본 연구는 기존의 회귀분석과는 달리 시계열 분석과 인공신경망 모형을 이용하여 장래 해상교통량을 예측하였다. 특히, 시계열 분석을 통한 예측값을 인공신경망 모형에 추가 입력변수로 적용하여 장래 해상교통량 예측을 제고하고자 하였다. 본 연구는 인천항의 1996년부터 2013년까지 월별 관측값을 대상으로 하였다. 모형의 예측력 검증을 위해 1996년부터 2012년까지 관측값을 대상으로 구축한 모형으로부터 2013년을 예측하여 실제 관측값과의 비교로 적합한 모형을 판별하였다. 인천항의 2015년 장래 해상교통량은 매월 평균 교통량보다 5월과 11월에 각 5.9 %, 4.5 % 많았으며, 1월과 8월은 매월 평균 교통량보다 각 8.6 %, 4.7 % 적은 것으로 예측되었다. 따라서 인천항은 계절에 따른 월별 교통량의 차이를 확인할 수 있다. 본 연구는 해상교통 현장관측 조사시 계절에 따른 교통량의 특성을 반영할 수 있는 기초 자료로 활용될 수 있다.
본 연구는 기존의 회귀분석과는 달리 시계열 분석과 인공신경망 모형을 이용하여 장래 해상교통량을 예측하였다. 특히, 시계열 분석을 통한 예측값을 인공신경망 모형에 추가 입력변수로 적용하여 장래 해상교통량 예측을 제고하고자 하였다. 본 연구는 인천항의 1996년부터 2013년까지 월별 관측값을 대상으로 하였다. 모형의 예측력 검증을 위해 1996년부터 2012년까지 관측값을 대상으로 구축한 모형으로부터 2013년을 예측하여 실제 관측값과의 비교로 적합한 모형을 판별하였다. 인천항의 2015년 장래 해상교통량은 매월 평균 교통량보다 5월과 11월에 각 5.9 %, 4.5 % 많았으며, 1월과 8월은 매월 평균 교통량보다 각 8.6 %, 4.7 % 적은 것으로 예측되었다. 따라서 인천항은 계절에 따른 월별 교통량의 차이를 확인할 수 있다. 본 연구는 해상교통 현장관측 조사시 계절에 따른 교통량의 특성을 반영할 수 있는 기초 자료로 활용될 수 있다.
Unlike the existing regression analysis, this study anticipated future marine traffic volume using time series analysis and artificial neural network model. Especially, it tried to anticipate future marine traffic volume by applying predictive value through time series analysis on artificial neural ...
Unlike the existing regression analysis, this study anticipated future marine traffic volume using time series analysis and artificial neural network model. Especially, it tried to anticipate future marine traffic volume by applying predictive value through time series analysis on artificial neural network model as an additional input variable. This study used monthly observed values of Incheon port from 1996 to 2013. In order for the verification of the forecasting of the model, value for 2013 is anticipated from the built model with observed values from 1996 to 2012 and a proper model is decided by comparing with the actual observed values. Marine traffic volume of Incheon port showed more traffic than average for May and November by 5.9 % and 4.5 % respectably, and January and August showed less traffic than average by 8.6 % and 4.7 % in 2015. Thus, it is found that Incheon port has difference in monthly traffic volume according to the season. This study can be utilized as a basis to reflect the characteristics of traffic according to the season when investigating marine traffic field observation.
Unlike the existing regression analysis, this study anticipated future marine traffic volume using time series analysis and artificial neural network model. Especially, it tried to anticipate future marine traffic volume by applying predictive value through time series analysis on artificial neural network model as an additional input variable. This study used monthly observed values of Incheon port from 1996 to 2013. In order for the verification of the forecasting of the model, value for 2013 is anticipated from the built model with observed values from 1996 to 2012 and a proper model is decided by comparing with the actual observed values. Marine traffic volume of Incheon port showed more traffic than average for May and November by 5.9 % and 4.5 % respectably, and January and August showed less traffic than average by 8.6 % and 4.7 % in 2015. Thus, it is found that Incheon port has difference in monthly traffic volume according to the season. This study can be utilized as a basis to reflect the characteristics of traffic according to the season when investigating marine traffic field observation.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 본 연구에서는 시계열 분석과 비선형 자료에 강인한 특성을 보이는 ANN 모형을 적용하여 해상교통량 예측력을 제고하고자 하였다. 또한 원자료의 정보 손실을 고려하여 환산 교통량을 적용하는 대신 각 톤급별 시계열 자료를 활용하였으며, 계절별 해상교통 흐름의 특성을 파악하기 위해 월별로 해상교통량을 추정하고자 한다.
, 2006; SK Gas, 2011). 본 연구는 인천항을 대상으로 시계열 분석에 의한 장래교통량을 산출하고, 그 출력값과 경제지표를 입력변수로 한 ANN 모형에 적용하여 해상교통량 예측을 제고하고, 월별 교통량 특성을 파악하고자 한다.
제안 방법
관측값에 가장 근접한 모형의 예측력 우위를 결정하기 위해 1996-2012년의 관측값으로부터 구축한 각 모형의 2013년 예측값을 비교하였다. Table 10은 25K-30K톤 미만 선박을 사례로 2013년 실제 관측값과 각 모형으로 예측한 2013년 값을 비교한 것으로 ESM-ANN 모형 예측값이 나머지 ESM, ANN 모형보다 우위에 있음을 확인할 수 있다.
모형의 예측 검증을 위해 1996년부터 2012년까지 관측치로 모형을 설계한 후 2013년을 예측하여 실제 관측값과 비교하여 적합한 모형을 구축하였다. 구축한 모형으로 톤급별로 2015년의 월별 장래 해상교통량을 예측하여 계절별 교통흐름의 차이를 분석하였으며, 연구 수행절차는 Fig. 3과 같다.
첫번째 예측 모형은 ESM과 ARIMA 모형을 이용한 시계열 분석 방법이다. 두 번째 모형은 인천항 해상교통량에 영향을 미칠 수 있는 경제지표(인천항 항만물동량, 환율, 국제유가 지수, 수입액, 수출액, 수입물가지수, 수출물가지수)를 입력 변수로 하여 구축한 ANN 모형이다. 세 번째 모형은 첫 번째 시계열 분석 모형의 출력값을 두 번째 모형의 입력변수로 추가하여 설계한 모형이다.
따라서 본 연구에서는 시계열 분석과 비선형 자료에 강인한 특성을 보이는 ANN 모형을 적용하여 해상교통량 예측력을 제고하고자 하였다. 또한 원자료의 정보 손실을 고려하여 환산 교통량을 적용하는 대신 각 톤급별 시계열 자료를 활용하였으며, 계절별 해상교통 흐름의 특성을 파악하기 위해 월별로 해상교통량을 추정하고자 한다.
관측기간은 1996년부터 2013년까지 각 톤급별 월별 관측치를 대상으로 하였다. 모형의 예측 검증을 위해 1996년부터 2012년까지 관측치로 모형을 설계한 후 2013년을 예측하여 실제 관측값과 비교하여 적합한 모형을 구축하였다. 구축한 모형으로 톤급별로 2015년의 월별 장래 해상교통량을 예측하여 계절별 교통흐름의 차이를 분석하였으며, 연구 수행절차는 Fig.
본 연구는 기존의 과거 자료의 추세를 단순히 반영한 회귀방법이 아닌 시계열 분석(ARIMA, ESM)과 ANN 모형, ESM-ANN 총 3가지 예측 모델을 구축하였다. 인천항을 대상으로 톤급별로 최적합 모형을 식별한 후, 장래 해상교통량을 예측하였다.
본 연구에서는 총 3가지의 예측모형들을 사용하였다. 첫번째 예측 모형은 ESM과 ARIMA 모형을 이용한 시계열 분석 방법이다.
8은 25K-30K톤 미만 선박을 사례로 ESM-ANN 모형 구조를 나타낸 것이다. 은닉층의 노드수는 반복 시행착오를 거쳐 7개로 모델링한 후, 각 톤급별 장래 입항척수를 계산하였다. Table 8은 25K-30K톤 미만 선박의 ESM-ANN 모형을 통한 입력변수들의 상대중요도를 나타낸 것이다.
인천항 해상교통량에 영향을 미칠 수 있는 변수(환율, 인천항 항만물동량, 국제유가지수, 수출액, 수입액, 수출물가지수, 수입물가지수)들의 1996년부터 2013년까지의 월별 관측 값으로부터 시계열 분석으로 장래 예측값을 추정한 후, ANN 모형의 입력변수로 사용하였다. 각 경제지표를 시계열 분석으로 Table 5와 같이 판별한 결과, 환율과 국제유가지수, 수출물가지수, 수입물가지수에서는 ARIMA 모형이 적합하였으며, 인천항 화물수송량과 수출액, 수입액은 ESM 모형이 적합한 것으로 나타났다.
본 연구는 기존의 과거 자료의 추세를 단순히 반영한 회귀방법이 아닌 시계열 분석(ARIMA, ESM)과 ANN 모형, ESM-ANN 총 3가지 예측 모델을 구축하였다. 인천항을 대상으로 톤급별로 최적합 모형을 식별한 후, 장래 해상교통량을 예측하였다.
본 연구에서는 총 3가지의 예측모형들을 사용하였다. 첫번째 예측 모형은 ESM과 ARIMA 모형을 이용한 시계열 분석 방법이다. 두 번째 모형은 인천항 해상교통량에 영향을 미칠 수 있는 경제지표(인천항 항만물동량, 환율, 국제유가 지수, 수입액, 수출액, 수입물가지수, 수출물가지수)를 입력 변수로 하여 구축한 ANN 모형이다.
ANN 모형은 입력층(Input layer)과 은닉층(hidden layer), 출력층(Output layer)으로 구성된다. 초기 임의의 연결 가중치로부터 출력값을 계산한 후, 실제 관측값과 비교하여 오차를 최소화하는 방향으로 각 입력에 연결된 가중치를 계속적으로 조정하며, 올바른 출력을 내기 위해 학습을 진행해 나간다.
7은 25K-30K톤 미만 선박을 사례로 ANN 모형의 블록 도를 나타낸 것이며, 각 경제지표를 입력변수로 설정하고, 반복 시행착오를 거쳐 은닉층의 노드수는 4개로 모델링하였다. 출력값을 목표값과 비교한 후 오차가 가장 작아지는 방향으로 연결강도를 조정하여 최적의 연결강도의 ANN 모형을 구축한 후, 각 톤급별 장래 입항척수를 산출한다.
특히, 시계열 분석을 통한 예측값을 ANN 모형에 추가 입력변수로 활용하였으며, 해상교통량에 영향을 미칠 수 있는 경제지표는 환율, 인천항 항만물동량, 국제유가지수, 수출액, 수입액, 수출물가지수, 수입물가지수가 활용되어 해상상교통량의 예측력을 제고하고자 하였다.
대상 데이터
본 연구는 국내 항만 중 긴 역사를 지니고 있는 인천항을 중심으로 월별 입항척수를 수집하였다. 관측기간은 1996년부터 2013년까지 각 톤급별 월별 관측치를 대상으로 하였다. 모형의 예측 검증을 위해 1996년부터 2012년까지 관측치로 모형을 설계한 후 2013년을 예측하여 실제 관측값과 비교하여 적합한 모형을 구축하였다.
본 연구는 국내 항만 중 긴 역사를 지니고 있는 인천항을 중심으로 월별 입항척수를 수집하였다. 관측기간은 1996년부터 2013년까지 각 톤급별 월별 관측치를 대상으로 하였다.
데이터처리
예측 모형의 객관적인 식별을 위해 Table 1과 같이 평균제곱오차의 제곱근(Root Mean Square Error, RMSE), 평균절대백분위오차(Mean Absolute Percentage Error, MAPE), 평균절대오차(Mean Absolute Error, MAE), 베이지안 정보척도(Baysian Information Criterion, BIC)의 모형 통계량 값을 이용하였다 (Akaike, 1978).
이론/모형
4.1의 시계열 분석을 통한 각 톤급별 ESM 예측값을 4.2의 ANN 모형의 입력변수로 추가하여 ESM-ANN 모형을 학습하였다. Fig.
각 경제지표를 시계열 분석으로 Table 5와 같이 판별한 결과, 환율과 국제유가지수, 수출물가지수, 수입물가지수에서는 ARIMA 모형이 적합하였으며, 인천항 화물수송량과 수출액, 수입액은 ESM 모형이 적합한 것으로 나타났다. 각 경제지표 별 2015년까지의 장래 추정값을 판별한 모형으로 Fig. 6과 같이 예측하여 ANN 모형의 입력변수로 사용하였다.
시계열 모형은 동일한 시간 간격으로 측정된 과거 수요 값들이 존재할 경우, 시간의 흐름에 나타난 시계열의 패턴을 파악하여 그 패턴이 미래에도 계속 적용되는 가정에서 예측하는 방법이다. 대표적으로 자기회귀통합이동평균(Autoregressive Integrated Moving Average Model, ARIMA) 모형과 지수평활법(Exponential Smoothing Method, ESM)이 이용되었다.
본 연구에 사용된 ANN 모형은 역전파(Backpropagation) 기법의 다층퍼셉트론(Multilayer Perceptron, MLP)을 적용하였으며, 블록도는 Fig. 2와 같다. ANN 모형은 입력층(Input layer)과 은닉층(hidden layer), 출력층(Output layer)으로 구성된다.
성능/효과
100톤 미만 선박, 500-1K, 1K-3K, 20-25K톤은 윈터스 승법(Winters’ Multiplicative) 모형이 적합하며, 25K-30K톤은 Winters’ Additive 모형, 그리고 그 외 나머지 톤급은 단순계절(Simple Seasonal)모형이 적합하였다.
Table 12는 각 톤급별 예측력 검증과 모형 통계량 비교를 거친 후 적합한 모형을 제시한 것이다. 100톤 미만 선박과 5K-7K, 7K-10K, 10K-15K, 20K-25K, 75K-100K톤에서는 ESM이 적합한 모형이며, 100-500톤, 1K-3K, 3K-5K, 15K-20K, 25K-30K, 30K-50K, 50K-60K, 60K-75K, 100K톤 이상에서는 ESM-ANN 모형이 적합한 반면, 500-1K톤에서는 ANN 모형이 적합한 것으로 판별되었다. 특정 모형이 각 톤급별 모든 자료에 항상 우세한 결과를 보이지 않는 것으로 나타났다.
Table 9는 각 톤급별로 구축한 모형의 가장 영향력 있는 입력변수 순으로 2개씩 나타낸 것이다. 100톤 미만의 선박에서 가장 주요한 입력변수는 ESM 예측치와 수출액이며, 100K 이상의 선박에서는 ESM 예측치와 인천항 화물수송량으로 나타나 각 톤급별로 ESM 예측치가 미치는 영향력이 큰 것으로 나타났다.
100톤 미만 선박, 500-1K, 1K-3K, 20-25K톤은 윈터스 승법(Winters’ Multiplicative) 모형이 적합하며, 25K-30K톤은 Winters’ Additive 모형, 그리고 그 외 나머지 톤급은 단순계절(Simple Seasonal)모형이 적합하였다. 16개 각 톤급별 시계열 자료는 ARIMA 모형보다 ESM 모형이 적합하였으며, 공통적으로 계절적 특성을 지닌 자료임을 알 수 있다.
RMSE, MAPE, MAE, BIC 모형 통계량 값들을 비교한 결과, 윈터스 가법(Winters’ Additive) 모형의 RMSE, MAPE, MAE, BIC가 ARIMA 모형보다 작으므로 Winters’ Additive 모형이 적합한 것으로 식별할 수 있다.
인천항 해상교통량에 영향을 미칠 수 있는 변수(환율, 인천항 항만물동량, 국제유가지수, 수출액, 수입액, 수출물가지수, 수입물가지수)들의 1996년부터 2013년까지의 월별 관측 값으로부터 시계열 분석으로 장래 예측값을 추정한 후, ANN 모형의 입력변수로 사용하였다. 각 경제지표를 시계열 분석으로 Table 5와 같이 판별한 결과, 환율과 국제유가지수, 수출물가지수, 수입물가지수에서는 ARIMA 모형이 적합하였으며, 인천항 화물수송량과 수출액, 수입액은 ESM 모형이 적합한 것으로 나타났다. 각 경제지표 별 2015년까지의 장래 추정값을 판별한 모형으로 Fig.
또한, 25K-30K톤 미만 선박의 모형 통계량을 Table 11과 같이 비교한 결과, BIC를 제외한 통계량에서 ESM-ANN 모형이나은 것으로 나타났다. 따라서 모형 구축을 하는 궁극적인 목표가 정확도 있는 미래값을 예측한는 관점과 종합하여 ESM-ANN 모형이 최적합 것으로 판별할 수 있다.
평활 모수(α, γ, δ) 값은 1에 가까울수록 최근 관측값들에 더 많은 가중값을 주며, 0에 가까울수록 모든 관측값들을 동등하게 취급하여 예측값을 얻는다는 의미로써, 이 시계열 자료는 변동의 폭이 유지되는 가법적인 계절성이 존재하는 것을 알 수 있다. 또한 추정된 이 모형이 통계적으로 적절한지 Fig. 5와 같이 잔차 ACF와 PAC를 검진한 결과, 각 시차마다 신뢰한계선내에 존재하여 잔차의 독립성이 만족되어 최종모형으로 판단할 수 있다.
모든 시계열 자료에 가장 좋은 성과를 보일 것으로 예상했던 ESM-ANN 모형이 ESM, ANN 모형보다 항상 월등히 앞선 성과를 보이지 않는 것으로 나타났으며, 각 톤급별 모든 시계열 자료는 계절에 따른 월별 교통량의 차이를 보이는 것으로 분석되었다. 인천항은 5월과 11월에 평균 교통량보다 입항척수가 많은 반면, 1월과 8월은 다른 달에 비해 적은 특성을 보였다.
특정 모형이 각 톤급별 모든 자료에 항상 우세한 결과를 보이지 않는 것으로 나타났다. 모든 시계열 자료에 가장 좋은 성과를 보일 것으로 예상했던 ESM-ANN 모형이 ESM, ANN 모형보다 항상 월등히 앞선 성과를 보이지 않았다.
100톤 미만 선박과 5K-7K, 7K-10K, 10K-15K, 20K-25K, 75K-100K톤에서는 ESM이 적합한 모형이며, 100-500톤, 1K-3K, 3K-5K, 15K-20K, 25K-30K, 30K-50K, 50K-60K, 60K-75K, 100K톤 이상에서는 ESM-ANN 모형이 적합한 반면, 500-1K톤에서는 ANN 모형이 적합한 것으로 판별되었다. 특정 모형이 각 톤급별 모든 자료에 항상 우세한 결과를 보이지 않는 것으로 나타났다. 모든 시계열 자료에 가장 좋은 성과를 보일 것으로 예상했던 ESM-ANN 모형이 ESM, ANN 모형보다 항상 월등히 앞선 성과를 보이지 않았다.
후속연구
각 톤급별 모든 시계열 자료에 특정 예측 모형이 항상 우세한 결과를 보이지 않는 것으로 나타나 자료의 특성에 따른 추가적인 분석이 요구된다. 또한, 인천항 이외 국내 무역항을 대상으로 모형을 확대 적용하여 현행 해상교통량 추정을 대체할 수 있는 일반화된 모형식 구축을 향후 연구에 진행하고자 한다.
각 톤급별 모든 시계열 자료에 특정 예측 모형이 항상 우세한 결과를 보이지 않는 것으로 나타나 자료의 특성에 따른 추가적인 분석이 요구된다. 또한, 인천항 이외 국내 무역항을 대상으로 모형을 확대 적용하여 현행 해상교통량 추정을 대체할 수 있는 일반화된 모형식 구축을 향후 연구에 진행하고자 한다. 한편, 인천항은 5월에 500톤 미만의 예부선등 소형선박의 교통량이 1월에 비해 1.
본 연구결과는 항로 폭 설정과 같은 항만 설계 측면에 반영할 수 있을 것이고, 해상교통관제 측면에서는 교통량의 변화에 따른 능동적인 관제를 할 수 있을 것이다. 또한, 해상교통량 예측 결과는 전국 항만의 해상교통량 예측 추정과 해상교통안전진단에 따른 현장관측 조사시 계절에 따른 해상교통흐름의 특성을 반영할 수 있는 기초 자료로 활용될수 있을 것이다.
본 연구결과는 항로 폭 설정과 같은 항만 설계 측면에 반영할 수 있을 것이고, 해상교통관제 측면에서는 교통량의 변화에 따른 능동적인 관제를 할 수 있을 것이다. 또한, 해상교통량 예측 결과는 전국 항만의 해상교통량 예측 추정과 해상교통안전진단에 따른 현장관측 조사시 계절에 따른 해상교통흐름의 특성을 반영할 수 있는 기초 자료로 활용될수 있을 것이다.
또한, 인천항 이외 국내 무역항을 대상으로 모형을 확대 적용하여 현행 해상교통량 추정을 대체할 수 있는 일반화된 모형식 구축을 향후 연구에 진행하고자 한다. 한편, 인천항은 5월에 500톤 미만의 예부선등 소형선박의 교통량이 1월에 비해 1.5배 많아 교통량과 계절별 해양사고와의 상호관련성을 밝히는 것도 의미있는 자료로 활용될 수 있을 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
과거에 사용한 해상교통량을 예측하기 위한 방법은?
그동안 해상교통량을 예측하기 위해 일반적으로 과거 자료를 기반으로 선형모형, 대수모형, 지수모형 등과 같은 회귀분석을 적용하여 장래 교통량을 산출하였다(Kim et al., 2006; SK Gas, 2011).
인공신경망을 활용한 예시는?
또한, 인공신경망(Artficial Neural Network, ANN)은 높은 예측 성능을 갖는 모형으로 수학적으로 증명(Hornik, 1989; Funahashi, 1989)되었으며, 그 활용분야가 다양하다. 그 예로 폭풍해일 예측(Lee et al., 2005), 산사태 가능성 예측(Quan et al., 2011), 풍수해 예측(Choi, 2011)과 적조 발생 예측(Park et al. 2011)과 같은 자연 재해의 예측 분야와 선박 성능(Kang. 2012), 부유체 운동 예측(Kang et al., 2012)와 같이 조선 분야에서도 적용되어 전통적인 통계 모형보다 미래 데이터를 예측하는 능력이 우수한 결과를 보이고 있다. 특히 ARIMA 모형과 ANN 모형을 결합한 ARIMA-ANN 모형을 이용하여 항만 물동량과 도로 교통량을 예측하여 단일 모형인 ARIMA 및 ANN 모형을 이용한 것 보다 높은 예측력을 보이는 것으로 나타났다(Jang et al.
시계열 모형이란 무엇인가?
시계열 모형은 동일한 시간 간격으로 측정된 과거 수요 값들이 존재할 경우, 시간의 흐름에 나타난 시계열의 패턴을 파악하여 그 패턴이 미래에도 계속 적용되는 가정에서 예측하는 방법이다. 대표적으로 자기회귀통합이동평균(Autoregressive Integrated Moving Average Model, ARIMA) 모형과 지수평활법 (Exponential Smoothing Method, ESM)이 이용되었다.
참고문헌 (20)
Akaike, H.(1978), A Bayesian Analysis of the minimum AIC Procedure, Annals of the Institute of Mathematical Statistics, pp. 9-14.
Box, G. E. P., G. M. Jenkins and G. C. Reinsel(2008), Time Series Analysis: Forecasting and Control, A John Wiley and Sons Inc., pp. 79-86, pp. 103-113.
Choi, S. H(2011), Neural Network Model for Prediction of Damage Cost from Storm and Flood, Journal of KIISE : Software and Applications, Vol. 38, No.3, pp. 115-123.
Funahashi(1989), On the Approximate Realization of Continuous Mapping by Neural Networks, Neural Networks, Vol. 2, pp. 183-192.
Gu, J. Y., S. J. Kim, E. K. Jang and S. W. Kim(2004), A Study on the Opimal width of the Main Span in the 2nd Bridge of Incheon, Journal of Korean Navigation and Port Research, Vol. 28, No. 10, pp. 933-940.
Jang, S. C., S. M. Seok, J. S. Lee, S. W. Lee and B. H. Ahn(2005), Traffic-Flow Forecasting using ARIMA, Neural Network and Judgement Adjustment, Proceedings of The Korean Operations Research and Management Science Society Spring Conference, pp. 793-797.
Kang, M. S., Y. W. Kim and H. Jeong(2012), Predicition System of Floating Body Motion using Artficial Neural Networks, Joint Conference of the Korean Association of Ocean Science and Technology Societies, pp. 1041-1050.
Kang, S. W.(2012), A Study of Hull Form Design and Performance Predicition using Neural Networks, Proceedings of Korean Institute of Intelligent Systems Fall Conference, Vol. 22, No. 2, pp. 61-64.
Kim, J. H., S. G. Gug and M. C. Kim(2006), Estimation on the Future Traffic Volumne and Analysis on Crossing Situation Risk for Gamcheon Harbor, Journal of Korean Navigation and Port Research, Vol. 30, No. 8, pp. 617-622.
Kim, J. G. and Y. D. Kim(2013), The Estimation of the Future Marine Traffic Volume at Expected Port which is an Additional Whart Construction, Proceedings of the Korean Society of Marine Environment Fall Conference, pp. 224-225.
Kim, K. W., J. W. Jang and I. S. Cho(2011), A Study on Technique and Investigating Criterion for Improving Investigating Technique of Marine Traffic Volume, Proceedings of the Korean Society of Marine Environment Fall Conference, pp. 153-155.
Lee, D. W., H. M. Lee, J. W. Seo, S. H. Yoo and Y. H. Youn(2005), Storm Surge Prediction using Artificial Neural Network, Journal of Korean Meteorological Society, Vol. 41, No. 5, pp. 661-670.
Park, S., K. J. Kim, J. S. Lee and S. R. Lee(2011), Red Tide Prediction using Neural Network and SVM, The Institute of Electronics Engineers of Korea-Signal Processing, Vol. 48, No. 5, pp. 39-45.
Quan, H. C., B. G. Lee, C. S. Lee and J. W. Ko(2011), The Landslide Probablility Analysis using Logistic Regression Analysis and Artficial Neural Network Methods in Jeju, Journal of the Kroean Society for Geo-Spatial Inforamtion System, Vol. 19, No. 3, pp. 33-40.
Shin, C. H., J. S. Kang, S. N. Park and J. H. Lee(2008), A Study on the Forecast of Port Traffic using Hybrid ARIMA-Neural Network Model, Journal of Navigation and Port Research, Vol. 32, No. 1, pp. 81-88.
Shin, C. H. and S. H. Jeong(2011), A Study on Application of ARIMA and Neural Networks for Time Series Forecasting of Port Traffic, Journal of Navigation and Port Research, Vol. 35, No. 1, pp. 83-91.
SK Gas(2011), Maritime Traffic Safety Audit Report of SK 3 Wharf and SK Gas Wharf Expansion, Chapter 6, pp. 5-26.
Ulsan Port Authority(2013), Maritime Traffic Safety Audit Report of Construction at Namhwa Lighters Wharf in Ulsan Port, Chapter 4, pp. 18-22.
Yoo, S. R., Y. S. Park, J. S. Jeong, C. S. Kim and J. Y. Jeong(2013), A Forecast Method of Marine Traffic Volume through Time Series Analysis, Journal of the Korean Society of Marine Environment, Vol. 19, No. 6, pp. 612-620.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.