• 한국항해항만학회:학술대회논문집
• /
• 한국항해항만학회 2007년도 추계학술대회 및 제23회 정기총회
• /
• pp.259-260
• /
• 2007

컨테이너항만의 물동량 예측은 항만의 계발 및 운영계획을 위해 매우 중요한 과정이다. 일반적으로 회귀분석, ARIMA 등의 통계적 방법론을 통해 많은 예측이 이뤄져왔다. 최근의 연구에서는 인공 신경망(ANN)기법을 통한 예측이 이뤄지고 있으며 기존의 선형적인 기법을 대신하고 있다. 본 연구에서는 선형모델과 비선형모델에 강점이 있는 ARIMA와 신경망 모델을 결합해 보다 효과적인 예측 모델을 개발하고자 한다. 실제 항만의 과거 자료를 통해 모델의 적합성을 측정하였고 항만의 특성에 따라 모형의 적합성이 다양하게 나타났다.

• 전력전자학회:학술대회논문집
• /
• 전력전자학회 2019년도 전력전자학술대회
• /
• pp.56-58
• /
• 2019

배터리의 효율적인 관리와 안정적인 운영을 위해서는 배터리의 노화에 따른 배터리의 모니터링이 필요하다. 하지만 모델 기반의 SOH 예측 모델의 경우 파라미터의 변화에 대한 정확한 정보가 반영되지 않을 경우 심각한 오류를 야기 할 수 있다. 따라서 본 논문에서는 비 모델인 시계열 예측 기법 ARIMA 모델을 제안하고 전기적 특성 실험을 통한 내부 파라미터에 대한 분석과 파라미터에 대한 상관분석, 이를 통한 SOH 예측을 통해 ARIMA 모델의 특성 및 정확성에 대해 제안한다.

• 한국항만경제학회지
• /
• 제29권3호
• /
• pp.1-23
• /
• 2013

본 연구는 1992년부터 2011년까지 월별자료를 사용하여 여러 가지 시계열 추정모델과 승법 계절 ARIMA 모형을 설정하여 부산항의 컨테이너 물동량을 추정하고 예측하였다. 여러 가지 모델로 추정한 결과 부산항의 컨테이너 물동량과 물동량 변동 모두 계절을 승법한 ARIMA 모델 $(1,0,1){\times}(1,0,1)_{12}$로 추정하였을 때, 추정결과와 Akaike information, Schwarz, Hannan-Quin 기준 등으로 보아, 가장 좋은 ARIMA 추정과 예측 모형으로 나타났다. 그리하여 부산항 물동량 추정의 최적모형인 ARIMA $(1,0,1){\times}(1,0,1)_{12}$ 모형에 의해 향후 8년간 96개월에 대한 부산항 물동량 미래 예측치(2013-2020년)를 월별로 추정하여 예측한 결과 2013년부터 부산의 물동량은 연도별로 조금씩 지속적으로 증가하는 추세를 보일 것으로 나타났다. ARIMA $(1,0,1){\times}(1,0,1)_{12}$ 모형에 의한 부산항의 컨테이너 물동량의 연도별 예측량은 2013년 1천 891만 TEU, 2014년 2천 34만 TEU, 2015년 2천 188만 TEU, 2016년 2천 353만 TEU, 2017년 2천 531만 TEU, 2018년 2천 722만 TEU 그리고 2020년 3천 148만 TEU 등으로 나타났다.

• 해양환경안전학회지
• /
• 제26권4호
• /
• pp.382-391
• /
• 2020

본 연구에서는 인공지능기법을 이용하여 진동만의 용존산소량 예측을 하였다. 관측자료에 존재하는 결측 구간을 보간하기 위해 양방향재귀신경망(BRITS, Bidirectional Recurrent Imputation for Time Series) 딥러닝 알고리즘을 이용하였고, 대표적 시계열 예측 선형모델인 ARIMA(Auto-Regressive Integrated Moving Average)과 비선형모델 중 가장 많이 이용되고 있는 LSTM(Long Short-Term Memory) 모델을 이용하여 진동만의 용존산소량을 예측하고 그 성능을 평가했다. 결측 구간 보정 실험은 표층에서 높은 정확도로 보정이 가능했으나, 저층에서는 그 정확도가 낮았으며, 중층에서는 실험조건에 따라 정확도가 불안정하게 나타났다. 실험조건에 따라 정확도가 불안정하게 나타났다. 결과로부터 LSTM 모델이 중층과 저층에서 ARIMA 모델보다 우세한 정확도를 보였으나, 표층에서는 ARIMA모델의 정확도가 약간 높은 것으로 나타났다.

• 한국지반공학회논문집
• /
• 제40권2호
• /
• pp.65-79
• /
• 2024

본 연구는 전통적인 통계기반 ARIMA(Auto-Regressive Integrated Moving Average) 모델과 딥러닝 기반 LSTM(Long Short-Term Memory) 모델을 활용하여 굴착 현장의 지중경사계 데이터를 통한 흙막이 벽체 변형을 예측하고, 두 모델의 예측 성능을 비교 분석하였다. ARIMA 모델은 시간의 흐름에 따른 시계열 데이터의 선형적 패턴을 분석하는 데 강점을 보이는 반면, LSTM은 데이터의 복잡한 비선형 패턴과 장기 의존성을 포착하는 데 우수한 능력을 보여주었다. 본 연구는 흙막이 벽체 변형 예측을 위해 지중경사계 계측 데이터에 대한 전처리, 다양한 시계열 데이터 길이 및 입력변수 조건 등에 따른 성능 평가를 포함하였으며, LSTM 모델이 ARIMA 모델에 비해 통계적으로 유의미한 예측 성능 향상을 확인하였다. 본 연구의 결과는 굴착 현장에서의 지중경사계 데이터를 활용한 흙막이 벽체의 안정성 평가에 LSTM 모델을 효과적으로 적용할 수 있음을 보여준다. 또한 이를 바탕으로 향후 굴착 현장 전체에 대한 안전모니터링 시스템 구축과 시계열 예측 모델 발전에 기여할 것으로 기대된다.

• 한국항해항만학회지
• /
• 제32권1호
• /
• pp.81-88
• /
• 2008

컨테이너항만의 물동량 예측은 항만의 개발 및 운영계획을 위해 매우 중요한 과정이다. 일반적으로 회귀분석, ARIMA모형 등의 통계적 방법론을 통해 많은 예측이 이뤄져왔다. 최근의 연구에서는 인공 신경망(ANN)기법을 통한 예측이 이뤄지고 있으며 기존의 선형적인 기법을 대신하고 있다. 본 연구에서는 선형모형과 비선형모형에 강점이 있는 ARIMA모형과 신경망모형을 결합해 보다 효과적인 예측 모형을 개발하고자 한다. 실제 항만의 과거 자료를 통해 모델의 적합성을 측정하였고 항만의 특성에 따라 모형의 적합성이 다양하게 나타났다.

• 전력전자학회논문지
• /
• 제27권4호
• /
• pp.316-324
• /
• 2022

This paper uses seasonal auto-regressive integrated moving average (S-ARIMA), which is efficient in seasonality between time-series models, to predict the degradation tendency for lithium-ion batteries and study a method for improving the predictive performance. The proposed method analyzes the degradation tendency and extracted factors through an electrical characteristic experiment of lithium-ion batteries, and verifies whether time-series data are suitable for the S-ARIMA model through several statistical analysis techniques. Finally, prediction of battery aging is performed through S-ARIMA, and performance of the model is verified through error comparison of predictions through mean absolute error.

• 한국전자통신학회논문지
• /
• 제17권3호
• /
• pp.423-432
• /
• 2022

전기자동차는 운전자가 바뀌거나 운전자의 주행습관이 바뀜에 따라 SOH가 급격하게 감소할 수 있고, 이러한 운전습관은 배터리에 과부하를 주어 배터리 수명의 단축 및 안전 문제를 일으킬 수 있다. 본 논문에서는 전기자동차의 계기판에 사용자 패턴 변화에 따른 SOH의 변화를, 실시간으로 나타내기 위하여, NASA에서 제공하는 배터리 데이터 세트를 학습하고, 기계학습 모델을 구축 후, 변화된 사용자 패턴을 포함한 배터리에 대해 선형회귀와 ARIMA 모델로 예측하는 실험을 진행하였다. 그 결과, 변화된 사용자 패턴에 따른 변경된 수명을 예측하는 경우, 배터리 데이터가 많이 확보되었다면 선형회귀가 유용하고, 데이터가 많이 확보되지 않은 경우는 ARIMA 모델이 대안이 될 수 있다는 연구결과를 얻을 수 있었다.

• 전기학회논문지
• /
• 제67권10호
• /
• pp.1257-1264
• /
• 2018

This paper proposes Autoregressive Integrated Moving Average (ARIMA)-based forecasting algorithms using meteorological indices to predict seasonal peak load. First of all, this paper observes a seasonal pattern of the peak load that appears intensively in winter and summer, and generates ARIMA models to predict the peak load of summer and winter. In addition, this paper also proposes hybrid ARIMA-based models (ARIMA-Hybrid) using a discomfort index and a sensible temperature to enhance the conventional ARIMA model. To verify the proposed algorithm, both ARIMA and ARIMA-Hybrid models are developed based on peak load data obtained from 2006 to 2015 and their forecasting results are compared by using the peak load in 2016. The simulation result indicates that the proposed ARIMA-Hybrid models shows the relatively improved performance than the conventional ARIMA model.

• 융합정보논문지
• /
• 제9권12호
• /
• pp.54-61
• /
• 2019

최근 들어 IITS는 스마트 시티관련 산업계에서 중요한 주제로 떠오르고 있다. IITS의 주요 목적인 교통체증 (차량 사고에 기인한) 예방책들이 발전된 센서 및 통신 기술의 도움을 받아 다양하게 시도되었다. 관련 연구들에서는 자동차 사고와 사고 위치적 특성, 날씨, 운전자 행동, 시간 등 다양한 요인들과 상관 관계가 있음을 보여주고 있다. 우리 연구는 자동차 사고와 사고 발생 시간 사이의 상관관계에 주제를 집중했다. 본 논문에서는 ARIMA (Auto-Regressive Integrated Moving Average) 자동 회귀, 정상 및 지연 순서를 결정하는 세 가지 요소를 확인하기 위해 ADF (Augmented Dickey-Fuller)를 포함한 ARIMA 테스트를 수행했다. 본 연구 결과로서 시간 별 자동차 충돌 수 예측에 대한 요약을 제시하며, 한국 내 자동차 사고 데이터는 ARIMA 모델에 적용될 수 있음을 보여주었고, 국내 자동차 사고는 하루를 기준으로 일정한 주기가 존재하는 성격을 가지고 있다는 것을 제시했다.