Earticle

An accurate load forecasting is essential for economics and stability power system operation. Due to high relationship between the electric power load and the electric power price, the participants of the competitive power market are very interested in load forecasting. The percentage errors of load forecasting for holidays is relatively large. In order to improve the accuarcy of load forecasting for holidays, this paper proposed load forecasting method for holidays using a fuzzy least squares linear regression algorithm. The proposed algorithm is tested for load forecasting for holidays in 1996, 1997, and 2000. The test results show that the proposed algorithm is better than the algorithm using fuzzy linear regression.

전력 수요 예측은 전력 수급 안정과 양질의 전력을 공급하기 위한 필수 기법이며 경쟁적인 전력시장에서 전력요금과 밀접한 관련이 있다. 그러므로, 경쟁적인 전력시장 구조하의 시장 참여자에게 있어서 전력 수요 예측은 매우 관심 있는 사항이다. 최근의 전력 수요 예측 기법으로 예측한 오차율을 살펴보면 평일과는 다르게 특수일의 전력 수요예측은 평균 5%를 상회하는 수준으로 예측의 정확도가 평일 예측에 비해 크게 낮은데 이유는 특수일이 평일에 비하여 부하의 크기가 다소 낮게 나타나고 특수일 마다 계절적인 차이가 있으며 각각의 특수일 마다 고유한 부하의 특성이 있으므로 과거 데이터를 이용할 때 동일 특수일을 이용하게 되며 따라서 평일과는 다르게 일년 단위로 과거 데이터 값들이 취득되므로 오차율이 커진다. 따라서 데이터들을 퍼지화하여 선형계획법을 수행하여 평균 $2{\sim}3%$ 정도의 우수한 결과를 도출한 바 있다. 본 논문에서는 퍼지 선형회귀분석법을 이용한 예측 기법에 최소자승법을 도입하여 특수일 전력 수요예측의 정확도를 개선하였다.

Demand forecast is a technique of analyzing and estimating data in a variety of fields. Especially, tourism sector is an important economic activity in the rapidly chaning economic environment. Thus, it is important to accurately describe the changing social environment and exactly understand the degree of the change. In stressful conditions such as the rapid decline of membership since 2008, the arrival time of enrollment fee and deposit returns, excess competition due to increase of golf courses, decline of golf population and decrease of operating profit due to reduced visitors per hole, the need for demand forecast through the rational and scientific way for golf courses is becoming increasingly important. Demand forecast for visitors of domestic golf courses is a very important study in that it can help to set marketing policies and service policies of companies that operate golf courses. The purpose of this study was to forecast visitors of domestic golf courses in January-December 2013 from monthly data of January 2008 to December 2012, using comparative analysis of the time series model and the cause & effect model. As the result of forecast, visitors decreased from December to February and sharply increased from March to November. However, visitors decreased from June to August because of summer holiday and the rainy season.

멱등할당(power allocation)은 절사법과 더불어 사업체 조사에서 흔히 이용되는 표본설계 방법 중 하나이다. 본 연구에서는 표본조사를 사용하여 전국의 공장용지 추정 문제를 다루었다. 표본설계는 멱등할당 방법을 사용하였으며, 종사자 수 5인 미만의 사업체는 절사되었다. 표본조사 결과 공장용지에 대한 수요가 매년 꾸준히 존재하며, 향후 지속적으로 상승하리라 예상되었다. 지역별 공장용지 상승 폭이 가장 큰 지역은 충청지역으로 예상되었다. 한편, 미래 수요에 대한 보다 정확한 예측을 위해서는 표본조사와 통계적 모형과의 융합을 고려하여야 할 것이다.

Power allocation sampling design is one of the frequently used sampling method along with the cut-off sampling design for workplace survey. In this paper, we considered the problems of estimate the gross areas of factory site relating to the areas of industrial complexes lands based on sampling survey. We eliminated the industrial workplaces on the sampling frame with under 5 employees, and estimate the gross areas of factory site based on power allocation sampling method. Following the sampling survey, the demands for the area of factory site are insistent, and the factory sites areas are expected to upwards over every year, especially in Chonchung province case, the demands are rising faster than other provinces. On the other hand, to the better prediction for the areas of factory site, we have need to do compound the statistical forecasting model into the results the sampling survey.

전력산업에서의 경쟁력은 효율적인 전력수급에 있는데, 이를 위해서는 정확한 전력수요예측이 중요하다. 이러한 전력수요예측에 기상정보는 가장 중요한 고려인자 중 하나이다. 본 연구는 기상정보 중 전력수요예측에 가장 민감한 기온예보를 중심으로 기상정보의 오차가 전력수요예측에 어떠한 영향을 미치는지를 분석하고자 한다. 이를 위해 2005년부터 2007년도까지 3년간의 24시간 리드타임 기온예보 및 실제 기온 자료와 해당년도의 전력수요 예측치 및 실제 전력수요량 자료를 활용하였다. 기온 관련 자료는 각 지역별 최대, 최소 및 평균 기온을 지역별 인구비율에 따라 기온지수(Temperature Index)로 변환하여 분석에 활용하였다. 전력수요예측이 실제 수요량보다 크면 그만큼 생산비용이 낭비되는 것이고 실제 수요량보다 적으면 단전(Blackout) 사태가 발생할 가능성이 높아진다. 본 연구에서는 생산비용의 낭비보다는 단전 사태를 더 중요한 사건으로 간주하고 단전의 발생 가능성을 낮출 수 있는 방안을 모색하고자 한다. 이를 위해 예비전력비율이 적었던 경우에 대해 전력수요예측 오차를 분석한 결과 실제 수요량보다 예측치가 적었던 경우가 많았다는 것이 통계적으로 유의하게 나타났다. 또한, 7월과 8월의 전력수요예측 오차는 기온지수의 예보 오차와 유의한 수준의 양의 선형상관관계를 보였으며, 이를 근거로 회귀분석을 수행하여 기온예보의 정확도가 1℃ 향상될 때, 전력수요예측의 오차를 약 1.7%~2.1% 정도 줄일 수 있다는 정량적 관계를 도출하였다.

The meteorological forecast information is the most important success factor to forecast accurate electricity demand. This study analyzes the adverse effect of the error of meteorological forecast, which is considered as air temperature forecast, on electricity demand forecasting. The data on air temperature forecast with 24 hr lead time, actual temperature, electricity demand forecast and actual electricity load in South Korea for the year of 2005 to 2007 were analyzed. The daily temperature of maximum and minimum was transformed to a population-weighted temperature index. The larger value of electricity demand forecast than that of actual electricity load leads to the dissipation of cost, the inverse case lead to the strong possibility of blackout situation. This study tried to find a way to reduce the chance of blackout by considering the blackout is the most important case to avert. The proportion of the cases of lower electricity demand forecasts to the cases of low reserve margin is large with a statistical significance. Moreover, the positive linear correlation between the errors of temperature forecasts and electricity demand forecasts for July and October was found. The regression analysis derived that the improvement of temperature forecast with 1℃ may enhance the accuracy of the electricity demand forecast with 1.7% to 2.1%.

Due to the increasing of power consumption, it is difficult to construct accurate prediction model for daily peak power demand. It is very important work to know power demand in next day for manager and control power system. In this research, we develop a daily peak power demand prediction method based on hybrid type composed of AR and Neuro-Fuzzy model. Using data sets between 2006 and 2010 in Korea, the proposed method has been intensively tested. As the prediction results, we confirm that the proposed method makes it possible to effective estimate daily peak power demand than conventional methods.

Electric load forecasting is essential for stable electric power supply, efficient operation and management of power systems, and safe operation of power generation systems. The results are utilized in generator preventive maintenance planning and the systemization of power reserve management. Development and improvement of electric load forecasting model is necessary for power system maintenance and operation. This paper proposes daily maximum electric load forecasting methods for the next 4 weeks with a seasonal autoregressive integrated moving average model and an exponential smoothing model. According to the results of forecasting of daily maximum electric load forecasting for the next 4 weeks of March, April, November 2010~2012 using the constructed forecasting models, the seasonal autoregressive integrated moving average model showed an average error rate of 6,66%, 5.26%, 3.61% respectively and the exponential smoothing model showed an average error rate of 3.82%, 4.07%, 3.59% respectively.

Mathematical forecasting models and a practical computer based forecasting system are developed for planning production in a manufacturing and distribution network. The forecasting system works at the highest level of a hierarchical computer-based decision support system consisting of the forecasting system, an aggregate planning system and a shop floor scheduling system. The dynamics of business operations for an actual company have been considered to make this study a unique comprehensive analysis of a real world forecasting problem.

This paper describes an effective algorithm for evaluating the reliability indices and calculating the production cost for generation system with thermal, hydro and pumped storage plants. Using the Energy Invariance property, this algorithm doesn't need deconvolution process which gives large burden in computing time. In order to consider an adaptable load model, we consider the system load with forecasting uncertainty. The proposed algorithm is applied to the KEPCO system and its result shows high accuracy and less computing time.

일본의 (사)비즈니스기계 정보시스템산업협회(JBMIA/회장 Machida Katsuhiko)는 올해 초 자주통계품목의 "2009년 출하실적" 및 "2010년 2011년 수요 예측"을 정리하여 발표했다. 협회에 따르면 2009년 실적은 1조 3435억엔(전년비 73.4%)이고 2010년과 2011년 예측은 각각 1조 3579억엔(전년비 103.3%)과 1조 3808억엔(전년비 101.7%)으로 나타났다.

유통 산업의 재고 효율성과 비용 경쟁력 강화를 위해 정확한 수요 예측은 필수적이다. 특히 높은 판매 비중을 차지하면서 패턴이 불규칙한 간헐적 수요 제품은 예측의 한계로 인해 기업의 중요한 과제로 대두되고 있다. 본 연구는 구체적인 수요 특성이 최적의 모델 선정에 미치는 영향을 규명하기 위해 다양한 예측 모델을 평가하였다. 분석 결과, 딥러닝 모델은 발생 빈도가 매우 낮고 불규칙한 패턴에서 우수한 성능을 보였으며, 머신러닝은 변동성이 높은 경우에 효과적이었고, 통계적 기법은 규모가 크고 일관된 수요 예측에 가장 적합한 것으로 나타났다. 수요 패턴의 다양성과 불규칙성을 반영한 맞춤형 예측 모델의 타당성을 검증함으로써, 본 연구는 기존의 간헐적 수요 예측 접근 방식을 확장하였다. 이러한 연구 결과는 유통 산업의 수요 예측 정확도를 향상시키고, 궁극적으로 재고 관리 효율성 제고 및 운영 의사결정의 고도화에 기여할 것으로 기대된다.

Distributors increasingly rely on accurate demand forecasting to optimize inventory and reduce costs. However, intermittent demand-characterized by irregular timing and scale-remains a significant challenge. This study evaluates various forecasting models to determine how specific demand characteristics influence optimal model selection. Results show that deep learning excels in low-frequency, irregular patterns, while machine learning is effective for high volatility, and statistical methods are best for consistent, large-scale demand. By validating customized forecasting models that reflect the diversity and irregularity of demand patterns, this research extends existing approaches to intermittent demand forecasting. These findings are expected to improve forecasting accuracy in the distribution industry, ultimately enhancing inventory management efficiency and the sophistication of operational decision-making.

Forecasting long-term mobile service demand is inevitable to establish an effective frequency management policy despite the lack of reliability of forecast results. The statistical forecasting method has limitations in analyzing how the forecasting result changes when the scenario for various drivers such as consumer usage pattern or market structure for mobile communication service is changed. In this study, we propose a dynamic model of the mobile communication service market using system dynamics technique and forecast the future demand for long-term mobile communication subscriber based on the dynamic model, and also experiment on the change pattern of subscriber demand under various scenarios.

수요 예측을 하는 의사결정자들은 수요의 급격한 변동이 발생하면 변동된 정보를 즉각적으로 받아들이지 못하기 때문에 정보 지연 효과가 발생하며, 이는 의사결정자들의 경험에 따라 다르게 나타난다. 우리는 수요 예측 과정에서 평소에 수요의 작은 변동을 경험한 의사결정자들은 그렇지 않은 의사결정자들보다 급격한 변동이 발생했을 때 더 늦게 반응할 것으로 예상하는데, 그 이유는 평소에 작은 변동을 경험한 의사결정자는 작은 변동을 소음으로 받아들여서 실제 신호인 급격한 변화에 늦게 반응하는 휴리스틱이 작용할 것으로 판단하기 때문이다. 따라서 본 연구에서 우리는 평소에 수요에 작은 변동이 있는 경우에 그렇지 않은 경우보다 급격한 수요의 변동이 발생한 경우에 정보 지연 효과가 더 크게 나타날 것이라는 가설을 세우고 이를 실험을 통해 검증하였다. 실험은 웹페이지를 통해 진행되었고, 피실험자는 평소에 작은 변동을 경험하지 못한 그룹과 작은 변동을 경험한 그룹으로 구분하여 실험에 참가하며, 실험에서 평소의 수요 대비 300% 크기의 급격한 수요를 경험한 다음에 나타나는 수요 예측에서 정보 지연 효과의 차이가 있는지 관찰하였다. 급격한 수요의 변동 이후에 작은 변동을 경험하지 못한 그룹은 얼랑분포에서 1차 지연(first order delay) 패턴이 나타났으며, 작은 변동을 경험한 그룹은 고차 지연(higher order delay) 패턴이 나타났다. 이는 작은 변동을 경험한 그룹에 일종의 휴리스틱이 작용하여 정보 지연 효과가 발생했기 때문인데, 우리는 이 휴리스틱을 ‘크라잉울프 바이어스(Crying Wolf Bias)’라고 명명한다. 본 연구는 수요 예측 과정에서 평소에 경험하는 작은 변동이 유발하는 휴리스틱의 작용으로 정보 지연 효과가 다르게 나타난 것을 확인하였다는 점에서 의의가 있다.

Decision-makers who make demand forecasts have a delay effect because they can not immediately accept the changed information if the demand fluctuates suddenly, which varies depending on the decision-maker’s experience. We expect that decision makers who have experienced smaller demand fluctuations would respond more slowly to radical demand shock than those who have not, because the heuristic that cognize small fluctuations as noise and respond slowly to actual demand shocks acts on the former. Therefore, in this study, we hypothesized that information delay effects would be greater when there is a small fluctuation in demand and when there is a sudden change in demand rather than when it is not. Experiments were conducted on a web page. Subjects participated in the experiment by dividing them into groups that had not experienced small fluctuations and small fluctuations, and experienced rapid demand of 300%. In the next demand forecast, we observed whether there is a difference in information delay effect. The first order delay pattern was observed in the Erlang distribution and the higher order delay pattern was observed in the groups experiencing small fluctuations after the rapid fluctuation of demand. This is due to the fact that a heuristic has been applied to a group experiencing small fluctuations, resulting in information delay effects. We call this heuristic as “Crying Wolf Bias”. This study is meaningful in that it shows that the information delay effect is different due to the action of heuristic caused by small fluctuation which is usually experienced in demand forecasting process.

인공지능 기술의 발전으로 인해 여행 및 호텔 산업에서도 다양한 목적의 인공지능과 기계학습 기법이 활용되고 있다. 특히 관광 산업에서는 수요 예측이 매우 중요한 요소로 인식되는데, 이는 서비스 효율성과 수익 극대화에 직접적인 영향을 미치기 때문이다. 수요 예측 시 시간에 따라 변화하는 데이터 흐름을 고려해야 하며, 이를 위해 통계적 기법과 기계학습 모델이 사용된다. 최근에는 수요 예측 데이터의 다양성과 현실의 복잡성을 반영하고자 기존 모델의 변형과 통합 연구가 진행되고 있으며, 그 결과 불확실성과 변동성에 대한 예측 성능이 향상되었음이 보고되고 있다. 본 연구에서는 기존 호텔수요 예측 연구에서 시도되지 않았던 다양한 기계학습 접근법을 통합하여 호텔 판매 수요 예측 정확도를 높이는 새로운 모델을 제안한다. 구체적으로 DTW K-means 클러스터링을 통해 지역모델을 구축하고, 전체 데이터를 활용한 전역모델과 선택적으로 결합하는 XGBoost 기반 시계열 예측 모델을 제시한다. 제안 모델은 지역과 전역 모델의 장점을 살려 호텔 수요 예측 성능을 제고할 것으로 기대된다. 이는 호텔 및 여행 산업 성장에 기여할 뿐만 아니라, 향후 다른 경영 분야 예측에도 확장 적용될 수 있을 것이다.

With the advancement of artificial intelligence, the travel and hospitality industry is also adopting AI and machine learning technologies for various purposes. In the tourism industry, demand forecasting is recognized as a very important factor, as it directly impacts service efficiency and revenue maximization. Demand forecasting requires the consideration of time-varying data flows, which is why statistical techniques and machine learning models are used. In recent years, variations and integration of existing models have been studied to account for the diversity of demand forecasting data and the complexity of the natural world, which have been reported to improve forecasting performance concerning uncertainty and variability. This study also proposes a new model that integrates various machine-learning approaches to improve the accuracy of hotel sales demand forecasting. Specifically, this study proposes a new time series forecasting model based on XGBoost that selectively utilizes a local model by clustering with DTW K-means and a global model using the entire data to improve forecasting performance. The hotel demand forecasting model that selectively utilizes global and regional models proposed in this study is expected to impact the growth of the hotel and travel industry positively and can be applied to forecasting in other business fields in the future.

본 연구의 목적은 관광수요 예측모형을 선정하는데 있어서 표본후 예측의 중요성을 강조하여 향후 최적의 예측모형 선정 시 시사점을 제공하는데 있다. 이러한 연구목적을 달성하기 위해 시계열자료 중 일부를 검정기간으로 설정하여 이 기간의 예측력을 MAPE으로 비교하였다. 실증분석에 사용된 자료는 1970년부터 2004년까지의 연도별 방한객(일본과 미국) 자료로 표본내 예측(1970～2000년)과 표본후 예측(2001～2004년)을 실시하였다. 예측모형으로는 단변량 시계열모형과 계량경제모형을 이용하였으며, 특히 ARIMA모형의 경우 ADF검정법을 이용하여 시계열의 정상성여부를 판단하였다. 결론적으로 표본내 예측력이 우수한 모형을 선정한 다음 표본후 예측력을 비교하는 방법보다는 표본후 예측력에 중점을 두며 최종모형을 선정하는 방법이 표본후 미래예측치에 대한 신뢰도를 높일 수 있는 보다 논리적인 방법으로 나타났다.

The purpose of this paper emphasizes the importance of ex post forecasting on choosing the best forecasting model for tourism demand from Japan and U.S.A. to South Korea. In doing so, it compares between whithin-sample accuracy and post-sample accuracy. Accuracy is assessed in terms of error magnitude, MAPE. The number of annual arrivals of Japan and U.S.A from 1970 to 2004 was used for the empirical analysis. The observation(1970～2000) was used as an estimating period and observation(2001～2004) was held for testing period. Tourism forecasting models employed in this study were univariate time series models and econometric models. In particular, the ADF test for unit root was carried out in analizing ARIMA models.The results suggest that no single forecasting method performs consistently best across estimating period and testing period. It implies that ex post forecasting may well be carried out to improve the accuracy of ex ante forecasts as well as the reliablility of demand forecasting.

최근 들어 ICT 분야의 발달에 따라 데이터 사용량의 급격한 증가로 인터넷 트래픽 사용량 예측은 중요성은 강조되고 있다. 이러한 예측치를 적절한 트래픽 관리와 제어를 위한 계획 수립에 도움을 준다. 본 논문은, 5분 단위의 인터넷 트래픽 자료를 이용하여 결합 예측 모형을 제안하고자 한다. 이에 대하여 시계열의 대표적인 3개 모형인 Seasonal ARIMA, Fractional ARIMA(FARIMA), Taylor의 수정된 Holt-Winters 모형을 적용하였다. 모형 간 결합 예측 방법으로 예측치 간의 SA(Simple Average) 결합 예측 방법과 OLS(Ordinary Least Square)를 이용한 결합방법, ERLS(Equality Restricted Least Squares)를 이용한 결합 예측 방법, Armstrong(2001)이 제안한 MSE 기반 결합 예측 방법을 사용한다. 이에 따른 결과로서 3시간에서의 예측은 Seasonal ARIMA가 선택된 반면, 6시간 이후 예측에서는 결합 예측 방법이 좋은 예측 성능을 보여준다.

Increased data volume in the ICT area has increased the importance of forecasting accuracy for internet traffic. Forecasting results may have paper plans for traffic management and control. In this paper, we propose combined forecasts based on several time series models such as Seasonal ARIMA and Taylor's adjusted Holt-Winters and Fractional ARIMA(FARIMA). In combined forecasting methods, we use simple-combined method, MSE based method (Armstrong, 2001), Ordinary Least Squares (OLS) method and Equality Restricted Least Squares (ERLS) method. The results show that the Seasonal ARIMA model outperforms in 3 hours ahead forecasts and that combined forecasts outperform in longer periods.

고속철도의 수요 변화를 정밀하게 예측하는 것은 운영 효율성 개선 및 교통 정책 수립과 지속 가능한 인프라 구축을 위한 핵심 요소다. 본 연구는 설명 가능한 인공지능을 사용하여 2025년도 KTX 수요를 정밀하게 예측하고, 실질적인 의사결정을 지원하는 것을 주된 목적으로 한다. 대표적인 AI 알고리즘을 활용하여 KTX 수요예측 오류를 최대 2.49%까지 낮추며 정확도를 향상시켰다. 또한, SHAP 알고리즘을 활용하여 예측 결과와 변수들의 기여 정도를 시각화함으로써, 비즈니스 정책 설계 및 자원 배분 의사결정 과정에 신뢰도를 높였다. KTX 노선에 따라 변수들의 기여도는 다양하게 변화될 수 있음을 제시하며 실시간 활용 가능한 비즈니스 애널리틱스 플랫폼의 필요성을 확인하였다. 2025년 KTX 수요는 작년보다는 최대 9.45% 정도 감소할 수 있지만, 코로나 이전보다 최대 18.47%까지 상승하는 수치로 수요가 점진적으로 증가 및 안정화 될 것으로 예상된다.

Accurate forecasting of KTX demand is a key factor for improving operational efficiency, establishing transport policies, and building sustainable infrastructure. The main purpose of this study is to accurately forecast KTX demand in 2025 using explainable artificial intelligence and support practical decision-making. Using AI algorithms, we improved accuracy by reducing forecast errors by up to 2.49%. In addition, by visualising the contribution of variables using the SHAP algorithm, we increased the level of confidence in the decision-making process for business policies and resource allocation. The contribution of variables can vary depending on the KTX lines, confirming the need for a business analytics platform that can be utilised in real-time. In 2025, KTX demand may decrease by up to 9.45% compared to last year, but it is expected to increase and stable gradually, rising up to 18.47% compared to pre-COVID-19.

본 연구는 전력수요 패턴이 다른 평일과 특수일 데이터가 가지는 상관관계를 분석하여, 별도의 데이터 셋을 구축하고, 각 데이터 셋에 적합한 딥 러닝 네트워크를 이용하여, 전력수요예측 오차를 감소하는 방안을 제시하였다. 또한, 기본적인 전력수요 예측요소인 기상요소에 환경요소, 구분요소 등 다양한 예측요소를 추가하여 예측율을 향상하는 방안을 제시하였다. 전체데이터는 시계열 데이터 학습에 적합한 LSTM을 이용하여 전력수요예측을 하였으며, 특수일 데이터는 DNN을 이용하여 전력수요예측을 하였다. 실험결과 기상요소 이외의 예측요소 추가를 통해 예측율이 향상되었다. 전체 데이터 셋의 평균 RMSE는 LSTM이 0.2597이며, DNN이 0.5474로 LSTM이 우수한 예측율을 보였다. 특수일 데이터 셋의 평균 RMSE는 0.2201로 DNN이 LSTM보다 우수한 예측율을 보였다. 또한, 전체 데이터 셋의 LSTM의 MAPE는 2.74 %이며, 특수 일의 MAPE는 3.07 %를 나타냈다.

This study analyze correlation between weekdays data and special days data of different power demand patterns, and builds a separate data set, and suggests ways to reduce power demand prediction error by using deep learning network suitable for each data set. In addition, we propose a method to improve the prediction rate by adding the environmental elements and the separating element to the meteorological element, which is a basic power demand prediction elements. The entire data predicted power demand using LSTM which is suitable for learning time series data, and the special day data predicted power demand using DNN. The experiment result show that the prediction rate is improved by adding prediction elements other than meteorological elements. The average RMSE of the entire dataset was 0.2597 for LSTM and 0.5474 for DNN, indicating that the LSTM showed a good prediction rate. The average RMSE of the special day data set was 0.2201 for DNN, indicating that the DNN had better prediction than LSTM. The MAPE of the LSTM of the whole data set was 2.74% and the MAPE of the special day was 3.07 %.