$\require{mediawiki-texvc}$
  • 검색어에 아래의 연산자를 사용하시면 더 정확한 검색결과를 얻을 수 있습니다.
  • 검색연산자
검색연산자 기능 검색시 예
() 우선순위가 가장 높은 연산자 예1) (나노 (기계 | machine))
공백 두 개의 검색어(식)을 모두 포함하고 있는 문서 검색 예1) (나노 기계)
예2) 나노 장영실
| 두 개의 검색어(식) 중 하나 이상 포함하고 있는 문서 검색 예1) (줄기세포 | 면역)
예2) 줄기세포 | 장영실
! NOT 이후에 있는 검색어가 포함된 문서는 제외 예1) (황금 !백금)
예2) !image
* 검색어의 *란에 0개 이상의 임의의 문자가 포함된 문서 검색 예) semi*
"" 따옴표 내의 구문과 완전히 일치하는 문서만 검색 예) "Transform and Quantization"
쳇봇 이모티콘
안녕하세요!
ScienceON 챗봇입니다.
궁금한 것은 저에게 물어봐주세요.

논문 상세정보

SARIMA 모형을 이용한 우리나라 항만 컨테이너 물동량 예측

Forecasting the Korea's Port Container Volumes With SARIMA Model

초록

본 연구는 SARIMA 모형을 활용하여 기존에 다루어지지 않았던 분기별 항만 컨테이너 물동량을 예측하였다. 구체적으로 모델 추정에 활용된 자료는 1994년 1사분기부터 2010년 4사분기까지 총 84분기동안의 국내 전체 항만 컨테이너 물동량 자료이다. 본 연구에서 추정된 예측 모형의 예측 정확도를 검증하기 위하여 2011년 1사분기부터 2013년 4사분기까지 물동량을 예측하여 실제 물동량과 비교하였다. 또한 기존에 널리 활용되고 있는 ARIMA 모형을 활용하여 추정한 예측 모형과의 비교를 통해 분기별 항만 물동량 예측에 있어서 SARIMA 모형의 상대적 우수성을 검증하였다. 기존에 항만 물동량을 예측하는 대부분의 연구는 주로 장기 예측에 초점이 맞추어져 있다. 또한 월별, 연도별 물동량 자료가 활용된 경우가 대부분이다. 분기별 항만 컨테이너 물동량 자료를 활용하여 단기 수요를 예측함과 동시에 SARIMA 모형의 우수성을 입증한 본 연구는 충분한 가치가 있다고 판단된다.

Abstract

This paper develops a model to forecast container volumes of all Korean seaports using a Seasonal ARIMA (Autoregressive Integrated Moving Average) technique with the quarterly data from the year of 1994 to 2010. In order to verify forecasting accuracy of the SARIMA model, this paper compares the predicted volumes resulted from the SARIMA model with the actual volumes. Also, the forecasted volumes of the SARIMA model is compared to those of an ARIMA model to demonstrate the superiority as a forecasting model. The results showed the SARIMA Model has a high level of forecasting accuracy and is superior to the ARIMA model in terms of estimation accuracy. Most of the previous research regarding the container-volume forecasting of seaports have been focussed on long-term forecasting with mainly monthly and yearly volume data. Therefore, this paper suggests a new methodology that forecasts shot-term demand with quarterly container volumes and demonstrates the superiority of the SARIMA model as a forecasting methodology.

참고문헌 (13)

  1. Box G. E. P., Jenkins G. M., Reinsel G. C. (1976), Time Series Analysis, Forecasting and Control, Sanfrancisco; Holden Day. 
  2. Chen S. H., Chen J. N. (2010), Forecasting Container Throughputs at Ports Using Genetic Programming, Expert Systems with Applications, 37, 2054-2058. 
  3. Chou C. C., Chu C. W., Liang G. S. (2008), A Modified Regression Model for Forecasting the Volumes of Taiwan's Import Containers, Mathematical and Computer Modelling, 47, 797-807. 
  4. Dickey D. A., Fuller W. A. (1979), Distribution of the Estimators for Autoregressive Time Series with a Unit Root, Journal of the American Statistical Association, 74(366), 427-431. 
  5. Hylleberg S., Engle R. F., Granger C. W. J., Yoo B. S. (1990), Seasonal Integration and Cointegration, Journal of Econometrics 44, 215-238. 
  6. Kim C. B. (2007), Forecasting the Trading Volumes of Marine Transport and Ports Logistics Policy-Using Multiplicative Seasonal ARIMA Model, Journal of Korea Port Economic Association, 23(1), 149-162. 
  7. Kim J. K. et al. (2011), A Study on Forecasting Container Volume of Port Using SD and ARIMA, Journal of Navigation and Port Research International Edition, 35(4), 343-349. 
  8. Lee J. M., Kwon Y. J. (2011), A Study on Dynamic Change of Transportation Demand Using Seasonal ARIMA Model, J. Korean Soc. Transp., 29(5), Korean Society of Transportation, 139-155. 
  9. Min K. C., Jun Y. I., Ha H. K. (2013), Forecasting the Air Cargo Demand With Seasonal ARIMA Model: Focusing on ICN to EU Route, J. Korean Soc. Transp., 31(3), Korean Society of Transportation, 3-18. 
  10. Peng W. Y., Chu C. W. (2009), A Comparison of Univariate Methods for Forecasting Container Throughput Volumes, Mathematical and Computer Modelling, 50, 1045-1057. 
  11. Shin C. H. et al. (2008), A Study on the Forecast of Port Traffic Using Hybrid ARIMA-Neural Network Model, Journal of Navigation and Port Research, 31(1), 81-88. 
  12. Wu S. (2010), Lag Length Selection in DF-gls Unit Root Tests, Communications in Statistics-Simulation and Computation, 39(8), 1590-1604. 
  13. Yi G. D. (2013), Forecasting the Container Throughput of the Busan Port using a Seasonal Multiplicative ARIMA Model, Journal of Korea Port Economic Association, 29(3), 1-23. 

이 논문을 인용한 문헌 (0)

  1. 이 논문을 인용한 문헌 없음

DOI 인용 스타일