• Proceedings of the Korea Water Resources Association Conference
• /
• 2004.05b
• /
• pp.1178-1182
• /
• 2004

시계열 자료의 분석과 예측은 수문학분야에서 매우 중요하면, 최근 들어 특정한 수문시계열에서 카오스 특성이 발견되고 있다. 카오스 특성을 갖는 수문시계열의 예측에 있어, 기존의 거의 모든 연구는 시스템의 특성을 파악한 뒤 예측을 실시하는 표준접근법이 채택되어왔다. 그러나 Phoon 등은 시스템의 특성분석에 앞서 예측을 실시하고, 상태공 매개변수가 시스템의 특성분석단계가 아닌 예측단계에서 평가되는 가역접근법을 제안하였다. 본 연구에서는 Phoon 등이 제안한 가역접근법과 기존에 널리 적용되어온 표준접근법을 실제 일유출량 자료에 적용함으로써, 가역접근법의 적용성을 검토하고 카오스 시계열의 특성을 파악하였다. 본 연구에서 사용한 비선형 예측 기법으로는 카오스이론이 적용된 부분근사화 기법을 이용하였다. 카오스 특성분석을 통해, Bear 강 일유출량 시계열 자료에서 카오스 특성이 나타남을 알 수 있었다. 표준접근법과 가역접근법을 이용하여 Bear 강의 일유출량 자료에 대하여 예측을 실시한 결과, 카오스 특성을 갖는 일유출량 시계열 자료의 단기 예측의 우수성을 알 수 있었으면, 가역접근법이 표준접근법에 비해 좋은 결과를 나타내었다. 특히, 가역접근법은 예측단계에서 예측시간(T)에 대하여 예측매개변수를 최적화시킴으로써 보다 정밀한 예측을 할 수 있었으며, 시스템에 대한 정보손실이 발생하였을 경우 예측에 대한 상태공간 매개변수를 다시 추정해야 하는 표준접근법에 비해 실제적 적용성이 매우 우수하였다.

• KIPS Transactions on Software and Data Engineering
• /
• v.11 no.2
• /
• pp.81-86
• /
• 2022

Given that time series are used in various fields, such as finance, IoT, and manufacturing, data analytical methods for accurate time-series forecasting can serve to increase operational efficiency. Among time-series analysis methods, multi-horizon forecasting provides a better understanding of data because it can extract meaningful statistics and other characteristics of the entire time-series. Furthermore, time-series data with exogenous information can be accurately predicted by using multi-horizon forecasting methods. However, traditional deep learning-based models for time-series do not account for the heterogeneity of inputs. We proposed an improved time-series predicting method, called the temporal fusion transformer method, which combines multi-horizon forecasting with interpretable insights into temporal dynamics. Various real-world data such as stock prices, fine dust concentrates and electricity consumption were considered in experiments. Experimental results showed that our temporal fusion transformer method has better time-series forecasting performance than existing models.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2011.11a
• /
• 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.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2021.05a
• /
• pp.479-482
• /
• 2021

시계열 형태의 데이터는 다양한 분야에서 수집되고 응용되기 때문에 정확한 시계열 예측은 많은 분야에서 운영 효율성을 높일 수 있는 중요한 분석 방법으로 고려된다. 그중 다층 수평 예측은 사용자에게 전반적인 시계열 데이터 경향성을 제공할 수 있다. 하지만 다양한 정보를 포함하는 시계열 데이터는 데이터에 내재한 이질성(heterogeneity)까지 포괄적으로 고려한 방법을 통해서만 정확한 예측을 할 수 있다. 하지만 지금까지 많은 시계열 분석 모델들이 데이터의 이질성을 반영하지 못했다. 이러한 한계를 보완하고자 우리는 Temporal Fusion Transformer 모델을 사용하여 실생활과 밀접한 관련이 있는 데이터에 적용하여 이질성을 고려한 향상된 예측을 수행하였다. 실제, 주식 데이터와 미세 먼지 데이터와 같은 실생활 시계열 데이터에 적용하였고 실험 결과 기존 모델보다 Mean Squared Error(MSE)가 0.3487 낮은 것을 확인하였다.

• The Journal of Information Systems
• /
• v.10 no.2
• /
• pp.151-164
• /
• 2001

현재의 항공사 기내식 수요예측 시스템으로는 항공기 운항의 지연이나 초과 주문으로 인한 손실 문제를 해결하기 힘든 것으로 알려져 있다. 이러한 문제를 해결하기 위해 본 연구에서는 항공기 기내식 시계열 자료만을 입력변수로 사용한 단순인공신경망모형(simple neural network model), 단순인공신경망모형에 전통적인 시계열 기법(본 연구에서는 지수 평활법)의 예측 결과를 입력변수로 추가한 혼합인공신경망모형(hybrid neural network model), 그리고 혼합인공신경 망 모형에 상관관계가 높은 다른 시계열 자료(본 논문에서는 유사 노선의 다른 항공기 기내식 시계열 자료)를 인공신경망의 입력변수로 추가시킨 하이퍼혼합인공신경망모형(hyper hybrid neural network model)을 새로운 항공기 기내식 수요예측 기법으로 제안하고, 이들 모형의 예측력을 비교 분석하였다. 분석 결과 하이퍼혼합인공신경망 모형의 예측력이 가장 우수한 것으로 나타나, 인공신경 망을 기반으로 한 수요예측에 있어 상관관계가 높은 다른 시계열 자료를 입력변수로 추가함으로써 인공신경망모형의 예측력을 개선시킬 수 있음을 알 수 있었다

• Journal of Digital Convergence
• /
• v.10 no.9
• /
• pp.357-362
• /
• 2012

We have compared and predicted for non-linear time series data which are real data having different variences using GRCA(1) model and neural network method. In particular, using Korea Composite Stock Price Index rate, mean square errors of prediction are obtained in genaralized random coefficient autoregressive model and neural network method. Neural network method prove to be better in short-term forecasting, however GRCA(1) model perform well in long-term forecasting.

• Proceedings of the KIEE Conference
• /
• 2000.07d
• /
• pp.2968-2970
• /
• 2000

시계열(time series)이란 한 사상 또는 여러 사상에 대하여 시간의 흐름에 따라 일정한 간격으로 이들을 관측하여 기록한 자료를 말한다. 이러한 시계열은 어떠한 경제현상이나 자연현상에 관한 시간적 변화를 나타내는 역사적 계열(historical series)이므로 어느 한 시점에서 관측된 시계열자료는 그 이전까지의 자료들에 주로 의존하게 된다. 따라서 시계열분석을 통한 예측에서는 과거의 자료들을 분석하여 법칙성을 발견해서 이를 모형화하여 추정하고. 이 추정된 모형을 사용하여 미래에 관측될 값들을 예측하게 된다. 본 연구에서는 ARMA (p, q)모형 (autoregressive moving-average model)을 이용하여 시계열 데이터를 분석하며 계수의 추정에는 Levinson-Durbin 알고리듬과 Newton-Raphson Method를 이용한다.

• The Korean Journal of Applied Statistics
• /
• v.32 no.6
• /
• pp.851-865
• /
• 2019

Discovering various features from one time series is complicated. In this paper, we introduce a multi aggregation prediction algorithm (MAPA) that uses the concepts of temporal aggregation and combining forecasts to find multiple patterns from one time series and increase forecasting accuracy. Temporal aggregation produces multiple time series and each series has separate properties. We use exponential smoothing methods in the next step to extract various features of time series components in order to forecast time series components for each series. In the final step, we blend predictions of the same kind of components and forecast the target series by the summation of blended predictions. As an empirical example, we forecast traffic accident counts using MAPA and observe that MAPA performance is superior to conventional methods.

• Proceedings of the KIEE Conference
• /
• 2000.07d
• /
• pp.2983-2985
• /
• 2000

이 논문의 목적은 시계열 예측 엔진의 개발과 그 엔진을 Application S/W로 구현하는 것이다 시계열 예측 엔진은 과거의 데이터를 분석하여 예측을 위한 식의 차수와 형태를 결정하고 이를 바탕으로 파라미터를 결정한 후 미래의 간을 예측하는 3가지 단계를 거친다. 석기에 쓰이는 기법들은 여러 가지가 있는데 본 논문에서는 ARMA(Auto Regressive Moving Average)를 기본으로 분석하였다 Application S/W는. 개발된 예측 엔진에서 분석될 과거 데이터를 입력받아 예측 엔진 구동에 사용되고 그 결과를 그래프로 나타내는 일련의 과정을 거친다. Application S/W 개발의 많은 Programming Language가 존재하지만 본 논문에서는 Visual C누 +을 사용하였다. 또한 이 논문에선, 특정 교차로를 통과하는 교통량 변화에 대한 데이터를 이용하여 예측을 수행하고. 그 결과를 Application S/W에 적용시켰다.

• 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.