• 지능정보연구
• /
• 제24권3호
• /
• pp.67-88
• /
• 2018

최근까지도 중소기업의 지속성장 및 경쟁력 확보에 대한 중요함을 인식함에 따라, 정부 차원에서의 유형 자원(R&D 인력, 자금 등)에 대한 지원이 주로 투입되어 왔다. 그러나 사업지원의 적절성이나 효과성, 효율성 면에서 서로 상충되는 정책부분이 존재하여 과소 지원이나 중복 지원 등 지원체계의 비효율성 문제가 제기되어온 것도 사실이다. 정부나 기업 관점에서는 중소기업의 한정된 자원으로 인해, 외부와의 협력을 통한 기술개발 및 역량강화가 기업의 경쟁우위를 창출하는 근간이라 보고 있으며, 이를 위한 가치창출 활동을 강조하고 있다. 기업 레벨에서의 지식생태계 구축을 통해 일련의 가치사슬로부터 기업거래 관계를 분석하고 결과를 가시화할 수 있는 밸류체인 네트워크 분석이 필요한 것도 이 때문이다. 특허/제품/기업명 검색을 통해 관련 제품의 정보나 특허 보유 기업의 기술(제품) 현황 정보를 제공하는 기술기회발굴시스템(Technology Opportunity Discovery system), 기업(재무)정보와 신용정보을 열람하게 해주는 CRETOP이나 KISLINE 등은 존재하고 있으나 밸류체인 네트워크 분석기반으로 유사(경쟁)기업의 리스트나 향후 거래 가능한 잠재 거래처 정보를 제공해주는 시스템은 부재한 실정이다. 따라서, 본 고에서는 KISTI에서 개발 운영중인 기업 비즈니스 전략수립 지원 파트너인 '밸류체인 네트워크 시스템(Value Chain Network System : VCNS)'을 중심으로, 탑재된 네트워크 기반 분석모듈의 유형, 이를 지원하는 참조정보 및 데이터베이스(D/B)의 구성 로직과 시스템 활용방안을 고찰하며, 산업구조를 이해하고 기업의 신제품 개발을 위한 핵심정보가 되고 있는 지능형 밸류체인 분석 시스템의 네트워크 가시화 기능을 살펴보기로 한다. 한 기업이 다른 기업 대비 경쟁우위를 확보하기 위해서는 보유 특허 또는 현재 생산하고 있는 제품에 대한 경쟁자 식별이 필요하며, 세부 업종별 유사(경쟁)기업을 탐색하는 일은 대상기업의 사업화 경쟁력 확보에 핵심이 된다. 또한 기업간 비즈니스 활동인 거래정보는 유사 분야로 진출할 경우 잠재 거래처 정보를 제공하는 중요한 역할을 수행한다. 이러한 기업간 판매정보를 기반으로 구축된 네트워크 맵을 활용하여 기업 또는 업종 수준의 경쟁자를 식별하는 일은 밸류체인 분석의 핵심모듈로 탑재될 수 있다. 밸류체인 네트워크 시스템(VCNS)은 단순 수집된 종래의 기업정보에 밸류체인(value chain) 및 산업구조 분석개념을 접목하여 개별 기업의 시장경쟁 상황은 물론 특정 산업의 가치사슬 관계를 파악할 수 있다. 특히 업종구조 파악, 경쟁사 동향 파악, 경쟁사 분석, 판매처 및 구매처 발굴, 품목별 산업동향, 유망 품목 발굴, 신규 진입기업 발굴, VC별 핵심기업 및 품목 도출, 해당 기업별 보유 특허 파악 등 기업 레벨에서의 유용한 정보분석 툴로 활용 가능하다. 또한, 거래처 정보 및 재무데이터로부터 분석된 결과의 객관성 및 신뢰성을 기반으로, 현재 국내에서 이용 중인 15,000여개 회원기업과 연구개발서비스업 종사자, 출연(연) 및 공공기관 등에서 사업평가 정보지원, R&D 의사결정 지원 및 중 단기 수요예측 전망 등 다양한 목적(용도)에 밸류체인 네트워크 시스템을 활용할 수 있을 것으로 기대된다. 기업의 사업경쟁력 강화를 위해 정부기관 및 민간 연구개발서비스 기업을 중심으로 기술(특허) 및 시장정보가 제공되어 왔으며, 이는 특허분석(등급, 계량분석 위주) 또는 시장분석(시장보고서 기반 시장규모 및 수요예측 위주)의 형태로 지원되어 왔다. 그러나 기업이 사업화진출 단계에서 겪게 되는 애로요인의 하나인 정보부족을 해결하는데 한계가 있었으며, 특히 경쟁기업 및 거래가능 기업 후보군에 대한 탐색정보는 입수하기 어려웠다. 본 연구를 통해 제안된 네트워크맵 및 보유 데이터 기반의 실시간 밸류체인 가시화 서비스모듈이 중견 중소기업이 당면한 신규시장 진출시 경쟁기업 대비 예상점유율, (예상)매출액 수준, 어느 기업을 컨택하여 유통망(원자재/부품에 대한 공급처, 완제품/모듈에 대한 수요처)을 확보할 지에 대한 핵심정보를 제공할 수 있을 것으로 기대된다. 향후 연구에서는 대체기업(또는 대체품목) 경쟁지표의 개발과 연구주체의 참여를 통한 경쟁요인별 지표의 고도화 연구, VCNS의 성능향상을 위한 데이터마이닝 기술 및 알고리즘을 추가 반영하도록 수행하고자 한다.

• 농업과학연구
• /
• 제6권1호
• /
• pp.69-95
• /
• 1979

우리나라에 있어서 과학적(科學的)인 식물보호연구(植物保護硏究)가 시작된 1900년대초기(年代初期)부터 1975년(年)까지 약(約)70여년간(餘年間)에 이루어진 4,300여건(餘件)의 연구(硏究)를 정리분석(整理分析)하여 식물보호학(植物保護學)의 발달과정(發達過程)을 역사적(歷史的)으로 고찰(考察)하고 장래(將來) 어떠한 방향(方向)으로 발전(發展)해 나아갈 것인가를 예측(豫測)하기 위하여 이 연구(硏究)에 착수(着手)하였다. 이 연구(硏究)를 위하여 수집(蒐集)한 문헌(文獻)의 약(約)80%가 농림업관계(農林業關係) 연구전담기관(硏究專擔機關)인 농촌진흥청(農村振興廳), 각도농촌진흥원(各道農村振興院), 산림청임업시험장(山林廳林業試驗場) 등의 간행물(刊行物)에 수록(收錄)되어 있고 그 다음으로 전후(戰後)에 간행(刊行)되고 있는 한국식물보호학회지(韓國植物保護學會誌)에 상당히 많이 수록(收錄)되어 있으며 이 밖에 국내외(國內外)의 농림관계학술지(農林關係學術誌)나 대학논문집(大學論文集)에도 소수(少數)이기는 하나 수록(收錄)되어 있다. 우리나라 식물보호연구기관(植物保護硏究機關)으로는 농림업관계연구전담기관(農林業關係硏究專擔機關)(농촌진흥청(農村振興廳), 산림청(山林廳), 각도농촌진흥원(各道農村振興院) 등)과 대학(大學)으로 크게 나눌 수 있는데 그 동안의 연구건수(硏究件數)에서 보면 전자(前者)의 기여도(寄與度)는 약(約)80%이고 대학(大學)의 기여도(寄與度)는 약(約)20%로서 대학(大學)의 기여도(寄與度)가 훨씬 낮다. 우리나라 식물보호연구(植物保護硏究)를 시대별(時代別)로 보면 1900년대초기(年代初期)부터 1940년(年)까지 약(約) 40년간(年間)의 현대식물보호학(現代植物保護學)의 도입(導入), 정초기(定礎期)에 이어 1941년(年)부터 1960년(年)까지 약(約)20년간(年間)의 수난기(受難期)를 거쳐 1962년이후(年以後)의 발전기(發展期)에 들어서 있다. 오랜 수난기(受難期)를 거쳤지만 전후(戰後)의 연구(硏究)는 전전(戰前)의 약(約) 2배(倍)나 되며 분야별(分野別)로는 식물병(植物病)에 관한 것 약(約)2.5배(倍), 해충(害蟲)에 관한 것 약(約)1.2배(倍), 잡초(雜草)에 관한 것 약(約)43.8배(倍), 농약(農藥)에 관한 것 약(約)1.5배(倍)로 늘어나 있다. 우리나라 식물보호연구(植物保護硏究)를 작물별(作物別)로 보면 수도(水稻)에 관한 것이 약(約)37%로서 가장 많고 그 다음이 과수(果樹)(13.8%), 특용작물(特用作物)(7.9%), 채소(菜蔬)(6.2%), 수목(樹木)(6%) 기타작물(其他作物)의 순(順)으로 줄어들고 있다. 시대별(時代別)로 볼 때 1930년경(年傾)까지는 과수(果樹)나 특용작물(特用作物)의 보호연구(保護硏究)가 수도(水稻)의 그것보다 많은 과수(果樹) 및 특용작물보호연구시대(特用作物保護硏究時代)라고 할 수 있고 그 후 현재(現在)까지는 수도(水稻)의 보호연구(保護硏究)가 과수(果樹)나 특용작물(特用作物)의 그것보다 훨씬 많은 전전(戰前) 및 전후(戰後) 수도보호시대(水稻保護時代)라고 할 수 있다. 우리나라 식물보호연구(植物保護硏究)를 내용별(內容別)로 살펴보면 전전(戰前)에는 기초연구(基礎硏究)가 방제연구(防除硏究)보다 많았으나 전후(戰後)에는 이와 반대(反對)로 방제연구(防除硏究)가 기초연구(基礎硏究)보다 훨씬 많으며 방제연구(防除硏究)중에서도 약제방제(藥劑防除)에 관한 것이 식물병(植物病) 81%, 해충(害蟲) 77%, 잡초(雜草) 89%로서 특히 전후(戰後) 식물보호연구(植物保護硏究)의 주축(主軸)을 이루고 있다. 이 밖에 내병성(耐病性)이나 내충성(耐蟲性)과 관련(關聯)된 연구(硏究)는 전전(戰前)부터 계속되어온 중요연구(重要硏究)이며 병해충(病害蟲)의 발생예찰(發生豫察)이나 병원균(病原菌)의 Race(생태형(生態型))에 관한 연구(硏究)는 전후(戰後)부터 시작된 중요연구(重要硏究)이다. 잡초(雜草)에 관한 연구(硏究)는 전전(戰前)에도 몇가지 있기는 하지만 본격적(本格的)인 연구(硏究)가 시작된 것은 1960년대이후(年代以後)이며 앞서 적은 바와 같이 약제방제(藥劑防除)에 관한 것이 89%를 차지하고 있다. 농약(農藥)에 관한 연구(硏究)는 전전(戰前)부터 계속 부진(不振)을 면(免)하지 못하고 있으며 도입농약(導入農藥)의 약효검정이외(藥效檢定以外)에 특기(特記)할 만한 큰 업적(業績)은 찾아 볼 수 없다. 우리나라 식물보호연구(植物保護硏究)의 시대적변천(時代的變遷)과 발달(發達)의 계기(契機)가 되었다든가 식물보호(植物保護)의 실제(實際)와 관련(關聯)된 큰 의의(意義)를 지닌 병(病)이나 해충(害蟲)을 몇가지 골라서 따로따로 그 연구(硏究)의 내용(內容)을 살피는 한편 그것이 우리나라 식물보호연구(植物保護硏究)에 있어서 어떤 중요(重要)한 의의(意義)를 지니고 있는가를 고찰(考察)해 보았다. 끝으로 미래(未來)의 우리나라 식물보호연구(植物保護硏究)가 종합방제(綜合防除)를 뒷받침해주는 방향(方向)으로 발전(發展)해 나아갈 것이 예측(豫測)되며 연구영역(硏究領域)의 확대(擴大)와 더불어 우수(優秀)한 연구자(硏究者)의 확보(確保)가 가장 시급(時急)한 문제(問題)가 될 것임을 지적(指摘)하고 이런 측면(側面)에서 대학(大學)의 역할(役割)을 강조(强調)해 두었다.

• 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
• /
• 제24권4호
• /
• pp.1-32
• /
• 2018

본 연구는 경제적으로 국내에 큰 영향을 주었던 글로벌 금융위기를 기반으로 총 10년의 연간 기업데이터를 이용한다. 먼저 시대 변화 흐름에 일관성있는 부도 모형을 구축하는 것을 목표로 금융위기 이전(2000~2006년)의 데이터를 학습한다. 이후 매개 변수 튜닝을 통해 금융위기 기간이 포함(2007~2008년)된 유효성 검증 데이터가 학습데이터의 결과와 비슷한 양상을 보이고, 우수한 예측력을 가지도록 조정한다. 이후 학습 및 유효성 검증 데이터를 통합(2000~2008년)하여 유효성 검증 때와 같은 매개변수를 적용하여 모형을 재구축하고, 결과적으로 최종 학습된 모형을 기반으로 시험 데이터(2009년) 결과를 바탕으로 딥러닝 시계열 알고리즘 기반의 기업부도예측 모형이 유용함을 검증한다. 부도에 대한 정의는 Lee(2015) 연구와 동일하게 기업의 상장폐지 사유들 중 실적이 부진했던 경우를 부도로 선정한다. 독립변수의 경우, 기존 선행연구에서 이용되었던 재무비율 변수를 비롯한 기타 재무정보를 포함한다. 이후 최적의 변수군을 선별하는 방식으로 다변량 판별분석, 로짓 모형, 그리고 Lasso 회귀분석 모형을 이용한다. 기업부도예측 모형 방법론으로는 Altman(1968)이 제시했던 다중판별분석 모형, Ohlson(1980)이 제시한 로짓모형, 그리고 비시계열 기계학습 기반 부도예측모형과 딥러닝 시계열 알고리즘을 이용한다. 기업 데이터의 경우, '비선형적인 변수들', 변수들의 '다중 공선성 문제', 그리고 '데이터 수 부족'이란 한계점이 존재한다. 이에 로짓 모형은 '비선형성'을, Lasso 회귀분석 모형은 '다중 공선성 문제'를 해결하고, 가변적인 데이터 생성 방식을 이용하는 딥러닝 시계열 알고리즘을 접목함으로서 데이터 수가 부족한 점을 보완하여 연구를 진행한다. 현 정부를 비롯한 해외 정부에서는 4차 산업혁명을 통해 국가 및 사회의 시스템, 일상생활 전반을 아우르기 위해 힘쓰고 있다. 즉, 현재는 다양한 산업에 이르러 빅데이터를 이용한 딥러닝 연구가 활발히 진행되고 있지만, 금융 산업을 위한 연구분야는 아직도 미비하다. 따라서 이 연구는 기업 부도에 관하여 딥러닝 시계열 알고리즘 분석을 진행한 초기 논문으로서, 금융 데이터와 딥러닝 시계열 알고리즘을 접목한 연구를 시작하는 비 전공자에게 비교분석 자료로 쓰이기를 바란다.

• 한국가정과교육학회지
• /
• 제26권4호
• /
• pp.129-146
• /
• 2014

이 연구는 가정과교육에서의 직업역량 강화를 위한 기초연구로서 가정계 직업교육과 관련한 경제 사회적 환경 변화와 운영 현황을 분석하고, 국가직무능력표준(NCS; National Competency Standard) 기반 교육과정 개정과 연계한 교육과정의 변화 방향을 모색하는데 목적을 두었다. 연구 방법은 주로 관련 문헌 및 자료 분석, 전문가 자문 및 공청회 개회 등을 통해 진행되었다. 연구의 주요 결과로는 첫째, 가정계 직업교육과 관련한 주요 환경 변화 요인은 인구 구조의 변화, 성별 경제 활동의 변화, 세대 구성의 변화, 통신 기술의 변화, 생활 기술의 혁신 등으로 집중되었다. 이들 변화 요인은 관련 산업의 혁신과 생활의 변화, 인력의 수요, 각 직무에서 요구하는 역량의 변화 등을 예고하고 있다. 둘째, 가정계 직업교육 운영 현황 분석 결과, 2013년 현재 가사실업계열 학교는 전체 특성화고의 9.4%를 차지했으며, 8개 기준학과가 분야별 전문화, 특성화 및 연계 등을 통해 137개의 개설 학과명으로 운영되고 있었다. 졸업생의 진로현황은, 기준학과별로 차이가 있으나 전체 취업률은 44.7%로 진학률 41.9%보다 높게 나타났으며, 2010년(전체취업률 16.9%, 진학률 75.2%)에 비해 두드러진 변화로 이는 특성화고의 취업중심 교육으로의 정책 변화가 가져온 성과로 해석된다. 셋째, 국가직무능력표준 기반 고교 직업교육과정 개정과 가정계 직업교육의 방향에서는 정부의 능력중심사회 구현을 위한 국가직무능력표준의 개발을 중심으로 한 교육과정 개정 배경, 개정의 방향과 중점 사항을 고찰하고 가사실업계열의 계열 재구조화(안)과 기준학과 개편(안), 후속 연구에서의 전제 사항을 제시하였다.

• 한국수자원학회논문집
• /
• 제45권3호
• /
• pp.301-316
• /
• 2012

본 연구에서는 한강수계 팔당댐 상류의 자연유출량에 대해 기존의 연구 결과를 바탕으로 TANK 모형 결과와 SWAT 모형결과를 비교함으로써, 기존 TANK 모형이 가지고 있는 한계및 문제점을 현실적으로 제시하고, 향후 SWAT 모형의 적용성 및 활용에 대해 검토하였다. TANK 모형의 매개변수 최적화가 이루어진 보정유역들(충주댐 및 소양강댐)의 모의결과를 볼 때 두 모형 모두 모형효율 0.8 이상의 높은 정도의 모의가 가능한 것으로 나타났으며, 첨두유량이 발생하는 홍수기에는 TANK의 결과가 SWAT보다 관측치에 근접하는 것으로 나타났다. 그러나 TANK 모형의 경우 주로 평수기 이상의 유량을 대상으로 보정을 수행하여 갈수기에 관측유량과 많은 차이를 보였으며, 특히 일정 유량 이하로 모의되지 않는 한계를 나타내었다. 반면, SWAT 모형은 일부 홍수사상을 제외하고 대체로 관측치의 경향을 잘 따르고 있으며, 유역 최종 출구인 팔당댐(한강F)에서의 상류댐 방류량을 고려한 모의유입량이 실제 관측유입량과 잘 일치하는 것으로 나타나(모형효율 0.9 수준), 댐 방류량과 인위적인 용수 수요가 없는 상태의 자연유출량의 추정이나 댐개발 전후에 따른 유량변동 평가 등에 있어 매우 높은 신뢰성을 보장하는 것으로 판단되었다. 아울러, TANK 모형의 최적화된 매개변수를 전이시켜 이용하는 대상유역들(평창A, 달천B, 섬강B, 인북A, 한강D, 홍천A)에 대한 결과를 SWAT 모형 결과와 비교할 때, 일부 홍수기를 제외하고는 평수기 이하에서 매우 불안정한 모의 결과를 나타내었으며, 보정유역들에 대한 결과와 마찬가지로 갈수기에 일정 유량이하로 모의되지 않는 문제가 나타났다. 이는 수자원 계획 및 관리의중요한 지표인 갈수량의 산정에 있어 TANK 모형의 적용에 많은 불확실성이 있음을 보여준다. 따라서 복잡 다양한 국내 유역의 특성을 보다 현실적으로 반영하고, 향후 유역내 도시화 등에 따른 토지이용 및 용수이용의 변화, 기후변화 등에 따른 수자원 계획 및 관리에 효율적으로 대처하기 위해서는 TANK와 같은 기존의 개념적 집중형 모형보다는 SWAT과 같은 물리적 기반의 유역모형 적용이 필요할 것으로 판단된다.

• 대한토목학회논문집
• /
• 제35권5호
• /
• pp.1135-1146
• /
• 2015

본 논문은 무동력 비탄소 교통수단 중 하나인 자전거 이용의 활성화를 위해 자전거교통의 안전성을 향상시키고자 한다. 이에 현재 설치 운영되고 있는 자전거도로의 문제점을 분석하고, 자전거 교통사고 자료를 토대로 자전거 사고예측모형을 개발하였다. 그에 대한 절차는 다음과 같다. 첫째, 국내 자전거도로의 현황 및 사고 자료를 제시하고 최근 3년(2009년~2011년)동안 전국에서 발생한 자전거교통사고를 수집하여 자료를 토대로 자전거교통사고 특성을 분석한다. 둘째, 전라남도 자전거 사고 자료를 사고 특성 분석을 통해 자전거 사고건수에 영향을 주는 변수를 선정하고, 'SPSS Statistics 21'의 중회귀분석을 이용해 사고예측모형을 개발하였다. 이때 자전거사고건수는 도로형태(교차로, 횡단보도, 기타단일로)별 연장에 따른 사고건수를 사용하였다. 도출된 사고예측모형을 검증하기 위하여 2011년도 광주광역시에서 발생한 자전거 사고자료를 이용하였으며 예측값과 실제 사고건수를 비교하였다. 그 결과, 일부 자료를 제외하고는 대부분 실제사고건수와 일치하는 것을 통해 사고예측모형의 신뢰성이 확보되고 있는 것으로 나타났다. 셋째, 자전거도로 문제점 분석을 위해 자전거도로 현장조사를 실시하였으며 도출된 문제점에 대한 개선대책을 제시하였다. 본 연구를 통해 향후 자전거도로 계획 및 재정비 시 기초자료로 활용 될 것으로 판단되며 자전거 이용자의 안전성을 향상시키고 교통수단으로서의 자전거 이용의 활성화를 도모할 수 있을 것으로 기대된다.

• 지능정보연구
• /
• 제25권3호
• /
• pp.239-251
• /
• 2019

본 논문은 학습데이터의 크기에 따른 사례기반추론기법이 주가예측력에 어떻게 영향을 미치는지 살펴본다. 삼성전자 주가를 대상을 학습데이터를 2000년부터 2017년까지 이용한 경우와 2015년부터 2017년까지 이용한 경우를 비교하였다. 테스트데이터는 두 경우 모두 2018년 1월 1일부터 2018년 8월 31일까지 이용하였다. 시계 열데이터의 경우 과거데이터가 얼마나 유용한지 살펴보는 측면과 유사사례개수의 중요성을 살펴보는 측면에서 연구를 진행하였다. 실험결과 학습데이터가 많은 경우가 그렇지 않은 경우보다 예측력이 높았다. MAPE을 기준으로 비교할 때, 학습데이터가 적은 경우, 유사사례 개수와 상관없이 k-NN이 랜덤워크모델에 비해 좋은 결과를 보여주지 못했다. 그러나 학습데이터가 많은 경우, 일반적으로 k-NN의 예측력이 랜덤워크모델에 비해 좋은 결과를 보여주었다. k-NN을 비롯한 다른 데이터마이닝 방법론들이 주가 예측력 제고를 위해 학습데이터의 크기를 증가시키는 것 이외에, 거시경제변수를 고려한 기간유사사례를 찾아 적용하는 것을 제안한다.

• 지질공학
• /
• 제32권4호
• /
• pp.697-723
• /
• 2022

본연구에서는 제주도의 중제주 수역 내에 위치하는 총 12개 지하수 관정에서 미래 30일 기간의 지하수위를 예측할 수 있는 모델을 개발하였다. 예측 모델개발을 위해 시계열 예측에 적합한 딥러닝 기법의 하나인 누적 장단기 메모리(stacked-LSTM) 기법을 이용하였으며, 2001년에서 2022년 동안 관측된 일 단위 강수량, 지하수 이용량 및 지하수위 자료가 예측 모델개발에 활용되었다. 특히, 본 연구에서는 입력자료의 종류 및 과거 자료의 순차 길이에 따라 다양한 모델을 구축하고 성능을 비교함으로써 딥러닝 기반 예측 모델개발에서 고려하여야 할 사항에 대한 검토와 절차를 제시하였다. 예측 모델개발 결과, 강수량, 지하수 이용량 및 과거 지하수위를 모두 입력자료로 활용하는 모델의 예측성능이 가장 뛰어난 것으로 확인되었으며, 입력으로 활용되는 과거 자료의 순차가 길수록 예측의 성능이 향상됨을 확인하였다. 이는 제주도의 깊은 지하수위 심도로 인하여 강수와 지하수 함양 간 지연시간이 길기 때문으로 판단된다. 이뿐만 아니라, 지하수 이용량 자료의 경우, 모든 이용량 자료를 활용하는 것보다 예측하고자 하는 지점의 지하수위에 민감한 영향을 주는 관정을 선별하여 입력자료로 이용하는 것이 예측 모델의 성능 개선에 긍정적 영향을 주는 것을 확인하였다. 본 연구에서 개발된 지하수위 예측 모델은 현재의 강수량 및 지하수 이용량을 기반으로 미래의 지하수위를 예측할 수 있어 미래의 지하수량에 대한 건전성 정보를 제공함에 따라 적정 지하수량 유지를 위한 다양한 관리방안 마련에 도움이 될 것으로 판단된다.

• 응용통계연구
• /
• 제36권1호
• /
• pp.49-62
• /
• 2023

급속적으로 비중이 증가하고 있는 태양광 에너지는 지속적인 개발 및 투자가 이루어지고 있다. 신재생에너지 정책인 그린뉴딜과 가정용 태양광 패널의 설치가 증가함에 따라 국내 태양광 에너지 보급이 점차 확대되어 그에 맞추어 발전량의 정확한 수요 예측 연구가 활발하게 진행되고 있는 시점이다. 또한, 일사량 예측이 발전량 수요 예측에 가장 영향을 미치는 요소로 작용하고 있다는 점에서 일사량 예측의 중요성을 파악하였다. 덧붙여, 본 연구는 선행 연구들에서 사용되지 않은 중기예보 기상 데이터를 활용하여 일사량 예측을 하고자 하였다는 점에서 가장 큰 차이점을 확인할 수 있다. 본 논문에서는 서울, 인천, 수원, 춘천, 대구, 대전의 총 여섯 지역의 태양광 일사량 예측을 위하여 다중선형회귀모형, KNN, Random Forest 그리고 SVR 모형과 클러스터링 기법인 K-means 기법을 결합한 후, 클러스터별 확률밀도함수를 계산하여 시간별 일사량 예측을 진행하고자 하였다. 중기예보 데이터를 사용하기 전, 모형 예측 결과를 비교하기 위한 지표로서 MAE (mean absolute error)와 RMSE (root mean squared error)를 사용하였다. 데이터는 2017년 3월 1일부터 2022년 2월 28일까지의 시간별 원 관측 데이터를 중기예보 데이터 양식에 맞추어 일별 데이터로 변환하였다. 모형의 예측 성능 비교 결과, Random Forest로 일별 일사량을 예측한 후, K-means 클러스터링으로 기후요인이 유사한 날짜들을 분류한 뒤 클러스터별 일사량의 확률밀도함수를 계산하여 시간별 일사량 예측값을 나타낸 방법이 가장 우수한 성능을 보였다. 또한 이 방법론을 이용하여 중기예보 데이터에 모형 적합 후, 예측 결과를 확인하였을 때, 일자별로 예측 오류가 상승하는 것을 확인할 수 있었다. 이는 중기예보 기상데이터의 예측 오류로 인한 것으로 보인다. 향후 연구에서는 중기예보 데이터에서 활용할 수 있는 기상요인 중, 강수 여부와 같은 외생 변수를 추가하거나 시계열 클러스터링 기법을 적용한 연구가 이루어져야할 것으로 보인다.