• Journal of the Korean Data and Information Science Society
• /
• v.25 no.3
• /
• pp.579-599
• /
• 2014

The purpose of this study was to identify the trends and risk of bias of research using time series analysis on health and welfare in Korea and to suggest a direction for future health and welfare research. The database searches identified 6,543 papers. Following the process for screening and selecting, a total of 91 papers were included in the systematic review. There has been a steady increase in the number of articles using time series analysis from 1987 to 2013. Time series analysis was applied in medicine and health science journals. The main goals were explanation and description. Most of the subjects were heath status and utilization of healthcare services. The main model used in the time series analysis was ARIMA followed by time series regression. The data were gathered from various sources, including the national statistical office and government agencies. For assessing risk of bias, some studies were found to have inadequate sample sizes or showed no time series graphs and plots. These findings suggest greater widespread utilization of time series analysis in the field of health and welfare and to use the appropriate analysis methods and statistical procedures to obtain more reliable results to improve the quality of research.

• The Korean Journal of Applied Statistics
• /
• v.23 no.4
• /
• pp.683-692
• /
• 2010

This short article is concerned with a categorical time series obtained after clipping a heteroscedastic GARCH process. Estimation methods are discussed for the model parameters appearing both in the original process and in the resulting binary time series from a clipping (cf. Zhen and Basawa, 2009). Assuming AR-GARCH model for heteroscedastic time series, three data sets from Korean stock market are analyzed and illustrated with applications to calculating certain probabilities associated with the AR-GARCH process.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.3-3
• /
• 2023

수자원위성은 C-band 영상레이더(synthetic aperture radar, SAR)를 탑재한 중형급의 수자원 관리 및 수재해 감시 전용 위성이다. 수자원위성은 물 환경과 관련된 다양한 분야에 활용되어 고부가가치의 정보를 제공할 것으로 예상되는데, 특히 시계열 레이더 간섭기법(SAR interferometry, InSAR)의 적용을 통해 댐·보와 같은 수자원시설물의 미세변위 탐지 및 안정성 평가에 효과적으로 사용될 것으로 기대된다. 시계열 영상레이더 간섭기법은 고정산란체를 이용하는 Persistent Scatterer InSAR(PSInSAR) 기법과 분산산란체 기반의 Small BAseline Subset(SBAS) InSAR 기법으로 대표된다. 이 연구에서는 수자원위성에 적합한 수리시설물 시계열 변위 모니터링 알고리즘 개발을 목적으로, Sentinel-1 위성의 C-band SAR 기반 시계열 레이더 간섭기법의 적용성을 평가하고 알고리즘 개발에 고려해야 할 사항들을 분석하였다. 2020년 여름 수재해가 발생한 섬진강댐과 담양댐 및 수변부를 테스트 사이트로 선정하고, 2019년부터 2021년까지의 Sentinel-1 시계열 SAR 영상에 PSInSAR와 SBAS InSAR를 적용하여 시계열 변위를 관측하였다. 댐체에서는 PSInSAR가 SBAS InSAR에 비해 신뢰할 수 있는 시계열 변위를 산출하였다. 그러나 시계열 분석 기간이 길어짐에 따라 PSInSAR 시계열 변위의 정밀도가 낮아지는 경향이 관측되었다. 수변부에서 PSInSAR는 변위 정보를 거의 제공하지 못했다. SBAS InSAR는 수변부의 시계열 변위 모니터링에 효과적이었으나, 여름철 장마 등으로 인해 레이더 간섭도의 긴밀도(coherence)가 낮아질 경우 부정확한 변위를 산출하였다. 앞으로 국내의 다양한 수자원시설물을 대상으로 Sentinel-1 위성을 이용한 시계열 변위 모니터링 알고리즘의 적용성 평가 연구가 진행될 예정이며, 연구 결과를 수자원위성의 관측 특성에 적합한 변위 탐지 알고리즘의 개발에 활용하고자 한다.

• Proceedings of the Korean Society of Soil and Groundwater Environment Conference
• /
• 2000.11a
• /
• 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.

• Communications for Statistical Applications and Methods
• /
• v.1 no.1
• /
• pp.119-130
• /
• 1994

각종 통계패키지 내에 수용되어 있는 시계열 분석방법은 패키지의 특성이나 기능에 따라 다소 차이가 있다. 본 논문에서는 일반덕으로 많이 사용되고 있는 8종류의 통계패키지 (EXECUSTAT, MINITAB, RATS, SAS, SCA, S-PLUS, TSP)에서 시계열 분석이 어떻게 이루어지는지를 비교 검토하였다. 지수평활법과 ARIMA 모형에 의한 분석방법을 중심으로 비교하였으며, 아울러 사용자 관점에서 편리하고 보다 효율적인 패키지가 갖추어야 할 기능들을 제시하였다.

• Proceedings of the Korea Database Society Conference
• /
• 1999.06a
• /
• 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 고유한 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 의미 있는 정보로 변환시켜 줄 수 있는 웨이블릿분석 방법론을 새로운 필터링기법으로 사용하여 현재 많은 연구가 진행되고 있는 인공신경망과의 모형결합을 통해 기존연구와는 다른 새로운 통합예측방법론을 제시하고자 한다. 본 연구에서 제시하는 통합방법론은 크게 2단계 과정을 거쳐 예측모형으로 완성이 된다. 즉, 1차 모형단계에서 원시 재무시계열은 먼저 웨이블릿분석을 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.

• The Korean Journal of Applied Statistics
• /
• v.23 no.5
• /
• pp.813-822
• /
• 2010

We investigate a possible achievement in dimension reduction of time series via partially quantified principal component. Partial quantification technique allows us in modeling to accommodate artificial variable(s) of practical importance which is defined subjectively by the data analyst. Suggested procedures are described and in turn illustrated in detail by analyzing monthly unemployment rates in Korea.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2008.05a
• /
• pp.1137-1141
• /
• 2008

본 연구에서는 경기도 설마천 지역에 위치한 독립사면에서 토양수분을 연속측정한 결과를 분석하였다. 관측망의 설계를 통하여 선정한 위치에 탐침을 매설하고 공간적인 분포를 가진 시계열 형태의 데이터를 10cm 깊이에서 수집하였다. 전이함수 모형을 사면에서의 토양수분 전이과정에 대응하고, 이를 실제 측정한 데이터에 의해서 분석한 결과와 비교해 보았다. 전이 함수 모형은 강우 데이터를 입력변수로 하고 토양수분 시계열 데이터를 반응 변수로 하여 전개하였고, 시계열 모형의 전개는 크게 자료전처리, 모형구조의 규명, 모수추정, 모형진단 등의 과정을 통해서 적합한 모형을 도출하였다. 산지 사면에서의 토양수분을 전이함수에 의하여 전개한 모형은 토양수분의 깊이별 변화와 지형적 분포 양상에 따라 특색을 나타내었다. 또한 2003년 가을과 2004년 봄의 전이함수 모형 추정을 통하여 계절별 특성이 나타남을 알 수 있는데, 봄의 토양수분의 분포는 가을의 토양수분에 비하여 큰 변동성과 고차항의 반응양상을 보인다. 본 연구는 전이함수를 이용한 토양수분의 시계열 분석이 사면에서의 토양수분 변동특성을 지형적, 계절적 특성과 연계하여 이해하고 특성화하는 과정의 적절한 도구가 될 수 있음을 보여주고 있다.

• Journal of Korea Water Resources Association
• /
• v.48 no.12
• /
• pp.981-993
• /
• 2015

The analysis of hydrologic time series data is crucial for the effective management of water resources. Therefore, it has been widely used for the long-term forecasting of hydrologic variables. In tradition, time series analysis has been used to predict a time series without considering exogenous variables. However, many studies using decomposition have been widely carried out with the assumption that one data series could be mixed with several frequent factors. In this study, the empirical mode decomposition method was performed for decomposing a hydrologic time series data into several components, and each component was applied to the time series models, autoregressive moving average (ARMA). After constructing the time series models, the forecasting values are added to compare the results with traditional time series model. Finally, the forecasted estimates from ARMA model with empirical mode decomposition method showed better performance than sole traditional ARMA model indicated from comparing the root mean square errors of the two methods.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2022.01a
• /
• pp.45-48
• /
• 2022

IoT 기술의 발전 및 확산으로 다양한 도메인에서 서로 다른 특성의 시계열 데이터가 수집되고 있다. 이에 따라 단일 목적으로 수집된 시계열 데이터만 아니라, 다른 목적으로 수집된 시계열 데이터들 또한 통합하여 분석활용하려는 수요 또한 높아지고 있다. 본 논문은 파편화된 시계열 데이터들을 선택하여 통합한 후 딥러닝 모델을 생성하고 활용할 수 있는 해시함수 기반 학습 모델 관리 플랫폼을 설계하고 구현하였다. 특정되지 않은 데이터들을 기반하여 모델을 학습하고 활용할 경우 생성 모델이 개별적으로 어떤 데이터로 어떻게 생성되었는지 기술되어야 향후 활용에 용이하다. 특히 시계열 데이터의 경우 학습 데이터의 시간 정보에 의존적일 수밖에 없으므로 해당 정보의 관리도 필요하다. 본 논문에서는 이러한 문제를 해결하기 위해 해시 함수를 이용해서 생성된 모델을 계층적으로 저장하여 원하는 모델을 쉽게 검색하고 활용할 수 있도록 하였다.