• The Korean Journal of Applied Statistics
• /
• v.28 no.5
• /
• pp.885-893
• /
• 2015

It is important to improve the forecasting accuracy of one-year-ahead seasonal factors in order to produce seasonally adjusted series of the following year. In this paper, seasonal factors of 8 monthly Korean economic time series are examined and forecast based on the functional principal component regression. One-year-ahead forecasts of seasonal factors from the functional principal component regression are compared with other forecasting methods based on mean absolute error (MAE) and mean absolute percentage error (MAPE). Forecasting seasonal factors via the functional principal component regression performs better than other comparable methods.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2012.01a
• /
• 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.

• The Korean Journal of Applied Statistics
• /
• v.33 no.2
• /
• pp.147-160
• /
• 2020

In this paper, we study an algorithm that automatically determines the orders of past observations and conditional mean values that play an important role in count time series models. Based on the orders of the ARIMA model, the algorithm constitutes the order candidates group for time series generalized linear models and selects the final model based on information criterion among the combinations of the order candidates group. To evaluate the proposed algorithm, we perform small simulations and empirical analysis according to underlying models and time series as well as compare forecasting performances with the ARIMA model. The results of the comparison confirm that the time series generalized linear model offers better performance than the ARIMA model for the count time series analysis. In addition, the empirical analysis shows better performance in mid and long term forecasting than the ARIMA model.

• 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.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2008.05a
• /
• pp.1007-1012
• /
• 2008

유역통합수자원관리의 시작은 기상예측정보의 제공으로부터 시작된다. 하지만, 기상예측정보는 단기, 중기, 장기로 구분되며, 제공되는 정보가 수자원 운영에 필요한 정보와 시간적으로나 공간적으로 차이가 나며, 가공에 많은 전문가들의 노력이 필요하여 실무에서의 적용에 많은 어려움이 따른다. 따라서 본 연구에서는 이러한 문제들을 해결하고 용이하게 수자원 운영자에게 필요한 기상정보를 적절한 형태의 가공을 통하여 자동적으로 제공해 주는데 그 목적이 있다. 이러한 시스템의 구축을 통해 향후 수자원 운영에 있어 필수적인 의사결정 정보를 제공해 주어 수자원의 이용효율을 높이고자 한다. 구축된 시스템은 금강 유역에 대해 소유역단위로 장기 유출의 입력자료인 일단위 예측 강수를 30일간 제공하도록 시스템을 구축하였다. 단기(1일$\sim$2일)에는 RDAPS의 모의 결과인 Grib파일을 자동 추출하여 예측 강수를 제공한다. 1일에 두 번 모의되는 RDAPS의 결과를 일단위로 제공하기 위해 여러 가지 case별 분석을 실시하여 가장 적합한 기법을 이용하여 일단위 시계열을 구축하는 시스템을 설계하였다. 중기(3일$\sim$10일)에는 GDAPS 결과인 Grib파일을 자동 추출하여 유역단위 시계열을 구축한 뒤 과거 자료를 이용한 연 평균 자료를 이용하여 가중치를 곱하여 시계열을 구축하였다. 장기(11일$\sim$30일) 시계열의 구축을 위해서는 단기 및 중기 예측 시계열을 이용하여 과거 시계열 자료와의 통계적 비교 분석을 이용하여 유사 시계열을 추출한 후 과거 자료에 대한 평균값과 기상 전망을 이용하여 가중치를 부여하는 방법 등을 이용하여 시스템을 구축하였다. 본 시스템은 한국수자원공사에서 운영 중인 RRFS모형의 입력 자료를 자동 생성할 수 있는 기능을 제공하도록 설계되었다. 이러한 시스템의 구축을 통해 기상정보를 다루는데 익숙하지 않은 수자원 운영자들에게 비교적 용이하게 유역단위 기상예측 정보를 추출하는데 큰 도움이 될 것으로 기대한다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2021.05a
• /
• pp.509-512
• /
• 2021

최근 다양한 시계열 데이터의 분석이 딥러닝 방법을 통하여 수행되고 있다. 주로 RNN과 LSTM을 이용하여 많은 시계열 예측이 이루어지고 있다. 하지만 이러한 예측모델을 생성하는데 가장 중요한 것은 어떠한 변수를 얼마나 사용하는지가 중요하다. 이에 대하여, 본 연구에서는 3개의 신경망을 적용하여, 속성을 선택하는 Selection MLP, 속성에 가중치를 부여하는 Extraction MLP 그리고 예측을 진행하는 Prediction MLP로 이루어진 MLP-SEL 구조를 제안한다. 비교를 위하여 다른 순환 신경망에 대하여 시계열 데이터에 대한 예측을 진행하였으며, 그 결과 우리가 제안한 MLP-SEL 모델의 시계열 예측이 좋은 성능을 보였다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2014.01a
• /
• pp.347-348
• /
• 2014

최근 급증하는 교통 혼잡으로 인해 시간적/물질적 손실이 크게 발생하고 있다. 이러한 교통난 해소는 시설투자만으로는 근본적인 해결책이 될 수 없다는 판단 하에 지난 수년간 보다 정확한 교통량을 예측하기 위해 시계열 기반의 다양한 교통량 예측 모델들이 개발 되어 왔다. 그러나 시계열 기반의 모델들은 회귀분석을 통해 과거 교통량을 분석하고 과거의 교통패턴이 미래에도 지속적으로 연장된다는 가정 하에 연구되었기 때문에 실시간으로 급변하는 불규칙한 교통 패턴에 대한 예측의 신뢰성을 떨어트린다. 또한 시계열 기반의 예측 기법은 어떠한 회귀분석 모델을 사용하는지에 따라 성능의 차이가 많이 나타나기 때문에 회귀분석 모델 선택이 중요하다. 이러한 제약을 극복하기 위해 본 논문에서는 은닉 마르코프 모델(Hidden Markov model)을 이용해 동적인 교통 패턴에 따라 현재 상황에 맞는 회귀분석 모델을 선택하는 신뢰도 높은 교통량 예측 시스템을 제안한다.

• Journal of the Korean Data and Information Science Society
• /
• v.24 no.2
• /
• pp.321-332
• /
• 2013

Because of the continuous low birthrates, the number of the elementary students will decrease by 17% in 2020 compared to 2011. The purpose of this study is to forecast the number of elementary school teachers until 2020. We used the data in education statistical year books from 1970 to 2010. We used the time-series regression model, time series grouped regression model and exponential smoothing model to predict the number of teachers for the next ten years. Consequently time-series grouped regression model is a better model for forecasting the number of elementary school teachers than other models.

• 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.

• 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.