모형(GRCA(1))과 자료의 형태에 상관없이 적용할 수 있는 신경망 모형을 이용하여 예측을 해서 어느 모형이 최소 평균예측오차제곱의 기준에서 비선형 시계열 자료의 예측에 적합한지를 비교 분석 하는 것이다. 조건부 이분산 모형에 따르는 자료로 확인된 종합주가지수 변동율에 대한 사례 분석 결과를 보면 신경망 모형은 단기 예측에서 좋은 예측 결과를 보였고, 비선형 모형인 GRCA(1) 모형은 장기 예측에서 좋은 예측 결과를 보여 주었다.

• 응용통계연구
• /
• 제20권2호
• /
• pp.219-227
• /
• 2007

시계열 모형은 통신망 트래픽의 예측과 분석에 유용하게 쓰여 왔다. 본 논문에서는 통신망 트래픽의 예측을 위하여 다양한 시계열 모형을 소개하고 성능평가를 하고자 한다. 이를 위하여 실제 통신망 트래픽 자료에 선형 및 비선형 시계열모형을 적합 시키고 비선형 시계열모형이 선형 시계열 모형보다 예측의 정확도가 우수함을 보이고자 한다.

• 한국지하수토양환경학회:학술대회논문집
• /
• 한국지하수토양환경학회 2000년도 추계학술대회
• /
• pp.64-68
• /
• 2000

장기간 관측된 지하수위 자료를 시계열분석 중의 하나인 전이함수 모형(Transfer Function - Noise model)을 이용하여 분석하였다. 일반적으로 전이함수 모형은 입력 변수와 출력변수와의 관계가 선형적일 때 적용이 가능하며, 자료가 시간에 대해 연속적으로 존재해야 하는 제한이 있다. 강수량과 지하수위의 변동은 비선형적인 관계를 가지고 있어 이러한 전이함수 모형을 직접 적용하는데는 어려움이 있다. 이러한 비선형성의 정도를 감소시키기 위해 물리모형(HYDRUS)을 이용하여 침투량을 계산하고 이를 입력변수로 사용하여 전이함수 모형을 적용하였다. 침투량을 입력변수로 모형을 추정하였을 때, 강수량을 직접 입력자료로 사용했을 경우보다 ME(mean error), RMSE(root-mean-squre error), MAE(mean absolute error)에서 상대적으로 작은 값을 보여주고 있다. TFN 모형의 모수를 추정하기 위해서 Kalman 필터 알고리즘과 최우추정법(Maximum Likelihood Estimation)을 이용하였다. Kalman 필터 알고리즘을 이용하여 불규칙한 관측주기를 갖는 시계열이나 결측값이 있는 시계열에 대해서도 전이함수 모형을 구하였으며, 이를 통해 결측값에 대한 추정이 가능하였다.

• 지능정보연구
• /
• 제19권1호
• /
• pp.1-17
• /
• 2013

본 연구에서는 시계열 예측을 위해 선형 모형과 비선형 모형의 하이브리드 모형 및 순수 모형의 성과를 비교 평가하였다. 이를 위해 5가지 서로 다른 패턴을 가지는 데이터를 생성하여 시뮬레이션을 진행하였다. 본 연구에서 고려한 선형 모형은 AR(autoregressive model)과 SARIMA(seasonal autoregressive integrated moving average model)이고 비선형 모형은 인공신경망(artificial neural networks model)과 GAM(generalized additive model)이다. 특히, GAM은 여러 장점에도 불구하고 시계열 예측을 위한 비선형 모형으로 기존 연구들에서는 거의 쓰이지 않았던 모형이다. 시뮬레이션 결과, seasonality를 가지는 시계열에 대해서는 AR 및 AR-AR 모형이, trend를 가지는 시계열에 대해서는 SARIMA 및 SARIMA와 다른 모형의 하이브리드 모형이 다른 모형에 비해 높은 성과를 보였다. 한편, 인공신경망과 GAM을 비교하면, 트렌드와 계절성이 더해진 시계열에 대해 SARIMA와 GAM의 하이브리드 모형이 거의 모든 노이즈(noise) 수준에 대해 높은 성과를 보인 반면, 노이즈 수준이 미미한 경우에 한해 SARIMA와 인공신경망의 하이브리드 모형이 높은 성과를 보였다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2011년도 추계학술발표대회
• /
• pp.1516-1519
• /
• 2011

예측에 필요한 중요한 자료에는 비선형 자료와 시계열과 같은 선형 자료 등이 있다. 이들 자료는 그 함축적인 관계가 매우 복잡하여 전통적인 통계분석 도구로 식별하는데 어려움이 많다. 신경망 분석은 비모수적 문제나 비선형 곡선 적합능력의 우수성 때문에 현실세계에서의 고유한 복잡성을 다루는 많은 경제 응용 분야에서 널리 이용되고 있다. 신경망은 또한 경제 시계열자료의 예측분야에서도 여러 연구에서 훌륭한 도구로서 적용되고 있다. 전통적으로 우리나라에서 시계열자료의 예측은 선형 자료적 분석을 중심으로 하는 분석도구인 자기회귀누적이동평균(ARIMA)모형을 이용한 시계열분석이 일반적이다. 이 연구에서는 신경망과 ARIMA 모형을 이용하여 한국의 주가변동 자료 및 자동차등록 현황 자료등과 같은 시계열자료를 이용한 예측결과를 비교한다. 연구의 결과는 신경망을 이용한 예측 방법들이 ARIMA 예측 결과보다 통계적으로 작은 오차를 주는 보다 효율적인 방법임을 보여주고 있다.

• 응용통계연구
• /
• 제16권2호
• /
• pp.293-303
• /
• 2003

개입효과가 포함된 시계열 자료에 대한 여러 시계열 모형에 의한 예측 방법들이 비교 분석된다. 개입이 있는 선형 ARIMA 모형, 비선형 ARCH 모형 및 개입이 있는 비선형 ARCH 모형 그리고 TONG 이 제안한 결합예측방법들이 소개되고, 실증분석으로 개입이 있다고 생각되는 한국건축허가면적 자료로부터 그 예측 수월성이 비교된다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2012년도 제45차 동계학술발표논문집 20권1호
• /
• pp.263-264
• /
• 2012

본 논문은 여러 개의 독립적인 시계열로 구성된 시계열 패널 자료를 이용하여 비선형 모형인 GRCA모형과 신경망을 이용하여 예측값을 구하여 서로 비교 분석하고자 한다. 먼저 GRCA모형에 대하여 연구하고 신경망의 구조와 예측값을 구하기 위한 여러 가지 변환함수를 유도한다. 단기 예측에서는 신경망 방법의 예측값이 더 좋았고, 장기예측에서는 비선형모형을 이용한 예측값이 더 좋은 것으로 나타났다.

• 디지털융복합연구
• /
• 제12권7호
• /
• pp.261-266
• /
• 2014

시계열 모형에서 모수의 수가 많으면 모수추정에 따르는 오차가 커지게 되므로 예측을 하는데 많은 어려움이 있다. 만약 여러개의 시계열 자료들이 동일한 모형에서부터 얻어졌다고 하는 동질성 가설이 채택되면 모수축약을 이룰 수 있고, 더 좋은 예측값을 얻을 수 있다. 비선형 시계열 패널 자료는 각각의 시계열마다 모수들이 있기 때문에 매우 많은 모수가 존재하게되고, 모수의 수가 많으면 모수추정에 따르는 오차가 커지게 되어 예측의 정확도가 떨어지게 된다. 패널내에 존재하는 독립적인 여러 시계열들의 동질성이 만족되면 시계열을 종합하여 모수를 추정하고 검정할 수 있다. m개의 독립적인 비선형 시계열 패널 자료의 동질성 검정을 알아보기 위하여 모형을 설정하고 이 모형에 대한 정상성 조건을 구하였고, 동질성 검정통계량을 유도했으며, 구한 검정 통계량의 극한분포가 ${\chi}^2$ 분포를 따르는 것을 보였다. 실증분석에 있어서는 비선형 시계열 자료중 중선형 시계열 모형의 동질성 검정을 하고, 실제 우리나라 주식자료를 2개의 집단으로 나누어 비선형 시계열 패널 자료의 동질성 검정에 대한 분석을 하였다.

• 응용통계연구
• /
• 제13권1호
• /
• pp.97-104
• /
• 2000

본 논문은 m개의 독립적인 일차 비선형 시계열로 구성된 패널자료의 동질성 검정에 대한 연구로서 먼저 일반적인 일차 비선형 시계열의 정상성 조건을 유도하고 이어서 동질성 검정법을 제시하고 연관된 극한분포를 규명하였다. 또한 모의실험을 하여 제안된 검정법의 모의검정력을 구하였다.

• Communications for Statistical Applications and Methods
• /
• 제5권3호
• /
• pp.599-605
• /
• 1998

본 연구에서는 단순구조 순환신경망을 이용한 신경망예측과 전통적인 시계열예측 방법을 이용하여, 순환변동이 있는 시계열자료의 단기예측 오차를 비교한다. 순환신경망모형의 입력자료를 변화시키는 개선된 학습방법을 적용하여 시계열자료를 학습하고, 신경망예측의 결과는 선형 AR(9)모형, 비선형 SETAR모형 그리고 이들의 결합모형을 이용한 예측결과와 비교한다. 실증분석에 적용된 시계열자료는 1700년부터 1987년 까지의 태양흑점 자료이며 예측에 이용된 검정자료는 1980년부터 8년 간의 자료이다.