• 한국해안·해양공학회논문집
• /
• 제35권4호
• /
• pp.67-74
• /
• 2023

열대성 저기압으로 인한 높은 파도와 폭풍해일은 해안지역에 큰 피해를 준다. 따라서 태풍이 내습하기 전에 정확하게 예측해야 하는데, 기상 강제력은 예측에 중요한 요소이다. 본 연구는 정확한 폭풍해일 및 파랑예측에 요구되는 기상 강제력을 위한 개선방안을 제시한다. 2016년 남해안을 강타한 태풍 차바를 사례연구로 하여, 기상예측모델(MPAS)로 태풍 트랙 및 기상 강제력, 즉, 기상장을 예측했다. 예측된 MPAS 태풍 트랙 정보를 기반으로 한 태풍의 대칭형 및 비대칭형 파라미터 와류 모델을 이용하여 기상 강제력을 생성하는 한편, 베스트 트랙 기반 동일 한 파라미터 모델을 이용하여 기상 강제력을 생성하여, 둘을 비교했다. 또한, MPAS 예측 태풍 트랙 정보 기반 대칭형/비대칭형 와류 파라미터 모델에서 생성된 기상장은 MPAS에서 예측한 기상장과 블렌딩하여 예측기상장을 만들었다. 이렇게 제작된 MPAS 기반 forecast 기상장 4종 및 베스트 트랙 기반 hindcast 기상장 2종을 ADCIRC+SWAN ADCIRC+SWAN에 입력하여 남해안의 파랑 및 폭풍해일을 예측/재현하고 관측치와 비교·검증했다. MPAS 기반 forecast 기상장을 이용하여 예측된 폭풍해일과 파랑은 관측치와 거의 일치했으며, 베스트 트랙을 사용하여 재현한 결과와도 견줄 만했다. 유의파고는, 6종의 기상장을 이용한 실험에서 MPAS 예측 태풍 트랙 기반 대칭형 와류 파라미터 모델로 생성된 기상장과 MPAS 예측 기상장을 블렌딩한 실험이 예측 정확도가 높았으나, 비대칭형 와류 파라미터 모델과 블렌딩을 사용한 경우보다 약간 높은 정도였다. 폭풍해일은, MPAS 예측 태풍 트랙을 이용한 비대칭형 와류 파라미터 모델에서 생성된 기상장을 이용한 실험이 예측 정확도가 높았다. 폭풍해일과 파랑을 정확하게 예측하기 위해서는, 정확한 태풍 트랙 정보와 이 정보가 반영된 비대칭형 와류가 고려된 기상장, 이 태풍 트랙을 생산한 기상장이 필요한 것을 볼 수 있다.

• 대한교통학회지
• /
• 제21권3호
• /
• pp.121-134
• /
• 2003

횡단보도의 안전성과 교통 소통을 동시에 고려하면서 횡단보도 보행자사고를 감소시키기 위한 방안으로 보행자사고 예측모형이 꾸준히 연구되어 왔으나, 기존의 예측모형에서는 횡단보도 보행자사고의 당사자에 해당하는 보행량이라는 변수를 제대로 반영하지 못하고 있는 실정이다. 실제로 보행량과 관련한 자료가 구축되어 있지 않고. 보행량 추정방법 역시 없는 실정이기 때문이다. 이러한 점에 착안하여 본 연구에서는 기준년도 신호교차로 주변의 토지이용특성과 횡단보도 보행량을 조사하여 횡단보도 보행유출입량 추정모형을 구축하였다. 다음으로, 추정된 횡단보도 보행유출입량을 중력모형의 마찰계수와 구역간 조정계수, 그리고 대각횡단 보행비율을 적용하여 횡단보도 보행경로별로 보행량을 분포시킴으로서 목표년도(보행자사고 발생 시점 또는 장래)의 횡단보도 보행량 추정방법을 제시하였다.

• Genomics & Informatics
• /
• 제19권1호
• /
• pp.11.1-11.8
• /
• 2021

For the novel coronavirus disease 2019 (COVID-19), predictive modeling, in the literature, uses broadly susceptible exposed infected recoverd (SEIR)/SIR, agent-based, curve-fitting models. Governments and legislative bodies rely on insights from prediction models to suggest new policies and to assess the effectiveness of enforced policies. Therefore, access to accurate outbreak prediction models is essential to obtain insights into the likely spread and consequences of infectious diseases. The objective of this study is to predict the future COVID-19 situation of Korea. Here, we employed 5 models for this analysis; SEIR, local linear regression (LLR), negative binomial (NB) regression, segment Poisson, deep-learning based long short-term memory models (LSTM) and tree based gradient boosting machine (GBM). After prediction, model performance comparison was evelauated using relative mean squared errors (RMSE) for two sets of train (January 20, 2020-December 31, 2020 and January 20, 2020-January 31, 2021) and testing data (January 1, 2021-February 28, 2021 and February 1, 2021-February 28, 2021) . Except for segmented Poisson model, the other models predicted a decline in the daily confirmed cases in the country for the coming future. RMSE values' comparison showed that LLR, GBM, SEIR, NB, and LSTM respectively, performed well in the forecasting of the pandemic situation of the country. A good understanding of the epidemic dynamics would greatly enhance the control and prevention of COVID-19 and other infectious diseases. Therefore, with increasing daily confirmed cases since this year, these results could help in the pandemic response by informing decisions about planning, resource allocation, and decision concerning social distancing policies.

• The Journal of Asian Finance, Economics and Business
• /
• 제9권10호
• /
• pp.159-168
• /
• 2022

The time series of foreign trade turnover is complex and variable and contains linear and nonlinear information. This paper proposes preprocessing the dataset by the EMD algorithm and combining the linear prediction advantage of the SARIMA model with the nonlinear prediction advantage of the EMD-LSTM model to construct the SARIMA-EMD-LSTM hybrid model by the weight assignment method. The forecast performance of the single models is compared with that of the hybrid models by using MAPE and RMSE metrics. Furthermore, it is confirmed that the weight assignment approach can benefit from the hybrid models. The results show that the SARIMA model can capture the fluctuation pattern of the time series, but it cannot effectively predict the sudden drop in foreign trade turnover caused by special reasons and has the lowest accuracy in long-term forecasting. The EMD-LSTM model successfully resolves the hysteresis phenomenon and has the highest forecast accuracy of all models, with a MAPE of 7.4304%. Therefore, it can be effectively used to forecast the Sino-Russia foreign trade turnover time series post-epidemic. Hybrid models cannot take advantage of SARIMA linear and LSTM nonlinear forecasting, so weight assignment is not the best method to construct hybrid models.

• 지능정보연구
• /
• 제18권4호
• /
• pp.43-57
• /
• 2012

제조업에 있어서 판매 후 서비스 건수와 내용 등은 향후 서비스 제공을 위한 자원배분의 효율성 증진과 서비스 품질 향상을 위해서도 매우 중요한 정보이다. 따라서 기업들은 향후 발생하는 판매 후 서비스에 대해 정확히 예측하고 그에 따라 적절히 대처하는 능력을 확보할 필요성이 제조업을 중심으로 증가하고 있다. 그러나 실제로 이들 기업들이 활용하고 있는 서비스 수요예측 방법들은 전통적인 통계적인 예측기법이거나, 시뮬레이션을 기반한 기법들이다. 예를 들면, 전통적인 통계적인 예측기법으로는 회귀분석(regression analysis)의 경우, 다양한 제품모델에 대한 판매 후 서비스 발생 패턴이 선형적인 관계가 매우 적음에도 불구하고 선형으로 가정하여 추정한다는 점과 적정한 회귀식을 가정하여야 되며, 이러한 가정이 실제 경영환경에서는 매우 어렵다는 점 등이 기존의 예측기법들의 한계점으로 지적되고 있다. 본 연구에서는 디지털 TV 모델을 생산 판매 하는 A사의 사례연구를 통하여 최근 인공지능연구에서 각광을 받고 있는 사례기반추론(case-based reasoning; CBR) 기법을 활용한 서비스 수요예측 프레임워크를 제안하고자 한다. 또한, 사례기반추론에서 핵심적인 역할 중 하나인 유사 사례추출 방법에 있어서 가장 일반적인 nearest-neighbor 방법 이외의 유사 사례추출 방법을 제안하고자 한다. 특히, 본 연구에서 제안하는 유사 사례추출 방법은 인공신경망(artificial neural network)을 활용한 자기조직화지도(Self-Organizing Maps : SOM) 군집화 기법을 활용한 유사 사례추출 방식으로 이를 활용한 서비스 수요예측 프레임워크에 구현하고, 실제 기업의 판매 후 서비스 데이터를 활용하여 본 연구에서 제안하는 서비스 수요 예측 프레임워크의 유효성을 실증적으로 검증하고자 한다.

• 지능정보연구
• /
• 제20권1호
• /
• pp.35-48
• /
• 2014

2013년 건설 경기 전망 보고서에 따르면 주택건설경기 침체 상황의 지속으로 건설 기업의 유동성 위기가 지속될 것으로 전망된다. 건설업은 파산으로 인한 사회적 파급효과가 다른 산업에 비해 큰 편이지만, 업종의 특성상 다른 산업과는 상이한 자본구조와 부채비율, 현금흐름을 가지고 있어서 기업의 파산 예측이 더 어려운 측면이 있다. 건설업은 레버리지가 큰 산업으로 부채비율이 매우 높은 업종이며 현금흐름이 프로젝트 후반부에 집중되는 특성이 있다. 그리고 경기사이클에 따른 부침이 매우 심하여 경기하강국면에선 파산이 급증하는 양상을 보인다. 건설업이 레버리지 산업인 이상 건설업체의 파산율 증가는 여신을 공여한 은행에 큰 부담으로 작용한다. 그럼에도 그간의 파산예측모델이 주로 금융기관에 집중되어 왔고 건설업종에 특화된 연구는 드물었다. 기업의 재무 자료를 바탕으로 한 파산 예측 모델에 대한 연구는 오래 전부터 다양하게 진행되었다. 하지만, 일반적인 기업 전체를 대상으로 하는 모델이기 때문에, 건설 기업과 같이 유동성이 큰 기업의 예측에는 적절하지 못할 수 있다. 건설 산업은 오랜 사업 기간과 대규모 투자, 그리고 투자금 회수가 오래 걸리는 특징을 갖는 자본 집약 산업이다. 이로 인해 다른 산업과는 상이한 자본 구조를 갖기 마련이고, 다른 산업의 기업 재무 위험도를 판단하는 기준과 동일한 적용이 곤란할 수 있다. 최근에는 기계 학습을 바탕으로 한 기업 파산 예측 연구가 활발하다. 기계 학습의 대표적 응용 분야인 패턴 인식을 기업의 파산 예측에 응용한 것이다. 기업의 재무 정보를 바탕으로 패턴을 작성하고 이 패턴이 파산 위험 군에 속하는지 안전한 군에 속하는지 판단하는 것이다. 전통적인 Z-Score와 기계 학습을 이용한 파산 예측과 같은 기존 연구들은 특정 산업 분야가 아닌 일반적인 기업을 대상으로 하기 때문에 기업들의 특성을 전혀 고려하고 있지 못하다. 본 논문에서는 건설 기업을 규모에 따라 각 기법들의 예측 능력을 비교하여 적응형 부스팅이 가장 우수함을 확인하였다. 본 논문은 건설 기업을 자본금 규모에 따라 세 등급으로 분류하고 각각에 대해 적응형 부스팅의 예측력을 분석하였다. 실험 결과 적응형 부스팅이 다른 기법에 비해 예측 결과가 좋았고, 특히 자본금 규모가 500억 이상인 기업의 경우 아주 우수한 결과를 보였다.

• The Journal of Asian Finance, Economics and Business
• /
• 제7권12호
• /
• pp.109-114
• /
• 2020

The aim of this study is to develop basic artificial neural network models in forecasting the in-sample gross domestic product (GDP) of Malaysia. GDP is one of the main indicators in presenting the macro economic condition of a country as set by the world authority bodies such as the World Bank. Hence, this study uses an artificial neural network-based approach to make predictions concerning the economic growth of Malaysia. This method has been proposed due to its ability to overcome multicollinearity among variables, as well as the ability to cope with non-linear problems in Malaysia's growth data. The selected inputs and outputs are based on the previous literatures as well as the economic growth theory. Therefore, the selected inputs are exports, imports, private consumption, government expenditure, consumer price index (CPI), inflation rate, foreign direct investment (FDI) and money supply, which includes M1 and M2. Whilst, the output is real gross domestic product growth rate. The results of this study showed that the neural network method gives the smallest value of mean error which is 0.81 percent with a total difference of 0.70 percent. This implies that the neural network model is appropriate and is a relevant method in forecasting the economic growth of Malaysia.

• Journal of the Korean Data and Information Science Society
• /
• 제20권4호
• /
• pp.685-694
• /
• 2009

본 연구는 전국 초 중 고등학교 학생수 데이터를 계절성과 추세성을 가지는 시계열 데이터로 전환하는데 있다. 시계열 데이터로의 전환방법은 학년의 진급에 따라서, 초등1학년에서 고3학년까지 12년 한 주기로 하는 모형 A의 시계열 데이터 전환과, 각 학년을 한 주기로 하는 모형 B의 시계열 데이터 전환방법을 사용하였다. 전환된 시계열 데이터, 모형 A와 모형 B를 가지고, 홀트-윈터스의 가법모형을 이용하여 학생수를 예측하였다. 2019년까지의 전국 초.중.고등학교의 학생수를 예측하고, 교육과학기술부의 교육인적자원 통계서비스의 2007년에 예측한 2019년까지의 학생수 예측과 비교분석 하였다.

• 통상정보연구
• /
• 제12권1호
• /
• pp.99-121
• /
• 2010

This paper reviews the categories and properties of risk measures, analyzes the classes and structural equations of volatility forecasting models, and presents the practical methodologies and their expansion methods of estimating and forecasting the volatilities of exchange rates using Excel spreadsheet modeling. We apply the GARCH(1,1) model to the Korean won(KRW) denominated daily and monthly exchange rates of USD, JPY, EUR, GBP, CAD and CNY during the periods from January 4, 1998 to December 31, 2009, make the estimates of long-run variances in the returns of exchange rate calculated as the step-by-step change rate, and test the adequacy of estimated GARCH(1,1) model using the Box-Pierce-Ljung statistics Q and chi-square test-statistics. We demonstrate the adequacy of GARCH(1,1) model in estimating and forecasting the volatility of exchange rates in the monthly series except the semi-variance GARCH(1,1) applied to KRW/JPY100 rate. But we reject the adequacy of GARCH(1,1) model in estimating and forecasting the volatility of exchange rates in the daily series because of the very high Box-Pierce-Ljung statistics in the respective time lags resulting to the self-autocorrelation. In conclusion, the GARCH(1,1) model provides for the easy and helpful tools to forecast the exchange rate volatilities and may become the powerful methodology to overcome the application difficulties with the spreadsheet modeling.

• 한국멀티미디어학회논문지
• /
• 제23권6호
• /
• pp.747-755
• /
• 2020

In this paper, we deal with outlier data problems that occur when constructing a PM_2.5 fine dust forecasting system using a neural network. In general, when learning a neural network, some of the data are not helpful for learning, but rather disturbing. Those are called outlier data. When they are included in the training data, various problems such as overfitting occur. In building a PM_2.5 fine dust concentration forecasting system using neural network, we have found several outlier data in the training data. We, therefore, remove them, and then make learning 3 ways. Over_outlier model removes outlier data that target concentration is low, but the model forecast is high. Under_outlier model removes outliers data that target concentration is high, but the model forecast is low. All_outlier model removes both Over_outlier and Under_outlier data. We compare 3 models with a conventional outlier removal model and non-removal model. Our outlier removal model shows better performance than the others.