기후변화 영향으로 이상고수온, 태풍, 홍수, 가뭄 등 재난 및 안전 관리기술은 지속적으로 고도화를 요구받고 있으며, 특히 해 수면 온도는 한반도 주변에서 발생되는 여름철 적조 발생과 동해안 냉수대 출현, 소멸 등에 영향을 신속하게 분석할 수 있는 중요한 인자 이다. 따라서, 본 연구에서는 해수면 온도 자료를 해양 이상현상 및 연구에 적극 활용되기 위해 통계적 방법과 딥러닝 알고리즘을 적용하 여 예측성능을 평가하였다. 예측에 사용된 해수면 수온자료는 흑산도 조위관측소의 2018년부터 2022년까지 자료이며, 기존 통계적 ARIMA 방법과 Long Short-Term Memory(LSTM), Gated Recurrent Unit(GRU)을 사용하였고, LSTM의 성능을 더욱 향상할 수 있는 Sequence-to-Sequence(s2s) 구조에 Attention 기법을 추가한 Attention Long Short-Term Memory (LSTM)기법을 사용하여 예측 성능 평가를 진행하 였다. 평가 결과 Attention LSTM 모델이 타 모델과 비교하여 더 좋은 성능을 보였으며, Hyper parameter 튜닝을 통해 해수면 수온 성능을 개 선할 수 있었다.

본 연구에서는 대파의 가락시장 도매가격을 이용하여 기존 시계열 모형인 ARIMA 모형, 홀트-윈터스 평활법과 대표적인 기계학습 방법인 랜덤 포레스트(Random forest) 분석 기법의 가격 예측력을 비교하였다. 세 모형의 예측력을 분석한 결과는 다음과 같다. 가장 예측력이 높게 나타난 모형은 3년(36개월)을 주기로 설정한 ARIMA 모형이었다. 또한 ARIMA 모형과 홀트-윈터스 평활법은 일별 데이터보다 월별 데이터를 이용한 예측 결과의 정확도가 더 높아 훈련 데이터에 대한 과적합(overfitting)이 오히려 예측력을 낮추는 현상을 보였다. 반면, 랜덤 포레스트는 월별 데이터 보다 일별 데이터를 사용한 모형의 예측력이 더 높았다. 이는 학습량이 많을수록 높은 예측력을 보여주는 기계학습의 특징을 보여주었다. 그러나 기계학습 방법을 활용한 가격 예측에는 가격에 영향을 주는 설명변수를 찾고, 양질의 훈련 데이터 축적이 필요하다는 것을 알 수 있었다. 향후 연구에서는 다양한 설명변수와 기계학습 및 딥러닝 기법을 적용한다면 농축산물 가격 예측력을 높이는데 도움이 될 것으로 판단된다.

This research explores how imported automobile companies can develop their strategies to improve the outcome of their recalls. For this, the researchers analyzed patterns of recall demand, classified recall types based on the demand patterns and examined response strategies, considering plans on how to procure parts and induce customers to visit workshops, recall execution capacity and costs. As a result, recalls are classified into four types: U-type, reverse U-type, L- type and reverse L-type. Also, as determinants of the types, the following factors are further categorized into four types and 12 sub-types of recalls: the height of maximum demand, which indicates the volatility of recall demand; the number of peaks, which are the patterns of demand variations; and the tail length of the demand curve, which indicates the speed of recalls. The classification resulted in the following: L-type, or customer-driven recall, is the most common type of recalls, taking up 25 out of the total 36 cases, followed by five U-type, four reverse L-type, and two reverse U-type cases. Prior studies show that the types of recalls are determined by factors influencing recall execution rates: severity, the number of cars to be recalled, recall execution rate, government policies, time since model launch, and recall costs, etc. As a component demand forecast model for automobile recalls, this study estimated the ARIMA model. ARIMA models were shown in three models: ARIMA (1,0,0), ARIMA (0,0,1) and ARIMA (0,0,0). These all three ARIMA models appear to be significant for all recall patterns, indicating that the ARIMA model is very valid as a predictive model for car recall patterns. Based on the classification of recall types, we drew some strategic implications for recall response according to types of recalls. The conclusion section of this research suggests the implications for several aspects: how to improve the recall outcome (execution rate), customer satisfaction, brand image, recall costs, and response to the regulatory authority.

Even though cars have a good effect on modern society, traffic accidents do not. There are traffic laws that define the regulations and aim to reduce accidents from happening; nevertheless, it is hard to determine all accident causes such as road and traffic conditions, and human related factors. If a traffic accident occurs, the traffic law classifies it as ‘Negligence of Safe Driving’ for cases that are not defined by specific regulations. Meanwhile, as Korea is already growing rapidly elderly population with more than 65 years, so are the number of traffic accidents caused by this group. Therefore, we studied predictive and comparative analysis of the number of traffic accidents caused by ‘Negligence of Safe Driving’ by dividing it into two groups : All-ages and Elderly. In this paper, we used empirical monthly data from 2007 to 2015 collected by TAAS (Traffic Accident Analysis System), identified the most suitable ARIMA forecasting model by using the four steps of the Box-Jenkins method : Identification, Estimation, Diagnostics, Forecasting. The results of this study indicate that ARIMA (1, 1, 0)(0, 1, 1)12 is the most suitable forecasting model in the group of All-ages; and ARIMA (0, 1, 1)(0, 1, 1)12 is the most suitable in the group of Elderly. Then, with this fitted model, we forecasted the number of traffic accidents for 2 years of both groups. There is no large fluctuation in the group of All-ages, but the group of Elderly shows a gradual increase trend. Finally, we compared two groups in terms of the forecast, suggested a countermeasure plan to reduce traffic accidents for both groups

Much of the data used in the analysis of environmental ecological data is being obtained over time. If the number of time points is small, the data will not be given enough information, so repeated measurements or multiple survey points data should be used to perform a comprehensive analysis. The method used for that case is longitudinal data analysis or mixed model analysis. However, if the amount of information is sufficient due to the large number of time points, repetitive data are not needed and these data are analyzed using time series analysis technique. In particular, with a large number of data points in the current situation, when we want to predict how each variable affects each other, or what trends will be expected in the future, we should analyze the data using time series analysis techniques. In this study, we introduce univariate time series analysis, intervention time series model, transfer function model, and multivariate time series model and review research papers studied in Korea. We also introduce an error correction model, which can be used to analyze environmental ecological data.

이 논문은 국내 한육우 사육두수를 시계열 모형인 ARIMA 모형을 이용하여 추정하였다. 소의 생리학적 특성을 반영하기 위하여 한육우 사육두수를 총 여섯 개의 범주(4개의 도축률과 2개의 출생률)로 나누었다. 이 여섯 가지 범주에 대해 ARIMA 모형을 적용하여 Box-Jenkins 절차에 따라 그 값들을 추정하고 예측하였다. 큰암소도축률과 큰수소도축률은 단위근을 갖는 불안정시계열로 나타나 차분하여 안정화시키고 나머지 4개의 변수들은 안정시계열로 나타나 그대로 모형의 식별, 추정 그리고 예측에 사용하였다. 분석결과, 한육우 사육두수는 2012년을 최고점으로 점점 감소하다가 2018년을 최저점으로 다시 증가할 것 으로 분석되었다.

The research discusses the implementation of control charts tools of MINITAB which are classified according to the type of data and the existence of subgrouping, weight and multivariate covariance. The paper presents the three integrated models by the use of zone, multivariate T2-GV(Generalized Variance) and ARIMA(Autoregressive Integrated Moving Average).

In this paper, an effort is exerted to the problem of short-term domestic demand forecasting of mineral water. The seasonal ARIMA models are considered in model building and in making the forecast. As it turned out, the model fits well into the given time-series data in so far as modeling procedures are relevant. A fitted model as well as modeling procedure is presented in some detail.

  Large glass furnaces to produce glass for CRT are housed in huge chambers. It is costly to maintain such a chamber in constant temperature, humidity, and (air) pressure. In this study, first, we show that the process of such a huge furnace, which requir

  The high degree of viscosity and the non-Newtonian fluid dynamics characterizes the process inside a glass furnace. Because the temperature is fluctuating in very short time-intervals, it is hard to determine that the status of its fluctuation is stable

세계적인 장기경기침체 속에서 보다 정확한 물동량 예측은 항만정책 수행에 중요하다. 따라서, 본 연구에서는 부산항 컨테이너 물 동량(수출입화물과 환적화물)을 단변량 모형인 ARIMA 뿐만 아니라 인과관계가 있을 것으로 예상되는 경제규모(한국, 중국, 미국의 국내총생산), 금리수준 그리고 경기변동을 고려한 벡터자기회귀모형과 벡터오차수정모형을 활용하여 추정하고 비교하였다. 측정자료는 2014년 1월부터 2019년 8월까지 월별 부산항 컨테이너 물동량이다. 분석결과에 의하면, 수출입물동량 시계열은 비교적 안정적(stationary)이어서 VAR에 의해 추정하였고 환적화물은 불안정적(non-stationary)하지만, 경제규모, 금리 및 경기변동과 공적분(장기적인 균형관계)를 띠고 있어 VEC모형으로 추정하였다. 추정결과, 안정적인 수출입화물 추정에서는 단변량 모형인 ARIMA가 우수하고 추세가 있는 환적화물은 다변량모형인 VEC모형이 보다 예측력이 우수한 것으로 나타나고 있다. 특히 수출입화물은 우리나라 경제규모와 관련이 있고, 환적화물은 중국과 미국 경제규모와 밀접한 관련이 있다. 또한 중국 경제규모가 미국에 비하여 더 밀접하게 나타나고 있어 환적화물 증대전략에 시사점을 주고 있다.

The forecasting of container volume which is the basis of port logistics facilities expansion has a great influence on development of an port. Based on this importance, various previous studies have presented methodology on container volume forecasting. The results of many previous studies pointed out the limitations of future forecasting based on past container volume and emphasized that more various factors should be considered to compensate this. Taking notice of this point, this study forecasted future container volume by using ARIMA model, time series analysis and System Dynamics (SD) method, a dynamic analysis technique and performed the comparative review with the forecast of the Ministry of Land, Transport and Maritime affairs. Recently with rapid changes in economic and social environment, the non-linear change tendency for forecasting container traffic is presented as a new alternative to the country.

예측의 정확성은 비용의 감소나 고객서비스의 제고를 위해 필수적으로 선행되어야 하기에 현재까지도 많은 연구자들에 의해 연구되고 있는 분야이다. 본 연구에서는 국내 항만의 컨테이너 물동량 예측에 있어 대표적인 비선형예측모형인 인공신경망모형과 ARIMA모형에 대한 비교연구를 수행하는데 목적을 두었고, 컨테이너 물동량 예측력 제고를 위해 ARIMA모형과 인공신경망(ANN)모형을 결합한 하이브리드모형을 사용해 다른 모형들과 예측성과를 비교하고자 한다. 특히 인공신경망모형의 네트워크 구조 설계에 부분에 있어 방대하며 복잡한 탐색공간에서도 전역해 찾기에 효과적인 기법으로 알려져 있는 유전알고리즘을 사용함과 동시에 인공신경망의 대표적인 모형으로 알려진 다층 퍼셉트론(MLP)뿐만 아니라 시간지연네트워크(TDNN)를 사용해 예측성과를 비교하였다. 그 결과 ANN모형과 하이브리드모형이 ARIMA모형보다 더 뛰어난 예측성과를 보이는 것으로 나왔다.

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.

This study was carried out to develop the stream water quality model for the intaking station of Kongju waterworks in the Keum River system. The monthly water quality(total nitrogen and total phosphorus) with periodicity and trend were forecasted by multiplicative ARIMA models and then the applicability of the models was tested based on 7 years of the historical monthly water quality data at Kongju intaking site. The parameter estimation was made with the monthly observed data. The last one year data was used to compare the forecasted water quality by ARIMA model with the observed one. The models are ARIMA(2,0,0)×(0,1,1)_12 for total nitrogen, ARIMA(0,1,1)×(0,1,1)_12 for total phosphorus. The forecasting results showed a good agreement with the observed data. It is implying the applicability of multiplicative ARIMA model for forecasting monthly water quality at the Kongju site.

수돗물, 송배수펌프의 운전 등 상수도시설을 합리적인 운용을 위해서는 일, 또는 시간 단위의 급수량 사용량의 추정이 필수적이다고 할 수 있다. 급수량의 추정방식은 회귀모형식 및 시계열 분석방법이 있는데, 본 연구에서는 시계열 분석방법인 ARIMA모형을 이용하여 일일 급수량을 추정하였으며 연구대상 지역으로는 광주광역시를 선정하였다. 일일 급수량을 추정하는데 있어서 시계열장을 15, 30. 60, 90일로 나누어 각각의 시계열장에 대해 시행착오법으로 각 모형