• Journal of Information Technology Applications and Management
• /
• 제19권1호
• /
• pp.1-12
• /
• 2012

Data mining is the process of searching and analyzing large quantities of data for finding out meaningful patterns and rules. Artificial Neural Network (ANN) is one of the tools of data mining which is becoming very popular in forecasting the future values. Some of the areas where it is used are banking, medicine, retailing and fraud detection. In finance, artificial neural network is used in various disciplines including stock market forecasting. In the stock market time series, due to high volatility, it is very important to choose a model which reads volatility and forecasts the future values considering volatility as one of the major attributes for forecasting. In this paper, an attempt is made to develop two models - one using feed forward back propagation Artificial Neural Network and the other using Autoregressive Conditional Heteroskedasticity (ARCH) technique for forecasting stock market returns. Various parameters which are considered for the design of optimal ANN model development are input and output data normalization, transfer function and neuron/s at input, hidden and output layers, number of hidden layers, values with respect to momentum, learning rate and error tolerance. Simulations have been done using prices of daily close of Sensex. Stock market returns are chosen as input data and output is the forecasted return. Simulations of the Model have been done using MATLAB$^{(R)}$ 6.1.0.450 and EViews 4.1. Convergence and performance of models have been evaluated on the basis of the simulation results. Performance evaluation is done on the basis of the errors calculated between the actual and predicted values.

• 한국산업정보학회논문지
• /
• 제25권2호
• /
• pp.57-72
• /
• 2020

철광석의 가격은 여러 국가와 기업들의 수요와 공급에 따라서 높은 변동성이 지속되고 있다. 이러한 비즈니스 환경에서 철광석의 가격을 예측하는 것은 중요해졌다. 본 연구는 머신러닝 기법을 이용하여 철광석이 거래되는 시점으로부터 한 달 전에 철광석 거래가격을 미리 예측하는 모형을 개발하고자 하였다. 예측 모형은 시계열 데이터를 활용한 예측 방법론으로 많이 활용되고 있는 시차분포 모형과 다층신경망 (Multi-layer perceptron), 순환신경망 (Recurrent neural network), 그리고 장단기 기억 네트워크 (Long short-term memory)와 같은 딥 러닝(Deep Learning) 모형을 사용하였다. 측정지표를 통해 개별 모형을 비교한 결과에 따르면, LSTM 모형이 예측 오차가 가장 낮은 것으로 나타났다. 또한, 앙상블 기법을 적용한 모형들을 비교한 결과, 시차분포와 LSTM의 앙상블 모형이 예측오차가 가장 낮은 것으로 나타났다.

• 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.

• 한국산학기술학회논문지
• /
• 제11권8호
• /
• pp.2793-2800
• /
• 2010

이 논문에서는 여름철 일일 전력수요 총량을 예측하는 회귀모형을 개발한다. 경제적인 전력 생산계획을 수립하기위해 예측 오차율을 낮추는 것은 매우 중요하다. 전력수요가 크게 증가하는 여름철 전력수요를 예측하기위해 기존 연구에서는 외기온도 및 직전일 전력수요를 고려하였으나, 이 논문에서는 기존 연구에서 제시한 예측 오차율을 개선하기 위해 전력수요의 요일별 특성을 추가적으로 고려한 회귀모형을 개발한다. 이 논문에서는 여름철 전력수요의 요일별 패턴은 최고차항의 계수가 음수인 2차 함수 형태를 나타냄을 확인하였다. 즉, 2005년부터 2009년까지 5년간의 여름철 전력수요 패턴을 살펴본 결과 전력수요 총량은 일요일에 가장 낮고 월요일부터 증가하다가 수요일이나 목요일부터 다시 감소하는 패턴을 보인다. 이 논문에서 제안하는 여름철 전력수요 예측 회귀모형의 타당성을 검증하기 위해 2005년부터 2009년까지 실제 전력수요 데이터를 바탕으로 여름철 전력수요 총량을 예측한 결과, 평균 오차율(MAPE: Mean Absolute Percentage Error)과 최대 오차율(MPE: Maximum Percentage Error)이 각각 3.08%와 8.99%를 넘지 않는 수준임을 확인하였다. 또한 기존 연구에서 제시한 방법과 비교하여도 평균 오차율과 최대 오차율 모두 기존 연구에서 제시한 오차율보다 우수함을 확인하였다.

• 통상정보연구
• /
• 제16권3호
• /
• pp.73-96
• /
• 2014

본 연구는 우리나라 수출 상위 5개 품목 중 하나인 자동차 수출을 대상으로, 승용차 브랜드별 단기 수출수요에 영향을 미치는 이론적 잠재요인을 발굴 및 설계하여 이론적 수출수요예측모델을 개발하고, 다변량시계열분석 기반의 VAR(Vector Auto Regressive)모형을 이용한 실증분석을 통해 개별상품과 시장특성이 반영된 단기수출수요예측모델을 검정하고자 하였다. 따라서 미국에 수출되고 있는 우리나라 소형 승용차 2개 브랜드(엑센트, 아반떼)에 대해 VAR모형을 이용한 분기단위 단기수요예측모델을 개발하고, 브랜드별 예측모델을 통해 산출된 t+1분기 시점의 예측값과 실제 판매된 판매대수를 대상기간을 1분기씩 달리하여 비교평가 하였다. 그 결과 엑센트와 아반떼의 RMSE %는 각각 4.3%와 20.0%로 났으며, 일평균 판매량을 기준으로 보았을 때 엑센트는 3.9일에 해당하고 아반떼는 18.4일에 해당하는 물량임을 알 수 있었다. 따라서 본 연구의 단기수출수요예측모델은 예측력과 검정시점별 일관성 측면에서 활용성이 높은 것으로 평가할 수 있었다.

• 한국물환경학회지
• /
• 제30권1호
• /
• pp.16-24
• /
• 2014

A combined watershed and receiving waterbody model was developed for operational water flow forecasting of the Nakdong river. The Hydrological Simulation Program Fortran (HSPF) was used for simulating the flow rates at major tributaries. To simulate the flow dynamics in the main stream, a three-dimensional hydrodynamic model, EFDC was used with the inputs derived from the HSPF simulation. The combined models were calibrated and verified using the data measured under different hydrometeological and hydraulic conditions. The model results were generally in good agreement with the field measurements in both calibration and verification. The 7-days forecasting performance of water flows in the Nakdong river was satisfying compared with model calibration results. The forecasting results suggested that the water flow forecasting errors were primarily attributed to the uncertainties of the models, numerical weather prediction, and water release at the hydraulic structures such as upstream dams and weirs. From the results, it is concluded that the combined watershed-waterbody model could successfully simulate the water flows in the Nakdong river. Also, it is suggested that integrating real-time data and information of dam/weir operation plans into model simulation would be essential to improve forecasting reliability.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제8권2호
• /
• pp.67-78
• /
• 2019

정확한 전력수요 예측은 스마트 그리드의 효율적인 운영에 있어 매우 중요하다. 최근 IT 기술이 획기적으로 발전되면서, 인공지능 기법을 이용한 빅 데이터 처리를 기반으로 정확한 전력수요를 예측하는 많은 연구가 진행되고 있다. 이러한 예측 모델은 주로 외부 요인과 과거 전력수요를 독립 변수로 사용한다. 하지만, 다양한 내부적 또는 외부적 원인으로 전력수요 데이터의 결측치가 발생하게 되면 정확한 예측 모델을 구성하기가 어렵다. 이에 본 논문에서는 랜덤 포레스트 기반의 결측치 데이터 보완 기법을 제안하고, 보완된 데이터를 기반으로 한 다층 퍼셉트론 기반의 전력수요 예측 모델을 구성한다. 다양한 실험을 통해 제안된 기법의 예측 성능을 입증한다.

• 정보처리학회논문지:소프트웨어 및 데이터공학
• /
• 제11권2호
• /
• pp.81-86
• /
• 2022

시계열 데이터는 주식, IoT, 공장 자동화와 같은 다양한 실생활에서 수집되고 활용되고 있으며, 정확한 시계열 예측은 해당 분야에서 운영 효율성을 높일 수 있어서 전통적으로 중요한 연구 주제이다. 전반적인 시계열 데이터의 향상된 특징을 추출할 수 있는 대표적인 시계열 데이터 분석 방법인 다층 수평 예측은 최근 부가적 정보를 포함하는 시계열 데이터에 내재한 이질성(heterogeneity)까지 포괄적으로 분석에 활용하여 향상된 시계열 예측한다. 하지만 대부분의 심층 학습 기반 시계열 분석 모델들은 시계열 데이터의 이질성을 반영하지 못했다. 따라서 우리는 잘 알려진 temporal fusion transformers 방법을 사용하여 실생활과 밀접한 실제 데이터를 이질성을 고려한 다층 수평 예측에 적용하였다. 결과적으로 주식, 미세먼지, 전기 소비량과 같은 실생활 시계열 데이터에 적용한 방법이 기존 예측 모델보다 향상된 정확도를 가짐을 확인할 수 있었다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• 제11권10호
• /
• pp.4887-4907
• /
• 2017

Accurate traffic flow forecasting is critical to the development and implementation of city intelligent transportation systems. Therefore, it is one of the most important components in the research of urban traffic scheduling. However, traffic flow forecasting involves a rather complex nonlinear data pattern, particularly during workday peak periods, and a lot of research has shown that traffic flow data reveals a seasonal trend. This paper proposes a new traffic flow forecasting model that combines seasonal relevance vector regression with the hybrid chaotic simulated annealing method (SRVRCSA). Additionally, a numerical example of traffic flow data from The Transportation Data Research Laboratory is used to elucidate the forecasting performance of the proposed SRVRCSA model. The forecasting results indicate that the proposed model yields more accurate forecasting results than the seasonal auto regressive integrated moving average (SARIMA), the double seasonal Holt-Winters exponential smoothing (DSHWES), and the relevance vector regression with hybrid Chaotic Simulated Annealing method (RVRCSA) models. The forecasting performance of RVRCSA with different kernel functions is also studied.

• Journal of Electrical Engineering and Technology
• /
• 제9권6호
• /
• pp.1812-1821
• /
• 2014

Wind has been a rapidly growing renewable power source for the last twenty years. Since wind behavior is chaotic in nature, its forecasting is not easy. At the same time, developing an accurate forecasting method is essential when wind farms are integrated into the power grid. In fact, wind speed forecasting tools can solve issues related to grid stability and reserve allocation. In this paper 30 hours ahead wind speed profile forecast is proposed using Adaptive Wavelet Neural Network (AWNN). The implemented AWNN uses a Mexican hat mother Wavelet, and Morlet Mother Wavelet for seven, eight and nine levels decompositions. For wind speed forecasting, the time series data on wind speed has been gathered from the National Renewable Energy Laboratory (NREL) website. In this work, hourly averaged 10-min wind speed data sets for the year 2004 in the Midwest ISO region (site number 7263) is taken for analysis. Data sets are normalized in the range of [-1, 1] to improve the training performance of forecasting models. Total 8760 samples were taken for this forecasting analysis. After the forecasting phase, statistical parameters are calculated to evaluate system accuracy, comparing different configurations.