• 한국컴퓨터정보학회논문지
• /
• 제26권4호
• /
• pp.113-118
• /
• 2021

본 논문은 케미컬 탱커시장의 운임예측에 관하여 인공신경망을 적용하였으며 전통적인 시계열 모델인 ARIMA모형과 비교하였다. 케미컬 시장의 경우 상대적으로 소규모이나 범용성이 높은 선박을 이용한 시장으로 수급모델을 활용하여 운임시장을 분석하기 어려우며, 운임의 변동성이 크기 때문에 선형모형을 활용하는데는 한계가 있다. 본 연구는 케미컬 시장의 특성을 고려하여 비선형 모델인 인공신경망을 이용하여 ARIMA와 비교한 결과 RMSE와 Correlation 측면에서 예측성능이 우수함을 보였으며, 케미컬 탱커의 운임예측에 더 적합함을 보였다. 본 연구는 운임거래에 있어 과학적 모델을 제시함으로써 의사결정의 질을 제고하는데 기여할 뿐만 아니라 학문적으로 소외되어온 케미컬 시장 연구에 도움이 될 것으로 기대된다.

• 해양환경안전학회지
• /
• 제27권5호
• /
• pp.574-583
• /
• 2021

해운 시황을 예측하는 것은 중요한 문제이다. 투자 방식의 결정, 선대 편성 방법, 운임 등을 결정하기 위한 판단 근거가 되며 이는 기업의 이익과 생존에 큰 영향을 미치기 때문이다. 이를 위해 본 연구에서는 기계학습 모델인 장단기 메모리 및 간소화된 장단기 메모리 구조의 Gated Recurrent Units를 활용하여 컨테이너선의 해상운임 예측 모델을 제안한다. 운임 예측 대상은 중국 컨테이너 운임지수(CCFI)이며, 2003년 3월부터 2020년 5월까지의 CCFI 데이터를 학습에 사용하였다. 각 모델에 따라 2020년 6월 이후의 CCFI를 예측한 후 실제 CCFI와 비교, 분석하였다. 실험 모델은 하이퍼 파라메터의 설정에 따라 총 6개의 모델을 설계하였다. 또한 전통적인 분석 방법과의 성능을 비교하기 위해 ARIMA 모델도 실험에 추가하였다. 최적 모델은 두 가지 방법에 따라 선정하였다. 첫 번째 방법으로 각 모델을 10회 반복 실험하여 얻은 RMSE의 평균값이 가장 작은 모델을 선정하는 것이다. 두 번째 방법으로는 모든 실험에서 가장 낮은 RMSE를 기록한 모델을 선정하는 것이다. 실험 결과 전통적 시계열 예측모델인 ARIMA 모델과 비교하여 딥러닝 모델의 정확도를 입증하였으며, 정확한 예측모델을 통해 운임 변동의 위험관리 능력을 제고시키는데 기여했다. 반면 코로나19와 같은 외부 효과에 따른 운임의 급격한 변화상황이 발생한 경우, 예측모델의 정확도가 감소하는 한계점을 나타냈다. 제안된 모델 중 GRU1 모델이 두 가지 평가 방법 모두에서 가장 낮은 RMSE(69.55, 49.35)를 기록하며 최적 모델로 선정되었다.

• 한국항해항만학회:학술대회논문집
• /
• 한국항해항만학회 2013년도 추계학술대회
• /
• pp.133-135
• /
• 2013

장래의 해상교통량에 대한 정확한 예측은 항로설계 및 해상교통의 안전성 평가 측면에서 중요한 요소이다. 본 연구는 신뢰성 있는 해상교통량을 추정하기 위해 시계열 모델의 지수평활법과 ARIMA 모형을 이용하여 모형의 식별 및 진단 방안을 제시하였다. 제시된 방법의 효과를 검증하기 위하여 주요항만인 부산항, 광양항, 인천항, 평택항의 해상교통량을 예측하였다. 그 결과로 부산항은 ARIMA 모형, 광양항은 Winters 승법 모형, 인천항은 단순계절 모형, 평택항은 ARIMA 모형이 더 적합한 모형으로 알 수 있었으며, 각 항만별 계절에 따라 월별 교통량의 차이를 보이는 것으로 분석되었다. 본 연구 결과는 향후 항로 및 항만설계 또는 해상교통 안전성 평가에 보다 신뢰성 있는 추정치를 제공할 수 있을 것으로 보인다.

• 한국컴퓨터정보학회:학술대회논문집
• /
• 한국컴퓨터정보학회 2018년도 제58차 하계학술대회논문집 26권2호
• /
• pp.141-142
• /
• 2018

기존 데이터의 패턴 예측에는 통계를 기반으로 한 수학적 모델이 주로 사용되었으나 새로운 데이터에 대한 피드백이 부족하기 때문에 장기간의 데이터 예측에 한계가 있다. 또한 데이터의 특성이 다양하고 복잡한 경우에는 수학적 모델의 결합 및 계산과정이 어려워진다. 따라서 본 논문에서는 데이터의 학습 및 예측에 기존 정적 모델이 아닌 기계학습 중 시계열 데이터 분석 (Time Series Analysis) 을 기반으로 연구를 진행하였다. 기계학습은 복잡한 특성을 가진 데이터를 학습하여 미래의 데이터 값을 예측하거나 분류하는데 있어서 정확도 및 처리시간 측면에서의 성능을 향상시킬 수 있다.

• 한국조리학회지
• /
• 제15권2호
• /
• pp.231-242
• /
• 2009

호텔 연회에서 가장 중요한 정보 중 하나는 매출액 자료이다. 매출액 예측은 비용을 절감시키고 인력 배분의 효율성을 증가시키고 급변하는 환경에서 경쟁하는 능력을 향상시키는 데 도움이 되는 정보를 제공한다. 본 연구는 국내외 연구에서 적합한 예측모형으로 평가되고 있는 ARIMA 모형을 이용하여 호텔 연회장의 매출액을 예측하였다. 분석을 위해서 사용한 자료는 서울 소재 GI 호텔 연회장의 월별 매출액 자료를 사용하였으며, 분석 결과 SARIMA(2,1,3)(0,1,1)가 최종적으로 추정되었다. 본 연구의 시사점은 국내외 연구에서 적합한 예측모형으로 평가되고 있는 ARIMA 모델을 호텔 연회장의 월별 매출액 자료에 적용하였다는 점과 호텔 연회 실무자들에게 참고자료로 사용할 수 있는 유용한 정보를 제공하였다는 점을 들 수 있다.

• 대한교통학회지
• /
• 제32권6호
• /
• pp.600-614
• /
• 2014

본 연구는 SARIMA 모형을 활용하여 기존에 다루어지지 않았던 분기별 항만 컨테이너 물동량을 예측하였다. 구체적으로 모델 추정에 활용된 자료는 1994년 1사분기부터 2010년 4사분기까지 총 84분기동안의 국내 전체 항만 컨테이너 물동량 자료이다. 본 연구에서 추정된 예측 모형의 예측 정확도를 검증하기 위하여 2011년 1사분기부터 2013년 4사분기까지 물동량을 예측하여 실제 물동량과 비교하였다. 또한 기존에 널리 활용되고 있는 ARIMA 모형을 활용하여 추정한 예측 모형과의 비교를 통해 분기별 항만 물동량 예측에 있어서 SARIMA 모형의 상대적 우수성을 검증하였다. 기존에 항만 물동량을 예측하는 대부분의 연구는 주로 장기 예측에 초점이 맞추어져 있다. 또한 월별, 연도별 물동량 자료가 활용된 경우가 대부분이다. 분기별 항만 컨테이너 물동량 자료를 활용하여 단기 수요를 예측함과 동시에 SARIMA 모형의 우수성을 입증한 본 연구는 충분한 가치가 있다고 판단된다.

• 한국정보통신학회논문지
• /
• 제25권12호
• /
• pp.1756-1761
• /
• 2021

2019년 12월경 후베이 우한시에서 발생한 코로나19 바이러스가 점차 줄어드는 듯 보였으나, 2020년 11월, 2021년 6월 기준으로 점차 늘어나고 있으며, 전세계적으로 총 1억 9천 2백만명, 대한민국 기준 총 확진자는 대략 18만4천명으로 추정된다. 이에 따른 대책으로 중앙재난안전대책본부는 사회적 거리두기 4단계를 시행하면서 강력한 대응책을 내고있지만, 델타바이러스등 전염성이 강한 코로나 변이 바이러스가 기승을 부리면서 국내 일일 확진자 수는 1800명대 까지 증가하게 되었다. 그에따라 코로나바이러스의 심각성을 강조하고자 코로나 누적 확진자 수를 ARIMA 알고리즘을 이용해 예측한다. 그 과정에서 추세와 계절성을 제거하기 위해서 차분을 이용하고, MA, AR, 자기상관함수와 편자기상관함수를 이용해 ARIMA에서 p,d,q값을 결정하고 예측한다. 마지막으로 예측값과 실제값을 비교해 얼마나 잘 예측되었는지 평가한다.

• 한국전자거래학회지
• /
• 제24권1호
• /
• pp.1-16
• /
• 2019

최근 온실가스의 증가로 인한 기후변화 대응의 필요성과 전력수요의 증가로 인해 태양광발전량(PV) 예측의 중요성은 급격히 증가하고 있다. 특히, 태양광 발전량을 예측하는 것은 합리적인 전력 가격결정과 시스템 안정성 및 전력 생산 균형과 같은 문제를 효과적으로 해결하기 위해 전력생산 계획을 합리적으로 계획하는데 도움이 될 수 있다. 그러나 일사량, 운량, 온도 등과 같은 기후정보 및 계절 변화로 인한 태양광 발전량이 무작위적으로 변화하기 때문에 정확한 태양광 발전량을 예측하는 것은 도전적인 일이다. 따라서 본 논문에서는 딥러닝 모델을 통해 기후 및 계절정보를 이용하여 학습함으로써 장기간 태양광 발전량 예측 성능을 향상시킬 수 있는 기법을 제안한다. 본 연구에서는 대표적인 시계열 방법 중 하나인 계절형 ARIMA 모델과 하나의 은닉층으로 구성되어 있는 ANN 기반의 모델, 하나 이상의 은닉층으로 구성되어 있는 DNN 기반의 모델과의 비교를 통해 본 연구에서 제시한 모델의 성능을 평가한다. 실데이터를 통한 실험 결과, 딥러닝 기반의 태양광 발전량 예측 기법이 가장 우수한 성능을 보였으며, 이는 본 연구에서 목표로 한 태양광 발전량 예측 성능 향상에 긍정적인 영향을 나타내었음을 보여준다.

• 한국인터넷방송통신학회논문지
• /
• 제19권5호
• /
• pp.187-194
• /
• 2019

시장의 급속한 변화와 개별 수요자 요구의 다양화로 인하여 전통적인 예측 방식은 기업의 요구사항을 충족시키기 어렵다. 다변화하는 생산 환경에서의 올바른 수요예측은 원활한 수율관리를 위한 중요한 요소이다. 현재 산업에서 보편적으로 사용되는 기존의 많은 예측 모델은 조금씩 기능에 제한이 있다. 제안된 모델은 각 모델이 개별적으로 더 잘 수행하는 부분을 고려하여 이러한 한계를 극복하도록 설계 되었다. 본 논문에서는 동적 프로세스 분석에 적합한 Grey Relational 분석을 통한 변수 추출을 하고, ARIMA 예측값을 통하여 산출되는 과거 수요 데이터의 특징을 포함하는 통계적으로 예측된 데이터를 생성한다. 이후, LSTM 모델과 결합하여 신경망모델이 가지는 특성인 유연성, 장기적인 의존성 문제를 피하도록 구성되어진 구조를 통하여 수요예측에 영향을 주는 많은 요인들을 특징을 반영하여 수요예측을 산출할 수 있다.

• 한국정보전자통신기술학회논문지
• /
• 제10권4호
• /
• pp.295-303
• /
• 2017

본 논문에서는 최근 국제 해운시장의 동향과 국내 해운시장의 위기설에 대한 국내외적 요인을 정성적으로 파악하고, 국내 해운시장의 위기 이후 감소한 부산 신항의 물동량이 다시 회복세를 보일 수 있는 특성요인을 파악하고자 부산 신항의 향후 물동량에 대해 정량적으로 분석하여 사전적 예측추이의 파악과 회복세 추이를 분석하였다. 빅데이터 분석 툴인 R을 활용하여 부산 신항 컨테이너 물동량을 분석한 결과, 부산 신항 컨테이너 물동량의 변동은 승법계절 ARIMA 모델 (1,0,1)(1,0,1)[12]로 추정하였을 때, 추정오차와 AICc, BIC기준으로 가장 최적의 ARIMA모형인 것으로 나타났다. 따라서 부산 신항 물동량 추정의 최적의 모델인 ARIMA (1,0,1)(1,0,1)[12]에 의해 향후 36개월간의 부산 신항 물동량을 추정치를 예측한 결과, 13,157,184 TEU, 13,418,123 TEU, 13,539,884 TEU, 4,526,406 TEU 등으로 약 2%, 2%, 1%정도 증가하는 것으로 나타났다.