• Journal of the Korea institute for structural maintenance and inspection
• /
• v.7 no.4
• /
• pp.129-137
• /
• 2003

The cable in the cable-supported structures is long, therefore it can be reasonable to apply the different models, compared with those used for general steel elements. This paper compares the statistical models with existing cable fatigue data, after deriving the cdf(cumulative distibution function) with modifying the log-normal distribution, the existing extremal distributions so as to include length effect. The paper presents the appropriate model for analyzing and assessing the fatigue behavior of cable which is being used for actual structures.

• Journal of the Society of Disaster Information
• /
• v.17 no.2
• /
• pp.245-253
• /
• 2021

Purpose: This study develops a risk prediction model that predicts the risk of a fire site by using initial information such as building information and reporter acquisition information, and supports effective mobilization of fire fighting resources and the establishment of damage minimization strategies for appropriate responses in the early stages of a disaster. Method: In order to identify the variables related to the fire damage scale on the fire statistics data, a correlation analysis between variables was performed using a machine learning algorithm to examine predictability, and a learning data set was constructed through preprocessing such as data standardization and discretization. Using this, we tested a plurality of machine learning algorithms, which are evaluated as having high prediction accuracy, and developed a risk prediction model applying the algorithm with the highest accuracy. Result: As a result of the machine learning algorithm performance test, the accuracy of the random forest algorithm was the highest, and it was confirmed that the accuracy of the intermediate value was relatively high for the risk class. Conclusion: The accuracy of the prediction model was limited due to the bias of the damage scale data in the fire statistics, and data refinement by matching data and supplementing the missing values was necessary to improve the predictive model performance.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2021.11a
• /
• pp.618-621
• /
• 2021

수박의 이미지와 수박의 무게 데이터를 활용해 수박의 당도를 예측하고 모델의 정확도를 측정한다. 과피가 얇고, 부피가 작은 과일의 경우 휴대용 비파괴 당도 측정기를 통해 비교적 간편하게 당도 측정이 가능하다. 하지만 수박은 과피도 두껍고, 부피도 크기 때문에 넓은 장소와 비용을 부담해야 하는 선별장에만 당도를 측정할 수 있는 실정이다. 본 논문에서는 줄무늬가 끊어지지 않고, 원형이 아닌 타원형이 맛있는 수박이라는 속설에 부합하는 수박이 실제로 맛있는 수박인지를 확인하고자 수박 이미지를 수집하여 당도에 따라 이미지를 분류한 다음, CNN 을 적용하여 수박 당도 예측을 실시하였다. 실험 결과 타원형 수박은 당도가 높은 것으로 나타났으나 줄무늬가 끊어진 수박과 끊어지지 않은 수박 간의 당도 차이는 없는 것으로 나타났다. 향후 수박의 당도에 영향을 미칠 수 있는 다양한 변수를 활용하여 정확도를 높인다면 현재 사용되고 있는 비파괴 당도 측정기를 보완할 수 있을 것으로 기대된다.

• ETRI Journal
• /
• v.14 no.1
• /
• pp.76-86
• /
• 1992

시스팀의 구조가 복잡하면 할수록 신뢰도는 중요한 문제로 부각된다. 신뢰도는 시스팀의 신뢰도 예측, 시스팀 설계시 신뢰도 배분, 장기간에 걸친 운영시 시스팀 유지와 보수 또 이에 따른 인원계획에도 영향을 미치고 있으며, 시스팀의 효율성 및 경제성 파악에 중요한 척도로 이용되고 있다. 본고에서는 신뢰도 모델로서 와이블 (Weibull) 분포의 이용과 적합도 판정문제를 고찰한다. 특히 새로운 통계방법을 이용하여 계산이 간편한 적합도 판정법을 소개한다.

• The KIPS Transactions:PartB
• /
• v.18B no.5
• /
• pp.271-278
• /
• 2011

Storm and flood such as torrential rains and major typhoons has often caused damages on a large scale in Korea and damages from storm and flood have been increasing by climate change and warming. Therefore, it is an essential work to maneuver preemptively against risks and damages from storm and flood by predicting the possibility and scale of the disaster. Generally the research on numerical model based on statistical methods, the KDF model of TCDIS developed by NIDP, for analyzing and predicting disaster risks and damages has been mainstreamed. In this paper, we introduced the model for prediction of damage cost from storm and flood by the neural network algorithm which outstandingly implements the pattern recognition. Also, we compared the performance of the neural network model with that of KDF model of TCDIS. We come to the conclusion that the robustness and accuracy of prediction of damage cost on TCDIS will increase by adapting the neural network model rather than the KDF model.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2016.05a
• /
• pp.332-335
• /
• 2016

2000년대 들어 정보기술의 발달로 정보공유와 수집을 쉽게 할 수 있게 되면서 많은 정보를 활용하여 미래의 사람들의 행동과 생각을 예측하기에 이른다. 특히, 정부는 보안과 위험관리 분야에 빅데이터 개념을 도입하여 미래에 대한 위험을 예측하고 효과적으로 관리할 수 있게 되었다. 선박도 사람과 마찬가지로 선박운항과 관련된 수많은 정보들을 만들어낸다. 이렇게 생성된 정보는 각 기관에 흩어져 관리되고 있으며, VTS센터에서 수집되는 정보들은 아직까지 체계적인 관리조차 이루어지지 않고 있다. 본 제언은 국내 VTS센터, 나아가 인근 국가의 VTS센터에서 생성되는 각종 정보들과 관련 기관에서 활용되는 정보들을 한 곳에서 통합하여 관리하는 시스템을 구축하고 이곳에서 공유 분석되는 정보를 통해 조금이나마 선박사고의 위험성을 감소시킬 수 있는 관제 방법에 대해서 생각해보았다. 이에 대한 방안 중 하나로 정보공유를 통한 선박 사고 개연성 예측 모델을 제시하고자 한다. 이후 연구를 통해, 본 제언에서 제시된 사고 개연성 예측 모델을 위한 위험유발 인자와 사고의 발생과의 상관을 통계적으로 해명할 수 있게 된다면 본 모델을 활용하여 보다 선제적이고, 효율적인 선박관제를 수행할 수 있을 것으로 생각된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2011.05a
• /
• pp.171-171
• /
• 2011

상수도의 합리적인 운용과 관리를 위해서는 급수량 예측이 매우 중요하다. 기존 급수량 예측은 신경망과 칼만 필터법을 사용한 연구들이 대부분이었다. 이러한 연구결과들은 높은 상관결과를 갖고 있지만 이는 자기상관계수에 대한 높은 의존도에 따른 결과로 볼 수 있다. 즉, 예측의 결과가 전날 수요량을 거의 그대로 따라오는 경향을 띄어, 급수량 예측 그래프가 기존 그래프를 오른쪽으로 이동시킨 것과 같이 나타난다. 본 연구에서는 이러한 문제점들을 해결하기 위해서 물수요량을 예측하는데 있어서 효과적인 예측인자를 도출하는 것이 우선되어야 할 것으로 판단되었다. 이에, 물수요량 특성을 효과적으로 나타내어 줄 수 있는 예측인자로서 강수량, 최저온도, 최고온도, 평균온도 등을 1차적으로 선정하였다. 이들 예측인자들과 서울시 물수요량과의 상관성을 평가하여 최적의 예측인자 Set과 지체시간 등을 산정하였다. 이렇게 선정된 예측인자와 Bayesian 통계기법 기반의 회귀분석 모형을 구축하여 물수요량을 예측하였다. 본 연구에서 적용하고자 하는 계층적 Bayesian 모형은 유사한 특성을 가지는 자료계열들 사이에서 서로 보완이 될 수 있는 정보들을 추출함으로써 모형이 갖는 불확실성을 상당히 줄일 수 있는 방법이다. 이러한 모형적 특징은 생산량 예측에 대한 불확실성 저감 측면에서 장점이 있을 것으로 판단된다. 본 연구에서는 광암, 암사, 구의, 뚝도, 영등포, 강북 정수장을 대상으로 모형의 적합성을 평가하였다. 이러한 연구결과는 향후 정수장 운영계획 및 동일한 시스템을 갖는 상수도 급수량 예측 시 유용하게 사용할 수 있을 것이다.

• The KIPS Transactions:PartC
• /
• v.14C no.3 s.113
• /
• pp.305-312
• /
• 2007

In this paper, we present a received signal strength (RSS) prediction model to timely Initiate link layer triggers for fast handoff in a wireless LAN system. Noting that the distance between a mobile terminal and an access point is not changed abruptly in a short time interval, an adaptive RSS predictor based on a stationary time series model is proposed. RSS data obtained from ns-2 simulations are used to identity the time series model and verify the predictability of the RSS data. The results suggest that an autoregressive process of order 1 (AR(1)) can be used to represent the measured RSSs in a short time interval and predict at least 1-step ahead RSS with a high confidence level.

• Journal of the Korea Institute of Information and Communication Engineering
• /
• v.25 no.6
• /
• pp.749-756
• /
• 2021

Thanks to PLC and IoT Sensor, huge amounts of data has been accumulated onto the companies' databases. Machine Learning Algorithms for the predictive model with good performance have been widely utilized in the manufacturing process. We present how to improve the performance of machine learning predictive models. To improve the performance of the predictive model, typical techniques such as increasing the sample size, optimizing the hyper parameters for the algorithm, and selecting a proper machine learning algorithm for the predictive model would be shown. We suggest some new ways to make the model performance much better. With the proposed methods, we can build a better predictive model for predicting and controlling product qualities and save incredibly large amount of quality failure cost.

• The Journal of the Institute of Internet, Broadcasting and Communication
• /
• v.19 no.5
• /
• pp.187-194
• /
• 2019

Traditional demand forecasting methods are difficult to meet the needs of companies due to rapid changes in the market and the diversification of individual consumer needs. In a diversified production environment, the right demand forecast is an important factor for smooth yield management. Many of the existing predictive models commonly used in industry today are limited in function by little. The proposed model is designed to overcome these limitations, taking into account the part where each model performs better individually. In this paper, variables are extracted through Gray Relational analysis suitable for dynamic process analysis, and statistically predicted data is generated that includes characteristics of historical demand data produced through ARIMA forecasts. In combination with the LSTM model, demand forecasts can then be calculated by reflecting the many factors that affect demand forecast through an architecture that is structured to avoid the long-term dependency problems that the neural network model has.