본 연구는 학생 간의 연결에 어떤 속성이 유효한지 종단 네트워크 분석을 통해 알아보고자 하였으며, 종단 네트워크 모형인 TERGM (temporal exponential random graph model)과 SAOM (stochastic actor-oriented model) 통계적 모형을 사용하고 결과를 비교하였다. TERGM 모형은 네트워크 전체의 연결 형성을 바탕으로, SAOM 모형은 특정 행위자가 형성하는 주변 네트워크를 대상으로 연구 결과를 해석하였다. TERGM 모형은 시간 항을 통해 이전 시점의 영향을 표현하였으며, SAOM 모형은 비율 함수로 행위자의 기회에 의해 진화하는 네트워크를 구현해 시간적 종속성을 고려하였다.

한국 소비자원의 의료 분야 처리금액 자료에 대한 시계열 모형을 이용한 실증 분석을 연구하였다. 의료분야 처리금액 시계열 자료는 상담 처리금액, 피해 구제금액, 분쟁 조정 처리금액으로 나뉜 3개 변수를 사용하였고 분석에 사용된 시계열 모형은 ARIMA 모형, 벡터 자기회귀 모형 그리고 전이 함수를 이용한 시계열 모형이다. 이들 중 전이 함수를 이용한 시계열 모형이 단기 예측면에서 가장 우수한 예측력을 보였고 벡터자기회귀 모형도 변수간 영향력과 기간을 파악하는데 유용한 정보를 제공하였다.

본 연구에서는 발화자가 동물이나 채소와 같은 일련의 단어를 무작위로 일 분 동안 말하는 한국어 음성 데이터에 대한 자동 음성 인식(ASR) 문제를 고려하였다. 발화자의 대부분은 60세 이상의 노인이며 치매 환자를 포함하고 있다. 우리의 목표는 이러한 데이터에 대한 딥러닝 기반 자동 음성 인식 모델을 비교하고 성능이 좋은 모델을 찾는 것이다. 자동 음성 인식은 컴퓨터가 사람이 말하는 말을 자동으로 인식하여 음성을 텍스트로 변환할 수 있는 기술이다. 최근 들어 자동 음성 인식 분야에서 성능이 좋은 딥러닝 모델들이 많이 개발되어 왔다. 이러한 딥러닝 모델을 학습시키기 위한 데이터는 대부분 대화나 문장 형식으로 이루어져 있다. 게다가, 발화자들 대부분은 어휘를 정확하게 발음할 수 있어야 한다. 반면에, 우리 데이터의 발화자 대부분은 60세 이상의 노인으로 발음이 부정확한 경우가 많다. 또한, 우리 데이터는 발화자가 1분 동안 문장이 아닌 일련의 단어를 무작위로 말하는 한국어 음성 데이터이다. 따라서 이러한 일반적인 훈련 데이터를 기반으로 한 사전 훈련 모델은 본 논문에서 고려하는 우리 데이터에 적합하지 않을 수 있으므로, 우리는 우리의 데이터를 사용하여 딥러닝 기반 자동 음성 인식 모델을 처음부터 훈련한다. 또한 데이터 크기가 작기 때문에 일부 데이터 증강 방법도 적용한다.

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.

기존의 많은 연구에서 도시공원을 비롯한 녹지와 유아 행복감 간에 유의미한 상관관계를 도출했다. 또한 이를 통해 간접적으로 도시공원의 면적/근접성이 유아기의 행복감 증진에 효과가 있을 것이라 유추하였다. 하지만 관찰된 자료를 통한 인과효과 추정은 교란 변수의 적절한 조정을 필요로하고, 이런 관점에서 도시공원의 면적과 유아 행복감의 인과관계는 명확히 밝혀지지 않았다고 할 수 있다. 본 연구에서는 한국아동패널 자료를 이용하여 도시공원의 면적이 유아 행복감에 미치는 영향에 대한 인과효과를 추정하였다. 교란 변수를 조정하기 위한 방법으로 회귀 모형을 이용한 조정(regression adjustment), 가중치 기법(weighting), 그리고 매칭(matching) 등을 이용하였고, 각 방법들의 중요 개념을 분석 결과에 앞서 기술하였다. 교란 변수의 선택에 있어서 유향 비순환 그래프(directed acyclic graph)를 사용하였다. 분석 결과, 기존의 상관관계를 이용한 결론과는 다르게 도시공원의 면적과 유아 행복감 간에는 유의미한 인과효과가 존재하지 않았다.

Stochastic volatility (SV) 모형은 시변 변동성을 모델링하는 주요한 수단 중 하나이며, 특히 금융시장 변동성의 추정 및 예측, 옵션의 가격 결정 등의 분야에서 활발하게 사용되고 있다. 본 논문은 SV 모형을 활용하여 비트코인 시장의 시변 변동성을 모델링하고자 한다. 시장의 변동성은 국면 전환의 특성을 갖고 있다고 알려져 있으며, 시장의 변동 국면을 나누기 위해 시계열의 패턴을 인식하는 작업에 유용한 hidden Markov model(HMM)을 결합하여 사용하고자 한다. 본 연구는 암호화폐 거래 사이트 업비트의 비트코인 데이터를 활용하여 비트코인의 변동성 모형을 추정하였으며 SV 모형의 성능을 높이기 위하여 시장의 변동 국면을 나누어 분석을 진행하였다. MCMC 기법이 SV 모델의 모수를 추정하는 데 사용되며 MAPE, MSE 등의 평가 기준을 통하여 모델의 성능을 확인하고자 한다.