Time series models are a highly useful forecasting method, but are deficient in the sense that they merely extrapolate past patterns in the data without taking into account the expected irregular future events. To overcome this limitation, forecasting experts in practice judgmentally adjust the statistical forecasts. Typical judgmental factors may be treated as outliers in statistical analysis.
To automatic the judgmental adjustment process, neural network models are developed in this study. To collect the data for judgmental events, judgmental effects are filtered out of raw data. The main trend is captured by a neural network model using the filtered data, while judgmental effects are modeled by another neural network. Then the judgmental effects are additively adjusted. Performance of this architecture is tested in comparison with five other architectures:
1) A single neural network model using the filtered data,
2) A single neural network model using the raw data,
3) A single neural network model using the filtered data and judgmental factors as the inputs of the model,
4) Major trend in ARIMA model with a neural network based additive adjustment,
5) A single ARIMA model using the raw data
According to the experiments, the architecture of neural network based additive judgmental adjustment significantly improves the forecasting performance. To support the implementation of the architecture, a prototype UNIK-FCST/NN is implemented on refinery case.
시계열 모델은 매우 유용한 예측모형으로 사용되어 왔다. 그러나 모델은 기대되는 불규칙적인 미래의 사건을 고려함이 없이 단지 과거의 패턴들을 외삽하는 결점을 가지고 있다. 이러한 한계를 극복하기 위해 실제로 예측 전문가들은 통계적 예측치를 판단적으로 보정하고 있다. 전형적인 판단 요소들은 통계적 분석에서의 이상치들 처럼 처리될 수 있다.
판단 보정 과정을 자동화 하기 위해 신경망 모델들을 사용한다. 판단 사건을 위한 데이터를 확인하기 위해 원초 데이터로 부터 판단 사건의 효과를 필터링한다. 필터된 데이터를 사용하는 신경망을 통해 주요 추세를 얻는다. 한편으로는 다른 신경망에 판단 요소 효과들을 일반화시켜 놓음으로써 미래에 기대되는 판단 요소의 추정값을 부가적으로 보정하여 보정된 최종 예측치를 구한다.
이 모델의 수행 성능을 다음과 같은 다른 5개의 모델들과 비교 평가한다.
1) 필터된 데이터를 사용하는 한개의 신경망 모델
2) 원초 데이터를 사용하는 한개의 신경망 모델
3) 필터된 데이터와 판단 요소를 입력 변수로 사용하는 한개의 신경망 모델
4) ARIMA에 의해 주요 추세가 파악되고 신경망에 근거한 판단 효과가 부가적으로 보정되는 모델
5) 원초 데이터를 사용하는 한개의 ARIMA 모델
우리의 접근방법이 5개의 다른 대안보다 우수하다는 것을 석유제품의 수요예측 실험을 통해 밝혔다. 즉, 불규칙적으로 발생하는 판단 요소들의 판단적 보정의 효과가 신뢰할 수 있는 예측 시스템을 구축하는 데 있어 중요한 역할을 한다는 것을 밝혔다.
이러한 접근 방법은 불규칙적인 패턴이 명백히 존재하는 경우에 효율적으로 적용될 수 있을 것이다. 대부분 실세계 문제들은 이러한 불규칙적인 판단 요소들을 가지고 있어 본 연구에서 제시한 접근 방법의 사용이 권유된다. 이러한 접근 방법을 지원하기 위해 프로토타입 시스템(UNIK-FCST/NN)이 개발되었다.
