• Journal of the Korean Data and Information Science Society
• /
• v.20 no.4
• /
• pp.685-694
• /
• 2009

The idea of this paper is to get the time series data from the number of student on the elementary, meddle and high-school for the forecasting of the numbers of student. Tow models, model A and model B, of time series data are obtained. The Holt-Winters additive methods are used for the forecasting of the numbers of student with the model A and model B until 2019 year. As the result, the abilities of forecasting on model A and B are better than those of the Korean education statistical system 2007.

• The Korean Journal of Applied Statistics
• /
• v.18 no.3
• /
• pp.627-637
• /
• 2005

Small area estimation has been studied using various methods such as direct, indirect, synthetic and based on regression or time series model . In this paper we investigate a motel-based small area estimation which takes into account the spare time autoregressive model. The Economic Active Population Surveys in 2001 are used for analysis and the results from space-time autoregressive(STAR) and simultaneous autoregressive(SAR) model are compared with using MSE, MAE and MB.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2021.06a
• /
• pp.99-99
• /
• 2021

본 연구에서는 기상 자료와 적설 특성 자료의 관계를 도출하고, 이와 추계 일기 생성 모형을 활용하여 합성 적설심 시계열을 모의하는 방법에 대하여 제안한다. 추계 일기 생성 모형에서는 적설량을 직접 모의하지 않기 때문에 강수량을 적설량으로 변환해야한다. 이를 위해 도입한 관계식은 다음과 같다. 첫째로 기상청 적설 예보의 적설 유무 판단 기준을 이용하였다. 이 기준에서는 상대습도와 지상기온에 따라 강수의 형태를 비, 눈, 진눈깨비로 구분한다. 둘째로 강수가 적설로 판단되었을 때 강수량을 신적설심으로 환산하는 수상당량비를 지상기온과 회귀 분석하였다. 선행 연구에 따라 3시간 1 mm 이상 5 mm 이하 강수와 3시간 5 mm 이상 강수 사상에 대하여 나누어 sigmoid형 곡선을 이용하여 회귀 분석하였다. 마지막으로 융설에 의한 적설심 감소량을 지상기온과 복사량의 함수로 표현하였으며, 각 변수의 계수는 입자 군집 최적화 방법을 통하여 보정하였다. 추계 일기 생성 모형으로는 AWE-GEN 모형을 활용하였으며, 시험 자료로 강릉(105) 종관기상관측소의 24년 기간(1982-2005) 자료를 활용하여 합성 적설심 시계열을 생성하였다. 합성 적설심 시계열 모의 과정은 다음과 같다. (1) 추계 일기 생성 모형으로 합성 일기 자료 생성, (2) 강수 발생 시 적설 유무 판단, (3) 적설로 판단 시 수상당량비를 계산하여 신적설심 추정, (4) 기존 적설심에 신적설심을 더하고, 적설심 감소량만큼 감소. 위와 같은 과정으로 200년 길이 합성 적설심 시계열을 모의한 결과 극한 사상을 과소 추정하는 경향이 나타나 추가적인 개선이 필요한 것으로 판단된다.

• The Korean Journal of Applied Statistics
• /
• v.37 no.3
• /
• pp.297-309
• /
• 2024

This paper evaluates the performance of the neural network autoregressive model combined with an exponential smoothing model, called the NNARX+ETS model. The combined model utilizes the components of ETS as exogenous variables for NNARX, to forecast time series data using artificial neural networks. The main idea is to enhance the performance of NNAR using only lags of the original time series data, by combining traditional time series analysis methods with the neural networks through NNARX. We employ two real data for performance evaluation and compare the NNARX+ETS with NNAR and traditional time series analysis methods such as ETS and ARIMA (autoregressive integrated moving average) models.

• Proceedings of the Korean Operations and Management Science Society Conference
• /
• 2003.11a
• /
• pp.177-182
• /
• 2003

많은 경제 시계열 자료 중에서 주가는 국내외 경제상황은 물론 정부정책 등 시장 외적인 영향에 가장 민감하게 반응한다. 하지만, 지금까지의 주가예측에 있어서는 이러한 외부의 영향, 즉 개입(Intervention)이 발생했을 때 주가의 변동에 능동적으로 대처하는 모형이 부재하였다. 실제로 이러한 개입사실을 예측모형에 반영하지 않는다면, 주가예측 있어 그 예측력을 따진다는 것은 무의미하다고 판단된다. 따라서, 개입시점을 발견하고, 이 개입효과를 측정하여 이를 모형에 반영한다면 좋은 예측결과를 얻을 수 있을 것이다. 이 연구에서는 이상점 탐지절차를 이용하여 개입 시점을 발견하고 개입의 효과가 개입시점에만 영향을 주는 모형과 효과가 일정기간 지속되는 모형으로 두 개의 개입시계열모형을 구축하고, 이러한 두 모형의 예측성과와 인공신경망모형을 이용한 예측성과를 비교하였다. 초단기예측(개입 직후 예측)에 있어서 개입의 효과가 지속되는 경우에는 개입시계열이 인공신경망보다 좋을 결과 를 나타내긴 했지만 그 차이는 크지 않았으며, 개입의 효과가 시점에만 영향을 준 경우에는 인공신경망의 결과가 더 우수한 것으로 나타났다. 단기예측(개입 후 20 일후의 예측)에 있어서는 개입 효과의 지속여부에 상관없이 인공신경망이 개입시계열모형보다 우수한 것으로 나타났다.

• Proceedings of the Korean Operations and Management Science Society Conference
• /
• 1995.04a
• /
• pp.572-584
• /
• 1995

공정으로부터 얻어지는 공정특성치는 일반적으로 시계열로 모형화 할 수 있다. 그러므로 공정의 상태변화 감지는 공정을 묘사하는 시계열 모형의 출력에 대한 통계적 분석이나 모형을 형성하고 있는 파라미터들에 대한 감시를 통하여 가능하게 된다. 공정의 상태변화를 감시하기 위한 기존의 방법들은 공정 모형의 구조나 파라미터가 알려져 있거나 가정한 방법론을 제시하고 있다. 그러나 공정변화의 원인을 진단하거나 변동형태 또는 변동시점의 감지에 있어 통계적인 분포가 알려지지 않은 경우나 동적구조를 가진 데이터의 변동감지에는 많은 제약이 존재한다. 또한, 실제로 동적으로 변화하는 공정의 모형구조와 파라미터를 모든 경우에 파악하여 사전에 특정 시계열 모형으로 가정하기는 어렵다. 본 연구에서는 공정으로부터 얻어지는 데이터들을 뉴럴 모형화하여 이들의 이노베이션(innovation)에 대한 연속적인 검정을 통하여 공정의 상태변화를 감지하는 방법을 제시한다. 또한 새롭게 변화된 공정모형의 파라미터 집합에 대한 규명을 특정 시계열 모형을 가정하지 않은 일반화된 모형들에 대한 분류를 통하여 실시하였다.

• The Korean Journal of Financial Management
• /
• v.16 no.2
• /
• pp.243-261
• /
• 1999

본 논문은 순이익의 시계열 속성을 조사하고, 순이익의 시계열이 랜덤워크 모형과 일치하는지를 단위근 검증방식을 사용하여 조사하며, 시계열 속성에 근거하여 도출된 예측모형과 흔히 사용되어 온 랜덤워크 모형의 예측능력을 비교하여 선행연구에서 사용되고 있는 랜덤워크 모형에 실증적 타당성을 제시하는 것을 주목적으로 하고 있다. 본 연구는 한국신용평가주식회사의 데이터 베이스에 1980년부터 1996년까지 17년간 자료가 연속적으로 포함되어 있는 금융기업을 제외한 모든 기업(272개)을 표본으로 사용하고 있다. 표본기업의 순이익 시계열에 가장 적합한 과정은 랜덤워크나 AR(1) 또는 AR(2) 모형이다. 또한 본 논문은 대부분의 기업에 때해 순이익이 랜덤워크 과정을 따른다는 가설을 기각할 수 없음을 보였다. 이들 상이한 모형의 표본외 예측력(out-of-sample predictive ability)을 비교한 결과 상수항을 포함한 랜덤워크 모형이 가장 작은 평균 절대 예측오차(mean absolute forecast error)를 갖는 것으로 나타나고 있다. 본 연구는 기존의 연구가 순이익 시계열의 불안정성(nonstationarity) 문제를 무시하거나 명시적으로 다루고 있지 않은 것과는 달리 단위근 검증(unit root test)을 통해 연간 순이익이 대체로 불안정하다는 것을 보였으며, 또한 상이한 모형의 표본외 예측능력을 비교한 결과 선행연구에서 사용하여 온 랜덤워크 모형의 우월성에 대한 실증적 증거를 제공하였다는 데 의의가 있다.

• Proceedings of the Korea Inteligent Information System Society Conference
• /
• 1999.03a
• /
• pp.271-280
• /
• 1999

인공신경망을 시계열예측에 적용하는 경우에 고려되어야 할 문제중, 특히 모형에 적합한 입력변수의 생성이 중요시되고 있는데, 이러한 분야는 인공신경망의 모형생성과정에서 입력변수에 대한 전처리기법으로써 다양하게 제시되어 왔다. 가장 최근의 입력변수 전처리기법으로써 제시되고 있는 신호처리기법은 전통적 주기분할처리방법인 푸리에변환기법(Fourier transforms)을 비롯하여 이를 확장시킨 개념인 웨이블릿변환기법(wavelet transforms) 등으로 대별될 수 있다. 이는 기본적으로 시계열이 다수의 주기(cycle)들로 구성된 상이한 시계열들의 집합이라는 가정에서 출발하고 있다. 전통적으로 이러한 시계열은 전기 또는 전자공학에서 주파수영역분할, 즉 고주파 및 저주파수를 분할하기 위한 기법에 적용되어 왔다. 그러나, 최근에는 이러한 연구가 다양한 분야에 활발하게 응용되기 시작하였으며, 그 중의 대표적인 예가 바로 경영분야의 재무시계열에 대한 분석이다. 전통적으로 재무시계열은 장, 단기의사결정을 가진 시장참여자들간의 거래특성이 시계열에 각기 달리 가격으로 반영되기 때문에 이러한 상이한 집단들의 고요한 거래움직임으로 말미암아 예를 들어, 주식시장이 프랙탈구조를 가지고 있다고 보기도 한다. 이처럼 재무시계열은 다양한 사회현상의 집합체라고 볼 수 있으며, 그만큼 예측모형을 구축하는데 어려움이 따른다. 본 연구는 이러한 시계열의 주기적 특성에 기반을 둔 신호처리분석으로서 기존의 시계열로부터 노이즈를 줄여 주면서 보다 의미있는 정보로 변환시켜줄 수 있는 웨이블릿분석 방법론을 새로운 필터링기법으로 사용하여 현재 많은 연구가 진행되고 있는 인공신경망의 모형결합을 통해 기존연구과는 다른 새로운 통합예측방법론을 제시하고자 한다. 본 연구에서는 제시하는 통합방법론은 크게 2단계 과정을 거쳐 예측모형으로 완성이 된다. 즉, 1차 모형단계에서 원시 재무시계열은 먼저 웨이브릿분석을 통해서 노이즈가 필터링 되는 동시에, 과거 재무시계열의 프랙탈 구조, 즉 비선형적인 움직임을 보다 잘 반영시켜 주는 다차원 주기요소를 가지는 시계열로 분해, 생성되며, 이렇게 주기에 따라 장단기로 분할된 시계열들은 2차 모형단계에서 신경망의 새로운 입력변수로서 사용되어 최종적인 인공 신경망모델을 구축하는 데 반영된다. 기존의 주기분할방법론은 모형개발자입장에서 여러 가지 통계기준치중에서 최적의 기준치를 합리적으로 선택해야 하는 문제가 추가적으로 발생하며, 본 연구에서는 이상의 제반 문제들을 개선시키기 위해 통합방법론으로서 기존의 인공신경망모형을 구조적으로 확장시켰다. 이 모형에서 기존의 입력층 이전단계에 새로운 층이 정의된다. 이렇게 해서 생성된 새로운 통합모형은 기존모형에서 생성되는 기본적인 학습파라미터와 더불어, 본 연구에서 새롭게 제시된 주기분할층의 파라미터들이 모형의 학습성과를 높이기 위해 함께 고려된다. 한편, 이러한 학습과정에서 추가적으로 고려해야 할 파라미터 갯수가 증가함에 따라서, 본 모델의 학습성과가 local minimum에 빠지는 문제점이 발생될 수 있다. 즉, 웨이블릿분석과 인공신경망모형을 모두 전역적으로 최적화시켜야 하는 문제가 발생한다. 본 연구에서는 이 문제를 해결하기 위해서, 최근 local minimum의 가능성을 최소화하여 전역적인 학습성과를 높여 주는 인공지능기법으로서 유전자알고리즘기법을 본 연구이 통합모델에 반영하였다. 이에 대한 실증사례 분석결과는 일일 환율예측문제를 적용하였을 경우, 기존의 방법론보다 더 나운 예측성과를 타나내었다.

• The Korean Journal of Financial Studies
• /
• v.14 no.1
• /
• pp.41-56
• /
• 2008

주식 수익률이 정상적 과정이 아니라 비정상적 과정에 의해서 생성되고 있다는 사실이 여러 실증 분석에서 제시되고 있다. 시계열의 평균이 시간의 흐름에 따라 변하면 이 시계열은 비정상적 과정에 의하여 생성된다. 시간의 흐름에 따라 평균이 변하는 비정상 시계열은 단위근과 공적분에 의하여 시계열의 운동을 모형화하고 있다. 한편 시계열의 비정상성은 분산이 시간의 흐름에 따라 변할 때에도 발생한다. 시간의 흐름에 따라 무조건부 분산은 변하지 않고 있지만 이용 가능한 정보 집합을 조건으로 하는 조건부 분산이 변하는 경우도 있다. 이 같은 성질을 가진 주가 시계열은 자기회귀 조건부 이분산(ARCH) 계통의 과정으로 모형화하고 있다. 그러나 무조건부 분산이 시간의 흐름에 따라 변하면 ARCH 계통은 중대한 모형정립과오(misspecification)에 직면하게 된다. 따라서 본 논문은 무조건부 분산이 시간의 흐름에 따라 변할 때 자기 회귀 과정의 모수를 추정하는 방법을 검토하고, 이 방법을 한국 종합주가 지수에 적용하여 자기회귀 과정의 모수를 추정하였다. 이 방법에 의하여 추정된 2계 자기회귀 과정의 모수값 중 상수항과 제1계 항의 계수는 통상 최소자승법에 의한 값과 유사하다. 그러나 제2계 항 모수의 값은 양자가 상당히 다르다. 최소자승에 의한 제2계 값이 과대 추정되고 있다.

• Journal of Intelligence and Information Systems
• /
• v.19 no.1
• /
• pp.1-17
• /
• 2013

In this article, several types of hybrid forecasting models are suggested. In particular, hybrid models using the generalized additive model (GAM) are newly suggested as an alternative to those using neural networks (NN). The prediction performances of various hybrid and non-hybrid models are evaluated using simulated time series data. Five different types of seasonal time series data related to an additive or multiplicative trend are generated over different levels of noise, and applied to the forecasting evaluation. For the simulated data with only seasonality, the autoregressive (AR) model and the hybrid AR-AR model performed equivalently very well. On the other hand, if the time series data employed a trend, the SARIMA model and some hybrid SARIMA models equivalently outperformed the others. In the comparison of GAMs and NNs, regarding the seasonal additive trend data, the SARIMA-GAM evenly performed well across the full range of noise variation, whereas the SARIMA-NN showed good performance only when the noise level was trivial.