Earticle

It is very important that sellers provide reasonable reserve prices for auction items in internet auction systems. Recently, an agent has been proposed to generate reserve prices automatically based on the case similarity of information retrieval theory and the moving average of time series analysis. However, one problem of the previous approaches is that the recent trend of auction prices is not well reflected on the generated reserve prices, because it simply provides the bid price of the most similar item or an average price of some similar items using the past auction data. In this paper, in order to overcome the problem, we propose a method that generates reserve prices based on the moving average, the exponential smoothing, and the least square of time series analysis. Through performance experiments, we show that the successful bid rate of the new method can be increased by preventing sellers from making unreasonable reserve prices compared with the previous methods.

경향성을 분석하기 위한 여러 기법 가운데 비모수적 방법인 Mann-Kendall 검정(MK 검정)은 수문시계열의 분석에서 널리 사용되어지고 있다. 이 검정 방법은 분석 대상 자료가 독립이라는 가정 하에 수행되며, 자료가 계열상관되어 있는 경우에는 그 상관성의 영향으로 경향성 존재의 유무를 정확하게 판단할 수 없게 된다. 따라서 MK 검정을 이용할 때 자료의 상관성으로 인해 받게 되는 영향을 소거시키기 위해 효과적인 자료의 크기(Effective Sample Size, ESS)를 이용하는 수정된 MK 검정 방법을 이용하고자 한다. 본 연구에서는 ESS가 얼마만큼 계열상관성을 제거할 수 있는지 Monte Carlo모의를 통해 검토하였다. MK 검정 결과 계열상관계수의 증가에 따라 자료가 경향성을 나타내는 비율이 높아 졌으나, ESS에 의해 수정된 MK 검정을 수행한 결과 계열상관계수의 영향이 제거되었음을 알 수 있었다. 또한 실측 자료의 적용을 통해 수정 MK검정이 경향성 분석에 매우 유용함을 확인 하였다.

The non-parametric Mann-Kendall(MK) statistical test has been widely used to assess the significance of trend in hydrologic time series. The test requires sample data should be serially independent. If sample data is serially correlated, the presence of serial correlation in a time series will affect the test ability for trend analysis. So, we would like to use the modified MK test which uses the effective sample size(ESS) to eliminate the effect of serial correlation in a series. This study investigates the ability of ESS to eliminate the influence of serial correlation of MK test by Monte Carlo simulation and by real series. As the results, MK test shows the increase of trend rate as the serial correlation is increased but the modified MK test shows ESS can eliminate the serial correlation for trend analysis. Therefore we confirmed the modified MK test is a very useful tool for trend analysis.

본 연구는 서로 다른 길이를 가진 다변량 시계열의 유사도 계산에 중점을 둔다. 유클리드 거리, 동적 시간 워핑(DTW), 상관계수 등 기존의 유사도 계산 방법들은 데이터의 복잡성과 길이 변화를 적절히 처리하는 데 한계가 있다. 이러한 한계를 극복 하기 위해, 본 연구에서는 모든 데이터를 분석하는 대신 가장 유사한 시계열을 빠르고 정확하게 선별하는 효율적인 데이터 필터 링 기법을 제안하여 속도와 정확도를 동시에 향상시킨다. 제안된 방법은 시계열을 윈도우로 분할하고 부분 시퀀스 클러스터링 (Subsequence Clustering), 구간별 집계 근사(PAA), 기호 집계 근사(SAX)를 적용하여 데이터 추상화와 기호화를 수행한다. 이 후 최장 공통 부분 수열(LCS) 방법을 사용하여 가장 유사한 수열을 식별하고 필터링한다. 공개 데이터셋을 사용한 실험 검증 결과, 제안된 방법이 기존 방법들과 비교하여 유사도 계산 정확도를 유지하거나 향상시키면서 계산 속도를 현저히 개선하는 것으 로 나타났다. 본 연구는 다변량 시계열 유사도 계산에 대한 새로운 접근법을 제공하며, 다양한 분야의 데이터 분석 및 추천 시스 템에 크게 기여할 것으로 기대된다.

This study focuses on calculating the similarity of multivariate time series with different lengths. Traditional similarity methods, including Euclidean distance, Dynamic Time Warping (DTW), and correlation coefficients, are limited in handling data complexity and length variations adequately. To overcome these limitations, this research proposes an efficient data filtering technique that quickly and accurately selects the most similar time series rather than analyzing all data, improving both speed and accuracy simultaneously. The proposed method partitions time series into windows and applies Subsequence Clustering, Piecewise Aggregate Approximation (PAA), and Symbolic Aggregate Approximation (SAX) for data abstraction and symbolization. The Longest Common Subsequence (LCS) method is then used to identify and filter the most similar sequences. Experimental validation using public datasets demonstrates that the proposed method significantly enhances computation speed while maintaining or improving similarity calculation accuracy compared to traditional methods. This research provides a novel approach for multivariate time series similarity calculation and is expected to contribute significantly to data analysis and recommendation systems across various fields.

본 연구는 산업 구조의 변화와 기술 고도화에 따른 인력수급 불균형에 대응하기 위한 직업훈련 전략 수립의 실증적 기반을 제공하고자 하였다. 이를 위해 성장 기반 이중 시계열 모델링(Growth-based Dual Modeling, GDM)과 SBERT(Sentence-BERT) 임베딩 분석을 통합적으로 적용하여 산업별 인력 수요 예측과 산 업·직무 간 구조적 유사성을 분석하였다. GDM을 통해 반도체(5.2%), 바이오·헬스(5.1%), IT 서비스(2.8%) 등 기술 집약적 산업의 인력 수요 증가와 섬유(-1.3%), 철강(-0.7%), 디스플레이(-0.7%) 등 전통 제조업의 인력 감소 추세를 확인하였다. 또한 SBERT 임베딩 분석을 통해 산업 간 의미론적 연계 구조와 145개 직무의 의 미 기반 클러스터링(K-평균, K=10)을 수행하여 직무 간 전환 가능성을 정량화하였다. 특히 반도체 산업의 채용 예상 상위 직무에 대한 전환 가능성 평가 결과 ‘전자 부품 및 제품 제조 기계 조작원’은 유사 직무와 즉시 전환이 가능하지만 ‘응용 소프트웨어 개발자’는 전환이 어려운 독립 직무군으로 확인되었다. 이러한 분석을 통해 직무 중심의 전환 가능성과 산업 간 연계 구조를 기반으로 한 전략적 직업훈련 체계 설계 방 향을 제시하였다. 본 연구는 단일 방법론에 의존한 기존 연구와 달리 산업 생애주기의 비선형적 특성과 직무 간 의미론적 관계를 통합적으로 분석함으로써 정책적 실행 가능성과 현장 활용도가 높은 직업훈련 전략 수립에 이바지할 수 있을 것으로 기대된다.

This study aims to provide an empirical foundation for developing vocational training strategies to address workforce imbalances caused by industrial restructuring and technological advancement. To achieve this, we propose an integrated framework that combines Growth-based Dual Modeling (GDM) and Sentence-BERT (SBERT) embedding analysis. GDM, which applies logistic growth to Prophet-based time series forecasting, was used to independently predict workforce size and shortage rate across twelve major sectors. The results showed strong workforce growth in technology-intensive sectors such as semiconductors (5.2%) and bio-health (5.1%), while traditional manufacturing sectors like textiles (-1.3%) and steel (-0.7%) showed declining demand. In addition, SBERT was used to compute semantic similarities among 145 job roles, followed by K-means clustering (K=10) to quantify transition potential between jobs. In particular, roles such as ‘electronic parts operator’in the semiconductor sector showed high transition feasibility, while ‘software developer’ emerged as an isolated job cluster. These findings support the design of data-driven vocational training systems based on job transition feasibility and sectoral linkage structures. Unlike existing approaches relying on single models, this study integrates industrial life cycle patterns with semantic job analysis, contributing to more practical and policy-relevant workforce development planning.

Objectives: This study analyzed time-series changes in stroke occurrence in Korea and the factors influencing stroke diagnosis. Methods: Differences in stroke diagnosis and the impact of related factors such as socioeconomic status, health behaviors, and disease characteristics were analyzed among 4,262 individuals aged 40 and over using a complex sample design methodology. Results: Among individuals aged 40 and over, risk factors influencing stroke included: the 50-59 (OR, odds ratio=1.243, 95% CI=0.293-5.266) and, 60-69 (OR=2.841, 95% CI=0.73M1.054) age groups, having a separated marital status (OR=8.078, 95% CI=1.082-60.329), varying levek of alcohol consumption at 1-2 drinks (OR=1.160, 95% CI=0.604-2.230), 3-4 drinks (OR=1.048, 95% 0=0.562-1.954), 7-9 drinks (OR=1.338, 95% CI=0.535-3.343), and 10 or more drinks (OR=1.495, 95% CI=5.983-3.736), as well as pre-hypertension (OR=1.587, 95% CI=0.691-3.647), and hypertension (OR=3.090, 95% CM.353-7.057). Conclusions: The findings suggested that expanding community-based health education on stroke prevention for individuals aged 40 and above is important.

본 연구는 1975년부터 2021년까지 약 47년간의 자료를 수집하여 한국 부동산의 자본 수익률과 임대수익률을 합산한 명목 총수익률(total return)을 산정하고, 이를 바탕으 로 실질수익률(real return)과 위험프리미엄(risk premium)을 분석한 연구이다. 부 동산의 명목 수익률은 연수익률 기준으로 산술평균이 10.82% 그리고 표준편차는 11.39%로 추정되었다. 부동산의 위험프리미엄은 2.75%으로 추정되었으며 투자성과 의 지표인 샤프비율(Sharpe ratio)은 0.26으로 추정되었다. 주식의 경우 동 기간에 위험프리미엄은 7.64% 그리고 샤프비율은 0.25로 추정되었으며 부동산의 샤프비율 과 통계적으로 유의한 차이는 없었다. 따라서 한국 부동산의 위험대비 투자성과가 주식에 비해 높다는 근거는 찾지 못했다. 미국, 영국, 일본 등 16개국의 부동산 수익률 과 비교하면 한국 부동산의 위험프리미엄과 샤프비율은 해외의 비교 대상 국가들 대비 현저하게 낮았으며, 샤프비율의 차이가 통계적으로 유의했다. 한편, 한국 부동산 의 명목 총수익률은 인플레이션율과 유의한 양(+)의 상관관계를 가지고 있으며, 투자 기간이 길어질수록 상관계수가 증가하여 한국 부동산이 인플레이션 위험에 대한 유용 한 헤지 수단이 되는 것으로 나타났다.

Real estate accounts for the largest share of household wealth globally, with an average share of more than 50% of total wealth. In Korea, this share is even higher, with real estate accounting for approximately 60% of total household assets by 2020. Real estate plays a dual role as a provider of housing and as an important investment vehicle. Given the substantial financial commitment required to purchase residential property, home ownership is often seen as an important means of wealth accumulation for households. In addition, the reliance on institutional credit to finance housing purchases amplifies the impact of housing market fluctuations on household wealth, liabilities and the financial stability of banks. In addition, the historical performance of real estate returns and their relationship to business cycles have important implications for academics, investors, financial institutions, regulators, and policymakers. Despite their importance, however, long-term empirical analyses of real estate returns are scarce due to data limitations. The existing literature on real estate based on long-term data has primarily focused on US and European residential and commercial real estate. For example, Jordà, Knoll, Kuvshinov, and Sehularick (2019) highlight that while average real estate returns are slightly lower than equity returns, they exhibit significantly lower volatility. In this study, we analyze the risk-return trade-off of residential real estate in Korea using comprehensive dataset spanning 47 years from 1975 to 2021, the longest sample period to the best of our knowledge. Specifically, the main objectives of this study are threefold. First, we aim to calculate and analyze the nominal and real total returns, risk premia and Sharpe ratios of Korean real estate. Second, we seek to compare Korean real estate returns with international benchmarks. Finally, we evaluate the inflation hedging potential of real estate by examining its effectiveness in mitigating inflation risk over different investment horizons. Our analysis is based on long-term data obtained from multiple sources such as the Bank for International Settlements (BIS), the Bank of Korea, Korea Exchange, Statistics Korea, Kookmin Bank, Korea Housing Bank, and the Real Estate Board. The nominal total return on real estate is the sum of capital gains and rental income. To account for appraisal smoothing in real estate index returns, we apply the adjustment method proposed by Barkham and Geltner (1994). To calculate the rental income of real estate, weneed to use the jeonse-to-price ratio, which has been published by KB Kookmin Bank since 1998. The jeonse system, which is unique to Korea, requires tenants to pay a lump sum for the use of residential property for a specified period. For the period from 1975 to 1998, when jeonse/price ratio data were not available, we estimated a dynamic regression model using variables such as the jeonse price index from the consumer price index, the housing price index, the GDP growth rate, the expected real interest rate and the 3-year government bond rate. Our empirical results show that the average annual nominal total return for residential real estate is 10.82% with a standard deviation of 11.39%. The real return is 5.30% with a standard deviation of 9.65%. The risk premium for real estate is 2.75% and the Sharpe ratio is 0.26. For the same period, the equity risk premium is 7.64% with the Sharpe ratio of 0.25. The difference in the Sharpe ratios between stocks and real estate is not statistically significant, making it challenging to assert that real estate has outperformed equities over the long term in Korea. When compared with the returns of 16 countries, including the United States, the United Kingdom, and Japan, the Korean real estate market exhibits significantly lower risk premia and Sharpe ratios. These differences are statistically significant, suggesting that the risk-adjusted performance of Korean real estate is relatively weak. If housing provides a hedge against the risks associated with future homeownership, households may be willing to pay higher prices even if the risk-adjusted return is lower. Therefore, if the demand for hedging against future housing costs is relatively higher in Korea than in other countries, it is possible that the risk-adjusted returns may be lower. Our analysis further shows that Korean real estate returns exhibit a statistically significant positive correlation with inflation rates. The correlation coefficient increases with the investment horizon, reaching 0.68 and 0.78 for five-year and ten-year horizons, respectively. These findings suggest that real estate serves as an effective hedge against inflation risk in Korea. It is important to note that this study is limited in that it does not account for taxes and transaction costs associated with ownership and transactions. Future research should address the limitations of our analysis by incorporating transaction costs and taxes, and by exploring the implications of individual transaction-level data for a more granular understanding of the market.

기업의 상장폐지는 다양한 결정요인으로 인하여 결정되나 대표적인 항목은 재무적 환경이다. 재무적 곤경 이 심화되는 경우 상장폐지될 확률이 높으며, 재무적 곤경은 투자효율성에 의하여 영향을 받는다. 따라서 본 연구 에서는 상장폐지 시점에 근접해질수록 투자의 비효율성이 달라지는지를 분석한다. 본 연구는 2010년부터 2021년까 지 상장폐지가 수행된 기업에 대하여 상장폐지 이전 10년 전부터 상장폐지 시점까지 투자효율성이 시계열적으로 달라지는지를 분석하였다. 분석결과 상장폐지기업의 경우 평균적으로 과소투자가 이루어지고 있었으며, 전체 표본 에 대한 분석결과 상장폐지에 가까워질수록 과잉투자가 작아지거나 과소투자가 증가하였다. 또한 시장별로 구분한 결과에서는 코스피 시장에서는 유의한 결과가 없었으나 코스닥 시장에서 이러한 현상이 더욱 유의하게 관찰되었 다. 마지막으로, 상장폐지 원인에 의한 분석결과 인수합병이 아닌 다른 사유에 의한 상장폐지가 수행된 기업일수 록 이러한 현상이 더욱 뚜렷하게 나타났다. 본 연구의 결과는 상장폐지 위험을 평가할 때 투자효율성을 고려하여 야 한다는 실증을 제공하는 데 공헌이 있다.

The delisting of a firms is determined by various determinants, but a representative item is the financial situation. If firm has financial difficulties which are affected by over-investment or under-investment, they are more likely to be delisted. Therefore, this study shows relationship between inefficiency of investment and delisting. This study analyzed whether the investment efficiency of companies that were delisted changed in time series from 10 years before delisting. The analysis results are as follows. In the case of delisting companies, under-investment was made on average. In addition, as the time of delisting was reached, over-investment decreased or under-investment increased. In addition, although it was not significant in the KOSPI market, these results were observed more significantly in the KOSDAQ market. Finally, these results were stronger for companies that were delisted for reasons other than mergers and acquisitions. The results of this study contribute to providing evidence that investment efficiency should be considered when evaluating the risk of delisting.

최근 5G와 인공지능 기술이 발전하면서 클라우드 엣지 환경에서 정보를 수집/처리/분석 하기 위한 AIoT 기술 에 많은 관심을 갖고 있다. AIoT 기술은 다양한 스마트 환경에 적용되고 있지만 수집된 정보의 정확한 분석을 통해 빠른 대응처리를 수행할 수 있는 연구가 필요하다. 본 논문에서는 스마트 환경에서 수집된 정보를 AIoT에서 빠른 처리 와 정확한 분석/예측을 통해 AIoT 정보들간 연계 처리를 블록 처리함으써 대역폭 및 처리시간을 최소화할 수 있는 기법을 제안한다. 제안 기법은 블록체인으로 수집된 정보를 다중 연계하여 AIoT 장치에서 데이터 인덱스에 대한 시드 를 생성하여 수집정보와 함께 블록처리하여 데이터 센터로 전달한다. 이 때, 클라우드와 AIoT 장치사이는 DNN(Deep Neural Network) 모델을 배치하여 네트워크 오버헤드를 줄이도록 하였다. 그리고, 서버/데이터센터에서는 전달된 분 석 및 예측된 결과를 통해 정확하지 못한 AIoT 정보의 정확도를 개선하여 지연시간을 최소화하도록 하였다. 또한, 제안 기법은 AIoT 정보에 가중치를 적용하여 블록체인으로 그룹핑하기 때문에 계층화된 다층 네트워크로 분할 가능하도록 하여 데이터 지연시간을 최소화하였다.

With the recent development of 5G and artificial intelligence technologies, it is interested in AIOT technology to collect, process, and analyze information in cloud edge environments. AIIoT technology is being applied to various smart environments, but research is needed to perform fast response processing through accurate analysis of collected information. In this paper, we propose a technique to minimize bandwidth and processing time by blocking the connection processing between AIOT information through fast processing and accurate analysis/forecasting of information collected in the smart environment. The proposed technique generates seeds for data indexes on AIOT devices by multipointing information collected by blockchain, and blocks them along with collection information to deliver them to the data center. At this time, we deploy Deep Neural Network (DNN) models between cloud and AIOT devices to reduce network overhead. Furthermore, server/data centers have improved the accuracy of inaccurate AIIoT information through the analysis and predicted results delivered to minimize latency. Furthermore, the proposed technique minimizes data latency by allowing it to be partitioned into a layered multilayer network because it groups it into blockchain by applying weights to AIOT information.

기후변화로 인해 홍수나 가뭄과 같은 자연재난이 빈번하게 발생하고 있고, 이로 인한 피해 또한 커지고 있다. 습지는 이러한 피해를 저감하고 최소화하는데 중요한 역할을 하고 있는 것으로 알려져 있다. 특히, 자연재난으로 인한 피해 저감 뿐만 아니라 습지의 다양한 기능을 이해하기 위해서는 수위의 변동성을 분석할 필요가 있다. 따라서 본 연구에서는 경상남도 창녕군에 위치한 우포늪의 수위 자료에 적합한 시계열 모형을 도출하고 모형의 적절성을 확인하기 위해 잔차 분석을 수행하였다. 즉, ARIMA 모형을 구축하였고, 잔차 분석을 위해 기존의 비모수 통계기법, BDS 통계기법 및 CRH(Close Returns Histogram)를 통한 결과들을 비교 분석하였다. 특히, 본 연구에서는 시계열 모형의 잔차 분석을 위해 CRH의 적용 가능성을 제시하고자 하였다. 분석 결과, CRH는 정확한 무작위성 검정 결과를 도출하였을 뿐만 아니라 다른 방법들에 비해서 단순한 계산과정을 통해 쉽게 결과를 얻을 수 있었다. 따라서 시계열 모형의 잔차 분석을 위해 BDS 통계기법 뿐만 아니라 CRH를 이용한다면 보다 효과적인 분석을 할 수 있을 것으로 판단된다.

Recently, natural disasters such as floods and droughts are frequently occurred due to climate change and the damage is also increasing. Wetland is known to play an important role in reducing and minimizing the damage. In particular, water level variability needs to be analyzed in order to understand the various functions of wetland as well as the reduction of damage caused by natural disaster. Therefore, in this study, we fitted water level series of Upo wetland in Changnyeong, Gyeongnam province to a proper time series model and residual test was performed to confirm the appropriateness of the model. In other words, ARIMA model was constructed and its residual tests were performed using existing nonparametric statistics, BDS statistic, and Close Returns Histogram(CRH). The results of residual tests were compared and especially, we showed the applicability of CRH to analyze the residuals of time series model. As a result, CRH produced not only accurate randomness test result, but also produced result in a simple calculation process compared to the other methods. Therefore, we have shown that CRH and BDS statistic can be effective tools for analyzing residual in time series model.

The purpose of this study is analyzed by using the ARCH model to find the behavior in reits returns of monthly korean reits during january 2002 to may 2014. Empirical results here show that there are statistically significant conditional heteroscedasticity during the period in rising returns. And also, this paper has analyzed the ARCH-M model in K-reits returns to find the volatility in conditional returns and variance as time goes. It is found that conditional returns and variance is the positive relationship even if the statistical significance is low. This results indicate the partial existence of trade-off between returns and risk.

본 논문에서는 분산이 각각 다른 이분산성을 갖는 비선형 시계열 자료를 가지고, 비선형 시계열 모형중 1차 일반화 확률계수 자기회귀모형(GRCA(1))과 자료의 형태에 상관없이 적용할 수 있는 신경망 모형을 이용하여 예측을 해서 어느 모형이 최소 평균예측오차제곱의 기준에서 비선형 시계열 자료의 예측에 적합한지를 비교 분석 하는 것이다. 조건부 이분산 모형에 따르는 자료로 확인된 종합주가지수 변동율에 대한 사례 분석 결과를 보면 신경망 모형은 단기 예측에서 좋은 예측 결과를 보였고, 비선형 모형인 GRCA(1) 모형은 장기 예측에서 좋은 예측 결과를 보여 주었다.

We have compared and predicted for non-linear time series data which are real data having different variences using GRCA(1) model and neural network method. In particular, using Korea Composite Stock Price Index rate, mean square errors of prediction are obtained in genaralized random coefficient autoregressive model and neural network method. Neural network method prove to be better in short-term forecasting, however GRCA(1) model perform well in long-term forecasting.

사물인터넷(IoT)과 실시간 분석 환경의 확산으로 시계열 데이터의 생성량이 급격히 증가함에 따라, 시계열 데이터 베이스의 성능 특성을 비교·분석할 필요성이 커지고 있다. 본 논문은 대표적인 시계열 데이터베이스인 InfluxDB, TimescaleDB, QuestDB를 대상으로 TSBS(Time Series Benchmark Suite)를 활용하여 동일한 실험 환경에 서 성능을 비교하였다. 네 가지 데이터 규모(40/60/80/100 devices × 10 metrics, 10초 간격, 10일)에 대해 데 이터 쓰기 성능(평균 처리 시간, metrics/sec)과 다섯 가지 질의 유형(Simple Rollups, Double Rollups, Aggregates, Thresholds, Complex Queries)에 따른 질의 성능을 평가하였다. 실험 결과, TimescaleDB는 대 규모 데이터 및 복잡 질의 환경에서 가장 우수한 성능을 보였으며, QuestDB는 중간 규모 데이터 환경에서 안정적 인 성능을 나타냈다. InfluxDB는 단순 질의에서는 비교적 안정적인 성능을 유지하였으나, 데이터 규모가 증가할수 록 성능 저하가 관찰되었다. 본 논문에서는 데이터 규모와 질의 복잡도에 따른 시계열 데이터베이스의 성능 차이를 분석하였고, 이러한 실험 결과를 시계열 데이터베이스의 선택을 위한 기준 자료로 활용할 수 있을 것으로 보인다.

This paper addresses the growing need for comparative performance analysis of time series databases as the volume of time series data rapidly increases due to the expansion of the Internet of Things (IoT) and real-time analytics environments. The performance of three representative time series databases, such as InfluxDB, TimescaleDB, and QuestDB, was compared using the Time Series Benchmark Suite (TSBS) under identical experimental conditions. Write performance, measured by average processing time and metrics per second, and query performance across five query types (Simple Rollups, Double Rollups, Aggregates, Thresholds, and Complex Queries) were evaluated at four data set scales (40/60/80/100 devices × 10 metrics, sampled every 10 seconds over 10 days). The experimental results show that TimescaleDB exhibits the best performance in large-scale data and complex query environments, while QuestDB demonstrates stable performance in medium-scale data environments. InfluxDB maintains relatively stable performance for simple queries, but performance degradation is observed as data volume increases. This paper analyzes performance differences among time series databases according to data set scales and query complexity and our experimental results can be utilized as a criteria to select time series databases.

금융, 보안, 의료 분야에서는 데이터 분석을 통한 신속한 의사결정이 중요해지면서 방대한 양의 데이 터를 실시간으로 처리하고 아웃라이어를 탐지할 수 있는 새로운 분석 기법의 필요성이 대두되고 있다. 이러한 상황에서 기존의 규칙 기반 탐지 기법은 변화하는 범죄 패턴에 신속하게 대응하지 못하고 높은 오탐(false positive)율로 효율성 면에서 한계를 느끼고 있다. 이에 본 연구에서는 연속형 시계열 데이터 를 활용하여 베이지안 온라인 변화점 감지(Bayesian Online Change Point Detection; BOCPD) 모델이 아웃라이어 예측에 효과적인지를 실험을 통해 살펴보고자 한다. 실험은 크게 원본 시계열 데이터에 BOCPD를 직접 적용하여 아웃라이어를 예측하는 모델과 시계열 데이터의 차원을 축소 시킨 후 BOCPD 를 적용하여 아웃라이어를 예측하는 모델로 나누어 실험한 후 각각의 성능을 비교 분석하였다. 그 결과 원본 시계열 데이터에 BOCPD를 적용한 모델은 탐지율이 과도하게 높아 과적합(overfitting) 문제가 발생 했으나 차원 축소 후 BOCPD를 적용한 모델은 데이터의 주요 특징을 보존하면서도 우수한 변화 감지 성능을 보여주었다. 이를 통해 차원 축소가 BOCPD의 일반화 성능을 높이고 과적합 문제를 방지할 수 있음을 확인하였다. 또한 실시간 분석이나 대규모 데이터에 대한 아웃라이어 탐지가 요구되는 상황에서 는 Autoencoder BOCPD 모델과 Wavelet Transform BOCPD 모델이 우수한 선택이 될 수 있으며 특히 Autoencoder와 BOCPD의 결합 방식은 다양한 응용 분야에서 차원 축소와 아웃라이어 탐지의 효율성을 높이는 중요한 접근 방식으로 평가할 수 있다.

In the financial, security, and healthcare sectors, the importance of analyzing data to make quick decisions is driving the need for new analytics techniques that can process massive amounts of data in real time and detect outliers. In this situation, existing rule-based detection techniques are unable to respond quickly to changing crime patterns and are limited in efficiency due to high false positive rates. In this study, we investigate the effectiveness of Bayesian Online Change Point Detection (BOCPD) model for outlier prediction using continuous time series data through experiments. The experiments were divided into two types: a model that applies BOCPD directly to the original time series data to predict outliers, and a model that applies BOCPD after reducing the dimensionality of the time series data to predict outliers, and then analyzed the performance of each. The results showed that the model that applied BOCPD to the original time series data had an excessively high detection rate, resulting in an overfitting problem, but the model that applied BOCPD after dimensionality reduction showed excellent change detection performance while preserving the main features of the data. This confirms that dimensionality reduction can improve the generalization performance of BOCPD and avoid the overfitting problem. In addition, in situations requiring real-time analysis or outlier detection for large-scale data, the Autoencoder BOCPD model and the Wavelet Transform BOCPD model can be good choices, and the combination of Autoencoder and BOCPD can be evaluated as an important approach to improve the efficiency of dimensionality reduction and outlier detection in various applications.

최근 시계열 데이터를 통해서 예측하는 기술과 방법론은 급속도로 발전하고 있으며, 이는 국가 적, 사회적, 경제적 등 인류의 다양한 의사결정 문제를 효과적으로 해결해 주고 있다. 이처럼 과학적 인 분석 기법을 적용하기 위해서는 데이터의 질과 양이 중요한데 데이터의 양이 부족한 경우에는 기 계학습과 빅데이터 분석과 같은 과학적 방식에 적용하기가 매우 어렵다. 최근 신규 상장된 기업들의 주가 데이터는 그 양이 제한적이고, 이러한 데이터의 부족은 기계학습 및 인공신경망 모델의 학습에 있어 과소적합과 과적합 같은 문제를 일으킬 수 있다. 이 논문에서는 신규 상장 기업의 주가 데이터 를 확장하는 방법으로 Time-series Generative Adversarial Network(TimeGAN)을 적용하였다. TimeGAN은 시계열 데이터의 내재된 시간적 동적 특성을 모델링하여 실제와 유사한 합성 데이터를 생성할 수 있는 효과적인 방법을 제공한다. 우리는 이 모델을 사용하여 2019년부터 2023년까지 한국 주식 시장에 신규 상장 기업의 부족한 주가 데이터를 확장하고, 확장된 데이터에 대한 통계적 실효성 을 PCA, t-SEN 기법을 통해서 분석한 결과, TimeGAN을 통해 생성된 데이터는 원래 데이터의 통 계적 특성을 잘 보존하는 것으로 나타났다. 본 논문은 시계열 데이터가 부족한 상황에서의 데이터 확 장 기법에 대한 유용한 접근 방법을 제시함으로써, 금융 시장 분석 및 예측에 있어 새로운 가능성을 열어주길 기대한다.

Recently, technologies and methodologies for predicting through time series data are rapidly developing, and they are effectively solving various decision-making problems of humanity such as national, social, and economic. In order to apply such a scientific analysis technique, the quality and quantity of data are important, but when the amount of data is insufficient, it is very difficult to apply it to scientific methods such as machine learning and big data analysis. The amount of stock price data of newly listed companies is limited, and the lack of such data can cause problems such as underfitting and overfitting in learning machine learning and artificial neural network models. In this paper, Time-series Generative Adversarial Network (TimeGAN) was applied as a method to expand the stock price data of newly listed companies. TimeGAN provides an effective way to generate synthetic data similar to the real world by modeling the inherent temporal and dynamic characteristics of time series data. We used this model to expand the stock price data of newly listed companies in the Korean stock market from 2019 to 2023, and analyze the statistical effectiveness of the expanded data through PCA and t-SEN techniques, and found that the data generated through TimeGAN well preserves the statistical characteristics of the original data. This paper is expected to open new possibilities in financial market analysis and prediction by presenting a useful approach to data expansion techniques in the context of lack of time series data.