• 지능정보연구
• /
• 제24권4호
• /
• pp.155-170
• /
• 2018

기업의 금융 부도를 예측하는 것은 전통적으로 비즈니스 분석에서 가장 중요한 예측문제 중 하나이다. 선행연구에서 예측모델은 통계 및 기계학습 기반의 기법을 적용하거나 결합하는 방식으로 제안되었다. 본 논문에서는 잘 알려진 최적화기법 중 하나인 시뮬레이티드 어니일링에 기반한 새로운 지능형 예측모델을 제안한다. 시뮬레이티드 어니일링은 유전자알고리즘과 유사한 최적화 성능을 가진 것으로 알려져 있다. 그럼에도 불구하고, 시뮬레이티드 어니일링을 사용한 비즈니스 의사결정 문제의 예측과 분류에 관한 연구가 거의 없었기 때문에, 비즈니스 분석에서의 유용성을 확인하는 것은 의미가 있다. 본 연구에서는 시뮬레이티드 어니일링과 기계학습의 결합 모델을 사용하여 부도예측모델의 입력 특징을 선정한다. 최적화 기법과 기계학습기법을 결합하는 대표적인 유형은 특징 선택, 특징 가중치 및 사례 선택이다. 이 연구에서는 선행연구에서 가장 많이 연구된 특징 선택을 위한 결합모델을 제안한다. 제안하는 모델의 우수성을 확인하기 위하여 본 연구에서는 한국 기업의 실제 재무데이터를 이용하여 그 결과를 분석한다. 분석결과는 제안된 모델의 예측 정확도가 단순한 모델의 예측 정확성보다 우수하다는 것을 보여준다. 특히 기존의 의사결정나무, 랜덤포레스트, 인공신경망, SVM 및 로지스틱 회귀분석에 비해 분류성능이 향상되었다.

• 지능정보연구
• /
• 제22권4호
• /
• pp.177-192
• /
• 2016

기계학습(Machine Learning)은 인공 지능의 한 분야로, 데이터를 이용하여 기계를 학습시켜 기계 스스로가 데이터 분석 및 예측을 하게 만드는 것과 관련한 컴퓨터 과학의 한 영역을 일컫는다. 그중에서 SVM(Support Vector Machines)은 주로 분류와 회귀 분석을 목적으로 사용되는 모델이다. 어느 두 집단에 속한 데이터들에 대한 정보를 얻었을 때, SVM 모델은 주어진 데이터 집합을 바탕으로 하여 새로운 데이터가 어느 집단에 속할지를 판단해준다. 최근 들어서 많은 금융전문가는 기계학습과 막대한 데이터가 존재하는 금융 분야와의 접목 가능성을 보며 기계학습에 집중하고 있다. 그러면서 각 금융사는 고도화된 알고리즘과 빅데이터를 통해 여러 금융업무 수행이 가능한 로봇(Robot)과 투자전문가(Advisor)의 합성어인 로보어드바이저(Robo-Advisor) 서비스를 발 빠르게 제공하기 시작했다. 따라서 현재의 금융 동향을 고려하여 본 연구에서는 기계학습 방법의 하나인 SVM을 활용하여 매매성과를 올리는 방법에 대해 제안하고자 한다. SVM을 통한 예측대상은 한국형 변동성지수인 VKOSPI이다. VKOSPI는 금융파생상품의 한 종류인 옵션의 가격에 영향을 미친다. VKOSPI는 흔히 말하는 변동성과 같고 VKOSPI 값은 옵션의 종류와 관계없이 옵션 가격과 정비례하는 특성이 있다. 그러므로 VKOSPI의 정확한 예측은 옵션 매매에서의 수익을 낼 수 있는 중요한 요소 중 하나이다. 지금까지 기계학습을 기반으로 한 VKOSPI의 예측을 다룬 연구는 없었다. 본 연구에서는 SVM을 통해 일 중의 VKOSPI를 예측하였고, 예측 내용을 바탕으로 옵션 매매에 대한 적용 가능 여부를 실험하였으며 실제로 향상된 매매 성과가 나타남을 증명하였다.

• Journal of Power Electronics
• /
• 제17권2호
• /
• pp.476-489
• /
• 2017

Under partial shading conditions (PSCs), multiple maximums may be exhibited on the P-U curve of string inverter photovoltaic (PV) systems. Under such conditions, heuristic methods are invalid for extracting a global maximum power point (GMPP); intelligent algorithms are time-consuming; and model-based methods are complex and costly. To overcome these shortcomings, a novel hybrid MPPT (MPF-IP&O) based on a model-based peak forecasting (MPF) method and an improved perturbation and observation (IP&O) method is proposed. The MPF considers the influence of temperature and does not require solar radiation measurements. In addition, it can forecast all of the peak values of the PV string without complex computation under PSCs, and it can determine the candidate GMPP after a comparison. Hence, the MPF narrows the searching range tremendously and accelerates the convergence to the GMPP. Additionally, the IP&O with a successive approximation strategy searches for the real GMPP in the neighborhood of the candidate one, which can significantly enhance the tracking efficiency. Finally, simulation and experiment results show that the proposed method has a higher tracking speed and accuracy than the perturbation and observation (P&O) and particle swarm optimization (PSO) methods under PSCs.

• 한국수자원학회논문집
• /
• 제51권2호
• /
• pp.165-174
• /
• 2018

시계열 데이터를 활용하는 모형은 신뢰할 수 있는 자료를 확보한 경우에는 모형 구축이 용이하고 예측 선행 시간 확보를 위해 신속한 모의가 가능한 장점 때문에 규모가 작은 하천의 홍수예측 모형으로 고려할 수 있다. 이 중 Transfer Function Noise (TFN) 모형은 이탈리아, 영국 등 해외에서는 1970년대부터 시간단위 자료를 이용한 하천유량 예측에 적용되었으나, 우리나라에서는 주로 일 단위 혹은 월 단위의 하천유량 모의에 적용되었다. 국내 수문 자료의 품질 향상으로 그동안 축적된 수문자료를 통해 시간단위 자료를 이용한 홍수예측 모형의 구축 기반이 갖추어졌다. 본 연구의 목적은 소규모 하천을 대상으로 외생변수의 반영이 가능하고 동적시스템과 오차항을 결합하여 예측 오차를 줄이는데 용이한 TFN 모형을 구축하고 그 적용성을 검토하는 것이다. 이를 위해 1시간 단위 자료를 이용하여 TFN 모형을 구축하였으며 구축된 모형을 이용한 홍수 예측 결과를 홍수예보 실무에 활용 중인 저류함수모형의 홍수 예측 결과와 비교하였다. 비교 결과 홍수사상에 따라 TFN 모형과 저류함수 모형이 각각 더 나은 결과를 보이는 사상이 있었으며, 실무에서 TFN 모형을 홍수예측 모형으로 활용할 수 있을 것으로 판단하였다.

• 산업경영시스템학회지
• /
• 제42권4호
• /
• pp.203-210
• /
• 2019

Recently, a number of researchers have produced research and reports in order to forecast more exactly air quality such as particulate matter and odor. However, such research mainly focuses on the atmospheric diffusion models that have been used for the air quality prediction in environmental engineering area. Even though it has various merits, it has some limitation in that it uses very limited spatial attributes such as geographical attributes. Thus, we propose the new approach to forecast an air quality using a deep learning based ensemble model combining temporal and spatial predictor. The temporal predictor employs the RNN LSTM and the spatial predictor is based on the geographically weighted regression model. The ensemble model also uses the RNN LSTM that combines two models with stacking structure. The ensemble model is capable of inferring the air quality of the areas without air quality monitoring station, and even forecasting future air quality. We installed the IoT sensors measuring PM2.5, PM10, H2S, NH3, VOC at the 8 stations in Jeonju in order to gather air quality data. The numerical results showed that our new model has very exact prediction capability with comparison to the real measured data. It implies that the spatial attributes should be considered to more exact air quality prediction.

• 대한토목학회논문집
• /
• 제31권5D호
• /
• pp.671-677
• /
• 2011

최근 철도 서비스를 개선하고자 기존선을 복선 및 전철화 하는 등 철도네트워크 기능강화사업이 활발히 추진되고 있다. 이를 배경으로 본 논문에서 급행철도와 같이 새로운 철도 운영서비스가 제공될 경우 타 교통수단으로부터 얼마의 전환수요가 발생될 것이며, 철도이용형태는 어떻게 변화될 것인지? 등 앞으로 건설될 대구권 광역철도를 대상으로 SP와 RP데이터에 의한 전환수요 예측방법의 적용성을 검토하였다. 모형 구축결과, 기존 SP와 RP데이터를 결합하는 동시적 모형과 순차적 모형이 모두 유용하여 총통행시간과 통행비용의 파라미터 추정치가 충분한 설명력을 나타내고 있으며, 동시적 방법이 보다 효율적으로 분석되었다. 특히 RP+SP의 결합모형의 타당성을 더욱 높이기위해서 RP데이터를 비례적으로 적용한다면, 철도요금과 통행시간 설정에 따라 전환수요를 쉽게 파악할 수 있을 것이며, 대구권 광역철도를 비롯하여 타 지역에서도 보다 실용적으로 적용할 수 있을 것으로 판단된다.

• 응용통계연구
• /
• 제32권6호
• /
• pp.851-865
• /
• 2019

하나의 시계열 자료에서 다양한 특징을 발견하는 일은 간단한 문제가 아니다. 본 논문에서는 하나의 시계열 자료에서 복수의 패턴을 찾아내어 예측 정확도를 높이는 방식인 다중 결합 예측 알고리즘을 소개한다. 이 알고리즘은 시간적 결합과 예측값 조합의 개념을 사용한다. 시간적 결합 방식을 통해, 하나의 시계열 자료에서 여러 개의 시계열 자료를 생성할 수 있으며, 각각의 자료는 별도의 특성을 가지게 된다. 여러 개의 시계열 자료에서 다양한 특성을 추출하기 위하여 지수평활법을 사용하고 시계열 요소들 및 이들의 예측값을 계산한다. 마지막 단계에서 시계열 요소 별로 예측값을 혼합 한 후, 각 시계열 요소들의 조합값을 더하여 최종 예측값을 만든다. 실증 분석으로 국내 교통사고 발생 건수를 예측한다. 분석 결과, 기존의 다른 예측 방식보다 예측 성능이 우수함을 확인할 수 있다.

• 디지털융복합연구
• /
• 제12권3호
• /
• pp.211-218
• /
• 2014

최근 풍력에너지는 풍력터빈의 지능화뿐만 아니라 풍력 발전량 예측 부분에서 컴퓨팅과의 결합이 확대되고 있다. 풍력 발전은 기상상태에 따라 출력변동이 심하고 출력 예측이 어려워 효율적인 전력 생산을 위해서 신재생에너지를 전력계통에 안정적으로 연계할 수 있는 기술이 필요하다. 본 논문에서는 분산형 전원의 예측정보를 향상시켜 예측한 발전량과 실제 발전량의 차이를 최소화하기 위한 분산형 전원전력의 단기예측 모델을 설계한다. 제안된 모델은 단기 예측을 위해서 물리모델과 통계모델을 결합하였으며, 물리모델에서 생산된 격자별 예측값 중 예측 지점내 예측지점의 값을 추출하고, 물리 모델 예측값에 통계모델을 적용하여 발전량 산정을 위한 최종 기상 예측값을 생성한다. 또한, 제안 모델에서는 실시간 기상청 관측자료와 실시간 중기 예측 자료를 입력 자료로 사용하여 단기 예측모델을 수행한다.

• 한국해양공학회지
• /
• 제33권5호
• /
• pp.427-434
• /
• 2019

Artificial intelligence (AI)-aided research currently enjoys active use in a wide array of fields thanks to the rapid development of computing capability and the use of Big Data. Until now, forecasting methods were primarily based on physics models and statistical studies. Today, AI is utilized in disaster prevention forecasts by studying the relationships between physical factors and their characteristics. Current studies also involve combining AI and physics models to supplement the strengths and weaknesses of each aspect. However, prior to these studies, an optimization algorithm for the AI model should be developed and its applicability should be studied. This study aimed to improve the forecast performance by constructing a model for neural network optimization. An artificial neural network (ANN) followed the ever-changing path of a typhoon to produce similar typhoon predictions, while the optimization achieved by the neural network algorithm was examined by evaluating the activation function, hidden layer composition, and dropouts. A learning and test dataset was constructed from the available digital data of one typhoon that affected Korea throughout the record period (1951-2018). As a result of neural network optimization, assessments showed a higher degree of forecast accuracy.

• 한국산학기술학회논문지
• /
• 제22권3호
• /
• pp.20-29
• /
• 2021

4차산업혁명 시대에는 대량의 데이터를 학습하여 예측과 분류의 정확성을 향상시킬 수 있는 인공지능의 활용이 핵심적이다. 그러나, 기존 이상탐지를 위한 방법은 제한된 데이터를 다루는 전통적인 통계 방법에 의존하고 있어, 정확한 이상탐지가 어렵다. 그러므로, 본 연구는 인공지능 기반 이상탐지 방법을 제시하여 예측 정확도를 높이고, 새로운 데이터 패턴을 정의하는 것을 목적으로 한다. 특히, 자동차의 경우 공회전 기간의 센서 데이터가 이상 탐지에 활용될 수 있다는 관점에서 데이터를 수집하고 분석하였다. 이를 위해, 예측 모델에 입력되는 데이터의 적정 시간 길이를 결정하고, 공회전 기간 데이터와 전체 운행 데이터의 분석 결과를 비교하며, 다양한 센서 데이터 조합에 의한 최적 예측 방법을 도출하였다. 또한, 인공지능 방법으로 선택된 CNN의 예측 정확성을 검증하기 위해 LSTM 결과와 비교하였다. 분석 결과, 공회전 데이터를 이용하고, 공회전 기간보다 1.5배 많은 기간의 데이터를 이용하며 LSTM보다는 CNN을 활용하는 것이 더 좋은 예측결과를 보였다.