Earticle

풍수해는 대한민국에서 가장 많이 발생하는 자연재난으로 인명 및 재산 피해가 매년 반복적으로 발생하고 있다. 따라서 재해 예방을 위해 풍수해로 인한 위험도를 계산하고, 이를 바탕으로 미래 위험을 예측하여 대비할 필요가 있다. 이에 본 연구는 풍수해로 인한 위험도를 정량적으로 산정하고, 미래 위험을 예측하여 재해 예방에 활용할 수 있는 방안을 제시하고자 하였다. 풍수해 위험도는 위해성, 노출성, 취약성, 저감성의 네 가지 지표로 구분하여 예측을 수행하였다. 위해성 지표는 기상 데이터를 활용하여 시계열 딥러닝 모델로 예측하고, 나머지 지표는 Prophet 모델로 예측하였다. 위해성 지표 산정을 위해 시계열 딥러닝 모델의 성능을 MAE, RMSE, RMSLE를 기준으로 평가한 결과, GRU 모델이 가장 우수한 성능을 보였다. 최종적으로 GRU 모델과 Prophet 모델을 적용한 예측 결과를 종합하여, 기존 도심 지역 외에도 새롭게 고위험 지역을 도출할 수 있었다. 본 연구 결과는 풍수해 고위험 지역에 대한 선제적 대응 전략 수립에 기여할 수 있을 것으로 기대된다.

Wind and flood damage is the most common natural disaster in South Korea, causing repeated loss of life and property every year. Therefore, it is necessary to calculate the risk level caused by wind and flood damage to prevent disasters and to predict future risks to prepare for them. In this study, we aimed to quantitatively calculate the risk of wind and flood damage, and to propose a method that can be used to prevent disasters by predicting future risks. The risk of wind and flood damage is categorized into four indicators: hazard, exposure, vulnerability, and mitigation. The hazardousness indicator was predicted with a time series deep learning model using weather data, and the remaining indicators were predicted with the Prophet model. We evaluated the performance of time series deep learning models based on MAE, RMSE, and RMSLE to calculate risk indicators, and the GRU model performed the best. Finally, by synthesizing the prediction results of the GRU model and Prophet model, new high-risk areas were identified in addition to the existing urban centers. The results of this study are expected to contribute to the establishment of preemptive response strategies for high-risk areas for wind and flood disaster.

시멘트계열 재료를 이용한 지반보강 시 처리지반의 안정적 이용을 위하여 해당 재료의 양생과정 평가가 요구된다. 본 연구에서는 전자기적 물성 기반 시멘트 그라우트의 양생과정 평가를 위하여 시계열반사계(TDR) 측정시스템을 적용하였다. 시멘트 그라우트의 높은 전도성으로 인한 프로브 내 전극간 전기적 연결을 방지하기 위하여 코팅 프로브를 제작하였으며, 코팅 프로브로부터 실제 비유전율 평가를 위한 보정실험이 수행되었다. 코팅 프로브가 적용된 TDR 측정시스템으로부터 시멘트 그라우트의 양생과정을 평가하고자 지연제가 첨가된 물시멘트비 45%의 초속경시멘트 그라우트가 준비되었으며, 몰드 내 타설 직후 예비측정 및 배합 후 3~288시간 경과 시점에서 TDR 신호를 수집, 비유전율을 평가하였다. 실험 결과, 타설 직후의 시멘트 그라우트는 100 이상의 높은 비유전율 상태를 나타내었으나 양생시간이 경과함에 따라 급격한 감소 경향을 보였으며, 양생 144시간 시점부터의 비유전율은 약 13.8로 수렴하여 해당 시간을 양생 완료시점으로 판단하였다. 본 연구에서 이용된 코팅 프로브 TDR 측정시스템은 전도성 재료에 대한 적용성과 더불어 전자기적 물성 기반 시멘트계열 지반보강재 양생과정 모니터링에 활용될 수 있을 것이라 기대된다.

To realize stable use of ground treated with cementitious materials, the curing process must be evaluated. In this study, a time domain reflectometry (TDR) measurement system was employed to evaluate the curing process of cementitious grout based on the electromagnetic property. A coated probe was manufactured to prevent electrical connection between the electrodes by the electrically conductive cementitious grout, and a calibration process was performed to estimate the actual relative permittivity using the coated probe. To assess the curing process of cementitious grout using the TDR measurement system, cementitious grout with added retarder was prepared with a water-to-cement ratio of 45%. A preliminary measurement was conducted immediately after pouring the cementitious grout into the mold to test the applicability of the coated probe, and TDR signals and relative permittivity were measured at 3~288 hours of curing time. The experimental results demonstrate that the relative permittivity of the cementitious grout immediately after pouring was greater than 100, decreased rapidly over time, and converged to approximately 13.8 at 144 hours, which is considered the fully cured time. This findings of this study demonstrate that the TDR measurement system with a coated probe is applicable to electrically conductive materials. In addition, the TDR measurement system can be used effectively to monitor the curing process of cementitious grout based on electromagnetic properties.

선박 프로펠러 캐비테이션 소음이 발생하면 수중 방사 소음의 수준이 급격히 상승하는데, 특히 함정의 경우에 피탐지 확률이 증가해 치명적인 위협 요인이 될 수 있다. 따라서 함정의 생존성 향상을 위하여 캐비테이션 신호를 정확하고 신속하게 판단하는 것이 매우 중요한데, 종래에는 센서로 계측한 음압/진동 준위가 기준값 이상이면 캐비테이션 발생으로 판단하는 기술과 데몬 기법을 통해 캐비테이션 발생 여부를 판별하는 방법이 주로 수행되었다. 그러나 이와 관련된 기술은 캐비테이션의 발생 현상에 대한 물리적 이해와 사용자의 주관적 기준을 기반으로 수행되며 여러 절차를 거치기 때문에 캐비테이션 신호를 조기에 자동으로 인식하는 기법의 개발이 필요하다. 본 논문에서는 선체에 부착된 음향 센서를 이용하여 계측된 음향 신호로부터 캐비테이션 신호의 특징을 반영한 간단한 통계량 기반 특징을 추출하고 이로부터 캐비테이션 발생 여부를 자동으로 판단하는 알고리즘을 제안한다. 제안된 기법의 성능은 센서 수와 모형 시험 조건에 따라 평가하는데, 단일 센서로 계측된 신호에 캐비테이션의 특징을 충분히 반영하여 훈련하면 캐비테이션 신호의 발생 여부를 판단 가능함을 확인했다.

When cavitation noise occurs in ship propellers, the level of underwater radiated noise abruptly increases, which can be a critical threat factor as it increases the probability of detection, particularly in the case of naval vessels. Therefore, accurately and promptly assessing cavitation signals is crucial for improving the survivability of submarines. Traditionally, techniques for determining cavitation occurrence have mainly relied on assessing acoustic/vibration levels measured by sensors above a certain threshold, or using the Detection of Envelop Modulation On Noise (DEMON) method. However, technologies related to this rely on a physical understanding of cavitation phenomena and subjective criteria based on user experience, involving multiple procedures, thus necessitating the development of techniques for early automatic recognition of cavitation signals. In this paper, we propose an algorithm that automatically detects cavitation occurrence based on simple statistical features reflecting cavitation characteristics extracted from acoustic signals measured by sensors attached to the hull. The performance of the proposed technique is evaluated depending on the number of sensors and model test conditions. It was confirmed that by sufficiently training the characteristics of cavitation reflected in signals measured by a single sensor, the occurrence of cavitation signals can be determined.

본 연구는 전통적인 통계기반 ARIMA(Auto-Regressive Integrated Moving Average) 모델과 딥러닝 기반 LSTM(Long Short-Term Memory) 모델을 활용하여 굴착 현장의 지중경사계 데이터를 통한 흙막이 벽체 변형을 예측하고, 두 모델의 예측 성능을 비교 분석하였다. ARIMA 모델은 시간의 흐름에 따른 시계열 데이터의 선형적 패턴을 분석하는 데 강점을 보이는 반면, LSTM은 데이터의 복잡한 비선형 패턴과 장기 의존성을 포착하는 데 우수한 능력을 보여주었다. 본 연구는 흙막이 벽체 변형 예측을 위해 지중경사계 계측 데이터에 대한 전처리, 다양한 시계열 데이터 길이 및 입력변수 조건 등에 따른 성능 평가를 포함하였으며, LSTM 모델이 ARIMA 모델에 비해 통계적으로 유의미한 예측 성능 향상을 확인하였다. 본 연구의 결과는 굴착 현장에서의 지중경사계 데이터를 활용한 흙막이 벽체의 안정성 평가에 LSTM 모델을 효과적으로 적용할 수 있음을 보여준다. 또한 이를 바탕으로 향후 굴착 현장 전체에 대한 안전모니터링 시스템 구축과 시계열 예측 모델 발전에 기여할 것으로 기대된다.

This study employs traditional statistical auto-regressive integrated moving average (ARIMA) and deep learning-based long short-term memory (LSTM) models to predict the deformation of earth retaining walls using inclinometer data from excavation sites. It compares the predictive capabilities of both models. The ARIMA model excels in analyzing linear patterns as time progresses, while the LSTM model is adept at handling complex nonlinear patterns and long-term dependencies in the data. This research includes preprocessing of inclinometer measurement data, performance evaluation across various data lengths and input conditions, and demonstrates that the LSTM model provides statistically significant improvements in prediction accuracy over the ARIMA model. The findings suggest that LSTM models can effectively assess the stability of retaining walls at excavation sites. Additionally, this study is expected to contribute to the development of safety monitoring systems at excavation sites and the advancement of time series prediction models.

산업제어시스템의 특성에 대한 공격자들의 이해 증가와 더불어 정보 기술과의 연결성이 확대되면서 산업제어시스템을 대상으로 하는 보안사고가 증가하고 있다. 이와 관련된 취약점의 수는 매년 급증하고 있지만, 모든 취약점에 대해 적시의 패치를 수행하는 것은 어렵다. 현재 취약점 패치의 기준으로 여겨지는 공통 취약점 평가체계는 취약점이 발견된 후의 무기화를 고려하고 있지않다는 한계점을 지니고 있다. 따라서 본 연구에서는 운영 기술 및 산업제어시스템 내 발생 취약점 정보가 포함된 공개 정보를 기반으로 시간의 흐름에 따라 변화하는 공격자의 기술 수준을 분류하기 위한 기준을 정의한다. 또한 해당 속성을 기존 심각도 점수 산출에 반영하여 취약점의 실제 위험성과 긴급성이 반영된 심각도를 평가하는 방안을 제안하고자 한다. 해당 평가 방안의 시계열적 특성 반영 및 운영기술 및 산업제어시스템 환경에서의 유효성을 확인하기 위해 실제 사고에 활용된 취약점에 기반한 사례연구를 수행하였다.

Industrial control systems (ICS) are increasingly targeted by security incidents as attackers' knowledge of ICS characteristics grows and their connectivity to information technology expands. Vulnerabilities related to ICS are growing rapidly, but patching all vulnerabilities in a timely manner is challenging. The common vulnerability assessment system used to patch vulnerabilities has limitations as it does not consider weaponization after discovery. To address this, this study defines criteria for classifying attacker skill levels based on open information including operating technology and vulnerability information in ICS. The study also proposes a method to evaluate vulnerability severity that reflects actual risk and urgency by incorporating the corresponding attribute in the existing severity score calculation. Case studies based on actual accidents involving vulnerabilities were conducted to confirm the effectiveness of the evaluation method in the ICS environment.

시계열 혹은 이산 시간 신호에서의 이상치 혹은 비정상적 관측치를 탐지하는 새로운 방법을 제안하였다. 마이크로 어레이 분석에서 시료의 발현값으로부터 배경 잡음을 제거하고 신호의 세기를 추정하기 위해 정규 분포와 지수 분포의 합성곱으로 이루어진 정규-지수 분포를 사용한다. 정규-지수 분포를 차용하여 시계열에서 이상치를 탐지하는 방법을 제안하여 보았다. 시계열 모형에서 오차항을 정규 분포로 정의하지만 실제로는 모형 적합 후 잔차들이 정규 분포에 적합하지 않은 경우가 있을 수 있다. 정규-지수 분포가 잔차 성분들을 잘 적합한다면 확률적으로 주어진 한계를 벗어나는 잔차를 갖는 관측치를 이상치로 판별하려 하였다. 실증적 검정을 위해 결혼 건수와 부동산 가격 지수를 예로 사용하였다. 제안된 방법을 통해 이상치 혹은 비정상적인 관측치를 판별해 내었고 판별된 시점들이 경제적으로 혹은 사회적으로 격변하던 시점들과 일치하는 측면이 있음을 확인할 수 있었다.

A method to detect unusual or abnormal data in a time series or a discrete time signal is proposed. The idea of microarray background correction has been borrowed to detect abnormal data in a time series. Background correction to isolate anomalous signals or noise from the mircroarray's real signal is a very important step in tuning the data for ambient intensity surrounding each feature. The normal-exponential distribution was proposed to model background noise and signal by convoluting the exponential and the normal distribution. It is tried to model the error terms of a time series with the normal-exponential distribution. Once the residual components were well treated by the normal-exponential distribution, the observations with unexpectedly large residuals are detected as outliers or unusual observations. The marriage event data and the real estate price index data were considered for empirical studies and we were able to find several anomalous observations consistent with when the Korean economy or society actually underwent dramatic changes.

본 연구는 강원도 춘천에 설치·운영 중인 지하수관측망의 지하수위 변동특성을 이해하기 위해 2009년에서 2018년까지 장기 관측된 관측망 지하수위 자료에 대하여 시계열분석은 실시하였다. 해당 관측망은 5개소로 모두 암반대수층에 설치되어 있으며, 해당 운영기관에서 주기적인 점검과 관리가 이루어지는 것으로 파악된다. 시계열분석은 자기상관함수, 스펙트럼밀도함수 그리고 교차상관함수 분석을 수행하였다.

Time series analysis was performed on data from 2009 to 2018 from the Chuncheon groundwater observation network to understand the characteristics of groundwater level fluctuations in the network. There are five observatories, all of which are installed in rock aquifers, and periodic inspections and management are performed by the relevant operating organization. Auto-correlation, spectral density, and cross-correlation analysis was performed.

This paper uses seasonal auto-regressive integrated moving average (S-ARIMA), which is efficient in seasonality between time-series models, to predict the degradation tendency for lithium-ion batteries and study a method for improving the predictive performance. The proposed method analyzes the degradation tendency and extracted factors through an electrical characteristic experiment of lithium-ion batteries, and verifies whether time-series data are suitable for the S-ARIMA model through several statistical analysis techniques. Finally, prediction of battery aging is performed through S-ARIMA, and performance of the model is verified through error comparison of predictions through mean absolute error.

이 연구의 목적은 시계열 분석을 통하여 최근 10년(2010 - 2019)간의 광주광역시 출생아 수 추이와 전남대학교 치과병원 소아치과 내원 환자 수 추이를 분석하고 향후 1년을 예측하는 것이다. 출생아 수는 월별 반복과정을 보이면서 비안정적으로 하락하는 추세를 보였으며 1월에 출생아 수가 가장 많고 12월에 가장 적은 경향을 보였다. 2020년의 출생아 수가 평균 682명(595 - 782명, 95% CI)으로 예측되었으며 실제 출생아 수는 평균 610명이었다. 소아치과 내원 환자 수는 월별 반복과정을 보이면서 비교적 안정되어 있으며 8월에 내원 환자 수가 가장 많고 6월에 가장 적은 경향을 보였다. 2020년의 내원 환자 수가 평균 603명(505 - 701명, 95% CI)으로 예측되었으며 실제 내원 환자 수의 평균은 587명이었다. 출생아 수의 기록적인 감소에도 불구하고 소아치과에 내원한 환자의 수는 다소 증가할 것으로 예측되었다. COVID-19이라는 특수한 상황으로 인하여 실제 출생아 수와 내원 환자수가 예측치보다 다소 낮게 확인되었으나 예측 범위 내에 포함됨을 확인하였다. 시계열 분석 모형은 과거를 이해하고 미래를 예측하는 유용한 방법으로 소아치과 영역에서 저출산 시대를 대비하기 위한 기초 도구로써 유용하게 활용될 수 있을 것이다.

The purpose of this study was to analyze the trend of the number of births in Gwangju and the number of outpatients in Pediatric Dentistry at Chonnam National University Dental Hospital over the past 10 years (2010 - 2019) and predict the next year using time series analysis. The number of births showed an unstable downward trend with monthly variations, with the highest in January and the lowest in December. The average number of births in 2020 was predicted to be 682 (595 to 782, 95% CI), and the actual number of births was an average of 610. The number of outpatients was relatively stable, showing a month-to-month variation, with highest in August and the lowest in June. The average number of patients in 2020 was predicted to be 603 (505 to 701, 95% CI), and the average number of actual visits was 587. Despite the decrease in the number of births, the number of outpatients was expected to increase somewhat. Due to the special situation of COVID-19, the actual number of births and patients was to be slightly lower than the predicted values, but it was that they were within the predicted confidence interval. Time series analysis can be used as a basic tool to prepare for the low fertility era in the field of pediatric dentistry.

이 연구에서는 시계열 토지피복도를 제작하기 위해 분석자 개입 없이 준감독학습 기반 분류를 이용하는 새로운 훈련자료 추출 기법을 제안하였다. 준감독학습 기반 훈련자료 추출 기법은 먼저 분류 대상 영상과 유사한 토지피복 특성을 포함하는 과거 영상으로부터 획득한 초기 훈련자료를 이용하여 초기 분류를 수행한다. 이후, 분류의 불확실성 정보와 인접 화소의 분류 항목을 제약 조건으로 이용하는 준감독학습 기반 반복 분류를 이용하여 초기 분류 결과로부터 신뢰할 수 있는 훈련자료를 추출한다. 준감독학습 기반 훈련자료 추출기법의 적용 가능성은 농경지에서 unmanned aerial vehicle 영상을 이용하는 분류 실험을 통해 평가되었다. 제안한 준감독학습 기반 훈련자료 추출 기법에 의해 자동으로 추출된 새로운 훈련자료를 이용하는 것은 초기 분류 결과에서 나타난 오분류를 두드러지게 완화할 수 있었다. 특히, 인접 화소의 공간 문맥 정보를 고려함으로써 고립된 화소가 크게 감소하였다. 결과적으로, 제안 기법의 분류 정확도는 수동으로 추출한 훈련자료를 이용하는 분류 정확도와 유사하였다. 이러한 결과는 이 연구에서 제시한 준감독학습 기반 반복 분류가 시계열 토지피복도를 제작하기 위해 신뢰할 수 있는 훈련자료를 자동으로 추출하는데 효과적으로 적용될 수 있음을 나타낸다.

This paper presents a novel training data extraction approach using semi-supervised learning (SSL)-based classification without the analyst intervention for time-series land-cover mapping. The SSL-based approach first performs initial classification using initial training data obtained from past images including land-cover characteristics similar to the image to be classified. Reliable training data from the initial classification result are then extracted from SSL-based iterative classification using classification uncertainty information and class labels of neighboring pixels as constraints. The potential of the SSL-based training data extraction approach was evaluated from a classification experiment using unmanned aerial vehicle images in croplands. The use of new training data automatically extracted by the proposed SSL approach could significantly alleviate the misclassification in the initial classification result. In particular, isolated pixels were substantially reduced by considering spatial contextual information from adjacent pixels. Consequently, the classification accuracy of the proposed approach was similar to that of classification using manually extracted training data. These results indicate that the SSL-based iterative classification presented in this study could be effectively applied to automatically extract reliable training data for time-series land-cover mapping.

간척사업을 통해 개발된 지역은 농지 및 도심지 개발 등과 같은 용지 공급 측면에서 경제적 효용가치가 크지만, 내륙에 위치하는 대도시에 비하여 상대적으로 초지 면적이 적고 건물이 밀집되어 있다는 특성이 존재한다. 이로 인해 간척사업을 통해 개발된 지역에서는 기온이 주변 지역보다 높아지는 도시 열섬 현상이 발생하고 있으며, 특히 간척사업을 통해 개발된 청라 국제도시는 도시 열섬 현상이 심화 되고 있다. 본 연구에서는 간척사업 이후 농경지 기간(2001-2008년), 개발정비 기간(2009-2013년), 인공초지조성 기간(2014-2020년)으로 분류하여 청라 국제도시의 도시 열섬 현상을 평가 및 분석하였다. 이를 위해 토지 피복도와 시계열 Landsat 위성영상을 활용하여 청라 국제도시에서 시가화 지역과 초지/산림지역의 지표면 온도 차이를 산정하였다. 시가화 지역과 초지/산림지역의 지표면 온도 차이는 농경지 기간 동안 최대 +1.05℃로 산출되었고, 개발정비 기간 동안 최대 +3.60℃로 산출되었으며, 인공초지 조성 기간 동안 최대 +2.51℃로 산출되었다. 본 연구결과를 통해 간척사업이 진행된 청라 국제도시에서 시가화 지역 면적이 증가할 때 도시 열섬 현상이 증가되며, 인공초지 면적이 증가할 때 도시 열섬 현상이 저감됨을 확인하였다. 본 논문의 결과는 도시계획에 있어 도시 열섬 현상 문제를 파악하고 저감 계획 수립을 위한 기초연구 자료로 활용될 수 있다.

Areas developed through land reclamation projects have huge economic advantages in terms of supplying lands that can be used for farmlands, urban areas and etc., however have relatively small areas of grasslands and densely located buildings compared to inland cities. Hence, an urban heat island is occurring in these areas due to this characteristic, and in particular, the urban heat island in Cheongna International City is getting serious. In this study, the urban heat island in Cheongna International City was evaluated and analyzed by classified into the three periods after the reclamation project: farmland(2001-2008), development(2009-2013) and artificial grassland(2014-2020). The land cover map and Landsat time-series imagery were utilized for measuring the differences of the land surface temperatures between the urbanized areas and the grassland/forest areas in Cheongna International City. The statistical results showed that the differences in the land surface temperature between these areas were calculated to be at most 0℃ during the period of farmland, at most 3.60℃ during the period of development, and at most 2.51℃ during the period of grassland. This study proved that the urban heat island phenomenon increased when the urbanized areas increased, and the urban heat island phenomenon decreased when the artificial grassland areas increased in Cheongna International City where the reclamation project was carried out. The statistical results derived through this research can be used as the reference data for identifying the urban heat island problem in urban planning and establishing the reduction plan.

Purpose: This study aims to predict the dry cargo transportation market economy. The subject of this study is the BDI (Baltic Dry Index) time-series, an index representing the dry cargo transport market. Methods: In order to increase the accuracy of the BDI time-series, we have pre-processed the original time-series via time-series decomposition and data augmentation techniques and have used them for ANN learning. The ANN algorithms used are Multi-Layer Perceptron (MLP), Recurrent Neural Network (RNN), and Long Short-Term Memory (LSTM) to compare and analyze the case of learning and predicting by applying time-series decomposition and data augmentation techniques. The forecast period aims to make short-term predictions at the time of t+1. The period to be studied is from '22. 01. 07 to '22. 08. 26. Results: Only for the case of the MAPE (Mean Absolute Percentage Error) indicator, all ANN models used in the research has resulted in higher accuracy (1.422% on average) in multivariate prediction. Although it is not a remarkable improvement in prediction accuracy compared to uni-variate prediction results, it can be said that the improvement in ANN prediction performance has been achieved by utilizing time-series decomposition and data augmentation techniques that were significant and targeted throughout this study. Conclusion: Nevertheless, due to the nature of ANN, additional performance improvements can be expected according to the adjustment of the hyper-parameter. Therefore, it is necessary to try various applications of multiple learning algorithms and ANN optimization techniques. Such an approach would help solve problems with a small number of available data, such as the rapidly changing business environment or the current shipping market.

본 연구에서는 Pfister 등 (2019)에서 제시된 시계열 데이터에 대해서 시간이 지나도 불변하는 인과성(invariant causality)을 갖는 변수를 찾는 방법에 대해서 설명하고자 한다. 시계열에서 주로 이용되는 Granger causality 방법은 인과 관계를 찾기 보다는 선행한 사건과 추후에 일어나는 사건과의 연관성을 찾는 방법이며, 때로는 허위 연관성의 결과를 산출하기도 한다. Chow 검정은 고정된 모형에 대해서 특정 시점 전후의 차이를 검정하는데 이용된다. 기존 방법은 높은 설명을 갖는 모형을 찾는데 중점을 두었는데, 이러한 모형은 환경의 변화에 따라 같은 모형이 유지되지 않을 가능성이 있다. Pfister 등 (2019)에서 제시된 모형은 설명변수와 종속변수 간의 조건부 관계를 찾는데 중점을 두고 있기 때문에, 환경의 변화에도 불변하는 인과성을 찾는데 유용하게 이용될 수 있다. 특히, 거시 경제 데이터는 측정하기 어려운 많은 변수로 인해 설명력이 높은 모형을 찾는 것이 어렵기 때문에, 기존 방법을 이용하기 보다는 Pfister 등 (2019)의 모형을 적용하는 것이 의미가 있다. 본 연구에서는 Pfister 등 (2019)가 제시한 방법을 이용하여 원 달러 환율에 불변하는 인과성을 갖는 거시경제 변수를 찾고자 한다.

Evaluating or predicting the effectiveness of economic policies is an important issue, but it is difficult to find an economic variable which causes a significant result because there are numerous variables that cannot be taken into account. A randomized controlled experiment is the best way to investigate causality, but it is not realistically possible to control through randomization and intervention in time series data such as macroeconomic data. Although some analysis methods have been proposed to find causality, the methods such as Granger causality method and Chow test are insufficient to explain causality. Recently, Pfister et al. (2019) proposed invariant causal prediction methods which can be applicable in time series data. In this paper, we introduce the method of Pfister et al. (2019) and use the method to find macroeconomic variables invariantly affecting the won-dollar exchange rate.

최근 인공지능에 대한 관심이 높아짐에 따라 화학공정분야에서도 인공지능을 활용한 연구가 많아지고 있다. 그러나 인공지능 기반 모델이 충분히 일반화되지 않아 학습에 이용되지 않은 새로운 데이터에 대한 예측률이 떨어지는 과적합 현상이 빈번하게 일어나고 있으며, 교차검증은 과적합을 해결하는 방법 중 하나이다. 본 연구에서는 2,3-BDO 분리 공정 온도 예측 모델의 초매개변수 중에서 배치 개수와 반복횟수를 조정하기 위해 시계열 교차검증을 적용하고 일반적으로 사용되는 K 겹 교차검증과 비교하였다. 결과적으로 K 겹 교차검증을 사용했을 때 보다 시계열 교차검증 방식을 사용했을 때 MAPE는 0.61% 증가한 반면 RMSE는 9.06% 감소하였고 학습 시간은 198.29초 적게 소요되었다.

Recently, research on the application of artificial intelligence in the chemical process has been increasing rapidly. However, overfitting is a significant problem that prevents the model from being generalized well to predict unseen data on test data, as well as observed training data. Cross validation is one of the ways to solve the overfitting problem. In this study, the time-series cross validation method was applied to optimize the number of batch and epoch in the hyperparameters of the prediction model for the 2,3-BDO distillation process, and it compared with K-fold cross validation generally used. As a result, the RMSE of the model with time-series cross validation was lower by 9.06%, and the MAPE was higher by 0.61% than the model with K-fold cross validation. Also, the calculation time was 198.29 sec less than the K-fold cross validation method.

최근 도시화로 인한 토지피복의 변화로 불투수층이 증가함에 따라, 강수의 자연적인 지하수 함양이 방해되어 도시홍수와 같은 재난 문제가 발생하고 있다. 따라서 토지피복의 변화에 따른 강수와 지하수위 간 상관관계를 규명하기 위해 본 연구는 소규모 도심지역인 부산광역시 연제구를 대상으로 교차상관분석(Cross-correlation function, CCF) 및 이동평균분석(Moving average method, MA)을 통해 강수와 지하수위간 지연시간을 산정하였다. 지연시간을 산정하기 위해 자기상관분석, 교차상관분석, 이동평균분석을 수행하였으며 피어슨 상관함수를 목적함수로 설정하여 강수량과 지하수위 간 가장 높은 상관계수를 가지는 시차 값을 지연시간으로 결정하였다. 관측공 반경 250 m 내 토지피복형태와 지형은 토지피복지도와 수치지형도를 이용하여 Arc-GIS를 통해 분석하였다. 연구결과 토지피복형태가 도심영향이 많은 불투수층으로 이루어진 GW01, GW03, GW05 (Urban: 71-96%)의 경우 지연시간이 길게 나타났으며(CCF: 42-71일, MA: 148-161일) 식생영향이 많은 투수층으로 이루어진 GW04 (Urban: 35%)는 짧은 지연시간(CCF: 4일, MA: 67일)을 보였다. 토지경사도에 따른 지연시간의 차이는 보이지 않았으며 이는 토지피복형태가 강수와 지하수위 간 지연시간에 영향을 강하게 미치는 요소이기 때문에 토지경사도에 따른 영향이 작용하지 못한 것으로 판단된다. 본 연구를 통해 부산 연제구의 토지 이용에 따른 지하수위와 강수량의 지연시간을 규명함으로써 도시 내 강수의 자연적인 지하수 함양을 위한 도시 녹지공간 조성과 수문학적 재난 예방을 위한 관리계획의 자료로 활용될 수 있을 것으로 기대된다.

Land-use/cover change caused by rapid urbanization in South Korea is one of the concerns in flood risk management because groundwater recharge by precipitation hardly occurs due to an increase in impermeable surfaces in urban areas. This study investigated the hydrologic effects of land-use/cover on groundwater recharge in the Yeonje-gu district of Busan, South Korea. A statistical time series analysis was conducted with temporal variations of precipitation and groundwater level to estimate lag-time based on correlation coefficients calculated from auto-correlation function (ACF), cross-correlation function (CCF), and moving average (MA) at five sites. Landform and land-use/cover within 250 m radius of the monitoring wells(GW01, GW02, GW03, GW04, and GW05) at five sites were identified by land cover and digital map using Arc-GIS software. Long lag-times (CCF: 42-71 days and MA: 148-161 days) were calculated at the sites covered by mainly impermeable surfaces(GW01, GW03, and GW05) while short lag-times(CCF: 4 days and MA: 67 days) were calculated at GW04 consisting of mainly permeable surfaces. The results suggest that lag-time would be one of the good indicators to evaluate the effects of land-use/cover on estimating groundwater recharge. The results of this study also provide guidance on the application of statistical time series analysis to environmentally important issues on creating an urban green space for natural groundwater recharge from precipitation in the city and developing a management plan for hydrological disaster prevention.

시계열 예측은 과거 시점의 정보를 토대로 미래 시점의 정보를 예측하는 것을 말한다. 향후 시점의 정보를 정확하게 예측하는 것은 다양한 분야 전략 수립, 정책 결정 등을 위해 활용되기 때문에 매우 중요하다. 최근에는 트랜스포머 모델이 시계열 예측 모델로서 주로 연구되고 있다. 그러나 기존의 트랜스포머의 모델은 예측 순차를 출력할 때 출력 결과를 다시 입력하는 자가회귀 구조로 되어 있다는 한계점이 있다. 이 한계점은 멀리 떨어진 시점을 예측할 때 정확도가 떨어진다는 문제점을 초래한다. 본 논문에서는 이러한 문제점을 개선하고 더 정확한 시계열 예측을 위해 스타일 변환 기법에 착안한 순차 디코딩 모델을 제안한다. 제안하는 모델은 트랜스포머-인코더에서 과거 정보의 특성을 추출하고, 이를 스타일-기반 디코더에 반영하여 예측 시계열을 생성하는 구조로 되어 있다. 이 구조는 자가회귀 방식의 기존의 트랜스포머의 디코더 구조와 다르게, 예측 순차를 한꺼번에 출력하기 때문에 더 먼 시점의 정보를 좀 더 정확히 예측할 수 있다는 장점이 있다. 서로 다른 데이터 특성을 가지는 다양한 시계열 데이터셋으로 예측 실험을 진행한 결과, 본 논문에서 제시한 모델이 기존의 다른 시계열 예측 모델보다 예측 정확도가 우수하다는 것을 보인다.

Time series forecasting refers to predicting future time information based on past time information. Accurately predicting future information is crucial because it is used for establishing strategies or making policy decisions in various fields. Recently, a transformer model has been mainly studied for a time series prediction model. However, the existing transformer model has a limitation in that it has an auto-regressive structure in which the output result is input again when the prediction sequence is output. This limitation causes a problem in that accuracy is lowered when predicting a distant time point. This paper proposes a sequential decoding model focusing on the style transformation technique to handle these problems and make more precise time series forecasting. The proposed model has a structure in which the contents of past data are extracted from the transformer-encoder and reflected in the style-based decoder to generate the predictive sequence. Unlike the decoder structure of the conventional auto-regressive transformer, this structure has the advantage of being able to more accurately predict information from a distant view because the prediction sequence is output all at once. As a result of conducting a prediction experiment with various time series datasets with different data characteristics, it was shown that the model presented in this paper has better prediction accuracy than other existing time series prediction models.

Cloud service has the characteristic that it must be always available and that it must be able to respond immediately to user requests. This study suggests a method for constructing a proactive and autonomous quality and performance management system to meet these characteristics of cloud services. To this end, we identify quantitative measurement factors for cloud service quality and performance management, define a structure for applying a time series framework to cloud service application quality and performance management for proactive management, and then use big data and artificial intelligence for autonomous management. The flow of data processing and the configuration and flow of big data and artificial intelligence platforms were defined to combine intelligent technologies. In addition, the effectiveness was confirmed by applying it to the cloud service quality and performance management system through a case study. Using the methodology presented in this study, it is possible to improve the service management system that has been managed artificially and retrospectively through various convergence. However, since it requires the collection, processing, and processing of various types of data, it also has limitations in that data standardization must be prioritized in each technology and industry.

Oil and steel prices, which are major pricescosts in the shipbuilding industry, were predicted. Firstly, the error of the moving average line (N=3-5) was examined, and in all three error analyses, the moving average line (N=3) was small. Secondly, in the linear prediction of data through existing theory, oil prices rise slightly, and steel prices rise sharply, but in reality, linear prediction using existing data was not satisfactory. Thirdly, we identified the limitations of linear prediction methods and confirmed that oil and steel price prediction was somewhat similar to actual moving average line prediction methods. Due to the high volatility of major price flows, large errors were inevitable in the forecast section. Through the time series analysis method at the end of this paper, we were able to achieve not bad results in all analysis items relative to artificial intelligence (Prophet). Predictive data through predictive analysis using eight predictive models are expected to serve as a good research foundation for developing unique tools or establishing evaluation systems in the future. This study compares the basic settings of artificial intelligence programs with the results of core price prediction in the shipbuilding industry through time series prediction theory, and further studies the various hyper-parameters and event effects of Prophet in the future, leaving room for improvement of predictability.

본 연구는 선박용 공기압축기의 상태기반보전 시스템에 필요한 이상치 탐지 알고리즘 적용에 대한 실험적 연구로서 고장모사 실험을 통해 시계열 전류 센서 데이터를 이용한 이상탐지 적용 가능성을 확인하였다. 고장 유형 10개에 대해 실험실 규모의 고장 모사 실험을 수행하여 정상 운전데이터와 고장 데이터를 구축하였다. 실험 결과 구축된 이상탐지 모델은 시계열 데이터의 주기에 변화를 유발하는 이상은 잘 탐지하는 반면 미세한 부하 변동에 대한 탐지 성능은 떨어졌다. 또한 오토인코더를 이용한 시계열 이상탐지 모델은 입력 시퀀스의 길이와 초모수 조정에 따라 이상 탐지 성능이 상이한 것으로 나타났다.

In this study, an anomaly detection (AD) algorithm was implemented to detect the failure of a marine air compressor. A lab-scale experiment was designed to produce fault datasets (time-series electric current measurements) for 10 failure modes of the air compressor. The results demonstrated that the temporal pattern of the datasets showed periodicity with a different period, depending on the failure mode. An AD model with a convolutional autoencoder was developed and trained based on a normal operation dataset. The reconstruction error was used as the threshold for AD. The reconstruction error was noted to be dependent on the AD model and hyperparameter tuning. The AD model was applied to the synthetic dataset, which comprised both normal and abnormal conditions of the air compressor for validation. The AD model exhibited good detection performance on anomalies showing periodicity but poor performance on anomalies resulting from subtle load changes in the motor.

Data imputation is a crucial issue in data analysis because quality data are highly correlated with the performance of AI models. Particularly, it is difficult to collect quality time-series data for uncertain situations (for example, electricity blackout, delays for network conditions). Thus, it is necessary to research effective methods of time-series data imputation. Many studies on time-series data imputation can be divided into 5 parts, including statistical based, matrix-based, regression-based, deep learning (RNN and GAN) based methodologies. This study reviews and organizes these methodologies. Recently, deep learning-based imputation methods are developed and show excellent performance. However, it is associated to some computational problems that make it difficult to use in real-time system. Thus, the direction of future work is to develop low computational but high-performance imputation methods for application in the real field.