$\require{mediawiki-texvc}$

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.

[국내논문] Datamining 기법을 활용한 단기 항만 물동량 예측
Forecasting the Daily Container Volumes Using Data Mining with CART Approach 원문보기

한국항만경제학회지 = Journal of Korea Port Economic Association, v.37 no.3, 2021년, pp.1 - 17  

하준수 (인하대학교 물류전문대학원) ,  임채환 (인하대학교 물류전문대학원) ,  조광휘 (인하대학교 물류전문대학원) ,  하헌구 (인하대학교 물류전문대학원)

초록
AI-Helper 아이콘AI-Helper

본 연구에서는 항만의 단기 물동량을 예측하기 위해 ARIMA 모형과 CART 모형을 활용한 단기 수요예측 모형을 제시하였다. 제시한 모형은 2단계로 구성된다. 1단계에서는 시계열 예측치와 주요 교역국의 주당 근로일수를 변수로 사용하여 CART 모형을 추정하고 주별 물동량 예측을 진행한다. 2단계에서는 1단계에서 도출한 예측치와 요일 정보, 주요국 공휴일 정보, 주요국 행사 기간 정보를 설명변수로 활용하여 최종적인 일별 물동량 예측 모형을 추정한다. 제시한 수요예측 모형을 활용하여 2020년 10월 1일부터 12월 31일까지 92일의 부산항 물동량을 예측한 결과 제시한 모형의 평균 정확도가 기존 시계열 모형보다 '22.5%' 높은 것으로 나타났다. 제시 모형은 일별 물동량의 추세뿐만 아니라 물동량이 급등락하는 지점에서도 높은 정확도를 보였으며 시계열 예측 모형을 사용했을 때 비해 총 166,504(TEU)의 오차를 줄일 수 있는 것으로 나타났다. 항만의 효율적인 운영을 위해 필수적인 단기 물동량 예측에 적합한 예측 모형을 제시한 본 연구는 충분한 활용 가치가 있을 것으로 판단된다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Forecasting the daily volume of container is important in many aspects of port operation. In this article, we utilized a machine-learning algorithm based on decision tree to predict future container throughput of Busan port. Accurate volume forecasting improves operational efficiency and service lev...

주제어

#항만 물동량 예측   #데이터마이닝   #일별 수요예측  

참고문헌 (21)

  1. 김두환.이강배(2020), LSTM 을 활용한 부산항 컨테이너 물동량 예측, 한국항만경제학회지, 제 36집 제2호, 53-62. 

    원문보기 상세보기

  2. 김창범(2015), 개입 승법계절 ARIMA와 인공신경망모형을 이용한 해상운송 물동량의 예측, 한국항만경제학회지, 제31집 제1호, 69-84. 

    원문보기 상세보기

  3. 김종길.박지영.왕영.박성일.여기태(2011), Study on forecasting container volume of port using SD and ARIMA(2011), 한국항해항만학회지 제35집 제4호, 343-349. 

  4. 민경창.하헌구(2014), SARIMA 모형을 이용한 우리나라 항만 컨테이너 물동량 예측, 대한교통학회지, 제32집 제6호, 600-614. 

    원문보기 상세보기

  5. 손용정.김현덕(2012), 의사결정나무분석을 이용한 컨테이너 수출입 물동량 예측, 한국항만경제학회지, 제28집 제4호, 193-207. 

    원문보기 상세보기

  6. 이충배.노진호(2018), 우리나라와 동아시아 항만간의 수출 컨테이너 물동량 추이 분석, 한국항만경제학회지, 제34집 제2호, 97-113. 

    원문보기 상세보기

  7. 여기태.정현재(2011), SD 기법에 의한 한.중.일 환적 물동량 변화량 추정에 관한 연구, 한국항만경제학회지, 제27집, 제4호, 165-185. 

    원문보기 상세보기

  8. 하준수.나준호.조광휘.하헌구(2021), 시계열 분석 기반 신뢰구간 추정을 활용한 항만 물동량 이상감지 방안. 한국항만경제학회지, 제37집, 제1호, 179-196. 

    원문보기 상세보기

  9. Chan, H. K., Xu, S., and Qi, X. (2019), A comparison of time series methods for forecasting container throughput, International Journal of Logistics Research and Applications, 22(3), 294-303. 

  10. Chen, S., Goo, Y. J. J., & Shen, Z. D. (2014). A hybrid approach of stepwise regression, logistic regression, support vector machine, and decision tree for forecasting fraudulent financial statements. The Scientific World Journal, 2014. 

  11. Chen, S. H., & Chen, J. N. (2010). Forecasting container throughputs at ports using genetic programming. Expert Systems with Applications, 37(3), 2054-2058. 

    상세보기

  12. Carbonneau, R., Laframboise, K., & Vahidov, R. (2008). Application of machine learning techniques for supply chain demand forecasting. European Journal of Operational Research, 184(3), 1140-1154. 

    상세보기

  13. Diaz, R., Talley, W., and Tulpule, M.(2011), Forecasting empty container volumes, The Asian Journal of Shipping and Logistics, 27(2), 217-236. 

    상세보기

  14. Farhan, J., and Ong, G. P.(2018), Forecasting seasonal container throughput at international ports using SARIMA models, Maritime Economics & Logistics, 20(1), 131-148. 

    상세보기

  15. Liu, C., Hu, Z., Li, Y., & Liu, S. (2017). Forecasting copper prices by decision tree learning. Resources Policy, 52, 427-434. 

    상세보기

  16. Patcha, A., & Park, J. M(2007), An overview of anomaly detection techniques: Existing solutions and latest technological trends, Computer networks, 51(12), 3448-3470. 

    상세보기

  17. Patcha, A., & Park, J. M(2007), An overview of anomaly detection techniques: Existing solutions and latest technological trends, Computer networks, 51(12), 3448-3470. 

    상세보기

  18. Rashed, Y., Meersman, H., Van de Voorde, E., and Vanelslander, T.(2017), Short-term forecast of container throughout: an ARIMA-intervention model for the port of Antwerp, Maritime Economics & Logistics, 19(4), 749-764. 

    상세보기

  19. Rahmawati, D., & Sarno, R.(2019), Anomaly detection using control flow pattern and fuzzy regression in port container handling, Journal of King Saud University-Computer and Information Sciences. 

  20. Schulze, P. M., and Prinz, A.(2009), Forecasting container transshipment in Germany, Applied Economics, 41(22), 2809-2815. 

    상세보기

  21. Viglioni, G., Cury, M. V. Q., & da Silva, P. A. L. (2007). Methodology for railway demand forecasting using data mining. In SAS global forum (Vol. 161, No. 2007, pp. 1-8). 

저자의 다른 논문 :

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
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