• 국제지역연구
• /
• 제21권4호
• /
• pp.159-172
• /
• 2017

비관측요인(unobserved-component)모형을 이용한 GDP의 추세-순환요인 분해에서, 통상적으로 추세는 확률보행 과정을 갖는 것으로 가정된다. 본 연구는 추세를 ARIMA 과정으로 표현하는 경우, GDP 변동에서 갖는 추세요인의 의미가 어떻게 달라지는가를 살펴보고, GDP에 대한 예측력이 개선될 수 있는가의 여부를 미국의 데이터를 이용하여 실증적으로 분석하였다. 모형은 GDP만의 단일변수모형과 물가를 포함하는 2변수모형의 두 가지를 고려하여 설정하였으며, 모형 추정은 비관측요인모형을 상태-공간모형으로 전환한 후 칼만 필터(Kalman filter)를 이용한 최대우도추정법을 사용하였다. GDP에 대한 예측은 축차적 추정(recursive estimation)을 이용한 동적 표본외예측(dynamic out-of-sample) 방식을 사용하였으며, 예측력 비교결과에 대한 검정은 Diebold-Mariano 검정을 이용하였다. 분석 결과는 첫째, 모형의 추정결과에서 ARIMA 추세의 계수가 통계적으로 유의적인 값을 가지며, 둘째, ARIMA 추세 모형이 확률보행 추세 모형보다 GDP 변동의 분산 및 자기 상관성(autocorrelation)을 보다 잘 설명하며, 셋째, 예측력에서 단일변수보다는 2변수모형의 예측력이 그리고 확률보행 추세보다는 ARIMA 추세를 갖는 모형의 예측력이 통계적으로 유의하게 높은 것으로 나타났다. 이러한 결과들은 GDP 추세-순환 요인 분해에서 추세를 ARIMA 과정으로 표현하는 것이 보다 타당하다는 것을 시사하고 있다.

• International Journal of Computer Science & Network Security
• /
• 제22권10호
• /
• pp.177-182
• /
• 2022

Technology is progressing with every passing day and the enormous usage of electricity is becoming a necessity. One of the techniques to enjoy the assistances in a smart home is the efficiency to manage the electric energy. When electric energy is managed in an appropriate way, it drastically saves sufficient power even to be spent during hard time as when hit by natural calamities. To accomplish this, prediction of energy consumption plays a very important role. This proposed prediction model Coherent Weighted K-Means Clustering ARIMA (CWKMCA) enhances the weighted k-means clustering technique by adding weights to the cluster points. Forecasting is done using the ARIMA model based on the centroid of the clusters produced. The dataset for this proposed work is taken from the Pecan Project in Texas, USA. The level of accuracy of this model is compared with the traditional ARIMA model and the Weighted K-Means Clustering ARIMA Model. When predicting,errors such as RMSE, MAPE, AIC and AICC are analysed, the results of this suggested work reveal lower values than the ARIMA and Weighted K-Means Clustering ARIMA models. This model also has a greater loglikelihood, demonstrating that this model outperforms the ARIMA model for time series forecasting.

• 한국항만경제학회지
• /
• 제31권1호
• /
• pp.69-84
• /
• 2015

본고는 개입 승법계절 ARIMA모형과 인공신경망모형을 이용하여 해상운송 물동량을 추정하고 사전적 예측치를 도출하였다. 개입 ARIMA의 추정결과 오차항에서 자기상관이 존재하지 않고 정규성이 존재함으로써 오차항의 기본가정이 잘 충족되고 있음을 확인하였다. 그리고 개입 승법계절 ARIMA모형과 인공신경망모형에 대해 예측실적 오류를 ME, MAE, RMSE, MSE로 측정한 결과 ARIMA $(2,1,0)(1,0,1)_{12}$이 가장 우수한 예측모형임을 확인할 수 있었다. 2015년부터 2019년까지의 기간에 대해 개입 ARIMA모형을 이용한 해상운송 물동량의 사전적 예측치 결과 4.54%에서 4.99%의 연평균 증가율을 보였고, 인공신경망모형을 이용한 예측결과 2.00%에서 2.44%까지의 연평균 증가율을 나타냈다.

• 응용통계연구
• /
• 제33권2호
• /
• pp.147-160
• /
• 2020

본 논문은 시계열 일반화 선형 모형의 하나인 계수형 시계열 모형에서 중요한 역할을 하는 과거 관측값과 조건부 평균값의 차수를 자동으로 결정하는 알고리즘을 연구한다. 본 알고리즘은 ARIMA 모형의 차수를 기반으로 시계열 일반화 선형 모형의 차수 후보군을 만들고, 차수 후보군의 조합을 이용하여 정보량 기준으로 최종 모형으로 선택한다. 제안된 알고리즘을 평가하기 위하여, 내재적 모형 및 내재적 시계열의 종류에 따른 시뮬레이션 및 실증 분석을 수행하고 예측력을 ARIMA 모형과 비교한다. 예측 성능 평가 결과, 계수형 시계열 분석에서 ARIMA 모형에 비해 시계열 일반화 선형 모형의 예측 성능이 우수함을 확인할 수 있다. 또한 실증분석으로서, 살인사건 발생 건수의 예측결과 ARIMA 모형보다 중기 및 장기 예측에서 우수한 성능을 나타내는 것을 확인할 수 있다.

• 한국철도학회:학술대회논문집
• /
• 한국철도학회 2011년도 정기총회 및 추계학술대회 논문집
• /
• pp.1715-1721
• /
• 2011

For an efficient railroad operations the demand forecasting is required. Time series models can quickly forecast the future demand with fewer data. As well as the accuracy of forecasting is excellent compared to other methods. In this study is proposed the intervention ARIMA model for forecasting methods of KTX passenger demand. The intervention ARIMA model may reflect the intervention such as the Kyongbu high-speed rail project second phase. The simple seasonal ARIMA model is predicted to overestimate the KTX passenger demand. However, intervention ARIMA model is predicted the reasonable results. The KTX passenger demands were predicted to be a week units separated by the weekday and weekend.

• International Journal of Computer Science & Network Security
• /
• 제22권1호
• /
• pp.225-233
• /
• 2022

The recent outbreak of corona virus (COVID-19) infectious disease had made its forecasting critical cornerstones in most scientific studies. This study adopts a machine learning based time series model - Auto Regressive Integrated Moving Average (ARIMA) model to forecast COVID-19 confirmed cases in Botswana over 60 days period. Findings of the study show that COVID-19 confirmed cases in Botswana are steadily rising in a steep upward trend with random fluctuations. This trend can also be described effectively using an additive model when scrutinized in Seasonal Trend Decomposition method by Loess. In selecting the best fit ARIMA model, a Grid Search Algorithm was developed with python language and was used to optimize an Akaike Information Criterion (AIC) metric. The best fit ARIMA model was determined at ARIMA (5, 1, 1), which depicted the least AIC score of 3885.091. Results of the study proved that ARIMA model can be useful in generating reliable and volatile forecasts that can used to guide on understanding of the future spread of infectious diseases or pandemics. Most significantly, findings of the study are expected to raise social awareness to disease monitoring institutions and government regulatory bodies where it can be used to support strategic health decisions and initiate policy improvement for better management of the COVID-19 pandemic.

• Journal of the Korean Statistical Society
• /
• 제24권2호
• /
• pp.481-493
• /
• 1995

An ARIMA signal observed with measurement error is shown to have another ARIMA representation with nonlinear restrictions on parameters. For this model, the restricted Newton-Raphson estimator(RNRE) of the unit root is shown to have the same limiting distribution as the ordinary least squares estimator of the unit root in an AR(1) model tabulated by Dickey and Fuller (1979). The RNRE of parameters of the ARIMA(p,1,k) process and unit root tests base on the RNRE are developed.

• International journal of advanced smart convergence
• /
• 제12권1호
• /
• pp.18-30
• /
• 2023

We compared empirically the forecast accuracies of the LSTM model, and the ARIMA model. ARIMA model used auto.arima function. Data used in the model is 100 days. We compared with the forecast results for 50 days. We collected the stock closing prices of the top 4 companies by market capitalization in Korea such as "Samsung Electronics", and "LG Energy", "SK Hynix", "Samsung Bio". The collection period is from June 17, 2022, to January 20, 2023. The paired t-test is used to compare the accuracy of forecasts by the two methods because conditions are same. The null hypothesis that the accuracy of the two methods for the four stock closing prices were the same were rejected at the significance level of 5%. Graphs and boxplots confirmed the results of the hypothesis tests. The accuracies of ARIMA are higher than those of LSTM for four cases. For closing stock price of Samsung Electronics, the mean difference of error between ARIMA and LSTM is -370.11, which is 0.618% of the average of the closing stock price. For closing stock price of LG Energy, the mean difference is -4143.298 which is 0.809% of the average of the closing stock price. For closing stock price of SK Hynix, the mean difference is -830.7269 which is 1.00% of the average of the closing stock price. For closing stock price of Samsung Bio, the mean difference is -4143.298 which is 0.809% of the average of the closing stock price. The auto.arima function was used to find the ARIMA model, but other methods are worth considering in future studies. And more efforts are needed to find parameters that provide an optimal model in LSTM.

• 한국경영과학회:학술대회논문집
• /
• 한국경영과학회/대한산업공학회 2005년도 춘계공동학술대회 발표논문
• /
• pp.795-797
• /
• 2005

During the past few years, various traffic-flow forecasting models, i.e. an ARIMA, an ANN, and so on, have been developed to predict more accurate traffic flow. However, these models analyze historical data in an attempt to predict future value of a variable of interest. They make use of the following basic strategy. Past data are analyzed in order to identify a pattern that can be used to describe them. Then this pattern is extrapolated, or extended, into the future in order to make forecasts. This strategy rests on the assumption that the pattern that has been identified will continue into the future. So ARIMA or ANN models with its traditional architecture cannot be expected to give good predictions unless this assumption is valid; The statistical models in particular, the time series models are deficient in the sense that they merely extrapolate past patterns in the data without reflecting the expected irregular and infrequent future events Also forecasting power of a single model is limited to its accurate. In this paper, we compared with an ANN model and ARIMA model and tried to combine an ARIMA model and ANN model for obtaining a better forecasting performance. In addition to combining two models, we also introduced judgmental adjustment technique. Our approach can improve the forecasting power in traffic flow. To validate our model, we have compared the performance with other models. Finally we prove that the proposed model, i.e. ARIMA + ANN + Judgmental Adjustment, is superior to the other model.

• 응용통계연구
• /
• 제11권2호
• /
• pp.335-350
• /
• 1998

X11ARIMA는 1965년 미국 센서스국에서 개발된 X11분석 방법에 기초한 시계열 분석방법으로 Dagum(1975)에 의해 개발되었다. 이 기법은 Dagum(1988)에 의하여 북미지역의 174개의 경제지수를 바탕으로 일부 기본모형이 수정·보완되어 오늘날에 이르고 있다. 최근에는 회귀 모형과 ARIMA모형을 동시에 고려하여 특이치와 추세 변환효과(outlier arid Trend-change effects), 계절변동(seasonal effect), 그리고 달력효과(calendal effect) 등을 추정한 William 등(1995)과 Chen과 Findley(1995)의 X12ARIMA분석 방법이 소개되었다. 그러나 위의 모든 기법들은 주로 북미지역의 경제지수를 기초로 하고 있다. 본 논문에서는 우리나라의 산업중분류에서 산출되는 102개(생산(27), 출하(27), 재고(27), 가동률(21))의 지수에 대한 우리나라의 표준 ARIMA모형을 제시하고, 우리나라에 적합한 이동평균항수를 제공하고자 한다. 그리고 우리나라의 설, 추석 등의 명절효과를 태양력으로 전환함과 동시에, 최근에 논의되고 있는 X12ARIMA에서 사용되는 회귀모형과 ARIMA모형을 동시에 고려하는 명절효과를 도출하고자 한다.