• Water for future
• /
• v.18 no.1
• /
• pp.75-83
• /
• 1985

The applicability of ARMA(1, 1) multiseason model, which is in the beginning stage of active researches in the field of synthetic generation is evaluated with the streamflow data at the Nakdong stage gauging station on the main stem of the Nakdong River. The method of parameter estimation for the modelis reviewed and the statistical analysis of the generated seasonal streamflows such as corrlogram analysis and the computation of moments is made. The results obtained by ARMA(1, 1) multiseason model are compared with the historical streamflow data and also with those by two other multiseason models, namely, Thomas-Fiering model and Matalas AR(1) multiseason model. The seasonal streamflows grnerated by three multiseason models were annually summed up to form respective annual flow series whose statistics were compared with those of the annual flow series generated by three annual models, namely, AR(1), Matalas AR(1), and ARMA(1, 1) annual models. The possibility of ARMA(1, 1) multiseason model for the simultaneous generation of seasonal and annual streamflows is also evaluated.

• Journal of Information Technology Application
• /
• v.1 no.3_4
• /
• pp.69-90
• /
• 1999

본 논문은 시계열자료의 ARMA 모형화를 위해 계층적(Hierarchical) 문제해결 방식인 인공신경망 기초 의상결정트리분류기상의 인공신경망 구조를 개선하여 지역문제(Local Problem)를 해결하는 복수개의 인공신경망 결과를 Dempster's rule of combination을 이용하여 종합하는 병행적인 (Parallel) ARMA 모형활르 위한 방법론을 제시함으로써 의사결정트리분류기에 근거한 방법론의 단점을 보완하였다. 본 논문에서 제시한 ARMA 모형화를 위한 방법론은 세 단계로 구성되어 있다: 1) ESACF 특성 벡터 추출단계; 2) 개별 인공신경망에 의한 부분적 모델링 단계; 3) Conflict Resolution 단계, 제시한 방법론을 검증하기 위해 모의실험용 자료와 실제 시계열자료를 이용하여 제시된 방법론을 검증하였으며 실험결과 기존 연구에 비해 ARMA 모형화와 정확도가 높은 것으로 나타났다.

• The Korean Journal of Applied Statistics
• /
• v.17 no.3
• /
• pp.403-418
• /
• 2004

Recently space-time model in spatial data analysis is widly used. In this paper we applied this model to analysis of greenhouse whitefly. For handling time component, we used ARMA model and autoregressive error model and for outliers, we adapted Mugglestone's method. We compared space-time models and geostatistic model with MSE and MAPE.

• The Korean Journal of Applied Statistics
• /
• v.29 no.7
• /
• pp.1373-1383
• /
• 2016

The wind energy industry and wind power generation have increased; consequently, the stable supply of the wind power has become an important issue. It is important to accurately predict the wind power with short-term basis in order to make a reliable planning for the power supply and demand of wind power. In this paper, we first analyzed the speed, power and the directions of the wind. The neural network and the time series models (ARMA, ARMAX, ARMA-GARCH, Holt Winters) for wind power generation forecasting were compared based on mean absolute error (MAE). For one to three hour-ahead forecast, ARMA-GARCH model was outperformed, and the neural network method showed a better performance in the six hour-ahead forecast.

• Proceedings of the Korea Society for Industrial Systems Conference
• /
• 1998.10a
• /
• pp.665-670
• /
• 1998

본 연구에서는 시계열자료의 ARMA 모형화를 위해 의사결정트리 분류기상에 존재하는 인공신경망의 구조를 개선하여 이들 각각의 인공신경망으로부터 도출된 결과를 Dempster's rule of combination을 이용하여 결합할 수 있는 방법론을 제시하고 있다. 인공신경망을 이용한 기존의 ARMA 모형화 방법과 비교한 결과, 본 연구에서는 제시한 방법이 주어진 ESACF 특성패턴에 대해 보다 정확하게 ARMA 모형화를 하는 것으로 나타났다.

• Communications for Statistical Applications and Methods
• /
• v.16 no.1
• /
• pp.127-135
• /
• 2009

It is necessary to forecast the amount of the maximum electricity demand for stabilizing the flow of electricity. The time series data was collected from the Korea Energy Research between January 2000 and December 2006. The data showed that they had a strong linear trend and seasonal change. Winters seasonal model, ARMA model were used to examine it. Root mean squared prediction error and mean absolute percentage prediction error were a criteria to select the best model. In addition, a nonstationary generalized extreme value distribution with explanatory variables was fitted to forecast the maximum electricity.

• Proceedings of the Korean Statistical Society Conference
• /
• 2000.11a
• /
• pp.17-22
• /
• 2000

시계열 자료를 분석할 때 쉽게 접근하는 통계적 방법은 ARMA 모형이며 신경망 학습 방법 중에서는 다층 퍼셉트론에서의 Back-propagation 알고리즘이 일반적이다. Back-propagation을 비롯한 신경망 학습의 구조는 자료의 특성에 따라 경험적으로 결정하는 것으로 알려져 있다. 그러나 바로 이 점이 신경망 학습방법의 이용을 어렵게 하는 요인이기도 하다. 본 연구는 ARMA 모형 중 몇 개 유형의 자료에 대하여 Back-propagation 알고리즘을 적용함에 있어 어떠한 구조로 학습하는 것이 효율적인가를 입력층과 은닉층의 크기, 활성화 함수를 중심으로 검토하였다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2015.05a
• /
• pp.462-462
• /
• 2015

이 논문에서는 시 공간적 토양수분 변화를 파악하기 위해 다년간 축적된 실측 토양수분 데이터를 이용하여 단변량 시계열 분석을 하였다. 지형에 따른 토양수분 변화를 알아보기 위해 경기도 파주에 위치한 설마천 유역의 산지사면 중 한 단면을 선정하였으며, 깊이에 따른 변동성은 깊이 10cm와 30cm에서 측정한 토양수분 데이터를 이용하여 분석하였다. 또한, 연도별 토양수분의 변화를 파악하고 토양수분을 예측하기 위해 2010-2013년의 토양수분 데이터를 일단위로 단변량 모델링을 시도하였다. 그 결과, 연도별 변화에 따른 경향성은 보이지 않았으며 대부분의 지점에서 ARMA(1, 1) 또는 ARMA(1, 0) 모형으로 모의되었다. 2시간 간격의 1-2개월 단기간 토양수분 데이터를 모의한 선행연구와 달리 본 연구에서는 낮은 차수의 모형을 보였다. 지형적 토양수분 거동을 살펴보면 상부사면에 위치하고 있는 지점에서는 모두 ARMA(1, 1)로 표현되지만 하부사면에 위치한 지점들은 연도나 심도에 따라 ARMA(1, 0)으로 모의된다. 단변량 모형의 정확도를 알아보기 위해 R2와 RMSE를 비교하였다. 10cm 깊이에서는 경향성을 보이지 않으나, 30cm 깊이에서는 사면하부로 갈수록 R2는 작아지고 RMSE는 커져, 하부사면에서의 모델링이 상부사면에 비해 정확도가 낮음을 보였다. 또한 2012년 토양수분 자료를 이용하여 2013년 토양수분을 예측하기 위해 2012년 매개변수와 2013년 전일 데이터를 이용하여 예측하고자 하는 일단위 토양수분을 구하였다. 그 결과 $R^2=0.646-0.807$, RMSE=1.758-4.802의 정확도를 나타냈다.

• The Korean Journal of Applied Statistics
• /
• v.24 no.2
• /
• pp.293-305
• /
• 2011

The volatility is one of most important parameters in the areas of pricing of financial derivatives an measuring risks arising from a sudden change of economic circumstance. We propose a Bayesian approach to estimate the volatility varying with time under a linear model with ARMA(p, q)-GARCH(r, s) errors. This Bayesian estimate of the volatility is compared with the ML estimate. We also present the probability of existence of the unit root in the GARCH model.

• Journal of the Korean Data and Information Science Society
• /
• v.24 no.3
• /
• pp.585-592
• /
• 2013

As the needs for alternative energy and renewable energy increase, there has been a lot of investment in developing wind energy, which does not cause air pollution nor the greenhouse gas effect. Wind energy is an environment friendly energy that is unlimited in its resources and is possible to be produced wherever the wind blows. However, since wind energy heavily relies on wind that has unreliable characteristics, it may be difficult to have efficient energy transmissions. For this reason, an important factor in wind energy forecasting is the estimation of available wind power. In this study, Gunsan wind farm data was used to compare ARMA model to neural network model to analyze for more accurate prediction of wind power generation. As a result, the neural network model was better than the ARMA model in the accuracy of the wind power predictions.