검색 상세

통계적 방법론과 인공신경망의 혼합적 활용

Mixed Use of Statistical Methodology And Artificial Neural Network

초록/요약

시계열 데이터(Time Series Data)는 시간의 순서대로 이루어져 있는 데이터 형태로 관측치들 간의 상관관계가 높아 분석을 할 때에 주의해야 한다고 알려져 있다. 본 논문에서는 시계열 데이터에서 발생할 수 있는 문제인 이분산성(Heteroskedasticity)과 계열 상관성(Serial Correlation)을 해결하고자 하였다. 자기상관(Autoregressiv; AR), ARIMA(Autoregressive Integrated Moving Average) 모형을 모형으로 설정하였다. 제안하는 적합 방법으로는 통계적인 방법인 일반화최소제곱법(Generalized Least Square; GLS)과 인공신경망(ANN)의 혼합 방법을 사용하였다. 이 방법을 통해 이분산성과 계열 상관성을 해결하고자 하였다. 동시에 최대우도추정법(Maximum Likelihood Estimation; MLE)과 최소제곱법(Ordinary Least Square; OLS), Hybrid-ARIMA 등과 평균제곱근오차(Root Mean Square Error; RMSE)를 비교함으로써 제안한 방법의 가능성에 대해 논의하였다.

more

목차

제 1장 도입 1
제 2장 기존 방법론 3
2.1 모형 3
2.2 통계적 방법론 4
2.3 기계학습을 이용한 방법론 10
제 3장 제안하는 적합 방법론 12
3.1 인공신경망을 이용한 일반화최소제곱 12
3.2 기존 방법론과 제안하는 방법 15
3.3 제안하는 방법의 평가방법 16
제 4장 데이터 분석 및 모형설정 17
4.1 데이터 소개 17
4.2 데이터 기초통계 및 시각화 17
4.3 모형 설정 20
4.4 이분산성 및 계열 상관성 진단 21
제 5장 세부 실험설정 및 예측성능 비교 23
5.1 세부 실험설정 23
5.2 모형 별 예측성능 비교 24
제 6장 결론 30
참고 문헌(Reference) 32

more