• 지능정보연구
• /
• 제5권1호
• /
• pp.103-123
• /
• 1999

Input filtering as a preprocessing method is so much crucial to get good performance in time series forecasting. There are a few preprocessing methods (i.e. ARMA outputs as time domain filters, and Fourier transform or wavelet transform as time-frequency domain filters) for handling time series. Specially, the time-frequency domain filters describe the fractal structure of financial markets better than the time domain filters due to theoretically additional frequency information. Therefore, we, first of all, try to describe and analyze specially some issues on the effectiveness of different filtering methods from viewpoint of the performance of a neural network based forecasting. And then we discuss about neural network model architecture issues, for example, what type of neural network learning architecture is selected for our time series forecasting, and what input size should be applied to a model. In this study an input selection problem is limited to a size selection of the lagged input variables. To solve this problem, we simulate on analyzing and comparing a few neural networks having different model architecture and also use an embedding dimension measure as chaotic time series analysis or nonlinear dynamic analysis to reduce the dimensionality (i.e. the size of time delayed input variables) of the models. Throughout our study, experiments for integration methods of joint time-frequency analysis and neural network techniques are applied to a case study of daily Korean won / U. S dollar exchange returns and finally we suggest an integration framework for future research from our experimental results.

• Communications for Statistical Applications and Methods
• /
• 제25권1호
• /
• pp.29-42
• /
• 2018

We combine the integer-valued GARCH(1, 1) model with a generalized regime-switching model to propose a dynamic count time series model. Our model adopts Markov-chains with time-varying dependent transition probabilities to model dynamic count time series called the generalized regime-switching integer-valued GARCH(1, 1) (GRS-INGARCH(1, 1)) models. We derive a recursive formula of the conditional probability of the regime in the Markov-chain given the past information, in terms of transition probabilities of the Markov-chain and the Poisson parameters of the INGARCH(1, 1) process. In addition, we also study the forecasting of the Poisson parameter as well as the cumulative impulse response function of the model, which is a measure for the persistence of volatility. A Monte-Carlo simulation is conducted to see the performances of volatility forecasting and behaviors of cumulative impulse response coefficients as well as conditional maximum likelihood estimation; consequently, a real data application is given.

• 융합보안논문지
• /
• 제11권3호
• /
• pp.19-24
• /
• 2011

소프트웨어 고장 시간은 테스팅 시간과 관계없이 일정하거나, 단조증가 혹은 단조 감소 추세를 가지고 있다. 이러한 소프트웨어 신뢰모형들을 분석하기 위한 자료척도로 자료에 대한 추세 검정이 개발되어 있다. 추세 분석에는 산술평균 검정과 라플라스 추세 검정 등이 있다. 추세분석들은 전체적인 자료의 개요의 정보만 제공한다. 본 논문에서는 고장시간을 측정하다가 시간 절단이 될 경우에 미래의 고장 시간 예측에 관하여 연구 하였다. 시계열 분석에 이용되는 단순이동 평균법과 가중이동평균법, 지수평활법을 이용하여 미래고장 시간을 예측하여 비교하고자 한다. 실증분석에서는 고장간격 자료를 이용하여 모형들에 대한 예측값을 평균자승오차를 이용하여 비교하고 효율적 모형을 선택 하였다.

• 응용통계연구
• /
• 제9권1호
• /
• pp.125-137
• /
• 1996

시계열 자료는 흔히 반복되지 않는 비정상적인 사건의 영향으로 이상치를 포함한다. 시계열 자료는 관측치들 사이에 종속구조를 갖기 때문에, 이상치의 영향은 다른 통계적 분석에서 보다 더 심각할 수 있다. 본 논문에서는 연속이상치가 예측에 미치는 영향을 파악하는 데에 촛점을 두었다. 특히, l 시점 후 예측오차의 평균제곱의 증가량을 유도하고, 이 증가량으로 연속이상치가 예측에 미치는 영향을 측정하였다. 일반적으로, 연속이상치가 예측 원점에서 아주 가까운 시점에서 발생하지 않았으며 그 증가량은 크지 않음을 밝히고, 실제 자료를 분석하여 확인하였다.

• 한국융합학회논문지
• /
• 제6권4호
• /
• pp.161-167
• /
• 2015

시계열 데이터를 예측하는 것은 매우 어려운 작업이다. 비선형적인 특성을 갖는 신호에서 얻어지는 데이터들이 불확실성을 가지고 있기 때문이다. 본 논문은 특정 시계열 데이터의 정확한 예측을 위하여 시계열 자료가 어떤 패턴에 따라 변화한다는 전제하에서 과거 자료들을 평균하여 미분으로써, 시계열 변화 패턴의 찾았다. 또한 미분 데이터의 반영 비율에 따라 특이성을 갖는 시계열데이터를 일반화하기 위하여 확률변수를 적용하였다. 순환변동과 계절변동을 소거하고, 불규칙 변동만을 추출하여 경향의 추세를 더한 예측값을 계산하게 된다. 이렇게 예측된 값은 이동평균과 단순이동평균에 의하여 가장 좋은 결과값을 갖는 알고리즘과 비교를 통하여 제안 알고리즘의 우수성을 입증하였다.

• Smart Structures and Systems
• /
• 제21권5호
• /
• pp.705-713
• /
• 2018

High-speed rail (HSR) has been in operation and development in many countries worldwide. The explosive growth of HSR has posed great challenges for operation safety and ride comfort. Among various technological demands on high-speed trains, vibration is an inevitable problem caused by rail/wheel imperfections, vehicle dynamics, and aerodynamic instability. Ride comfort is a key factor in evaluating the operational performance of high-speed trains. In this study, online monitoring data have been acquired from an in-service high-speed train for condition assessment. The measured dynamic response signals at the floor level of a train cabin are processed by the Sperling operator, in which the ride comfort index sequence is used to identify the train's operation condition. In addition, a novel technique that incorporates salient features of Bayesian inference and time series analysis is proposed for outlier detection and change detection. The Bayesian forecasting approach enables the prediction of conditional probabilities. By integrating the Bayesian forecasting approach with time series analysis, one-step forecasting probability density functions (PDFs) can be obtained before proceeding to the next observation. The change detection is conducted by comparing the current model and the alternative model (whose mean value is shifted by a prescribed offset) to determine which one can well fit the actual observation. When the comparison results indicate that the alternative model performs better, then a potential change is detected. If the current observation is a potential outlier or change, Bayes factor and cumulative Bayes factor are derived for further identification. A significant change, if identified, implies that there is a great alteration in the train operation performance due to defects. In this study, two illustrative cases are provided to demonstrate the performance of the proposed method for condition assessment of high-speed trains.

• Journal of the Korean Data and Information Science Society
• /
• 제20권4호
• /
• pp.685-694
• /
• 2009

본 연구는 전국 초 중 고등학교 학생수 데이터를 계절성과 추세성을 가지는 시계열 데이터로 전환하는데 있다. 시계열 데이터로의 전환방법은 학년의 진급에 따라서, 초등1학년에서 고3학년까지 12년 한 주기로 하는 모형 A의 시계열 데이터 전환과, 각 학년을 한 주기로 하는 모형 B의 시계열 데이터 전환방법을 사용하였다. 전환된 시계열 데이터, 모형 A와 모형 B를 가지고, 홀트-윈터스의 가법모형을 이용하여 학생수를 예측하였다. 2019년까지의 전국 초.중.고등학교의 학생수를 예측하고, 교육과학기술부의 교육인적자원 통계서비스의 2007년에 예측한 2019년까지의 학생수 예측과 비교분석 하였다.

• 산업기술연구
• /
• 제28권B호
• /
• pp.101-109
• /
• 2008

In general, non-stationary or chaos time series forecasting is very difficult since there exists a drift and/or nonlinearities in them. To overcome this situation, we suggest a new prediction method based on multiple model TS fuzzy predictors combined with preprocessing of time series data, where, instead of time series data, the differences of them are applied to predictors as input. In preprocessing procedure, the candidates of optimal difference interval are determined by using con-elation analysis and corresponding difference data are generated. And then, for each of them, TS fuzzy predictor is constructed by using k-means clustering algorithm and least squares method. Finally, the best predictor which minimizes the performance index is selected and it works on hereafter for prediction. Computer simulation is performed to show the effectiveness and usefulness of our method.

• KDI Journal of Economic Policy
• /
• 제14권1호
• /
• pp.121-145
• /
• 1992

본고(本稿)에서는 현재의 경제상황을 잘 반영하는 건설투자활동(建設投資活動)의 단기예측모형(短期豫測模型)을 정립하고자 먼저 관련 시계열자료의 안정성(安定性) 여부(與否)와 순환성(循環性), 계절성(季節性)의 특성을 살펴본 후 여러 단기모형의 예측력(豫測力), 정합성(整合性), 설명력(說明力)을 비교 검토했다. 단위근(單位根) 검정(檢定)과 자기상관계수(自己相關係數) 스펙트랄 밀도함수 분석의 결과, 건설관련 시계열자료들이 대체로 단위근(單位根)을 갖지 않음으로써 안정적이고 주기적인 순환변동을 하고 있으며, 시차변수의 설명력이 높은 특성을 나타내었다. 또한 건설투자자료의 특성이 선행지표(先行指標)인 건축허가연면적(建築許可延面積) 및 건설수주액(建設受注額)과 아주 유사하여 건설투자 단기예측에 있어서 두 지표 사이의 시차관계(時差關係) 파악이 중요함을 알 수 있었다. 제(第)III장(章)에서는 단변량(單變量) 시계열모형(時系列模型)으로 ARIMA모형(模型)과 승법선형추세예측모형(乘法線型趨勢豫測模型)을, 다변량(多變量) 시계열모형(時系列模型)으로는 첫째, 선행지표(先行指標)를 이용한 1차자기회귀모형(次自己回歸模型), VAR모형(模型), 둘째 GNP자료를 이용한 거시경제모형의 단순한 축약형모형(縮約型模型)과 VAR모형(模型)을 제시하고 이들을 비교 평가하였다. 이에 따르면 단변량 시계열모형보다는 다변량 시계열모형이 시간이 경과할수록 예측오차(豫測誤差)가 커지지 않는다는 점에서 우수한 것으로 나타났으며, 다변량모형 중에서도 벡터자기회귀모형이 여타 모형보다 절대예측오차평균(絶對豫測誤差平均), 평균자승근(平均自乘根) 퍼센트 오차(誤差), 결정계수(決定係數) 등 모든 면에서 우수한 것으로 평가되었다. 이는 최근 건설투자가 추세에서 벗어난 급증세를 지속하고 있음을 고려할 때 타당한 결론이라 생각된다.

• 무역학회지
• /
• 제46권6호
• /
• pp.191-209
• /
• 2021

In this paper, various time series analysis models and machine learning models are presented for long-term prediction of export growth rate, and the prediction performance is compared and reviewed by RMSE and MAE. Export growth rate is one of the major economic indicators to evaluate the economic status. And It is also used to predict economic forecast. The export growth rate may have a negative (-) value as well as a positive (+) value. Therefore, Instead of using the ReLU function, which is often used for time series prediction of deep learning models, the PReLU function, which can have a negative (-) value as an output value, was used as the activation function of deep learning models. The time series prediction performance of each model for three types of data was compared and reviewed. The forecast data of long-term prediction of export growth rate was deduced by three forecast methods such as a fixed forecast method, a recursive forecast method and a rolling forecast method. As a result of the forecast, the traditional time series analysis model, ARDL, showed excellent performance, but as the time period of learning data increases, the performance of machine learning models including LSTM was relatively improved.