• 정보처리학회논문지B
• /
• 제9B권3호
• /
• pp.277-286
• /
• 2002

양자역학 섭동이론과 유전자프로그래밍(GP) 기법을 접목시킴으로써 실세계(Real-world)에서 발생하는 카오스 시계열에 대하여 수학모델을 구축, 예측하기 위한 새로운 알고리즘을 개발하였다. 시계열 분석과 양자역학 파동방정식의 해를 구하는 섭동이론과의 절차적 유사성을 논하고, 이것을 GP로 구현하는 전형적 접근방안을 제시한다. 함수집합(Function Set)으로서 직교함수(Orthogonal Functions)를 이용하고 병렬 집단을 사용하는 GP를 이용하여 원 시계열에 대한 초기 수학모델을 구하고, 원 시계열 데이터로부터 모델의 평가값을 뺀 나머지로 구성되는 잔여 시계열에 대하여 다시 GP를 적용하는 과정을 일정한 종료조건이 충족될 때가지 반복함으로써 실세계 카오스 시계열에 대한 정확성 높은 수학모델을 구축하는데 성공하였다. 타 방법론과의 비교와 향후 해결과제에 대하여도 소개한다.

• 대한교통학회지
• /
• 제26권1호
• /
• pp.51-63
• /
• 2008

제주-내륙 간 국내선 항공여객수요는 여가통행의 대표적인 시계열 특성인 1년을 주기로 증감을 반복하는 전형적인 계절변동 패턴을 보인다. 본 연구는 10년(1996${\sim}$2005) 동안의 제주-내륙 간 월별 시계열 총량자료를 이용하여 단순시계열모형과 부분조정모형 및 이들 모형별 탄력성(소득, 운임)을 추정하였다. 탄력성 추정결과 단순시계열모형의 경우 소득탄력성은 탄력적(1.55), 운임탄력성은 비탄력적(-0.49${\sim}$-0.59)으로 추정되었다. 부분조정모형의 경우 소득탄력성은 단기에는 비탄력적(0.51), 장기에는 탄력적(1.88)으로 추정되었으며, 운임탄력성은 장 단기 모두 비탄력적으로 추정되었으나, 단기(성수기:-0.13, 비수기:-0.20)보다는 장기(성수기:-0.48, 비수기:-0.72)가 보다 더 탄력적으로 추정되었다.

• 대한교통학회지
• /
• 제29권4호
• /
• pp.95-101
• /
• 2011

이 연구는 2004년부터 2007년까지 청주시 50개 교차로에 대한 패널자료를 이용한 교통사고 모형을 다루고 있다. 패널자료는 동일한 샘플을 이용하여 매년 반복적으로 수집된 자료를 의미한다. 연구의 목적은 위의 패널자료를 이용하여 교통사고 모형을 개발하는데 있다. 이를 위해 이 연구에서는 TSCSREG에 포함된 다양한 모형 중 최적의 모형을 도출하는데 중점을 두고 있다. 본 연구의 주요 결과는 다음과 같다. 첫째, 교통사고의 다양한 요인들을 설명하는 4개의 패널자료 모형이 개발되었다. 둘째, 고정효과모형의 독립변수 t값이 임의효과모형에 비하여 더 작은 것으로 분석되었다. 마지막으로 교차로의 횡단보도수와 총 교차로수가 사고에 정(+)의 효과를 보이는 것으로 분석되었다.

• 응용통계연구
• /
• 제19권1호
• /
• pp.33-41
• /
• 2006

최근 들어 시계열 자료 분석에서 관측된 각 시점에서의 관측치의 분산을 서로 다른 분산(조건부 이분산성)을 따른다고 가정하고, 이를 분석하는 모형(ARCH, GARCH, EGARCH, IGARCH 등)들이 옵션 가격 분석이나 환율 변화 등 경제적 시계열 자료의 예측 모형을 위하여 활발히 연구되고 있다. 본 논문에서는 한국의 KOSPI 데이터 (1999년 1월 4일 $\sim$ 2003년 12월 30일, 총 1227일)를 바탕으로 조건부 우도함수 모수 추정 방법을 이용한 GARCH(1,1), IGARCH(1,1), EGARCH(1,1) 모형에 KOSPI 자료를 적합 시켜 각 모형들의 성능을 비교하여 보았다.

• Journal of the Korean Data and Information Science Society
• /
• 제22권5호
• /
• pp.829-837
• /
• 2011

본 논문에서는 비관측요인모형을 이용하여 한국의 국내총생산 시계열 자료를 분석한다. 이 모형이 확률적 및 결정적 요인들을 모두 포괄할 수 있다는 점을 이용하여, 보다 다양한 형태로 시계열 자료의 모형화를 시도하였으며, 지수평활법 및 박스-젠킨스의 ARIMA모형과 예측력을 비교하였다. 국내 총생산 자료에 대한 2년간의 미래 예측에서 비관측요인모형이 보다 우수함을 보인다.

• 한국컴퓨터정보학회논문지
• /
• 제27권5호
• /
• pp.55-67
• /
• 2022

센서 데이터를 활용하여 설비의 이상 진단이 가능해졌다. 하지만 설비 이상에 대한 원인 분석은 미비한 실정이다. 본 연구에서는 센서 기반 시계열 데이터 분류 모델을 위한 해석가능한 합성곱 신경망 프레임워크를 제안한다. 연구에서 사용된 센서 기반 시계열 데이터는 실제 차량에 부착된 센서를 통해 수집되었고, 반도체의 웨이퍼 데이터는 공정 과정에서 수집되었다. 추가로 실제 기계 설비에서 수집된 주기 신호 데이터를 이용 하였으며, 충분한 학습을 위해 Data augmentation 방법론인 Scaling과 Jittering을 적용하였다. 또한, 본 연구에서는 3가지 합성곱 신경망 기반 모델들을 제안하고 각각의 성능을 비교하였다. 본 연구에서는 ResNet에 Jittering을 적용한 결과 정확도 95%, F1 점수 95%로 가장 뛰어난 성능을 보였으며, 기존 연구 대비 3%의 성능 향상을 보였다. 더 나아가 결과의 해석을 위한 XAI 방법론으로 Class Activation Map과 Layer Visualization을 제안하였으며, 센서 데이터 분류에 중요 영향을 끼치는 시계열 구간을 시각적으로 확인하였다.

• 한국빅데이터학회지
• /
• 제8권2호
• /
• pp.15-25
• /
• 2023

익스트림 러닝머신은 다양한 방식의 예측 분야에서 주요 분석 방법을 제공하고 있다. 시계열 자료의 복잡한 패턴을 학습하고 잡음이 포함되어 있는 데이터이거나 비선형인 경우에도 최적의 학습을 통하여 정확한 예측을 할 수 있다. 이 연구에서는 온라인 시계열 자료를 분석하는 도구로서 주로 연구되고 있는 기계학습 모형들의 최근 동향들을 기존 알고리즘을 이용한 응용 특성들과 함께 제시한다. 지속적이고 폭발적으로 발생하는 대규모 온라인 데이터를 효율적으로 학습시키기 위해서는 다양하게 진화 가능한 속성에서도 잘 수행될 수 있는 학습 기술이 필요하다. 따라서 이 연구를 통하여 시계열 예측 분야에서 빅데이터가 적용되는 최신 기계 학습 모형에 대한 포괄적인 개요를 살펴보고, 빅데이터에 대한 기계 학습의 주요 과제 중 하나인 온라인 데이터를 학습하는 최신 모형들의 일반적인 특성과 온라인 시계열 자료를 얼마나 효율적으로 학습하고 예측에 활용할 수 있는지에 대하여 논의하고 그 대안을 제시한다.

• 대한전기학회논문지:전력기술부문A
• /
• 제55권7호
• /
• pp.273-280
• /
• 2006

This paper suggests the method that forecasts Dynamic Line Rating (DLR). Thermal Overload Risk Probability (TORP) of the next time is forecasted based on the present weather conditions and DLR value by Monte Carlo Simulation (MCS). To model weather elements of transmission line for MCS process, this paper will propose the use of statistical weather models that time series is applied. Also, through the case study, it is confirmed that the forecasted TORP can be utilized as a criterion that decides DLR of next time. In short, proposed method may be used usefully to keep security and reliability of transmission line by forecasting transmission capacity of the next time.

• Advances in environmental research
• /
• 제4권2호
• /
• pp.83-104
• /
• 2015

Air Quality Index (AQI) is a pointer to broadcast short term air quality. This paper presents one day ahead AQI forecasting on seasonal basis for three major cities in Maharashtra State, India by using Artificial Neural Networks (ANN) and Genetic Programming (GP). The meteorological observations & previous AQI from 2005-2008 are used to predict next day's AQI. It was observed that GP captures the phenomenon better than ANN and could also follow the peak values better than ANN. The overall performance of GP seems better as compared to ANN. Stochastic nature of the input parameters and the possibility of auto-correlation might have introduced time lag and subsequent errors in predictions. Spectral Analysis (SA) was used for characterization of the error introduced. Correlational dependency (serial dependency) was calculated for all 24 models prepared on seasonal basis. Particular lags (k) in all the models were removed by differencing the series, that is converting each i'th element of the series into its difference from the (i-k)"th element. New time series is generated for all seasonal models in synchronization with the original time line & evaluated using ANN and GP. The statistical analysis and comparison of GP and ANN models has been done. We have proposed a promising approach of use of GP coupled with SA for real time prediction of seasonal multicity AQI.

• Communications for Statistical Applications and Methods
• /
• 제16권2호
• /
• pp.335-348
• /
• 2009

Fuzzy regression is used as a complement or an alternative to represent the relation between variables among the forecasting models especially when the data is insufficient to evaluate the relation. Such phenomenon often occurs in seasonal time series data which require large amount of data to describe the underlying pattern. Semiparametric model is useful tool in the case where domain knowledge exists about the function to be estimated or emphasis is put onto understandability of the model. In this paper we propose fuzzy semiparametric support vector regression so that it can provide good performance on forecasting of the seasonal time series by incorporating into fuzzy support vector regression the basis functions which indicate the seasonal variation of time series. In order to indicate the performance of this method, we present two examples of predicting the seasonal time series. Experimental results show that the proposed method is very attractive for the seasonal time series in fuzzy environments.