• Journal of Multimedia Information System
• /
• 제8권3호
• /
• pp.183-190
• /
• 2021

In this paper, we implement a system for a fund recommendation based on the investment propensity and for a future fund price prediction. The investment propensity is classified by scoring user responses to series of questions. The proposed system recommends the funds with a suitable risk rating to the investment propensity of the user. The future fund prices are predicted by Prophet model which is one of the machine learning methods for time series data prediction. Prophet model predicts future fund prices by learning the parameters related to trend changes. The prediction by Prophet model is simple and fast because the temporal dependency for predicting the time-series data can be removed. We implement web pages for the fund recommendation and for the future fund price prediction.

• 산업경영시스템학회지
• /
• 제46권3호
• /
• pp.123-138
• /
• 2023

The Fourth Industrial Revolution and sensor technology have led to increased utilization of sensor data. In our modern society, data complexity is rising, and the extraction of valuable information has become crucial with the rapid changes in information technology (IT). Recurrent neural networks (RNN) and long short-term memory (LSTM) models have shown remarkable performance in natural language processing (NLP) and time series prediction. Consequently, there is a strong expectation that models excelling in NLP will also excel in time series prediction. However, current research on Transformer models for time series prediction remains limited. Traditional RNN and LSTM models have demonstrated superior performance compared to Transformers in big data analysis. Nevertheless, with continuous advancements in Transformer models, such as GPT-2 (Generative Pre-trained Transformer 2) and ProphetNet, they have gained attention in the field of time series prediction. This study aims to evaluate the classification performance and interval prediction of remaining useful life (RUL) using an advanced Transformer model. The performance of each model will be utilized to establish a health index (HI) for cutting blades, enabling real-time monitoring of machine health. The results are expected to provide valuable insights for machine monitoring, evaluation, and management, confirming the effectiveness of advanced Transformer models in time series analysis when applied in industrial settings.

• 무역학회지
• /
• 제47권6호
• /
• pp.291-305
• /
• 2022

In this study, the volume of Pohang Port was predicted. All cargo of Pohang port, iron ore, steel, and bituminous coals were selected as prediction targets. SARIMA, Prophet, and Neural Prophet were used as analysis methods. The predictive power of each model was verified, and a predictive model with high performance was used to predict the volume of goods in Pohang port. As a result of the analysis, it was found that Neural Prophet showed the highest performance in all predictive power. As a result of predicting the future volume of goods until August 2027 using Neural Prophet, it was found that the volume of all items in Pohang port was decreasing. In particular, it was analyzed that the decline in steel cargo was steep. In order to increase the volume of cargo at Pohang port, it is necessary to diversify the cargo handled at Pohang port and check the policy of increasing the volume of cargo.

• International Journal of Computer Science & Network Security
• /
• 제22권2호
• /
• pp.185-192
• /
• 2022

Forecasting and time series modelling plays a vital role in the data analysis process. Time Series is widely used in analytics & data science. Forecasting stock prices is a popular and important topic in financial and academic studies. A stock market is an unregulated place for forecasting due to the absence of essential rules for estimating or predicting a stock price in the stock market. Therefore, predicting stock prices is a time-series problem and challenging. Machine learning has many methods and applications instrumental in implementing stock price forecasting, such as technical analysis, fundamental analysis, time series analysis, statistical analysis. This paper will discuss implementing the stock price, forecasting, and research using prophet and LSTM models. This process and task are very complex and involve uncertainty. Although the stock price never is predicted due to its ambiguous field, this paper aims to apply the concept of forecasting and data analysis to predict stocks.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2023년도 춘계학술발표대회
• /
• pp.325-327
• /
• 2023

Diabetes is a common chronic disease that threatens human life and health, and its prevalence remains high because its mechanisms are complex, further its etiology remains unclear. According to the International Diabetes Federation (IDF), there are 463 million cases of diabetes in adults worldwide, and the number is growing. This study aims to explore the potential influencing factors of diabetes by learning data from the UCI diabetes dataset, which is a multivariate time series dataset. In this paper we propose the TCN-prophet model for diabetes. The experimental results show that the prediction of insulin concentration by the TCN-prophet model provides a high degree of consistency, compared to the existing LSTM model.

• 한국컴퓨터정보학회논문지
• /
• 제28권7호
• /
• pp.29-37
• /
• 2023

기후변화로 인해 농작물 생산과 유통에 관한 관심이 증대되고 있고, 빅데이터와 AI를 활용한 생산량 예측을 통해 농가의 출하량 조절과 유통단계의 조절에 활용하는 시도가 이루어지고 있다. 농산물 반입량 예측은 가격에 영향을 미칠 뿐 아니라 농가의 출하량과 유통회사의 유통량 조절을 할 수 있으므로 마케팅 전략을 수립하는데 중요한 정보이다. 본 연구에서는 농업 통계 정보 시스템에서 공개한 도매시장 참외 반입량 데이터를 기반으로 미래의 반입량을 예측하는 인공지능 예측 모델을 생성하고 정확도를 평가한다. 우리는 Neural Prophet 기법과 Ensembled Neural Prophet 모델 그리고 GRU 모델 등 세 가지 모델을 사용하여 예측 모델을 생성한다. 모델의 성능은 MAE와 RMSE라는 두 가지 주요 지표를 비교하여 평가한 결과 Ensembled Neural Prophet 모델이 가장 정확하게 예측하였으며, GRU 모델도 앙상블 모델과 유사한 성능을 보여주고 있다. 본 연구에서 개발된 모형은 웹에 publish 되어 현장에서 1년 6개월 동안 사용하고 있으며, 가까운 미래의 참외 생산량을 예측하고, 마케팅 및 유통전략을 수립하는 데 활용되고 있다.

• 디지털융복합연구
• /
• 제18권12호
• /
• pp.87-95
• /
• 2020

인천공항은 대한민국으로 들어오거나 나가는 관문으로 나라의 이미지에 큰 영향을 미치므로 공항의 서비스 질을 유지하기 위해선 장기적인 공항 이용객 수 예측이 필요하다. 본 연구에서는 인천공항의 이용객 수요를 예측하기 위한 다양한 시계열 모형의 예측성능을 비교하였다. 인천공항 이용객 자료를 2002년 1월부터 2019년 12월까지 월 단위로 수집하여 살펴보면 일반적인 시계열자료에서 보이는 추세성과 계절성을 지니고 있다. 본 연구에서는 추세성과 계절성이 고려된 나이브 기법, 분해법, 지수 평활법, SARIMA, 그리고 PROPHET을 이용하여 단기, 중기, 장기예측 시계열모형을 비교하였다. 분석결과 단기예측은 최근 자료에 가중치를 준 지수 평활법이 우수했고 예상 2020년 연간 이용객 수는 약 7,350만명이다. 3년 후 인 2022년 중기예측은 정상성이 고려된 SARIMA모형이 우수하였고 예상 연간 이용객 수는 약 7,980만명이다. 4단계 인천공항 건설사업이 완료되는 2024년 예상 연간 여객수용 인원은 9,910만명이고 PROPHET모형이 가장 우수하였다.

• 스마트미디어저널
• /
• 제12권11호
• /
• pp.18-26
• /
• 2023

빌딩에너지관리시스템(BEMS: Building Energy Management System)은 생산 및 소비되는 에너지를 효율적으로 관리하는 시스템이다. 그러나 건물 내 전력소비는 물리적인 특성상으로 인해 생산 및 소비가 일정하지 않아 안정적인 전력 공급이 필수적이다. 이에 따라 건물의 안정적인 전력 공급을 위해서는 정확한 건물 내 전력 소비 예측이 중요하다. 최근에는 시계열분석, 통계분석, 인공지능 등 다양한 방법을 이용하여 전력소비예측에 관한 연구가 진행되고 있다. 본 논문은 Prophet 모델의 장점과 단점을 분석하여 장점인 growth, seasonality, holidays를 선택하였고, Prophet 모델의 단점인 데이터의 복잡성과 외부변수(기후 데이터)의 제한성을 해결하기 위하여 GRU을 조합하여 단기(2일) 및 중기(7일, 15일, 30일) 전력소비량 예측 알고리즘을 제안한다. 실험결과, 제안한 방법은 기존 GRU 및 Prophet 모델보다 성능이 우수하였다.

• 한국빅데이터학회지
• /
• 제8권1호
• /
• pp.23-34
• /
• 2023

대리운전 시장의 요금체계는 이용자의 대리운전 서비스 요청 시, 주위 대리운전 기사의 수, 대리운전 서비스 이용자 수, 날씨 등의 다양한 영향에 의해 실시간으로 변하는 Dynamic Pricing의 특징이 있다. 불확실한 변동성은 대리운전 서비스 요금을 상승시켜 고객의 이탈과 대리운전 기사의 배차거부를 유발하는 주된 원인이 되며, 이러한 문제를 해결하기 위해 적절한 수요를 예측하고 선제적으로 대응하기 위한 수요 예측모형의 도입이 요구된다. 본 연구에서는 대리운전 서비스 이력 데이터를 활용하여 지역별, 시간대별 대리운전 서비스 수요를 예측하는 모형을 제시한다. 이후 실제 대리운전 서비스 이력 데이터를 활용하여 시간과 요일에 따른 조건부 확률을 구축하고 이를 예측 모형과 결합한 Time-Series with Conditional Probability 방법론을 제안하였으며 실험을 통해 SARIMA, Prophet의 기존 시계열 모형보다 성능이 우수함을 검증하였다. 본 연구는 제안된 방법론을 통해 구축된 수요 예측 모형을 활용하여 대리운전 서비스의 단기 전략 수립에 활용할 수 있다는 시사점이 있다.

• 산업경영시스템학회지
• /
• 제46권4호
• /
• pp.152-159
• /
• 2023

This study endeavors to enrich investment prospects in cryptocurrency by establishing a rationale for investment decisions. The primary objective involves evaluating the predictability of four prominent cryptocurrencies - Bitcoin, Ethereum, Litecoin, and EOS - and scrutinizing the efficacy of trading strategies developed based on the prediction model. To identify the most effective prediction model for each cryptocurrency annually, we employed three methodologies - AutoRegressive Integrated Moving Average (ARIMA), Long Short-Term Memory (LSTM), and Prophet - representing traditional statistics and artificial intelligence. These methods were applied across diverse periods and time intervals. The result suggested that Prophet trained on the previous 28 days' price history at 15-minute intervals generally yielded the highest performance. The results were validated through a random selection of 100 days (20 target dates per year) spanning from January 1st, 2018, to December 31st, 2022. The trading strategies were formulated based on the optimal-performing prediction model, grounded in the simple principle of assigning greater weight to more predictable assets. When the forecasting model indicates an upward trend, it is recommended to acquire the cryptocurrency with the investment amount determined by its performance. Experimental results consistently demonstrated that the proposed trading strategy yields higher returns compared to an equal portfolio employing a buy-and-hold strategy. The cryptocurrency trading model introduced in this paper carries two significant implications. Firstly, it facilitates the evolution of cryptocurrencies from speculative assets to investment instruments. Secondly, it plays a crucial role in advancing deep learning-based investment strategies by providing sound evidence for portfolio allocation. This addresses the black box issue, a notable weakness in deep learning, offering increased transparency to the model.