Earticle

최근 기후 변화로 인해 홍수, 산사태 등으로 인한 도시 피해가 증가하고 있다. 이에 따라 극한 강우 및 집중 호우에 대한 관심이 높아지고 있는 추세이다. 설계빈도를 초과하는 강우는 홍수 및 산사태와 같은 인간의 삶에 큰 영향을 미치는 자연재해를 유발하는 주요 원인 중 하나이다. 이처럼 기후 변화로 인한 극한 강우 빈도가 늘어나고 있으며, 따라서, 본 연구에서는 대한민국의 홍수위험성을 분석하기 위해 기상관측소에서 측정된 강우량 데이터를 수집 후, 극치해석방법에 주로 사용되는 GEV분포와 시계 열 분석을 통해 각 지역별 Flood-Rich, -Poor 기간을 식별하였다. 또한, 실제빈도와 설계빈도를 이용하여 본 논문에서는 홍수에 대한 위험성을 정량화할 수 있는 Flood Load 를 계산하였다. 분석 결과, 모든 대상지역에서 Flood Load가 1을 초과한 사례가 발생하였으며, Flood Load가 가장 높은 지역은 3.83인 인제로 분석되었다. 기후변화로 인해 갈수록 빈번해지는 극한 호우로 인한 홍수 예방을 위해서는 수리시 설물의 설계빈도를 상향해야 할 필요가 있다.

Recently, there has been a growing interest in extreme and intense rainfall events due to climate change, which leads to increased urban damage from flooding, landslides, and more. Rainfall exceeding design frequencies is a primary cause of natural disasters that significantly affect human life, such as floods and landslides. As the frequency of extreme rainfall events increases due to climate change, this study collected rainfall data from meteorological stations to analyze flood risks in Kangwon province, and identified periods rich and poor in floods using the GEV distribution and time series analysis, which are common methods for analyzing extreme events. In addition, using the actual frequency and design frequency, the flood load that can quantify the risk of flooding was calculated in this paper. As a result of the analysis, cases in which the flood load exceeded 1 occurred in all target areas, and the area with the highest flood load was analyzed as a factor of 3.83. In order to prevent floods caused by extremely frequent heavy rains due to climate change, it is necessary to increase the design frequency of repair facilities.

We consider the mean value function for NHPP software reliability model and time series regression model in software failure data. We estimate parameters for the proposed models from two data sets. The values of SSE and MSE is presented from two data sets. We compare the predicted number of faults with the actual two data sets using the mean value function and regression curve.

본 연구는 인플레이션이 높았던 기간을 포함하는 1970년 대부터의 장기 임금시계열 자료를 활용하여 코로나19 이후 우려되었던 임금-물가 악순환 가능성을 구조적 벡터자기회귀 모형과 상태의존적 국소투영법을 이용해 실증적으로 분석하였다. 분석 결과, 물가 인플레이션과 명목임금 인플레이션 수준이 모두 높았던1970년 대 자료 활용 여부에 따라 명목임금 인플레이션이 물가 인플레이션에 미치는 영향의 유의성 여부가 달라짐을 보였다. 또한 임금 인플레이션이 물가 인플레이션에 미치는 효과는 물가 인플레이션 수준이 높을 때 더 커지는 상태의존적인 현상임을 보였다.

This paper empirically analyzes the potential wage-price spiral concern after the COVID-19 period, using novel long-term wage time-series data including periods of high inflation. Results from the structural vector autoregression model and state-dependent local projection show that the significance of the impact of nominal wage inflation on price inflation varies depending on the inclusion of data from the high inflation period of the 1970s. I also show that the effect of wage inflation on price inflation is state-dependent, with a stronger impact when the level of price inflation is higher.

시계열 데이터를 예측하는 것은 매우 어려운 작업이다. 비선형적인 특성을 갖는 신호에서 얻어지는 데이터들이 불확실성을 가지고 있기 때문이다. 본 논문은 특정 시계열 데이터의 정확한 예측을 위하여 시계열 자료가 어떤 패턴에 따라 변화한다는 전제하에서 과거 자료들을 평균하여 미분으로써, 시계열 변화 패턴의 찾았다. 또한 미분 데이터의 반영 비율에 따라 특이성을 갖는 시계열데이터를 일반화하기 위하여 확률변수를 적용하였다. 순환변동과 계절변동을 소거하고, 불규칙 변동만을 추출하여 경향의 추세를 더한 예측값을 계산하게 된다. 이렇게 예측된 값은 이동평균과 단순이동평균에 의하여 가장 좋은 결과값을 갖는 알고리즘과 비교를 통하여 제안 알고리즘의 우수성을 입증하였다.

It is very difficult to predict time-series data. This is because data obtained from the signal having a non-linear characteristic has an uncertainty. In this paper, By differentiating time-series data is the average of the past data under the premise that change depending on what pattern, and find the soft look of time-series change pattern. This paper also apply the probability variables to generalize time-series data having a specific data according to the reflection ratio of the differentiation. The predicted value is estimated by removing cyclic movement and seasonal fluctuation, and reflect the trend by extracting the irregular fluctuation. Predicted value has demonstrated the superiority of the proposed algorithm and compared with the best results by a simple moving average and the moving average.

민간위탁 행정서비스의 효율성을 분석하는 데 사용된 방사적 자료포락분석모형은 효율성을 정확하게 측정하지 못한다는 한계를 지니고 있다. 이러한 문제점을 해결하기 위해서는 비방사적 자료포락분석모형인 잔여기준효율성모형(SBM)을 사용할 필요가 있다. 본 연구에서는 자료포락분석을 사용하여 민간위탁업무의 효율성을 측정한 주요 선행연구들을 검토한 후 방사적 자료포락분석모형의 한계를 지적하고, 민간위탁 행정서비스의 효율성을 측정하기 위한 방사적 자료포락분석모형과 비방사적 자료포락분석모형을 공식화했으며, 방사적 자료포락분석모형과 비방사적 자료포락분석모형을 사용하여 민간위탁업무의 효율성과 준거집단, 투입산출요소의 비효율성 정도, 규모수익(RTS)을 분석하고 분석결과를 비교했다. 본 연구의 시사점은 다음과 같다. 첫째, 비방사적 자료포락분석모형을 사용하여 측정한 효율성점수가 방사적 자료포락분석모형에 의한 효율성점수보다 낮아지는 경향이 있다. 둘째, 시계열자료를 활용하여 민간위탁 행정서비스에 있어서 민간위탁과 직영 간의 상대적 효율성을 평가할 필요가 있다.

Radial data envelopment analysis model used for analyzing the efficiency of outsourced government services has the limitation of not measuring efficiency accurately. To solve such problems, nonradial data envelopment analysis model, the slack-based model of efficiency, needs to be used. This paper reviewed major previous studies measuring the efficiency of contracting out public services with data envelopment analysis(DEA), explained the limitations of radial data envelopment analysis model, formulated the linear programming models of input-oriented variable returns to scale(VRS) radial and nonradial data envelopment analysis, analyzed the technical efficiency scores, reference set, inefficient amount and sources, returns to scale of an outsourced government service using radial and nonradial data envelopment analysis model, and compared the analytical results of radial data envelopment analysis model with those of nonradial data envelopment analysis model. The implications of this study are as follows. First, efficiency scores measured by nonradial data envelopment analysis model are inclined to be lower than those measured by radial data envelopment analysis model. Second, using time-series data the relative efficiency of outsourced and in-house government services needs to be evaluated.

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.

본 연구는 ARIAMA 모델을 활용하여 이중적인 변동성을 고려한 ETF 주가를 예측 후 단일 변동성을 가진 일반 기업과 비 교를 통해 모델의 적합성을 확인하였다. TIGER 미국 S&P500 ETF 데이터의 패턴과 변동성을 분석하였다. 분석 결과 ARIMA(1,2,3) 모델이 가장 효과적인 모델로 이를 통해 주가를 예측하였다. 또한, SK 하이닉스 주가 데이터를 대상으로 ARIMA(0,1,0) 모델을 도출 후 두 모델을 Ljung-Box 및 AIC 검정 분석하였다. 분석 결과, Ljung-Box 검정에서 유의한 차이 는 없었으며 ETF 상품의 AIC값(13854.99)이 일반 기업의 결과(19342.18)보다 더 낮아 이중 변동성을 고려한 ARIMA 모델의 적합성을 확인하였다. 본 연구는 ARIMA 모델의 실용성과 금융 데이터 분석에서의 활용 가능성을 확인하며, 시계열 분석이 투자 전략 수립에 기여할 수 있음을 의미한다.

This study utilizes the ARIAMA model to predict the stock prices of ETFs with double volatility and then compares them with the stock prices of regular companies with single volatility to verify the model's suitability. The patterns and volatility of TIGER US S&P500 ETF data were analyzed. The ARIMA(1,2,3) model was found to be the most effective model to predict stock prices. In addition, an ARIMA(0,1,0) model was derived for SK Hynix stock price data, and both models were analyzed using Ljung-Box and AIC tests. The results showed that there was no significant difference in the Ljung-Box test, and the AIC value (13854.99) of the ETF product was lower than that of the general company (19342.18), confirming the appropriateness of the ARIMA model considering double volatility. This study confirms the practicality of the ARIMA model and its applicability in analyzing financial data, and suggests that time series analysis can contribute to the development of investment strategies.

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.

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

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

인류의 출현과 함께 시작된 역사에는 기록이라는 수단이 있기에 현재에 사는 우리는 데이터를 통해 과거를 확인할 수 있다. 생성되는 데이터는 일정 순간에만 발생하여 저장될 수도 있지만, 과거로부터 현재까지 일정 시간 간격 동안 계속해서 생성될 뿐만 아니라 다가올 미래에도 발생함으로써 이를 활용하여 예측하는 것 또한 중요한 작업이다. 본 논문은 수많은 데이터 중에서 시계열 데이터의 활용 동향을 알아보기 위해서 시계열 데이터의 개념에 서부터 머신러닝 분야에서 시계열 데이터 분석에 주로 사용되는 Recurrent Neural Network와 Long-Short Term Memory에 대해 분석하고, 이런 모델들을 활용한 사례의 조사를 통해 의료 진단, 주식 시세 분석, 기후 예측 등 다양한 분야에 활용되어 높은 예측 결과를 보이고 있음을 확인하였고, 이를 바탕으로 향후 활용방안에 대하여 모색해본다.

History, which began with the emergence of mankind, has a means of recording. Today, we can check the past through data. Generated data may only be generated and stored at a certain moment, but it is not only continuously generated over a certain time interval from the past to the present, but also occurs in the future, so making predictions using it is an important task. In order to find out trends in the use of time series data among numerous data, this paper analyzes the concept of time series data, analyzes Recurrent Neural Network and Long-Short Term Memory, which are mainly used for time series data analysis in the machine learning field, and analyzes the use of these models. Through case studies, it was confirmed that it is being used in various fields such as medical diagnosis, stock price analysis, and climate prediction, and is showing high predictive results. Based on this, we will explore ways to utilize it in the future.

마케팅 자료를 입수하는 경우, 시장조사에 시간이 많이 소요되는 등의 이유로, 월간으로 입수하지 못하고, 2개월 간격으로 합산되거나 분기별로 합산된 자료만 입수할 수 있는 경우가 있다. 이러한 자료를 활용하여 월간으로 시장을 평가 혹은 예측하거나 마케팅 전략을 수립하여야 하는 경우, 격월 혹은 분기별로 합산된 자료를 월간 자료로 변환하여야 한다. 본 논문에서는 두 달 간격으로 합산되어 집계되는 자료를 월별 자료로 변환하는 여러 가지 방법을 소개한다. 이런 변환 방법에는 2개월간의 자료를 단순히 2로 나누는 단순평균법, 2개월간의 자료의 증감률을 월별 자료의 증감률에 그대로 적용하여 월별 자료로 변환하는 방법, 전문가의 판단에 따른 가중치를 적용하는 방법, 단순회귀모형 등의 모형을 정의하고 그 모형에 의해 월별 자료로 분해하는 방법 등이 있다. 본 논문에서는 유럽의 특정 국가의 가전제품 판매 사례를 활용하여, 두 달 간격으로 합산된 시장 자료를 월별 자료로 변환하는 모형을 활용한 방법을 소개하고자 한다. 나아가 이 모형을 활용하여 향후의 자료를 예측하는 방법도 소개한다.

When we collect marketing data, we can only obtain the bimonthly or quarterly data but the monthly data be available. If we evaluate or predict monthly market condition or establish monthly marketing strategies, we need to disaggregate these bimonthly or quarterly data to the monthly data. In this paper, for bimonthly or quarterly data, we introduce some methods of disaggregation to monthly data. These disaggregation methods include the simple average method, the growth rate method, the weighting method by the judgment of experts, and variable decomposition method using 12 month moving cumulative sum. In this paper, we applied variable decomposition method to disaggregate for bimonthly data of sum of electronics sales in a European country. We, also, introduce how to use this method to predict the future data.

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

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

해마다 반복적으로 인적・물적 피해를 유발하여 사회 안전에 큰 영향을 미치는 산업재해, 교통사고, 화재, 범죄 등의 항목을 4대 사회안전지표로 선정하여 2003년 이후 시계열에 따른 변화 추이를 분석하였다. 2003년을 기준으로 산업재해가 27.8% 감소하여 가장 두드러지게 개선된 것으로 확인되었으며, 교통사고와 범죄자표는 12% 정도 저감된 것으로 나타났다. 그러나 화재의 경우 2006년 이후 국가화재분류체계가 바뀌면서 경미한 생활 화재도 발생건수에 포함되도록 변경되어 기준년도 대비 40% 화재안전지수가 증가한 것으로 나타났다.

Four major social safety indexes including industrial accident, traffic accident, fire, and violent crime were selected, and transition of those values by time series data analysis since 2003 was presented. Comparing with the 2003 figure, the index of industrial accident was reduced by 27.8%, which was the most improved safety index. The indicators describing the traffic accident and violent crime rate were reduced by approximately 12%. However, the fire safety index showed an increase of 40% compared with the base year because national fire classification system was changed so that minor fire is also included in the counting since 2006.

수출주도정책, FTA 체결 및 규제개선 등과 같은 다양한 시장지향적인 정책을 통해 경제시장의 규모가 지속 적으로 커졌다. 이에 따라 올바른 의사결정을 위하여 경제시장을 정확하게 분석, 예측하는 문제가 중요한 이슈가 되 었다. 경제시장을 표현하는 여러 지표 중 가장 대표적인 주식지표의 정확한 분석 및 의사결정을 위하여 시계열자료 의 모델링에 적합한 은닉마아코프모델을 토대로 자료 내에 내재된 예외적인 특징과 잡음을 제거하기 위한 변환기법 의 융합모델을 제안하여 모델 추정과 예측 문제에 적용하였으며 그 유효성을 확인하였다. 실험 결과를 통해, 본 연 구에서 제안하는 변환조합을 적용하는 모델추정 기법이 유효한 모델 상태 추정 결과를 보여주었으며 실제 코스피지 수와 예측의 문제에서도 매우 유사한 운동양태를 확인할 수 있었다.

Export-led policies, FTA signed and economics of scale through a variety of market-oriented policies, such as regulations to improve market grew constantly. Accordingly, the correct decision making accurately analyze the economics market for decision, a problem has been an important issue in predicting. For accurate analysis and decision-making of the most common indicators of the stock market by proposing a number of indicators of economic transformation techniques were applied to the convergence model combining estimation and forecasts problem confirmed its effectiveness. Experimental result, gave the model estimation method to apply a transform to show the valid combinations proposed model state estimation result was confirmed in a very similar exercise aspect of the physical problem and the KOSPI index prediction.

우리 사회 많은 영역들이 IT 기반의 환경으로 변화함에 따라 업무처리 및 의사결정 과정에서 실시간으 로 연속적인 형태의 방대한 자료들이 생산되고 있는 반면 이러한 기술 발전을 악용하여 다양한 형태의 사기･부정행위가 증가해 피해 규모가 수십억 달러에 달하자 이를 탐지는 부정 탐지(fraud detection)는 지속적으로 연구되는 주요 관심 분야 중 하나이다. 본 연구에서는 연속형 시계열 자료 중 대표적인 주가지수 데이터를 활용하여 계산 비용을 축소 시킨 후의 부정 탐지 예측 유효성을 확인하고자 한다. 대용량의 자료를 바탕으로 한 부정탐지 예측 모델 결정은 수집된 자료 전체의 정보를 살펴보는 것보다 특정 시퀀스 그룹으로 군집화하여 각 군집에 따라 모델을 결정해 전체적인 자료의 의미를 이해하는 것이 더욱 효과적일 수 있으므로 베이지안 군집 방법을 통해 계산 비용을 축소 시킨 후 시계열 또는 시퀀스 데이터 모델링에 적합한 은닉 마르코프 모델(Hidden Markov Model)을 활용하여 유효성을 확인 하였다. 분석 결과, 차원을 축소 시킨 후 은닉 마르코프 모델을 적용한 모델이 성능평가 지표에서 모두 우수한 결과를 보여 유용성을 확인하였다.

As various sectors of our society transition to IT-based environments, there has been a continuous production of large amounts of real-time and sequential data in the process of conducting business operations and making decisions. However, along with these technological advancements, there has been an increase in fraudulent and dishonest activities, resulting in damages amounting to billions of dollars. Detecting such fraud is an ongoing area of significant interest. In this study, we aim to validate the effectiveness of fraud detection prediction by utilizing representative time series data, specifically stock market index data, after reducing the computational cost. Rather than examining the information of the entire collected data, determining fraud detection prediction models based on specific sequence groups and understanding the overall meaning of the data through Bayesian clustering methods can be more effective. We employed a Hidden Markov Model, suitable for time series or sequence data modeling, after reducing the computational cost through Bayesian clustering methods to validate its effectiveness. The analysis results demonstrated the usefulness of applying the reduced-dimensionality Hidden Markov Model, showing superior performance in performance evaluation.

길이가 같은 두 문자열에서 같은 위치에 있는 문자의 상대적인 순위가 모든 위치에서 일치하면 두 문자열은 순위동 형이라 한다. 순위패턴매칭문제는 대소 비교가 가능한 텍스트 T 와 패턴 P 가 주어졌을 때, P 와 순위동형인 T 의 모든 부분문자열의 위치를 찾는 문제이며 시계열 데이터 분석에 활용될 수 있다. 본 논문에서는 다양한 시계열 데이터 에 대한 순열 엔트로피를 계산하고, 각 데이터별로 순열 엔트로피 분포에 따른 순위패턴매칭 알고리즘들의 성능을 비교한다.

Two strings of the same length are called order-isomorphic if the relative order of characters at the same position is identical for all positions. The order-preserving pattern matching problem is finding the positions of all substrings in text T that are order-isomorphic to pattern P. This problem can be applied in time series data analysis. In this paper, we compute the permutation entropy for various time series data and compare the performance of order-preserving pattern matching algorithms based on the permutation entropy distribution for each dataset.