This study aims to explore predictive variables for one-period-ahead sales forecasting in manufacturing firms using corporate financial data and public environmental indicators and to compare the predictive performance of machine learning models. For this purpose, a panel of 376 KOSPI-listed manufacturing firms from 2010 to 2024 was used, yielding 5,640 firm-year prediction pairs. The analysis applied Linear Regression, Elastic Net, Random Forest, and Extreme Gradient Boosting (XGBoost), and used expanding-window external validation for input years 2021-2024, time-ordered inner validation for hyperparameter selection, conditional variable assessment after fixing period-t log sales, and ablation analysis of corporate financial data, public data, and their combinations. The main empirical results are as follows. Period-t log sales provided the strongest baseline information for period-t+1 log sales. After fixing period-t log sales, revenue per employee, total capital growth rate, value added ratio, the ratio of depreciation to total costs, and the ratio of labor costs to total costs reduced RMSE, although the reductions were small and most were not statistically significant after Holm adjustment. In the comparison using corporate financial data, Linear Regression achieved the lowest numerical prediction error, with a Mean Squared Error (MSE) of 0.1436, a Root Mean Squared Error (RMSE) of 0.3789, a Mean Absolute Error (MAE) of 0.1891, and an R² of 0.9524. Elastic Net produced an RMSE of 0.3826, XGBoost produced an RMSE of 0.3893, and Random Forest produced an RMSE of 0.3983, while pairwise loss tests did not establish the consistent superiority of Linear Regression over all alternative models. Public-data-only models produced negative R² values, and adding contemporaneous public indicators or industry-sensitive lagged indicators did not improve predictive performance. In the tuned XGBoost model, the corporate-financial-data specification produced a lower RMSE than the single-variable specification, and SHAP analysis identified period-t log sales as the most influential variable. These results indicate that firm-specific financial information provides additional predictive value beyond prior sales, whereas annual public indicators require a data structure that more directly captures industry- and firm-level exposure.

This study comparatively analyzes conventional machine learning models and a stacking ensemble model for predicting the peak displacement response of concrete columns under seismic loading. Using geometric parameters, material properties, and ground motion characteristics as inputs, a database of 1,080 cases was constructed via finite-element time-history analysis. Hyperparameter optimization was applied to six conventional machine learning models based on tree-based, kernel-based, and neural network approaches. A stacking ensemble is constructed with Extra Trees and XGBoost as base models and RidgeCV as the meta-model, and its optimal configuration is derived by examining meta-model selection, passthrough application, and the number of cross-validation folds. Predicted peak displacement responses were converted into drift ratios normalized by column height to evaluate predictive performance across models. The tree-based models show stable performance with a MAPE of 3-4%, while the stacking ensemble achieves the lowest error rate at 2.68% MAPE. Interval-based analysis shows that the stacking ensemble yields lower error rates than conventional machine learning models across a range of geometric parameters, including column height, cross-sectional dimensions, and aspect ratio, confirming stable predictive performance under variations in these parameters.

Piloti-type buildings are vulnerable to earthquakes because the soft story formed on the first floor concentrates structural damage in the lower story during seismic events. This highlights the need for a methodology that can rapidly and accurately predict the backbone curve, a key indicator of seismic performance. Accordingly, this study developed a code-based combined model for predicting the backbone curve of piloti-type RC buildings using regression-based machine learning. The model used nine input variables, one of which was the failure mode, derived from a previously developed prediction model. Optimal models for predicting displacement and strength at the three key points of the backbone curve—yield, ultimate, and residual—were selected based on regression performance metrics and combined in code to develop the final prediction model. To verify the proposed methodology, a comparative analysis with experimental results of piloti-type buildings was conducted based on key indicators of lateral resistance capacity: effective stiffness, strength ratio, and ductility. The results confirmed that the developed machine learning model reliably predicts the backbone curve, demonstrating its potential as a rapid and efficient alternative to conventional numerical analysis methods.

This study introduces machine learning (ML) models to predict CO₂ solubility in mixtures of a deep eutectic solvent (tetrabutylammonium bromide: ethylene glycol, 1:4 molar ratio) and methyldiethanolamine (MDEA). To ensure robust extrapolation capabilities and prevent potential data leakage, a rigorous grouped validation strategy, known as “Leave-One-Composition- Out,” was implemented, replacing conventional random data splitting. Four ML algorithms, Gradient Boosting (GBoost), Gaussian Process Regression (GPR), AdaBoost-SVR, and Multilayer Perceptron (MLP), were evaluated using temperature, pressure, and MDEA weight% as input features. Results revealed that the GPR model outperformed all others across all statistical metrics, achieving an R2 value of 0.996 and a mean absolute error (MAE) of 0.2839%. Furthermore, SHAP (SHapley Additive exPlanations) analysis identified pressure as the most significant driving factor for CO2 solubility, while temperature exhibited an inverse correlation. Crucially, this perfect alignment with fundamental principles clearly demonstrates that the model successfully learned the underlying thermodynamic relationships rather than merely memorizing numerical data. Finally, leverage validation confirmed that 99.16% of the data points safely reside within the model’s valid applicability domain. This work establishes the developed GPR framework as a highly reliable and physically consistent approach for predicting CO₂ solubility and optimizing complex multi-component capture systems.

본 연구는 무역 데이터의 구조적 특성과 불규칙성이 실증적 예측모형의 예측 성능에 미치는 영향 을 분석한다. 80개국의 무역 패널 데이터를 활용하여 OECD 국가와 신흥시장 국가를 구분하고, 데이터 환경에 따라 예측 방법의 상대적 효과성이 달라지는지를 검토하였다. 이를 위해 수출 증가 율 예측에서 전통적인 통계모형과 머신러닝 접근법의 표본외(out-of-sample) 예측 성능을 비교하 였다. Pooled OLS 모형을 기준모형으로 설정하였으며, Random Forest 기반 머신러닝 모형과 Transformer 기반 딥러닝 모형을 대안적 분석도구로 활용하였다. 예측 정확도는 RMSE, MAE, MAPE 및 표본외 R²를 기준으로 평가하였다. 분석 결과, 머신러닝 모형은 무역 증가율 예측에서 Pooled OLS 모형보다 일관되게 우수한 성능을 보이는 것으로 나타났다. 특히 이러한 성능 우위는 무역 데이터의 변동성과 구조적 불규칙성이 상대적으로 높은 신흥경제국에서 OECD 국가보다 훨 씬 강하게 나타났다. 또한 대안적 패널 회귀모형을 활용한 강건성 검정 결과 역시 데이터 환경의 불규칙성이 높을수록 머신러닝 모형의 예측우위가 더욱 확대된다는 점을 확인하였다. 기존 연구들 이 모형의 우수성을 보편적 특성으로 간주한 것과 달리, 본 연구는 머신러닝의 예측우위가 데이터 구조에 조건부적으로 결정된다는 점을 실증적으로 제시한다. 나아가 예측 성능과 무역 데이터의 불 규칙성을 명시적으로 연결함으로써, 무역 연구에서 적절한 분석도구를 선택하기 위한 새로운 방법 론적 시사점을 제공한다.

본 연구에서는 Externally Bonded Reinforcement on Grooves(EBROG) 공법으로 부착된 CFRP-콘크리트 접합부의 부 착강도를 예측하기 위한 머신러닝 기반 명시적 예측식을 제안하였다. 이를 위해 기존 문헌에서 보고된 CFRP sheet 실험체 137개와 CFRP plate 실험체 44개로 구성된 총 181개의 단일 랩 전단시험 데이터베이스를 구축하였다. 입력변수는 FRP 폭, FRP 축강성, 홈 개수, 홈 폭, 홈 깊이, 콘크리트 압축강도 및 FRP type으로 설정하였다. Random Forest와 XGBoost 모델을 적용한 결과, XGBoost 모델이 검증 데이터에서 상대적으로 안정적인 예측성능을 보여 기준 모델로 선정하였다. 이후 XGBoost 모델에서 도출된 변수별 응답 곡선을 바탕으로 거듭제곱 함수와 포화형 함수를 조합한 명시적 예측식을 도출하였다. 제안식은 CFRP sheet에 대해 RMSE 1.73 kN, MAPE 9.95%, CFRP plate에 대해 RMSE 1.38 kN, MAPE 2.11%의 예측성능을 보였다. 따라서 제안식은 EBROG 공법으로 부착된 CFRP 접합부의 부착강도를 합리적으로 예측할 수 있을 것으로 판단된다.

We present an updated galaxy catalog based on the Gaia Data Release 3 (DR3) Galaxy Candidates table, augmented with both spectroscopic and machine-learning-based photometric redshift estimates. While the original catalog of Gaia DR3 galaxy candidates provides an unprecedented all-sky sample of extragalactic sources, its scientific utility for extragalactic and cosmological studies has been limited by the absence of redshift information and by its relatively low source purity. To address these limitations, we cross-match the catalog of Gaia DR3 galaxy candidates with existing spectroscopic redshift catalogs including DESI, SDSS, 2MRS, and NED. For sources without spectroscopic measurements, we compute photometric redshifts using a Multiple-Bin Regression Neural Network (MBRNN) machine-learning model. The input features for this model are drawn from a newly constructed multiwavelength catalog that combines Gaia DR3 measurements with 2MASS and unWISE photometry, as well as shape parameters, QSO classification flags, and extinction values. The model is trained and validated using the spectroscopic subsample. As a result, spectroscopic redshifts are assigned to 24.5% of the catalog sources, while photometric redshifts are provided for the remaining objects. The MBRNN model achieves improved redshift accuracy and precision compared to previously published photometric redshift estimates based on Gaia data alone. In addition to redshift values, we provide a score quantifying the likelihood that a given source represents a statistical outlier. The resulting catalog significantly enhances the scientific value of the Gaia DR3 galaxy candidates sample and provides a valuable resource for large-scale extragalactic and cosmological studies.

Pavement temperature is a critical factor in winter road maintenance as it directly affects operational decisions related to de-icing, antiicing, and other safety measures. Accurate forecasting of pavement temperature enables road agencies to optimize maintenance strategies, reduce operational costs, and improve roadway safety outcomes. This study proposes a novel machine-learning algorithm, termed LSTMCNN, which integrates convolutional neural networks (CNNs) with long short-term memory (LSTM) networks for pavement temperature prediction. The proposed model enables the LSTM component to capture sequential dependencies, whereas the CNN component extracts local and spatial features embedded in time-series temperature records. Therefore, the proposed model can effectively identify long-range temporal relationships while uncovering localized or spatial features within the dataset. The input data—comprising pavement, atmospheric, and soil temperatures—were obtained at the entrance of a tunnel where a multivehicle pile-up due to black ice had occurred previously. The proposed LSTM-CNN model achieved an average prediction error of 0.61 ℃ and was benchmarked against other well-established machine-learning models, including Transformer and standalone LSTM architectures. The results show that the proposed algorithm delivers statistically superior predictive performance. The LSTM-CNN approach offers significant potential for enhancing the efficiency and effectiveness of winter road maintenance operations.

본 연구는 충청권 지하수 내 질산성질소(NO3-N) 농도에 영향을 미치는 수화학적 요인과 토지피복 요인을 평가 하였다. 이를 위해 2017년부터 2024년까지 수집된 4,301개 관정의 지하수 수질 자료와 관정 중심 50-300 m 반경의 토 지피복 변수를 결합하여 분석하였다. 지하수 수질 특성은 주성분분석, 탐색적 요인분석, 계층적 군집분석 및 K-means 군집분석을 통해 평가하였으며, CatBoost 모델과 SHAP 분석을 활용하여 질산성질소 예측 성능과 주요 변수의 기여도 를 해석하였다. 분석 결과, 질산성질소, 경도, 염소이온, 황산이온은 인위적 오염과 관련된 주요 수화학 변수로 확인되 었다. 군집분석에서는 지하수 시료가 저농도, 중간 농도, 고농도 군집으로 구분되었으며, 질산성질소 농도가 증가할수록 주요 이온 농도도 함께 증가하는 경향을 보였다. CatBoost 모델은 200 m 버퍼 반경에서 가장 우수한 검증 성능을 보였 고, 300 m 반경에서도 낮은 예측 오차와 유사한 성능을 나타냈다. SHAP 분석 결과, 염소이온과 경도가 가장 영향력 있는 변수로 나타났으며, 농업지역 면적 비율은 질산성질소 농도와 양의 관련성을 보였다. 이러한 결과는 지하수 질산 성질소 오염이 수화학적 특성과 토지피복 요인의 복합적인 영향에 의해 조절되며, 다중 반경 토지피복 변수와 머신러닝 기법이 지하수 수질 평가에 유용하게 활용될 수 있음을 시사한다.

우리나라는 국토 면적의 63%가 산림으로 기후변화 대응을 위한 탄소흡수원 관리에 핵심적인 역할을 수행하고 있다. 그러나 기존 산림 임상도는 인력 중심의 현장 조사나 육안 판독에 의존하여 정확도가 낮고 일관성이 부족한 한계가 있다. 본 연구는 항공 LiDAR(ALS) 데이터와 고해상도 항공 정사영상(RGB, NIR)을 결합하고, AI 기술을 활용하여 객체 단위의 수종 분류를 자동화하는 방법을 제안한다. 홍천 가리산 선도산림경영단지 일원(약 207 km²)을 대상으로 하여, Random Forest, XGBoost, CatBoost, LightGBM, SVM 등 5가지 머신러닝 알고리즘을 비교 분석하고, Voting 및 Stacking 앙상블 기법을 적용하여 분류 정확도를 극대화하였다. 그 결과, Random Forest, LightGBM, CatBoost 를 기본 모델로 하고 Logistic Regression을 메타 모델로 구성한 Stacking Ensemble 모델이 F1-score 0.9330으로 가장 높은 성능을 기록하였다. 또한 오픈소스 라이브러리를 활용한 3단계 후처리 과정을 통해 데이터 용량을 약 14.58배 경량화하여 실무적 활용성을 확보하였다. 본 연구는 광역 범위의 수종 분류를 자동화할 수 있는 워크플로우를 정립하여, 정밀한 산림 경영 및 탄소흡수원 관리를 위한 기초 자료로 활용될 수 있을 것으로 기대된다.

정수처리 공정에서 혼화⋅응집⋅침전 공정은 원수 탁도 제거와 처리수 수질 안정성을 결정하는 핵심 단위 공정이다. 그러나 최근 기후와 유역 환경 변화로 인해 원수 수질 변동성이 증가함에 따라 기존 운영자 경험에 의존한 응집제 주입농도 결정 방식에는 한계가 있다. 본 연구에서는 파일럿 규모의 혼화⋅응집⋅침전 공정을 대상으로 인공지능 기계학습 기반 응집제 주입농도 예측 모델의 적용 가능성을 평가하고자 하였다. 이를 위해 유입수의 수온, 탁도, pH, 전기전도도, 알칼리도, 유량 및 24시간 전 응집제 주입농도를 입력 변수로 활용하여 Ridge Regression, Lasso Regression, Decision Tree, Random Forest, ANN(Artificial Neural Network), DNN(Deep Neural Network), 그리고 RNN(Recurrent Neural Network) 등 총 7개의 기계학습 모델을 포함하는 Model Bank 형태의 예측 방안을 적용하였다. Model Bank에서의 모델 성능 평가는 RMSE(Root Mean Square Error)를 기준으로 수행하였으며, 각 시점에서 RMSE가 가장 낮은 모델을 선택하여 응집제 주입농도를 산정하였다. Model Bank 기반 분석 결과, Random Forest 모델이 평균 RMSE 0.866로 가장 우수한 예측 성능을 나타냈으며, 모델 선택 빈도에서도 가장 높은 비율을 보였다. 예측모델 기반 산정된 응집제 주입농도를 적용한 결과, 평균 응집제 주입농도는 기존 정수장 운영 조건의 10.67 mg/L에서 7.03 mg/L로 감소하여 약 34.1%의 응집제 사용량 절감 효과가 나타났다. 파일럿 공정에서 측정된 침전 처리수 탁도는 평균 0.33 NTU로 실제 정수장의 평균 0.26 NTU와 유사한 수준을 유지하였으며, 대부분 0.5 NTU 이하로 안정적으로 유지되는 것으로 확인되었다. 이러한 결과는 인공지능 기계학습 기반 예측 모델이 파일럿 규모 응집⋅침전 공정에서 응집제 주입농도 제어와 침전 공정의 처리수 탁도 관리에 효과적으로 적용될 수 있음을 보여준다. 또한 Model Bank 기반 접근은 공정 조건 변화에 따라 최적 모델을 선택함으로써 단일 모델 기반 예측 값에 비해 보다 안정적인 공정 운영을 가능하게 할 수 있음을 확인하였다.

This study optimizes three machine learning models—Decision Tree, Random Forest (RF), and Gradient Boosting—to classify concrete structure types (C2, C3, C4, and C5) using information from a building register. Although the initial models achieved high overall accuracy, the minority class C5 exhibited relatively low performance due to class imbalance and inherent complexity. To address this, an exhaustive grid search over discrete parameter candidates was performed, and a class-weighting strategy was integrated into the RF model to prioritize accurate classification of the minority class. The optimized RF model preserved a high overall accuracy of 94% while markedly improving C5 recall from 0.81 to 0.86 and its F1-score from 0.85 to 0.87. These results demonstrate that strategic hyperparameter tuning with class weights can effectively enhance classification reliability for rare structural types. Future research should include feature importance analysis to refine data configurations and the expansion of minority class samples to further improve model robustness in practical applications.

Risk management related to mold manufacturing schedules in the manufacturing industry, the foundation of modern industry is a subject of ongoing research. The mold manufacturing industry is facing a rapidly shifting manufacturing workforce, driven by intense price competition and an aging workforce. Furthermore, the industry is rapidly shifting from a focus on domestic production to a focus on global component manufacturing. This highlights the importance of an appropriate production schedule management system. For small and medium-sized enterprises (SMEs), delays in mold manufacturing delivery can make it difficult to secure future orders. Therefore, managing delivery delays can be crucial to a company's survival. Therefore, managing mold design delays is crucial to preventing delivery delays. Therefore, research on mold design process delays appropriate for SMEs is necessary. This study utilizes Random Forest Regression as predictive methods for mold design process delay time.

Graphene-reinforced aluminum (Gr/Al) nanocomposites offer exceptional mechanical properties for aerospace, automotive, and electronics applications. Precise estimation of their characteristics, including ultimate tensile strength (UTS) and Young’s modulus (YM), remains challenging due to complex atomic interactions and computational limitations of traditional methods. This study proposes a novel machine learning framework combining Molecular Dynamics (MD) simulations, Adaptive Fast Desensitized Kalman Filter (AFDKF), Diffusion Variational Graph Neural Network (DV-GNN), and Arctic Tern Optimizer (ATO) for efficient and accurate mechanical property prediction. Important variables such as graphene alignment, volume fraction, chirality, and ambient temperature are captured by the method. DV-GNN achieves a prediction accuracy of 99.9%, significantly outperforming existing ML models. The framework also demonstrates low error rates, fast computation, and scalability, providing a robust computational tool for intelligent design of high-strength, lightweight Gr/Al nanocomposites.