• 한국방재안전학회논문집
• /
• 제14권2호
• /
• pp.35-42
• /
• 2021

본 논문은 전기자동차 충전시설 확충계획에 중요한 요소인 전기자동차 전력 수요량 예측정보를 생산하기 위하여 Exponential Smoothing를 이용하여 전력 수요량 예측 모형을 제안하였다. 모형의 입력자료 구축을 위하여 종속변수로 월별 시군구 전력수요량을 독립변수로 월별 시군구 충전소 보급대수, 월별 시군구 전기자동차 충전소 충전 횟수, 월별 전기자동차 등록대수 자료를 월 단위로 수집하고 수집된 7년간 자료 중 4년간 자료를 학습기간으로 3년간 자료를 검증 기간으로 적용하였다. 전기자동차 전력 수요량 예측 모형의 정확성을 검증하기위하여 통계적 방법인 Exponential Smoothing(ETS), ARIMA모형의 결과와 비교한 결과 ETS, ARIMA 각각의 오차율은 12%, 21%로 본 논문에서 제시한 ETS가 9% 더 정확하게 분석되었으며, 전기자동차 전력 수요량 예측 모형으로써 적합함을 확인하였다. 향후 이 모형을 이용한 전기자동차 충전소 설치 계획부터 운영관리 측면에서 활용될 것으로 기대한다.

• 문화기술의 융합
• /
• 제9권3호
• /
• pp.763-768
• /
• 2023

본 논문에서는 의약품 유통량 예측을 위해 기존의 통계 방식(ARIMA)과 머신러닝 방식(Informer)을 개발하고 비교하였다. 일별 데이터의 예측에서는 머신러닝 기반의 모델이 유리하며, 월별 예측에서는 ARIMA를 활용하고 데이터가 증가하면서 Informer로 전환하는 것이 효과적임을 발견하였다. 예측 에러율(RMSE)은 기존 방식 대비 26.6% 낮아졌으며, 예측 정확도도 13% 개선되어 86.2%의 결과를 보였다. 본 논문을 통해 통계적 방법과 머신러닝 방법을 앙상블하여 최상의 결과를 얻을 수 있다는 장점을 발견하였다. 또한 머신러닝 기반의 AI 모델은 불규칙한 상황에서도 딥러닝 연산을 통해 최선의 결과를 도출할 수 있으며, 상용화 이후에는 데이터양이 증가함에 따라 성능이 향상될 것으로 기대된다.

• 한국경영과학회지
• /
• 제36권1호
• /
• pp.13-26
• /
• 2011

In order to explain the U-shaped pattern of autocorrelations of stock returns i.e., autocorrelations starting around 0 for short-term horizons and becoming negative and then moving toward 0 for long-term horizons, researchers suggested the use of a state-space model consisting of an I(1) permanent component and an AR(1) stationary component, where the two components are assumed to be independent. They concluded that auto-regression coefficients derived from the state-space model follow a U-shape pattern and thus there is mean-reversion in stock prices. In this paper, we show that only negative autocorrelations are feasible under the assumption that the permanent component and the stationary component are independent in the state-space model. When the two components are allowed to be correlated in the state-space model, we show that the sign of the auto-regression coefficients is not restricted as negative. Monthly return data for all NYSE stocks for the period from 1926 to 2007 support the state-space model with correlated noise processes. However, the auto-regression coefficients of the ARIMA process, equivalent to the state-space model with correlated noise processes, do not follow a U-shaped pattern, but are always positive.

• 한국컴퓨터정보학회논문지
• /
• 제27권7호
• /
• pp.187-194
• /
• 2022

LNG는 미래 친환경으로 가는 과도기적 에너지원으로서, 세계적인 친환경 규제, COVID-19 팬데믹, 러시아-우크라이나 전쟁 등을 계기로 엄청난 시장의 주목을 받고 있으며, 미국과 호주 등 새로운 LNG 공급처도 다양화되고 있어 LNG 스팟시장이 갈수록 커질 것으로 예상된다. 이에 반해 LNG 운송시장에 관한 연구는 그동안 소외됐었다. 본 연구는 LNG 160K 스팟운임의 단기예측에 연구를 시도하였으며 인공신경망과 ARIMA 모형을 활용하여 예측성능을 비교하였다. 본 논문의 결과, ARIMA와 인공신경망의 예측성능에 관한 우열을 가리기는 어려웠으나 ARIMA모형이 가지는 데이터 제약이 있으므로 ANN의 상대적인 자유로운 제약조건을 고려하면 LNG 160K 스팟운임 예측에 활용 가능성을 확인하였다. 본 논문은 LNG 160K 스팟운임에 관하여 인공신경망을 적용한 최초의 시도로서 학문적인 의의가 있으며, 스팟운임의 단기예측 정확성을 높여 시장 참여자들의 단기투자 의사결정의 질을 높일 수 있다는 측면에서 실무적인 기여를 할 수 있을 것으로 기대된다.

• Journal of Positioning, Navigation, and Timing
• /
• 제13권1호
• /
• pp.111-115
• /
• 2024

This study builds a machine learning model optimized for clocks among various techniques in the field of artificial intelligence and applies it to clock stabilization or synchronization technology based on atomic clock noise characteristics. In addition, the possibility of providing stable source clock data is confirmed through the characteristics of machine learning predicted values during holdover of atomic clocks. The proposed machine learning model is evaluated by comparing its performance with the AutoRegressive Integrated Moving Average (ARIMA) model, an existing statistical clock prediction model. From the results of the analysis, the prediction model proposed in this study (MSE: 9.47476) has a lower MSE value than the ARIMA model (MSE: 221.2622), which means that it provides more accurate predictions. The prediction accuracy is based on understanding the complex nature of data that changes over time and how well the model reflects this. The application of a machine learning prediction model can be seen as a way to overcome the limitations of the statistical-based ARIMA model in time series prediction and achieve improved prediction performance.

• 응용통계연구
• /
• 제36권5호
• /
• pp.457-471
• /
• 2023

월별 시계열은 일별 시계열의 월별 합이지만, 일별 시계열을 대체로 관측할 수 없어서 요일구성변동, 명절·공휴일변동 등 달력변동을 가상적으로 가정한 가변수를 포함한 RegARIMIA 모형을 이용하여 추정하고 있다. 일별 시계열을 관측할 수 있다면 요일구성변동, 명절·공휴일변동 등 달력변동을 일별 시계열을 바탕으로 추정할 수 있고 이를 이용하여 월별 시계열의 계절조정을 개선할 수 있다. 이 논문에서는 일별 시계열의 달력변동 추정을 이용하여 월별 시계열의 계절조정을 개선하는 방법을 제안하고, 이 방법을 적용하여 3개의 월별 시계열을 계절조정하고 기존의 X-13ARIMA-SEATS를 이용한 계절조정과 비교하였다.

• 한국항해항만학회지
• /
• 제35권4호
• /
• pp.343-349
• /
• 2011

The forecasting of container volume which is the basis of port logistics facilities expansion has a great influence on development of an port. Based on this importance, various previous studies have presented methodology on container volume forecasting. The results of many previous studies pointed out the limitations of future forecasting based on past container volume and emphasized that more various factors should be considered to compensate this. Taking notice of this point, this study forecasted future container volume by using ARIMA model, time series analysis and System Dynamics (SD) method, a dynamic analysis technique and performed the comparative review with the forecast of the Ministry of Land, Transport and Maritime affairs. Recently with rapid changes in economic and social environment, the non-linear change tendency for forecasting container traffic is presented as a new alternative to the country.

• Journal of applied mathematics & informatics
• /
• 제5권2호
• /
• pp.373-382
• /
• 1998

Most of the works in Time Series Analysis are based on the Auto Regressive Integrated Moving Average (ARIMA) models presented by Box and Jeckins(1976). If the data exhibits no ap-parent deviation from stationarity and if it has rapidly decreasing autocorrelation function then a suitable ARIMA(p,q) model is fit to the given data. Selection of the orders of p and q is one of the crucial steps in Time Series Analysis. Most of the methods to determine p and q are based on the autocorrelation function and partial autocor-relation function as suggested by Box and Jenkins (1976). many new techniques have emerged in the literature and it is found that most of them are over very little use in determining the orders of p and q when both of them are non-zero. The Durbin-Levinson algorithm and Innovation algorithm (Brockwell and Davis 1987) are used as recur-sive methods for computing best linear predictors in an ARMA(p,q)model. These algorithms are modified to yield an effective method for ARMA model identification so that the values of order p and q can be determined from them. The new method is developed and its validity and usefulness is illustrated by many theoretical examples. This method can also be applied to an real world data.

• 해양환경안전학회지
• /
• 제27권5호
• /
• pp.574-583
• /
• 2021

해운 시황을 예측하는 것은 중요한 문제이다. 투자 방식의 결정, 선대 편성 방법, 운임 등을 결정하기 위한 판단 근거가 되며 이는 기업의 이익과 생존에 큰 영향을 미치기 때문이다. 이를 위해 본 연구에서는 기계학습 모델인 장단기 메모리 및 간소화된 장단기 메모리 구조의 Gated Recurrent Units를 활용하여 컨테이너선의 해상운임 예측 모델을 제안한다. 운임 예측 대상은 중국 컨테이너 운임지수(CCFI)이며, 2003년 3월부터 2020년 5월까지의 CCFI 데이터를 학습에 사용하였다. 각 모델에 따라 2020년 6월 이후의 CCFI를 예측한 후 실제 CCFI와 비교, 분석하였다. 실험 모델은 하이퍼 파라메터의 설정에 따라 총 6개의 모델을 설계하였다. 또한 전통적인 분석 방법과의 성능을 비교하기 위해 ARIMA 모델도 실험에 추가하였다. 최적 모델은 두 가지 방법에 따라 선정하였다. 첫 번째 방법으로 각 모델을 10회 반복 실험하여 얻은 RMSE의 평균값이 가장 작은 모델을 선정하는 것이다. 두 번째 방법으로는 모든 실험에서 가장 낮은 RMSE를 기록한 모델을 선정하는 것이다. 실험 결과 전통적 시계열 예측모델인 ARIMA 모델과 비교하여 딥러닝 모델의 정확도를 입증하였으며, 정확한 예측모델을 통해 운임 변동의 위험관리 능력을 제고시키는데 기여했다. 반면 코로나19와 같은 외부 효과에 따른 운임의 급격한 변화상황이 발생한 경우, 예측모델의 정확도가 감소하는 한계점을 나타냈다. 제안된 모델 중 GRU1 모델이 두 가지 평가 방법 모두에서 가장 낮은 RMSE(69.55, 49.35)를 기록하며 최적 모델로 선정되었다.

• 한국인터넷방송통신학회논문지
• /
• 제19권5호
• /
• pp.187-194
• /
• 2019

시장의 급속한 변화와 개별 수요자 요구의 다양화로 인하여 전통적인 예측 방식은 기업의 요구사항을 충족시키기 어렵다. 다변화하는 생산 환경에서의 올바른 수요예측은 원활한 수율관리를 위한 중요한 요소이다. 현재 산업에서 보편적으로 사용되는 기존의 많은 예측 모델은 조금씩 기능에 제한이 있다. 제안된 모델은 각 모델이 개별적으로 더 잘 수행하는 부분을 고려하여 이러한 한계를 극복하도록 설계 되었다. 본 논문에서는 동적 프로세스 분석에 적합한 Grey Relational 분석을 통한 변수 추출을 하고, ARIMA 예측값을 통하여 산출되는 과거 수요 데이터의 특징을 포함하는 통계적으로 예측된 데이터를 생성한다. 이후, LSTM 모델과 결합하여 신경망모델이 가지는 특성인 유연성, 장기적인 의존성 문제를 피하도록 구성되어진 구조를 통하여 수요예측에 영향을 주는 많은 요인들을 특징을 반영하여 수요예측을 산출할 수 있다.