선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 항만물동량 예측에 있어 ANN모형을 사용해 일반적인 통계적 기법들과 비교한 선행연구인 전·송(2007) 그리고 신 등 (2008)의 연구들을 보게 되면, 대부분의 자료에서 ARIMA모형이 ANN모형과 하이브리드모형보다 뛰어난 예측성과를 보 였다. 그래서 본 연구에서는 다양한 시도를 바탕으로 ANN모형과 하이브리드모형을 사용해 국내 항만의 컨테이너 물동량 자료에 대한 유효성을 검증하였다. 우선 ANN모형의 가장 대표적인 모형인 MLP는 시간패턴을 인식하는 문제에 있어 한계점을 지니고 있기 때문에 그에 대한 대안으로 MLP보다 시간패턴 인식능력이 더 뛰어난 시간지연네트워크(TDNN; time delayed neural network)를 사용해 이들 간의 성과를 비교하였다.
- 본 연구에서는 국내 항만 컨테이너 물동량 자료에 대한 ARIMA모형, ANN모형 그리고 하이브리드모형에 대한 비교 연구를 수행하였다. 예측모형의 성과를 비교했을 때, ANN모형과 하이브리드모형들이 ARIMA모형보다 뛰어난 예측성과를 보였다.
가설 설정
- 그러나 Zhang(2003)은 우리가 접하는 대부분의 현실 자료들은 선형과 비선형특성이 섞여 있는 형태이기 때문에 특정 시계열자료 속에 내재되어 있는 특성 모두를 하나의 예측기법으로 설명하거나 식별하는데 어려움이 있다고 말하였고, ARIMA모형과 ANN모형을 결합한 하이브리드 ARIMA-ANN모형을 제시함과 동시에 그에 대한 실증분석을 수행하였다. 이러한 하이브리드모형 개발과 관련된 연구들의 주요 가정은 단일 예측모형보다 여러 예측모형들을 결합함으로 더 좋은 성과를 보인다는 것이다. 이에 신 등(2008)의 연구에서 국내 주요 항만의 컨테이너물동량 예측에 하이브리드 ARIMA-ANN모형을 사용해 다른 예측모형과의 비교연구를 수행하였다.
제안 방법
- ANN모형의 네트워크 구조 결정 문제와 관련된 과거 연구 들을 보면, 모든 경우의 수를 고려하는 탐색적 방법을 사용하거나 몇몇 연구자들에 의해 제안된 어림짐작으로 결정(Rules of thumb)하는 법칙들을 이용해 실제 분석에서 사용되는 입력노드 혹은 은닉노드의 수와 같은 구조 모수를 결정하였다. 그러나 고려해야 할 구조 모수가 증가하면 할수록 엄청난 크기로 탐색공간이 증가하며, ANN모형 또한 비선형모형이기에 매번 분석 시 최적해를 보장하기 힘들기에 이러한 방법들은 그 한계점을 지니고 있다.
- 그리고 사전적으로 실험에 사용되는 자료들을 학습 (training) 자료, 교차검증(cross-validation)자료 그리고 검정 (test)자료로 나눈 뒤 분석을 수행하였다. ANN모형의 학습과정은 교차검증자료에 대해서 목적함수 즉, MSE를 최소화는 방향으로 노드간 연결 가중치들을 조정하였다. 이러한 학습과정에 있어 종료조건으로는 최대 1000회에 걸쳐 단계적인 연산이 수행되며, 과다적합(over-fitting)을 방지하기 위해 MSE값이 증가하는 순간 학습과정이 종료되게 하였다.
- 와 같은 형태를 띠고 있다고 가정하였고, 이러한 특성을 가진 시계열을 분석함에 있어 단일 예측모형으로 모든 특성을 식별하기 어렵다고 말했다. 그래서 시계열 자료 속에 내재되어 있는 선형과 비선형특성들을 동시에 모형화하기 위해 서로 다른 특성을 지니고 있는 예측 모형을 결합한 하이브리드 ARIMA-ANN모형을 제시하였다.
- 나머지 네트워크 구조에 있어 은닉층의 수는 하나로 고정하였고, 활성 함수는 쌍곡탄젠트함수를 사용하였다. 그리고 GA의 연산자들과 관련해서는 선택방식으로는 확률바퀴를 사용하였고, 교차 방식은 일점교차방식을 사용해 총 10회 반복실험을 수행하였다. 그리고 나머지 모수값인 교차율은 0.
- 우선 ANN모형의 가장 대표적인 모형인 MLP는 시간패턴을 인식하는 문제에 있어 한계점을 지니고 있기 때문에 그에 대한 대안으로 MLP보다 시간패턴 인식능력이 더 뛰어난 시간지연네트워크(TDNN; time delayed neural network)를 사용해 이들 간의 성과를 비교하였다. 그리고 또한 신경망의 구조 설계에 있어 기존의 선행연구들에서 주로 사용해 왔던 탐색적인 방법론 대신에 방대하며 복잡한 탐색공간에서 효과적으로 알려진 유전알고리즘(GA; genetic algorithm)을 사용하여 최적의 신경망구조를 결정하였다.
- 그리고 사전적으로 실험에 사용되는 자료들을 학습 (training) 자료, 교차검증(cross-validation)자료 그리고 검정 (test)자료로 나눈 뒤 분석을 수행하였다. ANN모형의 학습과정은 교차검증자료에 대해서 목적함수 즉, MSE를 최소화는 방향으로 노드간 연결 가중치들을 조정하였다.
- 나머지 두 모형은 하이브리드 AR-ANN모형과 하이브리드 ARIMA-ANN모형이다. 그리고 이들 예측모형들마다 사용되는 ANN모형에 있어 각기 다른 ANN모형인 MLP와 TDNN를 사용해 그에 따른 비교연구를 수행하였다.
- 이러한 학습과정에 있어 종료조건으로는 최대 1000회에 걸쳐 단계적인 연산이 수행되며, 과다적합(over-fitting)을 방지하기 위해 MSE값이 증가하는 순간 학습과정이 종료되게 하였다. 그리고 이러한 과정을 통해 나온 선택된 인공신경망 모형들에 대해서 검정자료를 사용해 최종적인 ANN모형을 선택하였다.
- 07이 사용되었다. 그리고 입력노드와 은닉노드의 수 그리고 각각의 노드들에 대한 시간지연라인 같은 인공신경망의 여러 구조모수들을 구하기 위해 GA를 적용하여 최종 구조를 결정하였으며, NeuroSolutions에서 제공하는 GA를 사용하였다. 그래서 각 단계별로 추정한 #와 #을 합해 최종 추정치 #을 계산하였다.
- 그리고 각각의 세대수와 모집단의 수는 100으로 정하였다. 나머지 네트워크 구조에 있어 은닉층의 수는 하나로 고정하였고, 활성 함수는 쌍곡탄젠트함수를 사용하였다. 그리고 GA의 연산자들과 관련해서는 선택방식으로는 확률바퀴를 사용하였고, 교차 방식은 일점교차방식을 사용해 총 10회 반복실험을 수행하였다.
- 본 연구에서는 총 3가지의 예측모형들을 사용해 그 성과들에 대한 비교연구를 수행하였다. 첫 번째 예측모형은 일반적으로 사용하는 ANN모형으로 다른 모형들과의 구분을 위해 Naïve ANN모형이라 하였다.
- 첫 단계에서는 앞서 언급한 3가지 예측모형별로 시계열자료 속에 내재되어 있는 선형적인 특성 #을 추정함과 동시에 ANN모형에 사용할 새로운 자료를 생성한다. 여기에서 하이브리드모형들은 AR모형이나 ARIMA모형으로 #을 추정한 뒤, 이를 통해 ANN모형에 사용될 자료인 예측오차들을 계산하였다. Naïve ANN모형 같은 경우 차분을 통해 추세만 제거하였으며, 이 자료를 ANN모형의 입력자료로 사용하였다.
- 예측성과의 차이가 예측모형에 의해 생성된 자료와 사용된 ANN모형에 따라 어떻게 변화하는지를 통계적으로 확인하기 위해 2-way ANOVA분석을 수행하였다. 예측성과의 차이를 검증하기 위해 각 요인들의 주효과와 두 요인간의 상호작용효과를 살펴보았다. 아래 Table 4의 내용처럼 예측모형에 의해 생성된 자료에 따른 주효과는 통계적으로 유의하게 나타난 반면에 사용된 ANN모형에 따른 주효과는 유의하지 않은 것으로 나타났다.
- 그래서 본 연구에서는 다양한 시도를 바탕으로 ANN모형과 하이브리드모형을 사용해 국내 항만의 컨테이너 물동량 자료에 대한 유효성을 검증하였다. 우선 ANN모형의 가장 대표적인 모형인 MLP는 시간패턴을 인식하는 문제에 있어 한계점을 지니고 있기 때문에 그에 대한 대안으로 MLP보다 시간패턴 인식능력이 더 뛰어난 시간지연네트워크(TDNN; time delayed neural network)를 사용해 이들 간의 성과를 비교하였다. 그리고 또한 신경망의 구조 설계에 있어 기존의 선행연구들에서 주로 사용해 왔던 탐색적인 방법론 대신에 방대하며 복잡한 탐색공간에서 효과적으로 알려진 유전알고리즘(GA; genetic algorithm)을 사용하여 최적의 신경망구조를 결정하였다.
- GA의 탐색공간은 아래와 같이 정하였다. 입력노드와 은닉 노드의 기억 구조는 각각 1～20개까지로 두었고, 각각의 노드들의 시간지연의 크기는 1～10까지로 정하였다. 그리고 마지막으로 은닉노드의 개수는 1～25개까지로 정하였다.
- 자료분할에 있어 1991～2002년까지 학습자료, 2003～2004년까지 교차검증자료 그리고 2005～2006년까지 검정자료로 나눈 뒤 시계열의 선형적인 특성 #을 추정하기 위해 AR과 ARIMA모형에 대한 분석을 수행하였다. Table 1은 각 자료에 대한 AR와 ARIMA모형의 식별결과이며, AIC을 기준으로 최종 모형을 결정하였다.
대상 데이터
- Naïve ANN모형 같은 경우 차분을 통해 추세만 제거하였으며, 이 자료를 ANN모형의 입력자료로 사용하였다.
- 효과적인 인공신경망의 학습을 위해 보다 많은 수의 관측치 확보가 무엇보다 중요한 문제이기 때문에 국내 항만 중 가장 긴 역사를 지니고 있는 부산항과 인천항을 중심으로 자료를 수집하였다. 그 결과 총 관측기간은 1991～2006년까지 월별 자료로 총 192개 관측치를 대상으로 분석을 수행하였다.
- 본 연구에 사용된 항만별 컨테이너물동량자료는 환적과 국내 연안운송을 제외한 수입, 수출 물동량으로 국토해양부가 운영하는 해운항만 물류정보 센터(SP-IDC)에서 수집하였다. 효과적인 인공신경망의 학습을 위해 보다 많은 수의 관측치 확보가 무엇보다 중요한 문제이기 때문에 국내 항만 중 가장 긴 역사를 지니고 있는 부산항과 인천항을 중심으로 자료를 수집하였다.
- 예로 부산 수입 자료의 경우 Naïve ANN모형의 MLP 같은 경우 총 408개의 연결가중치이며, TDNN 같은 경우 총 288개의 연결가중치에 대해서 학습이 이루어졌다.
- 본 연구에 사용된 항만별 컨테이너물동량자료는 환적과 국내 연안운송을 제외한 수입, 수출 물동량으로 국토해양부가 운영하는 해운항만 물류정보 센터(SP-IDC)에서 수집하였다. 효과적인 인공신경망의 학습을 위해 보다 많은 수의 관측치 확보가 무엇보다 중요한 문제이기 때문에 국내 항만 중 가장 긴 역사를 지니고 있는 부산항과 인천항을 중심으로 자료를 수집하였다. 그 결과 총 관측기간은 1991～2006년까지 월별 자료로 총 192개 관측치를 대상으로 분석을 수행하였다.
데이터처리
- 1로 정하였다. 목적함수식은 아래 식과 같으며, 실제값(actual value)인 At에 예측값(forecast value) Ft을 뺀 뒤 나오는 오차값을 제곱하여 그 평균을 구한 평균제곱오차(MSE; mean square error)을 사용하였다.
- 예측성과의 차이가 예측모형에 의해 생성된 자료와 사용된 ANN모형에 따라 어떻게 변화하는지를 통계적으로 확인하기 위해 2-way ANOVA분석을 수행하였다. 예측성과의 차이를 검증하기 위해 각 요인들의 주효과와 두 요인간의 상호작용효과를 살펴보았다.
이론/모형
- Hansen et al(1999)의 연구에서는 기존의 널리 사용되고 있는 MLP에 비해 시간패턴인식에 있어 더 뛰어난 성능을 보이고 있는 TDNN을 사용하여 시계열자료에 대한 예측을 수행하였다. 그리고 ANN모형 적용에 있어 어려움 점 중 하나인 신경망 구조결정(network topology design)에 있어 과거의 연구들과 달리 유전알고리즘(GA; genetic algorithm)을 사용하였다. ANN모형의 성과는 신경망구조에 의해서 많은 영향을 받게 되는데, 이러한 구조결정문제에 GA를 적용시키므로 신경망 구조 설계에 대한 자동화와 최적화를 동시에 달성할 수 있다.
- 3에서 ANN모형을 통해 추정한 #을 통해 최종 예측치 #을 추정하였다. 그리고 예측모형간의 효과적인 비교를 위해 MSE뿐만 아니라 절대 백분율 오차의 평균(Mean absolute percentage error; MAPE)도 사용하였다.
- 비선형 특성 #을 추정하기 위해 앞선 단계에서 생성된 자료를 바탕으로 ANN모형으로 분석을 수행하였다. Table 2에 ANN모형의 학습결과를 요약하였다.
- Table 1은 각 자료에 대한 AR와 ARIMA모형의 식별결과이며, AIC을 기준으로 최종 모형을 결정하였다. 이를 통해 다음 단계에 사용될 ANN모형의 자료를 생성하였으며, 특히 ARIMA모형은 최종 예측모형의 성과비교에 있어 기준 모형으로 사용되었다.
- 하이브리드 ARIMA-ANN모형의 절차는 크게 두 단계로 나눌 수 있다. 첫 번째 단계에서 해당 시계열에 내재되어 있는 선형적인 특성을 추정하기 위해 ARIMA모형을 사용한다. 이를 통해 ARIMA모형을 통해 추정된 선형적인 특성 #을 아래 식 (5)을 통해 오차 et을 계산한다.
- 첫 번째 예측모형은 일반적으로 사용하는 ANN모형으로 다른 모형들과의 구분을 위해 Naïve ANN모형이라 하였다.
성능/효과
- MSE 기준으로 보면, 인천 수입과 수출자료 모두에서 Naïve ANN모형들이 가장 높은 예측성과를 보였다.
- Zhang(2003)의 연구에서는 비선형자료 분석에 있어 장점을 보이지만 선형자료 분석에 있어 연구자들마다 각기 다른 결과를 보이는 ANN모형에 ARIMA모형을 결합시킨 그 단점을 보완하려는 시도로 하이브리드 ARIMA-ANN모형을 사용하였다. 그 결과 ARIMA모형이나 ANN모형을 개별적으로 사용하는 것보다 하이브리드 ARIMA-ANN모형을 사용하는 것이 더 좋은 예측성과를 보임을 밝혔다.
- 이에 대한 적용으로 신 등(2008)연구에서 국내 주요 항만의 컨테이너물동량 예측에 하이브리드 ARIMA-ANN모형을 사용해 다른 예측모형과의 비교연구를 수행하였다. 그러나 이 연구에서는 ARIMA모형, ANN모형 그리고 하이브리드 ARIMA-ANN모형을 사용해 그 성과를 비교한 결과를 보면 대부분의 자료에서 ARIMA모형이 더 높은 예측성과를 보였다. 이는 ANN모형을 사용해 국내 컨테이너물동량을 예측하는데 있어 추가적인 실증분석이 요구됨을 보여주고 있다.
- 그리고 GA를 사용해 선택된 ANN모형의 네트워크 구조를 보면 사전에 예상했던 것 보다 다소 복잡한 형태를 띠고 있음을 알 수 있다. 예로 부산 수입 자료의 경우 Naïve ANN모형의 MLP 같은 경우 총 408개의 연결가중치이며, TDNN 같은 경우 총 288개의 연결가중치에 대해서 학습이 이루어졌다.
- MSE 기준으로 보면, 인천 수입과 수출자료 모두에서 Naïve ANN모형들이 가장 높은 예측성과를 보였다. 그리고 전체적으로 MLP보다 TDNN를 사용한 경우에 더 높은 예측성과를 보였다.
- 3의 하이브리드 ARIMA-ANN모형이 가장 높은 성과를 보였다. 그리고 전체적으로 TDNN보다 MLP를 사용한 경우에 더 높은 예측성과를 보였다.
- 뚜렷한 추세를 지니고 있는 자료에서는 회귀분석모형이 더 좋은 성과를 보인 반면에 ‘불규칙 상승’, ‘상승 둔화’ 혹은 ‘정체’의 경우처럼 일정한 추세가 있다고 보기 힘든 자료에서는 ANN 모형이 더 높은 예측성과를 보였다.
- 본 연구에서 가장 핵심이 되는 부분으로 하이브리드모형의 유효성 검증을 들 수 있는데, 사전적으로 가장 좋은 성과를 보일 것이라고 예상했던 하이브리드모형들에 대한 실험결과를 보면 추세만 제거한 자료를 사용한 Naïve ANN모형보다 월등히 앞선 성과를 보이지 않았다.
- 두 번째는 사용되는 ANN모형에 따른 네트워크 구조의 복잡성의 변화이다. 앞선 결과에서도 전체적으로 TDNN보다 MLP을 사용할 경우 더욱 복잡한 네트워크 구조를 보였다. 그리고 또한 MLP에서 보다 더 많은 수의 은닉노드를 사용하고 있는 것을 알 수 있다.
- 본 연구에서는 국내 항만 컨테이너 물동량 자료에 대한 ARIMA모형, ANN모형 그리고 하이브리드모형에 대한 비교 연구를 수행하였다. 예측모형의 성과를 비교했을 때, ANN모형과 하이브리드모형들이 ARIMA모형보다 뛰어난 예측성과를 보였다. 본 연구와 유사한 신 등(2008)의 연구에서는 ARIMA모형과 ANN모형을 비교했을 때, ARIMA모형이 뛰어난 예측성과를 보였다는 결과와 상반되는 결론이다.
- 우선 MSE기준으로 ANN모형의 학습결과를 비교해 보면, 부산 자료에서는 Naïve ANN모형에서 생성된 자료 즉, 추세만 제거한 자료를 사용할 경우 가장 뛰어난 학습성과를 보였다.
- Lapedes & Farber(1987)의 연구에 의해서 처음으로 시계열 자료 분석에 ANN모형을 적용시키는 시도가 이루어졌다. 이 연구에서 오류역전파(back propagation) 알고리즘을 사용한 MLP로 학습시킨 결과 해당 자료에 대한 적합은 물론이며 예측력에 있어서도 전통적인 수요예측기법들보다 더 우수한 성과를 보인다는 것이 밝혀졌다. 그 이후 많은 연구자들에 의해서 기계학습을 통한 ANN모형이 시계열예측에 있어 좋은 성과를 보임이 증명되었다(Weigend et al, 1990; Sharda & Patil, 1992; Jhee & Lee, 1993).
- ANN모형의 성과는 신경망구조에 의해서 많은 영향을 받게 되는데, 이러한 구조결정문제에 GA를 적용시키므로 신경망 구조 설계에 대한 자동화와 최적화를 동시에 달성할 수 있다. 이 연구에서는 네트워크 구조결정에 있어 선행연구들에서 주로 사용했던 경험론적 방법론(rules of thumb)을 적용시킨 ANN모형을 Heuristic Neural Network이라 정의하였고, 그 결과 ARIMA모형과 Heuristic Neural Network보다 유전알고리즘을 사용한 Hybrid GA_Neural Network 모형이 더 좋은 예측성과를 보임을 밝혔다.
- Table 3에 총 10회 반복실험을 통해 나온 학습의 결과로 결정된 네트워크 구조에 대한 모형별 예측성과를 요약한 것이다. 전체적으로 추세만 제거한 자료를 사용한 경우 가장 낮은 MSE를 보였다.
- 특히, 부산 수입에서는 Naïve ANN모형들이 가장 높은 예측성과를 보인 반면에 부산 수출에서는 4.3의 하이브리드 ARIMA-ANN모형이 가장 높은 성과를 보였다.
- 5와 같다. 평균값의 분포를 살펴보면 앞선 결과와 같이 예측모형별 차이는 존재하지만 사용된 ANN모형별로 차이가 없음을 알 수 있다.
후속연구
- 이는 자료가 가지고 있는 여러 특성에 따라 ANN모형에 대한 추가적인 분석이 요구되지만, 본 연구에서는 적은 수의 자료를 바탕으로 실험을 수행하였기에 일반화된 결론을 도출하기에는 한계가 있다. 또한 MLP의 대안으로 제기된 TDNN이 더 좋은 학습결과 및 예측성과를 보일 것이라는 예상과 달리 실험 자료에 따라 각기 다른 결과를 보였고, 이 부분에서 또한 추가적인 자료에 대한 실험을 통해 심층적인 분석이 수행되어야 한다.
- 그러나 이 연구에서는 ARIMA모형, ANN모형 그리고 하이브리드 ARIMA-ANN모형을 사용해 그 성과를 비교한 결과를 보면 대부분의 자료에서 ARIMA모형이 더 높은 예측성과를 보였다. 이는 ANN모형을 사용해 국내 컨테이너물동량을 예측하는데 있어 추가적인 실증분석이 요구됨을 보여주고 있다.
- 그러나 모든 자료들에 있어 특정 예측모형이 항상 우세한 결과를 보이지 않기 때문에 실제 예측모형 적용 시 많은 문제점을 내포하고 있다. 이는 자료가 가지고 있는 여러 특성에 따라 ANN모형에 대한 추가적인 분석이 요구되지만, 본 연구에서는 적은 수의 자료를 바탕으로 실험을 수행하였기에 일반화된 결론을 도출하기에는 한계가 있다. 또한 MLP의 대안으로 제기된 TDNN이 더 좋은 학습결과 및 예측성과를 보일 것이라는 예상과 달리 실험 자료에 따라 각기 다른 결과를 보였고, 이 부분에서 또한 추가적인 자료에 대한 실험을 통해 심층적인 분석이 수행되어야 한다.
- Naïve ANN모형에서 생성된 자료는 추세만 제거된 자료로 정보손실 측면에서 가장 적은 편에 속하며, 하이브리드 ARIMA-ANN모형은 가장 많은 편에 속한다. 이는 해당 자료의 특성에 있어 학습과정에서 정보손실이 많은 자료를 사용할 경우 보다 많은 수의 시간지연이 필요함을 알 수 있다. 두 번째는 사용되는 ANN모형에 따른 네트워크 구조의 복잡성의 변화이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.