• 유통과학연구
• /
• 제12권2호
• /
• pp.59-71
• /
• 2014

Purpose - In recent years, many firms have attempted various approaches to cope with the continual increase of aviation transportation. The previous research into freight charge forecasting models has focused on regression analyses using a few influence factors to calculate the future price. However, these approaches have limitations that make them difficult to apply into practice: They cannot respond promptly to small price changes and their predictive power is relatively low. Therefore, the current study proposes a freight charge-forecasting model using time series data instead a regression approach. The main purposes of this study can thus be summarized as follows. First, a proper model for freight charge using the autoregressive integrated moving average (ARIMA) model, which is mainly used for time series forecast, is presented. Second, a modified ARIMA model for freight charge prediction and the standard process of determining freight charge based on the model is presented. Third, a straightforward freight charge prediction model for practitioners to apply and utilize is presented. Research design, data, and methodology - To develop a new freight charge model, this study proposes the ARIMAC(p,q) model, which applies time difference constantly to address the correlation coefficient (autocorrelation function and partial autocorrelation function) problem as it appears in the ARIMA(p,q) model and materialize an error-adjusted ARIMAC(p,q). Cargo Account Settlement Systems (CASS) data from the International Air Transport Association (IATA) are used to predict the air freight charge. In the modeling, freight charge data for 72 months (from January 2006 to December 2011) are used for the training set, and a prediction interval of 23 months (from January 2012 to November 2013) is used for the validation set. The freight charge from November 2012 to November 2013 is predicted for three routes - Los Angeles, Miami, and Vienna - and the accuracy of the prediction interval is analyzed using mean absolute percentage error (MAPE). Results - The result of the proposed model shows better accuracy of prediction because the MAPE of the error-adjusted ARIMAC model is 10% and the MAPE of ARIMAC is 11.2% for the L.A. route. For the Miami route, the proposed model also shows slightly better accuracy in that the MAPE of the error-adjusted ARIMAC model is 3.5%, while that of ARIMAC is 3.7%. However, for the Vienna route, the accuracy of ARIMAC is better because the MAPE of ARIMAC is 14.5% and the MAPE of the error-adjusted ARIMAC model is 15.7%. Conclusions - The accuracy of the error-adjusted ARIMAC model appears better when a route's freight charge variance is large, and the accuracy of ARIMA is better when the freight charge variance is small or has a trend of ascent or descent. From the results, it can be concluded that the ARIMAC model, which uses moving averages, has less predictive power for small price changes, while the error-adjusted ARIMAC model, which uses error correction, has the advantage of being able to respond to price changes quickly.

• 한국음향학회:학술대회논문집
• /
• 한국음향학회 1998년도 학술발표대회 논문집 제17권 2호
• /
• pp.339-342
• /
• 1998

In this paper, we proposed various speaker adaptation methods and studied the performance of these methods. Methods which were studied in this paper are MAPE(Maximum A Posteriori Probability Estimation), ARTMAP. In order to evaluate the performance of these methods, we used Korean isolated digits as the experimental data, the hybrid speaker adaptation method, which unfied MAPE, linear spectral estimating and outpur probability of SCHMM, showed the better recognition result than those which performed other methods. And the method using ARTMAP showed the similar result to above hybrid method.

• 한국음향학회:학술대회논문집
• /
• 한국음향학회 1998년도 학술발표대회 논문집 제17권 2호
• /
• pp.309.2-314
• /
• 1998

본 연구에서는 음성인식을 위한 화자적응화 기법에 대해 연구하였다. 첫째로 적응화에 포함되지 않은 카테고리 음절에 대해 적응화 효과를 줄 수 있는 보간적응화 방법에 대해 연구하였다. 표준모델과 소량의 음성 데이터만으로 적응화가 가능한 MAPE(최대사후확률추정)으로 적응화한 모델의 평균벡터 변화정도를 적응화 발화에 포함되지 않은 모델에 보간적응하는 방법이다. 둘째로 음절단위 모델을 구축한 후 적응화 하고자 하는 화자의 데이터를 연결학습법과 Viterbi 알고리즘으로 음절단위의 추출을 자동화 한 후 MAPE으로 적응화하는 방법에 대해 각각 실험을 하였다.

• 한국항행학회논문지
• /
• 제21권4호
• /
• pp.365-370
• /
• 2017

본 연구는 전력수요 패턴이 다른 평일과 특수일 데이터가 가지는 상관관계를 분석하여, 별도의 데이터 셋을 구축하고, 각 데이터 셋에 적합한 딥 러닝 네트워크를 이용하여, 전력수요예측 오차를 감소하는 방안을 제시하였다. 또한, 기본적인 전력수요 예측요소인 기상요소에 환경요소, 구분요소 등 다양한 예측요소를 추가하여 예측율을 향상하는 방안을 제시하였다. 전체데이터는 시계열 데이터 학습에 적합한 LSTM을 이용하여 전력수요예측을 하였으며, 특수일 데이터는 DNN을 이용하여 전력수요예측을 하였다. 실험결과 기상요소 이외의 예측요소 추가를 통해 예측율이 향상되었다. 전체 데이터 셋의 평균 RMSE는 LSTM이 0.2597이며, DNN이 0.5474로 LSTM이 우수한 예측율을 보였다. 특수일 데이터 셋의 평균 RMSE는 0.2201로 DNN이 LSTM보다 우수한 예측율을 보였다. 또한, 전체 데이터 셋의 LSTM의 MAPE는 2.74 %이며, 특수 일의 MAPE는 3.07 %를 나타냈다.

• 대한토목학회논문집
• /
• 제35권4호
• /
• pp.887-896
• /
• 2015

본 연구에서는 고립지역의 과거 AADT 자료와 사회 경제지표를 활용하여 장래 AADT를 추정하였다. 과거 교통량 추이 활용 시와 사회 경제지표 활용 시 장래 AADT를 추정했으며, 사회 경제지표를 활용하여 다중회귀 분석방식을 통한 장래 AADT 추정 시 높은 설명력과 낮은 오차율을 보였다. 지리적 특성별 AADT에 미치는 사회 경제지표 분석 결과 고립일반지역은 다양한 사회 경제지표가 AADT에 영향을 미쳤으며, 고립해안지역은 유류가격과 연관성을 보이는 것으로 나타났다. 고립지역의 장래 AADT 추정 모형은 $R^2$, MAPE 분석 시 우수한 것으로 나타났다. 이는 고립지역에서는 통과 교통량이 적고 교통량 변동이 적기 때문에 사회 경제지표를 활용한 장래 AADT 추정방식이 정확하다고 볼 수 있다.

• 한국정보통신학회:학술대회논문집
• /
• 한국정보통신학회 2018년도 춘계학술대회
• /
• pp.457-459
• /
• 2018

태양광발전시스템은 태양광으로부터 에너지를 생산하는 발전기술이며, 신재생 에너지 기술 중 가장 빠르게 성장하고 있다. 태양광 발전 시스템은 부하에 안정적으로 에너지를 공급하는 것이 가장 중요시 된다. 그러나 날씨 및 기상 조건에 따라 에너지 생산이 불안정하기 때문에 에너지 생산량에 대한 정확한 예측이 필요하다. 본 논문에서는 강수량, 장 단파 복사선 평균, 온도 등 15가지 종류의 기상 데이터를 사용하여 태양광 에너지를 예측하는 인공 신경망(ANN)을 구현하고 성능을 평가한다. 인공 신경망은 은닉층을 구성하고 오버피팅을 방지하기 위한 페널티 ${\alpha}$와 같은 파라미터를 조절하여 구현한다. 예측모델의 정확도와 타당성을 검증하기 위해 성능지표로 MAPE(Mean Absolute Percentage Error)와 MAE(Mean Absolute Error)를 사용한다. 실험 결과 Hidden Layer $Sizes=^{\prime}16{\times}10^{\prime}$을 사용하였을 때 MAPE=19.54와 MAE=2155345.10776로 나타났다.

• 한국전자거래학회지
• /
• 제23권2호
• /
• pp.33-47
• /
• 2018

도시가스 배관은 지중에 매설되어 있기 때문에 세부 관리가 어렵고 다양한 위험에 노출되어 있다. 본 연구에서는 도시가스 배관압력 실시간 데이터를 분석해 배관압력 이상을 예측하고 전문가의 의사결정을 돕는 모델을 제안한다. 국내 도시가스 공급업체들 중 하나인 중부도시가스사의 정압기에서 수집하는 실시간 배관압력 데이터와 시간변수, 외부환경변수를 통합해 분석 데이터로 사용한다. 아산시와 천안시에 위치하는 11개 정압기를 분석 대상으로 하며 분 단위 배관압력 예측모델을 구현한다. Random forest, support vector regression(SVR), long-short term memory(LSTM) 알고리즘을 사용해 회귀모델을 구현한 결과 LSTM 모델에서 우수한 성능을 보인다. 아산시 배관압력 예측모델의 경우 LSTM 모델에서 RMSE가 0.011, MAPE가 0.494이며, 천안시 배관압력 예측모델의 경우 LSTM 모델에서 평균제곱근오차(root mean square error, RMSE)가 0.015, 절대평균백분율오차(mean absolute percentage error, MAPE)가 0.668로 가장 낮은 오류율을 보인다.

• 한국인터넷방송통신학회논문지
• /
• 제19권5호
• /
• pp.79-85
• /
• 2019

본 연구에서는 Long Short Term Memory (LSTM) 신경망과 Gated Recurrent Unit(GRU) 신경망을 Internet of Things (IoT) 파워미터에 적용하여 단기 전력사용량 예측방법을 제안하고, 실제 가정의 전력사용량 데이터를 토대로 예측 성능을 분석한다. 성능평가 지표로써 Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), Mean Percentage Error (MPE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE)를 이용한다. 실험 결과는 GRU 기반의 모델이 LSTM 기반의 모델에 비해 MAPE 기준으로 4.52%, MPE 기준으로 5.59%만큼의 성능개선을 보였다.

• International Journal of Fuzzy Logic and Intelligent Systems
• /
• 제13권1호
• /
• pp.39-49
• /
• 2013

This paper presents a method of improving the performance of a day-ahead 24-h load curve and peak load forecasting. The next-day load curve is forecasted using radial basis function (RBF) neural network models built using the best design parameters. To improve the forecasting accuracy, the load curve forecasted using the RBF network models is corrected by the weighted sum of both the error of the current prediction and the change in the errors between the current and the previous prediction. The optimal weights (called "gains" in the error correction) are identified by differential evolution. The peak load forecasted by the RBF network models is also corrected by combining the load curve outputs of the RBF models by linear addition with 24 coefficients. The optimal coefficients for reducing both the forecasting mean absolute percent error (MAPE) and the sum of errors are also identified using differential evolution. The proposed models are trained and tested using four years of hourly load data obtained from the Korea Power Exchange. Simulation results reveal satisfactory forecasts: 1.230% MAPE for daily peak load and 1.128% MAPE for daily load curve.

• Computers and Concrete
• /
• 제18권1호
• /
• pp.1-16
• /
• 2016

In this study, an Artificial Neural Network (ANN) and Adaptive Network-based Fuzzy Inference Systems (ANFIS) prediction models for flexural strength of the cement mortars have been developed. For purpose of constructing this models, 12 different mixes with 144 specimens of the 2, 7, 28 and 90 days flexural strength experimental results of cement mortars containing pure Portland cement (PC), blast furnace slag (BFS), waste tire rubber powder (WTRP) and BFS+WTRP used in training and testing for ANN and ANFIS were gathered from the standard cement tests. The data used in the ANN and ANFIS models are arranged in a format of four input parameters that cover the Portland cement, BFS, WTRP and age of samples and an output parameter which is flexural strength of cement mortars. The ANN and ANFIS models have produced notable excellent outputs with higher coefficients of determination of $R^2$, RMS and MAPE. For the testing of dataset, the $R^2$, RMS and MAPE values for the ANN model were 0.9892, 0.1715 and 0.0212, respectively. Furthermore, the $R^2$, RMS and MAPE values for the ANFIS model were 0.9831, 0.1947 and 0.0270, respectively. As a result, in the models, the training and testing results indicated that experimental data can be estimated to a superior close extent by the ANN and ANFIS models.