최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국항해항만학회지 = Journal of navigation and port research, v.35 no.1, 2011년, pp.83 - 91
신창훈 (한국해양대학교 물류시스템공학과) , 정수현 (한국해양대학교 대학원)
The accuracy of forecasting is remarkably important to reduce total cost or to increase customer services, so it has been studied by many researchers. In this paper, the artificial neural network (ANN), one of the most popular nonlinear forecasting methods, is compared with autoregressive integrated...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
통계적 기법들로 설명이 어려운 현상들이 현실에 존재하기 때문에 새로운 예측모형 개발하려는 많은 노력이 수행되었는데, 그 결과로 현재 가장 대표적으로 사용되고 있는 것은 무엇인가? | 그러나 이러한 통계적 기법들로 설명하기 어려운 현상들이 실제 현실에서 다수 존재한다는 점으로 인해 새로운 예측모형 개발을 위한 많은 노력들이 수행되었다. 이러한 노력들의 결과중 하나가 기계학습(machine learning)이라는 메커니즘을 기반으로 한 인공신경망(ANN; artificial neural network)모형으로 다층퍼셉트론(MLP; Multi-layer perceptron)이 가장 대표적으로 사용되고 있다. 이는 전통적인 수요예측기법에 대한 대안으로서 인식되기 시작하면서 여러 분야에서 광범위하게 연구되고 있다. | |
ARIMA모형의 장점은 무엇인가? | ARIMA모형은 Box and Jenkins(1976)에 의해서 이론적으로 체계화 된 후 시계열 분석에서 가장 많이 활용되고 있는 모형 중 하나이다. ARIMA모형은 뛰어난 예측성과를 보일 뿐만 아니라 다른 예측모형에 비해 정교한 이론적 토대를 가지고 있기에 실제 예측작업뿐만 아니라 새로운 시계열 예측모형의 개발에 있어서 개발된 모형의 성능을 평가하기 위한 기준 모형으로 사용되고 있다. | |
시계열 예측연구를 위하여 사용되는 통계적 기법 중에서 비교적 완벽한 이론 체계 아래에서 뛰어난 성능을 보여주고 있어 많은 연구자들에 의해서 사용되고 있는 모형은 무엇인가? | 초기 시계열 예측연구에서는 선형시계열(linear time series) 모형을 기반으로 한 통계적 기법(statistical techniques)들이 주로 사용되었다. 그 중에서도 비교적 완벽한 이론 체계아래에서 뛰어난 성능을 보여주고 있는 자기회귀이동평균(ARMA; autoregressive moving average)모형이 많은 연구자들에 의해서 사용되고 있다(지, 1995; Zhang, 2003). 이에 전(1999)은 중장기 항만물동량을 예측하기 위해 거시변수의 영향을 모형화한 수요함수를 추정해 사용하였고, 모․김(2003)은 이러한 구조적 모형과 ARIMA모형을 사용해 국내 수출입 물동량 예측에 대한 비교연구를 수행하였다. |
모수원, 김창범(2003), “해상물동량의 추정과 예측,” 해운물류연구, 제37호, pp.1-18.
전찬영(1999), “교차검증을 통한 우리나라 중장기 항만물동량 예측," 해양정책연구, 제14권, pp.127-157.
전찬영, 송주미(2007), “인공신경망모형의 항만물동량 예측 적용에 관한 연구," 해운물류연구 제53호, pp.65-82.
지원철(1995), “신경망을 이용한 시계열 분석: M1 - Competition Data에 대한 예측성과 분석," 한국전문가시스템학회지 창간호, pp.135-148.
Box, G. E. P. and Jenkins, G. M.(1976), “Time SeriesAnalysis Forecasting and Control,” Holden-Day, SanFrancisco.
Chatfield, C.(1993), “Neural Networks: ForecastingBreakthrough or Passing Fad?,” International Journalof Forecasting Vol. 9, No.1, pp.1-3.
Fishwick, P. A.(1989), “Neural Network Models inSimulation: A Comparison with Traditional ModelingApproaches,” Proceedings of Winter SimulationConference, pp.702?710.
Geman, G., Bienenstock, E. and Doursat, R.(1992),“Neural Networks and Bias/Variance Dilemma,” NeuralComputation, Vol. 4, No. 1, pp.1-58.
Ghysels, E., Granger, C. W. J and Siklos, P. L.(1996),“Is Seasonal Adjustment a Linear or Nonlinear DataFiltering Process?,” Journal of Business & EconomicStatistics, Vol. 14, No. 3, pp.374-386.
Hansen, J. V., McDonald, J. B and Nelson, R. D(1999),“Time Series Prediction with Genetic-AlgorithmDesigned Neural Networks: An Empirical ComparisonWith Modern Statistical Models,” ComputationalIntelligence, Vol. 15, No. 3, pp.171-184.
Ittig, P. T.(1997), “A Seasonal Index for Business,”Decision Science, Vol. 28, No.2, pp.335-355.
Jhee, W. C. and Lee, J. K.(1993), “Performance ofNeural Networks in Managerial Forecasting,”International Journal of Intelligent Systems inAccounting and Finance Management, Vol. 2, No. 1,pp.55-71.
Kim, H. J. and Shin, K. S.(2007), “A Hybrid Approachbased on Neural Networks and Genetic Algorithms forDetecting Temporal Patterns in Stock Markets,”Applied Soft Computing Journal, Vol. 7, No. 2,pp.569-576.
Lapedes, A. and Farber, R.(1987), “Nonlinear SignalProcessing using Neural Networks: Prediction andSystem Modeling,” Los Almos National Laboratory,Technical Report, LA-UR-87-2662.
Miller, D. M and Williams, D.(2004), “DampingSeasonal Factors: Shrinkage Estimators for theX-12-ARIMA Program,” International Journal ofForecasting, Vol. 20, No. 4, pp.529-549.
Nelson, M., Hill, T., Remus, T. and O’Connor, M.(1999), “Time Series Forecasting using NNs: Should the Databe Deseasonalized First?,” Journal of Forecasting, Vol.18, No. 5, pp.359-367.
Ripley, B. D.(1993), “Statistical Aspects of NeuralNetworks," In Networks and Chaos : Statistical andProbabilistic Aspects ed Barndorff-Nielsen, O. E.,Jensen, J. L. and Kendall, W. S., London.
Sharda, R. and Patil, R. B.(1992), “ConnectionistApproach to Time Series Prediction: An EmpiricalTest,” Journal of Intelligent Manufacturing, Vol. 3, No.5, pp.317-323.
Taskaya-Temizel, T. and Casey, M. C.(2005), “AComparative Study of Autoregressive Neural NetworkHybrids,” Neural Networks, Vol.18 pp.781-789.
Waibel, A., Hanazawa, T., Hinton, G., Shikano, K. andLang, K.(1989), “Phoneme Recognition using TimeDelay Neural Networks,” IEEE Transactions onAcoustics, Speech and Signal Process, Vol. 37, No. 3,pp.328-339.
Weigend, A. S., Rumelhart, D. E. and Huberman, B.A.(1990), “Backpropagation, Weight-elimination andTime Series Prediction,” Connectionist Models:proceedings of the 1990 Summer School, pp.105-116.
Zhang, G. P.(2003), “Time Series Forecasting using aHybrid ARIMA and Neural Network Model,”Neurocomputing, Vol. 50, No. 2, pp.159-175.
Zhang, G. P. and Qi, M.(2005), “Neural NetworkForecasting for Seasonal and Trend Time Series,”European Journal of Operational Research, Vol. 160,No. 2, pp.501-514.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.