[논문]Forecasting Bulk Freight Rates with Machine Learning Methods

Lim, Sangseop; Kim, Seokhun

doi:10.9708/jksci.2021.26.07.127

[국내논문] Forecasting Bulk Freight Rates with Machine Learning Methods 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.26 no.7, 2021년, pp.127 - 132

Lim, Sangseop (Div. of Navigation Convergence Studies, Korea Maritime and Ocean University) , Kim, Seokhun (Dept. of Electronic Commerce, PaiChai University)

초록
AI-Helper

본 논문은 건화물시장과 탱커시장의 운임지수 예측에 관하여 머신러닝을 적용하였으며 신호분해법인 웨이블릿 분해와 EMD분해를 데이터 전처리 과정에 반영하여 시간의 영역의 정보와 주파수 영역의 정보를 모두 반영할 수 있는 운임예측모형을 구축하였다. 건화물 시장의 경우 웨이블릿으로 분해한 예측모형이 우수하였으며 탱커시장의 EMD분해로 예측한 모형이 우수하였으며 실무적으로 각 운송시장 참여자들에게 새로운 단기예측 방법론을 제시하였다. 이러한 연구는 운송시장에서 양적으로 가장 중요한 건화물 시장과 탱커시장에 대한 다양한 예측방법론을 확대하고 새로운 방법론을 제시하였다는 측면에서 중요하며, 변동성이 큰 운임시장에서 과학적인 의사결정 방법에 대한 실무적인 요구를 반영할 수 있을 뿐만 아니라 가장 빈번한 스팟거래에 합리적인 의사결정이 이뤄질 수 있는 기초가 될 것으로 기대된다.

Abstract ▼ AI-Helper

This paper applies a machine learning model to forecasting freight rates in dry bulk and tanker markets with wavelet decomposition and empirical mode decomposition because they can refect both information scattered in the time and frequency domain. The decomposition with wavelet is outperformed for the dry bulk market, and EMD is the more proper model in the tanker market. This result provides market players with a practical short-term forecasting method. This study contributes to expanding a variety of predictive methodologies for one of the highly volatile markets. Furthermore, the proposed model is expected to improve the quality of decision-making in spot freight trading, which is the most frequent transaction in the shipping industry.

주제어

표/그림 (13)

그림 Fig. 1. Trend of World Seaborne Trade Source: Clarkson Research
그림 Fig. 2. Dry bulk commodities(million ton) Source: Clarkson Research
표 Table 1. Fixtures Volume of Spot and T/C contracts in Bulk sector
그림 Fig. 3. Baltic Dry Index(BCI, BPI) Source: Clarkson Research
그림 Fig. 4. Baltic Tanker Index(BDTI, BCTI) Source: Clarkson Research
표 Table 2. Description of Data
그림 Fig. 5. Modelling Process
그림 Fig. 6. Wavelet(L) and EMD(R) of BCI Decomposition
표 Table 3. Procedure of Calculating IMF
그림 Fig. 7. Wavelet(L) and EMD(R) of BDTI Decomposition
그림 Fig. 8. Forecasting performance for BCI
그림 Fig. 9. Forecasting performance for BDTI
표 Table 4. Parameters of ANN

AI 본문요약
AI-Helper

문제 정의

또한 건화물 시장을 대표하는 지수로서 Baltic Capesize Index(BCI), Baltic Panamax Index(BPI)가 있으며 탱커시장은 Baltic Dirty Tanker Index(BDTI), Baltic Clean Tanker Index(BCTI)가 있고 이 중 BCI와 BDTI만을 연구의 데이터로 활용하고자 한다. 기존 연구에서 두 시장을 광범위하게 조사된 연구가 없으며 제시된 모델들을 종합적으로 비교하여 각 시장에 적합한 연구모델을 제시하고자 한다.
따라서 본 논문은 해운시장에서 가장 규모가 큰 건화물 시장과 탱커시장을 대상으로 하였으며 케이프벌크선형과 파나막스선형의 스팟거래를 위한 운임단기예측에 기계학습모형을 이용하여 과학적인 의사결정 방법을 제시함으로써 합리적인 의사결정모형에 대한 실무적 필요를 채우고자한다.
본 연구는 해운시장에서 운임거래에서 절대적인 비중을 차지하고 있는 합리적인 스팟거래를 위해 과학적인 단기예측 방법을 제시하였다. 특히, 시계열모형과 기계학습모형을 비교한 연구가 주류를 이루는 기존의 연구와 비교하여본 연구는 시계열의 데이터 전처리과정에서 EMD 분해와 웨이블릿 분해법을 적용하였으며 인공신경망 모형에 입력변수로 활용하여 예측력을 비교하였다는 측면에서 학문적인 성과가 있다.

제안 방법

본 논문에서는 데이터 전처리 과정으로 분해기법으로 알려진 웨이블릿(wavelet)분해와 경험적모드분해(EMD) 각각을 기계학습모델을 결합한 하이브리드모델을 적용할 것이다. 또한 건화물 시장을 대표하는 지수로서 Baltic Capesize Index(BCI), Baltic Panamax Index(BPI)가 있으며 탱커시장은 Baltic Dirty Tanker Index(BDTI), Baltic Clean Tanker Index(BCTI)가 있고 이 중 BCI와 BDTI만을 연구의 데이터로 활용하고자 한다.
분해된 시계열 데이터의 훈련데이터셋을 입력변수로 하여 인공신경망을 학습하였으며 최적의 파라미터를 선정하였다. 은닉층은 1개로 하였으며 은닉노드수와 weight decay값은 5차 교차검증방법으로 선정하였으며 Table 4 과 같다.
인공신경망 모형의 학습과 예측성능 평가를 위해 Table 2와 같이 데이터를 훈련샘플과 검증샘플 약 9:1 비율로 나누어 수행하였다.

대상 데이터

본 논문에서는 데이터 전처리 과정으로 분해기법으로 알려진 웨이블릿(wavelet)분해와 경험적모드분해(EMD) 각각을 기계학습모델을 결합한 하이브리드모델을 적용할 것이다. 또한 건화물 시장을 대표하는 지수로서 Baltic Capesize Index(BCI), Baltic Panamax Index(BPI)가 있으며 탱커시장은 Baltic Dirty Tanker Index(BDTI), Baltic Clean Tanker Index(BCTI)가 있고 이 중 BCI와 BDTI만을 연구의 데이터로 활용하고자 한다. 기존 연구에서 두 시장을 광범위하게 조사된 연구가 없으며 제시된 모델들을 종합적으로 비교하여 각 시장에 적합한 연구모델을 제시하고자 한다.
마지막으로 벌크와 탱커 운임지수는 선형별로 구분되어있다. 본 논문에서 분석한 데이터의 경우 해운시장의 대표적인 선형의 운임지수를 대상으로 하였다. 따라서 본 논문에서 제시한 운임지수예측 모형을 다른 선형의 지수예측에는 별도의 연구가 추가적으로 필요한 한계가 있을 수 있으며 향후 연구과제로 남겨둔다.

데이터처리

위 Table 4와 같이 시계열을 분해한 다음 인공신경망 학습을 통해 얻어진 파라미터를 선정하여 최적 예측모형을 구축하였으며 검증데이터로 모델의 예측성능을 평가하였다. 예측결과는 BCI의 경우 Fig 8과 같으며 RMSE를 기준으로 EMD로 분해한 인공신경망 모형이 1048.
분해된 시계열 데이터의 훈련데이터셋을 입력변수로 하여 인공신경망을 학습하였으며 최적의 파라미터를 선정하였다. 은닉층은 1개로 하였으며 은닉노드수와 weight decay값은 5차 교차검증방법으로 선정하였으며 Table 4 과 같다.

성능/효과

8로 나타났다. 결과적으로 케이프 운임 데이터에는 웨이블릿 분해가 더 우수한 예측성능을 보임을 알 수 있다.
1로 나타났다. 결과적으로 탱커운임데이터에는 EMD 분해법이 더 우수한 예측성능을 보임을 알 수 있다.
EMD와 웨이블릿 분해는 시간영역의 정보뿐만 아니라 주파수영역에서의 정보를 충분히 반영할 수 있다는 측면에서 활용한만한 가치가 있다. 또한 본 연구의 결과는 건화물시장에는 웨이블릿 분해가 적합하였으며 탱커시장의 경우 EMD분해가 더 적합함을 알 수 있었다. 따라서, 실무적으로 각 시장별로 가장 빈번하게 일어나는 스팟운임거래 의사결정에 단기예측에 과학적인 방법을 제시하였으며 이를 통해 합리적인 의사결정이 이뤄질 수 있으리라 판단된다.
마지막으로 벌크와 탱커 운임지수는 선형별로 구분되어있다. 본 논문에서 분석한 데이터의 경우 해운시장의 대표적인 선형의 운임지수를 대상으로 하였다.
위 Table 4와 같이 시계열을 분해한 다음 인공신경망 학습을 통해 얻어진 파라미터를 선정하여 최적 예측모형을 구축하였으며 검증데이터로 모델의 예측성능을 평가하였다. 예측결과는 BCI의 경우 Fig 8과 같으며 RMSE를 기준으로 EMD로 분해한 인공신경망 모형이 1048.1이며 웨이블릿 분해는 985.8로 나타났다. 결과적으로 케이프 운임 데이터에는 웨이블릿 분해가 더 우수한 예측성능을 보임을 알 수 있다.
본 연구는 해운시장에서 운임거래에서 절대적인 비중을 차지하고 있는 합리적인 스팟거래를 위해 과학적인 단기예측 방법을 제시하였다. 특히, 시계열모형과 기계학습모형을 비교한 연구가 주류를 이루는 기존의 연구와 비교하여본 연구는 시계열의 데이터 전처리과정에서 EMD 분해와 웨이블릿 분해법을 적용하였으며 인공신경망 모형에 입력변수로 활용하여 예측력을 비교하였다는 측면에서 학문적인 성과가 있다. EMD와 웨이블릿 분해는 시간영역의 정보뿐만 아니라 주파수영역에서의 정보를 충분히 반영할 수 있다는 측면에서 활용한만한 가치가 있다.

후속연구

특히, 시계열모형과 기계학습모형을 비교한 연구가 주류를 이루는 기존의 연구와 비교하여본 연구는 시계열의 데이터 전처리과정에서 EMD 분해와 웨이블릿 분해법을 적용하였으며 인공신경망 모형에 입력변수로 활용하여 예측력을 비교하였다는 측면에서 학문적인 성과가 있다. EMD와 웨이블릿 분해는 시간영역의 정보뿐만 아니라 주파수영역에서의 정보를 충분히 반영할 수 있다는 측면에서 활용한만한 가치가 있다. 또한 본 연구의 결과는 건화물시장에는 웨이블릿 분해가 적합하였으며 탱커시장의 경우 EMD분해가 더 적합함을 알 수 있었다.
본 논문에서 분석한 데이터의 경우 해운시장의 대표적인 선형의 운임지수를 대상으로 하였다. 따라서 본 논문에서 제시한 운임지수예측 모형을 다른 선형의 지수예측에는 별도의 연구가 추가적으로 필요한 한계가 있을 수 있으며 향후 연구과제로 남겨둔다.
또한 본 연구의 결과는 건화물시장에는 웨이블릿 분해가 적합하였으며 탱커시장의 경우 EMD분해가 더 적합함을 알 수 있었다. 따라서, 실무적으로 각 시장별로 가장 빈번하게 일어나는 스팟운임거래 의사결정에 단기예측에 과학적인 방법을 제시하였으며 이를 통해 합리적인 의사결정이 이뤄질 수 있으리라 판단된다.

참고문헌 (16)

S. Lim, and H. Yun, "Forecasting Tanker Indices with ARIMA-SVM Hybrid Models," Korean Journal of Financial Engineering, Vol.17, No.4, pp.79-98, 2018. DOI: 10.35527/kfedoi.2018.17.4.004

상세보기
S. Lim, and H. Yun, "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, 2018. DOI: 10.5394/KINPR.2018.42.6.539

원문보기 상세보기
Li, J. and M. G. Parsons , "Forecasting Tanker Freight Rate Using Neural Networks," Maritime Policy and Management, Vol.24, No.1, pp.9-30. 1997. DOI: 10.1080/03088839700000053

상세보기
Lyridis, D., P. Zacharioudakis, P. Mitrou and A. Mylonas, "Forecasting Tanker Market Using Artificial Neural Networks," Maritime Economics & Logistics, Vol.6, pp.93-108, 2004. DOI: 10.1057/palgrave.mel.9100097

상세보기
Yang, Z., L. Jin and M. Wang, "Forecasting Baltic Panamax Index with Support Vector Machine," Journal of Transportation Systems Engineering and Information Technology, Vol.11, No.3, pp.50-57, 2011. DOI: 10.1016/S1570-6672(10)60122-5

상세보기
Zeng, Q. and C. Qu, "An Approach for Baltic Dry Index Analysis Based on Empirical Mode Decomposition," Maritime Policy & Management, Vol.41, No.3, pp.224-240, 2014. DOI: 10.1080/03088839.2013.839512

상세보기
Zeng, Q., C. Qu, A. K. Y. Ng and X. Zhao, "A New Approach for Baltic Dry Index Forecasting Based on Empirical Mode Decomposition and Neural Networks," Maritime Economics & Logistics, Vol.18, No.2, pp.192-210, 2016. DOI: 10.1057/mel.2015.2

상세보기
Guo, Z., W. Zhao, H. Lu, and J. Wang, "Multi-step forecasting for wind speed using a modified EMD-based artificial neural network model," Renewable Energy, Vol.37, No.1, 241-249, 2012. DOI: 10.1016/j.renene.2011.06.023

상세보기
Yu, L., S. Wang, and K. K. Lai., "Forecasting crude oil price with an EMD-based neural network ensemble learning paradigm" Energy Economics, Vol.30, No.5, pp.2623-2635, 2008. DOI: 10.1016/j.eneco.2008.05.003

상세보기
Hasan, N., "A Methodological Approach for Predicting COVID-19 Epidemic Using EEMD-ANN Hybrid Model," Internet of Things, Vol.11, pp.1-9, 2020. DOI: 10.1016/j.iot.2020.100228

상세보기
Clarkson Research, https://sin.clarksons.net/
Ha, H., and K. Ha, "Forecast of the Stock Market Price using Artificial Neural Network and Wavelet Transform." Vol.46, No.12, pp.1249-1261, 2019, DOI: 10.5626/JOK.2019.46.12.1249

상세보기
Fan, S., T. Ji, W. Gordon and B. Rickard, "Forecasting Baltic Dirty Tanker Index by Applying Wavelet Neural Networks," Journal of Transportation Technologies, Vol. 3(January), pp.68-87, 2013. DOI: 10.4236/jtts.2013.31008

상세보기
Zhang, G., B. E. Patuwo and M. Y. Hu, "Forecasting with Artificial Neural Networks: The State of the Art," International Journal of Forecasting, Vol.14, No.1, pp.35-62, 1998. DOI: 10.1016/S0169-2070(97)00044-7

상세보기
Flandrin, P., G. Rilling, and P. Goncalves, "Empirical mode decomposition as a filter bank," IEEE Signal Process. Lett., Vol.11, No.2, pp.112-114, Feb. 2004. DOI: 10.1109/LSP.2003.821662

상세보기
Lee, H., J. Lee, and C. Yoo, "Selecting a mother wavelet for univariate wavelet analysis of time series data," Journal of Korea Water Association, Vol.52, No.8, pp.575-587, 2019. DOI: 10.3741/JKWRA.2019.52.8.575

원문보기 상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증