• 한국터널지하공간학회 논문집
• /
• 제21권2호
• /
• pp.227-242
• /
• 2019

토압식(Earth Pressure-Balanced, EPB) 쉴드 TBM 기계데이터 분석을 통해 토사터널의 특징이 반영된 막장 전방 예측 방법을 제안하였다. 기존에 암반과 토사가 혼합된 복합 지반의 예측에 적용하였던 시계열 분석 모델을 토사터널에 적용가능하도록 수정하였다. 또한 수정된 모델을 사용하여, 토사 종류에 따라 쏘일 컨디셔닝 재료를 선택하는 것이 타당한지 연구하였다. 이를 위해 Self-Organizing Map (SOM) 군집화(clustering) 분석을 수행하였다. 그 결과 무엇보다도 지반타입이 #200체 통과량 35% 기준으로 분류되어야 한다는 것을 확인하였다. 또한 TBM 기계데이터 분석을 통해 수정된 모델이 지반 타입을 예측하는데 사용될 수 있음을 확인하였다. 수정된 기준에 따라 지반 타입을 분류하고 시계열 분석을 수행하면, 10막장 전방 지반에 대해서 98%의 높은 예측 정확도를 보였으며, 이를 통해 수정된 방법의 우수성이 입증되었다. 특히 지반 타입 변화 구간에 대한 예측 정확도도 약 93%로, 10막장 전방에서 지반 타입 변화 여부를 미리 확인할 수 있게 되었다.

• 대한교통학회지
• /
• 제35권2호
• /
• pp.143-159
• /
• 2017

본 연구는 2003년 1사분기부터 2016년 2사분기 까지 인천국제공항에서 미주노선을 통하여 미주 내 공항에 도착하는 항공화물의 시계열 자료를 통하여 SARIMA 모형을 활용하여 항공화물 수요예측을 시행하였다. 또한 SARIMA 모형을 활용하여 만들어진 수요예측 모형과 기존 연구에 주로 활용되어졌던 ARIMA 모형을 활용하여 만들어진 수요예측 모형과 비교분석함으로써, 주기적인 특성 및 계절성을 가진 시계열 자료에 대한 SARIMA 모형의 상대적으로 우수한 예측 정확성을 입증하였다. 기존의 항공 관련 연구는 주로 여객에 관한 연구가 상대적으로 많았다. 또한 화물과 관련된 연구에서도 특정노선이 아닌 공항이나 전체에 대한 연구가 대부분이었다. 이러한 상황에서, SARIMA 모형을 활용하여 미주지역이라는 특정 노선에 대한 항공화물의 수요를 예측한 본 연구는 큰 의의가 있다고 생각된다.

• Journal of Preventive Medicine and Public Health
• /
• 제44권1호
• /
• pp.2-8
• /
• 2011

Objectives: Public release of and feedback (here after public release) on institutional (clinics and hospitals) cesarean section rates has had the effect of reducing cesarean section rates. However, compared to the isolated intervention, there was scant evidence of the effect of repeated public releases (RPR) on cesarean section rates. The objectives of this study were to evaluate the effect of RPR for reducing cesarean section rates. Methods: From January 2003 to July 2007, the nationwide monthly institutional cesarean section rates data (1 951 303 deliveries at 1194 institutions) were analyzed. We used autoregressive integrated moving average (ARIMA) time-series intervention models to assess the effect of the RPR on cesarean section rates and ordinal logistic regression model to determine the characteristics of the change in cesarean section rates. Results: Among four RPR, we found that only the first one (August 29, 2005) decreased the cesarean section rate (by 0.81 percent) and continued to have an impact period through the last observation in May 2007. Baseline cesarean section rates (OR, 4.7; 95% CI, 3.1 to 7.1) and annual number of deliveries (OR, 2.8; 95% CI, 1.6 to 4.7) of institutions in the upper third of each category at before first intervention had a significant contribution to the decrease of cesarean section rates. Conclusions: We could not found the evidence that RPR has had the significant effect of reducing cesarean section rates. Institutions with upper baseline cesarean section rates and annual number of deliveries were more responsive to RPR.

• 보건행정학회지
• /
• 제22권3호
• /
• pp.297-314
• /
• 2012

Purpose : The purpose of this study was to analyze the trend of the number of nursing staffs and skill mix and to assess the effectiveness of hospital nurse expansion policies in Korea. Methods : The trend of the number of nursing staffs and skill mix were analyzed using time series data, which composed of yearly series data from 1975 to 2009. The impact of hospital nurse expansion policies was estimated by autoregressive integrated moving average(ARIMA) intervention model. Results : The number of general hospital and hospital nurses per 100 beds was decreased in late 1980s and late 1990s due to rapid growth of beds. As a result of the number of nurse aids per 100 beds decreased, skill mix became high in general hospital but nurse ratio among hospital nursing staffs was about 50%. Expansion of new nurse and revised differentiated inpatient fee were only effective in expansion of hospital nursing staffs. But they had no effect in general hospitals. Conclusion : In Korea, a few policies related to expansion of hospital nurses have an effect on increasing the number of hospital nurse. Nevertheless, level of hospital nursing staffs is inferior to that of general hospital.

• 전자공학회논문지S
• /
• 제35S권10호
• /
• pp.166-174
• /
• 1998

신경망은 분산된 비선형 처리구조와 학습능력 때문에 높은 차수의 비선형 동특성 구현능력을 갖고 있으므로 비정적 신호에 대한 적응예측을 수행할 수 있다. 본 논문에서는 두 가지 방법 (비선형 모듈구조와 비선형과 선형모듈이 직렬로 연결된 예측구조)으로 비정적 신호의 비선형 예측을 다루고 있다. 완전 궤환된 리커런트 신경망과 기존의 TDL(tapped-delay-line) 필터가 비선형과 선형모듈로 각각 사용되었다. 제안된 예측기의 동특성은 카오스 시계열과 음성신호에 대해 시험하였으며, 예측성능의 상대적인 비교를 위해 기존의 ARMA(autoregressive moving average) 구조의 선형 예측모델과 비교하였다. 실험결과에 의하면 신경망을 이용한 적응 예측기는 선형 예측기보다 예측성능이 훨씬 우수하였으며, 특히 직렬구조의 예측기는 신호가 크게 변화하는 시계열의 예측에 효과적으로 사용할 수 있음을 확인하였다.

• 디지털융복합연구
• /
• 제17권9호
• /
• pp.135-145
• /
• 2019

장기불황으로 인해 한국 청년실업률이 수년간 10% 안팎의 높은 수준을 유지하고 있는 가운데, 주요 경제활동 인구인 30~40대의 실업률이 최근 상승세를 보이고 있다. 정부의 기존 청년 중심의 고용촉진 및 실업복지 정책을 30~40대를 포함한 다양한 연령층으로 확대 강화하기 위해서는 각 연령층에 대한 실업예측 모형 연구가 필요하다. 이에 본 연구에서는 한국 통계청 실업률 자료와 구글 검색어를 활용하여 한국 30~40대 연령층에 특화된 실업률 예측모형을 개발하고자 하였다. 실업률 자료와 계절성 자기회귀누적이동평균 모형을 활용하여 기초모형(Model 1)을 다중선형회귀 모형으로 추정하였으며, 개선된 모형을 구하고자 구글 검색 질의어 정보를 Model 1에 추가 활용하였다(Model 2). 그 결과, 30대와 40대 연령층 모두 구글 검색 질의어를 추가 활용한 Model 2가 Model 1보다 우수한 예측력을 보였다. 이는 웹 검색 질의어가 여전히 한국의 실업률 예측모형을 개선하는 데 유의미함을 의미한다. 본 연구는 실질적인 활용을 위해 추가적인 연구가 필요하지만, 연령대별 실업률 예측 연구에 기여할 것으로 판단된다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제13권4호
• /
• pp.2060-2077
• /
• 2019

Recently, mobile healthcare services have attracted significant attention because of the emerging development and supply of diverse wearable devices. Smartwatches and health bands are the most common type of mobile-based wearable devices and their market size is increasing considerably. However, simple value comparisons based on accumulated data have revealed certain problems, such as the standardized nature of health management and the lack of personalized health management service models. The convergence of information technology (IT) and biotechnology (BT) has shifted the medical paradigm from continuous health management and disease prevention to the development of a system that can be used to provide ground-based medical services regardless of the user's location. Moreover, the IT-BT convergence has necessitated the development of lifestyle improvement models and services that utilize big data analysis and machine learning to provide mobile healthcare-based personal health management and disease prevention information. Users' health data, which are specific as they change over time, are collected by different means according to the users' lifestyle and surrounding circumstances. In this paper, we propose a prediction model of user physical activity that uses data characteristics-based long short-term memory (DC-LSTM) recurrent neural networks (RNNs). To provide personalized services, the characteristics and surrounding circumstances of data collectable from mobile host devices were considered in the selection of variables for the model. The data characteristics considered were ease of collection, which represents whether or not variables are collectable, and frequency of occurrence, which represents whether or not changes made to input values constitute significant variables in terms of activity. The variables selected for providing personalized services were activity, weather, temperature, mean daily temperature, humidity, UV, fine dust, asthma and lung disease probability index, skin disease probability index, cadence, travel distance, mean heart rate, and sleep hours. The selected variables were classified according to the data characteristics. To predict activity, an LSTM RNN was built that uses the classified variables as input data and learns the dynamic characteristics of time series data. LSTM RNNs resolve the vanishing gradient problem that occurs in existing RNNs. They are classified into three different types according to data characteristics and constructed through connections among the LSTMs. The constructed neural network learns training data and predicts user activity. To evaluate the proposed model, the root mean square error (RMSE) was used in the performance evaluation of the user physical activity prediction method for which an autoregressive integrated moving average (ARIMA) model, a convolutional neural network (CNN), and an RNN were used. The results show that the proposed DC-LSTM RNN method yields an excellent mean RMSE value of 0.616. The proposed method is used for predicting significant activity considering the surrounding circumstances and user status utilizing the existing standardized activity prediction services. It can also be used to predict user physical activity and provide personalized healthcare based on the data collectable from mobile host devices.

• 산경연구논집
• /
• 제11권8호
• /
• pp.31-38
• /
• 2020

Purpose: This study uses 'Autoregressive Integrated Moving Average Model' to predict the impact of a sharp drop in the base rate due to COVID-19 at the present time when government policies for stabilizing house prices are in progress. The purpose of this study is to predict implications for the direction of the government's house policy by predicting changes in house transaction prices and house rental prices after a sharp cut in the base rate. Research design, data, and methodology: The ARIMA intervention model can build a model without additional information with just one time series. Therefore, it is a time-series analysis method frequently used for short-term prediction. After the subprime mortgage, which had shocked since the global financial crisis in April 2007, the bank's interest rate in 2020 is set at a time point close to zero at 0.75%. After that, the model was estimated using the interest rate fluctuations for the Bank of Korea base interest rate, the house transaction price index, and the house rental price index as event variables. Results: In predicting the change in house transaction price due to interest rate intervention, the house transaction price index due to the fall in interest rates was predicted to change after 3 months. As a result, it was 102.47 in April 2020, 102.87 in May 2020, and 103.21 in June 2020. It was expected to rise in the short term. In forecasting the change in house rental price due to interest rate intervention, the house rental price index due to the drop in interest rate was predicted to change after 3 months. As a result, it was 97.76 in April 2020, 97.85 in May 2020, and 97.97 in June 2020. It was expected to rise in the short term. Conclusions: If low interest rates continue to stimulate the contracted economy caused by COVID-19, it seems that there is ample room for house transaction and rental prices to rise amid low growth. Therefore, In order to stabilize the house price due to the low interest rate situation, it is considered that additional measures are needed to suppress speculative demand.

• 한국수산과학회지
• /
• 제29권2호
• /
• pp.143-149
• /
• 1996

우리나라 멸치어업에서의 1971~1992년 동안의 22년간 월별 어획량 자료를 시계열 분석하여 어획량을 분석, 예측하였다. 시계열 분석은 다른 생물학적, 해양학적, 사회 경제적인 요소가 없어도 단지 어획량 자료만으로 분석과 예측이 가능하다. 첫 20년간인 1971~1990년 사이의 월별 멸치 어획량 자료를 ARIMA 시계열 모형에 적용시켜 구한 결과는 다음과 같다. 로그 (대수) 변환시켰을 때의 ARIMA 모형: $$(1-0.381B)(1-0.027B^{12}+0.141B^{24})(1-B^1)(1-B^{12})Z_t=(1-0.968B)(1-0.727B^{12})e_t$$, Box-Cox 변환시켰을 때의 ARIMA 모형: $$(1-0.431B)(1-B^{12})Z_t=(1-0.882B^{12})e_t$$, 위의 두 모형중 Box-Cox 변환시킨 것이 로그 (대수) 변환시킨 것보다 예측오차가 적었으며, Box-Cox 변환식은 $Y'=(Y^{0.58}-1)/0.58$ 이었다. 위의 두 모형 중 후자의 모형을 이용하여 1991~1992년 사이의 월별 어획량을 예측하였다. 예측 어획량과 실제 어획량과의 월별 오차범위는 1.0~63.2% (1991년에 1.6~63.2%이고, 1992년에는 1.0~60.4%)였다. 예측 어획량이 각 연도별로 148,201M/T과 148,834M/T인데 비해, 실제 어획량은 170,293M/T, 168,234M/T이었다. 2년 동안의 총어획량에 대한 오차는 12.3%였다. 또한 스펙트럼 분석은 순환변동의 주기가 2.2개월, 6.1개월, 10.2개월, 12개월, 14.7개월에서 상대적으로 큰 성분이 있음을 나타내었다 이 순환변동 성분은 적절한 ARIMA 모형을 결정하는 데도 도움이 된다.

• 지능정보연구
• /
• 제25권3호
• /
• pp.239-251
• /
• 2019

본 논문은 학습데이터의 크기에 따른 사례기반추론기법이 주가예측력에 어떻게 영향을 미치는지 살펴본다. 삼성전자 주가를 대상을 학습데이터를 2000년부터 2017년까지 이용한 경우와 2015년부터 2017년까지 이용한 경우를 비교하였다. 테스트데이터는 두 경우 모두 2018년 1월 1일부터 2018년 8월 31일까지 이용하였다. 시계 열데이터의 경우 과거데이터가 얼마나 유용한지 살펴보는 측면과 유사사례개수의 중요성을 살펴보는 측면에서 연구를 진행하였다. 실험결과 학습데이터가 많은 경우가 그렇지 않은 경우보다 예측력이 높았다. MAPE을 기준으로 비교할 때, 학습데이터가 적은 경우, 유사사례 개수와 상관없이 k-NN이 랜덤워크모델에 비해 좋은 결과를 보여주지 못했다. 그러나 학습데이터가 많은 경우, 일반적으로 k-NN의 예측력이 랜덤워크모델에 비해 좋은 결과를 보여주었다. k-NN을 비롯한 다른 데이터마이닝 방법론들이 주가 예측력 제고를 위해 학습데이터의 크기를 증가시키는 것 이외에, 거시경제변수를 고려한 기간유사사례를 찾아 적용하는 것을 제안한다.