Earticle

본 논문은 Educational Data Mining (EDM) 분석기법을 활용하여 국내 학생들의 축적된 과거의 학습 성과 데이 터로부터 의미 있는 데이터를 추출 및 가공하여 대학 진학 확률의 예측모델 모형을 설계하고 학습자가 대 학입시 예측에 활용할 수 있는 지표를 도출하였다. 기존의 교육데이터마이닝(EDM) 기술은 학습자의 학습 성과 증진과 교육 향상에만 연구에 집중되어 분야의 다양성을 저하시키는 요소가 되었다. 본 논문에서 제 시하는 설계 모형은 한국형 입시교육의 기본 정책을 기반으로 각 학습자의 트레이닝 데이터 테이블을 의미 론적으로 분류하여 예측 속성에 적합한 포지션 모형을 생성하고 대학입시 루트를 예측하는 분석 모델링을 제안하였다.

The present study extracted meaningful data from domestic students’ accumulated past learning outcome data utilizing the Educational Data Mining (EDM) analysis technique and processed the data to design a university entrance probability prediction model and derive indicators that can be utilized by learners in the prediction of university entrance examination results. The existing EDM technique focused only on studies for the promotion of learners’ learning outcomes and the enhancement of education thereby becoming an element that hinders the diversity of fields. The design model presented in the present paper proposed analysis modeling to semantically classify individual learners’ training data tables based on the basic policy of Korean education for the entrance examination in order to create position models suitable for the attributes of prediction and predict university entrance examination routes.

본 연구에서는 폐광 지역의 지반침하 발생 예측에 활용되는 다양한 머신러닝 기법의 예측 성능을비교·분석하였다. 광산 지반침하 발생 여부에 영향을 미치는 인자는 총 8개로 구성하였고, 1,730개의 지반침하 데이터를 획득하였다. 머신러닝 기법은 지반재해 예측에 대한 문헌에서 주로 활용되는 Adaboost, ANN(Artificial Neural Network), kNN(k-Nearest Neighbor), RF(Random Forest), SVM(Support Vector Machine) 등 5개를 선정하였다. 또한, 5개 알고리즘에 Stacking 기법을 적용하여 10개 조합으로 나누어 각각의 앙상블 기법들의 예측 성능을 비교하였다. 본 연구에서 적용된머신러닝 기법의 분류 성능 평가 지표로는 기존에 사용되던 AUC(area under the curve)가 아닌 실제로 발생된 지반침하를 맞게 예측하는 비율을 의미하는 Recall에 중점을 두었다. Recall에 기반한 결과, RF 기법이 0.955로 가장 높은 성능을 나타내었다. 이는 지반침하 발생 여부를 예측하는데 기존기법보다 신뢰성 있는 평가 기준이 될 수 있을 것으로 기대된다.

In this study, the prediction of mining-induced subsidence is analyzed and compared using various machine learning models. Factors affecting the occurrence of subsidence are identified from eight and 1,730 sets of subsidence data. Five machine learning models are selected, i.e., Adaboost, artificial neural networks, the k-nearest neighbor, random forest, and the support vector machine, which are frequently used in studies related to geohazard prediction. In addition, the stacking technique is applied to five algorithms based on 10 combinations, and the predictive performance of each ensemble method is evaluated and compared. To evaluate the classification performance of the machine learning technique applied in this study, recall is used as an evaluation index, which describes the ratio of the predicted ground subsidence instead of the area under curve used previously. Based on the values of recall, the random forest demonstrates the best performance (with a recall of 0.955). The recall is expected to be a more reliable evaluation index for predicting subsidence occurrences compared with other indices.

본 연구는 월 단위로 집계된 관광지 방문객 통계를 일 단위로 분해하여 정밀한 관광지 방문객 수 예측을 수행하기 위한 통계적·머신러닝 기반 프레임워크를 제시한다. 연구 대상은 2022년 1월부터 2024년 12월까지의 제주지역 21개 주요 관광지이며, Denton-PFD(Proportional First Difference) 기법을 활용하여 월별 방문객 수를 일 단 위 시계열로 변환하였다. 이후 강수량, 기온, 풍속 등 기상 변수와 주말, 공휴일, 성수기 여부를 나타내는 캘린더 변 수를 결합하고, XGBoost, Random Forest, LightGBM을 결합한 트리 기반 앙상블 모델을 구축하였다. 모델 성능 평가는 대칭 평균 절대 백분율 오차(sMAPE)를 통해 수행되었으며, Denton-PFD 기반 데이터셋은 균등 분해 데이터셋 대비 월평균 방문객 수 중·상위 그룹에 해당하는 관광지에서 예측 성능을 평균 약 23% 향상시킨 것으로 나타났다. 연구 결과, Denton-PFD 기반 일 단위 분해는 월 단위 데이터의 정보 손실을 최소화하면서 외생 변수에 따른 단기 변동성을 효과적으로 반영함을 실증하였다. 이는 관광지 방문객 수 예측 연구에서 고빈도 시계열을 구성 하는 새로운 방법론적 기반을 제시하며, 나아가 관광지 단위의 일별 수요 관리 및 혼잡 완화 정책 수립을 위한 근거 로 활용될 수 있다.

This study presents a statistical and machine learning-based framework to perform precise daily visitor count predictions by decomposing monthly aggregated tourist attraction visitor statistics into daily components. The study subjects are 21 major tourist attractions in the Jeju region from January 2022 to December 2024. The Denton-PFD (Proportional First Difference) technique was used to convert monthly visitor counts into daily time series. We then combined meteorological variables such as precipitation, temperature, and wind speed with calendar variables including weekends, public holidays, and indicators of peak season status, and built a tree-based ensemble model that integrates XGBoost, Random Forest, and LightGBM. Model performance was evaluated using symmetric mean absolute percentage error (sMAPE). The Denton-PFD-based dataset demonstrated an average improvement of approximately 23% in prediction performance compared to the uniformly disaggregated dataset for tourist destinations in the middle-to-upper group of monthly average visitor counts. The study demonstrated that Denton-PFD-based daily decomposition effectively captures short-term volatility driven by exogenous variables while minimizing information loss in monthly data. This provides a new methodological foundation for constructing high-frequency time series in tourism visitor forecasting research and can serve as a basis for developing daily demand management and congestion mitigation policies at the tourism destination level.

오류의 원인을 이해하고 예측하는 것은 일상생활이나 산업현장에서 일어날 수 있는 사고를 방지하는 데 중요하다. 최근 오류 예측 연구에서는 고정된 시행 간 간격(inter-trial interval, ITI)의 인지 과제를 사용하여 성공적으로 오류를 예측하였지만, ITI을 고려하지 않아 오류 예측 모형을 일반적인 상황까지 적용하기가 어려움이 있다. 본 연구에서는 오류 이전 여섯 시행들로부터 얻어진 반응시간과 ITI 추세, 그리고 오류 시행에서의 과제조건을 이용하여 기계학습을 통해 오류를 예측하고자 하였다. 그 결과, 다양한 오류의 유형이 분류 및 예측되었으며, 특히 ITI 추세에서 반복적인 ITI 패턴이나 시간 압력의 변화와 같은 요인들이 오류와 관련되는 것으로 나타났다. 본 연구는 변화하는 ITI 변인이 오류예측에 중요한 역할을 할 뿐만 아니라 오류 발생과 관련된 피험자의 정신적 상태와 관련이 있다는 것을 확인하였다. 따라서 본 연구는 다양한 환경에서 다양한 유형의 오류를 예측할 수 있으며, 이러한 오류들이 다양한 원인으로 발생할 수 있음을 확인하였다는데 의의가 있다.

It is important to understand causes of human errors and to predict errors in order to prevent various accidents in our daily lives and industrial fields. Although a previous study employing a fixed inter-trial interval (ITI) in a cognitive task successfully predicted errors, it is unlikely to generalize from the previous results to other situations. The current study sought to predict errors by reaction times, task conditions, and ITIs extracted from six consecutive trials preceding error trials, in the context of machine learning. The results showed that various types of errors could be observed and predicted. Especially, presence of repeated patterns or time-pressure chances in the ITI trends might be related to errors. This is interpreted that ITI variation is important to predict errors as well as related to participants’ mental states affecting errors. Therefore, this study suggests that various types of errors in a variety of situations can be predicted, in which those errors would be caused by various factors.

미세먼지에 대한 심각성이 사회적으로 대두됨에 따라 대중들은 미세먼지 예보에 대한 정보의 높은 신뢰성을 요구하고 있다. 이에 따라 다양한 신경망 알고리즘을 이용하여 미세먼지 예측을 위한 연구가 활발히 진행되고 있다. 본 논문에서는 미세먼지 예측을 위해 다양한 알고리즘으로 연구되고 있는 신경망 알고리즘들 중 대표적인 알고리즘들의 예측 성능 비교를 진행하였다. 신경망 알고리즘 중 DNN(deep neural network), RNN(recurrent neural network), LSTM(long short-term memory)을 이용하였으며, 하이퍼 파라미터 탐색을 이용하여 최적의 예측 모델을 설계하였다. 각 모델의 예측 성능 비교 분석 결과, 실제 값과 예측 값의 변화 추이는 전반적으로 좋은 성능을 보였다. RMSE와 정확도를 기준으로 한 분석에서는 DNN 예측 모델이 다른 예측 모델에 비해 예측 오차에 대한 안정성을 갖는 것을 확인하였다.

The growing concerns on the emission of particulate matter has prompted a demand for highly reliable particulate matter forecasting. Currently, several studies on particulate matter prediction use various deep learning algorithms. In this study, we compared the predictive performances of typical neural networks used for particulate matter prediction. We used deep neural network(DNN), recurrent neural network, and long short-term memory algorithms to design an optimal predictive model on the basis of a hyperparameter search. The results of a comparative analysis of the predictive performances of the models indicate that the variation trend of the actual and predicted values generally showed a good performance. In the analysis based on the root mean square error and accuracy, the DNN-based prediction model showed a higher reliability for prediction errors compared with the other prediction models.

미세먼지에 대한 연구는 실시간으로 발전하고 있으며, 예측 모델의 정확도를 향상시키기 위해 다양한 방법이 연구되고 있다. 또한 미세먼지의 정확한 원인과 영향을 파악하기 위해 이러한 다양한 요소들을 고려하는 연구들이 활발히 이루어지고 있다. 본 논문에서는 PM_2.5와 상관성이 있는 데이터를 계절을 기준으로 구분하여 학습하는 예측 모델과 특정 농도를 기준으로 저농도와 고농도를 구분하여 학습하는 모델을 통해 예측 성능의 비교 및 분석을 진행하였다. 기상데이터와 대기오염 물질 데이터를 사용하였으며 PM_2.5와 상관관계를 확인하여 학습 및 평가를 위한 데이터를 구성하였다. 계절별 예측 모델과 농도별 예측 모델은 LSTM으로 설계하였으며, 세부 파라미터는 하이퍼 파라미터 탐색을 통해 적용하였다. 예측 모델의 성능 평가는 정확도, RMSE, MAPE, 저농도와 고농도 구간에서의 정확도 그리고 AQI를 기준으로 4개의 범위에 대한 정확도로 진행하였다. 성능 평가 결과, 농도별 학습을 진행한 예측 모델이 AQI 기준 "나쁨" 구간의 정확도에서 91.02%의 정확도를 보였으며, 계절별 학습을 진행한 예측 모델보다 전반적으로 좋은 성능을 보였다.

Research on particulate matter is advancing in real-time, and various methods are being studied to improve the accuracy of prediction models. Furthermore, studies that take into account various factors to understand the precise causes and impacts of particulate matter are actively being pursued. This paper trains an LSTM model using seasonal data and another LSTM model using concentration-based data. It compares and analyzes the PM_2.5 prediction performance of the two models. To train the model, weather data and air pollutant data were collected. The collected data was then used to confirm the correlation with PM_2.5. Based on the results of the correlation analysis, the data was structured for training and evaluation. The seasonal prediction model and the concentration-specific prediction model were designed using the LSTM algorithm. The performance of the prediction model was evaluated using accuracy, RMSE, and MAPE. As a result of the performance evaluation, the prediction model learned by concentration had an accuracy of 91.02% in the "bad" range of AQI. And overall, it performed better than the prediction model trained by season.

본 연구는 딥러닝(Deep Learning) 알고리즘 GAN 모델을 기반으로 초미세먼지(PM2.5) 인공지능 예측시 스템을 개발한다. 실험 데이터는 시계열 축으로 생성된 온도, 습도, 풍속, 기압의 기상변화와 SO2, CO, O3, NO2, PM10와 같은 대기오염물질 농도와 밀접한 관련이 있다. 데이터 특성상, 현재시간 농도가 이전시간 농도에 영향을 받기 때문에 반복지도학습(Recursive Supervised Learning) 예측 모델을 적용하였다. 기존 모델인 CNN, LSTM 의 정확도(Accuracy)를 비교분석을 위해 관측값(Observation Value)과 예측값(Prediction Value)간의 차이를 분석하고 시각화했다. 성능분석 결과 제안하는 GAN이 LSTM 대비 평가항목 RMSE, MAPE, IOA에서 각각 15.8%, 10.9%, 5.5%로 향상된 것을 확인하였다.

This study develops an artificial intelligence prediction system for Fine particulate Matter(PM2.5) based on the deep learning algorithm GAN model. The experimental data are closely related to the changes in temperature, humidity, wind speed, and atmospheric pressure generated by the time series axis and the concentration of air pollutants such as SO2, CO, O3, NO2, and PM10. Due to the characteristics of the data, since the concentration at the current time is affected by the concentration at the previous time, a predictive model for recursive supervised learning was applied. For comparative analysis of the accuracy of the existing models, CNN and LSTM, the difference between observation value and prediction value was analyzed and visualized. As a result of performance analysis, it was confirmed that the proposed GAN improved to 15.8%, 10.9%, and 5.5% in the evaluation items RMSE, MAPE, and IOA compared to LSTM, respectively.

수요예측은 제품에 대한 수요량을 예측해 자원을 관리하기 위한 방법으로, 기업의 노동력과 예산 관리에 영향을 미 친다. 이러한 이유로 수요예측 모델의 성능 향상을 위한 연구가 주목을 받고 있다. 본 연구에서는 수요예측 성능 향 상을 위해 품목의 수요 패턴을 분석해 4가지 유형으로 구분하고, 각 유형에 적합한 모델을 제안한다. 성능 비교를 위해 사용한 데이터는 대한민국 공군 T-50 단일 기종의 수리 부속 품목의 분기 별 수요 데이터이다. 품목의 수요 패턴은 수요발생구간(average demand interval, ADI)과 변동 계수(coefficient of variation, CV)를 사용해 네 가지 smooth, lumpy, intermittent, erratic으로 구분하며 다양한 알고리즘으로 구현한 수요예측 모델의 성 능을 비교하기 위해 5가지 기계학습 알고리즘과 2 가지 딥러닝 알고리즘을 사용해 수요예측 모델을 구현한다. 기계 학습 알고리즘 중에는 앙상블 알고리즘인 random forest regression, adaboost, extra trees regression, bagging, gradient boosting regression 과 딥러닝 알고리즘인 long-short term memory(LSTM), deep neural network(DNN)을 사용한다. 수요 패턴에 따른 네 가지 유형에 적합한 모델을 선정해 수요예측 결과를 도 출한 경우가 일관된 모델을 사용한 경우에 비해 품목 정확도가 0.61%, 수량 정확도가 0.09 우수한 것을 확인할 수 있다. 제안하는 모델을 적용한다면 전문가의 효율적인 수요 관리가 이루어질 수 있을 것으로 기대한다.

Demand forecasting is a way to manage resources by forecasting demands for products, so it has direct impacts on corporate resources and budget management. Based on these reasons, research on improving forecasting performances of demand forecasting models. In this research, 4 demand patterns for items were analyzed to improve demand prediction performance, and the optimal model was proposed. The data used to compare the performance were the demand data from each quarter for maintenance items for a T-50 aircraft of Republic of Korea air force. First, the demand patterns for the items adopted average demand interval(ADI) and coefficient of variation(CV) and were categorized into smooth, lumpy, intermittent, and erratic items. In this research, to compare the performance of demand forecasting models derived from different algorithms, 5 types of machine learning algorithms and 2 types of deep learning algorithms were used to construct demand forecasting models. In machine learning algorithms, there are ensemble learning such as random forest regression, adaboost, extra trees regression, bagging, gradient boosting regression and deep learning algorithm such as long-short term memory(LSTM) and deep neural network(DNN). We can confirm that item accuracy is 0.61% and quantity accuracy is 0.09% better than that of consistent models when the demand forecast results are derived by selecting models suitable for four types according to demand patterns. We expect that efficient demand management by experts will be achieved if the application of the proposed model.

과거 인공지능 분야에서는 지식 기반의 전문가 시스템 및 머신러닝 알고리즘들을 금융 분야에 적용하는 연구가 꾸준하게 수행되어 왔다. 특히 주식에 대한 지식 기반의 시스템 트레이딩은 이제 보편화되었고, 최근에는 대용량 데이터 에 기반한 딥러닝 기술을 주가 예측에 적용하기 시작했다. 이중 LSTM은 시계열 데이터에 대한 검증된 모델로서 주가 예측에도 적용되고 있다. 본 논문에서는 주가 예측 모델로서 LSTM을 적용할 때 성능향상을 위해 고려해야 할 복잡한 매개변수 설정과 적용 함수들에 대해 적합한 조합 방법을 제안하도록 한다. 크게 가중치와 바이어스에 대한 초기화 대상 과 설정 방법, 과적합을 피하기 위한 정규화 적용 대상과 설정 방법, 활성화 함수 적용 방법, 최적화 알고리즘 선택 등을 제시한다. 이 때 나스닥 상장사들에 대한 대용량 데이터를 바탕으로 각각의 방법들을 적용하여 정확도를 비교하면서 평가한다. 이를 통해 주가 예측을 위한 LSTM 적용 시 최적의 모델링 방법을 실증적인 형태로 제안하여 현실적인 시사 점을 갖도록 한다. 향후에는 입력 데이터의 포맷과 길이, 하이퍼파라미터들에 대한 성능평가를 추가 수행하여 주요 설정 항목들의 조합에 대한 일반화 연구를 수행하고자 한다.

Many developments have been steadily carried out by researchers with applying knowledge-based expert system or machine learning algorithms to the financial field. In particular, it is now common to perform knowledge based system trading in using stock prices. Recently, deep learning technologies have been applied to real fields of stock trading marketplace as GPU performance and large scaled data have been supported enough. Especially, LSTM has been tried to apply to stock price prediction because of its compatibility for time series data. In this paper, we implement stock price prediction using LSTM. In modeling of LSTM, we propose a fitness combination of model parameters and activation functions for best performance. Specifically, we propose suitable selection methods of initializers of weights and bias, regularizers to avoid over-fitting, activation functions and optimization methods. We also compare model performances according to the different selections of the above important modeling considering factors on the real-world stock price data of global major companies. Finally, our experimental work brings a fitness method of applying LSTM model to stock price prediction.

뜰개는 해양에서 해수의 특성 및 흐름을 관측하기 위한 장비로서, 해수의 흐름 관측을 이용해 유출유 확산 예측을 위해 사용될 수 있다. 본 논문에서는 관측기관에서 사용하는 뜰개가 특정 시간 간격으로 관측한 바람 및 해수의 특성과 이동경로를 기계학습 기법들을 이용하여 학습시키고 예측하는 모델을 제안한다. 서포트벡터 회귀, 방사기저함수 네트워크, 가우시안 프로세스, 다층 퍼셉트론, 순환신경망을 이용하여 뜰개의 이동경로 예측 방법을 제시한다. 기존 MOHID 수치모델과 비교하여 각 기법별로 4 개의 사례중 3 개에서 성능이 개선되었으며, 가장 좋은 개선율을 보인 기법은 LSTM으로 평균 47.59% 개선되었다. 추후 연구에서는 배깅과 부스팅을 이용하여 가중치를 부여하여 정확도를 개선할 예정이다.

Drifter is an equipment for observing the characteristics of seawater in the ocean, and it can be used to predict effluent oil diffusion and to observe ocean currents. In this paper, we design models or the prediction of drifter trajectory using machine learning. We propose methods for estimating the trajectory of drifter using support vector regression, radial basis function network, Gaussian process, multilayer perceptron, and recurrent neural network. When the propose mothods were compared with the existing MOHID numerical model, performance was improve on three of the four cases. In particular, LSTM, the best performed method, showed the imporvement by 47.59% Future work will improve the accuracy by weighting using bagging and boosting.

부산광역시 동구 불법 주정차 데이터를 활용하여 머신러닝을 통한 월별 불법 주정차 빈도를 예측하는 최적의 모델을 찾고 이를 실제 데이터와 비교 분석하는 것 을 목적으로 한다. 데이터의 복잡한 패턴을 정확히 포착하기 위해 랜덤 포레스트, LightGBM, XGBoost와 같은 앙상블 학습 기법을 적용하였다. 데이터는 모델 학습 에 적합한 형태로 전처리한 후 이를 기반으로 세 가지 머신러닝 모델을 통해 불법 주정차 빈도를 예측하였다. 모델의 성능은 RMSE, %RMSE, R-squared 지표를 사 용해 평가하였으며, 그 결과 XGBoost 모델이 가장 높은 예측 정확도를 나타냈다. 본 연구는 지방자치단체가 불법 주정차 문제뿐만 아니라 다양한 도시 문제에 대해 데이터 기반의 예측 모델을 활용하여 효율적이고 선제적인 대응 방안을 마련하는 데 기여할 것으로 기대된다.

This study aims to identify the optimal machine learning model for predicting monthly illegal parking frequencies in Dong-gu, Busan Metropolitan City, and analyze its performance against actual data. To accurately capture complex patterns in the data, we applied ensemble learning techniques including Random Forest, LightGBM, and XGBoost. After preprocessing the data, we predicted illegal parking frequencies using these three machine learning models. The models were evaluated using RMSE, %RMSE, and R-squared metrics, with XGBoost demonstrating the highest prediction accuracy. This research is expected to contribute to local governments' capabilities in developing efficient and proactive measures for various urban issues, particularly illegal parking problems, through the utilization of data-driven prediction models.

학습 성과를 예측하거나 학습 경로를 최적화하는 연구 분야에서 기계학습과 같은 인공지능 기술의 사용이 점차 증가하면서 교육 분야의 인공지능 활용은 점차 많은 진전을 보이고 있다. 이러한 연구는 점차 심층학습과 강화학습과 같은 좀 더 고도화된 인공지능 방법으로 진화하고 있다. 본 연구는 학습자의 과거 학습 성과-이력 데이터를 기반으로 미래의 학습 성과를 예측하는 방법을 개선하는 것이다. 따라서 예측 성능을 높이기 위해 Markov Chain 방법을 응용한 조건부 확률을 제안한다. 이 방법은 기계학습에 의한 분류 예측에 추가하여 학습자가 학습 이력 데이터를 분류 예측에 추가함으로써 분류기의 예측 성능을 향상 시키기 위해 사용된다. 제안 방법의 효과를 확인하기 위해서 실증 데이터인 ‘교구 기반의 유아 교육 학습 성과 데이터’를 활용하여 기존의 분류 알고리즘과 제안 방법에 의한 분류 성능 지표를 비교하는 실험을 수행하였다. 실험 결과, 분류 알고리즘만 단독 사용한 사례보다 제안 방법에 의한 사례에서 더 높은 성능 지표를 산출한다는 것을 확인할 수 있었다.

As the use of artificial intelligence technologies such as machine learning increases in research fields that predict learning outcomes or optimize learning pathways, the use of artificial intelligence in education is gradually making progress. This research is gradually evolving into more advanced artificial intelligence methods such as deep learning and reinforcement learning. This study aims to improve the method of predicting future learning performance based on the learner's past learning performance-history data. Therefore, to improve prediction performance, we propose conditional probability applying the Markov Chain method. This method is used to improve the prediction performance of the classifier by allowing the learner to add learning history data to the classification prediction in addition to classification prediction by machine learning. In order to confirm the effectiveness of the proposed method, a total of more than 30 experiments were conducted per algorithm and indicator using empirical data, ‘Teaching aid-based early childhood education learning performance data’. As a result of the experiment, higher performance indicators were confirmed in cases using the proposed method than in cases where only the classification algorithm was used in all cases.

This study presents a comprehensive evaluation of various machine learning models for predicting heart failure outcomes. Leveraging a data set of clinical records, the performance of Logistic Regression, Support Vector Machine (SVM), Random Forest, Soft Voting ensemble, and XGBoost models are rigorously assessed using multiple evaluation metrics, including accuracy, precision, recall, F1-score, and area under the receiver operating characteristic curve (AUC). The analysis reveals that the XGBoost model outperforms the other techniques across all metrics, exhibiting the highest AUC score, indicating superior discriminative ability in distinguishing between patients with and without heart failure. Furthermore, the study highlights the importance of feature importance analysis provided by XGBoost, offering valuable insights into the most influential predictors of heart failure, which can inform clinical decision-making and patient management strategies. The research also underscores the significance of balancing precision and recall, as reflected by the F1-score, in medical applications to minimize the consequences of false negatives.

This study was conducted by researchers to compare the differences between the ratings of mothers and teachers on young children's academic ability and learning ability, and to confirm their influence on elementary school academic performance ability. This study was conducted using data from the 7th year(2014) and 10th year(2017) of the panel study on Korean children. The analysis data were individual basic background, academic ability, preparation for learning, and academic performance ability. 600 children were used for the study. We suggests that close interaction and cooperation between mother and teacher are necessary to support young children's academic ability and learning preparation.

심전도(electrocardiogram, ECG)는 심박동의 속도와 규칙성, 심실의 크기와 위치, 심장 손상 여부를 측정하는 데 사용되며, 모든 심장질환의 원인을 찾아낼 수 있다. ECG-KIT를 이용하여 획득한 ECG 신호는 ECG 신호에 잡음 을 포함하기 때문에 딥러닝에 적용하기 위해서는 ECG 신호에서 잡음을 제거해야만 한다. 본 논문에서는, ECG 신호 에서 잡음은 Digital IIR Butterworth의 저역 통과 필터를 이용하여 제거하였다. LSTM의 딥러닝 모델을 사용하여 3 가지 활성화 함수인 sigmoid(), ReLU(), tanh() 함수에 대한 성능 평가를 비교했을 때, 오차가 가장 작은 활성화 함 수는 tanh() 함수 임을 확인하였으며, 또한 LSTM과 GRU 모델에 대한 성능 평가와 경과 시간을 비교한 결과 GRU 모델이 LSTM 모델보다 우수한 것을 확인하였다.

ECG(electrocardiogram) is a test used to measure the rate and regularity of heartbeats, as well as the size and position of the chambers, the presence of any damage to the heart, and the cause of all heart diseases can be found. Because the ECG signal obtained using the ECG-KIT includes noise in the ECG signal, noise must be removed from the ECG signal to apply to the deep learning. In this paper, the noise of the ECG signal was removed using the digital IIR Butterworth low-pass filter. When the performance evaluation of the three activation functions, sigmoid(), ReLU(), and tanh() functions, was compared using the deep learning model of LSTM, it was confirmed that the activation function with the smallest error was the tanh() function. Also, When the performance evaluation and elapsed time were compared for LSTM and GRU models, it was confirmed that the GRU model was superior to the LSTM model.

In this paper, we propose a supervised-learning-based spatial performance prediction (SLPP) framework for next-generation heterogeneous communication networks (HCNs). Adaptive asset placement, dynamic resource allocation, and load balancing are critical network functions in an HCN to ensure seamless network management and enhance service quality. Although many existing systems use measurement data to react to network performance changes, it is highly beneficial to perform accurate performance prediction for different systems to support various network functions. Recent advancements in complex statistical algorithms and computational efficiency have made machine-learning ubiquitous for accurate data-based prediction. A robust network performance prediction framework for optimizing performance and resource utilization through a linear discriminant analysis-based prediction approach has been proposed in this paper. Comparison results with different machine-learning techniques on real-world data demonstrate that SLPP provides superior accuracy and computational efficiency for both stationary and mobile user conditions.

Waves are a complex phenomenon in marine and coastal areas, and accurate wave prediction is essential for the safety and resource management of ships at sea. In this study, three types of machine learning techniques specialized in nonlinear data processing were used to predict the waves of Korea waters. An optimized algorithm for each area is presented for performance evaluation and comparison. The optimal parameters were determined by varying the window size, and the performance was evaluated by comparing the mean absolute error (MAE). All the models showed good results when the window size was 4 or 7 d, with the gated recurrent unit (GRU) performing well in all waters. The MAE results were within 0.161 m to 0.051 m for significant wave heights and 0.491 s to 0.272 s for periods. In addition, the GRU showed higher prediction accuracy for certain data with waves greater than 3 m or 8 s, which is likely due to the number of training parameters. When conducting marine and offshore research at new locations, the results presented in this study can help ensure safety and improve work efficiency. If additional wave-related data are obtained, more accurate wave predictions will be possible.

This paper proposes a novel method for estimating ship operational performance degradation (SOPD) using a fuel oil consumption (FOC) prediction model based on deep neural networks with shortcut connections. The model leverages operational and environmental data from a crude oil tanker over a 21-month period to predict FOC and assess SOPD. A cumulative anchoring effect is introduced as a new feature of the FOC prediction model, capturing the impact of biofouling caused by prolonged anchoring in warm waters. In this study, SOPD is considered the additional fuel rate required for a journey leg due to degradation, which is estimated by comparing predicted FOC with and without the cumulative anchoring effect. The SOPD estimation is illustrated according to increasing journey legs based on the FOC prediction models. The proposed SOPD estimation method provides valuable insights for shipping companies to optimize operational schedules and improve fuel efficiency.

최근 딥러닝 기술을 활용하여 작물 생산량 예측 연구가 많이 진행되고 있다. 딥러닝 알고리즘은 입력 데이터 세트와 작물 예측 결과에 대한 선형 맵을 구성하는데 어려움이 있다. 또한, 알고리즘 구현은 획득한 속성의 비율에 긍정적으로 의존한다. 심층강화학습을 작물 생산량 예측 응용에 적용한다면 이러한 한계점을 보완할 수 있다. 본 논문은 작물 생산량 예측을 개선하기 위해 DQN, Double DQN 및 Dueling DQN 의 성능을 분석한다. DQN 알고리즘은 과대 평가 문제가 제기되지만, Double DQN은 과대 평가를 줄이고 더 나은 결과를 얻을 수 있다. 본 논문에서 제안된 모델은 거짓 판정을 줄이고 예측 정확도를 높이는 것으로 나타났다.

Recently, many studies on crop yield prediction using deep learning technology have been conducted. These algorithms have difficulty constructing a linear map between input data sets and crop prediction results. Furthermore, implementation of these algorithms positively depends on the rate of acquired attributes. Deep reinforcement learning can overcome these limitations. This paper analyzes the performance of DQN, Double DQN and Dueling DQN to improve crop yield prediction. The DQN algorithm retains the overestimation problem. Whereas, Double DQN declines the over-estimations and leads to getting better results. The proposed models achieves these by reducing the falsehood and increasing the prediction exactness.