Earticle

본 논문은 전통적인 콕스 검정법이 가지고 있는 계산상의 어려움을 완화시키기 위해 조건부 평균과 조건부 분산을 이용한 보완된 콕스 검정법을 제시한다. 처음 두 조건부 적률을 이용한 이러한 접근방법은 주어진 관찰치 전체의 결합밀도함수를 구하지 않아도 되는 계산상의 이점과 시계열모형에 쉽게 적용될 수 있는 장점이 있다. 제안된 검정법에 대한 만족 할만 한 모의실험 결과를 얻었으며 비선형 오차 방정식 모형에 대한 실증분석결과 GARCH모형이 bilinear모형보다 더 올바른 모형으로 나타났다.

We propose a new approach based on conditional means and variances to avoid the computational difficulties of the traditional Cox test. This approach can be extended to more complicated time series models. Monte Carlo experiments are performed to investigate the potential applicability of the proposed test. Empirical applications to two different non-linear error equation models are also examined.

국제유가의 예측은 에너지 수입국인 우리나라에서 전략자원 관리차원에서 중요한 연구과제이다. 이런 목적에서 본 연구는 유가예측모형 수립을 위한 시론적 차원에서 진행했다. 연구는 1984년~2004년 84분기 동안 WTI 유가자료를 박스-젠킨스 ARIMA 분석을 적용해 시계열 모형의 적용가능성을 확인하고자 한다.연구 결과 국제유가를 예측하는데 있어 ARIMA 시계열 모형이 비교적 정확한 예측력을 보였다. 나아가 이를 발전시켜 시계열 분석 기법을 활용한 유가예측의 가능성을 확인해 주었다. 예측적합성 확인결과, 최근 3년(12분기)간의 예측값과 실제가격을 적용한 오차는 1.83~18.07%(평균 10.06%) 이었다. 그렇지만 본 연구는 몇 가지 한계점도 가지고 있다. 원유가격의 추세와 가격예측에 대해서는 성과를 거둘 수 있었지만 국제유가가 가지고 있는 복잡한 유가결정의 인과관계를 분석하지는 못했다. 따라서 본 연구결과를 바탕으로 보다 발전된 유가예측 모형연구의 발전을 기대한다.

At present, the crude oil is very important strategic resource for economic development. The crude oil has traditionally played an important role in Korean economy. By the way, oil prices are not fixed and changed by various economic and political variables. Therefore, it is necessary to make the crude oil prices forecasting model using statistic methods. In this paper, we tried to make the crude oil prices forecasting model using the Box-Jenkins' ARIMA(autoregressive moving average integrated process). We used the data organized quarterly average of the West Texas Intermediate crude futures which are computed by the Nymex from 1984 to 2004.In brief, using the forecasting equation, we found the implications. The result showed the statistic implication between the forecasts and the real WTI crude oil prices with a mean absolute percent error(MAPE) of 10.06%.

본 연구는 2003년 기상청 집중관측기간 (6월 20일에서 7월 4일 까지)동안 해남지역에서 관측된 기상관측자료를 사용하여 바람과 강우현상간에 관계를 분석하고, 바람에 의한 강우현상의 예측방법에 대해 고려하였다. 이를 위해 시계열플롯을 사용한 기술통계적 방법으로 바람과 강우현상간에 연관성을 분석하였으며, 분석 결과를 토대로 시계열 판별모형을 설정하여 모형추정 및 강우현상 예측방법을 제안하였다. 그 결과 6hr 동안 관측된 지상 0～1km의 연직풍속 시계열을 판별변수로 사용할 경우 해당기간의 강우현상을 94% 이상의 정확도로 예측할 수 있는 것으로 나타났다.

Simultaneous observations with a autosonde, a windprofiler, a optical rain gauge, and surface meteorological instruments were conducted at Haenam, which is located on the seashore area, Junnam Province, during 20 June-4 July, 2003. Descriptive time series plots of the observations showed that there was a strong relationship between precipitation and wind data obtained from meteorological instruments operating at Haenam. To confirm this relationship, a time domain discriminant analysis is applied to the same observations. The analysis showed that the 0-1km southwesterly vertical wind field is strongly associated with the precipitation by local-scale cloud systems prevailed at Haenam. Based on this relationship, we constructed a time series discriminant analysis to predict precipitation. When 6hr/10min period of 0-1km southwesterly vertical wind is taken as time series discriminant variable, it is seen that the discriminant analysis predicted precipitation well with more than 94% accuracy.

금융시장이 효율적이면 현재의 가격 정보가 주어져 있는 한 과거의 가격 움직임은 미래의 가격 움직임을 예측하는데 아무런 추가적인 도움도 주지 못한다. 반면 현실의 많은 투자분석가는 과거의 가격 움직임이 미래의 가격움직임에 관하여 유용한 정보를 준다고 믿고 이른바 기술적 분석에 입각한 투자를 한다. 시장이 효율적일수록 기술적 분석의 예측력 및 그 투자성과는 떨어질 것이다. 또한 시장은 시간의 경과와 함께 거래량이 늘고 성숙될수록 보다 합리적으로 움직일 가능성이 커진다. 따라서 하나의 새로운 금융상품에 대한 시장이 형성되고 나면 그 시장의 효율성은 시간의 경과와 함께 증가할 것으로 예측된다. 이 논문은 지속기간(duration) 분석방법을 이용하여 선물가격 및 원달러 환율 시계열의 국면전환을 예측하는 모형을 개발하고 이를 바탕으로 선물시장과 외환시장의 효율성을 측정하고자 한다.

시계열 회귀분석 모형과 지수평활 모형에 의하여 향후 10년간의 연도별 총 교원수가 예측되었다. 시계열 회귀분석 모형에서는 학생수와 교육예산 규모의 시계열이 교원수 시계열을 잘 설명하는 것으로 나타났으며, 지수평활 모형에 의한 교원수 예측값은 시계열 회귀분석 모형에 의한 예측값보다 일관성있게 큰 값을 갖는 것으로 나타났다. 예측방법별로 예측 결과에 차이가 발생한 원인이 검토되었으며 각 예측방법의 제한점이 논의되었다. 선행연구의 예측 결과와 이 연구의 예측 결과가 비교되었으며, 예측결과가 갖는 교육정책의 수립을 위한 기초 자료로서의 중요성이 강조되었다.

The number of elementary school teachers for the next ten years were forecasted using the time-series regression model and the exponential smoothing model. The number of students and the amount of educational budget were selected for the explanatory variables in the time-series regression model. The forecasted number of elementary school teachers using the exponential smoothing method was consistently larger than that using the times-seres regression model. The causes for the difference were discussed, and the results were compared with those from the previous studies.

본 연구는 새만금 5개 지점(동진, 가력, 만경, 신시, 계화)의 1시간 간격 수질 시계열 자료를 활용하여 수질 항목 간 인과구조와 변수 중심성을 정량적으로 분석하였다. 이를 위해 상관분석, Granger 인과성, DirectLiNGAM, 중심성 분석을 적용하였다. 상관분석에서는 전 지점에서 수온-DO 간 음의 상관과 염분-DO 간 양의 상관이 공통적으로 나타났으나, 영양염-DO 관계는 지점별 차이를 보였다. Granger 분석은 전반적으로 양방향 연결이 우세했으나, 동진·만경(하천)에서는 수온·탁도·염분이 영양염 및 유기물 지표를 선행하였고, 계화(기수역)에서는 담수·해수 요인이 결합된 혼합 구조가 드러났다. LiNGAM 분석에서는 동진·만경에서 수온·탁도가 중심 노드로, 계화에서는 T-N과 TOC가 매개자로, 가력·신시(배수갑문)에서는 DO가 핵심 변수로 확인되었다. 종합하면, 새만금 수질 네트워크는 하천 지점에서는 유기물 부하 중심, 기수역에서는 질소·유기물의 혼합 중심, 해수유통 지점에서는 DO 중심의 구조가 형성되어 있음을 보여주었다. 이러한 결과는 새만금과 같은 반폐쇄성 연안에서 수질 항목 간 물리·화학적 인과 메커니즘을 정량적으로 해석하는 데 기여하며, 향후 수질 개선을 위한 조절 변수 선정, 예측 모델 구축, 실시간 관리 전략 수립에 과학적 근거를 제공할 수 있다.

This study quantitatively analyzed the causal structures and variable centralities among water-quality parameters at five sites in Saemangeum (Dongjin, Garyeok, Mangyeong, Sinsi, and Gyehwa) using hourly time-series data. Correlation analysis, Granger causality tests, DirectLiNGAM, and centrality analysis were applied. Correlation analysis revealed consistent negative associations between temperature and DO, and positive associations between salinity and DO across all sites, whereas nutrient-DO relationships varied by location. Granger causality indicated that most variable pairs exhibited bidirectional linkages, although temperature, turbidity, and salinity consistently preceded nutrients and organic matter at Dongjin and Mangyeong (riverine sites), whereas mixed structures driven by both freshwater and seawater inputs were evident at Gyehwa (brackish zone). LiNGAM analysis showed that temperature and turbidity served as central nodes at Dongjin and Mangyeong, T-N and TOC as mediators at Gyehwa, and DO as the key variable at Garyeok and Sinsi (sluice gate sites). The Saemangeum water-quality network was characterized by organic-matter dominance at riverine sites, mixed nitrogen-organic matter structures at the brackish zone, and DO-centered structures at the sluice gate sites. These findings contribute to a quantitative understanding of physical-chemical causal mechanisms in semi-enclosed coastal systems such as Saemangeum. Additionally, they provide scientific evidence for selecting regulatory variables, developing predictive models, and establishing real-time management strategies for water-quality improvement.

많은 현대 연구에서는 시계열 예측 모델을 위해 recurrent nueral networks (RNN) 혹은 long short-term memory (LSTM)과 같은 인공지능 기술의 적용을 탐구한다. 이러한 인공지능 모델 중에서도 자연어 처리를 위해 처음 개발된 모델인 transformer는 큰 주목을 받고 있다. 그럼에도 불구하고, 많은 시계열 예측 모델은 장기 예측을 적절히 다루지 못하고 있다. 따라서 본 연구에서는 "목표 시계열"과 예측에 영향을 미칠 수 있는 다수의 "참조 시계열"을 포함하는 트랜스포머 아키텍처 기반의 장기 예측 모델을 제안한다.

Numerous contemporary studies are exploring the application of artificial intelligence techniques such as recurrent neural networks (RNN) and long short-term memory (LSTM) for time series forecasting models. Among these AI models, the Transformer, which is a high-performance model initially developed for natural language processing, has gained significant attention. Despite this, many time series forecasting models do not adequately address long-term prediction. Therefore, this study seeks to develop a long-term forecasting model based on the Transformer architecture, incorporating a "target time series" and a multiple "reference time series" that may influence the forecast.

기후변화로 인해 노지 작물에 대한 생육과 물 관리의 중요성이 높아지고 있다. 토양수분 센서 기반의 자동관수 시스템은 물 관리에 효과적이나 필지 전체를 공간적으로 대표하는데 한계가 있다. 이를 보완하기 위하여 드론 영상을 활용할 수 있으며, 본 연구에서는 배추의 생육 단계와 수분 상태에 따른 RGB, 다중분광, 열화상 영상 기반으로 한 산출물들의 반응을 평가하였다. 정규화식생지수(normalized difference vegetation index, NDVI)는 배추 정식 초기 생육 모니터링에 유용했으며, 정규화적색경계지수(normalized difference red edge index)는 엽록소 함량을 반영하여 배추의 생육 상태를 구체적으로 평가하는 데 기여하였다. 작물 높이모델을 통해 추정된 초장(plant height)은 상이한 관수 처리 조건에서 배추 결구기 생육 상태를 NDVI보다 명확하게 나타냈으며, 건조한 기상 상황에서 꾸준히 관수한 처리구의 초장이 높았다. 드론 기반의 식생지수와 초장은 관수 여부에 따른 처리구별 생육 차이뿐만 아니라 동일한 처리구 내에서의 공간변이를 효과적으로 탐지하였다. 드론 열화상 영상을 통해 산출된 crop water stress index는 관수 및 강우 후 배추의 수분 스트레스 변화를 즉각적으로 반영하였다. 노지에 설치된 토양수분 값과 연계하여 건조한 조건에서의 수분 스트레스뿐만 아니라 물이 고이는 지점 정보를 생산하였다. 이러한 결과는 드론으로 관측한 다양한 산출물들에 대한 활용법뿐만 아니라 노지 배추의 생육 관리 및 농작업 의사결정 지원에 기여할 것으로 기대된다.

The importance of growth and water management for open-field crops is increasing due to climate change. Although automatic irrigation systems based on soil moisture sensors are effective for water management, they have limitations in spatially representing the entire field. To supplement this, drone imagery can be utilized. In this study, we evaluated the response of outputs based on RGB, multispectral, and thermal imagery according to the growth stages and water status of Chinese cabbage. The normalized difference vegetation index (NDVI) was useful for monitoring the initial growth stage of cabbage, while the normalized difference red edge index contributed to a more detailed assessment of the cabbage's growth status by reflecting chlorophyll content. Plant height, estimated through the crop height model, showed the growth status during the bulbing stage under different irrigation treatments more clearly than NDVI and the height of the Chinese cabbage consistently irrigated under dry weather conditions was taller. The vegetation index and plant height from drone imagery effectively detected spatial variations within the same treatment as well as growth differences between plots with and without irrigation. The crop water stress index, derived from drone thermal imagery, immediately reflected changes in Chinese cabbage water stress after irrigation and rainfall. These results are expected to contribute not only to the utilization of various products observed by drones but also to the growth and water management for open-field Chinese cabbage farming.

조각별 선형 추세 모형에서의 변화점은 1차 차분한 시계열의 평균 변화점과 일치한다. 그러므로 1차 차분한 시계열의 평균 변화점을 탐색하면 조각별 선형 추세 모형의 변화점을 추정할 수 있다. 본 논문에서는 이와 같은 사실에 근거하여 원 시계열이 아닌 1차 차분한 시계열의 단순이동평균을 이용하여 원 시계열의 기울기가 변하는 변화점을 탐색하는 방법을 제안하고, 이에 대한 모의실험을 수행하였다. 모의실험 결과 본 논문에서 제안한 방법은 오차항들이 서로 독립인 경우뿐만 아니라 오차항들 사이에 강한 양의 자기상관이 존재하는 경우에도 변화점의 개수를 잘 추정하는 것으로 나타났다.

In a piecewise linear trend model, the change points coincide with the mean change points of the first differenced time series. Therefore, by detecting the mean change points of the first differenced time series, one can estimate the change points of the piecewise linear trend model. In this paper, based on this fact, a method is proposed for detecting change points of the piecewise linear trend model using the simple moving average of the first differenced time series rather than estimates of the slope or residuals. Our Monte Carlo simulation experiments show that the proposed method performs well in estimating the number of change points not only when the error terms in the piecewise linear trend model are independent but also when they are serially correlated.

This paper used the golf course visitors' data in Jeju region to forecast the growth of inbound air traveler to Jeju. This is because the golf course visitors were proven to bring the highest economic and production inducement effect to the Jeju region. Based on such a data, this paper forecast the short-term growth rate of inbound air traveler using ARIMA to the Jeju until December 2025. According to ARIMA (0,1,0) (0,1,1) model, it was analyzed that the monthly number of golf course visitors to Jeju has been increasing steadily even since COVID-19 pandemic and the number is expected to grow until the end of 2025. Applying the same parameters of ARIMA (0,1,0) (0,1,1) to inbound air travel data, it was found the growth rate of inbound air travelers would be higher than the growth rate of 2019 shortly without moderate variation even though the monthly number of inbound travelers to Jeju had been dropped during COVID-19 pandemic.

다변량 시계열 이상 탐지 과업에서 정답 값이 존재하는 데이터를 얻는 것은 매우 시간 집약적인 일이다. 따라서 최근 정답 값이 필요 없는 비지도 학습법(unsupervised learning)에 관한 많은 연구가 진행되었다. 하지만 다변량 시계열 이상 탐지 과업에 특화된 주요 구조와 세부적인 특성에 대한 심화 있는 논의는 이루어지지 않았다. 본 논문에서는 비지도 학습 기반의 다변량 시계열 이상 탐지 모델과 특장점을 포괄적으로 분석하여 분류하였다. 전력 계통(power grid) 또는 Cyber Physical System(CPS)과 같은 현실 세계 데이터 집합에서 현실적인 이상 상황을 고려하여 학습을 진행하였고, 실험 결과를 바탕으로 각 모델의 정량적 성능을 비교 분석하였다. 성능 지표로는 정밀도(precision), 재현율(recall)과 F1 점수를 사용하여 성능을 측정하였다.

It is very time-intensive to obtain data with labels on anomaly detection tasks for multivariate time series. Therefore, several studies have been conducted on unsupervised learning that does not require any labels. However, a well-done integrative survey has not been conducted on in-depth discussion of learning architecture and property for multivariate time series anomaly detection. This study aims to explore the characteristic of well-known architectures in anomaly detection of multivariate time series. Additionally, architecture was categorized by using top-down and bottom-up approaches. In order toconsider real-world anomaly detection situation, we trained models with dataset such as power grids or Cyber Physical Systems that contains realistic anomalies. From experimental results, we compared and analyzed the comprehensive performance of each architecture. Quantitative performance were measured using precision, recall, and F1 scores.

본 논문에서는 금융 시계열 변동성 추정을 위한 준-모수(quasi-likelihood) 방법을 다루고 있다. 모형식에서 오차항의 분포를 미지(unknown)로 하여 준-우도 함수를 통한 모수 추정을 하는 경우 이노베이션의 지정을 멱변환을 통해 구성하였다. 고정된 멱변환에 대한 프로파일-정보 행렬을 비교하여 최대값을 제공하는 멱변환을 제안하였다. 이차원 이노베이션으로의 확장을 다루었으며 코로나 펜데믹 기간의 높은 변동성을 보이는 국내 9개 주가 자료 분석을 통해 방법론을 예시하고 있다.

This paper is concerned with power transformations in estimating GARCH volatility. To handle a semi-parametric case for which the exact likelihood is not known, quasi-likelihood (QL) rather than maximum-likelihood method is investigated to best estimate GARCH via maximizing the information criteria. A power transformation is introduced in the innovation generating QL estimating functions and then optimum power is selected by maximizing the profile information. A combination of two different power transformations is also studied in order to increase the parameter estimation efficiency. Nine domestic stock prices data are analyzed to order to illustrate the main idea of the paper. The data span includes Covid-19 pandemic period in which financial time series are really volatile.

오토-스케일링은 클라우드 컴퓨팅 기술이 ICT 핵심 기반 기술로 자리 잡을 수 있는 가장 중요한 기능 중 하나로써 사용자나 서비스 요청의 폭발적인 증가 또는 감소에도 시스템 자원과 서비스 인스턴스를 적절하게 확장 또는 축소하여 상황에 맞는 서비스의 안정성과 비용 대비 효과를 향상하는 기술이다. 하지만 특정 시스템 자원에 대한 모니터링 시점의 단일 메트릭 데이터를 기반으로 정책이 수립·실행되다 보니 이미 서비스에 영향이 있거나 실제 필요한 서비스 인스턴스를 세밀하게 관리하지 못하는 문제점이 있다. 이러한 문제점을 해결하기 위해서 본 논문에서는 시스템 자원과 서비스 응답시간을 다변량 시계열 분석 모델을 사용하여 분석·예측하고 이를 기반으로 오토-스케일링 정책을 수립하는 방안을 제안한다. 이를 검증하기 위해 쿠버네티스 환경에서 커스텀 스케쥴러를 구현하고, 실험을 통해 쿠버네티스 기본 오토-스케일링 방식과 비교 분석한다. 제안하는 기법은 시스템 자원과 응답시간 사이의 영향에 기반한 예측 데이터를 활용하여 예상되는 상황에 대한 오토-스케일링을 선제적으로 실행함으로써 시스템의 안정성을 확보하고 서비스 품질이 저하되지 않는 범위내에서 필요한 만큼의 인스턴스를 세밀하게 관리할 수 있는 결과를 보인다.

Auto-scaling is one of the most important functions for cloud computing technology. Even if the number of users or service requests is explosively increased or decreased, system resources and service instances can be appropriately expanded or reduced to provide services suitable for the situation and it can improves stability and cost-effectiveness. However, since the policy is performed based on a single metric data at the time of monitoring a specific system resource, there is a problem that the service is already affected or the service instance that is actually needed cannot be managed in detail. To solve this problem, in this paper, we propose a method to predict system resource and service response time using a multivariate time series analysis model and establish an auto-scaling policy based on this. To verify this, implement it as a custom scheduler in the Kubernetes environment and compare it with the Kubernetes default auto-scaling method through experiments. The proposed method utilizes predictive data based on the impact between system resources and response time to preemptively execute auto-scaling for expected situations, thereby securing system stability and providing as much as necessary within the scope of not degrading service quality. It shows results that allow you to manage instances in detail.

IoT (Internet of Things) 장치는 취약한 아이디/비밀번호 사용, 인증되지 않은 펌웨어 업데이트 등 많은 보안 취약점을 보여 악성코드의 공격 대상이 되고 있다. 그러나 CPU 구조의 다양성으로 인해 악성코드 분석 환경 설정과 특징 설계에 어려움이 있다. 본 논문에서는 CPU 구조와 독립된 악성코드의 특징 표현을 위해 실행 파일의 바이트 순서를 이용한 시계열 특징을 설계하고 순환 신경망을 통해 분석한다. 제안하는 특징은 바이트 순서의 부분 엔트로피 계산과 선형 보간을 통한 고정 길이의 시계열 패턴이다. 추출된 특징의 시계열 변화는 RNN과 LSTM으로 학습시켜 분석한다. 실험에서 IoT 악성코드 탐지는 높은 성능을 보였지만, 패밀리 분류는 비교적 성능이 낮았다. 악성코드 패밀리별 엔트로피 패턴을 시각화하여 비교했을 때 Tsunami와 Gafgyt 패밀리가 유사한 패턴을 나타내 분류 성능이 낮아진 것으로 분석되었다. 제안된 악성코드 특징의 데이터 간 시계열 변화 학습에 RNN보다 LSTM이 더 적합하다.

IoT (Internet of Things) devices are being attacked by malware due to many security vulnerabilities, such as the use of weak IDs/passwords and unauthenticated firmware updates. However, due to the diversity of CPU architectures, it is difficult to set up a malware analysis environment and design features. In this paper, we design time series features using the byte sequence of executable files to represent independent features of CPU architectures, and analyze them using recurrent neural networks. The proposed feature is a fixed-length time series pattern extracted from the byte sequence by calculating partial entropy and applying linear interpolation. Temporary changes in the extracted feature are analyzed by RNN and LSTM. In the experiment, the IoT malware detection showed high performance, while low performance was analyzed in the malware family classification. When the entropy patterns for each malware family were compared visually, the Tsunami and Gafgyt families showed similar patterns, resulting in low performance. LSTM is more suitable than RNN for learning temporal changes in the proposed malware features.

본 논문에서는 시계열 예측 분야에서 잘 알려져 있는 단변량 시계열 모형들을 이용하여, 그들의 단순 조합이 어떤 예측력을 보여주는지 연구한다. 고려된 단변량 시계열 모형으로는, 지수평활 및 ARIMA(autoregressive integrated moving average) 모형들과 그들의 확장된 형태인 모형들 그리고 예측의 벤치마크 모형으로 자주 사용되는 비계절 및 계절 랜덤워크 모형이다. 단순 조합의 방법은 중앙값과 평균을 이용하였으며, 검증을 위하여 사용된 데이터셋은 3,003개의 시계열 자료로 구성된 M3-competition 자료이다. 예측 성능을 sMAPE(symmetric mean absolute percentage error)와 MASE(mean absolute scaled error)로 평가한 결과, 단변량 시계열 모형들의 단순 조합이 아주 우수한 예측력을 가지고 있음을 확인하였다.

In this paper, we consider univariate time series models that are well known in the field of forecasting and we study on forecasting performance for their simple combinations. The univariate time series models include exponential smoothing methods and ARIMA (autoregressive integrated moving average) models, their extended models, and non-seasonal and seasonal random walk models, which is frequently used as benchmark models for forecasting. The median and mean are simply used for the combination method, and the data set used for performance evaluation is M3-competition data composed of 3,003 various time series data. As results of evaluating the performance by sMAPE (symmetric mean absolute percentage error) and MASE (mean absolute scaled error), we assure that the simple combinations of the univariate models perform very well in the M3-competition dataset.

Fashion companies are using a big data approach as a key strategic analysis to predict and forecast sales. This study investigated the effectiveness of the past sales, web search volume, information amount, brand promotion, and the advertising endorser on the sales forecasting model. The study conducted the autoregressive distributed lag (ARDL) time series model using the internal and external social big data of a national fashion brand. Results indicated that the brand's past sales, search volume, promotion, and amount of advertising endorser information amount significantly affected the sales forecast, whereas the brand's advertising endorser search volume and information amount did not significantly influence the sales forecast. Moreover, the brand's promotion had the highest correlation with sales forecasting. This study adds to information-searching behavior theory by measuring consumers' brand involvement. Last, this study provides digital marketers with implications for developing profitable marketing strategies on the basis of consumers' interest in the brand and advertising endorser.

제조 시계열 데이터 클러스터링 기법은 제조 대용량 데이터 기반 군집화를 통한 설비 및 공정 이상 탐지 분류를 위한 중요한 솔루션이지만 기존 정적 데이터 대상 클러스터링 기법을 시계열 데이터에 적용함에 있어 낮은 정확도를 가지는 단점이 있다. 본 논문에서는 진화 연산 기반 시계열 군집 분석 접근 방식을 제시하여 기존 클러스터링 기술에 대한 정합성 향상하고자 한다. 이를 위하여 먼저 제조 공정 결과 이미지 형상을 선형 스캐닝을 활용하여 1차원 시계열 데이터로 변환하고 해당 변환 데이터 대상으로 Pearson 거리 매트릭을 기반으로 계층적 군집 분석 및 분할 군집 분석에 대한 최적 하위클러스터를 도출한다. 해당 최적 하위클러스터 대상 유전 알고리즘을 활용하여 유사도가 최소화되는 최적의 군집 조합을 도출한다. 그리고 실제 제조 과정 이미지 대상으로 기존 클러스터링 기법과 성능 비교를 통하여 제안된 클러스터링 기법의 성능 우수성을 검증한다.

Although the manufacturing time series data clustering technique is an important grouping solution in the field of detecting and improving manufacturing large data-based equipment and process defects, it has a disadvantage of low accuracy when applying the existing static data target clustering technique to time series data. In this paper, an evolutionary computation-based time series cluster analysis approach is presented to improve the coherence of existing clustering techniques. To this end, first, the image shape resulting from the manufacturing process is converted into one-dimensional time series data using linear scanning, and the optimal sub-clusters for hierarchical cluster analysis and split cluster analysis are derived based on the Pearson distance metric as the target of the transformation data. Finally, by using a genetic algorithm, an optimal cluster combination with minimal similarity is derived for the two cluster analysis results. And the performance superiority of the proposed clustering is verified by comparing the performance with the existing clustering technique for the actual manufacturing process image.

Purpose: The purpose of this study is to propose a multivariate CUSUM control chart that can detect the out-of-control state fast while monitoring the cross- and auto- correlated multivariate time series data. Methods: We first build models to estimate the observation data and calculate the corresponding residuals. After then, a multivariate CUSUM chart is applied to monitor the residuals instead of the original raw observation data. Vector Autoregression and Artificial Neural Net are selected for the modelling, and Separated-MCUSUM chart is selected for the monitoring. The suggested methods are tested under a number of experimental settings and the performances are compared with those of other existing methods. Results: We find that Artificial Neural Net is more appropriate than Vector Autoregression for the modelling and show the combination of Separated-MCUSUM with Artificial Neural Net outperforms the other alternatives considered in this paper. Conclusion: The suggested chart has many advantages. It can monitor the complicated multivariate data with cross- and auto- correlation, and detects the out-of-control state fast. Unlike other CUSUM charts finding their control limits by trial and error simulation, the suggested chart saves lots of time and effort by approximating its control limit mathematically. We expect that the suggested chart performs not only effectively but also efficiently for monitoring the process with complicated correlations and frequently-changed parameters.