$\require{mediawiki-texvc}$

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] 딥러닝 기법을 활용한 컨테이너선 운임 예측 모델
Estimation Model for Freight of Container Ships using Deep Learning Method 원문보기

海洋環境安全學會誌 = Journal of the Korean society of marine environment & safety, v.27 no.5, 2021년, pp.574 - 583  

김동균 (목포해양대학교 항해학부) ,  최정석 (목포해양대학교 해상운송학부)

초록
AI-Helper 아이콘AI-Helper

해운 시황을 예측하는 것은 중요한 문제이다. 투자 방식의 결정, 선대 편성 방법, 운임 등을 결정하기 위한 판단 근거가 되며 이는 기업의 이익과 생존에 큰 영향을 미치기 때문이다. 이를 위해 본 연구에서는 기계학습 모델인 장단기 메모리 및 간소화된 장단기 메모리 구조의 Gated Recurrent Units를 활용하여 컨테이너선의 해상운임 예측 모델을 제안한다. 운임 예측 대상은 중국 컨테이너 운임지수(CCFI)이며, 2003년 3월부터 2020년 5월까지의 CCFI 데이터를 학습에 사용하였다. 각 모델에 따라 2020년 6월 이후의 CCFI를 예측한 후 실제 CCFI와 비교, 분석하였다. 실험 모델은 하이퍼 파라메터의 설정에 따라 총 6개의 모델을 설계하였다. 또한 전통적인 분석 방법과의 성능을 비교하기 위해 ARIMA 모델도 실험에 추가하였다. 최적 모델은 두 가지 방법에 따라 선정하였다. 첫 번째 방법으로 각 모델을 10회 반복 실험하여 얻은 RMSE의 평균값이 가장 작은 모델을 선정하는 것이다. 두 번째 방법으로는 모든 실험에서 가장 낮은 RMSE를 기록한 모델을 선정하는 것이다. 실험 결과 전통적 시계열 예측모델인 ARIMA 모델과 비교하여 딥러닝 모델의 정확도를 입증하였으며, 정확한 예측모델을 통해 운임 변동의 위험관리 능력을 제고시키는데 기여했다. 반면 코로나19와 같은 외부 효과에 따른 운임의 급격한 변화상황이 발생한 경우, 예측모델의 정확도가 감소하는 한계점을 나타냈다. 제안된 모델 중 GRU1 모델이 두 가지 평가 방법 모두에서 가장 낮은 RMSE(69.55, 49.35)를 기록하며 최적 모델로 선정되었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Predicting shipping markets is an important issue. Such predictions form the basis for decisions on investment methods, fleet formation methods, freight rates, etc., which greatly affect the profits and survival of a company. To this end, in this study, we propose a shipping freight rate prediction ...

주제어

#해운시황   #컨테이너 운임지수   #예측 모델   #장단기 메모리   #하이퍼 파라메터  

참고문헌 (29)

  1. Ahn, Y. and B. Ko(2018), Analysis of Factors Affecting on the Freight Rate of Container Carriers, Korea Trade Research Association, Vol. 43, No. 5, pp. 159-177. 

  2. Alsharif, M. H., M. K. Younes, and J. Kim(2019), Time Series ARIMA Model for Prediction of Daily and Monthly Average Global Solar Radiation: The Case Study of Seoul, South Korea, Symmetry, Vol. 11, No. 2, https://doi.org/10.3390/sym11020240. 

    상세보기 crossref

  3. Apaydin, H., H. Feizi, M. T. Sattari, M. S. Colak, S. Shamshirband, and K. Chau(2020), Comparative Analysis of Recurrent Neural Network Architectures for Reservoir Inflow Forecasting, Journal of Water, Vol. 12, No. 5, https://doi.org/10.3390/w12051500. 

    상세보기 crossref

  4. Beenstock, M. and A. Vergottis(1989), An Econometric Model of the World Tanker Market, Journal of Transport Economics and Policy, Vol. 23, No. 3, pp 263-280. 

  5. Britz, D., A. Goldie, M. Luong, and Q. Le(2017), Massive Exploration of Neural Machine Translation Architectures, Proceedings of the 2017 Conference on Empirical Methods in Natural Language Processing, pp. 1442-1451. 

  6. Choe, Y. and I. S. Kim(2016), Derivation of Selection Factors of Cruise Home port in Asia Using Delphi Technique, Korea academic society of tourism management, Vol. 31, No. 8, pp. 199-218. 

  7. Choi, J. S. and D. G. Hwang(2017), Development of Korean Container Freight Index Based on Trade Volume, Journal of Korea Port Economic Association, Vol. 33, No. 3, pp.53-66. 

  8. Chung, J., C. Gulcehre, K. H. Cho, and Y. Bengio(2014), Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling, Cornell University, Neural and Evolutionary Computing, arXiv:1412,3555. 

  9. Cochrane, J. H.(1997), Time Series for Macroeconomics and Finance, Graduate School of Business, University of Chicago. 

  10. David, M., F. Ramahatana, P. J. Trombe, and P. Lauret(2016), Probabilistic forecasting of the solar irradiance with recursive ARMA and GARCH models, Solar Energy, Vol. 133, pp. 55-72. 

    상세보기

  11. Duru, O. and S. Yoshida(2011), Centennial Decline of Shipping Freight Rates and Life Cycle Effect: Theory of Long Term Cycles, Vol. 3, No. 2, pp. 59-77. 

  12. Duru, O., E. Bulut, and S. Yoshid(2010), Bivariate long term fuzzy time series forecasting of dry cargo freight rates, The Asian Journal of Shipping and Logistics, Vol. 26, No. 2, pp. 205-223. 

    상세보기

  13. Eslami, P., K. Jung, D. Lee, and A. Tjolleng(2017), Predicting tanker freight rates using parsimonious variables and a hybrid artificial neural network with an adaptive genetic algorithm, Maritime Economics & Logistics, Vol. 19, No. 3, pp. 538-550. 

    상세보기

  14. Fan, S., T. Ji, W. Gordon, and B. Rickard(2013), Forecasting Baltic Dirty Tanker Index by Applying Wavelet Neural Networks, Journal of Transportation Technologies, Vol. 3, No. 1, pp. 68-87. 

    상세보기

  15. Fayle, E. C.(1933), A short history of the world's shipping industry, London: George Allen & Unwin. 

  16. Fu, R., Z. Zhang, and L. Li(2018), Using LSTM and GRU Neural Network Methods for Traffic Flow Prediction, 31st Youth Academic Annual Conference of Chinese Association of Automation (YAC). 

  17. George, M.(2021), Forecasting oil tanker shipping market in crisis periods: Exponential smoothing model application, The Asian Journal of Shipping and Logistics, Available online 30 June 2021. 

  18. Hayashi, K.(2020), Stationarity of spot freight rates considering supply/demand effect, Journal of Shipping and Trade, Vol. 5, No. 24, https://doi.org/10.1186/s41072-020-00078-8. 

    상세보기 crossref

  19. Hochreiter, S. and J. Schmidhuber(1997), LONG SHORT-TERM MEMORY, Neural Computation, Vol. 9, No. 8, pp. 1735-1780. 

    상세보기

  20. Kavussanos, M. G. and D. A. Tsouknidis(2014), The determinants of credit spreads changes in global shipping bonds, Transportation Research Part E: Logistics and Transportation Review, Vol. 70, pp. 55-75. 

  21. Kim, D., H. Kim, S. Sim, Y. Choi, H. Bae, and H. Yun(2019), Prediction of Dry Bulk Freight Index Using Deep Learning, Journal of the Korean Institute of Industrial Engineers, Vol. 45, No. 2, pp. 111-116. 

  22. Ko, B. and D. Kim(2019), Analysis of Container Shipping Market Using Multivariate Time Series Models, The Korea Port Economic Association, Vol. 35, No. 3, pp. 61-72. 

  23. Li, K. X., Y. Xiao, S. L. Chen, W. Zhang, Y. Du, and W. Shi(2018), Dynamics and interdependencies among different shipping freight markets, Maritime Policy & Management, Vol. 45, No. 7, pp. 837-849. 

    상세보기

  24. Lim, S. and H. Yun(2019), Forecasting Tanker Indices with ARIMA-SVM Hybrid Models, Journal of Korean Association of Financial Engineering, Vol. 17, No. 4, pp. 79-98. 

  25. Mo, S. W.(2013), A Forecast of Shipping Business during the Year of 2013, Journal of Korea Port Economic Association, Vol. 29, No. 1, pp. 67-76. 

  26. Rumelhart, D. E., P. Smolensky, J. L. Mcclelland, and G. E. Hinton(1986), Sequential thought processes in PDP models, pp. 3-57. 

  27. Samjung KPMG Report(2020), COVID-19 Bussiness Report, Samsung KPMG. 

  28. Stopford, M.(2009), Maritime Economics. 3rd Edition, Routledge, London. 

  29. Yang, S., X. Yu, and Y. Zhou(2020), LSTM and GRU neural network performance comparison study, 2020 International Workshop on Electronic Communication and Artificial Intelligence (IWECAI). 

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

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