• Communications for Statistical Applications and Methods
• /
• 제28권1호
• /
• pp.39-57
• /
• 2021

Time series prediction is an area of great interest to many people. Algorithms for time series prediction are widely used in many fields such as stock price, temperature, energy and weather forecast; in addtion, classical models as well as recurrent neural networks (RNNs) have been actively developed. After introducing the attention mechanism to neural network models, many new models with improved performance have been developed; in addition, models using attention twice have also recently been proposed, resulting in further performance improvements. In this paper, we consider time series prediction by introducing attention twice to an RNN model. The proposed model is a method that introduces H-attention and T-attention for output value and time step information to select useful information. We conduct experiments on stock price, temperature and energy data and confirm that the proposed model outperforms existing models.

• 응용통계연구
• /
• 제32권1호
• /
• pp.69-81
• /
• 2019

본 논문에서는 딥러닝을 이용한 이변량 장기종속시계열(long-range dependent time series) 예측을 고려하였다. 시계열 데이터 예측에 적합한 LSTM(long short-term memory) 네트워크를 이용하여 이변량 장기종속시계열을 예측하고 이를 이변량 FARIMA(fractional ARIMA) 모형인 FIVARMA 모형과 VARFIMA 모형과의 예측 성능을 실증 자료 분석을 통해 비교하였다. 실증 자료로는 기능적 자기공명 영상(fMRI) 및 일일 실현 변동성(daily realized volatility) 자료를 이용하였으며 표본외 예측(out-of sample forecasting) 오차 비교를 통해 예측 성능을 측정하였다. 그 결과, FIVARMA 모형과 VARFIMA 모형의 예측값에는 미묘한 차이가 존재하며, LSTM 네트워크의 경우 초매개변수 선택으로 복잡해 보이지만 계산적으로 더 안정되면서 예측 성능도 모수적 장기종속시계열과 뒤지지 않은 좋은 예측 성능을 보였다.

• 정보과학회 논문지
• /
• 제44권9호
• /
• pp.954-965
• /
• 2017

안정적인 전력 공급은 전력 인프라의 유지 보수 및 작동에 매우 중요하며, 이를 위해 정확한 전력 사용량 예측이 요구된다. 대학 캠퍼스는 전력 사용량이 많은 곳이며, 시간과 환경에 따른 전력 사용량 변화폭이 다양하다. 이러한 이유로, 전력계통의 효율적인 운영을 위해서는 전력 사용량을 정확하게 예측할 수 있는 모델이 요구된다. 기존의 시계열 예측 기법은 학습 시점과 예측 시점 간의 차이가 클수록 예측 구간이 넓어짐으로 예측 성능이 크게 떨어진다는 단점이 있다. 본 논문은 이를 보완하려는 방안으로, 먼저 의사결정나무를 이용해 날짜, 요일, 공휴일 여부, 학기 등을 고려하여 시계열 형태가 유사한 전력 데이터를 분류한다. 다음으로 분류된 데이터 셋에 각각의 자기회귀누적이동평균모형을 구성하여, 예측 시점에서 시계열 교차검증을 적용해 대학 캠퍼스의 일간 전력 사용량 예측 기법을 제안한다. 예측의 정확성을 평가하기 위해, 성능 평가 지표를 이용하여 제안한 기법의 타당성을 검증하였다.

• 대한전기학회:학술대회논문집
• /
• 대한전기학회 1999년도 하계학술대회 논문집 B
• /
• pp.969-971
• /
• 1999

Wavelet analysis is applying to many fields such as the time-frequency localization of a time series and a time varying data. In this paper, a statistical testing based Wavelet power spectrum analysis for the stationary Nino3 Sea Surface Temperature(SST) data was executed. Specially, the 95% confidence level for SST was effective in searching the periods of El-Nino using various wavelet basis functions.

• Journal of the Korean Data and Information Science Society
• /
• 제11권2호
• /
• pp.173-179
• /
• 2000

Interval prediction based on the empirical distribution function for the class of time series with time varying coefficients is discussed. To this end, strong mixing property of the model is shown and results due to Fotopoulos et. al.(1994) are employed. A simulation study is presented to assess the accuracy of the proposed interval predictor.

• 한국수자원학회논문집
• /
• 제42권4호
• /
• pp.355-363
• /
• 2009

본 연구에서는 카오스 특성을 보이는 수문시계열에 대한 잡음의 영향을 검토하기 위하여 카오스 특성을 보이는 자료로 알려져 있는 Lorenz 시계열과 미국 Great Salt Lake의 용적 자료계열을 이용하였다. 잡음의 영향을 고려하기 위한 방법으로 잡음의 비율을 증가시키면서 끌개, 상관차원, Close Returns Plot의 변화 특성을 살펴보면서 카오스의 특성이 어떻게 변화하는지를 검토하였다. 또한 Close Returns Plot의 점들의 도수에 의해 표현되는 Close Returns Histogram의 상대도수에 대하여 $X^2$ 검정을 수행하였다. 그 결과, Lorenz 시계열과 GSL 용적 자료계열 모두 잡음의 비율이 증가함에 따라 카오스 특성이 사라지고 선형 추계학적인 과정의 자료로 변화됨을 확인하였다. 또한 단순 이동평균 방법에 의하여 Lorenz 시계열과 GSL 용적 자료계열에 대한 잡음의 제거 효과가 있는지에 대하여 검토한 결과 단순 이동평균 방법으로 자료의 잡음을 효과적으로 제거할 수 있었고, 카오스 특성을 보이는 실측 수문시계열에 적용성이 있음을 확인할 수 있었다.

• 정보처리학회논문지:컴퓨터 및 통신 시스템
• /
• 제3권10호
• /
• pp.377-382
• /
• 2014

모바일 통신과 사물 인터넷(IoT) 환경에서 시간에 따른 데이터의 분석 기술은 주로 의미 있는 정보를 찾기 위해 수집 된 데이터에서 의미있는 패턴을 추출하기 위해 사용된다. 기존의 데이터 마이닝을 이용한 분석 방법은 데이터 수집이 어렵고 시간의 경과와 관련된 시계열 데이터의 변경을 반영하기 위해 완료 상태에 기초하여 해석되어야 한다. 이러한 패턴의 다양성, 대용량성, 연속성 등의 여러 가지 특성을 가진 데이터 스트림의 분석을 위한 방법으로 멀티 블록 스트리밍 데이터 분석(AM-MBSD) 방법을 제안한다. 의미 있는 데이터 추출을 위해 멀티 블록 스트리밍 데이터의 패턴을 추출하고 추출된 연속적 데이터를 여러 개의 블록으로 정의하고 제안 방법의 검증을 위해 각 데이터 블록의 데이터 패턴 생성 시간, 주파수를 수집하고 시계열 데이터를 분석, 실험하였다.

• 지능정보연구
• /
• 제17권1호
• /
• pp.1-16
• /
• 2011

실시간 유비쿼터스 환경은 센서로부터 얻어낸 데이터를 기반으로 상황을 인지하고 사용자에게 적절한 반응을 보이기까지 제한된 시간 내에 모든 것을 처리해야 한다. 전체적인 센서 데이터 처리는 센서로부터의 자료 확보, 상황 정보의 획득, 그리고 사용자로의 반응이라고 하는 과정을 거친다. 즉, 유비쿼터스 컴퓨팅 미들웨어는 입력된 센서 자료 및 데이터베이스 또는 지식베이스로부터 일련의 자료들을 활용하여 상황을 인식하며, 그 상황에 적합한 반응을 하게 된다. 그런데 실시간 환경의 특징 상 센서데이터가 들어오면 각 가용 자원들을 검색하고 그 곳에 있는 미들웨어가 데이터를 처리 할 경우 어느 정도의 대기 시간이 필요한지를 결정해야 한다. 또한 센서 데이터 처리의 우선순위가 높을 때는 미들웨어가 현재 처리중인 데이터를 언제 처리를 중지하고 얼마나 대기시켜야 하는지도 결정해야 한다. 그러나 이러한 의사결정에 대한 연구는 아직 활발하지 않다. 따라서 본 논문에서는 유비쿼터스 미들웨어가 이미 센서 데이터를 처리하고 있고 동시에 새로운 센서 데이터를 처리해야 할 때 각 작업의 최적 대기시간을 계산하고 스케줄링하는 알고리즘을 제안한다.

• 한국철도학회:학술대회논문집
• /
• 한국철도학회 2008년도 춘계학술대회 논문집
• /
• pp.1308-1314
• /
• 2008

In this paper, Seoulmetro that is the first operation organization which operates a city railroad rolling-stock maintenance RIMS(rolling stock information maintenance system) collected and analyzed a light maintenance data and introduced time a series analysis technique to find the way how to contribute to a use efficiency improvement of a city railroad. The purpose of time a series analysis is to remove a seasonal change including data and to check an irregular fluctuation. First of all, a collection range of the data comes under a light maintenance, however it needs a data of more than 3 years to check the seasonal change. We put a study for an accumulated scope that the data satisfy a period like this and are able to extend a range of the study when time flys forward. The data used for study is filtered using a movement average method after passing proper selection working and is solved with a method which looks for season index. Using the season index that was getten in here, we predict a light working frequency, if it has an irregular change, we will contribute it to a city railroad a use efficiency improvement and establish the cause by carrying out prevent maintenance in advance.

• 한국빅데이터학회지
• /
• 제7권2호
• /
• pp.217-224
• /
• 2022

온라인 쇼핑의 대중화로 인해 많은 의류 상품이 온라인 쇼핑을 통해 소비된다. 의류 상품은 다른 상품과 달리 판매량이 일정하지 않고 날씨의 변화에 따라 판매량이 변화하는 특징이 있다. 따라서 의류 상품의 머신 러닝을 적용한 효율적인 재고 관리 시스템에 대한 연구는 매우 중요하다. 본 논문에서는 의류 업체 'A'로부터 실제 의류 상품 판매량 데이터를 수집하고 판매량 데이터와 같은 시계열 데이터의 예측에 많이 활용되는 LSTM(Long Short-Term Memory)과 Bidirectional-LSTM(Bi-LSTM)의 학습에 사용하여 LSTM과 Bi-LSTM의 판매량 예측 효율을 비교 분석하였다. 시뮬레이션 결과를 통해 LSTM 기술 대비 Bi-LSTM은 시뮬레이션 시간은 더 많이 소요되지만 의류 상품 판매량 데이터와 같은 비주기성 시계열 데이터의 예측 정확도가 동일하다는 것을 확인하였다.