• 대한교통학회지
• /
• 제31권3호
• /
• pp.3-18
• /
• 2013

본 연구는 2000년 1사분기부터 2010년 4사분기 까지 인천국제공항에서 출발하여 유럽내 모든공항에 도착한 항공화물의 시계열 자료를 바탕으로 SARIMA 모형을 활용, 수요예측 모형을 구축하였다. 또한 SARIMA 모형을 활용하여 구축한 예측모형을 기존에 주로 활용되어진 ARIMA 모형과 그 예측정확성을 비교 분석함으로써 SARIMA 모형의 정확성을 확인하였다. 현재 국내교통수요를 예측하는 부문에 있어서 SARIMA 모형을 활용한 경우는 극히 드물다. 또한 공항의 총 여객수요나 화물량이 아닌 항공노선의 수요예측에 관한 연구 역시 찾아보기 힘들다. 이러한 상황 하에서, SARIMA 모형을 활용하여 인천국제공항 발 유럽노선의 항공화물 수요를 예측한 본 연구는 상당히 큰 의미가 있다고 생각된다.

• 자원환경지질
• /
• 제50권4호
• /
• pp.267-276
• /
• 2017

전라남도는 연안지역은 농업활동과 상수도의 미보급으로 인하여 지하수에 크게 의존하고 있다. 지하수의 과다사용은 지하수위 저하를 일으키며 그로 인한 해수침투가 발생할 가능성이 매우 높다. 따라서 지하수 사용에 따른 해수침투 관리가 매우 필요한 지역이다. 전라남도 무안군의 연안암반대수층에서 측정된 EC 자료를 이용하여 해안가 대수층에 적합한 시계열 모형을 구축하고, 해수침투의 지표인 EC를 예측하고자 시계열 분석을 수행하였다. 1년 이상 측정한 EC 시계열 자료는 짧은 주기적인 변동과 함께 추세적으로 증가하는 비정상 시계열의 특성을 보였다. 시계열 분석을 통해 시계열 모형 식별 결과 ARIMA 모형과 계절적인 요인을 고려 할 수 있는 SARIMA 모형 이 적합한 것으로 나타났다. 하지만 두 모형 적용한 결과, EC의 주기적인 변동으로 인해 ARIMA보다는 EC 자료의 변동 특성을 잘 반영한 SARIMA 모형이 예측에 있어서 유리한 것으로 나타났다. 위와 같이 시계열 분석은 암반 대수층에서 해수침투로 인한 EC의 변화를 예측하는데 있어 유용한 것으로 나타났다.

• 부동산연구
• /
• 제27권3호
• /
• pp.71-86
• /
• 2017

본 연구의 목적은 딥 러닝 방법을 부동산가격지수 예측에 적용해보고, 기존의 시계열분석 방법과의 비교를 통해 부동산 시장 예측의 새로운 방법으로서 활용가능성을 확인하는 것이다. 딥 러닝(deep learning)방법인 DNN(Deep Neural Networks)모형 및 LSTM(Long Shot Term Memory networks)모형과 시계열분석 방법인 ARIMA(autoregressive integrated moving average)모형을 이용하여 여러 가지 부동산가격지수에 대한 예측을 시도하였다. 연구결과 첫째, 딥 러닝 방법의 예측력이 시계열분석 방법보다 우수한 것으로 나타났다. 둘째, 딥 러닝 방법 중에서는 DNN모형의 예측력이 LSTM모형의 예측력보다 우수하나 그 정도는 미미한 수준인 것으로 나타났다. 셋째, 딥 러닝 방법과 ARIMA모형은 부동산 가격지수(real estate price index) 중 아파트 실거래가격지수(housing sales price index)에 대한 예측력이 가장 부족한 것으로 나타났다. 향후 딥 러닝 방법을 활용함으로써 부동산 시장에 대한 예측의 정확성을 제고할 수 있을 것으로 기대된다.

• Animal Bioscience
• /
• 제34권4호
• /
• pp.770-782
• /
• 2021

Objective: The aim of the present study was to compare the effectiveness of three approaches (the seasonal auto-regressive integrated moving average [SARIMA] model, the nonlinear autoregressive exogenous [NARX] artificial neural networks and Wood's model) to the prediction of milk yield during lactation. Methods: The dataset comprised monthly test-day records from 965 Polish Holstein-Friesian Black-and-White primiparous cows. The milk yields from cows in their first lactation (from 5 to 305 days in milk) were used. Each lactation was divided into ten lactation stages of approximately 30 days. Two age groups and four calving seasons were distinguished. The records collected between 2009 and 2015 were used for model fitting and those from 2016 for the verification of predictive performance. Results: No significant differences between the predicted and the real values were found. The predictions generated by SARIMA were slightly more accurate, although they did not differ significantly from those produced by the NARX and Wood's models. SARIMA had a slightly better performance, especially in the initial periods, whereas the NARX and Wood's models in the later ones. Conclusion: The use of SARIMA was more time-consuming than that of NARX and Wood's model. The application of the SARIMA, NARX and Wood's models (after their implementation in a user-friendly software) may allow farmers to estimate milk yield of cows that begin production for the first time.

• 응용통계연구
• /
• 제35권3호
• /
• pp.385-393
• /
• 2022

본 논문에서는 시계열 예측 분야에서 잘 알려져 있는 단변량 시계열 모형들을 이용하여, 그들의 단순 조합이 어떤 예측력을 보여주는지 연구한다. 고려된 단변량 시계열 모형으로는, 지수평활 및 ARIMA(autoregressive integrated moving average) 모형들과 그들의 확장된 형태인 모형들 그리고 예측의 벤치마크 모형으로 자주 사용되는 비계절 및 계절 랜덤워크 모형이다. 단순 조합의 방법은 중앙값과 평균을 이용하였으며, 검증을 위하여 사용된 데이터셋은 3,003개의 시계열 자료로 구성된 M3-competition 자료이다. 예측 성능을 sMAPE(symmetric mean absolute percentage error)와 MASE(mean absolute scaled error)로 평가한 결과, 단변량 시계열 모형들의 단순 조합이 아주 우수한 예측력을 가지고 있음을 확인하였다.

• Asia pacific journal of information systems
• /
• 제1권1호
• /
• pp.63-86
• /
• 1991

In this paper, our concern is the artificial neural network-based patten classification, when can resolve the difficulties in the Autoregressive Moving Average(ARMA) model identification problem To effectively classify a time series into an approriate ARMA model, we adopt the Multi-layered Backpropagation Network (MLBPN) as a pattern classifier, and Extended Sample Autocorrelation Function (ESACF) as a feature extractor. To improve the classification power of MLBPN's we suggest an integrated neural network system which consists of an AR Network and many small-sized MA Networks. The output of AR Network which will gives the MA order. A step-by-step training strategy is also suggested so that the learned MLBPN's can effectively ESACF patterns contaminated by the high level of noises. The experiment with the artificially generated test data and real world data showed the promising results. Our approach, combined with a statistical parameter estimation method, will provide a way to the automation of ARMA modeling.

• 한국ITS학회 논문지
• /
• 제12권4호
• /
• pp.1-10
• /
• 2013

본 연구는 버스정보가 도로의 통행속도 정보로 활용될 수 있는지를 검토하기 위한 연구이다. 도로통행속도를 파악하기 위해 설치된 지점검지기, 구간검지기로부터 수집되는 정보와 경기도에서 수집되는 버스정보를 속도정보로 가공하여 비교하였다. 버스정보가 교통정보 검지기의 기능을 할 수 있다면, 통행속도 정보를 제공할 수 있다. 이를 위해서는 도로구간의 교통류에 대한 패턴을 인식할 필요가 있다. 본 연구에서는 새로운 접근방법보다는 기존에 검증된 방법을 중심으로 버스정보를 이용한 교통류 패턴 인식 방법을 적용하여 버스정보의 활용 가능성을 제시하였다. 또한 버스정보를 이용하여 모형을 추정하였는데, 단순이동, 지수평활법과 이중이동, 이중지수평활법, ARIMA(p,d,q)모형을 적용하였다. 이 모형들은 평가지표인 100-MAPE, MAE, EC로 비교한 결과 상호 비슷한 결과를 나타냈으나, 단순평균이동법이 가장 우수한 결과를 나타냈다. 이로서 버스정보를 구간의 통행속도로 이용할 경우, 모형의 추정도 가능하다는 것을 확인하였다.

• The Journal of Asian Finance, Economics and Business
• /
• 제7권11호
• /
• pp.83-93
• /
• 2020

This empirical research aims to modeling and improving the forecasting accuracy of the volatility pattern by employing the Saudi Arabia stock market (Tadawul)by studying daily closed price index data from October 2011 to December 2019 with a number of observations being 2048. In order to achieve significant results, this study employs many mathematical functions which are non-linear spectral model Maximum overlapping Discrete Wavelet Transform (MODWT) based on the best localized function (Bl14), autoregressive integrated moving average (ARIMA) model and generalized autoregressive conditional heteroskedasticity (GARCH) models. Therefore, the major findings of this study show that all the previous events during the mentioned period of time will be explained and a new forecasting model will be suggested by combining the best MODWT function (Bl14 function) and the fitted GARCH model. Therefore, the results show that the ability of MODWT in decomposition the stock market data, highlighting the significant events which have the most highly volatile data and improving the forecasting accuracy will be showed based on some mathematical criteria such as Mean Absolute Percentage Error (MAPE), Mean Absolute Scaled Error (MASE), Root Means Squared Error (RMSE), Akaike information criterion. These results will be implemented using MATLAB software and R- software.

• Journal of the Korean Data and Information Science Society
• /
• 제27권4호
• /
• pp.1075-1081
• /
• 2016

The big data analysis has received much attention from the researchers working in various fields because the big data has a great potential in detecting or predicting future events such as epidemic outbreaks and changes in stock prices. Reflecting the current popularity of big data analysis, many authors have proposed methods tracking influenza epidemics based on internet-based information. The recently proposed 'autoregressive model using Google (ARGO) model' (Yang et al., 2015) is one of those influenza tracking models that harness search queries from Google as well as the reports from the Centers for Disease Control (CDC), and appears to outperform the existing method such as 'Google Flu Trends (GFT)'. Although the ARGO predicts well the outbreaks of influenza, this study demonstrates that a classical seasonal autoregressive integrated moving average (SARIMA) model can outperform the ARGO. The SARIMA model incorporates more accurate seasonality of the past influenza activities and takes less input variables into account. Our findings show that the SARIMA model is a functional tool for monitoring influenza epidemics.

• 전기학회논문지
• /
• 제63권9호
• /
• pp.1186-1191
• /
• 2014

Weekly and monthly electric load forecasting are essential for the generator maintenance plan and the systematic operation of the electric power reserve. This paper proposes the weekly maximum electric load forecasting model for 104 weeks with the multiple regression model. Input variables of the multiple regression model are temperatures and GDP that are highly correlated with electric loads. The weekly variable is added as input variable to improve the accuracy of electric load forecasting. Test results show that the proposed algorithm improves the accuracy of electric load forecasting over the seasonal autoregressive integrated moving average model. We expect that the proposed algorithm can contribute to the systematic operation of the power system by improving the accuracy of the electric load forecasting.