• 응용통계연구
• /
• 제32권6호
• /
• pp.851-865
• /
• 2019

하나의 시계열 자료에서 다양한 특징을 발견하는 일은 간단한 문제가 아니다. 본 논문에서는 하나의 시계열 자료에서 복수의 패턴을 찾아내어 예측 정확도를 높이는 방식인 다중 결합 예측 알고리즘을 소개한다. 이 알고리즘은 시간적 결합과 예측값 조합의 개념을 사용한다. 시간적 결합 방식을 통해, 하나의 시계열 자료에서 여러 개의 시계열 자료를 생성할 수 있으며, 각각의 자료는 별도의 특성을 가지게 된다. 여러 개의 시계열 자료에서 다양한 특성을 추출하기 위하여 지수평활법을 사용하고 시계열 요소들 및 이들의 예측값을 계산한다. 마지막 단계에서 시계열 요소 별로 예측값을 혼합 한 후, 각 시계열 요소들의 조합값을 더하여 최종 예측값을 만든다. 실증 분석으로 국내 교통사고 발생 건수를 예측한다. 분석 결과, 기존의 다른 예측 방식보다 예측 성능이 우수함을 확인할 수 있다.

• 한국수자원학회논문집
• /
• 제35권5호
• /
• pp.631-638
• /
• 2002

시계열의 예측은 통상 추계학적 모형에 의해 수행하여 왔다. 그러나 본 연구에서는 퍼지 개념을 이용한 퍼지 시계열 모형에 의해 강수량 예측을 수행하였다. 기존에 제안된 퍼지 시계열 모형을 이용하여 예측을 수행하고, 예측 능력을 향상시키기 위하여 퍼지 시계열과 뉴로-퍼지 시스템을 연계한 새로운 방법론을 제안하여 상호 비교ㆍ분석하였다. 이를 위하여 미국 일리노이주의 강수량 시계열 예측에 적용하였으며, 예측 결과, 기존의 모형보다 본 연구에서 제안한 방법론의 결과가 더 정확함을 알 수 있었다.

• 한국정보과학회:학술대회논문집
• /
• 한국정보과학회 1999년도 가을 학술발표논문집 Vol.26 No.2 (2)
• /
• pp.342-344
• /
• 1999

신경트리(evolutionary neural trees)는 트리 구조의 신경망 모델로서 진화 알고리즘으로 학습하기에 적합한 구조이다. 본 연구에서는 진화 신경트리를 시계열 예측에 적용하였다. 시계열 데이터는 대개 잡음이 포함되어 있으며 동역학적인 특성을 지닌다. 본 논문에서는 견고한 예측 결과를 획득하기 위해 한 개의 신경트리가 아닌 여러개의 신경트리를 결합하여 예측 모델을 구성하는 committee machine을 소개한다. 출력 패턴가에 correlation이 최소가 되도록 상이한 신경트리를 선택하여 결합함으로써 모델 결합 효과를 최대화하는 방법을 사용하였다. 인공적인 잡음을 포함한 시계열 예측 문제와 실세계 데이터에 대한 실험에서 예측에 대한 정확도가 단일 모델을 사용한 경우 보다 향상되었다.

• 한국지능시스템학회논문지
• /
• 제19권1호
• /
• pp.25-33
• /
• 2009

최근 시계열 예측에 결론부에 선형식을 갖는 TS 퍼지 모델이 많이 이용되고 있는데, 이의 예측 성능은 정상성과 같은 데이터의 특성과 밀접한 관련이 있다. 그러므로 본 논문에서는 특히 비정상 시계열 예측에 매우 효과적인 새로운 예측 기법을 제안하였다. 시계열의 패턴이나 규칙성을 잘 끌어내기 위한 데이터 전처리 과정을 도입하고 다중 모델 TS 퍼지 예측기를 구성한 뒤, 러프집합을 이용한 적응 모델 선택 기법에 의해 입력 데이터의 특성에 따라 가변적으로 적합한 예측 모델을 선택하여 시계열 예측이 수행되도록 하였다. 마지막으로 예측 오차를 감소시키기 위하여 오차 보정 메커니즘을 추가함으로써 예측 성능을 더욱 향상시켰다. 시뮬레이션을 통해 제안된 기법의 성능을 검증하였다. 제안된 기법은 예측 모델 구현과 예측 수행 과정에서 시계열 데이터의 특성들을 잘 반영할 수 있으므로 불확실성과 비정상성을 갖는 시계열의 예측에 매우 효과적으로 이용될 수 있을 것이다.

• 응용통계연구
• /
• 제20권2호
• /
• pp.219-227
• /
• 2007

시계열 모형은 통신망 트래픽의 예측과 분석에 유용하게 쓰여 왔다. 본 논문에서는 통신망 트래픽의 예측을 위하여 다양한 시계열 모형을 소개하고 성능평가를 하고자 한다. 이를 위하여 실제 통신망 트래픽 자료에 선형 및 비선형 시계열모형을 적합 시키고 비선형 시계열모형이 선형 시계열 모형보다 예측의 정확도가 우수함을 보이고자 한다.

• 한국정보시스템학회지:정보시스템연구
• /
• 제10권2호
• /
• pp.151-164
• /
• 2001

현재의 항공사 기내식 수요예측 시스템으로는 항공기 운항의 지연이나 초과 주문으로 인한 손실 문제를 해결하기 힘든 것으로 알려져 있다. 이러한 문제를 해결하기 위해 본 연구에서는 항공기 기내식 시계열 자료만을 입력변수로 사용한 단순인공신경망모형(simple neural network model), 단순인공신경망모형에 전통적인 시계열 기법(본 연구에서는 지수 평활법)의 예측 결과를 입력변수로 추가한 혼합인공신경망모형(hybrid neural network model), 그리고 혼합인공신경 망 모형에 상관관계가 높은 다른 시계열 자료(본 논문에서는 유사 노선의 다른 항공기 기내식 시계열 자료)를 인공신경망의 입력변수로 추가시킨 하이퍼혼합인공신경망모형(hyper hybrid neural network model)을 새로운 항공기 기내식 수요예측 기법으로 제안하고, 이들 모형의 예측력을 비교 분석하였다. 분석 결과 하이퍼혼합인공신경망 모형의 예측력이 가장 우수한 것으로 나타나, 인공신경 망을 기반으로 한 수요예측에 있어 상관관계가 높은 다른 시계열 자료를 입력변수로 추가함으로써 인공신경망모형의 예측력을 개선시킬 수 있음을 알 수 있었다

• 대한전기학회:학술대회논문집
• /
• 대한전기학회 2007년도 제38회 하계학술대회
• /
• pp.325-326
• /
• 2007

Auto-Cross 시계열 신경망을 이용하여 식각 종말점을 예측하는 모델을 개발하였다. 식각 종말점 신호는 광방사분광기 (OES)를 이용하여 수집하였다. 기준 신호에 대한 예측모델을 개발한 후, 나머지 신호들로 테스트해 그 결과를 비교 분석하였다. 시계열 예측모델은 실제 신호가 제공하지 못하는 EEP 시간대를 제공하였다. 실제신호와 시계열 예측 모델을 병행해 운용할 경우 EEP 탐지 성능의 증진이 기대된다.

• 디지털융복합연구
• /
• 제10권9호
• /
• pp.357-362
• /
• 2012

본 논문에서는 분산이 각각 다른 이분산성을 갖는 비선형 시계열 자료를 가지고, 비선형 시계열 모형중 1차 일반화 확률계수 자기회귀모형(GRCA(1))과 자료의 형태에 상관없이 적용할 수 있는 신경망 모형을 이용하여 예측을 해서 어느 모형이 최소 평균예측오차제곱의 기준에서 비선형 시계열 자료의 예측에 적합한지를 비교 분석 하는 것이다. 조건부 이분산 모형에 따르는 자료로 확인된 종합주가지수 변동율에 대한 사례 분석 결과를 보면 신경망 모형은 단기 예측에서 좋은 예측 결과를 보였고, 비선형 모형인 GRCA(1) 모형은 장기 예측에서 좋은 예측 결과를 보여 주었다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2021년도 춘계학술발표대회
• /
• pp.479-482
• /
• 2021

시계열 형태의 데이터는 다양한 분야에서 수집되고 응용되기 때문에 정확한 시계열 예측은 많은 분야에서 운영 효율성을 높일 수 있는 중요한 분석 방법으로 고려된다. 그중 다층 수평 예측은 사용자에게 전반적인 시계열 데이터 경향성을 제공할 수 있다. 하지만 다양한 정보를 포함하는 시계열 데이터는 데이터에 내재한 이질성(heterogeneity)까지 포괄적으로 고려한 방법을 통해서만 정확한 예측을 할 수 있다. 하지만 지금까지 많은 시계열 분석 모델들이 데이터의 이질성을 반영하지 못했다. 이러한 한계를 보완하고자 우리는 Temporal Fusion Transformer 모델을 사용하여 실생활과 밀접한 관련이 있는 데이터에 적용하여 이질성을 고려한 향상된 예측을 수행하였다. 실제, 주식 데이터와 미세 먼지 데이터와 같은 실생활 시계열 데이터에 적용하였고 실험 결과 기존 모델보다 Mean Squared Error(MSE)가 0.3487 낮은 것을 확인하였다.

• Communications for Statistical Applications and Methods
• /
• 제5권3호
• /
• pp.599-605
• /
• 1998

본 연구에서는 단순구조 순환신경망을 이용한 신경망예측과 전통적인 시계열예측 방법을 이용하여, 순환변동이 있는 시계열자료의 단기예측 오차를 비교한다. 순환신경망모형의 입력자료를 변화시키는 개선된 학습방법을 적용하여 시계열자료를 학습하고, 신경망예측의 결과는 선형 AR(9)모형, 비선형 SETAR모형 그리고 이들의 결합모형을 이용한 예측결과와 비교한다. 실증분석에 적용된 시계열자료는 1700년부터 1987년 까지의 태양흑점 자료이며 예측에 이용된 검정자료는 1980년부터 8년 간의 자료이다.