Until now, research on consumers’ purchasing behavior has primarily focused on psychological aspects or depended on consumer surveys. However, there may be a gap between consumers’ self-reported perceptions and their observable actions. In response, this study aimed to investigate consumer purchasing behavior utilizing a big data approach. To this end, this study investigated the purchasing patterns of fashion items, both online and in retail stores, from a data-driven perspective. We also investigated whether individual consumers switched between online websites and retail establishments for making purchases. Data on 516,474 purchases were obtained from fashion companies. We used association rule analysis and K-means clustering to identify purchase patterns that were influenced by customer loyalty. Furthermore, sequential pattern analysis was applied to investigate the usage patterns of online and offline channels by consumers. The results showed that high-loyalty consumers mainly purchased infrequently bought items in the brand line, as well as high-priced items, and that these purchase patterns were similar both online and in stores. In contrast, the low-loyalty group showed different purchasing behaviors for online versus in-store purchases. In physical environments, the low-loyalty consumers tended to purchase less popular or more expensive items from the brand line, whereas in online environments, their purchases centered around items with relatively high sales volumes. Finally, we found that both high and low loyalty groups exclusively used a single preferred channel, either online or in-store. The findings help companies better understand consumer purchase patterns and build future marketing strategies around items with high brand centrality.

딥러닝(DL: Deep Learning)의 발전으로 오늘날 다양한 분야에서 AI 모델이 만들어지고 사용되고 있다. 오늘날, 컴퓨터의 발전과 DL 알고리즘의 발전에 의해, DL 기반 AI 모델은 수많은 데이터를 학습하고 스스로 규칙을 찾을 수 있다. DeepMind의 Alphago는 학습 데이터 만으로 게임의 규칙을 스스로 판단하고 고수준의 게임 플 레이를 할 수 있다는 가능성을 보여준다. 이런 다양한 DL 알고리즘이 게임 분야에 적용되고 있지만, 스포츠 게임 같이 팀의 전술과 개인 플레이가 공존하는 분야에서는 단일 AI 모델만으로 성공적인 플레이를 이끌어 내기에는 한계가 존재한다. 오늘날, 고품질의 스포츠 게임은 쉽게 접할 수 있다. 하지만, 게임 AI 연구자들이 이런 고품질의 스포츠 게임에 맞는 AI 모델을 개발하기 위해서는 게임 코드 소스를 받거나 게임 회사에서 테 스트용 시뮬레이터를 제공해줘야만 할 수 있다. 게임 AI 연구자들이 활발한 스포츠 게임 분야의 AI 모델을 개 발하기 위해서는 스포츠 게임의 규칙과 특징이 반영되고 접근하기 쉬운 테스트 환경(Test Environment)이 필요 하다. 본 논문에서는 팀의 전술과 개인 플레이가 중요한 스포츠 게임 분야에서 AI 모델을 만들고 테스트할 수 있는 규칙기반 축구 게임 프레임워크를 제안한다.

국제해상충돌예방규칙은 선박이 다른 선박이나 해저 등 어떠한 물체에도 충돌하지 아니하도록 제정된 국제협약이다. 선박의 충돌예방을 위한 규칙은 19세기 중반부터 성문화되고 다듬어져 현재에 이르고 있다. 따라서 COLREGs에서 사용된 용어와 문장 또한 뚜렷 한 학문적, 법률적 의미를 갖고 있다. 그러나 COLREGs를 국내법으로 반영한 해사안전법에서는 ‘충돌의 위험성’과 ‘충돌의 위험’을 구분하 지 않은 채 혼용하고 있다. 이에 ‘위험성’의 정의에 대하여 국제연합 산하의 권위 있는 국제기구인 국제해사기구 및 널리 알려진 비정부 간 기구인 국제표준화기구에서 정의한 내용을 살펴봄으로써 ‘위험’과 ‘위험성’의 차이를 분석하였으며, COLREGs에서 관련 문장을 살펴봄 으로써 이를 구분해야할 근거를 제시하였다. 안전한 항해라는 측면에서 볼 때 향후 해사안전법에 ‘위험’과 ‘위험성’의 구분이 명확해 짐으 로써 이를 준수해야 하는 해기사들의 해상충돌예방을 위한 노력이 한층 체계화되기를 기대하였다.

전산 자원의 발달로 여러 부품들이 결합된 전체 구조물에 대한 해석이 가능해져 해석에 필요한 계산 시간과 데이터의 양이 증가하 였다. 이러한 전체 구조물에는 같은 부품이 반복되어 규칙성을 가지는 경우가 많다. 이러한 반복적인 구조물에 균질화 기법을 적용하 면 효과적인 해석이 가능하다. 상용 프로그램의 일반적인 균질화 모듈에서 단위 구조는 모든 방향으로 반복된다고 가정한다. 하지만 실제 구조물들은 여러 단위 구조가 복잡하게 반복되는 경우가 많아 기존 균질화 기법을 적용하는데 어려움이 있다. 본 논문에서는 복 잡한 반복성을 고려하는 다단계 균질화 기법을 제안한다. 제안된 균질화 기법은 구조물을 여러 영역으로 나누어 균질화를 수행하는 형태로 기존 기법보다 정확한 해석이 가능하다.

본 연구는 다중벽 탄소나노튜브(MWCNT)로 보강된 복합재 구조의 동적 해석을 다루었다. Mori-Tanaka 모델을 기반으 로 MWCNT 중량 비율, 패널의 곡률, 그리고 CNT의 임의 배열이 복합재의 동적거동에 미치는 상호작용을 연구하였다. 본 연구 결과는 CNT의 부피함유비율의 변화에 따른 복합재의 유효탄성계수를 예측하는 기존 문헌결과와 비교하여 검증하였다. 수치해 석 예제는 복합재의 동적 특성을 평가함에 있어서 MWCNT 보강의 불규칙한 배열 또는 기울어진 방향으로 배치된 효과에 대한 중요성을 제시하였다.