This study endeavors to enrich investment prospects in cryptocurrency by establishing a rationale for investment decisions. The primary objective involves evaluating the predictability of four prominent cryptocurrencies – Bitcoin, Ethereum, Litecoin, and EOS – and scrutinizing the efficacy of trading strategies developed based on the prediction model. To identify the most effective prediction model for each cryptocurrency annually, we employed three methodologies – AutoRegressive Integrated Moving Average (ARIMA), Long Short-Term Memory (LSTM), and Prophet – representing traditional statistics and artificial intelligence. These methods were applied across diverse periods and time intervals. The result suggested that Prophet trained on the previous 28 days' price history at 15-minute intervals generally yielded the highest performance. The results were validated through a random selection of 100 days (20 target dates per year) spanning from January 1st, 2018, to December 31st, 2022. The trading strategies were formulated based on the optimal-performing prediction model, grounded in the simple principle of assigning greater weight to more predictable assets. When the forecasting model indicates an upward trend, it is recommended to acquire the cryptocurrency with the investment amount determined by its performance. Experimental results consistently demonstrated that the proposed trading strategy yields higher returns compared to an equal portfolio employing a buy-and-hold strategy. The cryptocurrency trading model introduced in this paper carries two significant implications. Firstly, it facilitates the evolution of cryptocurrencies from speculative assets to investment instruments. Secondly, it plays a crucial role in advancing deep learning- based investment strategies by providing sound evidence for portfolio allocation. This addresses the black box issue, a notable weakness in deep learning, offering increased transparency to the model.

The Fourth Industrial Revolution and sensor technology have led to increased utilization of sensor data. In our modern society, data complexity is rising, and the extraction of valuable information has become crucial with the rapid changes in information technology (IT). Recurrent neural networks (RNN) and long short-term memory (LSTM) models have shown remarkable performance in natural language processing (NLP) and time series prediction. Consequently, there is a strong expectation that models excelling in NLP will also excel in time series prediction. However, current research on Transformer models for time series prediction remains limited. Traditional RNN and LSTM models have demonstrated superior performance compared to Transformers in big data analysis. Nevertheless, with continuous advancements in Transformer models, such as GPT-2 (Generative Pre-trained Transformer 2) and ProphetNet, they have gained attention in the field of time series prediction. This study aims to evaluate the classification performance and interval prediction of remaining useful life (RUL) using an advanced Transformer model. The performance of each model will be utilized to establish a health index (HI) for cutting blades, enabling real-time monitoring of machine health. The results are expected to provide valuable insights for machine monitoring, evaluation, and management, confirming the effectiveness of advanced Transformer models in time series analysis when applied in industrial settings.

최근 기후변화로 가뭄, 홍수 등 재해의 빈도와 강도가 높아지고 있다. 이러한 재해의 피해를 줄이기 위해서는 시공간적 현황 파악을 통한 대비가 필요하다. 본 연구에서는 가뭄의 피해를 최소화하고자 지역별 밭작물의 필요수량과 공급량을 고려하여 밭가뭄 지역 등급화 실시하였고, 월별 비교를 통해 가뭄 취약 시기를 파악하였다. 전국 148개 지역 중 안전지역(Ⅰ), 안전지역(Ⅱ), 우려지역, 상습지역으로 구분한 25개 지역을 선정하였으며, 이 지역의 월별 필요수량 대비 공급량 분석을 하였다. 필요수량 산정의 재배작물은 콩으로 선정하였으며, 공급량은 공공관정, 민간관정, 상수도 자료를 분석하였다. 필요수량 대비 공급량이 봄철은 안전지역(Ⅰ), 안전지역(Ⅱ), 우려지역, 상습지역에서 각 1,281.5%, 667.6%, 729.5%, 316.3%, 가을철에는 각 436.0%, 212.8%, 213.9%, 105.3%로 공급이 충분할 것으로 분석되었으나 여름철에는 각 82.4%, 40.6%, 42.6%, 20.0%로 용수공급 이 부족한 것으로 분석되었다. 콩의 재배 기간인 5~9월에 관정(공공+민간)으로의 공급량은 대부분 지역에서 부족한 것으로 분석되었다. 이러한 분석을 통해 용수 부족이 발생하는 재배기간 동안 용수확보 방안이 필요하다.

우리나라 산불 발생에 관한 시계열적 특성은 다음과 같다. 1960년부터 2019년까지 연도별 산불 발생빈도는 약 16.6년을 주기를, 2003년부터 2019년까지 산불 발생빈도는 약 11.3개월의 주기를 갖는 것으로 확인되었고, 연도별, 월별 시계열은 안정된 경향을 보여 증가 혹은 감소하는 추세를 확인할 수는 없었다(P<0.05). 지역별 산불 발생 현황을 확인한 결과 경상북도에서 산불이 가장 많이 발생한 것으로 나타났고, 산불피해 면적은 강원도가 가장 넓은 특징을 보였다. 또한, 지역별 시계열적 주기성은 산불 발생빈도가 높은 순으로 FFT-Power가 높은 경향을 보였으나 공통적으로 약 11~12개월 사이의 주기를 갖는 것을 확인할 수 있었다. 또한, 요일별로 산불 발생빈도를 확인한 결과 요일별로 산불 발생빈도가 뚜렷하게 다르다는 결과를 얻을 수 있었다(P<0.001). 따라서 산불 발생빈도는 기상 현상 등 자연과학적인 요소와 함께 인문사회적인 요소 모두와 높은 관계에 있었다.

본 연구는 아파트 단지에 식재된 조경수의 시계열 변화를 파악하고 조경수 중 소나무의 수요를 예측하기 위하여 수행되었다. 2003년부터 2020년까지 수도권의 아파트 단지에 사용된 수목의 종수는 평균 51종이며 2000년대 중후반에 비하여 2010년대 후반에는 다양한 종류의 수목이 사용되었다. 식재 수량은 평균 149,567주/1단지이며 시계열 변화가 두드러지지 않는다. 상록수와 낙엽수의 수종 비율은 2:8 이지만 식재된 수량은 3.5:6.5의 비율이었다. 상록수는 낙엽수에 비하여 한 수종의 식재량이 많은 반면에 낙엽수는 상록수에 비하여 상대적으로 다양한 수종이 식재되고 있다. 교목과 관목의 수종 비율은 6:4이지만 식재량은 관목 97.6%로 식재량에 비해 식재된 수목의 종류는 다양하지 않다. 조경수 중에서도 선호도와 이용가치가 높은 소나무의 식재현황을 분석하면 식재 수량은 증가하는 경향이며 특히, 근원직경이 큰 소나무의 식재 비율이 증가하고 있다. 아파트 단지의 소나무 식재수요를 예측하면 식재량은 지속적으로 증가할 것이며 특히 근원직경 40㎝ 이상의 특수목의 수요가 증가할 것이다. 이러한 조경수의 수요변화에 대응하여 다양한 식물소재를 발굴하고 생산할 수 있는 전략이 요구된다. 특히 지속적으로 소나무의 대형화가 예측되므로 시장에서 요구하는 수형과 규격을 갖춘 소나무가 적기에 공급될 수 있도록 생산관리가 이루어져야 할 것이다.

2015년 ‘파리협정’ 및 2021년 ‘기후위기 대응을 위한 탄소중립·녹색성장 기본법’ 제정에 따라 2030년 국가 온 실가스 감축목표(NDC, 2018년 대비 40% 감축) 달성을 위해서는 지자체별 적절한 온실가스 감축 목표 설정과 이행 노 력이 필수적이다. 이에 이 연구에서는 충청북도 지역을 중심으로 1990-2018년 까지 온실가스 배출 현황을 시계열로 분석하였고, 2030년 국가 온실가스 감축목표와 시나리오를 바탕으로 충청북도의 2030년 온실가스 감축 목표를 제안하였 다. 또한 감축 목표 달성을 위해 BAU 대비 장래 배출량을 고려한 2030년까지의 감축 잠재량을 추정하였다. 그 결과, 첫째, 우리나라와 충북의 온실가스 배출량은 1990년 이래 인구 및 경제 성장에 따라 증가해온 것으로 나타났으며, 2018년 국가 대비 충북의 온실가스 배출량은 3.9%로 매우 낮은 편이였고, 시멘트 및 석회 생산, 제조업 및 건설업, 수 송업 등 연료연소에 의한 배출이 주를 이루는 것으로 나타났다. 둘째, 2030년 NDC 및 2050 탄소중립 시나리오를 반 영한 2030년 충청북도 온실가스 감축 목표는 2018년 대비 40.2%로 설정하였다. 이에 장래 배출량을 고려할 경우 목표 달성을 위한 감축 잠재량은 2018년 대비 46.8%인 것으로 추정되었다. 상기 결과는 국가 및 지자체의 온실가스 감축 목표 달성을 위해서는 분야별 온실가스 감축 수단을 통한 감축 잠재량을 충족하는 것이 중요하다는 것을 의미한다. 또 한 2030년 NDC 및 2050 탄소중립 시나리오 달성을 위해 충북을 포함한 국가 및 각 지자체는 온실가스 장래 배출량 을 연도별로 추정하여 매년 감축 목표와 감축 잠재량을 구하고 이를 삭감할 수 있는 구체적인 감축 수단을 마련할 필 요가 있음을 말해준다.

정부는 공유수면 매립사업의 계획적인 관리를 위해, 10년 주기의 공유수면 매립기본계획을 수립하고 있다. 그러나 수시변경을 통한 매립사업을 추진하는 경우가 상당한 비중을 차지하고 있는 것으로 나타났다. 이에 기본계획의 실효성에 대한 의문이 제기되고 있으 며, 이를 보완하기 위한 장기 매립 수요 추세 분석에 대한 필요성이 증가하고 있다. 이에 본 연구에서는 그간의 연간 매립 실적 자료를 활용하여 매립 수요 추세 분석을 수행하였다. 분석 결과, 국내 공유수면 매립 수요는 지속적으로 하락하는 추세인 것으로 나타났으며, 특 히 매립기본계획 체제로 전환된 1990년대 이후에는 그 추세가 뚜렷하게 나타나고 있는 것으로 나타났다. 또한 2021-2030년까지 총 매립 수요는 최대 13.8 km2에서 최소 1.7 km2 수준으로 산정되었다.

The time series data of rotifer community focusing on the species number and total density were collected from 29 reservoirs located at Jeonnam Province from 2008 to 2016 quarterly. The reservoirs had similar weather condition during the study period, but their sizes and water qualities were different. To analyze the temporal dynamics of rotifer community, the medians, ranges, outliers and coefficient of variation (CV) value of rotifer species number and abundance were compared. For the temporal trend analysis, time series of each reservoir data were compared and clustered using the dynamic time warping function of the R package “dtwclust”. Small-sized reservoirs showed higher variability in rotifer abundance with more frequent outliers than large-sized reservoirs. On the other hand, apparent pattern was not observed for the rotifer species number. For the temporal pattern of rotifer density, COD, phytoplankton abundance fluctuation, and cladoceran abundance fluctuation have been suggested as potential factor affecting the rotifer abundance dynamics.

The sensory stimulation of a cosmetic product has been deemed to be an ancillary aspect until a decade ago. That point of view has drastically changed on different levels in just a decade. Nowadays cosmetic formulators should unavoidably meet the needs of consumers who want sensory satisfaction, although they do not have much time for new product development. The selection of new products from candidate products largely depend on the panel of human sensory experts. As new product development cycle time decreases, the formulators wanted to find systematic tools that are required to filter candidate products into a short list. Traditional statistical analysis on most physical property tests for the products including tribology tests and rheology tests, do not give any sound foundation for filtering candidate products. In this paper, we suggest a deep learning-based analysis method to identify hand cream products by raw electric signals from tribological sliding test. We compare the result of the deep learning-based method using raw data as input with the results of several machine learning-based analysis methods using manually extracted features as input. Among them, ResNet that is a deep learning model proved to be the best method to identify hand cream used in the test. According to our search in the scientific reported papers, this is the first attempt for predicting test cosmetic product with only raw time-series friction data without any manual feature extraction. Automatic product identification capability without manually extracted features can be used to narrow down the list of the newly developed candidate products.

This study aimed to determine the trend in dry matter yield (DMY) of a new sorghum-sudangrass hybrid (SSH) in the central inland regions of Korea. The metadata (n=388) were collected from various reports of the experiments examining the adaptability of this new variety conducted by the Rural Development Administration (1988–2013). To determine the trend, the parameters of autoregressive (AR) and moving average (MA) were estimated from correlogram of Autocorrelation function (ACF) and partial ACF (PACF) using time series modeling. The results showed that the trend increased slightly year by year. Furthermore, ARIMA (1, 1, 0) was found to be the optimal model to describe the historical trend. This means that the trend in the DMY of the SSH was associated with changes over the past two years but not with changes from three years ago. Although climatic variables, such as temperature, precipitation, and sunshine were also considered as environmental factors for the annual trends, no clear association was observed between DMY and climates. Therefore, more precise processing and detailed definition of climate considering specific growth stages are required to validate this association. In particular, research on the impact of heavy rainfall and typhoons, which are expected to cause damage in the short term, on DMY trends is ongoing, and the model confirmed in this study is expected to play an important role in studying this aspect. Furthermore, we plan to add the environmental factors such as soil and cultivation management as well as climate to our future studies.