• 한국지능시스템학회논문지
• /
• 제17권6호
• /
• pp.799-803
• /
• 2007

본 논문에서는 FSVM(Putty Support Vector Machine)의 퍼지소속함수를 새롭게 제안한다. SVM의 완화변수(slack-variable)에 퍼지소속함수를 결합하는 FSVM은 주어진 데이터베이스의 특성이 반영되어 안정적으로 분류성능을 향상시킬 수 있는 퍼지소속 함수를 필요로 한다. 시계열 자료의 패턴분류 성능을 비교하기 위하여 SVM, FSVM(1), 그리고 제안하는 FSVM(2) 등의 분류모델들을 비교 실험하였다. 사용한 데이터베이스는 한국금융시장의 시계열 경제지표 지수들이다.

• 응용통계연구
• /
• 제27권3호
• /
• pp.419-430
• /
• 2014

전력수급의 정확한 예측은 국민들의 일상적 생활 유지, 산업활동, 그리고 국가경영을 위하여 매우 중요하다. 본 연구에서는 시계열모형화에 의해 전력판매량을 예측한다. 실제 자료분석을 통하여 입력시계열로서 냉난방도일과 개입변수로 펄스함수를 사용한 전이함수모형이 다른 시계열모형에 비해서 제곱근평균제곱오차 및 평균절대오차의 의미에서 더 우수하였다.

• 센서학회지
• /
• 제15권6호
• /
• pp.433-441
• /
• 2006

Because of the low power and low rate of a sensor network, outlier is frequently occurred in the time series data of sensor network. In this paper, we suggest periodic pattern analysis that is applied to the time series data of sensor network and predict outlier that exist in the time series data of sensor network. A periodic pattern is minimum period of time in which trend of values in data is appeared continuous and repeated. In this paper, a quantization and smoothing is applied to the time series data in order to analyze the periodic pattern and the fluctuation of each adjacent value in the smoothed data is measured to be modified to a simple data. Then, the periodic pattern is abstracted from the modified simple data, and the time series data is restructured according to the periods to produce periodic pattern data. In the experiment, the machine learning is applied to the periodic pattern data to predict outlier to see the results. The characteristics of analysis of the periodic pattern in this paper is not analyzing the periods according to the size of value of data but to analyze time periods according to the fluctuation of the value of data. Therefore analysis of periodic pattern is robust to outlier. Also it is possible to express values of time attribute as values in time period by restructuring the time series data into periodic pattern. Thus, it is possible to use time attribute even in the general machine learning algorithm in which the time series data is not possible to be learned.

• Journal of Information Processing Systems
• /
• 제19권2호
• /
• pp.149-163
• /
• 2023

Affected by external factors, errors in time series data collected by sensors are common. Using the traditional method of constraining the speed change rate to clean the errors can get good performance. However, they are only limited to the data of stable changing speed because of fixed constraint rules. Actually, data with uneven changing speed is common in practice. To solve this problem, an online cleaning algorithm for time series data based on dynamic speed change rate constraints is proposed in this paper. Since time series data usually changes periodically, we use the extreme learning machine to learn the law of speed changes from past data and predict the speed ranges that change over time to detect the data. In order to realize online data repair, a dual-window mechanism is proposed to transform the global optimal into the local optimal, and the traditional minimum change principle and median theorem are applied in the selection of the repair strategy. Aiming at the problem that the repair method based on the minimum change principle cannot correct consecutive abnormal points, through quantitative analysis, it is believed that the repair strategy should be the boundary of the repair candidate set. The experimental results obtained on the dataset show that the method proposed in this paper can get a better repair effect.

• Communications for Statistical Applications and Methods
• /
• 제18권1호
• /
• pp.79-87
• /
• 2011

공간적, 시간적으로 퍼져나가는 전염성이 강한 질병인 수두자료를 이용하여 공간 시계열 자료를 분석하는데 있어 일반적으로 알려진 ARIMA 모형에 적합하여 분석을 행하면 공간적인 정보를 반영하지 못하기 때문에 기존에 시간만을 고려한 시계열 분석방법에 공간통계의 공간적 정보를 반영한 공간시계열 모형을 고려한다. 공간시계열 모형에서 공간의 위치 및 영향은 시계열 모형에 공간적 정보로써 가중치행렬을 더 함으로써 처리 가능해진다. 가중치행렬은 지리적으로 인접한 지역일수록 공간의존도가 높다는 것을 반영한 것이며 공간시계열 모형의 연구에서 가중치행렬은 인접한 지역들은 동일한 영향을 줄 것이라 가정하였다. 따라서 본 논문에서는 공간시계열 모형인 STARMA 모형과 STBL 모형에 대한 식별방법, 통계적 추론 및 예측력 비교에 대해 연구하였고 특히, 모수추정의 알고리즘 비교와 공간시계열 모형의 예측력 비교를 통해 Kalman-Filter 방법의 우수성을 보이고자 한다.

• International journal of advanced smart convergence
• /
• 제7권1호
• /
• pp.24-32
• /
• 2018

An outlier detection method using mixed prediction model has been described in this paper. The mixed prediction model consists of time-series model and regression model. The parameter estimation of the prediction model was performed using supervised learning and a genetic algorithm is adopted for a learning method. The experiments were performed in artificial and real data set. The prediction performance is compared with the existing prediction methods using artificial data. Outlier detection is conducted using the real sensor measurements in a dam. The validity of the proposed method was shown in the experiments.

• 한국농림기상학회지
• /
• 제23권4호
• /
• pp.415-423
• /
• 2021

NCAM-LAMP 중기예측 자료의 통계적 후처리와 개선을 위하여 R 기반의 지점 시계열 자료 검증 체계를 구축하였다. 이 시계열 검증체계를 이용하여 기상청 AWS 관측 자료와 NCAM-LAMP, KMA GDAPS 중기예측 모델 자료를 비교하였다. 이를 위해 관측 지점에 가장 근접한 모델 위도 및 경도 자료를 추출하여 총 9개 지점을 선정하였다. 각 지점에 대해 NCAM-LAMP, GDAPS 모델의 기온, 강수량, 풍속 일평균 예측 자료를 관측과 비교한 결과, 모델들은 풍속의 과대예측 경향을 뚜렷이 보였으며, 기온과 강수의 경우에는 두 모델의 예측력이 월별 및 변수별로 다르게 나타났다. 이를 바탕으로 본 연구에서는 통계적 기법을 개발하여 NCAM-LAMP가 가지고 있는 오차를 줄이고자 하였다. 모델 오차를 줄이기 위해 일반적으로 쓰이는 MOS(Model Output Statistics)기법 중에 인공지능 SVM(Support vector machine) 방식을 8~10월 기간에 적용한 결과, 8월에 비해서 10월이, 기온 변수에 비해서 바람과 강수 변수가 개선된 효과를 보여주었다. 이러한 결과는 풍속의 과대예측을 줄이고, 농림 가뭄지수와 산사태 예측 등을 개선시키며, 지역 수치예보 모델이 시간 적분됨에 따라 영역 내 예측가능성이 점점 저하되는 현상을 완화시키는데 SVM 방법이 일정 부분 기여할 수 있음을 가리키며, 현업 표출 중인 NCAM Agro-Meteogram 개선에도 도움을 줄 것으로 기대된다.

• 한국산학기술학회논문지
• /
• 제22권3호
• /
• pp.234-241
• /
• 2021

군에서는 수요예측에 대한 중요성을 인식하여 수리부속에 대해 예측 정확도 향상을 위한 많은 연구가 이루어지고 있다. 수리부속 수요예측은 예산 운영과 장비 가동률 측면에서 매우 중요한 요소가 되고 있다. 그러나 현재 군에서 적용중인 시계열 모형으로는 수요량의 변동과 발생주기가 일정하지 않은 간헐적 수요에 대해서는 예측에 한계가 있는 실정이다. 따라서, 본 연구는 공군 패트리어트 수리부속의 간헐적 수요에 대한 예측 정확도를 제고하는 방법을 제시하고자 하였다. 이를 위해서 2013년부터 2019년까지의 701개의 수리부속 소모개수를 토대로 수요 유형을 구분하여 수리부속의 간헐적 수요 자료를 수집하였다. 또한, 장비 고장에 영향을 줄 수 있는 외부 요인으로는 기온, 장비운영시간을 식별하여 입력변수로 선정하였다. 그 후, 소모개수와 외부 요인을 통해 군에서 적용하는 시계열 모형과 제안하는 데이터 마이닝 모형으로 예측을 실시하여 모형별 예측 정확도를 판단했다. 예측 결과로 기존의 시계열 모형과 비교하여 데이터 마이닝 모형의 예측 정확도가 높았으며, 그 중 다층 퍼셉트론 모형이 가장 우수한 성능을 보였다.

• 한국가시화정보학회:학술대회논문집
• /
• 한국가시화정보학회 2002년도 추계학술대회 논문집
• /
• pp.77-80
• /
• 2002

The recent 3D visualization such as volume rendering, iso-surface rendering or stream line visualization gives more understanding about structures or distribution of data in a space and, moreover, the real-time rendering of a scene enables the animation of time-series data. Because the meteorological data is frequently formed as multi-variables, 3-dimensional and time-series data, the spatial analysis, time-series analysis, vector display, and animation techniques can do important roles to get more understanding about data. In this research, our aim is to develop the 3-dimensional visualization techniques for meteorological data in the PC environment by using IDL. The visualization technology from :his research will be used as basic technology not only for the deeper understanding and the more exact prediction about meteorological environments but also for the scientific and spatial data visualization research in any field from which three-dimensional data comes out such as oceanography, earth science, or aeronautical engineering.

• 반도체디스플레이기술학회지
• /
• 제22권4호
• /
• pp.131-135
• /
• 2023

Neural network-based time series models called time series neural networks (TSNNs) are trained by the error backpropagation algorithm and used to predict process shifts of parameters such as gas flow, RF power, and chamber pressure in reactive ion etching (RIE). The training data consists of process conditions, as well as principal components (PCs) of optical emission spectroscopy (OES) data collected in-situ. Data are generated during the etching of benzocyclobutene (BCB) in a SF₆/O₂ plasma. Combinations of baseline and faulty responses for each process parameter are simulated, and a moving average of TSNN predictions successfully identifies process shifts in the recipe parameters for various degrees of faults.