• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.366-366
• /
• 2022

유역의 하천유량과 같은 수문 시계열을 모의 또는 예측하기 위한 수문 모델링에서 최근 기계 학습 방법을 활용한 연구가 활발하게 적용되고 있는 추세이다. 이러한 데이터 기반 모델링 접근법은 입출력 자료에서 관찰된 패턴을 학습하며, 특히, 장단기기억(Long Short-Term Memory, LSTM) 네트워크는 많은 연구에서 수문 시계열 예측에 대한 적용성이 검증되었으나, 장기간의 고품질 관측자료를 활용할 때 더 나은 예측성능을 보인다. 그러나 우리나라의 경우 장기간 관측된 고품질의 하천유량 자료를 확보하기 어려운 실정이다. 따라서 본 연구에서는 LSTM 네트워크의 학습 시 가용한 모든 유역의 자료를 통합하여 학습시켰을 때 하천유량 예측성능을 개선할 수 있는지 판단해보고자 하였다. 이를 위해, 우리나라 13개 댐 유역을 대상으로 대상 유역의 자료만을 학습한 모델의 예측성능과 모든 유역의 자료를 학습한 모델의 예측성능을 비교해 보았다. 학습은 2001년부터 2010년까지 기상자료(강우, 최저·최고·평균기온, 상대습도, 이슬점, 풍속, 잠재증발산)를 이용하였으며, 2011년부터 2020년에 대해 테스트 되었다. 다지점 통합학습을 통해 테스트 기간에 대해 예측된 각 유역의 일 하천유량의 KGE 중앙값이 0.74로 단일지점 학습을 통해 예측된 KGE(0.72)보다 다소 개선된 결과를 보여주었다. 다지점 통합학습이 하천유량 예측에 큰 개선을 달성하지는 못하였으며, 추가적인 가용 자료 확보와 LSTM 구성의 개선을 통해 추가적인 연구가 필요할 것으로 판단된다.

• Journal of the Korean Data and Information Science Society
• /
• v.28 no.1
• /
• pp.11-20
• /
• 2017

In this paper, we introduced linear spatial time series (space-time autoregressive and moving average model) and nonlinear spatial time series (space-time bilinear model). Also we estimated the parameters by Kalman Filter method and made comparative studies of power of forecast in the final model. We proposed several weight matrices such as equal proportion allocation, reciprocal proportion between distances, and proportion of population sizes. For applications, we collected Mumps data at Korea Center for Disease Control and Prevention from January 2001 until August 2008. We compared three approaches of weight matrices using the Mumps data. Finally, we also decided the most effective model based on sum of square forecast error.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2017.11a
• /
• pp.768-769
• /
• 2017

본 연구에서는 시계열예측 신경망기법에서 특징 선별기법을 적용하여 학습의 효율을 높이고 성능을 개선하는 방법론을 고찰한다. 순환구조 신경망을 사용하여 시계열 예측기를 구현하였으며, 효과적인 특징을 선별하기 위하여 FMM 신경망을 사용하여 특징의 연관도 요소를 산출하는 방법을 제시하였다. 모바일 결제시스템에서 실제 측정된 데이터를 사용하여 사용빈도 예측실험을 수행하였으며 그 결과를 통하여 제안된 기법의 유용성을 고찰하였다.

• Proceedings of the Korean Institute of Information and Commucation Sciences Conference
• /
• 2012.05a
• /
• pp.803-806
• /
• 2012

On this paper, various analysis methods has been applied to analyze and forecast the maximum electrical power needs, which is regarded as a nonlinear dynamic system. To understand the characteristic of complicated system, we used TISEAN package and evaluate the chaotic characteristic of time series obtained from electrical power demand using it. TISEAN package offers various algorithms and codes to analyze time series of nonlinear system effectively.

• The Korean Journal of Applied Statistics
• /
• v.36 no.1
• /
• pp.21-32
• /
• 2023

The amount of money processed in medicine from the Korea Consumer Agency was studied by the various time series models. The medical data set from the Korea Consumer Agency were consisted of counseling, damage relief and conciliation. For the analysis of time series, autoregressive moving average model, vector autoregressive model and the transfer function model were used. We considered the stationarity and cross correlation function for the identification and fitting. As a result, the transfer function model showed a better prediction. Whereas, the vector autoregressive model also provided good information for the degree and duration of the influence of variables.

• Journal of the Korean Institute of Intelligent Systems
• /
• v.7 no.3
• /
• pp.34-42
• /
• 1997

This paper presents new fuzzy learning algorithms and their applications to time series prediction. During generating fuzzy rules from numerical data, there is a tendency to produce conflicting rules which have same premise but different consequence. To resolve the problem, we propose MCM(Modified Center Method) which is proven to reduce the error in the prediction. We have applied MCM to the analysis of Mackey-Glass time series and Gas Furnace da.ta to verify its efficiency.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2008.04a
• /
• pp.11-12
• /
• 2008

퍼지 시계열 예측은 전체 퍼지 구간에 따른 퍼지 소속 함수의 개수와 범위에 따라서 예측성능에 많은 영향을 미치고 있으며, 이러한 문제점을 개선하기 위한 방법으로 다수 객체들의 학습 및 군집 특성을 이용한 Particle Swarm Optimization기법을 도입하였다. 제안된 방법에서는 군집의 최적 객체를 전체 최적해와 각각의 퍼지 소속 함수들에 대한 최적해로 구분하여 탐색하는 기법을 제안한다. 실제 시계열 데이터를 이용한 실험을 통하여 기존의 연구 결과들과 비교함으로써 제안된 방법의 우수한 성능을 가짐을 검증하였다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2002.10c
• /
• pp.10-12
• /
• 2002

최근에 많은 새로운 타입의 어플리케이션에서 정보 시스템들에 대한 사용의 증가로 인해 연속 질의들은 여러 연구 프로젝트들에서 초점이 되고 있으며 연구가 활발히 진행되고 있다. 특히 시계열에 대해서 미래의 값에 대한 예측 모델과 FFT(Fast Fourier Transform)을 이용하여 새로운 값이 입력될 때마다 신속하게 응답할 수 있는 이웃에 관한 연속 질의에 대해 이미 연구되었다. 그러나 이것은 이웃에 관한 질의이며 또한 방대한 데이터를 처리함에 있어서 매우 효율적이지 못하다. 이 논문에서는 시계열에 있어서 예측 모델을 이용하여 미래의 값을 예측한다. 다음 DFT(Discrete Fourier Transform)을 이용하여 변환한 후 R*-tree를 구성하고, 새로운 값이 입력될 때마다 신속하게 유사성 시계열들을 찾아서 응답하는 연속 범위 질의 과정과 시스템 구조에 대해 제안한다.

• Journal of the Korea Institute of Information and Communication Engineering
• /
• v.24 no.1
• /
• pp.57-64
• /
• 2020

Recently, due to the proliferation of IoT sensors, the development of big data and artificial intelligence, time series prediction research on fine dust pollution is actively conducted. However, because the data representing fine dust contamination changes rapidly, traditional time series prediction methods do not provide a level of accuracy that can be used in the field. In this paper, we propose a method that reflects the classification results of environmental conditions through CNN when predicting micro dust contamination using LSTM. Although LSTM and CNN are independent, they are integrated into one network through the interface, so this method is easier to understand than the application LSTM. In the verification experiments of the proposed method using Beijing PM2.5 data, the prediction accuracy and predictive power for the timing of change were consistently improved in various experimental cases.

• KIPS Transactions on Software and Data Engineering
• /
• v.11 no.7
• /
• pp.307-314
• /
• 2022

Recently, researches using deep learning-based models are being actively conducted to replace statistical-based time series forecast techniques to predict electric power demand. The result of analyzing the researches shows that the performance of the LSTM-based prediction model is acceptable, but it is not sufficient for long-term regional-wide power demand prediction. In this paper, we propose a WaveNet deep learning model to predict electric power demand 24-hour-ahead with temperature data in order to achieve the prediction accuracy better than MAPE value of 2% which statistical-based time series forecast techniques can present. First of all, we illustrate a delated causal one-dimensional convolutional neural network architecture of WaveNet and the preprocessing mechanism of the input data of electric power demand and temperature. Second, we present the training process and walk forward validation with the modified WaveNet. The performance comparison results show that the prediction model with temperature data achieves MAPE value of 1.33%, which is better than MAPE Value (2.33%) of the same model without temperature data.