• Journal of the Korean Data and Information Science Society
• /
• 제27권3호
• /
• pp.725-732
• /
• 2016

본 연구에서는 제주를 방문하는 관광객 수를 여행목적 별로 분석하였다. 여행목적은 "휴양 및 관람", "레저 및 스포츠", 그리고 "회의 및 업무"를 위한 여행으로 구분되어 있으며, 2005년 1월부터 2016년 3월까지 자료를 이용하였다. 2015년 5월에 발생한 메르스 (MERS, 중동호흡기증후군) 사태의 영향을 반영하기 위하여 계절형 ARIMA-Intervention 모형을 이용한 개입분석을 수행하였다. 분석결과 메르스사태는 "레저 및 스포츠"와 "회의 및 업무"를 목적으로하는 관광객 수에 6월 한 달간 영향을 끼친 것으로 나타났으며, 이로 인하여 이 기간 동안 30%에서 40% 정도의 관광객이 감소한 것으로 추정되었다. 반면, "휴양 및 관람"에서는 메르스사태의 영향이 유의하지 않은 것으로 나타났다. 본 결과를 토대로 향후 1년의 월별 관광수요를 예측하여 보았다.

• 한국항공운항학회지
• /
• 제20권1호
• /
• pp.66-75
• /
• 2012

The purpose of this study is to analyze the effect of intervention variables which may affect the air travel demand for Jeju domestic flights and to anticipate the air travel demand for Jeju domestic flights. The air travel demand forecasts for Jeju domestic flights are conducted through ARIMA-Intervention Model selecting five intervention variables such as 2002 World Cup games, SARS, novel swine-origin influenza A, Yeonpyeongdo bombardment and Japan big earthquake. The result revealed that the risk factor such as the threat of war that is a negative intervention incident and occurred in Korea has the negative impact on the air travel demand due to the response of risk aversion by users. However, when local natural disasters (earthquakes, etc) occurring in neighboring courtiers and global outbreak of an epidemic gave the negligible impact to Korea, negative intervention incident would have a positive impact on air travel demand as a response to find alternative due to rational expectation of air travel customers. Also we realize that a mega-event such as the 2002 Korea-Japan World Cup games reduced the air travel demand in a short-term period unlike the perception in which it will increase the air travel demand and travel demands in the corresponding area.

• 한국전자통신학회논문지
• /
• 제17권3호
• /
• pp.423-432
• /
• 2022

전기자동차는 운전자가 바뀌거나 운전자의 주행습관이 바뀜에 따라 SOH가 급격하게 감소할 수 있고, 이러한 운전습관은 배터리에 과부하를 주어 배터리 수명의 단축 및 안전 문제를 일으킬 수 있다. 본 논문에서는 전기자동차의 계기판에 사용자 패턴 변화에 따른 SOH의 변화를, 실시간으로 나타내기 위하여, NASA에서 제공하는 배터리 데이터 세트를 학습하고, 기계학습 모델을 구축 후, 변화된 사용자 패턴을 포함한 배터리에 대해 선형회귀와 ARIMA 모델로 예측하는 실험을 진행하였다. 그 결과, 변화된 사용자 패턴에 따른 변경된 수명을 예측하는 경우, 배터리 데이터가 많이 확보되었다면 선형회귀가 유용하고, 데이터가 많이 확보되지 않은 경우는 ARIMA 모델이 대안이 될 수 있다는 연구결과를 얻을 수 있었다.

• 한국수자원학회논문집
• /
• 제34권6호
• /
• pp.701-711
• /
• 2001

수질 인자들은 다양하고 관계가 복잡하여 수질 변화를 예측하는데 많은 어려움이 있다. 따라서 입력과 출력이 비교적 용이하고 비선형 예측에 적합한 신경망 모형을 이용하여 금강유역 공주지점의 DO, BOD, TN에 대한 월수질 예측을 수행하고 ARIMA 모형과 비교하여 적용 가능성을 검토하였다. 사용된 신경망 모형은 학습을 위해 BP(Back Propagation) 알고리즘을 적용하였으며 학습을 향상시키기 위한 모멘트-적응학습율(Moment-Adaptive learming rate) 방법을 이용한 MANN 모형, 레번버그-마쿼트(Levenberg-Marquardt) 방법을 이 용한 LMNN 모형, 그리고 정성적인 판단인자를 첨가하여 정량적인 월 수질 자료와 분별, 학습하 도록 은닉층을 분리한 MNN 모형으로 구분하였다. 대체로 신경망 모형의 예측치가 실측치에 근사한 결과를 보였으며, 은닉층을 분리한 MNN 모형이 가장 우수한 결과를 보였다.

• 한국수자원학회논문집
• /
• 제33권2호
• /
• pp.159-167
• /
• 2000

본 연구는 낙동강수계인 위천 유역의 최하류 군위 지점에 대해 추계학적 모형인 Box-Jenkin의 승법 ARIMA 모형과 상태공간모형 이론적 토대로 하여 계절별 월 유출량을 모의하였다. 다변량 시계열 모형인 상태공간모형의 입력변수로 월 유효우량과 균등기간의 관측된 월 유출량을 사용하여 군위지점의 월 유출량을 예측한 결과 다변량 시계열 모형인 승법 ARIMA모형에 비하여 표준오차가 작게 나타났으므로, 유효우량과 유출량을 함께 이용하는 상태공간 모형을 이용하여 합리적인 유출량 예측이 가능하도록 하였다. 본 논문은 월 유출량 기록치 및 유효우량 자료를 분석하여 승법 ARIMA 모형 및 상태공간 모형에 적용하였으며, 상태공가 모형의 이론을 적용하여 VAR(P)의 P값을 구하기 위해 시차에 의한 AIC 값을 이용하였다. VARMA 모형은 정준상관계수를 이용한 상태공간 모형을 구하여 구축하였다. 따라서, 본 논문에서는 구축된 상태공간 모형을 사용하여 위천유역의 군위 지점에서 장·단기 유출량을 예측하여 수자원의 장·단기전략 수립에 도움을 주기 위함이다.

• 한국신뢰성학회지:신뢰성응용연구
• /
• 제18권1호
• /
• pp.20-32
• /
• 2018

Purpose: The purpose of this study is to set up an anomaly detection criteria for sensor data coming from a motorcycle. Methods: Five sensor values for accelerator pedal, engine rpm, transmission rpm, gear and speed are obtained every 0.02 second from a motorcycle. Exploratory data analysis is used to find any pattern in the data. Traditional process control methods such as X control chart and time series models are fitted to find any anomaly behavior in the data. Finally unsupervised learning algorithm such as k-means clustering is used to find any anomaly spot in the sensor data. Results: According to exploratory data analysis, the distribution of accelerator pedal sensor values is very much skewed to the left. The motorcycle seemed to have been driven in a city at speed less than 45 kilometers per hour. Traditional process control charts such as X control chart fail due to severe autocorrelation in each sensor data. However, ARIMA model found three abnormal points where they are beyond 2 sigma limits in the control chart. We applied a copula based Markov chain to perform statistical process control for correlated observations. Copula based Markov model found anomaly behavior in the similar places as ARIMA model. In an unsupervised learning algorithm, large sensor values get subdivided into two, three, and four disjoint regions. So extreme sensor values are the ones that need to be tracked down for any sign of anomaly behavior in the sensor values. Conclusion: Exploratory data analysis is useful to find any pattern in the sensor data. Process control chart using ARIMA and Joe's copula based Markov model also give warnings near similar places in the data. Unsupervised learning algorithm shows us that the extreme sensor values are the ones that need to be tracked down for any sign of anomaly behavior.

• 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.

• 대한전기학회논문지:전력기술부문A
• /
• 제55권2호
• /
• pp.85-93
• /
• 2006

Since the SMP(System Marginal Price) is a vital factor to the market participants who intend to maximize the their profit and to the ISO(Independent System Operator) who wish to operate the electricity market in a stable sense, the short-term marginal price forecasting should be performed correctly. In an electricity market the short-term market price affects considerably the short-term trading between the market entities. Therefore, the exact forecasting of SMP can influence on the profit of market participants. This paper presents a new methodology for a day-ahead SMP forecasting using ARIMA(Autoregressive Integrated Moving Average) model based on the time-series method. And also the correction algorithm is proposed to minimize the forecasting error in order to improve the efficiency and accuracy of the SMP forecasting. To show the efficiency and effectiveness of the proposed method, the case studies are performed using historical data of SMP in 2004 published by KPX(Korea Power Exchange).

• 대한전기학회논문지:전력기술부문A
• /
• 제53권7호
• /
• pp.405-413
• /
• 2004

Traditionally, electrical power systems had the vertically-integrated industry structures based on the economics of scale. However power systems have been recently reformed to increase the energy efficiency of the power system. According to these trends, Korean power industry has been partially restructured, and the competitive generation market was opened in 2001. In competitive electric markets, correct demand data are one of the most important issue to maintain the flexible electric markets as well as the reliable power systems. However, the measuring load data can have the uncertainty because of mechanical trouble, communication jamming, and other things. To obtain the reliable load data, an efficient evaluation technique to adust the missing load data is needed. This paper analyzes the load pattern of historical real data and then the turned ARIMA (Autoregressive Integrated Moving Average) model, PCHIP(Piecewise Cubic Interporation) and Branch & Bound method are applied to seek the missing parameters. The proposed method is tested under a variety of conditions and tested with historical measured data from the Korea Energy Management Corporation (KEMCO).

• 한국산업융합학회 논문집
• /
• 제24권3호
• /
• pp.323-331
• /
• 2021

With global warming and pollution problems, accurate forecasting of the harmful gases would be an essential alarm in our life. In this paper, we forecast the emission of the five gases(SOx, NO₂, NH₃, H₂S, CH₄) using the time series model of ARIMA, the learning algorithms of Random forest, and LSTM. We find that the gas emission data depends on the short-term memory and behaves like a random walk. As a result, we compare the RMSE, MAE, and MAPE as the measure of the prediction performance under the same conditions given to three models. We find that ARIMA forecasts the gas emissions more precisely than the other two learning-based methods. Besides, the ARIMA model is more suitable for the real-time forecasts of gas emissions because it is faster for modeling than the two learning algorithms.