Earticle

경기 분석에서 순환 요인은 보통 실제 GDP로부터 추세 요인을 차감하여 측정하는데, 추세는 비관측변수이다 보니 다양한 방식으로 추정하게 된다. 이중 Hodrick-Prescott 필터 등 시계열 접근법이 광범위하게 활용되어 왔으나, 추정의 안정성 측면에서 문제점들도 지적되어 왔다. 본고는 이러한 문제들로부터 비교적 자유로운 Hamilton 필터, Beveridge-Nelson 필터를 한국의 GDP에 적용하여 두 요인을 분해해 그 특성을 살펴보고, 기존의 주파수 영역 방식의 필터들과의 차이도 비교해 보았다. 분석 결과, 두 필터를 이용한 경기 순환 추정치들은 기존 필터들에 비해 신규 관측 데이터의 추가에도 불구하고 추정 결과가 안정적으로 유지되었다. 특히 Beveridge-Nelson 필터의 경우 향후 경제성장이나 인플레이션 등에 대한 예측력도 기존 필터들에 비해 상대적으로 높은 것으로 나타났다.

Business cycle fluctuations?trend and cyclical components?are typically measured using various methods since the trend is an unobserved variable. Among these methods, time series approaches, including Hodrick-Prescott filter, have been broadly employed; however, issues such as end-point bias have been highlighted in the literature. This study applies the Hamilton filter and Beveridge-Nelson filter, both recently proposed, to Korea's business cycle fluctuations, comparing the estimates of cyclical components with those from traditional filters. The results show that the two filters are relatively free from end-point bias, as they offer stable estimates even with the addition of new observations. Furthermore, the predictive powers of the estimated cyclical component, in particular that of Beveridge-Nelson filter, for future economic growth and inflation was relatively higher than that of the conventional filters.

본 연구는 현재 주택시장에서 심각한 리스크로 부각되고 있는 준공 후 미분양 주택의 향후 추이를 시계열모형을 통해 계량적으로 예측하였다. 준공 후 미분양은 선분양제도로 인한 수요예측 실패, 거시경제 및 금융시장 변화, 공급전략 실패 등이 복합적으로 작용해 발생하며 특히 국내 주택건설 사업은 PF(Project Financing) 기반으로 추진되어 시행주체의 자금 경색과 금융권 부실로 직결되는 구조적 한계를 갖고 있다. 이에 본 연구는 DiPasquale-Wheaton(DW) 4분면 모형의 이론적 틀을 기반으로 수요ㆍ공급의 시차와 재고 누적 구조를 설명하고 이를 시계열모형을 통해 실증적으로 분석하였다. 2011년 1월부터 2025년 3월까지의 월별 데이터를 대상으로, 민간부문 준공 후 미분양 주택 수를 예측 대상인 종속변수로 설정하였고, 기존 연구에서 미분양주택 발생에 영향을 미치는 요소로 나타난 외생변수를 포함하여 ARIMA, ARIMAX, SARIMA, SARIMAX 모형의 예측력을 비교하였다. ACF/PACF로 모형을 식별하여 후보 파라미터를 설정하였고, Grid Search을 통해 AIC 기준 최적의 파라미터로 모형을 추정한 후 MAPE와 RMSE로 예측 성능을 비교하여 최종 모형을 결정하였다. 실증분석 결과 외생 변수를 포함한 ARIMAX 모형이 가장 우수한 성능을 보였으며, 잔차 진단결과 백색잡음을 충족하였고, ARCH 또는 GARCH 형태의 이분산성도 존재하지 않는 것으로 나타났다. 최종적으로 선정된 ARIMAX 모형을 기반으로 향후 1년간 준공 후 미분양 추이를 예측한 결과, 단기간 내 뚜렷한 해소 없이 지속적인 증가세를 보일 것으로 나타나 선제적 대응과 구조적 처방의 필요성이 더욱 강조된다.

This study, based on a time-series model, quantitatively predicts the future trend of houses that remain unsold after completion of construction, which is a serious risk in the housing market. A complex combination of failure to forecast demand due to the pre-sale contract system, macroeconomic and financial market changes, and supply strategy failures contributes to houses remaining unsold after construction completion. In this context, this study explains a time lag in demand and supply and a structure of accumulated inventory based on the theoretical framework of the DW four-quadrant model, empirically analyzing them based on a time series model. Considering monthly data from January 2011 to March 2025, this study sets the number of unsold houses after construction completion in the private sector as the dependent variable to predict. It then compares the predictive power of the ARIMA, ARIMAX, SARIMA, SARIMAX models This study identifies the models with the ACF and the PACF to set candidate parameters, estimates the ones with the best parameters based on the AIC through grid search, and compares the prediction performance with the MAPE and the RMSE to determine the final model. The results of the empirical analysis suggest that the ARIMAX model with the exogenous variables performed the best, and the residuals passed a white noise test. After predicting unsold houses after construction completion for the subsequent years, based on the final ARIMAX model, this study discovered a continued uptrend in the number of the unsold houses without a clear resolution in the short term, which further highlights the importance of preemptive responses and structural remedies.

이 연구는 부산지역 외국인 관광객 수요의 현황과 향후 관광수요를 ARIMA, SARIMAX 및 XGBoost 모형을 활용하여 예측하였다. 분석 대상 기간은 2020년 1월부터 2024년 12월까지이고, 코로나19 팬데믹으로 인한 급격한 관광객수 감소 이후 2022년부터 빠른 회복세를 보이며 2023년부터는 팬데믹 이전 수준을 초과하는 증가세를 나타냈다. ARIMA 모형은 여름과 가을철에 집중되는 부산 관광수요의 계절성을 효과적으로 반영하였다. SARIMAX 모형 분석 결과, 전국관광객 수 변화가 부산 관광수요에 통계적으로 유의한 영향을 미쳤음을 입증하였다. 또한, XGBoost 모형은 변수 간의비선형 관계와 복잡한 상호작용 효과를 효과적으로 포착하며 안정적인 관광수요 예측 결과를 제공하였다. 이 연구의 분석결과는 부산 관광산업의 지속가능한 발전과 효과적인 관광정책 수립 및 마케팅 전략의 기초자료로 활용될 수 있다.

This study analyzed and forecasted foreign tourism demand for Busan using ARIMA, SARIMAX, and XGBoost models. Monthly data from January 2020 to December 2024 were analyzed, covering periods of significant decline due to the COVID-19 pandemic, rapid recovery in 2022, and tourism levels surpassing pre-pandemic figures from 2023 onward. The ARIMA model effectively captured seasonal variations, particularly highlighting the peak tourist arrivals in summer and autumn. The SARIMAX model confirmed a statistically significant influence of national tourism demand on Busan’s tourism, illustrating the close relationship between regional and nationwide tourism demand patterns. Furthermore, the XGBoost model demonstrated robust predictive capability by accurately capturing complex nonlinear relationships and interactions among variables, providing stable and reliable tourism demand forecasts. The findings of this study provide fundamental evidence for establishing sustainable tourism development strategies, tourism policy-making, and effective marketing plans for Busan.

This study analyzed the topographic changes of the abandoned paddy wetlands in the Jeongeup Wolyeong Wetland using time-series aerial images and DEM data. The time-series analyses of the data from 1966 to 1993 showed that the area of paddy-rice fields continuously decreased. The expansion of abandoned paddy wetlands in the region is primarily attributed to the cessation of cultivation, the encroachment of vegetation, and the structural degradation of terraced paddy field systems. GPS-assisted field surveys comparing wetland boundaries in 1964 and 2024 identified the historical maximum and minimum extents of the wetlands and revealed a general decline in area during this period. This reduction was primarily caused by sediment inflow from adjacent mountain slopes and accelerated terrestrialization driven by progressive natural succession of vegetation. In addition, DEM-based analysis of topographic relief in the paddy wetlands indicated that remnants of terraced structures from former paddy-rice cultivation still persist in certain areas, facilitating moisture retention and sediment accumulation at each terrace level. The study results hold academic significance providing a long-term anaysis of the formation and structural changes of montane paddy wetlands. These findings provide a foundational basis for the development of future conservation, management, and ecological restoration strategies for comparable wetland systems.

Accurate real-time prediction of fine particulate matter (PM 2.5) in enclosed public transport spaces like subway stations is essential for air quality control and public health. This study developed a machine learning-based model designed to maintain stable predictions even with missing time-series indoor air quality data. Three input datasets were prepared using different methods of incorporating outdoor air quality: data from a single site, averages from multiple sites, and individual values from several sites. Five individual machine learning models and three ensemble models, which do not rely on time-series data, were tested for prediction accuracy over 1-4 hour lead times. The XGBoost-Cubist ensemble model performed best (Kling and Gupta Efficiency = 0.838), showing strong and stable accuracy even at longer lead times. Among the datasets, the one using averaged data from multiple outdoor monitoring sites yielded the most reliable predictions with the least accuracy loss over time. The study highlights that using spatially aggregated outdoor air data enhances the robustness of indoor PM₂.? forecasts. It also shows the practical value of non-time-series models in dealing with incomplete real-world data, offering insights for future air quality monitoring and alert systems in public transport environments.

이 연구는 로그데이터에서 나타난 온라인 학습행동의 학습 유형을 시계열적으로 살펴보았으며, 이를자기보고식 응답 결과와 연계하여 온라인 행동 특성과 학생들의 내재적 특성 간의 관계를 파악하고자하였다. 이를 위하여 온라인 교육 프로그램의 12주 간 학습콘텐츠 열람 횟수를 활용하여 시계열 군집분석을 적용하였으며, 유형에 따른 주차별 로그인 횟수, 주차별 학습통계 페이지 참여 횟수 및 성취수준을 살펴보았다. 또한, 유형별로 학습동기(내재가치, 유용가치, 비용, 효능감)와 성취목표(숙달목표, 수행접근목표, 수행회피목표) 수준을 비교하였다. 주요 연구결과는 다음과 같다. 첫째, 시계열 군집분석 결과, 학생들은 온라인 학습행동은 능동적 학습 지속형(10.2%), 소극적 학습 지속형(42.7%), 소극적학습 지연형(47.1%)의 3개 유형으로 구분되었다. 둘째, 유형별 온라인 행동특성 및 학업성취 수준을살펴본 결과, 온라인 학습 유형에 따라 학습 참여 수준, 학습콘텐츠를 열람하는 패턴, 학습통계 페이지를 이용하는 양상이 다르게 나타났으며, 학업성취 역시 차이를 보였다. 셋째, 유형별 성취동기와 성취목표를 비교한 결과, 학습동기에서는 비용에서만 부분적인 차이가 나타난 반면, 성취목표에서는 수행접근목표와 수행회피목표에서 집단 간 뚜렷한 차이가 관찰되었다. 이를 토대로 로그데이터의 시계열적 특성을 살린 분석의 의의와 로그데이터와 자기보고식 검사를 연계하여 살펴보는 것의 가능성을논하였다.

This study examined patterns in online learning behaviors through time-series analysis of log data. It also explored the relationship between online behaviors and students' motivational and goal-related attributes by analyzing their association with self-reported survey responses. Time-series clustering was applied using e-book accesses data recorded over a 12-week online course. Weekly login frequency, access to the learning statistics page, and academic achievement were analyzed based on the identified learning patterns. Furthermore, differences in learning motivation (intrinsic value, utility value, cost, and self-efficacy) and achievement goals (mastery, performance-approach, and performance-avoidance) were examined across learning types. The key findings are as follows. First, time-series clustering identified three types of online learners: active learning sustainers (10.2%), passive learning sustainers (42.7%), and passive learning procrastinators (47.1%). Second, online behavioral characteristics and academic achievement varied by learning type. Third, while perceived cost in learning motivation showed minor differences, performance-approach and performance-avoidance goals differed significantly among groups. These findings highlight the importance of leveraging the temporal dynamics of log data and integrating log-based insights with self-reported measures for a more comprehensive understanding of online learning behaviors.

2023년 인천항으로 들어오는 해상 특송화물이 큰 폭으로 증가하면서 통상 2∼3일 걸리던 통관 절차가 1주일 정도 소요되는 등통관 지체 현상이 심화하고 있었으며, 이는 중국 기업인 알리 익스프레스, 태무, 쉬인 등 대중국 해상 특송화물의 급격한 증가에따라 인천세관에서 처리할 수 있는 통관 처리 물량을 넘어섰기 때문이다. 인천항은 2021년 1,172만 건, 2022년 1,238만 건, 2023년1,575만 건으로 급증하는 추세였으며, 인천항에 쏟아지는 한-중 카페리 화물을 처리하기 위해 인천본부세관 해상특송물류센터는비상 상황으로 이어지고 있었다. 이에 따라, 2023년 12월 아암물류 2단지에 확장 이전하여 인천항 해상특송물류센터가 새롭게 구축되었으며, 화물을 검사하는 엑스레이(X-Ray) 라인이 6개에서 11개로 늘어났고 자동분류설비가 새롭게 도입되었으며 연간 통관처리 물동량이 종전 1,200만 건에서 2,200만 건으로 2배가량 늘어났다. 이에 따라 해외 직구 물품의 안전하고 신속한 통관으로 통관 처리의 신속화와 기업물류비 절감 등을 기대하고 있으며, 아암물류 2단지 내에 국내외 전자상거래 업체 유치로 고용 창출과지역경제 발전 기여를 기대하고 있다. 따라서 본 연구에서는 2023년 12월 아암물류 2단지로 확장 이전한 인천항 해상특송물류센터의 ‘연간 통관 처리 물동량 2,200만건은 충분한 것인가?’, ‘연간 통관 처리 물동량 2,200만 건은 어느 시점에서 초과할 것인가?’를 분석하는 데 중점을 두었다. 이를위해 첫째, 전자상거래 특송화물에 대한 현황 조사와 국내 해상 특송화물 통관장(일반적으로 ‘해상 특송화물 통관장’으로 통칭하지만 인천항은 ‘해상특송물류센터’로 명칭함)의 형태 및 벤치마킹을 수행하였다. 둘째, 인천항 해상 특송화물 연간 물동량 및 인천항 월별 수출입 통관 전자상거래 수입 물품 물동량을 조사하고, 스마트 포케스트(Smart Forecast, 미국 Smart Software사 개발, 이하 SF) 수요예측 솔루션과 이동평균법, 지수평활법 등 정량적 수요예측 기법을 이용하여 미래 물동량의 변화(2024년∼2030년)에대한 시계열 분석을 수행하였다. 그 결과 2030년에는 연간 통관 처리 물동량 2,200만 건을 초과할 것으로 산출되었다. 이에 따라인천항 해상특송물센터의 발전을 위한 단계적인 준비 사항과 정책적 제언을 제시하였다. 기존 연구는 해상특송 통관장 건립 사업의 타당성 분석 또는 해상특송 통관장의 최적 자동화설비 구축 등에 중점을 두었으나. 본 연구는 인천항 해상특송물류센터의 발전을 위한 시계열 분석을 통한 개선 방안과 정책적 제언을 제시하는 데 연구의 의미와차별성이 있다.

As the maritime express cargo entering Incheon Port increased significantly in 2023, customs clearance procedures, which usually took 2-3 days, were now taking about a week, and customs clearance delays were worsening. This was because the volume of customs clearance cargo from China, including Chinese companies such as AliExpress, Temu, and Shein, exceeded the amount that Incheon Customs could handle due to the rapid increase. Incheon Port showed a sharp increase from 11.72 million cases in 2021, 12.38 million cases in 2022, and 15.75 million cases in 2023, and the Incheon Main Customs Maritime Express Logistics Center was put on emergency alert to handle the Korea-China ferry cargo pouring into Incheon Port. Accordingly, the Incheon Port Maritime Express Logistics Center was newly established by expanding and relocating to Aam Logistics Complex 2 in December 2023. The number of X-ray lines for inspecting cargo has increased from 6 to 11, automatic sorting equipment has been newly introduced, and the annual processing volume has approximately doubled from 12 million to 22 million. In addition, in order to ensure safe and quick customs clearance of overseas direct purchase items, we are seeking to optimize customs clearance processing time and reduce corporate logistics costs, and we expect to contribute to job creation and regional economic development by attracting domestic and international e-commerce companies. Therefore, this study focused on analyzing “whether the annual processing volume of 22 million cases is sufficient” and “at what point will the annual processing volume exceed 22 million cases” of the Incheon Port Maritime Special Logistics Center, which was expanded and relocated to Aam Logistics Complex 2 in December 2023. To this end, first, we conducted a survey on the current status of e-commerce and special cargo, and the form and benchmarking of domestic maritime special cargo customs clearance. Second, the annual cargo volume of Incheon Port’s maritime express cargo and the monthly cargo volume of e-commerce import goods through export and import customs clearance at Incheon Port were investigated, and time series analysis on changes in future cargo volume (2024-2030) was performed using quantitative demand forecasting techniques such as Smart Forecast (demand forecasting solution developed by Smart Software, USA) and moving average method and exponential smoothing method. As a result, it was calculated that the annual cargo volume would exceed 22 million cases in 2030. Accordingly, step-by-step preparations and policy suggestions for the development of Incheon Port’s maritime express cargo center were presented. Previous studies have focused on the design of the optimal automated facility layout of the maritime express customs clearance office or the feasibility analysis of the maritime express customs clearance office construction project. This study has the significance and differentiation of presenting improvement measures and policy suggestions through time series analysis for the development plan of Incheon Port’s maritime express logistics center.

한국의 주택시장은 2020년대에 들어 유례없는 폭등과 폭락을 반복하는 등 매우 민감한 가격 변동을 경험하였다. 특히 2024년 9월 서울특별시에서는 거래량 급감에도 불구하고 역대 최고 아파트 평균 매매가격이 경신되기도 하였다. 하지만 이러한 주택시장의 변동성은 지역에 따라 다소 이질적인 특성을 보이고 있다. 이에 본 연구에서는 최근 10년 간의 시계열적인 매매가격지수를 기반으로 수도권 아파트의 주택 하위시장을 유형화하고 그 특성을 살펴보고자 한다. 이를 위해 수도권 시군구 단위로 2014-2024년 월간 아파트 매매가격지수 데이터셋을 구축하였고, 자기조직화 지도를 사용하여 매트릭스 형태의 시계열적 가격 변동을 2차원 공간상에 매핑하여 그래프로 작성하였다. 그 후 동적 타임 워핑을 유사성 척도로 하는 K-평균 군집화 및 계층적 밀도 기반 군집화 알고리즘을 이용한 시계열 군집 분석을 수행하여 주택 하위시장을 식별하였다. 연구 결과, 수도권 지역에서는 공통적으로 2014년 이후 아파트 매매가격이 지속적으로 상승하였고, 2020년을 기점으로 폭등한 후 2022년 급락하는 경향을 보였다. 그러나 지역별로 가격 변동의 정도와 패턴, 속도가 상이하였고 이에 대한 유형화를 진행한 결과 최종적으로 계단형(서울 인근 경기도 지역), 단기변동형(경기도 남･북부 지역), 안정형(경기도 서부 지역), 외곽 저속개발(수도권 외곽 및 접경지역), 지속상승(서울 및 인접 경기도 지역) 총 5개의 하위시장을 확인할 수 있었다. 본 연구는 민감한 가격 변동을 보이는 수도권 아파트의 하위시장을 실증적으로 구분하고, 하위시장의 독특한 시공간적 패턴에 대한 이해를 제공함으로써 향후 실효성 있는 지역 특수적 주택 정책 수립에 기여할 것으로 기대된다.

The real estate market in South Korea has experienced unprecedented volatility in the 2020s, with rapid price fluctuations marked by record-breaking increases and decreases. Particularly, in September 2024, despite a sharp decline in transaction volume, the highest average apartment sales price was recorded in Seoul. However, this variability of the housing market differs regionally. This study aims to identify and characterize housing submarkets within the Seoul metropolitan area based on time-series apartment sales price indices for the past decade. To do this, monthly apartment sales price index data from 2014 to 2024 are collected at the district level in the Seoul metropolitan area. Utilizing Self-Organizing Map, the price fluctuation over time is mapped onto a two-dimensional space to generate time series graphs. Then, clustering analysis based on the Dynamic Time Warping distance, including K-means and HDBSCAN is conducted to identify distinct housing submarkets. The results indicate that apartment transaction prices in the metropolitan area have consistently risen since 2014, with a dramatic surge starting in 2020, followed by a sharp decline in 2022. However, the price fluctuations’ degree, pattern, and speed varied by region. Ultimately, five distinct submarkets were identified: stepwise variable cluster (Gyeonggi regions near Seoul), short-term variable cluster (northern and southern Gyeonggi regions), stabilized cluster (western Gyeonggi region), underdeveloped peripheral cluster (metropolitan outskirts and border areas), and continuously rising cluster (Seoul and adjacent Gyeonggi regions). This study is expected to contribute to developing effective region-specific housing policies by empirically identifying apartment housing submarkets with sensitive price variability of the Seoul metropolitan area and providing an understanding of unique spatiotemporal patterns of submarkets.

The quality of welds during welding processes significantly affects the performance and the reliability of the final products. Therefore, to guarantee a high quality of the products, technologies that utilize time-series data measured by various sensors for monitoring the welding processes are required. Because the time-series data measured during the welding processes exhibit nonlinear and nonstationary characteristics, deep learning techniques, which can automatically learn the features of nonlinear and nonstationary signals through deep network structures, have recently gained recognition as a new monitoring method. Therefore, in this review, recent research that applied deep learning models based on time-series data measured during welding processes to monitor welding processes are introduced. In addition, the types of time-series data and deep learning model structures that are predominantly used to monitor the welding processes, such as predicting the penetration states and identifying the welding defects are discussed. Lastly, based on the research cases discussed herein, future research directions and the prospects of deep learning- based welding process monitoring technology that uses time-series data are discussed.

Purpose - This study attempted to predict short-term transportation demand using trains and getting off at Gangchon Station. Through this, we present numerical data necessary for future tourist inflow policies in the Gangchon area of Chuncheon and present related implications. Design/methodology/approach - This study collected and analyzed transportation demand data from Gangchon Station using the Gyeongchun Line and ITX-Cheongchun Train from January 2014 to August 2023. Winters exponential smoothing model and ARIMA model were used to reflect the trend and seasonality of the raw data. Findings - First, transportation demand using trains to get off at Gangchon Station in Chuncheon City is expected to show a continuous increase from 2020 until the forecast period is 2024. Second, the number of passengers getting off at Gangchon Station was found to be highest in May and October. Research implications or Originality - As transportation networks are improving nationwide and people's leisure culture is changing, the number of tourists visiting the Gangchon area in Chuncheon City is continuously decreasing. Therefore, in this study, a time series model was used to predict short-term transportation demand alighting at Gangchon Station. In order to calculate more accurate forecasts, we compared models to find an appropriate model and presented forecasts.

현대 사회에서는 정보 기술의 발전으로 인해 전자상거래가 확대되어 소비자가 선호하는 상품과 서비스를 넘쳐나는 정보와 데이터를 효율적으로 취합하여 보여주는 자동 추천 시스템이 중요해졌다. 기존 전자상거래에서 상품추천의 정확성을 높이기 위해서 다양한 기법들이 사용되고 있다. 그 중 다중분류 기반의 상품추천 모델인 RNN을 사용하는 모델에는 고질적인 문제점이 존재한다. RNN은 시계열 분류 태스크에 적합한 딥러닝 모델이지만 기울기 소실 또는 기울기 폭주와 같은 이슈가 발생한다. 이와 같은 이슈를 보완하기 위해 커널(Kernel)을 통해 지역적 패턴을 효과적으로 감지하는 CNN 모델을 사용하기도 한다. 본 연구에서는 시계열 데이터를 GAF, MTF, RP 세 가지의 이미지화 인코딩을 통해 CNN 모델에 학습하여 상품추천 모델을 생성하는 아키텍쳐를 기반으로 추천 모델의 성능을 비교한다. 실험에서는 54만 건의 공개된 트랜잭션 데이터셋을 훈련용과 테스트용으로 분할한다. 분할된 데이터를 시계열 데이터로 구성하고 모델의 입력 이미지의 크기와 동일하게 구성하기 위해 제로패딩을 거친다. 세 가지 이미지화 알고리즘을 통해 생성된 이미지를 AlexNet, VGG16, ResNet50 그리고 MobileNet 모델을 학습시켜 상품추천 정확도를 기존 RNN 추천 모델의 성능과 비교한다. CNN 모델들은 LSTM보다 성능을 향상된 것을 확인할 수 있다. GAF 알고리즘으로 이미지화하고 MobileNet 모델에 학습했을 때 가장 높은 추천 정확도를 도출하였으며 학습 소요 시간도 단축하여 효율성을 향상되었다. 향후 연구로는 상품추천 모델의 성능 향상을 위한 이미지화 알고리즘의 고도화와 시계열 이미지 데이터에 최적화된 CNN 모델 개발을 수행한다.

In the modern world, advances in information technology have led to the expansion of e-commerce, making it important for automated recommendation systems to efficiently gather the flood of information and data to present consumers with their favorite products and services. Various techniques are used to improve the accuracy of product recommendation in existing e-commerce. Among them, there are chronic problems that use RNN, a multi classification-based product recommendation model. RNN is a deep learning model suitable for time series classification tasks, but it suffers from issues such as gradient vanishing and gradient exploding. To Compensate for these issues, CNN models are often used to effectively detect local patterns through kernels. In this study, we compare the performance of recommendation models based on an architecture that generates product recommendation models by training CNN models with time series data through three different imaging encodings: GAF, MTF and RP. In our experiments, we split the 540,000 published transaction dataset into train and test. The splitted data is constructed as time series data and zero-padded to equalize the size of the model’s input image. We train AlexNet, VGG16, ResNet50, and MobileNet models on images generated by the three imaging algorithms and compare their product recommendation accuracy with the performance of existing RNN recommendation models. We can see that the CNN models perform better than the LSTM. When imaged with the GAF algorithm and trained on the MobileNet model, the highest recommendation accuracy was achieved, and the learning time was also shortened, improving efficiency. Future research will include the advancement of imaging algorithms to improve the performance of product recommendation models and the development of CNN models optimized for time series image data.

연구 목적: 본 연구의 목적은 환선굴의 관광 수요예측을 통해 합리적이고 효율적인 관광정책의 방향을 제시하는 것이다. 연구 방법: 이를 위해, 2014년 1월부터 2022년 12월까지의 관광객 수의 추세를 살펴보고 Winters 지수평활법인 가법 모형과 승법 모형을 이용하여 결과를 비교 분석하였다. 연구 내용: Winters 승법 모형을 이용하여 2023년 1월부터 2027년 12월까지 환선굴의 관광 수요예측을 하였다. 결론 및 제언: 본 연구의 결과를 바탕으로 시사점을 제언하고자 한다. 첫째, 환선굴의 관광객유치를 증가시키기 위한 새로운 개발 정책이 필요하다. 둘째, 동굴 관광객 감소 원인 분석을 통해 시설 노후화, 마케팅 등의 문제점을 개선해야 한다. 셋째, 개방된 동굴의 환경을 개방 전의 동굴 환경의 상태로 유지할 수 있는 정책이 함께 수립되어야 한다. 본 연구는 환선굴의 내･외국인 관광객 통계를 활용하여 미래 관광수요 예측 및 예측에 적합한 모형을 발굴하여 새로운 관광정책 수립을 위한 자료로 활용되거나 관련 연구의 기초가 되었다는 것에 의의가 있다.

The purpose of this study is to present the direction of rational and efficient tourism policies through the prediction of tourism demand in Hwanseon Cave. To this end, the trend of the number of tourists from January 2014 to December 2022 was examined, and the results were compared and analyzed using the Winter Exponential Smoothing Method, additive model and multiplicative model. By applying the Winters multiplicative model, the number of monthly tourists to Hwanseon Cave from January 2023 to December 2027 was predicted. Based on the results of this study, I would like to suggest implications. First, a new development policy is needed to increase the attraction of tourists to Hwanseon Cave. Second, problems such as facility aging and marketing should be improved by analyzing the cause of the decline in tourists to caves. Third, policies should also be established to maintain the environment of the open cave in a state of the cave environment before opening. This study is meaningful in that it was used as data for establishing new tourism policies or became the basis for related research by exploring models suitable for predicting future tourism demand and predicting future tourism demand using statistics from domestic and foreign tourists in Hwanseon Cave.

국내 자동차 시장에서는 최근 호황을 맞아 신차 출시 주기가 짧아지고 있다. 이러한 배경에서 본 연구는 국내 자동차 시장에서의 자기잠식(cannibalization) 효과를 측정하고, 자기잠식 효과의 경향성에 대해서 연구한다. 본 연구에서는 국내 대표 자동차 기업인 현대자동차와 기아자동차의 월별 판매량 데이터와 시계열 분석을 이용해 자동차 시장에서 신제품이 출시되지 않았다고 가정한 경우의 기존 제품의 판매량을 예측한다. 예측된 기존 제품의 판매량과 신제품의 실제 판매량과의 차이를 자기잠식의 크기로 정의한다. 특성들의 집합으로 표현된 자동차 제품의 자기잠식 효과를 특성에 따라 비교함으로써 자기잠식의 경향성에 대해서 분석한다. 분석 결과, 시간이 갈수록 국내 자동차 시장의 자기잠식 효과는 커지고 있다. 특히 연료와 같은 자동차 특성의 변화(전이)를 고려하여 자기잠식 효과를 분석한 결과, 가솔린, 전기차보다 하이브리드 차량이 출시되었을 때 자기잠식 효과가 크게 나타났다. 다만, 자동차 가격대에 따른 자기잠식 효과의 경향성은 없었다. 본 연구는 신제품을 출시하고자하는 국내 자동차 회사들이 소비자의 자기잠식 경향성을 고려하여 차기 신제품 출시시기를 결정하거나 또는 기존 제품의 단종 시기를 조정하는 등의 실질적인 정책적 시사점이 있을 것으로 기대한다.

Due to the recent surge in the domestic automobile market, the time interval between new car launches is getting shorter. In this context, this research investigates the cannibalization effect in the domestic automobile market and its trend. The study uses monthly sales data and time series analysis of Hyundai Motor Company and Kia Motors, the leading automobile companies in Korea, to predict the sales volume of existing products assuming no new products are launched in the market. The difference between the predicted sales volume of the existing product and the actual sales volume of the new product is defined as the cannibalization amount. The cannibalization effect is analyzed by comparing it to a set of product characteristics. The findings show that the cannibalization effect in the domestic automobile market is increasing over time. Moreover, the cannibalization effect was greater for hybrid vehicles compared to gasoline and electric vehicles, as analyzed by considering the transition of vehicle characteristics such as fuel. However, there was no discernible trend in the cannibalization effect according to the price of the car. The practical policy implications of this study are significant for domestic automakers who plan to launch new products. The findings can guide decision-making processes such as determining the timing of new product launches or adjusting the discontinuation of existing products to account for consumers' cannibalistic tendencies.

In this study, the volume of Pohang Port was predicted. All cargo of Pohang port, iron ore, steel, and bituminous coals were selected as prediction targets. SARIMA, Prophet, and Neural Prophet were used as analysis methods. The predictive power of each model was verified, and a predictive model with high performance was used to predict the volume of goods in Pohang port. As a result of the analysis, it was found that Neural Prophet showed the highest performance in all predictive power. As a result of predicting the future volume of goods until August 2027 using Neural Prophet, it was found that the volume of all items in Pohang port was decreasing. In particular, it was analyzed that the decline in steel cargo was steep. In order to increase the volume of cargo at Pohang port, it is necessary to diversify the cargo handled at Pohang port and check the policy of increasing the volume of cargo.

In this paper, various time series analysis models and machine learning models are presented for long-term prediction of export growth rate, and the prediction performance is compared and reviewed by RMSE and MAE. Export growth rate is one of the major economic indicators to evaluate the economic status. And It is also used to predict economic forecast. The export growth rate may have a negative (-) value as well as a positive (+) value. Therefore, Instead of using the ReLU function, which is often used for time series prediction of deep learning models, the PReLU function, which can have a negative (-) value as an output value, was used as the activation function of deep learning models. The time series prediction performance of each model for three types of data was compared and reviewed. The forecast data of long-term prediction of export growth rate was deduced by three forecast methods such as a fixed forecast method, a recursive forecast method and a rolling forecast method. As a result of the forecast, the traditional time series analysis model, ARDL, showed excellent performance, but as the time period of learning data increases, the performance of machine learning models including LSTM was relatively improved.

Spatio-temporal fusion of multi-sensor satellite images with different spatial and temporal resolutions can generate time-series images with both high spatial and temporal resolutions to monitor phenological changes of indigenous plants. This paper evaluates the predictive performance of spatio-temporal fusion models to generate Landsat-like images by fusing MODIS into Landsat images. Three spatio-temporal fusion models including STARFM(spatial and temporal adaptive reflectance fusion model), ESTARFM(enhanced STARFM), and FSDAF (flexible spatiotemporal data fusion) are compared via an experiment using MODIS and Landsat red and near infrared images in Mt. Halla where increasing decline and death of Korean fir have been reported. The prediction accuracy of ESTARFM using two pairs of input images was higher than that of the other two models in 2009, but FSDAF using one pair of input images outperformed better than ESTARFM in 2020. These different prediction results were mainly due to the strength of correlation between input images on base and prediction dates. When the correlation was relatively weak, ESTARFM using multiple-pair images yielded the best prediction accuracy. On the contrary, the stronger the correlation, the greater the prediction accuracy of FSDAF. Therefore, the statistical relationships between input images and spatial patterns of input and output images should be considered to selecting the best spatio-temporal fusion model for monitoring phenological changes.

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.

인간 행동 인식 기술은 전통적으로 서포트 벡터 머신과 같은 기계 학습 기술 분야이다. 그리고 딥 러닝의 발전과 함께 순환 신경망을 사용하여 이와 같은 작업이 수행되고 있다. 최근에는 시계열 데이터를 이미지로 변환한 후 CNN (Convolutional Neural Networks)에 적용할 수 있음이 확인되었다. 저자는 시계열 기반 CNN 신경망에서 정밀도 향상을 위해 에지 향상, 선 너비 제어 및 색상 코드 최적화와 같은 몇 가지 방법을 제안했다. 엣지 강화 방법은 사물을 인식한다는 것은 사물의 형태를 본다는 직관에서 나온 아이디어이다. 또한 시계열 데이터의 데이터를 이미지로 변환 할 때, 빠른 정착 시간과 높은 정확도를 포함하여 최상의 성능을 얻을 수 있는 최적의 선폭이 존재할 수 있고, 이것이 선폭 제어 방법을 고안하게 되었다. 색상 코드 최적화는 보색으로부터 동기가 부여되었는데, 색상 코드 최적화는 색상 공간에서 색상 거리를 최대화하여 얻을 수 있다. 보색은 이미지를 더 선명하고 모양으로 만들어 신경망의 성능을 향상시킨다. 이 논문에서는 위의 세 가지 방법을 자세히 비교하고 평가한다. 실험 결과로부터 시계열 데이터의 이미지 분류 작업에서 선폭 제어가 가장 효과적인 기법이며 색상 코드 최적화도 효과적인 방법이었다. 이 논문에서 선폭 제어는 원시 정보가 시계열 데이터인 선이기 때문에 효과가 떨어졌다. 그러나 원시 데이터에 이미지와 같은 공간 정보가 있는 경우 f1-score를 향상시키는 데 에지 강화 기법이 훨씬 더 효과적일 것이다.

Human activity recognition (HAR) is a classification task based on time series sensor data, which have traditionally been performed with machine learning methods like a support vector machine (SVM). With development of deep learning, the task also is carried out using recurrent neural networks. Recently, it was confirmed that the time series data can be used for convolutional neural networks (CNN), where the time series data is transformed into an image beforehand to be used in CNN. Author has suggested several methods, i.e., edge enhancement, line width control, and color code optimization, for an accurate task in the time series based convolutional neural network. The edge enhancing method results from that recognizing things mean seeing the shape of the things. With the intuition additional edge information is applied to the image as an additional channel. Moreover, in the image of time series data, the optimal line width may be existed to achieve the best performance, which includes fast settle time and high accuracy. This motivates the line width control method. The color code optimization is motivated by a complementary color. The color code optimization can be obtained by maximizing the color distances in the color space. The complementary color makes images more clear and shape, which results in higher performance of the neural network. This paper compares and evaluates the three methods in detail. From the experimental results, in the image classification task of the time series data, the line width control is the most effective technique, and the color code optimization is also effective method. The line width control was the least effective because the raw information is time series data, i.e., line. However, if the raw data has spatial information such as images, the edge enhancement technique is much more effective to improve f1-score.

본 연구는 트렌드를 구성하는 세대 연구에서, 연령효과, 시기효과, 코호트효과를 구분하여 각각이 어떻게 영향력을 미치는지, 또 그 영향력의 차이는 어떠한지에 대한 실증적인 탐구를 수행하고자 했다. 이를 위해 반복된 횡단면 데이터인 한국방송광고진흥공사의 소비자행태조사를 이용하여 ‘사회공헌을 많이 하는 기업일수록 좋은 기업이라고 생각한다’는 문항에 대한 분석을 실시했다. 먼저 탐색적으로 분석한 결과, 사회공헌에 대한 소비자의 긍정적 인식에서 연령별, 시기별, 코호트별 평균값 차이를 발견하였다. 특히 Z코호트는 다른 코호트와는 달리 시기가 증가함에 따라 사회공헌 활동과 기업의 긍정적 이미지의 연관성을 높게 평가하였다. 다음으로 연령효과, 시기효과, 코호트효과의 상대적 영향력을 구분하기 위해, 연령을 1-수준의 변수로, 시기와 코호트를 2-수준의 변수로 설정해 위계적 교차분류임의효과모형을 분석한 결과, 연령효과와 코호트효과는 정의 효과를 갖고, 시기효과는 통계적으로 유의하지 않았다. 또한 연령효과와 시기효과의 상호작용, 그리고 연령효과와 코호트효과의 상호작용은 부의 효과를 가졌다. 특히 전체 데이터에서는 상관관계가 높게 나타난 연령과 코호트라는 두 변수를 수준을 다르게 두어 교차 분석하였더니 서로 반대의 효과가 있음이 도출되었다. 이에 본 연구는 연령효과와 시기효과, 코호트효과는 구분하여 측정할 수 있는 서로 다른 효과이며, 사회공헌에 대한 소비자의 긍정적 인식에 미치는 영향의 크기도 다르고, 그 영향의 방향도 다를 수 있음을 확인하였다. 또한 다층모형의 방법론을 적용해 연구를 수행하였다는 점에서, 향후 다양한 시계열 데이터의 활용과 소비자 행태 연구에서의 동태적 접근의 가능성을 제시하였다.

This study is an empirical exploration of how age effect, period effect, and cohort effect influence the trend in generation studies, and what the differences of each aspect impact to the consequences. The questionnaire of “Thought of companies that make more social responsibility activities is a better company” in the Consumer Behavior Survey of the Korean Broadcast Advertising Corporation, which is the repeated cross-sectional data, was used to analyze in this study. First, an exploratory data analysis found the difference in the average value of consumers' positive perception of social responsibility activities by age, period, and cohort. Contrary to other cohorts, Z cohorts, in particular, present that consumers recently tend to evaluate companies more positively when companies engaged more in social contribution activities. Next, to distinguish the relative influence of age effects, period effects and cohort effects, the hierarchical APC cross-classified random effect model (HAPC-CCREM) was analyzed by setting age as a 1-level variable and period and cohort as a 2-level variable. The age effect and cohort effect had positive static effects, but the period effect was not statistically significant. In addition, the interaction effect between the age and the cohort had a negative effect, as well as the interaction effect between the age and the period. particularly, cross-analysis of two variables, age and cohort, which are highly correlated, resulted in contrary effects. Therefore, this study indicates that the age effect, period effect, and cohort effect are different effects, and each of the effects can be measured separately. Each of the effects shows the different results on the size of the impact on consumer perception toward companies’ social responsibility activities and the direction of the impact. Furthermore, the study suggests the possibility of dynamic approaches in the study of consumer behavior and utilizing various time series data in the future by conducting and applying the methodology of the multi-level model in this research.

부정기선 해운 시장은 진입 장벽이 매우 낮아 높은 변동성을 가지는 시장으로, 시황의 예측과 전망에 매우 민감할 수 밖에 없다. 해운 시황을 나타내는 다양한 지수들 가운데 가장 대표적인 지수로 BDI가 있다. 정확도가 높은 BDI를 예측하는 것은 해운기업에 있어서 매우 중요한 부분으로 시황 예측 모델은 기업의 운영과 투자 전략에도 핵심적인 역할을 담당한다. 즉, 본 연구는 계량경제학 모형 활용을 통해 최적의 변수를 선정하고 해운 시황 관계자들에게 의미있고 유용성 있는 BDI 예측 지표를 제공하는데 목적이 있다. 본 연구의 결과를 요약하면 다음과 같다. 일변량 ARIMA 모형 대비 다변량 VECM 모형에서 예측률이 약 6% 정도 개선되었다. 이는 최적의 변수 선정에 대한 중요성과 다변량 모형이 일변량 대비 중장기에서 예측률이 높음을 검증하였다. 본 연구를 통해 해운 시장의 운임 변동성 예측 및 대응에 도움이 되길 바라며 다양한 변수 발굴을 통해 끊임없는 연구가 이루어지길 바란다.

Purpose : The purpose of this paper is to provide useful information to stakeholders through forecasting the dry cargo shipping market. The dry cargo shipping market is a completely competitive market and has a very large fluctuation in freight rates due to low barriers to entry. This paper aims to provide an optimal model through econometrics by selecting the most effective factors for BDI prediction. Research design, data, methodology : This paper uses various data models based on big data. Especially used BDI's research reflecting the latest trends since 2015, using weekly data from 1995 to 2019 for a total of 25 years. It attempts to predict Bactic Dry index using univariate ARIMA and multivariate VECM models. Results : This paper tried to find the best factors for BDI forecasts through external factors such as supply, demand, raw materials and economic aspects. As a reslut, Compared to the univariate ARIMA model, the multivariate VECM model improved the prediction rate by about 6%. Conclusions : We hope that this study will be helpful in responding by predicting the volatility of freight rates in the shipping market. Thus, this paper aims to help future shipping stakeholders make decisions through BDI forecasts.