Most existing types of forecasting software are limited in the sense that they require extensive knowledge about applied areas and statistical analysis. Furthermore they tend to ignore human factors in forecasting such as experience, craftsmanship, and subjective information. This thesis employs an AI (Artificial Intelligence) approach, in particular expect systems approach, which can solve forecasting problems more effectively and efficiently. We focus on the role of DSS (Decision Support System) in the first stage in forecasting, the model building process, and the third stage in forecasting, the forecast adjustment process. The domain of this study is forecasting of demand for oil products, which is represented in time series data.
This study suggests a mixed approach to forecasting model building, which combines two extreme approaches, the knowledge-oriented approach and the data-oriented approach. The proposed approach accomplishes the integration of knowledge and data by direct integration or by indirect integration. The following issues are investigated: knowledge representation of modeling knowledge; inference mechanism for the modeling process; uncertainty management in the modeling process(represented in fuzziness).
Time series models have served as a highly useful forecasting method, but are deficient in that they merely extrapolate from past patterns in data without taking into account expected future events and other qualitative factors. To overcome this limitation, forecasting experts in practice judgmentally adjust statistical forecasts. In order to incorporate the role of the forecasting expert's judgment, we have developed a methodology which incorporates learning from historical judgmental adjustments through generalization and analogy, reasoning based on similar cases, and composing and decomposing the impacts of simultaneous judgmental events non-monotonically. Here, this is applied to the demand forecasting of oil products, for which five types of judgmental factors exist.
UNIK-FCST(BC) (UNIfied Knowledge-ForeCaST (Building Causal model)) is a prototype expert system which implements the forecasting model building process an UNIK-FCST(AD) (UNIfied Knowledge-ForeCaST (ADjustment of judgmental factors)) is a prototype expert system which implements the adjustment process of judgmental factors. They have been implemented using GCLisp and Turbo Pascal in the micro computer environment.
대부분의 통계적 예측시스템은 상당량의 통계적지식과 그것이 응용되는 분야에 관한 지식이 있어야만 제대로 사용할 수 있어 두 분야에 익숙하지 못한 사용자가 사용하기에는 부적당하여 실제 조직의 예측환경과는 거리가 있다. 또한, 통계적 예측시스템들은 예측에 있어서 필수불가결한 요소인 인적요소(Human Factor)를 간과해 왔다는 점에서 많은 문제점을 안고 있다고 할 수 있다. 본 논문에서는 인공지능적인 접근 특히 전문가시스템 접근법을 이용하여 위의 문제를 보다 효과적으로 접근하고자 한다. 본 논문의 범위는 예측의 첫번째 단계인 인과모형(Causal Model) 수립과정과 세번째 단계인 통계적 예측치의 보정과정에 있어서 의사결정 지원시스템의 역할에 중점을 두고자 한다. 응용분야로는 시계열자료로 나타난 석유제품의 수요예측에 촛점을 두고자 한다.
본 연구는 통계모델수립의 방법으로 기존의 두가지 방법, 이론중심적 접근 (Knowledge Oriented Approach)과 자료중심적 접근(Data-Oriented Approach)의 통합적 접근을 제시하고 있다. 통합적 접근방법으로 직접통합의 방법과 간접통합의 방법을 제시하고 있다. 본 논문에 서 다루어진 주요주제는 다음과 같다: 통계적 모델에 관한 지식의 표현법, 통계적 모델의 추론 방법, 그리고 통계적 모델 수립과정에서의 Uncertainty의 관리 등이다.
시계열 모형이 통계적 기법으로 널리 사용되고 있으나 정성적인 요인이나 예측되는 사건 등을 모형안에 포함시키기 어렵다는 점에서 실제 조직에서 직접 사용되기에는 부적당하다고 볼 수 있을 것이다. 또한 예측 실무 담당자가 통계적 예측치를 자기의 경험과 판단에 의해 보정하는 것을 우리는 쉽게 관찰할 수 있다. 본 논문에서는 예측 담당자들의 역할을 포함할 수 있는 예측방법론을 제시하고 있다. 주요 주제는 다음과 같다: 유추와 일반화를 이용하여 과거사례로부터의 학습, 과거 유사한 사례를 이용한 추론, 동시에 여러 개의 사건이 발생한 경우 이들 개개 효과의 Non-monotonic한 분할과 합성 등이다. 위의 방법론은 석유제품의 수요예측에 적용하였다.
통계적 예측모형의 수립과정을 지원해 주는 Prototype 시스템으로 UNIK-FCST(BC)를 구현하였고 통계적 예측치의 보정과정을 지원해 주는 시스템으로 UNIK-FCST(AD)를 구현하여 실제 기업에 설치하여 사용 중에 있다. 위 두 시스템은 GCLisp과 Turbo Pascal을 이용하여 Microcomputer 환경 하에서 개발하였다.
