최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기응용통계연구 = The Korean journal of applied statistics, v.29 no.3, 2016년, pp.525 - 537
김효원 (중앙대학교 응용통계학과) , 성병찬 (중앙대학교 응용통계학과)
The paper considers a hybrid model to analyze and forecast time series data based on an empirical mode decomposition (EMD) that accommodates complex characteristics of time series such as nonstationarity and nonlinearity. We aggregate IMFs using the concept of cumulative energy to improve the interp...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
ARIMA 모형 적합에서 시계열이 비정상적이거나 비선형 모형을 따르는 경우 어떻게 하는가? | 가장 중심이 되는 개념은 정상성(stationarity)으로 볼 수 있으며 활용성이 가장 높은 모형은 선형모형으로 볼 수 있다. 만약 관심의 시계열이 비정상적(nonstationary)이거나 비선형 모형을 따르는 경우, ARIMA 모형은 차분 또는 Box-Cox 멱변환(power transformation)과 같은 변환을 가한 시계열에 적합되는 것이 일반적이다 (Wei, 2006). 그러나, 미지의 다양한 형태의 비정상성과 비선형성이 이러한 변환을 통하여 정상화 또는 선형화된다는 보장은 없으며, 특히 변환을 통한 ARIMA 모형의 적합은 그 해석 가능성에 대하여 여러가지 한계를 가지고 있다. | |
경험적모드분해법의 장점은? | 본 연구에서는 시계열 자료의 비정상성과 비선형성과 같은 복잡성을 효과적으로 포용할 수 있는 경험적모드분해법(empirical mode decomposition; EMD)을 토대로 시계열 자료의 분석 및 예측을 위한 혼합(hybrid) 모형을 연구한다. EMD에 의하여 생성되는 내재모드함수(intrinsic mode function; IMF)는 해석 및 예측의 편리성을 개선하기 위하여 누적에너지의 개념을 사용하여 그룹화하였으며, 그룹화된 IMF 및 residue의 성분들은 그 성질에 따라서 ARIMA 모형 및 지수평활법과 결합된 혼합 모형으로 예측된다. | |
ARIMA 모형에서 차분 또는 Box-Cox 멱변환과 같은 변환이 가지는 한계는? | 만약 관심의 시계열이 비정상적(nonstationary)이거나 비선형 모형을 따르는 경우, ARIMA 모형은 차분 또는 Box-Cox 멱변환(power transformation)과 같은 변환을 가한 시계열에 적합되는 것이 일반적이다 (Wei, 2006). 그러나, 미지의 다양한 형태의 비정상성과 비선형성이 이러한 변환을 통하여 정상화 또는 선형화된다는 보장은 없으며, 특히 변환을 통한 ARIMA 모형의 적합은 그 해석 가능성에 대하여 여러가지 한계를 가지고 있다. |
Box, G. E. P., Jenkins, G. M., and Reinsel, G. C. (1993). Time Series Analysis: Forecasting and Control, Prentice Hall, New Jersey.
Brown, R. G. (1959). Statistical Forecasting for Inventory Control, McGraw-Hill, New York.
De Livera, A. M., Hyndman, R. J., and Snyder, R. D. (2011). Forecasting time series with complex seasonal patterns using exponential smoothing, Journal of the American Statistical Association, 106, 1513-1527.
Gould, P. G., Koehler, A. B., Ord, J. K., Snyder, R. D., Hyndman, R. J., and Vahid-Araghi, F. (2008). Forecasting time series with multiple seasonal patterns, European Journal of Operational Research, 191, 207-222.
Holt, C. C. (1957). Forecasting trends and seasonals by exponentially weighted moving average, Office of Naval Research, Research Memorandum, 52, Carnegie Institute of Technology.
Huang, N. E., Shen, Z., Long, S. R., Wu, M. C., Shih, H. H., Zheng, Q., Yen, N. C., Tung, C. C., and Liu, H. H. (1998). The empirical mode decomposition and Hilbert spectrum for nonlinear and nonstationary time series analysis, In Proceeding of the Royal Society London A, 454, 903-995.
Hyndman, R. J. and Khandakar, Y. (2008). Automatic time series forecasting: the forecast package for R, Journal of Statistical Software, 26, 1-22.
Kim, D., Paek, S.-H., and Oh, H.-S. (2008). A Hilbert-Huang transform approach for predicting cyber-attacks, Journal of the Korean Statistical Society, 27, 277-283.
Wei, W. W. (2006). Time Series Analysis, 2nd ed., Addison-Wesley, Redwood City, California.
Wei, Y. and Chen, M.-C. (2012). Forecasting the short-term metro passenger ow with empirical mode decomposition and neural networks, Transportation Research Part C, 21, 148-162.
Winters, P. R. (1960). Forecasting sales by exponentially weighted moving averages, Management Science, 6, 324-342.
Zhu, B., Wang, P., Chevallier, J., and Wei, Y. (2015). Carbon price analysis using empirical mode decomposition, Computational Economics, 45, 195-206.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
오픈액세스 학술지에 출판된 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.