컨테이너 물동량 예측은 항만과 항만의 개발에 있어서 매우 중요하다. 일반적으로 이동평균법, 지수평활법, 회귀분석과 같은 통계적인 방법들은 물동량 예측에서 많이 사용되어졌다. 하지만, 컨테이너 물동량 예측에 영향을 주는 여러 가지 요소들을 고려해 보면 다중병렬처리시스템인 신경망을 이용하는 것이 효과적이다. 본 연구는 신경망의 역전파학습알고리즘을 이용하여 컨테이너 활동량을 예측하였다. 신경망을 이용하여 영향력 있는 요소들을 선별하였으며, 선별된 요소들을 이용하여 물동량 예측을 하였다. 또한 제안된 신경망알고리즘과 통계적인 방법의 예측들을 비교하였다.
컨테이너 물동량 예측은 항만과 항만의 개발에 있어서 매우 중요하다. 일반적으로 이동평균법, 지수평활법, 회귀분석과 같은 통계적인 방법들은 물동량 예측에서 많이 사용되어졌다. 하지만, 컨테이너 물동량 예측에 영향을 주는 여러 가지 요소들을 고려해 보면 다중병렬처리시스템인 신경망을 이용하는 것이 효과적이다. 본 연구는 신경망의 역전파학습알고리즘을 이용하여 컨테이너 활동량을 예측하였다. 신경망을 이용하여 영향력 있는 요소들을 선별하였으며, 선별된 요소들을 이용하여 물동량 예측을 하였다. 또한 제안된 신경망 알고리즘과 통계적인 방법의 예측들을 비교하였다.
The forecast of a container traffic has been very important for port and development. Generally, Statistic methods, such as moving average method, exponential smoothing, and regression analysis have been much used for traffic forecasting. But, considering various factors related to the port affect t...
The forecast of a container traffic has been very important for port and development. Generally, Statistic methods, such as moving average method, exponential smoothing, and regression analysis have been much used for traffic forecasting. But, considering various factors related to the port affect the forecasting of container volume, neural network of parallel processing system can be effective to forecast container volume based on various factors. This study discusses the forecasting of volume by using the neural, network with back propagation learning algorithm. Affected factors are selected based on impact vector on neural network, and these selected factors are used to forecast container volume. The proposed the forecasting algorithm using neural network was compared to the statistic methods.
The forecast of a container traffic has been very important for port and development. Generally, Statistic methods, such as moving average method, exponential smoothing, and regression analysis have been much used for traffic forecasting. But, considering various factors related to the port affect the forecasting of container volume, neural network of parallel processing system can be effective to forecast container volume based on various factors. This study discusses the forecasting of volume by using the neural, network with back propagation learning algorithm. Affected factors are selected based on impact vector on neural network, and these selected factors are used to forecast container volume. The proposed the forecasting algorithm using neural network was compared to the statistic methods.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 실험에서는 신경망의 학습이 수행되면서 입력과 출력 사이의 관계를 반영하는 연결강도에 대하여 결과값에 미치는 영향에 대해서 알아보고 이에 입력변수의 중요도를 선별하는 실험을 하도록 한다. 종료조건을 만족하여 학습이 끝난 다음에 연결 강도의 값은 입력과 출력패턴 사이의 밀접한 정도를 반영한다고 볼 수 있다.
1인당 국민총소득을 이용하였다. 역전파 학습알고리즘을 이용하여 반복학습 시킴으로써 과거의 자료에 대한 충분한 지식과 경험을 바탕으로 미래의 물동량을 예측하는 방법을 연구하였다. 또한 중요도가 높은 변수를 선별하기 위하여 신경망을 이용하여 입력변수들의 영향력벡터분석을 하였다.
이에 본 연구는 컨테이너항만의 물동량 예측에 대한 중요성을 인식하고 새로운 물동량 예측방법을 제안한다.
가설 설정
구체적인 방법으로 입력패턴에 포함된 입력변수의 값들이 하나씩 제거되었다고 가정하여 실험을 한다. 즉, 해당 입력값을 0으로 놓은 다음 신경망의 반응을 원래의 결과값과 비교한다.
제안 방법
또한 중요도가 높은 변수를 선별하기 위하여 신경망을 이용하여 입력변수들의 영향력벡터분석을 하였다. 결과로 중요도가 높은 변수로서 수입화물량, 수출화물량, 환적화물량, 선박입항수가 선별되었으며 이를 이용하여 다시 물동량 예측을 하였다. 또한 같은 자료를 이용하여 기존의 통계적인 예측 방법으로 컨테이너항만의 물동량 예측을 하였으며 이러한 결과들로 각각의 예측방법을 비교 분석하였다.
변수로 이용한다. 또한 예측에 사용되어진 항만의 관련 요소들을 신경망을 이용해서 중요도를 분석하였으며 중요도가 높은 변수를 이용하여 개선된 물동량의 예측을 하였다.
역전파 학습알고리즘을 이용하여 반복학습 시킴으로써 과거의 자료에 대한 충분한 지식과 경험을 바탕으로 미래의 물동량을 예측하는 방법을 연구하였다. 또한 중요도가 높은 변수를 선별하기 위하여 신경망을 이용하여 입력변수들의 영향력벡터분석을 하였다. 결과로 중요도가 높은 변수로서 수입화물량, 수출화물량, 환적화물량, 선박입항수가 선별되었으며 이를 이용하여 다시 물동량 예측을 하였다.
이를 바탕으로 두 가지 형태로 신경망을 이용하여 컨테이너항만의 물동량을 예측하였는데 모델 1은 기존의 9개의 입력자료를 이용한 예측이고 모델 2는 중요도가 높은 자료를 이용한 예측이다. 마지막으로 일반적인 통계적인 방법을 이용한 물동량 예측을 하여 이들을 서로 비교 분석하였다.
본 논문은 다수의 요소를 동시에 처리하는 병렬처리시스템인 신경망을 이용하여 컨테이너항만의 물동량의 예측을 하였으며 이는 과거 물동량 자료뿐만 아니라 항만에 관계된 많은 요소들을 변수로 이용한다. 또한 예측에 사용되어진 항만의 관련 요소들을 신경망을 이용해서 중요도를 분석하였으며 중요도가 높은 변수를 이용하여 개선된 물동량의 예측을 하였다.
본 논문의 연구방법은 다층신경망을 이용하였으며 목표값으로 항만의 물동량을 이용하였고 입력값으로 항만의 물동량과 관련이 있는 9개의 변수로 수입화물량, 수출화물량, 연안 화물량, 환적화물량, 선박입항수, 선박출항수, 항만하역능력, 경제활동 인구수, 1인당 국민총소득을 이용하였다. 역전파 학습알고리즘을 이용하여 반복학습 시킴으로써 과거의 자료에 대한 충분한 지식과 경험을 바탕으로 미래의 물동량을 예측하는 방법을 연구하였다.
본 연구는 1990년부터 2000년까지의 항만에 관련된 자료를 바탕으로 신경망을 이용한 예측과 함께 일반적으로 사용되었던 통계적인 방법에 의한 예측도 함께 비교분석을 하였다. 우선 입력자료들의 영향벡터분석에 대한 작업으로 9개의 입력자료에서 중요도가 높은 4개 입력자료를 선별하였다.
이러한 가운데 항만의 물동량 예측은 항만의 개발과 계획수립에 있어서 매우 중요한 정보인 것이다. 본 연구는 이를 인지하고 과거의 통계적인 방법의 예측이 아닌 신경망 모델을 이용하여 컨테이너항만의 물동량을 예측해 본다.
본 연구에서 구축한 신경망에서는 입력층과 은닉층, 출력층이 각각 하나로 구성되었으며 입력층의 수는 9개, 은닉층의 수는 10개, 출력층의 수는 1개이다. 학습의 종료조건으로는 오차율이 0.
본 연구에서 신경망의 구성은 입력층과 은닉층, 출력층 각각 1 개의 층으로 구성되었으며 은닉층의 수는 9개로 하였다. 학습의 종료조건으로는 오차율 0.
신경망의 구조는 입력층과 은닉층, 출력층을 갖는 다층신경망 구조를 이용하였으며 은닉층 성분의 크기를 결정하는 일반적인 방법이 없으므로 반복적인 학습과정을 통하여 적절한 크기로 정하였다. 전달함수는 입력층과 은닉층 사이는 역전파 학습알고리즘에 일반적으로 사용되는 시그모이드 함수(Sigmoid function)를 선택하였으며 은닉층과 출력층 사이에는 선형함수 (Linear function)를 각각 이용하였다.
한다. 예측값을 비교하기 위하여 1995년도부터 2000년도까지의 예측값을 비교해 본다.
우선 입력자료들의 영향벡터분석에 대한 작업으로 9개의 입력자료에서 중요도가 높은 4개 입력자료를 선별하였다. 이를 바탕으로 두 가지 형태로 신경망을 이용하여 컨테이너항만의 물동량을 예측하였는데 모델 1은 기존의 9개의 입력자료를 이용한 예측이고 모델 2는 중요도가 높은 자료를 이용한 예측이다. 마지막으로 일반적인 통계적인 방법을 이용한 물동량 예측을 하여 이들을 서로 비교 분석하였다.
그러나, 신경망 모델에 적용하기 위해서。~1 사이의 값으로 변환되어져야 한다. 이를 위해서 선형 변환 식을 이용하여 0.1 ~0.9 사이의 값으로 변환을 하였으며 학습한 이후의 예측값을 구하기 위하여 역변환하였다. 선형변환식의 식은 아래와 같다.
이를 이용하여 입력변수의 영향벡터를 분석할 수가 있게 되며 본 연구에서는 입력벡터 분석전의 물동량 예측과 입력 벡터 분석 후의 물동량 예측의 두 가지 형태의 실험을 하여 비교하였다.
이상에서 신경망을 이용한 방법으로 컨테이너 물동량을 예측하였으나, 아래에서는 기존의 통계적인 방법을 이용한 물동량 예측치와 비교 검토하기로 한다.
실험을 하였다. 입력층과 은닉층, 출력층은 각각 하나의 층으로 구성되었으며 오차율 0.02과 반복회수 100,000회를 종료 조건으로 반복 학습하였다.
학습의 종료조건으로는 오차율 0.02 이하로 떨어지거나 반복회수 100, 000번이 되었을 때 종료하는 것으로 하였다.
대상 데이터
본 연구에서는 컨테이너항만 물동량 예측을 위한 자료로서 입력자료는 수입화물량, 수출화물량, 연안화물량, 환적 화물량, 선박입 항수, 선박출항수, 항만하역 능력, 경 제 활동인구수, 1인당 국민총소득을 사용하였으며 목표자료로는 총화물량을 사용하기로 하였다.
실험은 각 연도별로 입력변수에 대한 각 연도의 출력변수에 대한 신경망 학습으로 1990년부터 2000년까지의 데이터 값으로 실험을 하였다. 입력층과 은닉층, 출력층은 각각 하나의 층으로 구성되었으며 오차율 0.
우선 입력자료들의 영향벡터분석에 대한 작업으로 9개의 입력자료에서 중요도가 높은 4개 입력자료를 선별하였다. 이를 바탕으로 두 가지 형태로 신경망을 이용하여 컨테이너항만의 물동량을 예측하였는데 모델 1은 기존의 9개의 입력자료를 이용한 예측이고 모델 2는 중요도가 높은 자료를 이용한 예측이다.
데이터처리
Table 5는 이러한 예측방법에 의한 예측치와 실측치를 나타내고 있으며 예측방법의 평가를 하기 위하여 절대오차평균 (MAD : Mean Absolute Deviation)를 이용하기로 한다.
결과로 중요도가 높은 변수로서 수입화물량, 수출화물량, 환적화물량, 선박입항수가 선별되었으며 이를 이용하여 다시 물동량 예측을 하였다. 또한 같은 자료를 이용하여 기존의 통계적인 예측 방법으로 컨테이너항만의 물동량 예측을 하였으며 이러한 결과들로 각각의 예측방법을 비교 분석하였다.
이론/모형
정하였다. 전달함수는 입력층과 은닉층 사이는 역전파 학습알고리즘에 일반적으로 사용되는 시그모이드 함수(Sigmoid function)를 선택하였으며 은닉층과 출력층 사이에는 선형함수 (Linear function)를 각각 이용하였다.
성능/효과
본 논문의 결과로 MAD값을 비교해 보았을 때 신경망을 이용한 예측모델2가 189, 340으로 가장 좋았으며 그 다음으로 추세조정 지수평활법이 204, 141, 신경망을 이용한 예측모델1이 214, 019, 추세분석법이 378, 208 가중이동평균법이 825, 230의 순으로 나타나고 있다.
후속연구
일반적으로 신경망의 영향벡터분석은 더 좋은 입력자료를 선별하는 데는 도움이 되지만, 입력변수의 선정에 있어서 전문가의 경험이나 지식을 바탕으로 자료를 선별하는 방법을 확립할 필요가 있다. 또한 신경망을 이용한 예측방컵의 검증을 위해 더 많은 예측방법들의 비교가 필요할 것이다.
본 논문의 추후과제로는 컨테이너항만 물동량에 관련된 입력변수를 합리적으로 선정하는 방법을 모색하는 데에 있다. 일반적으로 신경망의 영향벡터분석은 더 좋은 입력자료를 선별하는 데는 도움이 되지만, 입력변수의 선정에 있어서 전문가의 경험이나 지식을 바탕으로 자료를 선별하는 방법을 확립할 필요가 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.