Earticle

관광산업은 사이판과 같은 작은 섬에서는 매우 중요한 산업이다. 과거 대부분의 관광 예측연구는 관광산업의 공급 측면(예를 들어 호텔, 식당, 교통, 혹은 위락시설)만을 중심으로 관광산업의 지속가능성을 연구하였다. 혹은, 수요 측면을 중심으로 연구한 경우에도 규모가 큰 섬이나 나라에 초점을 두었기 때문에, 관광업이 경제에서 가장 중요한 비중을 차지하는 작은 섬나라의 경우에는 직접적으로 적용하기 힘들다는 한계점이 있었다. 본 연구는 기존연구에서 다루지 않았던 작은 섬 지역의 관광산업에서 수요 측면을 통한 지속적인 성장에 관한 것이다. 특히, 사이판 지역의 관광 수요를 예측하고자, 사용 가능한 예측 모형의 정확성을 검토한 후 적합한 모형을 제시하였다. 사이판과 같이 작은 섬은 전체 경제에서 관광산업이 차지하는 비중이 매우 중대하므로 관광 수요 예측은 중앙 및 지방정부의 정책입안자에게 중요한 업무일 것이다. 즉 관광 수요 예측의 정확성을 높이기 위해서는 적절한 수요예측모형을 선정하는 것이 더욱 중요하다는 것을 의미한다. 이러한 점에서 본 연구는 기존연구를 확장하여 연구의 완성도를 높였으며, 중요한 정책적 시사점과 공헌 점을 제시하고 있다. 본 연구는 2006년부터 2016년까지 한국, 중국, 일본의 사이판 방문객 수를 Marianas Visitors Authority의 일본 공식 웹사이트에서 추출하였다. 다양한 시계열 추정모형 중에서 본 연구의 분석 방법으로 autoregressive integrated moving average (ARIMA)와 Error-trend-seasonal (ETS) 모델들을 고려하였다. 이 두 가지의 시계열 모형은 시계열 자료에서 흔히 나타나는 계절성(seasonality), 경향(trend), 주기(cycle)와 같은 특성을 통제하기에 적합하다고 알려져 있다. 시계열 분석 방법을 이용하여 2017년의 월별 한국, 중국, 일본의 사이판 방문객 수를 추정하였다. 먼저, 본 연구는 ARIMA와 ETS 모델의 예측 정확성을 비교 검증하였다. 이를 위해 손실함수 (예를 들어 mean error, mean absolute scaled error, mean absolute error, mean percentage error, and mean absolute percentage error)를 이용하였고, 두 모델 중에서 작은 섬의 경우 어떠한 모델이 더 적합한지 판단하였다. 즉, 중국, 일본과 한국에서의 해외 여행객 유입의 시계열 자료를 이용하여 모델 보정 및 다양한 모델의 정확성을 측정하는 변수들을 이용하여 사이판과 같이 작은 섬나라의 경우에 더 적합한 예측모형을 제시하였다. 예측 정확성을 비교해 본 결과 본 연구에 이용되는 시계열 자료에서는 ETS 모델이 예측력이 뛰어난 것으로 나타났다. ETS 모델을 이용해서 2017년 여름철 한국, 중국, 일본의 사이판 방문객 수를 각각 추정하였다 (80%와 95% 신뢰구간). 중국 방문객의 경우 17,912-19,428여 명, 일본 방문객의 경우 4,078-6,350여 명, 한국 방문객의 경우 18,902-20,587여 명으로 추정되었다. 특히, 5월에서 8월 사이의 여행객 숫자의 변화가 크지 않다는 것을 볼 수 있었다. 본 연구의 결과를 통해서 도출할 수 있는 점은 사이판의 지속가능한 관광업을 도입하기 위해 섬에 방문하는 방문객 수에 대한 최대허용치를 관리해야 한다는 것이다. 이는 관광업이 나라 경제에 매우 중요한 요소이기도 하면서 환경과 자연자원과 원주민의 문화 등을 보호하는 것 또한 간과할 수 없기 때문이다. 따라서 이 둘 간의 균형적 발전을 위해서 관광 방문객 수에 대한 상한(cap)을 도입하는 정책적 시도가 필요하다고 본다. 관광산업이 지역경제에 파급효과가 큰 나라의 경우, 본 연구에서 제안되는 추정 모델을 통해 지속적인 경제성장을 이루는 정책 방향을 도출할 수 있을 것이다.

Sustainable tourism, unlike conventional tourism, explicitly strives to maintain economic, environmental, and social sustainability in tourist destinations. Saipan, the capital and the largest island of the chain of Pacific islands known as the Commonwealth of the Northern Mariana Islands (CNMI), is a tropical destination that heavily relies on the tourist industry as a source of income. When analyzing the trends of tourist arrivals from the top three countries that account for the majority of tourist arrivals in Saipan-China, Japan, and Korea-the necessity to implement sustainable tourism in Saipan becomes clear. This article forecasts tourism demand, which is one of the main factors in determining sustainable tourism on a small island. Analyzing both long-term and cyclical trends in tourist arrivals assists budget-constrained policymakers and related organizations in implementing sustainable tourism. Therefore, forecasting accuracy is essential in tourism policy and planning. The tourist arrival data obtained from Marianas Visitors Authority’s official Japanese website are made into a time series for Chinese, Japanese, and Korean visitor data from 2006 to 2016. Given the various time-series forecasting models, we employ simple but powerful forecasting techniques, such as ARIMA and ETS to control for the possible seasonality and trend in our tourism data. Using these forecast methods, the tourist arrival data is used to predict the future trends of tourist arrivals in Saipan for the next twelve months. The performance of our forecasting model in this study is evaluated based on the five measures of accuracy, as measured by comparison with actual tourism flows: mean error, mean absolute scaled error, mean percentage error, mean absolute error, and mean absolute percentage error. A comparison of the two popular forecast techniques in this study shows that the ETS model statistically outperforms the ARIMA model in terms of various measures of accuracy. A practical implication of this finding is that the ETS approach should be used when forecasting tourism demand for small islands. We predict the visitor arrivals from China, Japan, and Korea to Saipan by using the better model. The estimated 80% and 95% intervals for the number of tourist arrivals by the ETS model are presented in this study. The upper (lower) bound is the maximum (minimum) value of the estimated tourist arrivals. We find strong evidence that the tourist arrival trend for Korean visitors to Saipan will increase in the short run; although, the Chinese and Japanese tourist arrival trends seems to be stable, except for Japanese tourist arrivals in August. Nonetheless, with such an intense demand for Saipan’s natural resources, sustainable island tourism becomes necessary. Our estimated result is useful to practitioners in the sense that they are able to prepare for carrying capacities and the means of destination management on Saipan. Proper management for maintaining the island environmentally, economically, and socially requires the preservation of indigenous culture, local quality of life, natural resources, and economic stability while accommodating the demands of arriving tourists. It is crucial to preserve the assets of Saipan in order to maintain and improve its economy. Thus, our time series modeling for forecasting the number of visitors becomes necessary to develop overall economic, environmental, and social sustainability in the island. An interesting addition to implementing sustainable tourism in Saipan is the idea of maintaining a “cap” on the number of incoming tourists visiting the island. Perhaps, with more research on Saipan’s environment, specifically an estimate of how much of the island’s resources tourists exhaust and how much the island can withstand the aforementioned, this “cap” could be practical to prevent perpetual damage to Saipan’s biodiversity, resources, culture, and economy. Along with this idea, knowing the minimum number of tourists needed to sustain Saipan’s necessities is valuable.

This article examines the volatility forecasting abilities of two approaches: one is GARCH-type model that uses carbon futures prices, and the other is an implied volatility from carbon options prices. Based on the results, we document that GARCH-type models perform better than an implied volatility. This result suggests that carbon options have little information about carbon futures due to their low trading volume. We also investigate whether the volatilities of energy markets, i.e., Brent oil, coal, natural gas, and electricity, forecast following day’s carbon futures volatility. According to the results, we suggest that Brent oil and natural gas may be used to forecast the volatility of carbon futures.

The implied volatility from Black and Scholes (1973) model has been empirically tested for the forecasting performance of future volatility and commonly shown to be biased. Based on the belief that the implied volatility from option prices is the best estimate of future volatility, this study tries to find out a better model, which can derive the implied volatility from option prices, to overcome the forecasting bias from Black and Scholes (1973) model. Heston (1993)’s model which improves on the problems of Black and Scholes (1973) model the most for pricing and hedging options is one candidate, and VIX which is the expected risk neutral value of realized volatility under the discrete version is the other. This study conducts a comparative analysis on the implied volatility from Black and Scholes (1973) model, that from Heston (1993)’s model, and VIX for the forecasting performance of future volatility. From the empirical analysis on KOSPI200 option market, it is found that Heston (1993)’s implied volatility eliminates the bias mostly which Black and Scholes (1973) implied volatility has. VIX, on the other hand, does not show any improvement for the forecasting performance.

최근 들어 IITS는 스마트 시티관련 산업계에서 중요한 주제로 떠오르고 있다. IITS의 주요 목적인 교 통체증 (차량 사고에 기인한) 예방책들이 발전된 센서 및 통신 기술의 도움을 받아 다양하게 시도되었다. 관 련 연구들에서는 자동차 사고와 사고 위치적 특성, 날씨, 운전자 행동, 시간 등 다양한 요인들과 상관 관계가 있음을 보여주고 있다. 우리 연구는 자동차 사고와 사고 발생 시간 사이의 상관관계에 주제를 집중했다. 본 논문에서는 ARIMA (Auto-Regressive Integrated Moving Average) 자동 회귀, 정상 및 지연 순서를 결정 하는 세 가지 요소를 확인하기 위해 ADF (Augmented Dickey-Fuller)를 포함한 ARIMA 테스트를 수행했 다. 본 연구 결과로서 시간 별 자동차 충돌 수 예측에 대한 요약을 제시하며, 한국 내 자동차 사고 데이터는 ARIMA 모델에 적용될 수 있음을 보여주었고, 국내 자동차 사고는 하루를 기준으로 일정한 주기가 존재하는 성격을 가지고 있다는 것을 제시했다.

Recently, IITS (intelligent integrated transportation system) has been important topic in Smart City related industry. As a main objective of IITS, prevention of traffic jam (due to car accidents) has been attempted with help of advanced sensor and communication technologies. Studies show that car accident has certain correlation with some factors including characteristics of location, weather, driver’s behavior, and time of day. We concentrate our study on observing auto correlativity of car accidents in terms of time of day. In this paper, we performed the ARIMA tests including ADF (augmented Dickey-Fuller) to check the three factors determining auto-regressive, stationarity, and lag order. Summary on forecasting of hourly car crash counts is presented, we show that the traffic accident data obtained in Korea can be applied to ARIMA model and present a result that traffic accidents in Korea have property of being recurrent daily basis.

현재까지 많은 수문 시계열은 전통적인 선형 모형을 이용하여 분석되고 예측되어 왔다. 하지만, 자연현상과 수문시계열의 패 턴 및 변동과 관련하여 비선형적 구조의 증거가 발견되고 있다. 따라서 시계열 분석 및 예측을 위한 기존의 선형 모형은 비 선형적 특성에 적합하지 않을 수 있다. 본 연구에서는 미국 플로리다 코코아 지역 인근에 있는 St.Johns 강의 일유량 자료에 대한 카오스 분석을 수행하였고, 그 결과 낮은 차원의 비선형 동역학적 특성을 가진 흥미로운 결과가 나타났지만 한국의 소 양강댐 일유량 자료는 확률적 특성을 보여주었다. 카오스 특성을 토대로한 DVS(결정론적 vs 추계학적) 알고리즘을 이용해 두 시계열 시스템의 특성을 파악하였고 단기 예측을 수행하였다. 또한 본 연구에서는 일 유량 시계열 예측을 위해 인공신경 망 방법을 사용하였고, DVS 알고리즘에 의한 예측을 비교 분석하였다. 분석 결과, 카오스 특성을 갖는 시계열 자료가 보다 정확한 예측성을 보였다.

Hydrologic time series has been analyzed and forecasted by using classical linear models. However, there is growing evidence of nonlinear structure in natural phenomena and hydrologic time series associated with their patterns and fluctuations. Therefore, the classical linear techniques for time series analysis and forecasting may not be appropriate for nonlinear processes. Daily streamflow series at St. Johns river near Cocoa, Florida, USA showed an interesting result of a low dimensional, nonlinear dynamical system but daily inflow at Soyang reservoir, South Korea showed stochastic property. Based on the chaotic dynamical characteristic, DVS (deterministic versus stochastic) algorithm is used for short-term forecasting, as well as for exploring the properties of the system. In addition to the use of DVS algorithm, a neural network scheme for the forecasting of the daily streamflow series can be used and the two techniques are compared in this study. As a result, the daily streamflow which has chaotic property showed much more accurate result in short term forecasting than stochastic data.

Forecasting long-term mobile service demand is inevitable to establish an effective frequency management policy despite the lack of reliability of forecast results. The statistical forecasting method has limitations in analyzing how the forecasting result changes when the scenario for various drivers such as consumer usage pattern or market structure for mobile communication service is changed. In this study, we propose a dynamic model of the mobile communication service market using system dynamics technique and forecast the future demand for long-term mobile communication subscriber based on the dynamic model, and also experiment on the change pattern of subscriber demand under various scenarios.

본 연구에서는 ARIMA, ARIMA-GARCH, ARIMA-RS 모형들의 토지가격 예측력을 비교하였다. 분석에 사용된 자료는 1987년 1분기부터 2022년 1분기까지 토지가격지수 이며, 예측시계별로 표본내(in-sample)와 표본외(out-of-sample) 예측력을 추정하였 다. 예측력은 평균제곱오차제곱근(RMSFE)와 평균절대오차(MAFE)를 적용하였고 각 모 형들의 예측력이 통계적 유의성이 있는지 여부에 대해 DM 검정 수행하였다. 분석 결과 는 다음과 같다. 첫째, 표본내외의 모든 시계에서 ARIMA(1,1,0)-GARCH 모형의 예측 력 가장 우수하게 나타났다. 둘째, 표본내에서는 ARIMA(1,1,0) 모형의 예측력이 ARIMA(2,1,0) 모형보다 상대적으로 더 우수하게 나타났지만, 표본외에서는 반대로 나 타났다. 또한 표본내에서는 ARIMA(3,1,0)-RS 모형의 예측력이 ARIMA(1,1,0)-RS 모 형의 예측력보다 상대적으로 더 우수하게 나타났지만, 표본외에는 반대로 나타났다. 셋 째, 표본내외의 모든 예측시계에서 국면전환모형(RSM)예측력이 현저히 떨어지는 것으 로 나타났다. 부동산시장의 안정화를 위해 이분산성의 특징을 잘 표착할 수 있는 ARIMA(1,1,0)-GARCH 모형을 예측 모형의 대안으로 고려할 필요성이 있다.

The Purpose of this paper is to compare different models’ forecasting performance of ARIMA, ARIMA-GARCH, ARIMA-RS models in Korean land market covering the period from the first quarter of 1987 to the first quarter of 2022. I carry out in-sample and out-of-sample forecasting power to Korean land price index. For the comparison of forecast powers, I calculate root mean squared forecast errors and mean absoute forecast errors for each forecasting horizon of the second quarter of 2021 to the first quarter of 2022. I test the statistical signification of the predictive comparison results using DM test. The empirical results are as follows: First, the forecasting power of the ARIMA(1,1,0)-GARCH model is the best in all horzions in- and out-of-sample. Second, within the sample, the forecasting power of the ARIMA(1,0) model is relatively better than that of the ARIMA(2,1,0) model, but outside the sample, it is the opposite. In addition, within the sample, the forecasting power of the ARIMA(3,1,0)-RS model is relatively better than that of the ARIMA(1,0)-RS model, but it is contrary to the sample. Third, it is found that the predictive power of the regime-switching model(RSM) is significantly decreased in all predictive horzions in- and out-of-sample. In order to stabilize the real estate market, it is necessary to consider the ARIMA(1,0)-GARCH model as an alternative to the prediction model.

본 연구는 공공자전거의 대여량을 예측하는 딥러닝 모형을 개발하였다. 이를 위하여 공공자 전거 대여량 자료, 기상 자료, 그리고 지하철 이용량 자료를 수집하였다. 지수평활 모형, ARIMA 모형과 LSTM기반의 딥러닝 모형을 구축한 후 MSE와 MAE 평가 지표를 사용하여 예 측 오차를 비교·평가하였다. 평가 결과, 지수평활 모형으로 MSE 348.74, MAE 14.15 값이 산출 되었다. ARIMA 모형으로 MSE 170.10, MAE 9.30 값을 얻었다. 그리고 딥러닝 모형으로 MSE 120.22, MAE 6.76 값이 산출되었다. 지수평활 모형의 값과 비교하여 ARIMA 모형의 MSE는 51%, MAE는 34% 감소하였다. 그리고 딥러닝 모형의 MSE는 66%, MAE는 52% 감소하여 딥러 닝 모형의 오차가 가장 적은 것으로 파악되었다. 이러한 결과로부터 공공자전거 대여량 예측 분야에서 딥러닝 모형의 적용시 예측 오차를 크게 감소시킬 수 있을 것으로 판단된다.

This study developed a deep learning model that predicts rental demand for public bicycles. For this, public bicycle rental data, weather data, and subway usage data were collected. After building an exponential smoothing model, ARIMA model and LSTM-based deep learning model, forecasting errors were compared and evaluated using MSE and MAE evaluation indicators. Based on the analysis results, MSE 348.74 and MAE 14.15 were calculated using the exponential smoothing model. The ARIMA model produced MSE 170.10 and MAE 9.30 values. In addition, MSE 120.22 and MAE 6.76 values were calculated using the deep learning model. Compared to the value of the exponential smoothing model, the MSE of the ARIMA model decreased by 51% and the MAE by 34%. In addition, the MSE of the deep learning model decreased by 66% and the MAE by 52%, which was found to have the least error in the deep learning model. These results show that the prediction error in public bicycle rental demand forecasting can be greatly reduced by applying the deep learning model.

본 연구는 산업용지 공급 규모를 결정하는데 기준이 되는 산업용지의 수요를 예측하였다. 그동안 산업용지의 수요 예측은 과거 추세를 연장하거나 경제적 변수를 제한적으로 반영하였다. 과거 추세를 연장하는 것은 예측의 한 방법으로 유용하지만 경제 변화를 고려할 수 없다는 점에서 이론적으로 취약하다. 경제 변수를 고려한 경우에도 패널자료를 이용하지 않거나 변수 간 공적분 관계를 명시적으로 이용하지 않아 제약이 있었다. 본 연구는 산업용지와 생산액 간의 패널 공적분 관계를 이용하였다. 추정 결과 산업용지와 생산액 간에는 장기균형관계 즉 공적분 관계가 성립하는 것으로 나타났다. 생산액이 한 단위 증가하면 산업용지는 전체 기간에서는 0.47 증가하고, 외환위기 이후 기간에서는 0.49 증가하는 것으로 나타났다. 장기균형관계식의 오차항을 포함한 오차수정모형을 추정한 결과는 첫째, 오차수정항 계수가 유의한 음의 값(-0.27)을 보여, 장기균형으로 회복하려는 힘이 있음을 확인하였다. 둘째, 생산액의 단기 변화에 대해서도 산업용지가 증가하는 것으로 나타났다. 본 연구는 산업용지 수요 예측에서 경제적 변화를 반영하여 이론적 토대를 강화하고, 패널자료의 공적분 관계를 적용함으로써 추정의 효율성을 높였다.

This study estimates and forecasts the size of the industrial land. Meanwhile, the extension of historical trends and economic variables which are partially taken into consideration have been used as the estimation methods for the size of the industrial land. The extension of past trends, however, fails to consider the economic changes that weaken its explanatory power. Even if economic variables are taken into consideration, there is a limitation because the panel data and co-integration relationship between land size and output value are not explicitly used. In this study, we employed a panel co-integration relationship between land and output. Results show that there exists a co-integration relationship between them. Increase in the output value of a unit leads to increase of 0.47 and 0.49 in the land size, respectively, during the entire period and in the post-financial crisis period. Estimation results of the error correction model including error correction term are as follows. First, the coefficient of the error correction term showed a significant negative value (-0.27). We confirmed there was a tendency to return the long-run equilibrium. Second, it was found to increase the land size for short-term changes in the output value. The significance of this study are as follows. First, the theoretical foundation was reinforced because we reflected the changes in economic structure. Second, we increased the efficiency of the estimation by using the panel data and applying the panel co-integration relationship.

기온은 1차 산업에 직접적으로 영향을 미칠 뿐만 아니라 건설업과 같이 야외에서 진행되는 산업에도 큰 영향을 미친다. 특히 건축계획에서 정확한 기후 예측은 중요하다. 안전과 경제성 등 다양한 부분에 영향을 미치기 때문이다. 그러나 건축분야에서 딥러닝을 이용한 기온 예측 연구는 다양하게 이루어지지 않고 있다. 그중에서도 Attention Mechanism을 사용한 딥러닝을 적용한 연구는 드물다. 따라서 본 연구에서는 Attention Mechanism이 적용된 딥러닝 모델을 기반으로 기온을 파악하고 관련된 변수들에 대한 정보를 건축현장과 발주사, 시공사, 설계사의 의사결정자에 게 제공하는 것을 목적으로 한다. 이를 통해 사전적으로 기후에 대응할 수 있을 것으로 예상하며, 기후 변화로 인한 기온의 급상승 또는 급하락으로 인한 공사기간의 산정 오차를 줄여 실제 건축 현장의 성과를 향상시킬 것으로 기대 한다.

Temperature directly affects the construction industry, which has a lot of outdoor work, as well as the primary industry. In particular, accurate climate forecasting is important in architectural planning. Because it affects various fields such as safety and economics. However, there are not many studies on temperature forecasting using deep learning in the field of architecture. Therefore, in this study, we forecast temperature through an Attention Mechanism-based deep learning model. In addition, the purpose of this study is to provide information on variables related to the predicted temperature to decision makers of construction sites, owners, contractors, and consultants. Through this, it is expected to be able to respond to the climate in advance. In addition, it is possible to reduce the calculation error of the construction period caused by a sharp rise or a sharp drop in temperature due to climate change. Therefore, it is expected to improve the performance of the construction site.

As renewable energy penetration continues to increase, the output variability and forecasting uncertainty of photovoltaic generation have emerged as major operational risks in power systems. This study establishes a sensor-based data quality control procedure to ensure the reliability of meteorological data collected at a PV plant. For temperature, humidity, and wind speed, a four stage QC process physical range check, persistence check, step change check, and median filtering was applied. Solar radiation, which exhibits strong temporal and distributional characteristics, was processed using a three-stage QC procedure consisting of physical range, step change, and frequency distribution checks. Using the quality-controlled meteorological data, PV generation forecasting was performed with SVM and XGBoost models. As a result, the MAPE values improved to 6.32% for SVM and 6.08% for XGBoost after QC application. The findings confirm that meteorological data quality control significantly enhances PV forecasting accuracy and can support future strategies for distributed energy resource management, curtailment mitigation, and power system risk reduction.

In this paper, we report bankruptcy risk level forecasting result for automobile parts manufacturing industry. With the premise that upstream supply risk and downstream demand risk could impact on automobile parts industry bankruptcy level in advance, we draw upon industry input-output table to use the economic indicators which could reflect the extent of supply and demand risk of the automobile parts industry. To verify the validity of each economic indicator, we applied simple linear regression for each indicators by varying the time lag from one month (t-1) to 12 months (t-12). Finally, with the valid indicators obtained through the simple regressions, the composition of valid economic indicators are derived using stepwise linear regression. Using the monthly automobile parts industry bankruptcy frequency data accumulated during the 5 years, R-square values of the stepwise linear regression results are 68.7%, 91.5%, 85.3% for the 3, 6, 9 months time lag cases each respectively. The computational testing results verifies the effectiveness of our approach in forecasting bankruptcy risk forecasting of the automobile parts industry.

미세먼지 예보 정확도를 향상시키기 위해서 여러 결정론적 예보모델로 예보 결과를 계산하고, 다양하게 에측된 예보치를 조합하여 최종 예보 결과를 도출하는 앙상블 기법에 대해서 연구를 진행하였다. 이를 위하여 기상 모델인 WRF(1)와 배출량 모델인 SMOKE(2), 화학수송 모델인 CMAQ(3)과 CAMx(4)를 이용하여 5개의 결정론적 모델을 제안하였다. 제안한 각각의 결정론적 예보모델결과를 이용하여 단순평균방법, 가중치를 적용하는 방법, 그리고 풍향, 풍속, 습도등의 기상조건에 따라서 가중치를 주는 방법 등 총 5종류의 앙상블 모델을 제시하고 그 예보 성능을 평가하였다. 결정론적 예보모델과 앙상블모델의 예보결과는 서울지역 자동측정망 자료와 비교하여 정확도를 비교 분석하였다. 본 연구에서 구성한 5가지의 앙상블 모델중에서는풍향, 풍속, 습도와 같은 기상조건에 의한 가중치를 적용하는 방법이 단순 평균을 적용하는 방법에 비해 높은 정합도를 나타내고 있으며, 이중 풍속에 대해서 가중치를 적용한 경우와 습도에 대해서 가중치를 적용한 경우가 예보적중률이 향상되는 것을 확인하였다. 이와 같이 여러 모델링 조건을 결합하여 다양한 예보결정론적 모델을 구성하여 예보치를 생산하고, 결정론적 예보치들을 기상조건에 따라 군집분석으로 별도의 가중치를 부여하여 조합하는 super-ensemble 방법을 적용하면 미세먼지 예보의 신뢰도가 향상될 수 있다는 것을 본 연구를 통하여 확인할 수 있었다.

This study was carried out to improve the accuracy of PM (Particulate Matter) forecasting using ensemble approaches. 5 prognostic forecast models were proposed based on various combination of meteorological model of WRF, emission inventories and chemical transport models of CMAQ and CAMx. The ensemble models using the prognostic forecast models were then suggested as ① a method of simply doing an arithmetical mean of 5 prognostic model forecast outcomes,② a super-ensemble method in which the weighted values of the prognostic model forecasts, ③ a method of the expanded super-ensemble in which the weighted values of the prognostic models are calculated by group classified by the meteorological conditions. In oder to evaluate performance of the proposed prognostic models and ensemble models, the forecasted PM concentrations were compared with the measurement at the ambient air quality monitoring sites in Seoul. The comparison shows that the ensemble models with weighted values on meteorological conditions, such as wind direction, wind speed and humidity improve the accuracy in the forecasting. This study also demonstrated that the reliability in the air quality forecasting can be improved by employing the ensemble approach rather than using a single prognostic model.

With the rapid expansion of renewable energy deployment, power systems are increasingly exposed to issues such as higher output variability. Photovoltaic generation, as the most widely installed variable renewable energy source both domestically and internationally, exhibits significant fluctuations due to weather conditions. These characteristics lead to operational challenges including increased curtailment, higher reserve requirements, and even risks of large-scale outages. This study aimed to improve the accuracy of photovoltaic power generation forecasting by developing a data quality control procedure for meteorological data collected at a PV plant. The quality-controlled data were used as inputs to SVM and XGBoost, resulting in improved forecasting accuracy, with MAPE decreasing from 7–10% to 6.32% and 6.08%, respectively. The results demonstrate that meteorological data quality control significantly enhances PV forecasting performance and can contribute to distributed energy resource operation and curtailment mitigation strategies.

Case-based Reasoning (CBR) is widely used in business and industry prediction. It is suitable to solve complex and unstructured business problems. Recently, the prediction accuracy of CBR has been enhanced by not only various machine learning algorithms such as genetic algorithms, relative weighting of Artificial Neural Network (ANN) input variable but also data mining technique such as feature selection, feature weighting, feature transformation, and instance selection As a result, CBR is even more widely used today in business area. In this study, we investigated the usefulness of the CBR method in forecasting success in implementing ERP systems. We used a CBR method based on the feature weighting technique to compare the performance of three different models：MDA (Multiple Discriminant Analysis), GECBR (GEneral CBR), FWCBR (CBR with Feature Weighting supported by Analytic Hierarchy Process). The study suggests that the FWCBR approach is a promising method for forecasting of successful ERP implementation in Small and Medium sized Enterprises.

본 연구는 investing.com에서 제공하는 암호화폐 정보 중 시가총액 상위 약 1000여개의 암호화폐에 대한 가격, 시가총액 등의 정보를 수집하고, 각 암호화폐의 변동량을 기준으로 K-shape 클러스터링 알고리즘을 적용하여 압호화폐 군집의 특성을 파악하고 LSTM을 이용한 예측을 진행하고자 한다.

본 연구는 영상검지기에서 수집되는 정보를 활용하여 딥러닝 기반으로 대기행렬길이를 예 측하는 모형을 개발하였다. 그리고 통계적 기법인 다중회귀 모형을 추정하여 평균절대오차와 평균제곱근오차의 두 지표를 이용하여 비교평가하였다. 다중회귀분석 결과, 시간, 요일, 점유율, 버스 교통량이 유효한 변수로 도출되었고, 이 중에서 독립변수들의 종속변수에 대한 영향력은 점유율이 가장 큰 것으로 나타났다. 딥러닝 최적 모형 은 은닉층이 4겹, Look Back이 6으로 결정되었고, 평균절대오차와 평균제곱근오차가 6.34와 8.99로 나타났다. 그리고 두 모형을 평가한 결과, 다중회귀 모형과 딥러닝 모형의 평균절대오차 는 각각 13.65와 6.44, 평균제곱근오차는 각각 19.10과 9.11로 계산되었다. 이는 딥러닝 모형이 다중회귀 모형과 비교하여 평균절대오차가 52.8%, 평균제곱근오차는 52.3% 감소된 결과이다.

In this study, a deep learning model for predicting the queue length was developed using the information collected from the image detector. Then, a multiple regression analysis model, a statistical technique, was derived and compared using two indices of mean absolute error(MAE) and root mean square error(RMSE). From the results of multiple regression analysis, time, day of the week, occupancy, and bus traffic were found to be statistically significant variables. Occupancy showed the most strong impact on the queue length among the variables. For the optimal deep learning model, 4 hidden layers and 6 lookback were determined, and MAE and RMSE were 6.34 and 8.99. As a result of evaluating the two models, the MAE of the multiple regression model and the deep learning model were 13.65 and 6.44, respectively, and the RMSE were 19.10 and 9.11, respectively. The deep learning model reduced the MAE by 52.8% and the RMSE by 52.3% compared to the multiple regression model.