• The Korean Journal of Applied Statistics
• /
• v.30 no.1
• /
• pp.181-193
• /
• 2017

The paper introduces bottom-up and optimal combination methods that can analyze and forecast hierarchical time series. These methods allow forecasts at lower levels to be summed consistently to upper levels without any ad-hoc adjustment. They can also potentially improve forecast performance in comparison to independent forecasts. We forecast regional traffic accident counts as time series data in order to identify efficiency gains from hierarchical forecasting. We observe that bottom-up or optimal combination methods are superior to independent methods in terms of forecast accuracy.

• The Korean Journal of Applied Statistics
• /
• v.37 no.4
• /
• pp.499 -508
• /
• 2024

In this paper, we investigate hierarchical time series forecasting that adhere to a hierarchical structure when deriving predicted values by analyzing segmented data as well as aggregated datasets. The occurrences of food poisoning by a specific pathogen are analyzed using zero-inflated Poisson regression models and negative binomial regression models. The occurrences of major, miscellaneous, and overall food poisoning are analyzed using Poisson regression models and negative binomial regression models. For hierarchical time series forecasting, the MinT estimation proposed by Wickramasuriya et al. (2019) is employed. Negative predicted values resulting from hierarchical adjustments are adjusted to zero, and weights are multiplied to the remaining lowest-level variables to satisfy the hierarchical structure. Empirical analysis revealed that there is little difference between hierarchical and non-hierarchical adjustments in predictions based on pathogens. However, hierarchical adjustments generally yield superior results for predictions concerning major, miscellaneous, and overall occurrences. Without hierarchical adjustment, instances may occur where the predicted frequencies of the lowest-level variables exceed that of major or miscellaneous occurrences. However, the proposed method enables the acquisition of predictions that adhere to the hierarchical structure.

• Proceedings of the Korean Operations and Management Science Society Conference
• /
• 2000.04a
• /
• pp.318-321
• /
• 2000

이 연구는 정보통신기기 수출량에 관해 하향식(Top-down) 방법에 기초한 예측 모형을 제시한다. 하향식방법은 전체 수출량과 전체를 구성하는 개별 항목간에 계층적 관계를 바탕으로 순차적으로 예측을 수행하는 방법이다. 전체와 개별 항목간에 관계는 데이터의 시계열 특성과 데이터에 영향을 주는 요인들에 의해서 만들어진다. 이러한 관계를 바탕으로 하는 하향식 예측은 전체 수출량을 먼저 예측한 후 이 예측치를 바탕으로 하여 개별 항목에 대한 예측을 수행한다. 하지만 하향식 방법은 가장 아래 계층의 예측치를 산출하기 위해 필요한 것이며 최종 예측치는 가장 마지막 계층에서부터 예측 데이터를 합산해서 얻을 수 있다. 결국 하향식 예측 방법은 전체와 개별 항목 사이에 상관관계가 높고 계층화되어 있는 구조에 적합하다. 이 예측 대상이 되는 정보통신기기 수출량에 대한 적용 사례를 살펴보자. 계층 구조를 보면 정보통신기기 전체 수출량과 전체를 구성하는 개별 항목으로 정보통신기기 분류별(유선기기, 무선기기, 방송기기, 정보기기, 기타부품기기)과 국가별(미국, 일본, 중국 등 7 개국)로 나뉘어진다. 다시 이 아래 계층으로는 국가와 정보통신기기의 행렬 구조(예: 미국-유선, 일본-부품 등)에 의해 35 개로 나뉘어진다. 각 단계별 예측 방법을 보면 전체 수출량은 시계열 특성과 거시적 변수를 반영한 시계열 모형, 그 아래 계층인 국가별과 분류별 모형에는 전체 수출량 시계열 특성과 국가별과 분류별에 영향을 주는 관련 변수를 반영한 회귀모형 그리고 행렬 구조에 대한 예측은 상위 계층의 시계열 특성과 행렬구조 데이터의 계절성이 반영된 다중 회귀모형을 이용하였다.ndex, mobile user′s will first be classified by their traffic volume, and then calculate the average tariffs per minute of each group of users, and lastly weight-average those tariffs per minute. And finally, this paper shows the mobile tariff index by considering those averaged tariffs and the carriers′ market shares to reflect the contribution of individual carriers and the users′ traffic volume.완화될 수 있다. 즉, 봉지를 씌웅으로서 봉지 내의 대기 환경이 외기보다 안정적으로 유지되고 직사광선이나 농약 및 마찰로부터 과실을 보호해 주기에 동녹이 어느 정도 방지될 수 있는 것이다. 그러나 기존의 황금배봉지는 동녹의 정도를 완화시킬 뿐 완전히 방지할 수 없었으며, 봉지를 적 용한 재배조건에서의 동녹발생 기구를 정확히 이해하지 못했었기에 효과적으로 봉지의 기능 을 개선하는 것이 불가능하였다. 과설의 미려도는 과실의 맛과 함께 그 가치를 결정짓는 중요한 물성으로서 우리나라 황 금배 재배환경과 특성에 알맞은 배봉지의 제작이 선결될 때, 배 품질의 향상, 안정된 공급이 가능하게 될 것이며 아울러 농가의 수업증대와 수출 경쟁력 강화가 이루어질 수 있을 것으로 판단된다. 이러한 측면에서 황금배 재배농가가 당면한 동녹발생의 문제점을 신속한 해결 을

• The Korean Journal of Applied Statistics
• /
• v.31 no.2
• /
• pp.229-239
• /
• 2018

This paper introduces how to adopt the concept of temporal hierarchies to forecast time series data. Similarly as in hierarchical cross-sectional data, temporal hierarchies can be constructed for any time series data by means of non-overlapping temporal aggregation. Reconciliation forecasts with temporal hierarchies result in more accurate and robust forecasts when compared with the independent base and bottom-up forecasts. As an empirical example, we forecast traffic accident counts with temporal hierarchies and observe that reconciliation forecasts are superior to the base and bottom-up forecasts in terms of forecast accuracy.

• The Korean Journal of Applied Statistics
• /
• v.35 no.4
• /
• pp.553-568
• /
• 2022

The Household Income and Expenditure Survey is a representative survey of Statistics Korea, which aims to measure and analyze national income and consumption levels and their changes by understanding the current state of household balances. Recently, the disconnection problem in these time series caused by the large-scale reorganization of the survey methods in 2017 and 2019 has become an issue. In this study, we model the characteristics of the time series in the Household Income and Expenditure Survey up to 2016, and use the modeling to compute forecasts for linking the expenditures in 2017 and 2018. In order to evenly reflect the characteristics across all expenditure item series and to reduce the impact of a specific forecast model, we synthesize a total of 8 models such as regression models, time series models, and machine learning techniques. In particular, the noteworthy aspect of this study is that it improves the forecast by using the optimal combination technique that can exactly reflect the hierarchical structure of the Household Income and Expenditure Survey without loss of information as in the top-down or bottom-up methods. As a result of applying the proposed method to forecast expenditure series from 2017 to 2019, it contributed to the recovery of time series linkage and improved the forecast. In addition, it was confirmed that the hierarchical time series forecasts by the optimal combination method make linkage results closer to the actual survey series.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2021.11a
• /
• pp.458-461
• /
• 2021

유동인구 예측은 상권의 특성에 따른 점포의 입지 선정 및 고객 맞춤형 마케팅 등 민간 분야에서부터 교통망 등 사회 간접 자본 설계를 위한 공공 분야에 이르기까지 다양한 목적으로 연구되어 왔으며, 최근에는 Covid-19 의 확산에 따라 그 중요도가 더욱 높아지고 있다. 보다 정교한 예측을 위해서는 전체적인 유동 인구 뿐만 아니라 특성 별로 세분화된 하위 그룹에 대해서도 정확한 예측이 요구되나, 기존의 예측 모델들은 이러한 데이터의 계층 구조를 고려하지 않았다. 본 연구에서는 세분화된 하위 그룹 별 유동인구의 예측 정확도를 높이기 위해 전체 유동인구의 패턴을 동시에 활용하는 Global-Local 구조 기반의 Deep Learning 유동인구 분석 모델을 제안한다. 실험 결과 단일 시계열 데이터만을 사용하는 경우 대비 5.4%~52.6%의 예측 오류 감소 효과가 있음을 확인하였다.

• Proceedings of the KIEE Conference
• /
• 2009.07a
• /
• pp.1642_1643
• /
• 2009

일반적으로, 퍼지 예측 시스템의 성능은 데이터의 특성과 퍼지 집합을 생성하기 위한 클러스터일 기법에 매우 의존적이다. 하지만, 예측을 위한 시계열 데이터들은 자연현상에 기인하는 강한 비선형적 특성을 가지고 있으므로 적합한 시스템을 구현하는 것에 많은 제약이 따른다. 따라서 본 논문에서는 시계열의 비선형적 특성을 적절히 취급하기 위하여, 그들로부터 생성 가능한 차분 데이터 중, 유효한 차분데이터를 이용하여 다중 모델 퍼지 예측 시스템을 구현함으로써, 보다 우수한 예측이 가능하도록 하였으며, 퍼지 시스템의 모델링에는 교차 상관분석기법에 따른 계층적 구조의 클러스터링 기법 (Hierarchical Cross-correlation and K-means Clustering Algorithms: HCKA)을 적용하여, 시스템을 위한 규칙기반의 적합성을 높일 수 있도록 하였다.

• The Journal of Korea Institute of Information, Electronics, and Communication Technology
• /
• v.11 no.2
• /
• pp.204-208
• /
• 2018

In this paper, we proposed and evaluated the time series deep learning prediction model for learning fluctuation pattern of stock price. Recurrent neural networks, which can store previous information in the hidden layer, are suitable for the stock price prediction model, which is time series data. In order to maintain the long - term dependency by solving the gradient vanish problem in the recurrent neural network, we use LSTM with small memory inside the recurrent neural network. Furthermore, we proposed the stock price prediction model using bidirectional LSTM recurrent neural network in which the hidden layer is added in the reverse direction of the data flow for solving the limitation of the tendency of learning only based on the immediately preceding pattern of the recurrent neural network. In this experiment, we used the Tensorflow to learn the proposed stock price prediction model with stock price and trading volume input. In order to evaluate the performance of the stock price prediction, the mean square root error between the real stock price and the predicted stock price was obtained. As a result, the stock price prediction model using bidirectional LSTM recurrent neural network has improved prediction accuracy compared with unidirectional LSTM recurrent neural network.

• Journal of the Korean Institute of Intelligent Systems
• /
• v.19 no.5
• /
• pp.595-602
• /
• 2009

Fuzzy rules, which represent the behavior of their system, are sensitive to fuzzy clustering techniques. If the classification abilities of such clustering techniques are improved, their systems can work for the purpose more accurately because the capabilities of the fuzzy rules and parameters are enhanced by the clustering techniques. Thus, this paper proposes a new hierarchically structured clustering algorithm that can enhance the classification abilities. The proposed clustering technique consists of two clusters based on correlationship and statistical characteristics between data, which can perform classification more accurately. In addition, this paper uses difference data sets to reflect the patterns and regularities of the original data clearly, and constructs multiple fuzzy systems to consider various characteristics of the differences suitably. To verify effectiveness of the proposed techniques, this paper applies the constructed fuzzy systems to the field of time series prediction, and performs prediction for nonlinear time series examples.

• KIPS Transactions on Software and Data Engineering
• /
• v.8 no.3
• /
• pp.123-128
• /
• 2019

This paper proposes the stock price prediction based on the artificial intelligence, where the model with recurrent convolution neural network (RCNN) layers is adopted. In the motivation of this prediction, long short-term memory model (LSTM)-based neural network can make the output of the time series prediction. On the other hand, the convolution neural network provides the data filtering, averaging, and augmentation. By combining the advantages mentioned above, the proposed technique predicts the estimated stock price of next day. In addition, in order to emphasize the recent time series, a custom weighted loss function is adopted. Moreover, stock data related to the stock price index are adopted to consider the market trends. In the experiments, the proposed stock price prediction reduces the test error by 3.19%, which is over other techniques by about 19%.