• 한국공간정보시스템학회:학술대회논문집
• /
• 한국공간정보시스템학회 2000년도 학술회의 논문집 3권2호
• /
• pp.205-218
• /
• 2000

• 한국항해항만학회지
• /
• 제32권1호
• /
• pp.81-88
• /
• 2008

컨테이너항만의 물동량 예측은 항만의 개발 및 운영계획을 위해 매우 중요한 과정이다. 일반적으로 회귀분석, ARIMA모형 등의 통계적 방법론을 통해 많은 예측이 이뤄져왔다. 최근의 연구에서는 인공 신경망(ANN)기법을 통한 예측이 이뤄지고 있으며 기존의 선형적인 기법을 대신하고 있다. 본 연구에서는 선형모형과 비선형모형에 강점이 있는 ARIMA모형과 신경망모형을 결합해 보다 효과적인 예측 모형을 개발하고자 한다. 실제 항만의 과거 자료를 통해 모델의 적합성을 측정하였고 항만의 특성에 따라 모형의 적합성이 다양하게 나타났다.

• 한국항해항만학회:학술대회논문집
• /
• 한국항해항만학회 2007년도 추계학술대회 및 제23회 정기총회
• /
• pp.259-260
• /
• 2007

컨테이너항만의 물동량 예측은 항만의 계발 및 운영계획을 위해 매우 중요한 과정이다. 일반적으로 회귀분석, ARIMA 등의 통계적 방법론을 통해 많은 예측이 이뤄져왔다. 최근의 연구에서는 인공 신경망(ANN)기법을 통한 예측이 이뤄지고 있으며 기존의 선형적인 기법을 대신하고 있다. 본 연구에서는 선형모델과 비선형모델에 강점이 있는 ARIMA와 신경망 모델을 결합해 보다 효과적인 예측 모델을 개발하고자 한다. 실제 항만의 과거 자료를 통해 모델의 적합성을 측정하였고 항만의 특성에 따라 모형의 적합성이 다양하게 나타났다.

• Industrial Engineering and Management Systems
• /
• 제12권3호
• /
• pp.244-253
• /
• 2013

In industries, shipping is an important issue in improving the forecasting accuracy of sales. This paper introduces a hybrid method and plural methods are compared. Focusing the equation of exponential smoothing method (ESM) that is equivalent to (1, 1) order autoregressive-moving-average (ARMA) model equation, a new method of estimating the smoothing constant in ESM had been proposed previously by us which satisfies minimum variance of forecasting error. Generally, the smoothing constant is selected arbitrarily. However, this paper utilizes the above stated theoretical solution. Firstly, we make estimation of ARMA model parameter and then estimate the smoothing constant. Thus, theoretical solution is derived in a simple way and it may be utilized in various fields. Furthermore, combining the trend removing method with this method, we aim to improve forecasting accuracy. This method is executed in the following method. Trend removing by the combination of linear and 2nd order nonlinear function and 3rd order nonlinear function is executed to the original production data of two kinds of bread. Genetic algorithm is utilized to search the optimal weight for the weighting parameters of linear and nonlinear function. For comparison, the monthly trend is removed after that. Theoretical solution of smoothing constant of ESM is calculated for both of the monthly trend removing data and the non-monthly trend removing data. Then forecasting is executed on these data. The new method shows that it is useful for the time series that has various trend characteristics and has rather strong seasonal trend. The effectiveness of this method should be examined in various cases.

• 한국의류산업학회지
• /
• 제23권4호
• /
• pp.480-490
• /
• 2021

Sales forecasting is crucial for many retail operations. For apparel retailers, accurate sales forecast for the next season is critical to properly manage inventory and plan their supply chains. The challenge in this increases because apparel products are always new for the next season, have numerous variations, short life cycles, long lead times, and seasonal trends. In this study, a sales forecasting model is proposed for apparel products using machine learning techniques. The sales data pertaining to outerwear items for four years were collected from a Korean sports brand and filtered with outliers. Subsequently, the data were standardized by removing the effects of exogenous variables. The sales patterns of outerwear items were clustered by applying K-means clustering, and outerwear attributes associated with the specific sales-pattern type were determined by using a decision tree classifier. Six types of sales pattern clusters were derived and classified using a hybrid model of clustering and decision tree algorithm, and finally, the relationship between outerwear attributes and sales patterns was revealed. Each sales pattern can be used to predict stock-keeping-unit-level sales based on item attributes.

• International Journal of Advanced Culture Technology
• /
• 제11권4호
• /
• pp.393-405
• /
• 2023

Accurate prediction of wind speed and power is vital for enhancing the efficiency of wind energy systems. Numerous solutions have been implemented to date, demonstrating their potential to improve forecasting. Among these, deep learning is perceived as a revolutionary approach in the field. However, despite their effectiveness, the noise present in the collected data remains a significant challenge. This noise has the potential to diminish the performance of these algorithms, leading to inaccurate predictions. In response to this, this study explores a novel feature engineering approach. This approach involves altering the data input shape in both Convolutional Neural Network-Long Short-Term Memory (CNN-LSTM) and Autoregressive models for various forecasting horizons. The results reveal substantial enhancements in model resilience against noise resulting from step increases in data. The approach could achieve an impressive 83% accuracy in predicting unseen data up to the 24th steps. Furthermore, this method consistently provides high accuracy for short, mid, and long-term forecasts, outperforming the performance of individual models. These findings pave the way for further research on noise reduction strategies at different forecasting horizons through shape-wise feature engineering.

• 지능정보연구
• /
• 제18권4호
• /
• pp.43-57
• /
• 2012

제조업에 있어서 판매 후 서비스 건수와 내용 등은 향후 서비스 제공을 위한 자원배분의 효율성 증진과 서비스 품질 향상을 위해서도 매우 중요한 정보이다. 따라서 기업들은 향후 발생하는 판매 후 서비스에 대해 정확히 예측하고 그에 따라 적절히 대처하는 능력을 확보할 필요성이 제조업을 중심으로 증가하고 있다. 그러나 실제로 이들 기업들이 활용하고 있는 서비스 수요예측 방법들은 전통적인 통계적인 예측기법이거나, 시뮬레이션을 기반한 기법들이다. 예를 들면, 전통적인 통계적인 예측기법으로는 회귀분석(regression analysis)의 경우, 다양한 제품모델에 대한 판매 후 서비스 발생 패턴이 선형적인 관계가 매우 적음에도 불구하고 선형으로 가정하여 추정한다는 점과 적정한 회귀식을 가정하여야 되며, 이러한 가정이 실제 경영환경에서는 매우 어렵다는 점 등이 기존의 예측기법들의 한계점으로 지적되고 있다. 본 연구에서는 디지털 TV 모델을 생산 판매 하는 A사의 사례연구를 통하여 최근 인공지능연구에서 각광을 받고 있는 사례기반추론(case-based reasoning; CBR) 기법을 활용한 서비스 수요예측 프레임워크를 제안하고자 한다. 또한, 사례기반추론에서 핵심적인 역할 중 하나인 유사 사례추출 방법에 있어서 가장 일반적인 nearest-neighbor 방법 이외의 유사 사례추출 방법을 제안하고자 한다. 특히, 본 연구에서 제안하는 유사 사례추출 방법은 인공신경망(artificial neural network)을 활용한 자기조직화지도(Self-Organizing Maps : SOM) 군집화 기법을 활용한 유사 사례추출 방식으로 이를 활용한 서비스 수요예측 프레임워크에 구현하고, 실제 기업의 판매 후 서비스 데이터를 활용하여 본 연구에서 제안하는 서비스 수요 예측 프레임워크의 유효성을 실증적으로 검증하고자 한다.

• Journal of Electrical Engineering and Technology
• /
• 제13권3호
• /
• pp.1089-1098
• /
• 2018

This study aims at developing and applying a hybrid model to the wind power prediction (WPP). The hybrid model for a very-short-term WPP (VSTWPP) is achieved through analytical data, multiple linear regressions and least square methods (MLR&LS). The data used in our hybrid model are based on the historical records of wind power from an offshore region. In this model, the WPP is achieved in four steps: 1) transforming historical data into ratios; 2) predicting the wind power using the ratios; 3) predicting rectification ratios by the total wind power; 4) predicting the wind power using the proposed rectification method. The proposed method includes one-step and multi-step predictions. The WPP is tested by applying different models, such as the autoregressive moving average (ARMA), support vector machine (SVM), and artificial neural network (ANN). The results of all these models confirmed the validity of the proposed hybrid model in terms of error as well as its effectiveness. Furthermore, forecasting errors are compared to depict a highly variable WPP, and the correlations between the actual and predicted wind powers are shown. Simulations are carried out to definitely prove the feasibility and excellent performance of the proposed method for the VSTWPP versus that of the SVM, ANN and ARMA models.

• 한국컴퓨터정보학회논문지
• /
• 제28권2호
• /
• pp.201-207
• /
• 2023

본 논문에서는 Multi-Step Time Series의 세 가지 전략을 비교 분석하기 위해 LGBM, MLP, LSTM, GRU를 사용하여 농산물 중장기 가격 예측에 대한 최적의 모형을 제안한다. 제안 모형은 다각도로 전략을 선택하여 모델과 전략간 최적의 조합을 찾도록 설계되었다. 기존 농산물 가격 예측 연구에서는 전통 계량경제 모델인 ARIMA를 비롯하여 LSTM 계열 모델이 주로 사용된 반면 Multi-Step Time Series 관련 농산물 가격 예측 연구는 매우 제한적이다. 본 연구에서는 농산물 가격의 변동성 정도에 따라 두 개의 기간으로 나누어 실험을 진행하였으며, Direct, Hybrid, Multiple Outputs 등 세 전략의 중장기 가격 예측 결과 Hybrid 접근법이 상대적으로 우수한 성능을 보였다.본 연구 결과는 중장기 일별 가격 예측을 고도화할 수 있는 효과적인 대안을 제시한다는 측면에서 학술적, 실무적 의의를 갖는다.

• 정보처리학회논문지B
• /
• 제14B권7호
• /
• pp.531-540
• /
• 2007

본 논문에서는 주가예측의 정확도를 향상시키기 위하여 공적분 검정(Cointegration Tests)과 인공 신경망(Artificial Neural Networks)을 사용한 2단계 하이브리드 예측 모델을 제시한다. 기존의 연구에서는 예측을 시도하고자 하는 종목의 일자별 개별 레코드를 인공 신경망과 같은 방법으로 학습함으로써 주식 데이터가 가지는 시계열적 특성을 충분히 반영하지 못하였는데, 새로 제안한 모형에서는 주식자료의 과거시차들의 값들도 인공 신경망의 속성(feature)으로 사용하여 기존 연구의 한계를 보완하였다. 또한, 예측대상종목의 정보들 외에도 장기적으로 높은 시계열 유사성을 보유한 종목들을 선발한 후 속성으로 사용하여 모형의 예측성능을 향상 시켰다. 구체적으로 1단계는 Johansen의 공적분 검정을 통하여 예측대상종목과 장기적 관계(long-term relationship)에 있는 종목을 추출하고, 2단계는 이 선발된 종목들과 예측대상종목의 시계열 정보 특성을 속성으로 구축한 인공 신경망으로 학습하여 관심 종목을 예측한다. 제안된 모델의 성능을 확인하기 위하여 KOSPI 지수의 방향성을 예측하는 시스템을 구현하였으며, 시가총액 상위 종목군을 대상으로 지수와의 공적분 검정을 하였다. 성능을 살펴보기 위하여 본 연구에서는 시계열 정보가 속성으로 반영된 단순 인공 신경망 모델, 공적분 검정을 통과한 종목들의 시계열 속성이 포함된 모델, 그리고 그 모델과 속성의 개수를 동일하게 하기 위하여 임의로 종목을 선택하여 이들의 시계열 속성이 포함된 모델을 구축하였다. 실험 결과 공적분 검정을 통과한 종목군의 속성이 결합된 모델은 단순 인공 신경망만으로 학습된 기존 모델에 비하여 평균적으로는 11.29% (최대 29.98%) 정확도가 향상되었고, 임의로 선택된 종목군의 속성이 결합된 모델에 비해서는 평균적으로는 10.59% (최대 25.78%) 가 향상된 예측 정확도를 보여주었다.