$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

단계적 회귀분석과 인공신경망 모형을 이용한 광양항 석탄·철광석 물동량 예측력 비교 분석
A Comparative Analysis of the Forecasting Performance of Coal and Iron Ore in Gwangyang Port Using Stepwise Regression and Artificial Neural Network Model 원문보기

한국항해항만학회지 = Journal of navigation and port research, v.44 no.3, 2020년, pp.187 - 194  

조상호 (한국해양대학교 대학원 해운경영학과) ,  남형식 (한국해양대학교 해운경영학부) ,  류기진 (한국해양대학교 대학원 해운경영학과) ,  류동근 (한국해양대학교 해운경영학부)

초록
AI-Helper 아이콘AI-Helper

항만의 주요 정책 및 향후 운영계획 수립 시 정확한 물동량 예측에 관한 연구는 매우 중요하며 이러한 중요성으로 인해 관련 연구가 활발히 수행되고 있다. 본 논문에서는 국내 최대 석탄 및 철광석 처리 항만인 광양항을 대상으로 단계적 회귀분석과 인공신경망모형을 활용하여 모형간 예측력을 비교하였다. 2009년 1월부터 2019년 1월까지 총 121개월의 월별자료를 활용하였으며 석탄 및 철광석 물동량에 영향을 주는 요인을 선정하여 공급관련요인과 시장·경제관련요인으로 분류하였다. 단계적 회귀분석 결과, 광양항 석탄 물동량 예측모형의 경우, 입항선박 톤수, 석탄가격 및 대미환율이 최종변수로 선정되었고 철광석 물동량 예측모형의 경우, 입항선박 톤수, 철광석가격이 최종변수로 선정되었다. 인공신경망모형의 경우, 모델 성능에 영향을 미치는 다양한 Hyper-parameters를 조정하며 최적 모델을 선정하는 시행착오법을 사용하였다. 분석결과 인공신경망모형이 단계적 회귀분석에 비해 우수한 예측성능을 나타내었으며 예측 모형별 예측값과 실측값을 그래프 상 비교 시에도 인공신경망모형이 단계적 회귀분석에 비해 고·저점을 유사하게 나타냈다.

Abstract ▼ AI-Helper 아이콘AI-Helper

It is very important to forecast freight volume accurately to establish major port policies and future operation plans. Thus, related studies are being conducted because of this importance. In this paper, stepwise regression analysis and artificial neural network model were analyzed to compare the p...

주제어

#광양항   #철광석   #석탄   #시계열 분석   #단계적 회귀분석   #인공신경망모형  

표/그림 (17)

AI 본문요약
AI-Helper 아이콘 AI-Helper

문제 정의

  • 따라서 본 논문에서는 통계적 예측 기법 중 하나인 다중회귀모형 중 변수를 축차적으로 선택하거나 제거하여 가장 적합한 회귀모형을 선택하는 방법인 단계적 회귀분석(stepwise regression analysis)과 인공신경망모형인 다층퍼셉트론(MLP; Multi-layer perceptron)을 활용하여 광양항의 석탄 및 철광석 물동량 예측 모형을 구성하여 모형 간의 예측력을 비교해보고자 한다. 예측 모델의 성능 평가기준은 다양하지만 일반적으로 관련 연구에서 가장 많이 활용되는 지표인 RMSE(Root Mean Square Error), MAE(Mean Absolute Error), 및 MAPE(Mean Absolute Percentage Error)를 활용하였다(Paliwal and Kumar, 2009).
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
다층(Multi-layer) 신경망이란 무엇인가? 이러한 인공신경망모형 중 2개 이상의 은닉층을 가지는 신경망모형을 다층(Multi-layer) 신경망 또는 다층퍼셉트론(MLP; Multi-layer perceptron)이라 한다. 다층퍼셉트론의 목적은 입력 벡터 x를 출력벡터 값 y(x)로 맵핑(Mapping)하는 것이다.
전진선택법의 단점을 보완하기 위해, 이미 선정된 변수들의 중요도를 다시 검사하여 중요도가 낮은 변수를 제거하는 방법은 무엇인가? 전진선택법 사용 시 한 변수를 선정하면 기존에 선정된 변수 중 중요도가 낮은 변수가 존재할 수 있다. 이러한 단점을 보안하기 위해 이미 선정된 변수들의 중요도를 다시 검사하여 중요도가 낮은 변수를 제거하는 방법을 단계적 선택법(Stepwise selection method)라 하며 단계적 선택법에서 선정된 변수들을 사용하여 회귀분석을 실시하는 방법을 단계적 회귀분석이라 한다.
전통적인 통계적 기법의 한계는 무엇인가? 예측 분석 방법은 전통적인 선형시계열(linear time series) 모형을 기반으로 한 통계적 기법(statistical techniques)들이 주로 사용되었다(Shin and Jeong, 2011). 하지만 전통적인 통계적 기법은 현실에서 발생하는 전반적인 현상을 완벽하게 설명할 수 없다는 한계점을 지니고 있다. 이러한 전통적인 통계적 기법의 대안 중 다수의 연구에서 활용되는 방법인 기계학습 메커니즘을 기반으로 한 인공신경망(ANN; Artificial Neural Network)모형이다(Shin and Jeong, 2011).
질의응답 정보가 도움이 되었나요?

참고문헌 (17)

  1. Cho, C. H.(2008), "Forecasting the Cement Traffic Volume at the Port of Donghae", Korea Logistics Review, Vol. 18, No. 1, pp. 33-53. 

  2. Jeon, C. Y. and Song, J. M.(2007), "A Study on Application of the Port Cargo Throughput Forecast by the Neural Network Model", Journal of Shipping and Logistics, Vol. 53, pp. 65-82. 

  3. Kim, C. B.(2015), "Forecasting the Seaborne Trade Volume using Intervention Multiplicative Seasonal ARIMA and Artificial Neural Network Model", Journal of Korea Port Economic Association, Vol. 31, No. 1, pp. 69-84. 

  4. Kim, J. E. et al.(2018), "An introduction of new time series forecasting model for oil cargo volume", Journal of Korea Port Economic Association, Vol. 34, No. 1, pp. 81-98. 

  5. Korea Mineral Resource Information Service(2019a), Iron Ore & Energy Statistics, https://www.kores.net 

  6. Korea Mineral Resource Information Service(2019b), Market Outlook Indicator for mineral resources, https://www.kores.net 

  7. Lim, S. S. and Yun, H. S.(2018), "An Analysis on Determinants of the Capesize Freight Rate and Forecasting Models", Journal of Navigation and Port Research, Vol. 42, No. 6, pp. 539-545. 

  8. Ministry of Oceans and Fisheries(2019), Gwangyang Port Logistics Information System, http://www.spidc.go.kr 

  9. Paliwal, M. and Kumar, U. A.(2009), "Neural networks and statistical techniques: A review of applications," Expert Systems with Applications, Vol. 36, No. 1, pp. 2-17. 

    상세보기

  10. Park, S. I. et al.(2012), "Forecasting the Steel Cargo Volumes in Incheon Port using System Dynamics", Journal of Korea Port Economic Association, Vol. 28, No. 2, pp. 75-93. 

  11. Shepperd, M. and MacDonell, S.(2012), "Evaluating prediction systems in software project estimation," Information and Software Technology, Vol. 54, No. 8, pp. 820-827. 

    상세보기

  12. Shin, C. H. and Jeong, S. H.(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. 

  13. Silhavy, R., Silhavy, P. and Prokopova, Z.(2017), "Analysis and selection of a regression model for the Use Case Points method using a stepwise approach," Journal of Systems and Software, Vol. 125, pp. 1-14. 

    상세보기

  14. Statistics Korea(2019), Index of mining and manufacturing industrial product, http://kostat.go.kr 

  15. Van Dorseser, J. C. M. et al(2012), Very Long Term Forecast of the Port Throughput in the Le Havre -Hamburg Range up to 2100. EJTIR, 12(1), pp. 88-110. 

  16. Zeng, Q. and Qu, C.(2014), "An approach for Baltic Dry Index analysis based on empirical mode decomposition," Maritime Policy & Management. Routledge, Vol. 41, No. 3, pp. 224-240. 

  17. Zhang, G., Patuwo, B. E. and Hu, M. Y.(1998), "Forecasting with artificial neural networks: The state of the art," International Journal of Forecasting, Vol. 14, No. 1, pp. 35-62. 

    상세보기

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로