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
- 이강배
- 발행연도
- 2020
- 저작권
- 동아대학교 논문은 저작권에 의해 보호받습니다.
이용수21
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
해운항만물류산업은 세계 경제활동 및 국제 무역과 밀접한 관계를 가지고 있으며, 특히 무역 의존도가 높은 우리나라의 항만 시설은 국가발전을 위한 필수 기반 시설이다. 우리나라 수출입 화물의 99.7%가 항만 및 해상을 통하여 운송되고 있으며, 그 중 75%가 부산항을 통해 운송되고 있다. 부산항은 우리나라 최대의 항만으로 세계 6위 컨테이너 항만이며 세계 2위 환적 항만으로 글로벌 항만의 역할을 수행하고 있다. 부산항의 경쟁력 향상은 곧 국가 경쟁력 향상으로 연결되며, 항만 시설의 확장은 항만 경쟁력을 높이기 위한 중요한 요소로 이를 위해서는 항만 물동량 예측이 필수적이다. 항만 물동량 자료에 기초하여 장기 시설투자계획, 중?장기 시설투자계획, 중?단기 항만운영계획 등이 수립된다. 많은 선행연구에서 시계열 예측 모형인 ARIMA 모형, 인과모형, 회귀분석 등을 통해 단기, 중장기 항만 물동량을 예측하였다. 하지만 글로벌 금융위기 이후 항만 물동량 흐름의 변동성과 복잡성이 증가하고 경제성장의 둔화, 선박의 대형화, 기항지 축소로 인해 기존 시계열 예측 방법으로는 예측 정확도 향상에 어려움이 있으며, 특히 장기 예측에서는 기존 시계열 모형들을 사용한 경우 실제 물동량과 예측 물동량의 오차가 커져 예측 정확도가 낮아진다.
이에 본 연구에서는 컨테이너 물동량 흐름의 변동성과 복잡성이 증가하는 상황에서 중장기 컨테이너 물동량 예측의 정확도 향상을 위해서 개입 분석과 딥러닝을 활용한 예측 모형을 개발?제안하였다. 또한 객관적인 검증을 위해서 예측치와 실측치와 비교하고 SARIMA 모형, 개입 분석 모형, ANN 모형, 단변량 LSTM, GRU 모형, 다변량 LSTM, GRU 모형의 예측 정확도를 비교하였다.
본 연구의 결과를 요약하면 첫째, 개입 분석 모형을 활용하여 선석 추가에 대한 개입 효과를 확인하였으며, 선석 추가로 인해 부산항 컨테이너 물동량은 약 7% 상승하고 약 1% 선형으로 증가함을 확인하였다. 둘째, 3년 이상의 장기 예측을 위해 딥러닝 모형 중 LSTM 모형과 GRU 모형을 활용하여 컨테이너 물동량을 예측하였으며, 컨테이너 물동량에 영향을 미치는 변수를 선정하여 단변량 LSTM, GRU 모형과 다변량 LSTM, GRU 모형의 컨테이너 물동량 예측 정확도를 비교 분석하였다. 마지막으로 본 연구에서 도출된 컨테이너 물동량 예측 정확도를 비교하기 위해 선행연구에서 활용한 SARIMA 모형과 인공신경망 모형의 예측치와 비교하였다. 단기 예측에서는 개입 분석 모형의 예측 정확도가 가장 우수하였으며, 중장기 예측에서는 다변량 LSTM 모형의 예측 정확도가 우수하였다.
본 연구의 결과를 바탕으로 예측 기간에 따른 적합한 예측 모형을 제시하고 도출된 컨테이너 물동량 예측치를 해운항만물류산업 및 항만 운영 이해관계자들에게 제공할 수 있을 것이다. 단기 예측치와 선석 추가시 증가하는 컨테이너 물동량을 파악하여 터미널 운영 계획, 장비 활용 계획, 배후부지 활용 등과 같은 계획 수립과 컨테이너 물동량 유치를 위한 마케팅 측면에서의 전략 및 계획 수립이 가능하다. 중장기 예측 모형은 향후 항만 개발 및 시설 확장 계획과 투자유치를 위한 의사결정도구로 활용이 가능하고, 이에 따른 관련 사업 전략 수립에 활용될 수 있다.
이에 본 연구에서는 컨테이너 물동량 흐름의 변동성과 복잡성이 증가하는 상황에서 중장기 컨테이너 물동량 예측의 정확도 향상을 위해서 개입 분석과 딥러닝을 활용한 예측 모형을 개발?제안하였다. 또한 객관적인 검증을 위해서 예측치와 실측치와 비교하고 SARIMA 모형, 개입 분석 모형, ANN 모형, 단변량 LSTM, GRU 모형, 다변량 LSTM, GRU 모형의 예측 정확도를 비교하였다.
본 연구의 결과를 요약하면 첫째, 개입 분석 모형을 활용하여 선석 추가에 대한 개입 효과를 확인하였으며, 선석 추가로 인해 부산항 컨테이너 물동량은 약 7% 상승하고 약 1% 선형으로 증가함을 확인하였다. 둘째, 3년 이상의 장기 예측을 위해 딥러닝 모형 중 LSTM 모형과 GRU 모형을 활용하여 컨테이너 물동량을 예측하였으며, 컨테이너 물동량에 영향을 미치는 변수를 선정하여 단변량 LSTM, GRU 모형과 다변량 LSTM, GRU 모형의 컨테이너 물동량 예측 정확도를 비교 분석하였다. 마지막으로 본 연구에서 도출된 컨테이너 물동량 예측 정확도를 비교하기 위해 선행연구에서 활용한 SARIMA 모형과 인공신경망 모형의 예측치와 비교하였다. 단기 예측에서는 개입 분석 모형의 예측 정확도가 가장 우수하였으며, 중장기 예측에서는 다변량 LSTM 모형의 예측 정확도가 우수하였다.
본 연구의 결과를 바탕으로 예측 기간에 따른 적합한 예측 모형을 제시하고 도출된 컨테이너 물동량 예측치를 해운항만물류산업 및 항만 운영 이해관계자들에게 제공할 수 있을 것이다. 단기 예측치와 선석 추가시 증가하는 컨테이너 물동량을 파악하여 터미널 운영 계획, 장비 활용 계획, 배후부지 활용 등과 같은 계획 수립과 컨테이너 물동량 유치를 위한 마케팅 측면에서의 전략 및 계획 수립이 가능하다. 중장기 예측 모형은 향후 항만 개발 및 시설 확장 계획과 투자유치를 위한 의사결정도구로 활용이 가능하고, 이에 따른 관련 사업 전략 수립에 활용될 수 있다.
목차
Ⅰ. 서론 11. 연구 배경 및 목적 12. 연구 내용 및 방법 6Ⅱ. 이론적 배경 및 선행연구 검토 71. 개입 분석에 관한 선행연구 72. 컨테이너 물동량 변동요인에 관한 선행연구 103. 컨테이너 물동량 예측에 관한 선행연구 154. 선행연구 검토 및 차별점 21Ⅲ. 개입 분석을 활용한 컨테이너 물동량 예측 251. 개입 분석 개요 252. 분석 자료 283. 개입 분석 모형 설정 294. 개입 분석 모형 추정 및 검증 315. 개입 분석 모형을 활용한 컨테이너 물동량 예측 결과 34Ⅳ. 딥러닝을 활용한 컨테이너 물동량 예측 361. 분석 자료 362. LSTM 모형 개요 383. GRU 모형 개요 434. 딥러닝 모형 설계 445. 딥러닝 모형을 활용한 컨테이너 물동량 예측 결과 47Ⅴ. 부산항 컨테이너 물동량 예측 결과 분석 511. 예측 기간에 따른 모형별 예측 정확도 비교 분석 512. 해운항만물류산업에서의 연구결과 활용 방안 55Ⅵ. 결론 581. 연구 요약 및 시사점 582. 연구의 한계점 및 향후 연구 방향 60참고문헌 61Abstract 69
최근 본 자료
댓글(0)
0