지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 류동근
- 발행연도
- 2022
- 저작권
- 한국해양대학교 논문은 저작권에 의해 보호받습니다.
이용수20
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
항만은 국제무역의 관문이며, 물류 거점으로서 국가 경제에 중요한 역할을 담당하는 시설이다. 특히, 우리나라의 경우 무역의존도가 59.83%로 높은 편이며, 국제화물수송량의 99.7%가 해상운송을 통해 처리되고, 10대 도시 중(인구 기준) 4개가 항만을 기반으로 발전하였기 때문에, 항만이 국가 경제에 미치는 영향이 크다고 할 수 있다. 정부에서는 이러한 항만의 중요성을 인식하고 항만시설을 지속적으로 확충하고 있으며, 시설 확충 계획을 위해서는 항만 물동량 예측이 필요하게 되었다.
그에 따라 부산항이나 우리나라 전체 항만을 대상으로 한 물동량 예측 관련 연구가 활발하게 진행되어왔다. 하지만 점차 각 지역의 중소형 항만이 기능과 역할을 분담하며 성장과 발달함에 따라 중소형 항만들의 입지가 높아졌으나, 해당 항만을 대상으로 한 연구는 활발하게 이루어지지 않았다. 또한, 최근 해운항만물류 분야 연구에서 딥러닝 모형을 활용한 예측 시도가 많이 이루어지고 있는데, 딥러닝 모형의 경우 많은 양의 연산을 수행하기 때문에, 학습에 많은 시간이 소요되고 적정 수준의 사양을 가진 장비가 필요하다는 단점이 있다.
이에 본 연구에서는 국내 중소형 컨테이너항만인 인천항, 평택·당진항, 울산항을 대상으로 컨테이너 물동량 예측을 진행하였다. 예측을 위해 예측 성능이 우수하고, 구현이 비교적 용이한 것으로 알려진 방법론인 Propohet 모형을 활용하였다. 이후, 선행연구에서 사용되어온 딥러닝 LSTM 모형 및 SARIMA 모형의 예측 결과와 비교하여 성능을 검증하였으며, 연구 결과는 아래와 같다.
첫째, 인천항과 평택·당진항과 같이 물동량 자료에 뚜렷한 계절성이 나타나는 경우 Prophet 모형과 SARIMA 모형의 예측 성능이 우수한 것으로 나타났다. 따라서 구현의 용이성과 연산시간을 고려하였을 때, 데이터가 계절성을 나타내는 경우에는 Prophet 모형을 사용하는 것이 효과적임을 확인하였다.
둘째, 울산항과 같이 물동량 자료에 뚜렷한 계절성이 나타나지 않는 경우에도 Prophet 모형이 가장 우수한 결과를 도출하였지만, LSTM 모형 예측값의 변동 형태가 실제값의 변동 형태와 유사한 것으로 나타났다. 따라서 급격한 시장변화가 예상되는 경우에는 Prophet 모형과 LSTM 모형을 함께 활용하는 것이 효과적인 것으로 판단하였다.
그에 따라 부산항이나 우리나라 전체 항만을 대상으로 한 물동량 예측 관련 연구가 활발하게 진행되어왔다. 하지만 점차 각 지역의 중소형 항만이 기능과 역할을 분담하며 성장과 발달함에 따라 중소형 항만들의 입지가 높아졌으나, 해당 항만을 대상으로 한 연구는 활발하게 이루어지지 않았다. 또한, 최근 해운항만물류 분야 연구에서 딥러닝 모형을 활용한 예측 시도가 많이 이루어지고 있는데, 딥러닝 모형의 경우 많은 양의 연산을 수행하기 때문에, 학습에 많은 시간이 소요되고 적정 수준의 사양을 가진 장비가 필요하다는 단점이 있다.
이에 본 연구에서는 국내 중소형 컨테이너항만인 인천항, 평택·당진항, 울산항을 대상으로 컨테이너 물동량 예측을 진행하였다. 예측을 위해 예측 성능이 우수하고, 구현이 비교적 용이한 것으로 알려진 방법론인 Propohet 모형을 활용하였다. 이후, 선행연구에서 사용되어온 딥러닝 LSTM 모형 및 SARIMA 모형의 예측 결과와 비교하여 성능을 검증하였으며, 연구 결과는 아래와 같다.
첫째, 인천항과 평택·당진항과 같이 물동량 자료에 뚜렷한 계절성이 나타나는 경우 Prophet 모형과 SARIMA 모형의 예측 성능이 우수한 것으로 나타났다. 따라서 구현의 용이성과 연산시간을 고려하였을 때, 데이터가 계절성을 나타내는 경우에는 Prophet 모형을 사용하는 것이 효과적임을 확인하였다.
둘째, 울산항과 같이 물동량 자료에 뚜렷한 계절성이 나타나지 않는 경우에도 Prophet 모형이 가장 우수한 결과를 도출하였지만, LSTM 모형 예측값의 변동 형태가 실제값의 변동 형태와 유사한 것으로 나타났다. 따라서 급격한 시장변화가 예상되는 경우에는 Prophet 모형과 LSTM 모형을 함께 활용하는 것이 효과적인 것으로 판단하였다.
목차
제1장 서론 1제1절 연구의 배경 및 목적 1제2절 연구의 범위 및 방법 3제3절 연구의 구성 3제2장 국내 중소형 컨테이너항만 현황 및 선행연구 고찰 6제1절 국내 중소형 컨테이너항만 현황 6제2절 국내 중소형 컨테이너항만 물동량 현황 7제3절 선행연구 고찰 11Ⅰ. 항만 물동량 예측 관련 선행연구 11Ⅱ. 항만 물동량에 영향을 미치는 요인 관련 선행연구 14Ⅲ. Prophet 모형 관련 선행연구 22제3장 연구 방법 25제1절 Prophet 모형 25제2절 LSTM 모형 28Ⅰ. 딥러닝의 개요 28Ⅱ. RNN의 개요 31Ⅲ. LSTM의 개요 33제3절 SARIMA 모형 38Ⅰ. AR 모형 38Ⅱ. MA 모형 38Ⅲ. ARMA 모형 39Ⅳ. ARIMA 모형 40Ⅴ. SARIMA 모형 41제4장 예측 모형 구축 및 비교 43제1절 자료 수집 및 변수 선정 43제2절 예측 정확도 검증 45제3절 Prophet 모형 46Ⅰ. Prophet 모형 설계 46Ⅱ. Prophet 모형 예측 결과 47제4절 LSTM 모형 49Ⅰ. LSTM 모형 설계 49Ⅱ. LSTM 모형 예측 결과 51제5절 SARIMA 모형 53Ⅰ. SARIMA 모형 설계 53Ⅱ. SARIMA 모형 예측 결과 57제6절 예측 성능 비교 58제5장 결론 62제1절 연구 결과 및 시사점 62제2절 연구의 한계 및 향후 연구 방향 63
최근 본 자료
댓글(0)
0