• 한국수자원학회논문집
• /
• 제54권spc1호
• /
• pp.1095-1105
• /
• 2021

기후변화에 따른 집중호우, 태풍 등의 발생빈도의 증가로 인하여 댐 운영의 고도화가 요구되고 있다. 일반적으로 댐 운영의 경우 강우예측, 강우-유출, 홍수추적 등 다양한 수리수문학적 요소들을 반영하여 수행되나 기 계획된 특정 규칙에 기반한 댐 운영 모형의 경우, 때때로 개별 모듈들의 불확실성과 복합적인 인자들로 인하여 댐의 방류량을 능동적으로 제어하는데 제약이 있을 수 있다. 본 연구는 남강댐 직하류 홍수피해 예방을 위하여 댐의 방류량 결정 등 효율적인 댐 운영을 지원하기 위해 딥러닝 기반 LSTM (Long Short-Term Memory) 모형을 구축하고, 선행시간별 댐직하류 수위예측 정확도를 분석하는 것을 목적으로 한다. LSTM 모형의 입력자료는 댐 운영에 사용되는 기초자료 및 하류 장대동 수위관측소의 수위 자료를 시 단위로 2009년부터 2021년 7월까지 수집하였다. 2009년부터 2018년 자료는 모형의 학습과 검증 및 2019년부터 2021년 7월 자료는 선행시간을 7개(1 h, 3 h, 6 h, 9 h, 12 h, 18 h, 24 h)로 구분하여 관측 수위와 예측 수위를 비교·분석하였다. 그 결과, 선행시간 1시간의 예측결과는 평균적으로 MAE가 0.01 m, RMSE가 0.015 m, NSE가 0.99 로 관측 수위에 매우 근접한 예측 결과를 나타내었다. 또한, 선행시간이 길어질수록 예측 정확도는 근소하게 감소하였지만, 관측 수위의 시간적 패턴을 유사하게 안정적으로 예측하는 것으로 분석되었다. 따라서 수리수문학적 비선형의 복잡한 자료간의 특징을 자동으로 추출하여 예측 자료를 생산하는 LSTM 모형은 댐 방류량 의사결정에 있어 활용이 가능할 것으로 판단된다.

• 공연문화연구
• /
• 제22호
• /
• pp.253-285
• /
• 2011

90년대 중반 이후 빠른 속도로 증가하였던 축제는, 비록 적절한 속도의 조정을 받기는 하겠지만, 앞으로도 계속 그 수가 늘어날 것으로 보인다. 특히 직접적인 체험과 참여 속에서 자신들의 문화예술적 욕구를 실현하고자 하는 사람들의 수가 많아지면서 축제에 대한 수요의 정도와 구체성은 더욱 높아질 것으로 판단된다. 그러나 현재 우리나라의 축제문화는 아직도 직접적인 참여보다는 관객의 입장에서 수동적으로 즐기는 경향이 강하고 이러한 경향은 축제문화가 삶 속에 뿌리 내리기 전까지는 당분간 지속되리라고 볼 때, 늘어나는 축제의 상당부분은 축제 참여자가 여전히 관객으로 남아 있는 공연예술축제가 되리라는 점에 대해서 의심의 여지가 없다. 따라서 현재 일반시민들의 참여적 문화예술적 욕구를 공연예술축제로 충족시키기 위한 다양한 방법이 모색되고 있는 것도 사실이다. 이로 인해 공연예술축제의 예술성과 축제성이 각각의 특성을 어떻게 잘 표현해 내는가는 중요한 문제가 되고 있다. 공연예술축제에서는 축제적 특성과 예술적 특성 간에 상호 충돌과 갈등이 일어날 수밖에 없어서 이 두 요소에 대한 면밀한 분석의 필요성이 지속적으로 제기되고 있다. 특히 최근 공연예술축제는, 여타 종류의 축제들과 비교해 보았을 때, 상대적으로 많은 예산을 필요로 하기 때문에 자생력의 문제로부터 자유롭기가 어렵다는 점, 단기간에 빠른 속도로 공연예술축제가 증가하면서 프로그램이나 재원의 구성에서 차별성이나 독립성을 충분히 확보할 수 있는 여유를 갖지 못하고 있다는 점 등의 문제점들이 지적되고 있다. 이러한 문제들로 인해 공연예술축제가 예술성과 축제성보다는 상업적 대중성에 영합할 수밖에 없는 상황이 자주 발생하여 축제가 지녀야 할 가장 기본적인 요소인 자율성에 침해를 당하는 경우도 발생한다. 따라서 공연예술축제가 현대사회에서 가지는 중요성이 점차 커져가고 있는 것이 사실이라면, 공연예술축제가 가진 기본적인 속성에 대한 보다 면밀한 분석은 반드시 수행되어야 할 것이다. 본 연구에서는 아비뇽페스티벌의 사례를 중심으로 공연예술축제에서 예술성과 축제성의 특성이 발현되는 양상을 살펴보면서, 우리나라의 공연예술축제의 미래 발전방향을 예측하는데 참조 가능한 시사점을 찾고자 한다. 이러한 연구는 공연예술축제의 본질적 성격과 의미 그리고 미래의 방향성을 이해할 수 있는 기회를 제공하여 향후 보다 구체화된 문제 중심적 축제연구의 진전에 기여할 수 있을 것으로 기대된다.

• 지능정보연구
• /
• 제23권4호
• /
• pp.127-146
• /
• 2017

상품자산(Commodity Asset)은 주식, 채권과 같은 전통자산의 포트폴리오의 안정성을 높이기 위한 대체투자자산으로 자산배분의 형태로 투자되고 있지만 주식이나 채권 자산에 비해 자산배분에 대한 모델이나 투자전략에 대한 연구가 부족한 실정이다. 최근 발전한 기계학습(Machine Learning) 연구는 증권시장의 투자부분에서 적극적으로 활용되고 있는데, 기존 투자모델의 한계점을 개선하는 좋은 성과를 나타내고 있다. 본 연구는 이러한 기계학습의 한 기법인 SVM(Support Vector Machine)을 이용하여 상품자산에 투자하는 모델을 제안하고자 한다. 기계학습을 활용한 상품자산에 관한 기존 연구는 주로 상품가격의 예측을 목적으로 수행되었고 상품을 투자자산으로 자산배분에 관한 연구는 찾기 힘들었다. SVM을 통한 예측대상은 투자 가능한 대표적인 4개의 상품지수(Commodity Index)인 골드만삭스 상품지수, 다우존스 UBS 상품지수, 톰슨로이터 CRB상품지수, 로저스 인터내셔날 상품지수와 대표적인 상품선물(Commodity Futures)로 구성된 포트폴리오 그리고 개별 상품선물이다. 개별상품은 에너지, 농산물, 금속 상품에서 대표적인 상품인 원유와 천연가스, 옥수수와 밀, 금과 은을 이용하였다. 상품자산은 전반적인 경제활동 영역에 영향을 받기 때문에 거시경제지표를 통하여 투자모델을 설정하였다. 주가지수, 무역지표, 고용지표, 경기선행지표 등 19가지의 경제지표를 이용하여 상품지수와 상품선물의 등락을 예측하여 투자성과를 예측하는 연구를 수행한 결과, 투자모델을 활용하여 상품선물을 리밸런싱(Rebalancing)하는 포트폴리오가 가장 우수한 성과를 나타냈다. 또한, 기존의 대표적인 상품지수에 투자하는 것 보다 상품선물로 구성된 포트폴리오에 투자하는 것이 우수한 성과를 얻었으며 상품선물 중에서도 에너지 섹터의 선물을 제외한 포트폴리오의 성과가 더 향상된 성과를 나타남을 증명하였다. 본 연구에서는 포트폴리오 성과 향상을 위해 기존에 널리 알려진 전통적 주식, 채권, 현금 포트폴리오에 상품자산을 배분하고자 할 때 투자대상은 상품지수에 투자하는 것이 아닌 개별 상품선물을 선정하여 자체적 상품선물 포트폴리오를 구성하고 그 방법으로는 기간마다 강세가 예측되는 개별 선물만을 골라서 포트폴리오를 재구성하는 것이 효과적인 투자모델이라는 것을 제안한다.

• 지능정보연구
• /
• 제25권2호
• /
• pp.39-55
• /
• 2019

최근 은행과 증권회사를 중심으로 다양한 로보어드바이저 금융상품들이 출시되고 있다. 로보어드바이저는 사람 대신 컴퓨터가 포트폴리오 자산배분에 대한 투자 결정을 실행하기 때문에 다양한 자산배분 알고리즘이 활용되고 있다. 본 연구에서는 대표적 로보어드바이저 알고리즘인 블랙리터만모형의 강점을 살리면서 객관적 투자자 전망을 도출할 수 있는 지능형 전망모형을 제안하고 이를 내재균형수익률과 결합하여 최종 포트폴리오를 도출하는 로보어드바이저 자산배분 알고리즘을 새로이 제안하며, 실제 주가자료를 이용한 실증분석 결과를 통해 전문가의 주관적 전망을 대신할 수 있는 지능형 전망모형의 실무적 적용 가능성을 보여주고자 한다. 그동안 주가 예측에서 우수한 성과를 보여주었던 기계학습 방법 중 SVM 모형을 이용하여 각 자산별 기대수익률에 대한 예측과 예측 확률을 도출하고 이를 각각 기대수익률에 대한 투자자 전망과 전망에 대한 신뢰도 수준의 입력변수로 활용하는 지능형 전망모형을 제안하였다. 시장포트폴리오로부터 도출된 내재균형수익률과 지능형 전망모형의 기대수익률, 확률을 결합하여 최종적인 블랙리터만모형의 최적포트폴리오를 도출하였다. 주가자료는 2008년부터 2018년까지의 132개월 동안의 8개의 KOSPI 200 섹터지수 월별 자료를 분석하였다. 블랙리터만모형으로 도출된 최적포트폴리오의 결과가 기존의 평균분산모형이나 리스크패리티모형 등과 비교하여 우수한 성과를 보여주었다. 구체적으로 2008년부터 2015년까지의 In-Sample 자료에서 최적화된 블랙리터만모형을 2016년부터 2018년까지의 Out-Of-Sample 기간에 적용한 실증분석 결과에서 다른 알고리즘보다 수익과 위험 모두에서 좋은 성과를 기록하였다. 총수익률은 6.4%로 최고 수준이며, 위험지표인 MDD는 20.8%로 최저수준을 기록하였다. 수익과 위험을 동시에 고려하여 투자 성과를 측정하는 샤프비율 역시 0.17로 가장 좋은 결과를 보여주었다. 증권계의 애널리스트 전문가들이 발표하는 투자자 전망자료의 신뢰성이 낮은 상태에서, 본 연구에서 제안된 지능형 전망모형은 현재 빠른 속도로 확장되고 있는 로보어드바이저 관련 금융상품을 개발하고 운용하는 실무적 관점에서 본 연구는 의의가 있다고 판단된다.

• 대한원격탐사학회지
• /
• 제36권5_1호
• /
• pp.679-692
• /
• 2020

본 연구에서는 CFD 모델을 WRF-Chem 모델과 결합(WRF-CFD 모델)하였고, 서울 영등포구에 소재한 건물 밀집 지역에서 흐름과 일산화탄소(carbon monoxide, CO) 분포 특성을 조사하였다. 이를 위하여, 자동기상관측소에서 측정한 풍속, 풍향과 도시대기측정소에서 측정한 CO 농도를 이용하여 수치 모의 결과를 검증하였다. AWS 510 지점에서는 남풍과 남서풍 계열 바람이 측정되었고, 야간 시간 보다는 주간 시간에 높은 풍속이 측정되었다. WRF-Chem 모델은 주로 동남동풍에서 서남서풍 계열의 바람을 수치 모의하였고, 측정 풍속을 과대 모의하였다. WRF-CFD 모델이 수치 모의한 풍향은 WRF-Chem 모델 풍향에 대한 의존도가 높았고, 측정 풍속을 상대적으로 잘 수치 모의하였다. 통계적 검증 지수에 대한 목표 값과 추천 범위를 고려하였을 때, WRF-CFD 모델이 WRF-Chem 모델에 비해 측정 풍속을 통계적으로 더 현실적으로 수치 모의하였다. WRF-Chem 모델은 측정 CO 농도를 크게 과소 모의하였고, WRF-CFD 모델은 CO 농도 예측을 개선하였다. 통계적 검증 결과를 종합한 결과, WRF-CFD 모델은 도시 지역에 복잡하게 분포한 건물과 이동 오염원을 고려함으로써 CO 농도 예측 성능을 개선하였다. 5월 22일 04시에는 AQMS가 위치한 지역에는 하강류가 존재하고, 상층으로부터 비교적 낮은 농도의 CO가 유입되면서 주변 지역에 비해 낮은 농도가 수치 모의되었다. 5월 22일 15시에는 AQMS 측정 지점에 약한 상승류가 형성되었고, 이에 따라 주변보다 다소 높은 CO 농도가 나타났다. WRF-CFD 모델은 상승류에 의해 도로의 이동 오염원으로부터 배출된 CO를 AQMS 측정 고도까지 수송하여, 결과적으로, 측정 CO 농도를 잘 재현한 것으로 판단된다. 5월 22일 18시 사례는 CO 배출량 증가, 상승류 발생 지역 증가, 풍속 증가로 인한 지면 근처의 난류운동에너지 생성 증가에 따른 난류 확산 증가 등으로 인해 전체적으로 높은 CO 농도가 수치 모의되었다. AQMS 지점에서는 하강류가 수치 모의되었지만, 풍상측에 형성된 고농도의 CO 밴드로 인해 WRF-CFD 모델은 측정 CO 농도를 과대 모의하였다.

• 지능정보연구
• /
• 제17권4호
• /
• pp.241-254
• /
• 2011

Support vector machines(SVM)은 비교적 최근에 등장한 데이터마이닝 기법이지만, 재무, CRM 등의 경영학 분야에서 많이 연구되고 있다. SVM은 인공신경망과 필적할 만큼의 예측 정확도를 보이는 사례가 많았지만, 암상자로 불리는 인공신경망 모형에 비해 구축된 예측모형의 구조를 이해하기 쉽고, 인공신경망에 비해 과도적합의 가능성이 적어서 적은 수의 데이터에서도 적용 가능하다는 장점을 가지고 있다. 하지만, 일반적인 SVM을 이용하려면, 인공신경망과 마찬가지로 여러 가지 설계요소들을 설계자가 선택하여야 하기 때문에 임의성이 높고, 국부 최적해에 수렴할 가능성도 크다. 또한, 많은 수의 데이터가 존재하는 경우에는 데이터를 분석하고 이용하는데 시간이 소요되고, 종종 잡음이 심한 데이터가 포함된 경우에는 기대하는 수준의 예측성과를 얻지 못할 가능성이 있다. 본 연구에서는 일반적인 SVM의 장점을 그대로 유지하면서, 전술한 두 가지 단점을 보완한 새로운 SVM 모형을 제안한다. 본 연구에서 제안하는 모형은 사례선택기법을 일반적인 SVM에 융합한 것으로 대용량의 데이터에서 예측에 불필요한 데이터를 선별적으로 제거하여 예측의 정확도와 속도를 제고할 수 있는 방법이다. 본 연구에서는 잡음이 많고 예측이 어려운 것으로 알려진 재무 데이터를 활용하여 제안 모형의 유용성을 확인하였다.

• 한국산림과학회지
• /
• 제103권4호
• /
• pp.622-629
• /
• 2014

산양삼 재배자가 스스로 경영 수준을 진단하여 문제점을 파악하고 이를 개선해 나갈 수 있도록 경영 표준진단표를 개발하여 활용하고자 하였다. 산양삼 경영 표준진단표는 임가 일반 현황과 경영 성과 지표, 그리고 경영수준 진단을 위한 3개의 대분류 항목 및 18개의 중분류 항목으로 구성되어 있다. 산양삼 경영 표준진단표의 작성을 위해 산양삼 주산단지 15개 시 군 81개 임가의 경영 실태 조사를 실시하였으며 경영수준 진단을 위해서 18개 중분류 항목 점수를 합산하여 총점을 산출하였다. 조사 결과 81개 임가의 평균 점수는 57.2점으로 나타났으며 조사 임가의 58%가 40점 이상 60점 미만에 해당하는 것으로 나타났다. 지역별로 평균점수를 비교해 보면 전북이 52.9점으로 가장 낮고, 경남이 61.4점으로 가장 높게 나타났다. 경영기반 지표에서는 재배자들이 재배 특성상 인위적으로 상을 만들지 않고 재배하는 경우가 많아 채종포 조성(상높이)에 대한 항목의 평균 점수가 1.59점으로 낮게 나타났다. 생산기술 수준 지표에서는 병해충 관리 항목의 평균 점수가 1.28점으로 재배자의 90%이상이 병해충 예찰을 하지 않는 것으로 나타났다. 파종 및 식재방법, 종자에 대한 항목은 경남 함양에서의 평균 점수가 4.00점, 4.47점으로 특히 높게 나타났으며 경영 및 판매능력 지표에서는 경영기록 및 분석 항목의 평균 점수가 2.20점으로 낮게 나타나 여전히 재배 임가에서는 경영기록 등 경영관리가 미흡한 것으로 나타났다.

• 한국농림기상학회지
• /
• 제18권4호
• /
• pp.233-241
• /
• 2016

기상청에서 제공하는 넓은 지역의 수평면 일조시간 정보를 복잡한 산간집수역의 지형특성을 반영한 실제 일조시간 분포도로 변환하기 위해 지형효과를 정량화하기 위한 실험을 수행하였다. 경남 하동군 악양면 단일 집수역을 대상으로 정밀 DEM을 이용하여 그림자모형화 및 공제선분석 기법을 적용하여 일중 시간대별 음영기복도 1년 자료를 제작하였다. 2015년 5월 15일부터 2016년 5월 14일까지 1년 간 지형조건이 서로 다른 3지점에서 바이메탈식 일조계로 측정한 일조시간자료에 음영기복도 상 해당 지점의 휘도값을 추출하여 회귀시킴으로써 맑은 날의 휘도-일조시간 반응곡선을 얻었다. 이 곡선식을 하늘상태(운량)에 따라 보정할 수 있는 방법을 고안함으로써 일조시간 상세화 모형을 도출하였다. 이 모형의 신뢰도를 기존 수평면 일조시간 추정기법과 비교한 결과 추정값의 편의가 크게 개선된 것은 물론, 일적산일조시간 기준 RMSE가 1.7시간으로 지형효과를 반영하기 전보다 37% 이상 개선되었다. 어떤 지역을 대상으로 일조시간을 상세화 하기 위해서는 먼저 대상 지역의 매 시간 음영기복도의 격자점 휘도를 모형에 입력시켜 해당 시간대의 청천 일조시간을 추정한다. 다음에 같은 시간대의 기상청 동네예보(하늘상태)에 의해 구름 효과를 보정한다. 이렇게 추정된 매 시간 일조시간을 하루 단위로 적산하여 그 날의 누적 일조시간을 얻는다. 이 과정을 연구대상 집수역에 적용하여 수평 해상도 3m의 정밀한 일조시간 분포도를 얻을 수 있었다.

• 지능정보연구
• /
• 제25권1호
• /
• pp.139-161
• /
• 2019

전자상거래 시장의 이용이 보편화 되며 고객들에게 좋은 품질의 물건을 어디서, 얼마나 합리적으로 구매할 수 있는지가 중요해졌다. 이러한 구매 심리의 변화는 방대한 정보 속에서 오히려 고객들의 구매 의사결정을 어렵게 만드는 경향이 있다. 이때 추천 시스템은 고객의 구매 행동을 분석하여 정보 검색에 드는 비용을 줄이고 만족도를 높이는 효과가 있다. 하지만 대부분 추천 시스템은 책이나 영화 등 동종 상품 분류 내에서만 추천이 이뤄진다. 왜냐하면 추천 시스템은 특정 상품에 매긴 구매 평점 데이터를 기반으로 해당 상품 분류 내 유사한 상품에 대한 구매 만족도를 추정하기 때문이다. 그밖에 추천 시스템에서 사용하는 구매 평점의 신뢰성에 대한 문제도 제시되고 있으며 오프라인에선 평점 확보 자체가 어렵다. 이에 본 연구에서는 일련의 문제를 개선하기 위해 RFM 다차원 분석 기법을 활용하여 기존에 사용하던 고객의 구매 평점을 객관적으로 대체할 수 있는 새로운 지표의 활용 가능성을 제안하는 바이다. 실제 기업의 구매 이력 데이터에 해당 지표를 적용해서 검증해본 결과 높게는 약 55%에 해당하는 정확도를 기록했다. 이는 총 4,386종에 달하는 이종 상품들 중 한번도 이용해 본 적 없는 상품을 추천한 결과이기 때문에 검증 결과는 상대적으로 높은 정확도와 활용가치를 의미한다. 그리고 본 연구는 오프라인의 다양한 상품데이터에서도 적용할 수 있는 범용적인 추천 시스템의 가능성을 시사한다. 향후 추가적인 데이터를 확보한다면 제안하는 추천 시스템의 정확도 향상도 기대할 수 있다.

• 지능정보연구
• /
• 제27권1호
• /
• pp.177-190
• /
• 2021

4차 산업혁명 기술의 발전으로 사람이 처리하지 못하는 부분을 기계학습 등 인공지능 기법을 활용하여 개선해 보려는 노력이 확대되고 있다. 주문형 생산 기업에서도 주문에 대한 총생산시간을 예측하여 납기 지연 등의 기업 리스크를 줄이고자 하나 주문마다 총생산시간이 모두 달라 이를 예측하는데, 어려움을 겪고 있다. 주문 처리량 증대, 주문 총비용 절감을 위해 효율성이 가장 낮은 영역을 찾아 그 영역을 강화하는 TOC(Theory of constraints) 이론이 개발되었으나 총생산시간 예측은 제시하지 못하였다. 주문생산은 고객의 다양한 요구로 인해 주문마다 그 특성이 모두 다르므로 개별적인 주문의 총생산시간을 사후에 측정할 수는 있으나 사전 예측을 하기는 어렵다. 기존 주문의 이미 측정된 총생산시간도 모두 달라 표준 시간으로 활용할 수 없는 한계성이 있다. 이에 따라 경험이 많은 관리자는 시스템의 이용보다는 감에 의존하고 있고, 경험이 부족한 관리자는 간단한 관리지표(예, 원재료가 파이프이면 총생산시간 60일, 철판이면 총생산시간 90일 등)를 사용하고 있다. 불완전한 감이나 지표를 기초로 하여 작업 지시를 너무 빨리하면 정체가 발생하여 생산성이 저하되고, 너무 늦게 하면 긴급 처리로 인해 생산비용이 증가하거나 납기를 지키지 못하는 경우가 발생한다. 납기를 지키지 못하면 지체상금을 배상해야 하거나 영업, 수금 등의 부문에 악영향을 미친다. 본 연구에서는 이러한 문제를 해결하기 위하여 주문생산시스템을 운영하는 기업의 신규 주문 총생산시간을 추정하는 기계학습 모델을 찾고자 한다. 기계학습에 활용된 자료는 수주, 생산, 공정 실적을 사용한다. 그리고 총생산시간의 추정에 가장 적합한 알고리즘으로 OLS, GLM Gamma, Extra Trees, Random Forest 알고리즘 등을 비교 분석하고 그 결과를 제시하고자 한다.