전 세계적인 물 부족 심화로 상수관망의 효율적 운영 및 유지보수(O&M) 중요성이 커지고 있다. 특히 정확한 수압 예측은 잠재적 문제의 사전 감지와 대응에 필수적이다. 이에 본 연구는 전처리된 데이터를 활용하여 현장 적용성이 높은 수압 예측 모델을 개발하는 것을 목표로 하였다. 이를 위해 8개 블록시스템(DMA)의 10분 단위 시계열 데이터와 4종류의 딥러닝 모델(LSTM, GRU, CNN-LSTM, CNN-GRU)을 활용하였으며, optuna를 통해 하이퍼파라미터를 최적화하고 배치 정규화 등을 적용해 학습 안정성을 확보하였다. 평가 결과, CNN-GRU 모델이 가장 우수한 성능을 나타냈다. 해당 모델을 기반으로 입력 조건에 따른 성능을 비교한 결과, 단변수 대비 다변수 입력 조건에서 예측 정확도가 향상됨을 확인하였다. 또한, 10분 선행 시점에서 최고 신뢰도(R2 0.9678, RMSE 0.0375)를 기록했으며, 지속성 모델의 성능이 점진적으로 하락하여 상대적인 저점을 형성하는 7시간 및 17시간 선행 시점에서 CNN-GRU 모델은 지속성 모델 대비 RMSE 기준 각각 48.0% 및 42.1%의 오차 개선을 달성하였다. 결론적으로, 본 연구에서 제안하는 전처리 및 하이퍼파라미터 통합 최적화 프로세스는 DMA별로 상이한 운영 환경에서도 안정적인 예측 성능을 확보할 수 있음을 입증하였다. 이는 현장 엔지니어의 데이터 분석 및 의사결정을 지원함으로써, 상수관망의 안정적인 운영과 유지보수 효율성 향상에 기여할 수 있을 것으로 기대된다.

This study develops a Skip-Connected Temporal Contextual Deep Learning (SC-TCDL) model to forecast monthly inbound foreign tourist arrivals to South Korea, targeting demand volatility and structural shocks such as COVID-19 while supporting planning-oriented decision making. SC-TCDL adopts a dual-stream architecture that disentangles inputs by function: an LSTM branch encodes a 12-month rolling history of arrivals with calendar indicators, while an encoder-only Transformer processes forward-looking exogenous variables with positional encodings. The LSTM temporal representation is injected into the Transformer and fused with the Transformer output via an MLP through skip connections. COVID-period distortion (Mar 2020 Dec 2023) is addressed by virtual demand restoration using a counterfactual LSTM trained on pre-pandemic data. Probabilistic forecasts are generated via Monte Carlo Dropout. Using monthly data (Feb 2013 Apr 2025), SC-TCDL outperforms SARIMA, vanilla LSTM, and a Transformer on the test period (May 2024 Apr 2025), achieving MAE 78,626, RMSE 94,019, and MAPE 6.94%, reducing MAE by 30.5% relative to SARIMA, 28.3% relative to vanilla LSTM, and 24.9% relative to the Transformer, with statistically significant improvements by Wilcoxon signed-rank tests. By structurally separating temporal and contextual learning while enabling controlled fusion and uncertainty quantification, SC-TCDL offers a robust framework for tourism demand forecasting in shock-prone environments.

With the rapid expansion of renewable energy deployment, power systems are increasingly exposed to issues such as higher output variability. Photovoltaic generation, as the most widely installed variable renewable energy source both domestically and internationally, exhibits significant fluctuations due to weather conditions. These characteristics lead to operational challenges including increased curtailment, higher reserve requirements, and even risks of large-scale outages. This study aimed to improve the accuracy of photovoltaic power generation forecasting by developing a data quality control procedure for meteorological data collected at a PV plant. The quality-controlled data were used as inputs to SVM and XGBoost, resulting in improved forecasting accuracy, with MAPE decreasing from 7–10% to 6.32% and 6.08%, respectively. The results demonstrate that meteorological data quality control significantly enhances PV forecasting performance and can contribute to distributed energy resource operation and curtailment mitigation strategies.

최근 국민 삶의질 향상, 인구구조 변화 등에 따라 관광수요가 증가하고 관광활동 또한 다양화되고 있다. 특히 국가어항은 단순 한 어업 활동의 거점을 넘어 지역 경제, 관광, 문화까지 아우르는 복합 기능 공간으로 활용되고 있다. 본 연구는 부산 기장군에 위치한 대 변항을 대상으로 관광수요를 예측함으로써 정책적 활용이 가능한 기초자료를 제공하고자 한다. 2015년부터 2024년까지의 월별 위치 기반 방문객수를 입력 데이터로 설정하여 시계열 예측을 수행하였다. 연구방법론으로 전통적인 통계방법인 SARIMA를 기준으로 예측 정확도 를 향상시키기 위해 Hybrid model을 활용하였다. 특히 기존의 선형적 방법과 비선형 방법을 결합한 Hybrid model을 제안하고자 한다. 시계 열 구조적 분해방법인 STL 기법과 비구조적 잔차 제거 방법인 DAE 분석을 수행하였다. 즉 Trend와 Seasonal을 분해하는 STL과 머신 러닝 기반의 DAE를 활용하여 분해하고, 설명되지 않은 잔차를 대상으로 딥 러닝을 통해 예측함으로써 선형과 비선형 방법을 결합하여 예측 정확도를 제고하고자 한다. 분석결과, 연구진이 제안한 모델로 STL와 DAE를 활용하여 2중 분해하고 LSTM과 Attention을 결합한 Hybrid deep learning model이 가장 예측 정확도가 높았다. 향후 관광수요 예측에서는 분해와 잔차 기반의 노이즈 제거 과정을 거친 후, 딥 러닝 기 법을 결합하는 것이 정확성 측면에서 효과적인 방법임을 확인하였다. 본 연구는 연안 국가어항의 미래 관광수요를 전망함으로써, 관광추 세를 반영한 지속가능한 수요 대응 전략 수립 및 정책 의사결정에 기여할 수 있을 것으로 기대된다.

As renewable energy penetration continues to increase, the output variability and forecasting uncertainty of photovoltaic generation have emerged as major operational risks in power systems. This study establishes a sensor-based data quality control procedure to ensure the reliability of meteorological data collected at a PV plant. For temperature, humidity, and wind speed, a four stage QC process physical range check, persistence check, step change check, and median filtering was applied. Solar radiation, which exhibits strong temporal and distributional characteristics, was processed using a three-stage QC procedure consisting of physical range, step change, and frequency distribution checks. Using the quality-controlled meteorological data, PV generation forecasting was performed with SVM and XGBoost models. As a result, the MAPE values improved to 6.32% for SVM and 6.08% for XGBoost after QC application. The findings confirm that meteorological data quality control significantly enhances PV forecasting accuracy and can support future strategies for distributed energy resource management, curtailment mitigation, and power system risk reduction.

낙동강 하굿둑 인근 해역은 하천수 방류, 갑문 및 수문 조작, 장기간에 걸친 하구역의 연안 사주 지형 변화 등 인위적 요인과 기상 성분에 의한 교란이 중첩되어 일반 연안과는 다른 불규칙한 조석 변동 특성을 보인다. 특히 하굿둑을 통한 해수 유입량은 내·외수위 차에 크게 좌우되며, 외측 조위의 예측 정확도는 수문 운영의 정밀도와 기수역 복원 사업에 직결된다. 본 연구에서는 낙동강 하굿둑 외측 에서 2007~2024년까지 확보된 장기 관측자료를 대상으로 Utide를 적용하여 조석조화분해를 수행하고, 2021~2023년 자료를 활용한 Task2000 결과와 비교하였다. 분석 결과, Utide는 장주기 성분(SA, SSA, MM, MF 등)을 포함한 대표 조화상수를 안정적으로 추출하였으며, TASK2000 은 연도별 분석 결과가 변동하여 장기적 대표성이 부족한 것으로 나타났다. 또한 2022년~2024년 조위 예측 성능을 평가한 결과, 평균오차 (ME), 평균절대오차(MAE), 평균제곱근오차(RMSE) 및 효율성계수(CE), 일치지수(IA)에서 Utide가 전반적으로 TASK2000보다 우수하였고, 결 정계수(R²)에서도 유사하거나 높은 값을 나타내었다. 이는 Utide가 평균 편향을 줄이고 예측오차를 감소시키며, 장기적인 안정성과 합치도 를 확보하는 데 효과적임을 보여준다. 따라서 낙동강 하굿둑과 같이 조석 변동이 복잡한 하구역에서는 단기 예측에는 TASK2000도 일정 수 준 활용 가능하나, 장기적이고 신뢰도 높은 조위 예측 및 수문 운영·기수역 복원 사업 지원에는 Utide의 적용이 더 적합하다고 판단된다.

The COVID-19 pandemic has caused significant disruptions in global air travel demand, presenting new challenges for accurately forecasting passenger volumes. This study analyzes the monthly air passenger demand data from 2010 to 2022 to identify key external factors that influence passenger demand. Our analysis shows that the number of international visitors to Singapore is a critical determinant of passenger demand. Consequently, we propose a SARIMAX (Seasonal AutoRegressive Integrated Moving Average with eXogenous variables) model to forecast monthly air passenger demand at Singapore's Changi Airport, integrating international visitor numbers as an exogenous variable. Through comprehensive model identification and parameter estimation, we select the best SARIMAX configuration. To validate the performance of the model, traditional time series methods such as SARIMA, various exponential smoothing methods, and advanced machine learning methods like LSTM (Long Short-Term Memory) and Prophet were compared for forecasting monthly air passenger demand at Changi Airport in 2023. The results show that the SARIMAX model significantly outperforms all other tested models, achieving the best performance across multiple forecasting metrics, including the Mean Absolute Percentage Error.

고자리꽃파리는 양파 및 마늘 등 Allium 속에 속하는 농작물의 중요한 해충으로 전 세계적으로 온대 지역에서 경제적 해충으로 취급하고 있다. 본 연구는 고자리꽃파리의 발생 기준점을 정하여 연간발생양상을 해석하고, 초기방제 시기를 설정할 수 있도록 월동 번데기 우화모형을 개발하고자 수행하였다. 고자리꽃파리 월동 번데기의 온도발육 모형으로 선형 및 비선형 모형을 추정하고, 발육기간 분포모형과 결합하여 월동번데기의 성충으로 우화시기 예측모형을 수립하였다. 비선형 모델의 경우 3-매개변수 Lactin 수식과 저온에서 온도와 발육률 간의 선형성을 높이기 위해 마지막 매개변수 (λ)를 선형모형의 절편으로 대체한 4-매개변수 수식을 사용하였다. 일일 평균기온을 이용하여 50% 성충 우화일을 예측한 결과, 선형모형 기반의 적 산온도 모형(DD, degree-day) 및 선형 또는 비선형 모형을 적용하여 발육률을 누적하는 발육률 적산 모형(RS, rate summation) 모두 실측값과 큰 차이를 보였다. 반면 시간별 온도를 입력변수를 사용한 경우, 3-매개변수 모델을 제외한 사인곡선법 기반의 DD 모형, 선형 RS 모형, 4-매개변수 비선 형 RS 모형의 평균편차는, 실제 관측치와 3일 이상 차이가 나지 않았다. 최종적으로 시간별 온도자료를 이용하고, 발육모형으로 선형과 4-매개변수 비 선형 모형을 적용하는 RS 모형을 활용 가능한 모형으로 선정하였다. 선형 RS 모형은 두 번의 포장적합(1984, 1987)에서 실제 관측값과 편차가 3일 이내로 차이가 없었다. 비선형 RS 모형은 1984년 적합에서 0.8일의 편차로 정확했지만 1987년 적합에서는 6.5일의 평균편차를 보였다.

복숭아유리나방(Synanthedon bicingulata)은 유충이 나무 줄기 속으로 파고 들어가 형성층을 섭식하는 생태적 특징으로 인해 방제가 어려운 해충이다. 현재에는 성충의 발생시기를 지속적인 모니터링을 통해 화학 방제에 의존하고 있다. 따라서, 성충 발생 시기를 예측할 수 있다면 표본조사와 방제 효율을 극대화할 것으로 기대된다. 본 연구에서는 국내에서 발표된 발생 소장 연구의 발생 데이터와 해당 지역의 기온 데이터를 활용, Weibull function 을 이용하여 복숭아유리나방의 성충 발생 최성기를 예측하는 모델을 개발하였다. 또한 개발된 모델과 SSP 미래 기후변화 시나리오를 이용해 미래 기후변화 상황에서 복숭아유리나방의 전국적 발생 양상이 어떻게 변화할지 예측해보았다. 복숭아유리나방의 성충 발생은 온일도일에 따라 예측이 가능하였고 연 중 2회의 성충 최성기가 발생하는 것으로 예측되었다. 이번 연구에서 개발된 모델은 첫 번째와 두 번째 성충 최성기(50% 발생시기)를 국내 전역에서 평균 6.3일, 4.0일 이내로 예측해 예측 정확도가 매우 높았다. 이번 연구 결과는 난방제 해충인 복숭 아유리나방의 방제 효율을 급격히 높혀줄 뿐만아니라, 기후변화에 따른 복숭아유리나방의 발생 변화 예측에도 기여할 수 있을 것으로 기대된다.

Distribution and logistics industries contribute some of the biggest GDP(gross domestic product) in South Korea and the number of related companies are quarter of the total number of industries in the country. The number of retail tech companies are quickly increased due to the acceleration of the online and untact shopping trend. Furthermore, major distribution and logistics companies try to achieve integrated data management with the fulfillment process. In contrast, small and medium distribution companies still lack of the capacity and ability to develop digital innovation and smartization. Therefore, in this paper, a deep learning-based demand forecasting & recommendation model is proposed to improve business competitiveness. The proposed model is developed based on real sales transaction data to predict future demand for each product. The proposed model consists of six deep learning models, which are MLP(multi-layers perception), CNN(convolution neural network), RNN(recurrent neural network), LSTM(long short term memory), Conv1D-BiLSTM(convolution-long short term memory) for demand forecasting and collaborative filtering for the recommendation. Each model provides the best prediction result for each product and recommendation model can recommend best sales product among companies own sales list as well as competitor’s item list. The proposed demand forecasting model is expected to improve the competitiveness of the small and medium-sized distribution and logistics industry.

Forecasting port container throughput is crucial due to its impact on economic development. Socio-economic factors, which introduce uncertainty, are increasingly integrated into throughput forecasting. The complexity of common multivariate forecasting models significantly affects accuracy, yet few studies compare their performance on the same time series for throughput modeling. This study implements, evaluates, and compares the performance of eight multivariate forecasting models for port throughput within a proposed multiple-input single-output (MISO) system, chosen for their frequent use in container throughput research. It investigates two data preprocessing approaches: Random Forest Variable Importance Method (RF-VIM) and a Multi Lagged Value approach. The comparison uses six error metrics: normalized root mean squared error, mean absolute error, mean absolute percentage error, mean error, and root mean percentage error. Performances are discussed, and recommendations for adopting a suitable model are provided.