• Korean Journal of Environment and Ecology
• /
• v.13 no.1
• /
• pp.34-48
• /
• 1999

본 연구는 주요 조경수목에 대한 생장예측모델을 추정하여 적정 식재간격을 산정하기 위해 실시하였다. 조경식재에서 많이 사용되는 9개 수종을 대상으로 수종별 30주 이상씩의 개체를 선정한 후, 상관성이 높은 측정변수 간에 회귀분석을 실시하여 생장예측모델을 추정하였다. 그리고 서울 시내 2개 아파트단지 녹지를 사례연구지로 선정하여 생육상태를 파악하고 모델과 비교하였다. 전체적으로 교목층 위주의 식재로 인해 식재밀도가 과밀하여 수관이 왜곡되고 기형적으로 생장하는 현상이 발생하고 있는 바, 수관중복률과 수관왜곡률을 분석한 결과에 의하면 현재의 식재간격이 매우 조밀한 것으로 밝혀졌다. 결론적으로 시간경과에 따른 주요 조경수종의 규격별 생장예측을 통해 목표년도별 적정 식재간격을 제안하였는데, 목표년도를 식재 후 5년으로 본다면 상록교목은 2.0m, 낙엽교목은 3.0~4.0m, 낙엽아교목은 2.0~2.5m의 식재간격이 적당하고, 식재 후 10년을 목표년도로 한다면 상록교목의 경우 3.0m, 낙엽교목은 4.0~6.0m, 낙엽교목은 2.5~3.0m의 간격을 유지하여야 한다. 한편, 본 연구의 결과와 서울시 조례기준 식재밀도를 비교하였는데, 식재후 5년이 경과한 시점에서는 0.23본/m2, 10년 경과시점에서는 0.12본/m2이 적정 식재밀도로 밝혀져 현재 0.2본/m2으로 정하고 있는 서울시 교목식재 관련 기준은 5년 정도를 목표시점으로 한다면 적절한 수준임을 알 수 있었다. 그러나 식재 후 10년이 경과하면 수관중복률이 25%를 초과하게 되므로 쾌적한 녹지환경을 유지하기 위해 반드시 적절한 관리를 실시해야 할 것으로 판단되었다.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2024.05a
• /
• pp.576-579
• /
• 2024

경제 위기 대비를 위해 인공지능을 활용한 주식시장 변동성 이상을 탐지하는 목적을 가지고 있다. 글로벌 이슈와 경제 위기 대비를 위해 주식시장 변동성 예측의 중요성이 부각되고 있으며, 기존의 주식시장 변동성 지수인 VIX 의 한계로 인해 더 복잡한 모델 및 인공지능을 활용한 연구에 관심이 집중되고 있다. 기존의 주식시장 변동성 예측에 관한 연구들은 통계적인 방법을 사용했으며 인공지능을 이용한 연구 또한 대부분 이상치 구간을 표시하여 예측을 목표로 하고 있으나 이러한 접근법은 라벨이 있는 데이터 수집 어려움, 클래스 불균형 문제가 있다. 본 연구는 인공지능을 활용한 주식시장 변동성 탐지에 기여하고 지도 학습 방식 대신 비지도 학습 기반의 이상탐지모델을 사용하여 주식시장 변동성을 예측하는 새로운 방법론을 제안한다. 본 연구에서 개발한 인공지능 모델은 IsolationForest 모델을 활용하며, 시계열 데이터를 전처리한 후 정상성을 확보하는 등의 과정을 거친다. 실험 결과로 인공지능 모델이 주요 경제이슈를 이상치로 검출하는 성능을 확인하였으며 재현율 약 93.6%, 정밀도 100%로 높은 성능을 달성했다.

• Proceedings of the Korea Technology Innovation Society Conference
• /
• 2003.11a
• /
• pp.87-100
• /
• 2003

본 연구는 마케팅 분야에서 주로 사용되는 신제품확산모델(new product diffusion model)들이 기본적인 배스 모형(Bass model)에 기반하여 개별 소비자의 이질성(heterogeneity)을 반영하지 못하고, 제품이 시장에 출시되기 이전 단계에 시장수요를 예측하지 못하는 한계를 극복하기 위한 방법론을 제시하기 위해 진행되었다. 연구에 사용된 방법론을 살펴보면, 먼저 컨조인트(Conjoint) 분석을 통해 제품의 개별 속성들에 대한 소비자의 선호 구조를 파악하고, 이를 통해 추정된 정적(static)인 소비자 효용함수를 시장 및 기술 환경의 변화에 대한 적절한 예측자료와 결합하여 동적(dynamic)인 효용함수로 전환함으로써 시간에 따른 동적(dynamic) 시장 점유율(market share)을 예측하고, 그 결과를 신제품확산모델로부터 도출된 잠재시장(market potential) 추정치와 결합함으로써 신제품의 판매량을 예측한다. 또한 본 연구에서 제시하는 모델을 한국의 30인치 이상 대형TV 시장에 대해 실증적으로 분석하였으며, CRT TV, Projection TV, LCD TV, PDP TV에 대한 시장수요를 예측하였다. 분석 결과, 소비자들은 TV 선택시 화질과 가격에 민감한 반응을 보이는 것을 알 수 있으며, 이를 바탕으로 한 시장 예측 결과, 단기적으로는 가격 경쟁력이 있는 Projection TV가 높은 시장 점유율을 보이지만, 50인치 이상 LCD TV가 상용화될 경우, LCD TV가 다른 TV들보다 상대적으로 많은 판매량을 보일 것으로 예측되었다. 또한 TV 크기에 따른 소비자들의 선택을 살펴본 결과 50∼60인치대에 비해 40인치대 크기의 TV가 많이 판매될 것으로 예상된다.

• Korean Journal of Food Science and Technology
• /
• v.22 no.3
• /
• pp.325-331
• /
• 1990

The most important factors in the cooking process which is a main process in the sausage manufacture are cooking temperature and relative humidity. In order to design energy efficient processes in cooking, accurate data for the process parameters are necessary. Therefore, texture profiles were analysed and weight losses were measured at different process conditions of the forementioned factors and at different sizes of sausage, The prediction model for the sausage cooking time was then developed by the SPSS computer program The models were developed as a function of cooking temperature, relative humidity and the diameter of sausage by analyszing the scattergram. Then the model obtained could predict the values within 2.5% error. The higher temperature and relative humidity are the less changes of weight during sausage cooking. As the results of measuring physical properties, the values of hardness and cohesiveness at different temperatures and humidities were so much changed, while the values of elasticity and chewiness had little differences.

• Journal of the Korea Institute of Information and Communication Engineering
• /
• v.25 no.6
• /
• pp.749-756
• /
• 2021

Thanks to PLC and IoT Sensor, huge amounts of data has been accumulated onto the companies' databases. Machine Learning Algorithms for the predictive model with good performance have been widely utilized in the manufacturing process. We present how to improve the performance of machine learning predictive models. To improve the performance of the predictive model, typical techniques such as increasing the sample size, optimizing the hyper parameters for the algorithm, and selecting a proper machine learning algorithm for the predictive model would be shown. We suggest some new ways to make the model performance much better. With the proposed methods, we can build a better predictive model for predicting and controlling product qualities and save incredibly large amount of quality failure cost.

• The Journal of the Institute of Internet, Broadcasting and Communication
• /
• v.19 no.5
• /
• pp.187-194
• /
• 2019

Traditional demand forecasting methods are difficult to meet the needs of companies due to rapid changes in the market and the diversification of individual consumer needs. In a diversified production environment, the right demand forecast is an important factor for smooth yield management. Many of the existing predictive models commonly used in industry today are limited in function by little. The proposed model is designed to overcome these limitations, taking into account the part where each model performs better individually. In this paper, variables are extracted through Gray Relational analysis suitable for dynamic process analysis, and statistically predicted data is generated that includes characteristics of historical demand data produced through ARIMA forecasts. In combination with the LSTM model, demand forecasts can then be calculated by reflecting the many factors that affect demand forecast through an architecture that is structured to avoid the long-term dependency problems that the neural network model has.

• Proceedings of the Korean Institute of Information and Commucation Sciences Conference
• /
• 2021.05a
• /
• pp.35-37
• /
• 2021

Analyzing and predicting foreign tourists' demand is a crucial research topic in the tourism industry because it profoundly influences establishing and planning tourism policies. Since foreign tourist data is influenced by various external factors, it has a characteristic that there are many subtle changes over time. Therefore, in recent years, research is being conducted to design a prediction model by reflecting various external factors such as economic variables to predict the demand for tourists inbound. However, the regression analysis model and the recurrent neural network model, mainly used for time series prediction, did not show good performance in time series prediction reflecting various variables. Therefore, we design a foreign tourist demand prediction model that complements these limitations using a convolutional neural network. In this paper, we propose a model that predicts foreign tourists' demand by designing a one-dimensional convolutional neural network that reflects foreign tourist data for the past ten years provided by the Korea Tourism Organization and additionally collected external factors as input variables.

• KSCE Journal of Civil and Environmental Engineering Research
• /
• v.30 no.4A
• /
• pp.343-352
• /
• 2010

Recently, many researchers have been carried out to estimate more controlled service life and long-term performance of carbonated concrete structures. Durability analysis and design based on probability have been induced to new concrete structures for design. This paper provides a carbonation prediction model based on the Fick's 1st law of diffusion using statistic data of carbonated concrete structures and the probabilistic analysis of the durability performance has been carried out by using a Bayes' theorem. The influence of concerned design parameters such as $CO_2$ diffusion coefficient, atmospheric $CO_2$ concentration, absorption quantity of $CO_2$ and the degree of hydration was investigated. Using a monitoring data, this model which was based on probabilistic approach was predicted a carbonation depth and a remaining service life at a variety of environmental concrete structures. Form the result, the application method using a realistic carbonation prediction model can be to estimate erosion-open-time, controlled durability and to determine a making decision for suitable repair and maintenance of carbonated concrete structures.

• Proceedings of the KIEE Conference
• /
• 2000.07a
• /
• pp.55-57
• /
• 2000

대규모의 전력을 사용하며 전력 수요가 일정하지 않고 변동하는 제철소의 전기아크로 (electric arc furnace) 부하는 전압 플릭커 (voltage flicker) 등 전력품질을 저하시키는 현상의 주 원인이 되고 있다. 따라서, 전력품질의 향상을 위한 전력계통의 계획과 운용에 있어서 이러한 부하들의 비선형적인 전압-전류 특성을 해석하고 모델링하는 것이 우선 되어야 한다. 특히 전기아크로 부하의 비선형적이고 랜덤 신호에 가까운 특성은 stochastic 접근법에 의해 주로 모델링되어 왔으나, 전기아크로 부하에 의한 전력계통에서의 영향을 평가를 위해서는 deterministic 접근법에 의한 모델링이 필요하며 전기아크로 부하가 가지는 chaos 특성을 Lorenz 시스템으로 표현한 부하모델이 개발되었다[1]. 개발된 모델에 의해 하나의 chaos 시스템으로 예측된 전기아크로 부하 패턴은 전 동작 범위에서 부하 특성을 정확하게 반영하는데 문제가 있다. 따라서, 전기아크로 부하 패턴을 표현할 수 있는 복수의 chaos 시스템을 이용하여 보다 나은 예측 특성을 가진 부하 모델의 개발이 필요하다. 본 논문에서는 기존의 Lorenz 시스템과 전기아크로 부하의 고주파영역 특성을 보다 적절하게 반영할 수 있는 Logistic 시스템을 혼합한 형태의 chaos 모델을 개발하고, 전력 계통에서의 전력품질 저하현상을 정량화하는 지수를 통해 모델의 유용성과 정확성을 검증하고자 한다.

• Journal of Internet Computing and Services
• /
• v.21 no.5
• /
• pp.139-148
• /
• 2020

Infectious diseases have long plagued mankind, and predicting and preventing them has been a big challenge for mankind. For this reasen, various studies have been conducted so far to predict infectious diseases. Most of the early studies relied on epidemiological data from the Centers for Disease Control and Prevention (CDC), and the problem was that the data provided by the CDC was updated only once a week, making it difficult to predict the number of real-time disease outbreaks. However, with the emergence of various Internet media due to the recent development of IT technology, studies have been conducted to predict the occurrence of infectious diseases through web data, and most of the studies we have researched have been using single Web data to predict diseases. However, disease forecasting through a single Web data has the disadvantage of having difficulty collecting large amounts of learning data and making accurate predictions through models for recent outbreaks such as "COVID-19". Thus, we would like to demonstrate through experiments that models that use multiple Web data to predict the occurrence of infectious diseases through LSTM models are more accurate than those that use single Web data and suggest models suitable for predicting infectious diseases. In this experiment, we predicted the occurrence of "Malaria" and "Epidemic-parotitis" using a single web data model and the model we propose. A total of 104 weeks of NEWS, SNS, and search query data were collected, of which 75 weeks were used as learning data and 29 weeks were used as verification data. In the experiment we predicted verification data using our proposed model and single web data, Pearson correlation coefficient for the predicted results of our proposed model showed the highest similarity at 0.94, 0.86, and RMSE was also the lowest at 0.19, 0.07.