• Proceedings of the KOR-KST Conference
• /
• 1998.10a
• /
• pp.265-274
• /
• 1998

본 논문은 도로를 주행하는 차량의 지점속도에 대하여 단기간(short-term)으로 예측하는 네 가지의 모형들에 대한 개발 및 결과의 비교하고 평가했다. 사용된 기법들로는 다중회귀분석, 시계열분석(ARIMA), 인공 신경망, 칼만필터링 등이며, 모형의 구출을 위하여 다수의 독립변수 및 입력변수가 요구되는 다중회귀분석과 인공 신경망에서는 연속방정식에서 고려되는 변수들간의 단순상관계수 및 편상관계수의 계산을 통해서 입력변수가 설정이 되었으며, 시계열분석(ARIMA)과 칼만필터링 등 단일 입력 변수만을 요하는 모형에서는 바로 전 시간대와 현재시간대의간격동안 속도의 변화량을 입력변수로 설정하였다. 속도를 비롯해서 교통 데이터는 현장자료를 사용하였는데, 이는 서울의 한강 옆에 위치한 올림픽대로 중 한강대로에 위치한 검지기 3개를 통해서 천호동 방면으로 이동하는 교통류에 대해서 17시간 (00시~17시)동안 수집했다. 17시간 수집했는데 그중에 검지된 속도는 14km/h에서 98km/h까지 변하는 등, 수집된 자료에는 다양한 교통상태가 포함되어 있는데 이는 각 모형들의 정확한 예측력과 적응성을 평가하기 위함이었다. 각 모형은 예측하고자 하는 시점으로부터 1, 5, 10, 15분 후의 속도를 예측하는 것으로 총 4가지의 예측시간간격으로 각각 실험되었다. 결과는 전반적으로 신뢰성 있게 나왔으나 그중에서도 정확성면에서는 인공신경망과 칼만필터링이 우수했고 적응성면에서는 칼만필터리딩 탁월했다. 또한 1분 후의 속도를 예측하는 결과들은 모형들간에 거의 비슷한 정확도를 보여주었는데 이는 입력변수의 설정이 중요한 것임을 보여주는 것이라 판단된다. 있는 기법이다.적으로 세부적 차종분류로 접근한다.의 영향들을 고려함으로써 가로망 설계 과정에서 가로망의 상반된 역할인 이동성과 접근성의 비교가 가능한 보다 현실적인 가로망 설계 모형을 구축하고자 한다. 지금까지 소개된 가로망 설계모형들은 용량변화에 대한 설계변수의 형태에 따라 이산적 가로망 설계 모형과 연속적 가로망 설계모형으로 나뉘어지게 된다. 본 논문의 경우, 계산속도의 향상 측면에서는 연속적 가로망 설계 모형을 도입할 수 있지만, 이때 요구되는 도로용량이 이산적인 변수(차선 수)로 결정되어야만 신호제어 변수를 결정할 수 있기 때문에, 이산적 가로망 설계 모형이 사용된다. 하지만, 이산적 설계모형의 경우 조합최적화 문제이므로 정확한 최적해를 구하기 위해서는 상당한 시간이 소요되며, 경우에 따라서는 국부 최적해에 빠지게 된다. 이러한 문제를 극복하기 위해, 우선 이상적 모형의 근사화, 혹은 조합최적화문제를 위해 개발된 Simulated Annealing기법의 적용, 연속적 모형의 변수를 이산화하는 방법 등 다양한 모형들을 고려해 본 뒤, 적절한 모형을 적용할 것이다. 가로망 설계 모형에서 신호제어를 고려하기 위해서는 주어진 가로망에 대한 통행 배정과정에서 고려되는 통행시간을 링크통행시간과 교차로 지체시간을 동시에 고려해야 하는데, 이러한 문제의 해결을 위해서 최근 활발히 논의되고 있는 교차로에서의 신호제어에 대응하는 통행배정 모형을 도입하여 고려하고자 한다. 이를 위해서 지금까지 연구되어온 Global Solution Approach와 Iterative Approach를 비교, 검토한 뒤 모형에 보다 알맞은 방법을 선택한다. 차량의

• Journal of Intelligence and Information Systems
• /
• v.22 no.1
• /
• pp.139-157
• /
• 2016

Bankruptcy involves considerable costs, so it can have significant effects on a country's economy. Thus, bankruptcy prediction is an important issue. Over the past several decades, many researchers have addressed topics associated with bankruptcy prediction. Early research on bankruptcy prediction employed conventional statistical methods such as univariate analysis, discriminant analysis, multiple regression, and logistic regression. Later on, many studies began utilizing artificial intelligence techniques such as inductive learning, neural networks, and case-based reasoning. Currently, ensemble models are being utilized to enhance the accuracy of bankruptcy prediction. Ensemble classification involves combining multiple classifiers to obtain more accurate predictions than those obtained using individual models. Ensemble learning techniques are known to be very useful for improving the generalization ability of the classifier. Base classifiers in the ensemble must be as accurate and diverse as possible in order to enhance the generalization ability of an ensemble model. Commonly used methods for constructing ensemble classifiers include bagging, boosting, and random subspace. The random subspace method selects a random feature subset for each classifier from the original feature space to diversify the base classifiers of an ensemble. Each ensemble member is trained by a randomly chosen feature subspace from the original feature set, and predictions from each ensemble member are combined by an aggregation method. The k-nearest neighbors (KNN) classifier is robust with respect to variations in the dataset but is very sensitive to changes in the feature space. For this reason, KNN is a good classifier for the random subspace method. The KNN random subspace ensemble model has been shown to be very effective for improving an individual KNN model. The k parameter of KNN base classifiers and selected feature subsets for base classifiers play an important role in determining the performance of the KNN ensemble model. However, few studies have focused on optimizing the k parameter and feature subsets of base classifiers in the ensemble. This study proposed a new ensemble method that improves upon the performance KNN ensemble model by optimizing both k parameters and feature subsets of base classifiers. A genetic algorithm was used to optimize the KNN ensemble model and improve the prediction accuracy of the ensemble model. The proposed model was applied to a bankruptcy prediction problem by using a real dataset from Korean companies. The research data included 1800 externally non-audited firms that filed for bankruptcy (900 cases) or non-bankruptcy (900 cases). Initially, the dataset consisted of 134 financial ratios. Prior to the experiments, 75 financial ratios were selected based on an independent sample t-test of each financial ratio as an input variable and bankruptcy or non-bankruptcy as an output variable. Of these, 24 financial ratios were selected by using a logistic regression backward feature selection method. The complete dataset was separated into two parts: training and validation. The training dataset was further divided into two portions: one for the training model and the other to avoid overfitting. The prediction accuracy against this dataset was used to determine the fitness value in order to avoid overfitting. The validation dataset was used to evaluate the effectiveness of the final model. A 10-fold cross-validation was implemented to compare the performances of the proposed model and other models. To evaluate the effectiveness of the proposed model, the classification accuracy of the proposed model was compared with that of other models. The Q-statistic values and average classification accuracies of base classifiers were investigated. The experimental results showed that the proposed model outperformed other models, such as the single model and random subspace ensemble model.

• Journal of Intelligence and Information Systems
• /
• v.20 no.4
• /
• pp.43-58
• /
• 2014

As the use of trading systems has increased rapidly, many researchers have become interested in developing effective stock market prediction models using artificial intelligence techniques. Stock market prediction involves multifaceted interactions between market-controlling factors and unknown random processes. A successful stock prediction model achieves the most accurate result from minimum input data with the least complex model. In this research, we develop a combination model of ${\pi}$-fuzzy logic and support vector machine (SVM) models, using a genetic algorithm to optimize the parameters of the SVM and ${\pi}$-fuzzy functions, as well as feature subset selection to improve the performance of stock market prediction. To evaluate the performance of our proposed model, we compare the performance of our model to other comparative models, including the logistic regression, multiple discriminant analysis, classification and regression tree, artificial neural network, SVM, and fuzzy SVM models, with the same data. The results show that our model outperforms all other comparative models in prediction accuracy as well as return on investment.

• Proceedings of the Korean Association of Geographic Inforamtion Studies Conference
• /
• 2004.03a
• /
• pp.215-220
• /
• 2004

유역수문모형에서 SCS방법 적용시 입력되는 주요 매개변수인 유역평균 CN값은 RS와 GIS를 적용하면 쉽게 계산이 가능하나, 입력자료의 종류 및 공간해상도의 선택에 따라 같은 자료일 지라도 다르게 계산된다. 본 연구에서는 Landsat 7 ETM+,SPOT 5, 1:25,000 토지이용현황도, 정밀토양도, 개략토양도를 이용하여 2.5m, 30m 공간해상토의 자료로부터 유역평균CN을 계산하였으며, 이들을 각각 2.5m～1000m 크기의 격자로 재배열하여 유역평균을 비교함으로서 해상도가 유역 CN값 변화와 어떠한 관계가 있는지 분석하고자 하였다. 분석결과 해상도에 따라 일정구간 이상에 대하여 오차를 나타내고 있었으며, 자료의 선택에 따라 유역평균 CN 값의 변화가 있는 것으로 분석되었다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2005.11a
• /
• pp.467-470
• /
• 2005

퍼지모델은 주로 경험적 방법에 의해 추출되기 때문에 보다 구체적이고 체계적인 방법에 의한 동정 및 최적화 될 필요성이 요구된다. 따라서 본 논문에서는 퍼지 모델의 전반부 및 후반부의 구조 동정과 파라미터 동정에 있어서 최적의 구조 및 파라미터를 찾기 위해 유전자 알고리즘을 이용한다. 초기 퍼지 모델을 설계하기 위해 유전자 알고리즘을 이용하여 입력 변수의 수, 선택될 입력 변수, 멤버쉽함수의 수, 그리고 후반부 형태를 결정한다. 구축된 퍼지 모델은 유전자 알고리즘에 의해 세대를 거듭하면서 전반부 파라미터를 자동 동조함으로써 최적의 퍼지 모델을 설계한다. 또한 구조 동정 및 파라미터 동정을 동시에 시행함으로서 정보 입자 기반 퍼지 모델의 유전자적 최적화를 도모한다. 마지막으로 제안된 퍼지 모델은 표준 모델로서 널리 사용되는 수치적인 예를 통하여 평가한다.

• Proceedings of the KIEE Conference
• /
• 2006.07d
• /
• pp.2095-2096
• /
• 2006

본 논문에서는 복잡하고 비선형적인 시스템에 대하여 구체적이고 체계적인 방법에 의한 퍼지 모델을 동정하기 위해 유전자알고리즘을 이용하여 전반부 및 후반부의 구조와 파라미터 동정하기 위한 유전론적 접근을 소개한다. 정보 입자 기반 퍼지 모델의 구조를 동정하기 위하여 유전자 알고리즘을 이용하여 입력 변수의 수, 선택될 입력 변수, 멤버쉽함수의 수, 그리고 후반부 형태를 결정하고, 파라미터를 동정하기 위하여 전반부 멤버쉽 파라미터를 동조하여 최적의 퍼지 모델을 설계한다. 또한 구조 동정 및 파라미터 동정에 있어서 개별적인 방법과 동시적인 방법으로 접근하여 정보 입자 기반 퍼지 모델의 최적 동정을 도모한다. 마지막으로 제안된 퍼지 모델은 표준 모델로서 널리 사용되는 수치적인 예를 통하여 평가한다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2004.04a
• /
• pp.283-287
• /
• 2004

본 논문은 뉴로-퍼지 모델의 구조 학습을 이용하여 단기 전력 수요 예측시스템을 개발하기 위한 체계적인 방법을 제안한다. 제안된 단기 수요 예측시스템은 1시간, 24시간, 168시간의 예측 리드 타임을 갖고 예측을 수행하기 위해서 요일 유형과 시간 별로 총 96개의 초기 구조를 미리 생성하고, 이를 초기 구조 뱅크에 저장한다. 예측이 수행되는 시접에 해당하는 초기 구조를 선택하여 뉴로-퍼지 모델을 초기화하고, 학습하고, 예측을 수행한다. 제안된 예측시스템은 단지 2개의 입력 변수만을 이용하기 때문에 간단한 모델 구조를 가질 뿐 아니라 학습된 퍼지 규칙을 해석하는 것이 매우 용이하다는 장점을 갖는다. 제안된 방법의 실효성을 검증하기 위해 1996년과 1997년의 한국전력의 실제 전력 수요 데이터를 이용하여 1시간, 24시간, 168시간 앞의 전력 수요를 예측하는 모의 실험을 수행한다. 실험 결과 제안된 방법은 단지 2개의 입력 변수를 사용함에도 불구하고, 기존의 예측 방법과 비교하여 예측의 정확도와 신뢰도 측면에서 우수한 성능을 얻는다.

• Proceedings of the KIEE Conference
• /
• 2001.07a
• /
• pp.323-326
• /
• 2001

본 논문은 뉴로-퍼지 모델의 구조 학습을 이용하여 단기 전력 수요 예측시스템을 개발하기 위한 체계적인 방법을 제안한다. 제안된 단기 수요 예측시스템은 1시간, 24시간, 168시간의 예측 리드 타임을 갖고 예측을 수행하기 위해서 요일 유형과 시간 별로 총 96개의 초기 구조를 미리 생성하고, 이를 초기 구조 뱅크에 저장한다. 예측이 수행되는 시점에 해당하는 초기 구조를 선택하여 뉴로-퍼지 모델을 초기화하고, 학습하고, 예측을 수행한다. 제안된 예측시스템은 단지 2개의 입력 변수만을 이용하기 때문에 간단한 모델 구조를 가질 뿐 아니라 학습된 퍼지 규칙을 해석하는 것이 매우 용이하다는 장점을 갖는다. 제안된 방법의 실효성을 검증하기 위해 1996년과 1997년의 한국전력의 실제 전력 수요 데이터를 이용하여 1시간, 24시간 168시간 앞의 전력 수요를 예측하는 모의 실험을 수행한다. 실험 결과 제안된 방법은 단지 2개의 입력 변수를 사용함에도 불구하고 기존의 예측 방법과 비교하여 예측의 정확도와 신뢰도 측면에서 우수한 성능을 얻는다.

• Proceedings of the KIEE Conference
• /
• 2007.10a
• /
• pp.405-406
• /
• 2007

본 논문에서는 FCM 기반 퍼지 뉴럴네트워크 구조를 제안하고 진화 알고리즘을 이용한 FCM 기반 퍼지 뉴럴네트워크의 구조와 파라미터의 최적화 방법을 제시한다. 클러스터링 알고리즘은 퍼지 뉴럴 네트워크에서 멤버쉽함수의 중심점과 반경 등을 결정하는 학습에 일반적으로 사용된다. 제안된 FCM 기반 뉴럴 네트워크에서 멤버쉽함수는 가우시안, 삼각형 타입등의 정해진 형태를 사용하지 않고 데이터들 사이의 거리에 관계된 계산을 수행하는 FCM에 의해 결정된다. 후반부는 상수형, 선형, 2차식 등의 다양한 다항식 구조로 표현될 수 있으며 다항식의 계수는 LSE를 이용하여 결정한다. FCM 기반 퍼지 뉴럴 네트워크는 퍼지규칙의 수, 입력변수의 선택, 후반부 다항식의 차수, FCM의 퍼지화 계수의 결정은 성능에 많은 차이가 있으며 이러한 구조와 파라미터의 최적화가 요구된다. 본 논문에서는 유전자 알고리즘을 이용하여 FCM 기반 퍼지뉴럴네트워크의 구조에 관련된 입력변수의 수, 퍼지규칙의 수 그리고 후반부 다항식의 차수와 파라미터에 관련된 퍼지화 계수를 최적화 한다. 제안된 방법은 비선형 시스템의 모델링에 적용하여 성능을 분석하였다.

• Proceedings of the KIEE Conference
• /
• 2007.07a
• /
• pp.1813-1814
• /
• 2007

본 논문에서는 개선된 정보입자 기반 퍼지모델과 기호코딩 기반 유전자 알고리즘을 이용한 퍼지모델의 구조동정을 다룬다. 클러스터링 방법을 이용하여 초기 데이터를 분할하고 각 클러스터에 대한 중심값과 소속정도에 대한 정보가 취득되며 이 취득된 정보입자는 퍼지모델에 적용된다. 또한 많은 입력변수를 갖는 시스템에 대하여 발생되는 고차원성 문제를 해결하기 위하여 기호코딩 기반 유전자 알고리즘을 이용하여 적절한 입력변수, 멤버쉽 함수의 수, 후반부 다항식의 차수등을 효율적으로 선택할 수 있는 구조동정방법을 제시한다.