Earticle

The rapid expansion of generative AI and cloud computing is transforming industrial structures and driving unprecedented growth in data centers. As a result, electricity demand is becoming increasingly shaped by digital technologies rather than traditional climate or economic factors alone. However, existing forecasting models largely overlook these sociotechnical drivers, risking substantial underestimation of future demand. This study integrates technology diffusion indicators with climate variables to examine whether digital-technology trends meaningfully contribute to national electricity demand. Using a Double Machine Learning framework as a feature-validation step, we confirm that GPT search volume and cloud market size serve as statistically robust and predictive indicators of electricity consumption. In addition, Fourier Transform–based features are employed to capture periodic variability, significantly improving forecasting performance beyond climate- and economy-centric baselines. Scenario simulations under the SSP585 pathway forecast a steady rise in demand through 2045, with seasonal peaks amplified by AI and cloud adoption. The findings highlight the structural role of sociotechnical factors in shaping electricity demand and offer practical implications for electricity pricing, infrastructure planning, and risk management.

특허 소송보험은 특허분쟁으로 인한 경영리스크를 완화시킬 수 있다는 측면에서 최근 그 역할이 강조되고 있다. 그러나 아직 특허 분쟁리스크에 대한 체계적인 통계 정보가 부족하여 국내 소송보험시장에서는 높은 정보비대칭성으로 인한 시장실패가 존재한다. 본 연구는 특허소송보험의 적정요율 산출을 위해 2000~2015년 기간 동안 심판이 청구된 7,551건의 특허데이터를 활용하여 특허분쟁에 영향을 미치는 요인을 분석하고, 이를 토대로 특허 분쟁리스크 예측 모델을 제시하였다. 분석결과, 특허보유기업의 유형(개인, 중소기업, 중견 및 대기업, 공공 등), 특허의 특성(공동출원 및 소유권 이전 여부, 패밀리 국가 수 등), 산업특성(성장성, 수익성), 기업 특성(재무지표, 특허포트폴리오 특성)에 따라 개별특허의 분쟁위험이 결정되는 것으로 나타났다. 분석 결과에 기반한 분쟁리스크 예측모델의 정확성은 83.3%(전체특허), 95.6%(기업특허)로 높게 나타나 특허 소송보험 시장에서 보험사와 기업 간 정보비대칭성을 완화하는데 기여할 수 있을 것으로 기대된다.

Patent litigation insurance is expected to play an important role in decreasing management risks on patent disputes. However there is a lack of the systematic statistical information on the patent dispute risks. These high asymmetric informations causes some market failures in the litigation insurance market. To decrease high asymmetric information between firms and insurance companies, this study developed forecasting model for patent dispute risk through examining determinant factors in patent dispute between firms using 7,551 patents under trial for invalidation trial and trial to conform scope of patent right during 2000~2015. The empirical results of this study show that the risk of patent disputes is determined by the types of applicants (individuals, small or large companies, public sector, etc.), characteristics of patents (the number of families, changes in patent ownership, etc.), industries and companies (financial and technologies). Regarding to the types of applicants, patents of individuals have higher risk of patent disputes than those of other types of applicants - small and medium entrepreneurs, oversea companies, universities and public institutions. It means that individuals, small and medium entrepreneurs are more likely to be the target of patent challenges for their lack of defense capability or week intensity of their patents. This study also shows that the smaller number of IPC codes (narrow scope of technological field), larger number of family patents, co-application, transfer of patent ownership increase the risk of patent disputes. It means that the higher economic value of patents is related to the higher risk of patent dispute. For the industrial factors, higher market growth and profitability of industries have negative effect on the patent dispute risk. It means that in saturated and matured market with low profitability, firms are more likely to compete each other and to challenge other patents. This result is consistent with previous studies that unintended infringements causing patent dispute are increased in matured industries. In the firm level, small firms with high profitability and growth rate have higher risk of patent disputes. It means those firms can be regarded as new competitors to established companies, thus they are more likely to be the target of patent challenges to deter market entry. For the factor of patent portfolio, larger scope of firm’s technological field, the average age of firm’s patents, average number of patent claims have negatively related to the risk of patent disputes. It means that firm’s technological capability lower the risk of patent dispute. This study suggests forecasting model of patent disputes based on the empirical results. The overall accuracy of the forecasting model are 83.3% (whole patents) and 96.5% (companies' patents). To develop the forecasting model for patent dispute risk, this study used the patent sample under trial for invalidation trial and trial to conform scope of patent right. In a further study, it is needed to improve forecasting model using the patent litigation sample.

This study introduces an advanced artificial model, grey wolf optimization (GWO)-nested complete ensemble empirical mode decomposition with adaptive noise (CEEMDAN)-convolutional neural network (CNN)-bidirectional long short-term memory (BiLSTM), for wind speed forecasting. Initially, CEEMDAN with two nested layers decomposes the time series into intrinsic mode functions (IMFs) to enhance forecasting capabilities. Subsequently, CNN extracts features from IMFs, and BiLSTM captures temporal dependencies for precise predictions. GWO further enhances the accurac by selecting optimal hyperparameters based on decomposition results. Test results on diverse wind speed datasets demonstrate the model’s superiority, with a mean absolute percentage error (MAPE) of approximately 3%.

This study addresses default prediction through ensemble techniques and cost-sensitive learning. It introduces a novel stacking method, focusing on instances with varying misclassification costs. Previous research lacks this comprehensive approach, highlighting a research gap. The proposed technique proves advantageous in terms of economic payoff and performance, offering practical utility. It complies with regulatory monitoring standards without incurring statistical cost penalties. This study demonstrates potential revenue gains even without precise cost ratios. Empirical results using Taiwanese company bankruptcy data (1999-2009, 95 financial ratios) reveal significant outcomes. Firstly, the proposed algorithm markedly improves economic payoff. Secondly, its statistical performance remains unaffected, even considering the dependency on overall prediction errors related to misclassifying defaults. Lastly, the method is computationally efficient, robust across cost scenarios.

최근 다양한 국가에서 영향예보를 위한 연구가 수행되고 있다. 이러한 영향예보는 정확한 기상예보 를 기반으로 다양한 분야의 침수피해를 예방하기 위해 활용이 가능하다. 본 연구에서는 부산광역시 를 대상으로 하천의 호우영향예보 모형을 개발하였다. 호우영향예보 모형은 1km x 1km의 격자를 대상으로 하천의 홍수위와 한계강우량에 대하여 산정식을 개발하였다. 한계강우량은 하천의 종점을 기준으로 설계홍수량과 설계홍수위에 대한 유량-수위 관계를 3시간 지속시간의 한계강우량에 수위- 강우에 대하여 산정식을 분석하였다. 모형의 검증은 2020년 7월 22일부터 24일까지 총 283.3mm가 발생한 호우사상을 분석하였다. 분석결과 하천의 호우영향예보는 7월 23일 22시부터 23시까지 호우 영향레벨이 계획홍수량의 60%~70%(MEDIUM)이 발령되었다. 호우영향예보가 발령된 하천에서는 도로침수, 고수부지 침수 등의 피해자료와 일치하여 모형의 적정성을 확인하였다. 또한, 수영강 수위 관측소의 홍수위와 호우영향예보의 발령기준이 동일한 것으로 검토되어 모형의 정확도가 높은 것으로 검증되었다.

Impact forecasting has been applied to estimate flood damage in many different countries based on accurate weather forecasts. This study develops a model forecasting the impact of rainfall on riverside flood risks in the Busan Metropolitan City. The rainfall impact forecasting equations were obtained on a 1km x 1km grid with respect to water levels and critical rainfall thresholds. Critical rainfall was determined based on the end point of river and the discharge-water level relationship between design flood discharge and design flood level by analyzing water-rainfall in 3-hour critical rainfall. Model verification was performed using a heavy rain event with a total of 283.3 mm from July 22 to 24, 2020. According to the rainfall impact forecasting, 60 to 70% of the design flood level (“MEDIUM” alert) was issued on rivers between 10-11pm on July 23. In the rivers where the rainfall impact alert was issued, actual damages were found such as flooded roads and floodplain, which confirmed the appropriateness of the model. The high model accuracy was also validated by comparing the alert standard for water level with forecasted rainfall impact at the water level station in Suyeong River.

본 연구에서는 수도권 4개 권역의 PM2.5 예보를 위해 심층신경망 모델을 개발하고, 계층별 관련성 전파를 사용하여 예 측결과에 대한 입력인자들의 기여도를 분석했다. 제안한 심층신경망 예보모델은 평균적으로 지수적중률 71%, 고농도 감 지 확률 65%, 오경보율 40% 정도의 성능을 보였다. 이러한 심층신경망 예보결과에 대한 입력인자들의 중요도를 분석하 기 위해 데이터를 지역 및 PM2.5 농도로 분류하여 계층별 관련성 전파를 수행했다. 그 결과 농도 및 지역에 상관없이 중 요도가 높은 인자는 압력, 온도, 이슬점온도, 상대습도, U, V, 이산화질소, 일산화탄소로 확인된 반면에 누적강수량, 아황 산가스, PM10, 오존은 중요도가 낮은 것으로 관찰되었다. 고농도 사례에서는 일사와 오존의 중요도가 낮아지고, 예측시 간에 근접한 시간대의 PM2.5의 중요도가 높아졌으며, CMAQ(The Community Multiscale Air Quality) 예측인자들의 중 요도도 다소 올라갔다. 지역별 입력인자들의 중요도는 대체로 유사했는데 인천과 경기북부의 경우 일사의 중요도가 낮아 지는 등 고농도 패턴의 인자중요도와 일부 비슷한 결과를 보였다. 이것은 인천과 경기북부가 다른 지역보다 고농도 데이 터가 더 자주 발생하기 때문으로 분석된다. 이러한 인자중요도 결과는 향후 고농도 적중률 향상 및 지역별 특성에 적합 한 예보모델을 개발하는데 활용하면 효과적일 것으로 기대한다.

In this study, we propose a deep neural network model for PM2.5 prediction in the four metropolitan areas, and analyze the contribution of input factors to the prediction results using layer-wise relevance propagation. The proposed deep neural network forecasting model exhibited an average exponential accuracy of 71%, a high-concentration detection probability of 65%, and a false alarm ratio of 40%. In order to analyze the importance of input factors for these deep neural network forecasting results, we classify the data into regional and PM2.5 concentration level and performed layer-wise relevance propagation. As a result, factors such as pressure, temperature, dew point temperature, relative humidity, U, V, nitrogen dioxide and carbon monoxide were found to be important, regardless of any region and concentration level. On the other hand, accumulated precipitation, sulfur dioxide, PM10, and ozone are shown to have lower importance. In highconcentration cases, the importance of solar radiation and ozone decreased, PM2.5 during time periods close to the prediction time increased, and the importance of CMAQ(The Community Multiscale Air Quality) predictive factors also showed some degree of elevation. The importance of input factors by region are generally similar; however, in the case of Incheon and Northern Gyeonggi Province, the importance of the radiation decreases, showing some similarities to the importance of factors in high concentration patterns. This is analyzed as being due to a higher occurrence of highconcentration data in Incheon and Northern Gyeonggi Province compared to other regions. These analyzing results are expected to be effective in developing forecasting models that improve the prediction accuracy of high concentration and match regional characteristics in the future.

In this study, Mike11 will be used as the numerical model where a data assimilation method will be applied to it. This paper aims to gain an insight and understanding of data assimilation in flood forecasting models. It will start with a general discussion of data assimilation, followed by a description of the methodology and discussion of the statistical error forecast model used, which in this case is the linear regression. This error forecast model is applied to the water level forecast simulated by MIKE11 to produced improved forecast and validated against real measurements. It is found that there exists a phase error in the improved forecasts. Hence, 2 general formula are used to account for this phase error and they have shown improvement to the accuracy of the forecasts, where one improved the immediate forecast of up to 5 hours while the other improved the estimation of the peak discharge.

Prediction of blood glucose (BG) values in type 1 diabetes (T1D) remains an essential and challenging issue. Recently, machine learning methods have been used to solve this problem. We present a forecasting model based on extreme gradient boosting (XGBoost) regression to estimate the BG value of T1D patients in this study. We developed the models using clinical datasets from five T1D patients and forecasted the BG value for the following prediction horizons (PHs) of 10, and 20 minutes. Datasets are divided in two parts, around 60:40 for training and testing. We compared the performance of our proposed model to existing models using several performance metrics, including root mean square error (RMSE), mean absolute percentage error (MAPE), and coefficient of determination (R2). Our suggested XGBoost model outperformed existing models, with average RMSE, MAPE, and R2 of 12.57 mg/dL, 7.15%, 0.94, and 21.93 mg/dL, 13.72%, 0.84 for PH of 10 and 20 minutes, respectively. Finally, the findings of this study are intended to be applied to improve diabetes care.

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.

농산물 가격 파동 문제를 해결하기 위해 딥러닝 모델을 연구하였다. 선행연구를 기반으로 기본변수를 선정 후, lasso 회귀분석을 적용해 최적 변수를 선정하여 LSTM모델에 적용하여 RMSE로 성능을 비교하였다. 최적 변수를 이용했을 때, 양파와 대파의 1, 3, 5, 7일 후 가격 예측의 RMSE가 평균적으로0.0229, 0.0019씩 감소하였다. lasso 회귀분석을 활용해 최적 변수 선정은 모델의 정확도를 향상시키며, lasso 회귀분석을 이용해 선정된 최적 변수들을 이용한 딥러닝 농산물 가격 예측 모델은 가격 파동을 완화에 활용될 수 있을 것으로 예상된다.

A deep learning model was studied to solve the problem of agricultural product price fluctuations. After selecting the basic variable based on previous studies, the optimal variable was selected by applying laso regression and applied to the LSTM model to compare the performance with RMSE. When using the optimal variable, the RMSE of the price prediction decreased by 0.0229, 0.0019 on average after 1, 3, 5, and 7 days of onions and leek price The selection of optimal variables using lasso regression was effective, and the LSTM agricultural product price prediction model using the optimal variables selected using lasso regression is expected to be used to alleviate price fluctuations.

주요한 에너지원 중의 하나인 천연가스는 비전통 가스의 개발 및 후쿠시마 원전 사고로 인하여 앞으로 더욱 그 중요성이 커질 것으로 전망된다. 이러한 시점에서 앞으로의 천연가스 수요 전망에 활용하기 위하여, 본 연구에서는 비선형 모형 중 하나인 Weibull 모형을 이용하여 경제 성장에 따른 천연가스의 소비 형태를 분석하였다. 분석 대상으로는 OECD 7대 에너지 소비국을 선정하였으며 경제 성장에 따른 에너지 소비의 형태가 S형 곡선의 형태로 나타날 수 있다는 가설을 바탕으로 천연가스에 대해서도 가설이 성립되는지 분석해 보았다. 분석 결과, 1차 에너지 소비와 마찬가지로 천연가스 소비에 대해서도 Weibull 모형을 통한 모형화의 설명력이 매우 높은 것으로 나타났다. 그러나 국가 별 차이도 존재하는 것으로 분석되어 각 국가의 에너지 믹스를 중심으로 분석 결과에 대한 함의를 도출해 보았다.

Due to the development of unconventional gas and the Fukushima nuclear disaster, the importance of natural gas as a primary energy source is higher than before. Through nonlinear Weibull model, we analyzed the natural gas consumption to prepare the demand changes in the future. With the data from seven countries of OECD members, the energy-growth hypothesis (the relationship between energy consumption and economic growth can be represented by a S-shaped curve) for natural gas is tested. As results, natural gas consumption as well as total primary energy supply was well explained via S-shaped (Weibull) curve. However, the shape difference between countries was also existed. We thus drew the implications from the results based on the energy mix of each country.

f본 연구의 목적은 최근 미국 연구에서 소개된 횡단면 자료를 이용한 미래 이익예측 모형의 유용 성을 국내 자본시장에서 검증하는 데 있다. 국내자본시장과 같이 재부 분석가의 이익예측이 미국과 같이 활성화되어 있지 않은 상황에서 대체적인 방법으로 모형에 따라 도출된 이익이 대체적으로 활 용될 수 있다는 점에서 본 연구의 의의를 찾을 수 있다. 이를 위하여 구체적으로 Hou et al.(2012) 에서 제시한 이익예측 모형을 이용하여 차기(t+1)와 차차기(t+2)의 이익 예측 치를 구한 다음, 국내 재무 분석가의 이익예측 치와 비교하여 유용성을 보고하고자 한다. 2002년부터 2010년까지 유가증권시장과 코스닥 시장을 대상으로 실증 분석한 결과, 첫째, 국내자 본시장에서도 횡단면적 모형을 활용한 이익예측이 높은 설명력을 갖는 것으로 나타나 유용할 수 있 음을 확인하였으며 둘째, 횡단면 모형을 이용하여 구한 차기(t+1)의 이익 예측 치는 재무 분석가의 차기(t+1) 예측보다 정확도는 떨어지지만 편의가 더 낮게 나타났다. 또한 차차기(t+2)의 이익 예측 모형에 나온 미래 이익예측 치는 정확도와 편의 면에서 재무 분석가의 차차기(t+2) 예측치 보다 우 월함을 보여 주었다. 셋째, 비 기대이익에 대한 이익 반응 계수를 비교해 본 결과, 모형을 통한 이 익 예측치를 사용한 비 기대이익에 대한 이익반응 계수가 재무 분석가의 예측치를 사용한 비 기대 이익에 대한 반응 계수보다 더 높은 것으로 나타났다. 본 연구에서는 모형을 이용한 예측치가 국내 자본시장에서 유용하게 사용될 수 있음을 보여주며 2년 또는 3년 후의 중·장기 이익예측정보를 필요로 하는 연구에 유용할 것으로 기대된다.

We utilize the cross-sectional earnings model to predict future earnings of firms in the Korean capital market. Following Hou et al. (2012), We generate one- and two-year-ahead future earnings from the cross-sectional model using a few of accounting variables to forecast future earnings for Korean firms. The sample used in this study consists of non-financial public firms in the Korean stock market from 2002 to 2010. We evaluate the performance of the model-based forecasts vs. analysts’ forecasts in terms of accuracy and bias. We find that the model-based forecasts are less accurate than analysts forecasts but they are less biased than analysts forecasts for one-year horizon. For two-year horizon, the model-based forecasts are more accurate and less biased than analysts’ forecasts. We also find a higher level of earnings response coefficient for the model-based forecasts than analysts forecasts in the association framework. This empirical evidence suggests that the model-based earnings forecasts are useful proxies for market expectations of future earnings. Overall, this study suggests that earnings forecasts from the cross-sectional model can be useful in the Korean capital market where analyst coverage is limited.

최근 우리나라에는 기상변화로 인한 영향으로 홍수가 빈번히 발생하고 있다 집중호우는 홍수로 인한 피해를 가중시키는 역할을 하며 매년 많은 사상자와 재산피해를 유발한다. 홍수위험 저감대책에는 구조적인 대책과 비구조적인 대책이 있다. 대부분의 홍수재해 예측의 문제는 비구조적인 대책에 속한다. 신경망 모형은 입력과 출력만을 고려하여 모형을 구성할 수 있기 때문에 비구조적인 문제를 다루기에 적합하다. 인공지능 모형인 신경망 모형을 이용하여 수위예측이 가능한 모형을 구성하고 IHP대표유역 중 하나인 금강 보청천 유역의 기대지점에 적용하였다. 그 결과 신경망 모형은 중소하천유역인 보청천유역에서 홍수위 예측을 위한 우수한 모형으로 판단되었다.

Due to recent unusual climate change, flood happen frequently in Korea. Heavy rainfall increase the damage caused by the flooding. It is cause heavy losses of both life and property every year. Flood hazard mitigation measures consist of structural and non-structural mitigation. Most of flood disaster predictions belong to non-structural mitigation. Neural network is proper to solve non-structural problem. Because it is consider only inputs and outputs to construct model. Real-time water level forecasting model was used to construct artificial intelligence neural network. and it was applied to be a highly suitable tool producing a high water level stage forecasting accuracy at Gidae(No.2) of Bocheong stream, which is IHP representative basins. As a result, neural network was proved to be outstanding model for the water level forecasting in the Bocheong stream catchment.

우리나라의 항공여객 운송실적은 지속적으로 성장하고 있다. 본 연구에서는 우리나라 항공여객 운송 실적의 성장추 이를 확인하기 위해 시스템다이내믹스를 활용한 항공여객 수요예측 모델을 제안하였다. 항공여객 수요예측은 항공여객 운 송수요를 종속변수로 하고 국제항공유가, GDP 및 환율을 외생변수로 하여 시뮬레이션 하였다. 모델의 정확도는 MAPE와 R2를 이용하여 검증하였고 검증 결과 제안된 예측모델은 정확한 예측모델로 확인되었다. 수요예측 결과 국적 항공사의 항공 여객 처리실적은 앞으로도 지속적으로 성장하며, 특히 저비용항공사의 수송 분담률이 크게 증가할 것으로 예측되었다. 향후 한국에 진출해 있는 외국계 항공사들의 내국인 처리 실적 및 국적항공사들의 Alliance 체결에 따른 실적 등을 추가하여 보다 정확한 항공여객 수요예측 모델을 제안하고자 한다.

Korea's air passenger traffic has been growing steadily. In this paper, we propose a forecasting model of air passenger demand to ascertain the growth trend of air passenger transportation performance in Korea. We conducted a simulation based on System Dynamics with the demand as a dependent variable, and international oil prices, GDP and exchange rates as exogenous variables. The accuracy of the model was verified using MAPE and R2, and the proposed prediction model was verified as an accurate prediction model. As a result of the demand forecast, it is predicted that the air passenger demand in Korea will continue to grow, and the share of low cost carriers will increase sharply. The addition of the Korean transportation performance of foreign carriers in Korea and the transportation performance of Korean passengers due to the alliance of airlines will provide a more accurate forecast of passenger demand.

이 연구에서는 미분양 아파트 단지의 세대별 계약 자료에 데이터 마이닝 기법인 의사결정나무, 신경망, 로지스틱 모형을 적용하여 세대별 초기계약을 예측하는 모형을 개발한다. 모형 개발에는 위례신도시 미분양 아파트 단지의 계약 자료가 이용되며, 이 자료는 훈련용 자료와 검정용 자료로 분할되어 분석에 투입된다. 훈련용 자료에서는 신경망, 의사결정나무, 로지스틱 모형 순으로 예측력이 뛰어났지만 검정용 자료에서는 로지스틱 모형이 가장 우수하게 나타났다. 이 같은 결과는 신경망이 훈련용 자료에 최적화된 모형으로 구축되면서 검정용 자료에 대한 적응성이 떨어져 나타난 결과로 판단된다. 의사결정나무와 로지스틱 모형을 병행 적용한 결과, 층수, 향, 세대 위치, 전기 및 발전기실의 소음, 청약자 거주지, 청약 종류가 초기계약에 영향을 주는 것으로 나타났다. 이는 두 가지 모형을 같이 사용하는 것이 초기계약 결정요인 발굴에 더 효과적이라는 것을 의미한다. 이 연구는 데이터 마이닝의 적용 범위를 주택 분양 예측까지 확장함으로써 융복합 분야 발전에 기여하고 있다.

This paper aims at applying the data mining such as decision tree, neural network, and logistic regression to an unsold apartment complex in Wirye new town and developing the model forecasting the result of initial sale contract by house unit. Raw data are divided into training data and test data. The order of predictability in training data is neural network, decision tree, and logistic regression. On the contrary, the results of test data show that logistic regression is the best model. This means that logistic regression has more data adaptability than neural network which is developed as the model optimized for training data. Determinants of initial sale are the location of floor, direction, the location of unit, the proximity of electricity and generator room, subscriber’s residential region and the type of subscription. This suggests that using two models together is more effective in exploring determinants of initial sales. This paper contributes to the development of convergence field by expanding the scope of data mining.