This study proposes a statistical modeling framework for estimating the daily number of bus stops at highway transfer facilities (ex-HUBs) where demand information is often uncertain during the early planning stages. Accurate estimation of the daily number of bus stops is critical for efficient design and operation; however, reliable demand data are rarely available in the initial planning phase. Using pooled data from 16 facilities, a direct demand estimation approach was implemented, based on facility characteristics, transportation connectivity, highway traffic conditions, and socioeconomic factors. Log-linear model (LLM) and negative binomial model (NBM) were developed to capture the count data characteristics. Ensemble models using arithmetic and weighted means were also constructed to improve predictive reliability. The analysis revealed that the arithmetic mean ensemble of NBM and LLM produced the most accurate predictions. The daily number of bus stops was significantly influenced by the distance from bus terminals, highway traffic volume, public transportation connectivity, economically active population, and level of urbanization. The framework proposed in this study provides a practical tool for estimating the daily number of bus stops at highway transfer facilities, and can support more reliable feasibility analyses and infrastructure planning under demand uncertainty.

콘크리트 포장 내부 온도는 열응력 발생, 균열 거동, 구조 성능 및 유지관리 의사결정에 직접적인 영향을 미 치는 핵심 변수이다. 그러나 기존의 물리식 기반 예측 모델은 특정 지역과 제한된 기상 조건에서 보정된 계수 에 의존하는 경우가 많아, 지역 및 기후 조건이 달라질 경우 적용성과 확장성에 한계가 있다. 이에 본 연구는 한국 기상대 자료와 인천국제공항 유도로 콘크리트 포장의 실측 온도 데이터를 활용하여, 깊이별 내부 온도를 예측하는 CNN 기반 모형을 구축하고 공항 포장 유지관리 및 구조 평가에 활용 가능한 데이터 기반 예측 체계 를 제시하고자 하였다. 연구 데이터는 2017년 1월 1일부터 2018년 12월 31일까지의 1시간 단위 시계열로 구 성하였으며, 입력 변수로는 기온, 풍속, 강수량, 습도, 일조량, 일사량, 적설량, 적운량, 지면온도 등 기상 인자 를 사용하고, 출력 변수로는 포장 내부 0.05 m, 0.15 m, 0.25 m, 0.35 m, 0.45 m 깊이의 온도를 설정하였 다. 또한 한국도로연구프로그램(KPRP)의 열평형 방정식 기반 지식을 보조적으로 활용하여 데이터 기반 예측 결 과의 물리적 타당성을 검토하고 모형 고도화 방향을 함께 모색하였다. 제안된 CNN 모형은 다변량 시계열 입력 으로부터 시간대별 변동 패턴, 계절성 및 기상 인자 간 국부적 상관관계를 추출하도록 설계하였으며, 합성곱 연산을 통해 급격한 기온 변화, 강수·적설 이벤트, 주야간 반복 패턴 등 온도 변화 특성을 안정적으로 학습할 수 있도록 하였다. 특히 깊이별 온도를 동시에 예측하는 다중출력 구조를 적용하여 표면과 내부층 간 연계 거 동을 반영하고자 하였다. 아울러 ANN 기반 접근과 비교 가능한 평가 체계를 마련하여 예측 정확도뿐 아니라 일반화 성능 및 계절별·시간대별 재현성을 검토함으로써, 콘크리트 포장 깊이별 온도 예측에서 CNN의 적용 타 당성과 실무 활용 가능성을 평가하고 향후 공항 포장 관리 시스템과 연계 가능한 예측 기반 기술로 확장하기 위한 기초자료를 제공하고자 한다.

환경 문제가 대두되면서 전기자동차에 대한 수요가 증가하게 되고, 이에 따라 폐배터리 처리 기술이 각광받고 있다. 폐배터리를 재 활용하는 대신 재사용하기 위해서는 배터리 성능 검증 기술의 중요성도 커지고 있다. 배터리 성능 검증 기술은 시간을 단축하는 동시 에 정확도를 높이는 데 집중해야 한다. 본 논문에서는 배터리 전기화학 분광법을 활용해 배터리 방전 전압 그래프를 얻고 배터리 성능 을 예측하는 다중물리 분석을 활용하고자 한다. 본 논문에서는 임피던스 매칭 기법을 활용해 배터리 방전 특성을 제어하고 이를 통해 방전 그래프를 얻는 기법을 제안한다. 제안하는 기법에서는 배터리를 실제로 완전 충전 및 방전하지 않고 단시간 동안 임피던스만 측 정해 전압 곡선 데이터를 추출한다. 이를 검증하기 위해 실제 데이터와 분석 데이터의 매칭을 수행했다. 이러한 접근 방식은 배터리 성능을 예측하고 최적화하는 데 적용될 수 있으며, 향후 에너지 저장 시스템의 설계 및 운영 최적화에 기여할 것으로 기대된다.

고속도로 2차 사고는 선행 사고(1차 사고) 또는 전방 고장 차량에 의해 교통흐름이 변화된 상황에서 발생하는 사고로, 이에 대한 효과적인 교통안전 관리전략이 필요하다. 그러나 일반사고에 비해 데이터 표본이 부족하여 신뢰성 있는 대응 전략 수립에 어려움이 있다. 본 연구는 고속도로에서 발생하는 2차 사고의 발생 주요 요인을 식별하고 예측하기 위해 BERT(Bidirectional Encoder Representations from Transformers) 기반 텍스트 분석 모델과 전통적 머신러닝 모델 (XGBoost, RandomForest, CatBoost)을 비교하였다. 교통사고 세부기록, 원클릭 속보자료 등 비정형 텍스트 및 정형 데 이터를 수집하고 1차 사고에 관한 시공간적 동적 변수를 통합하여 인공지능 기반의 사고 예측 프레임워크를 구축하였다. 특히, BERT 기반 모델을 통해 교통사고 문맥 정보를 고려하여 단어 삽입 및 대체 기법에 따른 2차사고 데이터 표본을 보완하였다. 또한, 설명가능한 AI(XAI) 기법을 활용하여 주요 사고 요인의 기여도를 시각적으로 해석하고 사고 예방 및 정책 수립에 필요한 정보를 제공하였다. 연구 결과, 제안된 하이브리드 접근법 기반 연구 프레임워크는 높은 정확도의 2 차 사고 발생 가능성 예측에 효과적이며, 교통사고관리시스템의 신뢰성과 효율성 향상에 핵심적인 기여를 할 것으로 기 대된다.

본 연구는 한국 기상대 데이터를 활용하여 콘크리트 포장의 깊이별 온도를 예측하는 ANN(Artificial Neural Network) 모델을 개발하는 것을 목표로 한다. 기존의 열평형 방정식 기반 모델은 특정 지역의 기상 데이터를 필요로 하기 때문에 일반적인 적용이 어렵다는 한계를 가지고 있다. 이에 본 연구에서는 ANN을 활용하여 기상대 데이터를 기반으로 범용적 인 온도 예측 모델을 개발하고자 한다. 이를 통해 다양한 지역 및 환경 조건에서도 적용 가능한 모델을 구축하는 것이 목적이다. 본 연구에서는 2017년 1월 1일부터 2018년 12월 31일까지의 1시간 단위 기상 및 온도 데이터를 활용하며, 0.05m, 0.15m, 0.25m, 0.35m, 0.45m 깊이별 온도 데이터를 학습 데이터로 사용한다. 입력 변수로는 기온, 풍속, 강수량, 습도, 일 조량, 일사량, 적설량, 적운량, 지면온도를 포함한다. 이러한 다양한 기상 데이터를 활용하여 신경망 모델을 학습하고, 기 존 방식보다 높은 정확도를 확보하는 것이 연구의 핵심 목표이다. 기존 ANN 구조인 O = WI + B에서 확장된 O = W(I + (WI + B)) + B 형태의 비선형 구조를 적용하여 기존 모델이 가지는 비선형 관계 반영의 한계를 극복하고자 한다. 또한, 선형 다중 은닉층 모델과 비선형 다중 은닉층 모델을 각각 개발하여 성능을 비교하고, 비선형 모델의 필요성과 일반화 능력을 평가할 예정이다. 최종적으로 두 모델의 성능을 평균 제곱 오차 및 평균 절대 오차 등과 같은 평가 지표들을 이용하여 비교 분석하고, 가장 적합한 모델을 도출하고자 한다.

The purpose of this study was to develop a more accurate model for predicting the in-situ compressive strength of concrete pavements using Internet-of-Things (IoT)-based sensors and deep-learning techniques. This study aimed to overcome the limitations of traditional methods by accounting for various environmental conditions. Comprehensive environmental and hydration data were collected using IoT sensors to capture variables such as temperature, humidity, wind speed, and curing time. Data preprocessing included the removal of outliers and selection of relevant variables. Various modeling techniques, including regression analysis, classification and regression tree (CART), and artificial neural network (ANN), were applied to predict the heat of hydration and early compressive strength of concrete. The models were evaluated using metrics such as mean absolute error (MAE) to determine their effectiveness. The ANN model demonstrated superior performance, achieving a high prediction accuracy for early-age concrete strength, with an MAE of 0.297 and a predictive accuracy of 99.8%. For heat-of-hydration temperature prediction, the ANN model also outperformed the regression and CART models, exhibiting a lower MAE of 1.395. The analysis highlighted the significant impacts of temperature and curing time on the hydration process and strength development. This study confirmed that AI-based models, particularly ANNs, are highly effective in predicting early-age concrete strength and hydration temperature under varying environmental conditions. The ability of an ANN model to handle non-linear relationships and complex interactions among variables makes it a promising tool for real-time quality control in construction. Future research should explore the integration of additional factors and long-term strength predictions to further enhance the model accuracy.

기후 변화에 의해 해수면 온도 상승, 태풍의 최고 강도 북상, 태풍 강도 증가가 나타나고 있으며, 미래의 태풍 강도 변화가 더 심화될 것으로 예상하고 있다. 본 논문에서는 기후 변화 시나리오에 의해서 발생할 수 있는 한반도 부근의 태풍 강도를 예측하기 위하여 딥러닝 기반 태풍 강도 예측 모델을 개발하였다. 기후 예측정보를 이용하여 미래 기후 변화 환경장 변화에 따른 태풍의 강도를 예측할 수 있도록 과거 환경장을 학습 자료로 사용하였다. 학습자료는 1980년에서 2022년까지의 태풍 발생 빈도가 높은 6~10월의 기상 및 해양 재분 석 월평균 자료와 Best Track 태풍 241개를 입력자료로 사용하였다. 환경장 변화에 따른 태풍 강도 예측을 위해 자료의 공간적인 특징과 시간적인 특징을 함께 고려하는 딥러닝 모델인 ConvLSTM 기반으로 모델을 개발하였다. 태풍 트랙 시퀀스의 각 이동 경로에 대한 월평균 환경장 자료를 모델에 학습하여 태풍의 중심 기압을 예측하였다. 태풍의 공간적 특성을 반영할 수 있도록 범위를 설정하여 입력자료로 학습하였으며, 5°⨉ 5°의 범위일 때 가장 좋은 결과를 보였다. 몬테카를로 방법을 이용한 민감도 실험을 통해 모델 예측에 가장 큰 영향을 미치는 변수는 SST로 확인되었다.

PURPOSES : This study aimed to develop a quantitative structure property relationships (QSPR) model to predict the density from the molecular structure information of the asphalt binder AAA1, a non-full connected structure mixed with a total of 12 molecules. METHODS : The partial least squares regression (PLSR) model, which models the relationship between predictions and responses and the structure of these variables, was applied to predict the density of a binder with molecule descriptors. The PLSR model could also analyze data with collinear, noisy, and multiple dimensional independent variables. The density and additive-free AAA1 binder’s molecule systems generated by an asphalt binder’s molecules-related study were used to fit the PLSR model with the molecular descriptors produced using alvaDesc software. In addition to developing the relationship, a systematic feature selection framework (i.e., the V-WSP- and PLSR-modelbased genetic algorithm (GA)) was applied to explore sets of predictors which contributed to predicting the physical property. RESULTS : The PLSR model accurately predicted the density for the AAA1 binder’s molecules using the condition of the temperature and aging level (R2 was 0.9537, RMSE was 0.00424, and MAP was 0.00323 for the test data) and provided a set of features which correlated well to the property. CONCLUSIONS : Through the establishment of the physical property prediction model, it was possible to evaluate the physical properties of construction materials without limited experiments or simulations, and it could be used to comprehensively design the modified material composition.

This study aims to predict return-to-work outcomes for workers injured in industrial accidents using a TabNet-RUSBoost hybrid model. The study analyzed data from 1,383 workers who had completed recuperation. Key predictors identified include length of recuperation, disability grade, occupation activity, self-efficacy, and socioeconomic status. The model effectively addresses class imbalance and demonstrates superior predictive performance. These findings underscore the importance of a holistic approach, incorporating both medical and psychosocial factors.

This research presented the procedural framework of developing and optimizing an artificial intelligence model for predicting the change of bread texture by different baking enhancers. Emphasis was placed on the impact of various baking enhancers on the Mixolab thermo-mechanical properties of wheat flour and consequent alterations in bread texture. The application of baking enhancers positively contributed to dough formation and stability, producing bread with a soft texture. However, a relatively low Pearson correlation coefficient was observed between a single Mixolab parameter and bread texture (r<0.59). To more accurately predict the texture of bread from the thermo-mechanical features of wheat flour with baking enhancers, five AI models (multiple linear regression, decision tree, stochastic gradient descent, random forest, and multilayer perceptron neural network) were applied, and their prediction performance was compared. The multilayer perceptron neural network model was further utilized to enhance the prediction of bread texture by mitigating overfitting risks. Finally, the hyperparameter tuning (activation function [Leaky ReLU], regularization [0.0001], and dropout [0.1]) led to enhanced model performance (R2 = 0.8109 and RMSE = 0.1096).

세계 100대 악성 침입외래종인 유리알락하늘소(Anoplophora glabripennis)와 근연종인 노랑알락하늘소(가 칭, Anoplophora horsfieldii (Hope, 1843))가 2019년 제주도에서 처음 발견된 후 2023년까지 지속적으로 확인되었 다. 본 연구는 MaxEnt 알고리즘을 기반으로 하는 생물종 분포 모델을 이용하여 19개의 기후변화 변수에 노랑알락 하늘소(가칭) 먹이식물 5종(차나무, 팽나무, 멀구슬나무, 종가시나무, 비술나무)의 변수를 추가하여 외래해충인 노랑알락하늘소(가칭)의 현재·미래의 분포 가능지역에 대한 공간적 분포 특성을 규명하고 국가적 확산을 대응 하고자 한다. 모델 예측 정확도(AUC)는 0.983으로 출현지점을 정확하게 예측하는 비율이 매우 높다고 할 수 있다. 모델 예측 정확도의 증감에 영향을 주는 환경변수 중 먹이식물의 기여도가 70%를 상회하는 것으로 나타났다. 현재 75% 이상 분포 가능지역은 전라남도 진도군 일대와 경상북도 포항시 일대로 나타났으나 2050년에는 서해안을 따라 태안군까지 동해안을 따라 북한의 고성군까지 분포가 가능한 것으로 나타났다. 또한 75% 이상 분포 가능 면적은 현재 423㎢에서 2050년에는 9,270㎢로 약 대한민국 면적의 1/10 정도 확산될 것으로 예측된다.

PURPOSES : To enhance the accuracy of predicting the compressive strength of practical concrete mixtures, this study aimed to develop a machine learning model by utilizing the most commonly employed curing age, specifically, the 28-day curing period. The training dataset consisted of concrete mixture sample data at this curing age, along with samples subjected to a total load not exceeding 2,350 kg. The objective was to train a machine learning model to create a more practical predictive model suitable for real-world applications. METHODS : Three machine learning models—random forest, gradient boosting, and AdaBoost—were selected. Subsequently, the prepared dataset was used to train the selected models. Model 1 was trained using concrete sample data from the 28th curing day, followed by a comprehensive analysis of the results. For Model 2, training was conducted using data from the 28th day of curing, focusing specifically on instances where the total load was 2,350 kg or less. The results were systematically analyzed to determine the most suitable machine learning model for predicting the compressive strength of concrete. RESULTS : The machine learning model trained on concrete sample data from the 28th day of curing with a total weight of 2,350 kg or less exhibited higher accuracy than the model trained on weight-unrestricted data from the 28th day of curing. The models were evaluated in terms of accuracy, with the gradient boosting, AdaBoost, and random forest models demonstrating high accuracy, in that order. CONCLUSIONS : Machine learning models trained using concrete mix data based on practical and real-world scenarios demonstrated a higher accuracy than models trained on impractical concrete mix data. This case illustrates the significance of not only the quantity but also the quality of the data during the machine learning training process. Excluding outliers from the data appears to result in better accuracy for machine learning models. This underscores the importance of using high-quality and practical mixed concrete data for reliable and accurate model training.

In contemporary global warfare, the significance and imperative of air transportation have been steadily growing. Nevertheless, the Korean Air Force currently operates only with small and medium-sized military cargo planes, lacking larger aircraft. Consequently, the efficiency of their operations is constrained by the limited air transport capacity and the aging of their existing fleet, among other factors. Therefore, we have to consider to make future air transportation capability. Although the 2nd large-sized cargo-plane acquisition project is ongoing, its quantity is very small. In this study, we propose an optimal prediction model that takes into account practical constraints such as parking space availability, pilot availability, wartime daily maximum loads, while simultaneously maximizing both the effectiveness and efficiency of transport capacity for future warfare envirionment.

This study aimed to assess and determine the optimal model for predicting the full bloom date of ‘Fuji’ apples across South Korea. We evaluated the performance of four distinct models: the Development Rate Model (DVR)1, DVR2, the Chill Days (CD) model, and a sequentially integrated approach that combined the Dynamic model (DM) and the Growing Degree Hours (GDH) model. The full bloom dates and air temperatures were collected over a three-year period from six orchards located in the major apple production regions of South Korea: Pocheon, Hwaseong, Geochang, Cheongsong, Gunwi, and Chungju. Among these models, the one that combined DM for calculating chilling accumulation and the GDH model for estimating heat accumulation in sequence demonstrated the most accurate predictive performance, in contrast to the CD model that exhibited the lowest predictive precision. Furthermore, the DVR1 model exhibited an underestimation error at orchard located in Hwaseong. It projected a faster progression of the full bloom dates than the actual observations. This area is characterized by minimal diurnal temperature ranges, where the daily minimum temperature is high and the daily maximum temperature is relatively low. Therefore, to achieve a comprehensive prediction of the blooming date of ‘Fuji’ apples across South Korea, it is recommended to integrate a DM model for calculating the necessary chilling accumulation to break dormancy with a GDH model for estimating the requisite heat accumulation for flowering after dormancy release. This results in a combined DM+GDH model recognized as the most effective approach. However, further data collection and evaluation from different regions are needed to further refine its accuracy and applicability.

기후변화에 따른 서식지 감소는 생물다양성의 커다란 위협 요소 중 하나이고 생물종이 서식하는 공간적 분포에 대한 이해는 멸종위기종 관리, 생태계 복원 등 다양한 분야에서 매우 중요하다. 본 연구는 남한지역에서 서식하는 멸종위기종 Ⅰ급으로 지정된 붉은점모시나비를 대상으로 기후변화에 따른 서식분포변화를 분석하고자 한다. 이 를 위해서 최근 보전생물학, 동물생태학 등 다양한 분야에서 널리 활용되는 MaxEnt 모델을 현재시기와 미래시기 의 생물기후변수에 적용하여 잠재적 서식지 분포 변화를 평가하였다. 붉은점모시나비는 미래시기에 서식지가 감소하는 경향으로 예측되었고, 기온보다 강수량에 의한 영향이 크고, 특히 강수량 계절성에 영향이 가장 클 것으 로 분석되었다. 분석결과는 국내 생물다양성 증진에 필요한 기초자료로서 활용할 수 있을 것으로 기대된다.