Earticle

다가올 지능형 교통 시스템에서의 차량 궤적 예측은 자율 주행 및 차량 간 통신에 있어 중요한 도 전 과제 중 하나이다. 본 연구에서는 차량 궤적 예측을 위한 시계열 딥러닝 모델의 성능을 평가한다. 도심 도로의 복잡성과 차량 이동 패턴의 불확실성을 고려하여, 시계열 예측에 특화된 다양한 딥러닝 기법을 적용하고 이들의 예측 정확도를 비교 분석한다. 특히, LSTM과 같은 전통적인 RNN 계열의 순 환 신경망 모델을 비롯하여 ConvLSTM, 1D-CNN, Transformer 등 다양한 모델을 중심으로 차량 궤 적 예측 모델을 구현하였다. 궤적 예측 정확도 평가의 경우 학습 데이터의 Lookback Window Size를 4와 8로 나누어 모든 모델에 적용해 예측하였다. 실험 결과, Transformer 모델의 예측 정확도가 Lookback Window Size에 관계없이 실험에 사용된 모델 중 가장 우수한 것으로 도출되었다.

현재 패션기업들은 높은 고정 비용과 다양한 비용 문제로 인해 생산과 관련된 부분은 아웃소싱으로 이루 어지고 있는 추세이다. 이로 인해 봉제산업의 역할이 점점 중요해지고 있다. 그러나 대외적으로 개발도상국 들이 제공하는 값싼 노동력과의 경쟁, 대내적으로는 최저임금 상승을 포함한 고정비 및 다양한 비용 부담이 겹쳐 국내 봉제업체들은 규모 축소의 위기에 직면해 있다. 이러한 상황은 국내 봉제산업에 대한 구조적 대응 과 전략적 육성이 필요함을 시사한다. 이에 따라 본 연구는 국내 봉제산업을 육성하기 위한 전략을 개발하는 데 필요한 기초 프레임워크를 제공하고자 하였다. 본 연구는 공진화 이론에 근거하여 환경적 변수와 봉제업 체의 파트너 기업을 연구 변수로 선정하였다. 봉제산업의 규모를 구분하기 위하여 전체 봉제산업과 마이크로 사이즈 봉제산업으로 나누었으며, 환경적 변수로는 최저임금을, 봉제업체와의 파트너 기업 변수로는 패션상 장기업과 의류도매업체를 선정하여, 각 변수들 간의 상호영향 관계를 분석하였다. 양적 분석을 위해, 패션상 장기업의 경우는 영업이익을, 의류도매업체의 경우는 매출을 활용하였고, 봉제업체의 경우는 전체 기업 수와 근로자 수를 활용하였다. 이상의 분석에 필요한 데이터들은 통계청 및 금융감독원으로부터 제공된 시계열 데이터를 사용했으며, 그랜저 인과관계분석을 통해 변수들 간의 관계를 살펴보고자 하였다. 그랜저 인과관계 분석 결과 환경적 변수인 최저임금은 전체 봉제산업과 마이크로 사이즈 봉제산업 기업 수와 고용자 수에 1, 2시차에서 영향을 주었으나, 1시차에 더 크게 영향을 주는 것으로 나타났다. 그러나 3시차에는 영향이 없 는 것으로 나타났다. 즉 최저임금은 봉제기업의 봉제업체 수와 고용자 수에 영향을 미치는 선행변수임이 확 인되었다. 1시차는 최저임금이 상승할수록 봉제산업에 규모에 영향을 미치는 데까지 1년의 시간이 걸린다는 것을 의미한다. 파트너 기업 변수인 패션상장기업의 영업이익은 2시차에서 전체 봉제산업의 고용자 수에 영 향을 미쳤지만, 3시차에서는 마이크로 사이즈 봉제업체 수에 영향을 미치는 것을 확인하였다. 마지막으로 마이크로 사이즈 봉제업체 수와 고용자수 증가는 2시차에서 의류도매업체의 매출에 영향을 미치는 선행변수 임을 확인하였다. 이를 통해 실질적으로 패션산업 내에서 봉제산업에 영향을 미치는 변수와 거래 기업들과의 상호영향력들을 살펴볼 수 있었다. 즉 공진화 이론과 같이 봉제산업은 거래하는 파트너 기업들과의 서로 영 향을 주고받고, 환경적 변수에 영향을 받지만 적응하면서 진화해 나가는 것을 확인할 수 있었다. 이를 통해 봉제산업의 육성 방향과 국가적 전략을 논의하는데 필요한 자료로 활용할 수 있을 것으로 기대된다.

This study attempts to analyze the relationship with the changing environment that affects the growth of the sewing industry from the perspective of co-evolution. To this end, we designated listed fashion brand companies and the apparel wholesale industry as the trading partner factor, with the minimum wage identified as the institutional factor. In the case of the sewing contractor industry, analyses were conducted separately for the overall industry and the micro-sized industry. For quantitative analysis, profitability indicators for fashion brand-listed companies and those in the apparel wholesale industry were utilized.In the sewing contractor industry, the analysis utilized the total number of companies and workers. Time series data were obtained from Statistics Korea and the Financial Supervisory Service. To examine the relationship between variables, Granger causality analysis was performed.The results indicate that the minimum wage, as an institutional factor, is a leading variable affecting the overall sewing contractor industry, the number of micro-sized sewing contractor companies and workers, with a time lag of one period. In the analysis, fashion brand listed companies were identified as a leading variable that impacts the total number of workers with a two-period delay (2 lag), but influences the number of micro-sized sewing contractor companies after a three-period delay (3 lag). Additionally, the analysis revealed that the micro-sized sewing contractor industry affects the apparel wholesale industry with a two-period delay (2 lag).This suggests that the expansion of micro-sized sewing contractors correlates with sales in the clothing wholesale sector. This study has significance in that it has identified specific factors influencing the growth of the sewing contractor industry.

우리는 무수히 많은 데이터 속에서 살고 있다. 다양한 데이터는 우리가 활동하는 모든 상황 속에서 만들어지 는데 빅데이터 기술을 통해 데이터의 유의미를 발굴한다. 유의미한 데이터를 발굴하기 위해 많은 노력이 진행 중이다. 본 논문은 주성분 분석(Principal component analysis) 기법으로 시계열 데이터의 추이 및 예측을 통해 인간이 더 나은 선택을 가능케 하는 분석 기법을 소개한다. 주성분 분석은 입력된 데이터를 통해 공분산을 구성하고, 데이터의 방향성을 추론할 수 있는 고유벡터와 고윳값을 제시한다. 제안하는 방법은 비슷한 방향성을 갖는 시계열 데이터 집합에서 기준 축을 구성하고, 데이터 집합을 이루는 각 시계열 데이터들의 방향성이 기준 축과 이루는 사잇각을 통해 다음 구간에 존재하게 될 데이터의 방향성을 예측한다. 본 논문에서는 가상화폐의 추이를 통해 제시한 알고리 즘의 정확도를 LSTM(Long Short-Term Memory)과 비교 검증한다. 비교/검증 결과 제안된 방법은 변동성이 큰 데이터에서 LSTM에 비해 상대적으로 적은 트랜잭션과 높은 수익(112%)을 기록하였다. 이는 상대적으로 정확하게 신호를 분석하여 예측했다는 의미로 볼 수 있으며, 보다 정확한 임계치 설정을 통해 더 나은 결과를 도출할 수 있을 것으로 기대된다.

We live in a myriad of data. Various data are created in all situations in which we work, and we discover the meaning of data through big data technology. Many efforts are underway to find meaningful data. This paper introduces an analysis technique that enables humans to make better choices through the trend and prediction of time series data as a principal component analysis technique. Principal component analysis constructs covariance through the input data and presents eigenvectors and eigenvalues that can infer the direction of the data. The proposed method computes a reference axis in a time series data set having a similar directionality. It predicts the directionality of data in the next section through the angle between the directionality of each time series data constituting the data set and the reference axis. In this paper, we compare and verify the accuracy of the proposed algorithm with LSTM (Long Short-Term Memory) through cryptocurrency trends. As a result of comparative verification, the proposed method recorded relatively few transactions and high returns(112%) compared to LSTM in data with high volatility. It can mean that the signal was analyzed and predicted relatively accurately, and it is expected that better results can be derived through a more accurate threshold setting.

최근 빅데이터 분석, 인공지능, 기계학습 등의 발전으로 인해서 데이터를 과학적으로 분석하는 기술이 발전하고 있으며 이는 의사결정 문제를 최적으로 해결해주고 있다. 그러나 특정 분야의 경우에는 데이터의 양이 부족해서 과학적 방식에 적용하는 것이 어렵다. 예컨대 부동산과 같은 데이터는 데이터 발표 시점이 최근이거나 비 유동성 자산이다 보니 발표 주기가 긴 경우가 많다. 따라서 본 연구에서는 이런 문제점을 극복하기 위해서 TimeGAN 모형을 통해 기존의 시계열의 확장 가능성에 대해서 연구하고자 한다. 이를 위해 부동산과 관련된 총 45개의 시계열을 데이터 셋에 맞게 2012년부터 2021년까지 주 단위로 데이터를 수집하고 시계열 간의 상관관계 를 고려해서 총 15개의 최종 시계열을 선정한다. 15개의 시계열에 대해서 TimeGAN 모형을 통해 데이터 확장을 한 결과, PCA 및 T-SNE 시각화 알고리즘을 통해 실제 데이터와 확장 데이터 간의 통계적 분포가 유사하다는 것을 확인할 수 있었다. 따라서 본 논문을 통해서 데이터의 과적합 또는 과소적합이라는 한계점을 극복할 수 있는 다양한 실험이 연구되기를 기대한다.

With the advancement of big data analysis, artificial intelligence, machine learning, etc., data analytics technology has developed to help with optimal decision-making. However, in certain areas, the lack of data restricts the use of these techniques. For example, real estate related data often have a long release cycle because of its recent release or being a non-liquid asset. In order to overcome these limitations, we studied the scalability of the existing time series through the TimeGAN model. A total of 45 time series related to weekly real estate data were collected within the period of 2012 to 2021, and a total of 15 final time series were selected by considering the correlation between the time series. As a result of data expansion through the TimeGAN model for the 15 time series, it was found that the statistical distribution between the real data and the extended data was similar through the PCA and t-SNE visualization algorithms.

This study aims to identify the influence of urban transition process on the location of taxi garages by time series analysis between the urban development and the location of cab garages. The 280 taxi garage companies were analyzed from 1962 to 2017 in comparison with the urban changes of Seoul. The results are like followings. First, according to the Simple Regression Analysis (SRA), it was statistically significant that taxi garages moved outskirts from center as time passed. In details, the average migration length from Seoul City Hall was 24m per every year. Second, it was empirically identified that the expansion of Seoul administration boundary influenced on the location of taxi garages. According to the quantitative analysis, urban development by land subdivision made the taxi garages go outskirts. But the future study should be needed about the relationships between the urban development and the exact locations of taxi garages.

우리나라의 2015년 노인 인구는 전체 인구의 13.1%를 차지하고 2015년 경찰청 교통사고통계에 의하면 65세 이상 노인의 교통사고 사망률은 전체 교통사고 사망률의 약 2.57배 높은 것으로 나타났다. 본 연구에 서는 노인 운전자와 성인 운전자의 사망사고에 대한 시계열 모형을 확인하고 추세에 큰 차이가 있는지 확 인하고자 하였다. 분석방법인 시계열분석은 단기예측에 신뢰성이 더 높은 것으로 알려져 있다. ARIMA 모형으 로 시계열분석을 하기 위해서는 최소 50~60개 이상의 관측값이 필요하며 따라서 본 연구에서는 인천광역시를 대상으로 2010년부터 2015년까지 6년간의 교통사고 데이터를 노인 운전자와 성인 운전자로 구분하고 사망 사고에 대한 시계열 모형을 확인하였다.

The technology of IoT which began in the sensor networks generate numerous sensing data from a variety of physical environments to virtual world. There are many types of IoT device used the sensors based on application. They usually create time series data that people can use to make more sensible decision. Things produced various data which is generated and stored as time based and then saved them to the existing database. In this paper, we introduce the system architecture for the large distributed cluster based system for the processing and collecting of big-data of time-series to meet the goal of performance using Redis Cluster and OpenTSDB.

시계열 모형에서 모수의 수가 많으면 모수추정에 따르는 오차가 커지게 되므로 예측을 하는데 많은 어려움 이 있다. 만약 여러개의 시계열 자료들이 동일한 모형에서부터 얻어졌다고 하는 동질성 가설이 채택되면 모수축약을 이룰 수 있고, 더 좋은 예측값을 얻을 수 있다. 비선형 시계열 패널 자료는 각각의 시계열마다 모수들이 있기 때문 에 매우 많은 모수가 존재하게되고, 모수의 수가 많으면 모수추정에 따르는 오차가 커지게 되어 예측의 정확도가 떨 어지게 된다. 패널내에 존재하는 독립적인 여러 시계열들의 동질성이 만족되면 시계열을 종합하여 모수를 추정하고 검정할 수 있다. m개의 독립적인 비선형 시계열 패널 자료의 동질성 검정을 알아보기 위하여 모형을 설정하고 이 모형에 대한 정상성 조건을 구하였고, 동질성 검정통계량을 유도했으며, 구한 검정 통계량의 극한분포가 X2 분포를 따르는 것을 보였다. 실증분석에 있어서는 비선형 시계열 자료중 중선형 시계열 모형의 동질성 검정을 하고, 실제 우리나라 주식자료를 2개의 집단으로 나누어 비선형 시계열 패널 자료의 동질성 검정에 대한 분석을 하였다.

When the number of parameters in the time series model are diverse, it is hard to forecast because of the increasing error by a parameter estimation. If the homogeneity hypothesis which was obtained from the same model about severeal data for the time series is selected, it is easy to get the predictive value better. Nonlinear time-series panel data for each parameter for each time series, since there are so many parameters that are present, and the large number of parameters according to the parameter estimation error increases the accuracy of the forecast deteriorated. Panel present in the time series of multiple independent homogeneity is satisfied by a comprehensive time series to estimate and to test of the parameters. For studying about the homogeneity test for the m independent non-linear of the time series panel data, it needs to set the model and to make the normal conditions for the model, and to derive the homogeneity test statistic. Finally, it shows to obtain the limit distribution according to X2 distribution. In actual analysis,, we can examine the result for the homogeneity test about nonlinear time series panel data which are 2 groups of stock price data.

Objectives: This study examined the changes in alcohol beverage expenditure according to the type of household between the two periods (1990-2000 and 2000-2010). Methods: The data was taken from the raw data of alcohol consumption expenditure from 1990 to 2010 provided by Korea National Statistical Office. A t-test and regression analysis were performed using the SAS program. Results: The consumption expenditure elasticity and cross elasticity increased in the order of other households, all households, and salary and wage earners households. The consumption expenditure and alcohol expenditure increased gradually from 1990-2000 to 2000-2010, whereas tobacco expenditure decreased from 2000 to 2010. The consumption expenditure elasticity and cross elasticity in salary and wage earners households were higher than those of all households and other households. The consumption expenditure elasticity appears to be normal goods, and alcohol and tobacco are complementary goods. Conclusion: The consumption of alcohol increased during the period, 2000-2010. Therefore, alcohol policy and intervention programs are needed to decrease the consumption of alcohol.

본 연구는 도금욕 공정의 완성도 예측을 위한 시계열 데이터의 효과적인 표현을 목표로, Dynamic Time Warping(DTW) 및 k-Nearest Neighbors(kNN) 기반의 전처리 방법론을 제안한다. 제안된 DTW 기반 kNN 전처리 방법을 다양한 회귀 모델에 적용하여 비교한 결과, 기존 결정 나무(Decision tree) 대비 최대 RMSE에서 43%과 MAE에서 24% 개선된 성능 향상을 보였으며, 신경망 구조를 갖는 회귀 모델과 결합했을 때 성능 향상이 두드러졌다. 본 논문에서 제안하는 전처리 방법과 회귀 모델을 결합한 구조는 길이가 긴 시계열 데이터와 제한된 데이터 샘플이 있는 상황에서 적합할 것으로 사료되며, 데이터가 부족한 상황에서도 과적합의 위험을 감소시키며, 합리적인 예측을 가능하게 함을 시사한다. 그러나 DTW 및 kNN 알고리즘은 데이터 샘플이 많아질수록 연산량이 늘어난다는 한계가 존재하며, 향후 연구를 통해 이러한 계산 효율성의 문제를 개선할 수 있는 연구가 필요할 것으로 보인다.

This study proposes a preprocessing methodology based on Dynamic Time Warping (DTW) and k-Nearest Neighbors (kNN) to effectively represent time series data for predicting the completion quality of electroplating baths. The proposed DTW-based kNN preprocessing approach was applied to various regression models and compared. The results demonstrated a performance improvement of up to 43% in maximum RMSE and 24% in MAE compared to traditional decision tree models. Notably, when integrated with neural network-based regression models, the performance improvements were pronounced. The combined structure of the proposed preprocessing method and regression models appears suitable for situations with long time series data and limited data samples, reducing the risk of overfitting and enabling reasonable predictions even with scarce data. However, as the number of data samples increases, the computational load of the DTW and kNN algorithms also increases, indicating a need for future research to improve computational efficiency.

자폐 스펙트럼 장애는 사회적 의사소통 및 상호작용의 손상과 제한된 관심사 및 반복적인 행동을 특징으로 하는 전반적인 신경 발달 장애이다. 휴지기 기능적 자기공명영상에서 얻은 동적 기능적 연결성 데이터는 시간에 따라 변화하는 뇌 영역간 의 상호작용을 통해 뇌의 복잡한 기능을 이해하고 자폐 스펙트럼 장애 관련 패턴을 식별하는데 도움을 준다. 하지만 의료 데이터 수집의 제약으로 인해 발생하는 데이터 부족 문제가 동적 기능적 연결성을 활용한 정밀한 자폐 스펙트럼 장애 진단을 어렵게 만든다. 이러한 문제를 해결하기 위해서, 본 연구는 레이블 투영 블록을 적용한 시계열 적대적 생성 신경망을 활용하여 사실적인 합성 동적 기능적 연결성 데이터를 생성하는 방법을 제시한다. 레이블 투영 블록은 생성하고자 하는 데이터의 레이블 정보를 효과적으로 임베딩하여 기존의 시계열 적대적 생성 신경망의 생성 능력을 크게 향상시켰다. 생성된 동적 기능적 연결성은 자폐 스펙트럼 진단 모델의 추가적인 훈련 데이터로 활용되었고, 다양한 진단 모델에서 실험한 결과 본 연구에서 제안하는 레이블 투영 블록을 적용하여 생성된 동적 기능적 연결성이 적용하지 않은 것 보다 자폐 스펙트럼 장애 진단 성능을 향상시키는 효과를 보였다.

인간의 주 의사 소통 방법인 목소리를 통한 음성 언어는 단순한 언어 정보의 전달만이 아니라 음성의 억양과 높낮이 그리고 주변 환경 등 여러가지 특징을 통해 감정 정보를 함께 전달하게 된다. 현재 많은 연구들이 인간과 컴퓨터의 상호작용을 위해 음성언어기반의 감정을 시스템이 파악하는데 초점을 맞추고 있으며, 음성의 다양한 주파수 특성을 추출하여 신경망모델을 개발하고 있다. 본 논문은 시간에 따른 감정 변화를 정확하게 인식하기 위해, 시간 영역에서 시계열 데이터 전처리와 3 가지 음성 신호 기반의 자연어 특징 추출을 진행한다. 제안하는 데이터 전처리, 특징 추출 방법은 주파수 영역의 특징으로만 비교하는 학습 방식보다 시간에 따라 변화하는 자연어 및 복잡한 감정인식에 유리하다. 2개의 공개 데이터 셋을 이용하여 시계열 특징을 입력으로 하는 순환 신경망 모델 알고리즘들을 개발하고 이들의 성능을 비교하였다.

본 연구에서는 1999년부터 2014년까지 통계청에서 조사한 생활시간조사 자료를 활용하여 조사연도별로 평일 통행시간예산에 영향을 미치는 요인을 분석하여 이를 비교하고자 하였다. 먼저 인구 및 인구 및 사회경제지표, 비가정 활동시간 등을 비가정 활동시간 등을 고려한 통행 시간에 관한 다중회귀모형을 구축하여 영향력을 분석하였다. 모형추정 결과, 가구특성, 개인특 성, 비가정 활동시간 변수들이 통행시간에 유의하게 영향을 미치는 것으로 분석되었으며, 연도 별로 영향력에 차이가 있음을 확인하였다. 또한, 통행시간과 비가정 활동시간간의 상관성을 고 려하여 SUR모형을 구축하였으며, 독립변수들이 미치는 영향력을 시계열적으로 비교·분석하였 다. 전반적으로 인구 및 사회경제지표가 통행시간은 물론 비가정 활동시간들에 지속적으로 영 향을 미치고 있는 것으로 나타났다.

This study analyzes factors that affect average daily travel time budgets, using the Time Use Survey data from 1999 to 2014 in Seoul. We first developed multivariate regression models for travel time from each year, considering demographic and socio-economic variables as well as non-home activity time. The model results showed that household and personal characteristics and non-home activities significantly affect travel time, and their effects are different over time. In addition, we developed seemingly unrelated regression (SUR) models for time allocation for non-home activity and travel, considering their correlations, and explanatory variables were compared over time. Overall, demographic and socio-economic variables significantly affect travel time as well as non-home activity time.