• Journal of the Korean Data and Information Science Society
• /
• v.20 no.6
• /
• pp.991-998
• /
• 2009

This paper deals with directivity forecasting of time series which is useful for futures trading in stock market. Directivity forecasting of time series is to forecast whether a given time series will rise or fall at next observation time point. For directional forecasting, we consider time regression model and ARIMA model. In particular, we study two statistics, intra-model and extra-model deviation and then show usefulness of intra-model deviation.

• Proceedings of the KIEE Conference
• /
• 2009.07a
• /
• pp.1644_1645
• /
• 2009

본 논문은 비정상 시계열 예측을 위한 다중모델 퍼지 시스템과, 제안된 시스템의 최적화를 위한 유전 알고리즘의 응용을 다룬다. 일반적으로, 퍼지 예측시스템의 성능은 비선형 데이터가 가지고 있는 다양한 패턴이나 법칙성, 경향 등을 잘 분석하고 시스템에 반영함으로써 개선될 수 있다. 따라서, 본 논문은 원형 시계열의 특성을 보다 잘 반영할 수 있는 그들의 차분데이터를 시스템에 적용하며, 생성 가능한 차분 데이터들 중 원형 시계열의 특징에 가까운 일부를 추출하여 다중모델 퍼지 예측 시스템을 구현함으로써 다양한 원형시계열의 패턴이나 법칙성 등이 고려될 수 있도록 하였다. 다중 모델 퍼지 시스템의 각각의 예측기에는 구조가 간단한 k-means 클러스터링 기법을 적용하여 구현의 용이성을 꽤하였으며, 성능평가를 통해 선택된 최종 예측기는 RCGKA(real-coded genetic k-means clustering algorithms)를 통해 더욱 최적화된 규칙기반을 가지게 함으로써 예측성능이 개선될 수 있도록 하였다. 본 논문에 사용된 최적화 기법인 RCGKA에는 또한 성능이 우수한 다양한 유전연산자를 도입하여 더욱 예측기 성능이 강화될 수 있도록 하였으며, 시뮬레이션을 통해 제안된 예측시스템의 효용성을 증명하였다.

• Knowledge Management Research
• /
• v.22 no.4
• /
• pp.119-133
• /
• 2021

As a large amount of data is produced in each industry, a number of time series pattern prediction studies are being conducted to make quick business decisions. However, there is a limit to predicting specific patterns in nonlinear time series data due to the uncertainty inherent in the data, and there are difficulties in making strategic decisions in corporate management. In addition, in recent decades, various studies have been conducted on data such as demand/supply and financial markets that are suitable for industrial purposes to predict time series data of irregular random walk models, but predict specific rules and achieve sustainable corporate objectives There are difficulties. In this study, the prediction results were compared and analyzed using the Chaos analysis method for roulette data and financial market data, and meaningful results were derived. And, this study confirmed that chaos analysis is useful for finding a new method in analyzing time series data. By comparing and analyzing the characteristics of roulette games with the time series of Korean stock index future, it was derived that predictive power can be improved if the trend is confirmed, and it is meaningful in determining whether nonlinear time series data with high uncertainty have a specific pattern.

• Science of Emotion and Sensibility
• /
• v.3 no.2
• /
• pp.41-55
• /
• 2000

경영활동에 있어서 직관력은 잘 알려진 인지능력이지만 효과적인 의사결정지원시스템의 개발 목적으로는 거의 고려되고 있지 않다. 본 연구는 의사결정자의 인지 유형에 따른 시계열 예측의 정확성과 뇌파의 차이를 통계적 검증, 인공신경망, 데이터 마이닝의 세 가지 접근방법으로 탐색하여 그 결과를 비교 분석함으로써 시계열 직관 예측에 영향을 주는 의사결정자의 인지적/생리적 특성을 도출함으로써 효과적인 의사결정환경을 조성하는데 공헌하고자 하였다. 실험결과 통계적 분석에서는 아무런 유의성을 찾을 수 없었으나, 인공신경망 분석에서는 인지유형과 감성유형이 모두 시계열 예측 정확도와 상관성이 있는 것으로 나타났으며, 데이터 마이닝 분석에서는 보다 의미 있는 상관관계를 찾아낼 수 있었다.

• Proceedings of the KIEE Conference
• /
• 2003.07d
• /
• pp.2750-2752
• /
• 2003

흑점은 태양 표면에 검은 구멍처럼 보이는 것으로 흑점이 나타나면 태양활동이 활발함을 의미한다. 이러한 태양활동은 플레어나 홍염 등의 형태로 표출되어 지구의 자기장을 변동시킴으로써 전력, 통신 시스템의 장애를 유발하게 된다. 따라서 이러한 흑점 데이터를 예측함으로써 사전에 대비할 수 있도록 할 필요가 있다. 흑점 시계열 데이터의 예측에 사용된 시스템은 병렬구조를 갖는 퍼지시스템(PSFS)으로 각 퍼지시스템의 규칙은 주어진 입출력 데이터를 클러스터링하여 생성하였다. 특히, 흑점 시계열 데이터와 같이 주기성향을 갖는 테이터의 경우에도 적용가능하도륵 유연한 구조를 갖는 개선된 PSFS를 제안하여 그 성능을 검증하였다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2021.11a
• /
• pp.768-771
• /
• 2021

시계열 분석은 이전 시점들의 데이터를 기반으로 미래 시점의 데이터를 예측하는 기술을 제공하며, SARIMA는 이러한 시계열 분석에서 활용되는 통계 모델의 일종이다. 본 연구는 직접 수집한 실시간 위치 데이터에 SARIMA를 적용하여 개인의 이동 패턴을 추출하고 이를 예측에 활용하는 전반적인 프로세스를 제작하였다. 첫째, DB에 업로드된 위치 데이터를 비지도 학습의 일종인 EM-clustering을 활용해 핵심 방문 장소들로부터의 거리에 따라 군집화했다. 둘째, 해당 장소에 입장하고 퇴장하는 시간 간격에 SARIMA를 적용해 주기성을 추출했다. 마지막으로, 이 주기성들을 군집의 중요도에 따라 순차적으로 분석하여 유의미한 예측 결과를 도출해냈다.

• Journal of KIISE
• /
• v.44 no.9
• /
• pp.954-965
• /
• 2017

A stable power supply is very important for the maintenance and operation of the power infrastructure. Accurate power consumption prediction is therefore needed. In particular, a university campus is an institution with one of the highest power consumptions and tends to have a wide variation of electrical load depending on time and environment. For this reason, a model that can accurately predict power consumption is required for the effective operation of the power system. The disadvantage of the existing time series prediction technique is that the prediction performance is greatly degraded because the width of the prediction interval increases as the difference between the learning time and the prediction time increases. In this paper, we first classify power data with similar time series patterns considering the date, day of the week, holiday, and semester. Next, each ARIMA model is constructed based on the classified data set and a daily power consumption forecasting method of the university campus is proposed through the time series cross-validation of the predicted time. In order to evaluate the accuracy of the prediction, we confirmed the validity of the proposed method by applying performance indicators.

• Journal of the Korea Society of Computer and Information
• /
• v.28 no.8
• /
• pp.67-75
• /
• 2023

Stock price prediction is an important topic extensively discussed in the financial market, but it is considered a challenging subject due to numerous factors that can influence it. In this research, performance was compared and analyzed by applying time series prediction models (LSTM, GRU) and non-time series prediction models (RF, SVR, KNN, LGBM) that do not take into account the temporal dependence of data into stock price prediction. In addition, various data such as stock price data, technical indicators, financial statements indicators, buy sell indicators, short selling, and foreign indicators were combined to find optimal predictors and analyze major factors affecting stock price prediction by industry. Through the hyperparameter optimization process, the process of improving the prediction performance for each algorithm was also conducted to analyze the factors affecting the performance. As a result of feature selection and hyperparameter optimization, it was found that the forecast accuracy of the time series prediction algorithm GRU and LSTM+GRU was the highest.

• KIPS Transactions on Software and Data Engineering
• /
• v.10 no.12
• /
• pp.579-586
• /
• 2021

Time series forecasting refers to predicting future time information based on past time information. Accurately predicting future information is crucial because it is used for establishing strategies or making policy decisions in various fields. Recently, a transformer model has been mainly studied for a time series prediction model. However, the existing transformer model has a limitation in that it has an auto-regressive structure in which the output result is input again when the prediction sequence is output. This limitation causes a problem in that accuracy is lowered when predicting a distant time point. This paper proposes a sequential decoding model focusing on the style transformation technique to handle these problems and make more precise time series forecasting. The proposed model has a structure in which the contents of past data are extracted from the transformer-encoder and reflected in the style-based decoder to generate the predictive sequence. Unlike the decoder structure of the conventional auto-regressive transformer, this structure has the advantage of being able to more accurately predict information from a distant view because the prediction sequence is output all at once. As a result of conducting a prediction experiment with various time series datasets with different data characteristics, it was shown that the model presented in this paper has better prediction accuracy than other existing time series prediction models.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2018.07a
• /
• pp.141-142
• /
• 2018

기존 데이터의 패턴 예측에는 통계를 기반으로 한 수학적 모델이 주로 사용되었으나 새로운 데이터에 대한 피드백이 부족하기 때문에 장기간의 데이터 예측에 한계가 있다. 또한 데이터의 특성이 다양하고 복잡한 경우에는 수학적 모델의 결합 및 계산과정이 어려워진다. 따라서 본 논문에서는 데이터의 학습 및 예측에 기존 정적 모델이 아닌 기계학습 중 시계열 데이터 분석 (Time Series Analysis) 을 기반으로 연구를 진행하였다. 기계학습은 복잡한 특성을 가진 데이터를 학습하여 미래의 데이터 값을 예측하거나 분류하는데 있어서 정확도 및 처리시간 측면에서의 성능을 향상시킬 수 있다.