Datamining 기법을 활용한 일별 항공화물 수요 예측

민경창; 하헌구

doi:10.7470/jkst.2020.38.3.190

추천

검색

질문

자료유형: 학술저널

저자정보: 민경창 (인하대학교) 하헌구 (인하대학교)

저널정보: 대한교통학회 대한교통학회지 대한교통학회지 제38권 제3호

발행연도: 2020.6

수록면: 190 - 207 (18page)

DOI: 10.7470/jkst.2020.38.3.190

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

WTO 체제 출범 이후 급격하게 증가한 항공화물에 대한 수요는 최근 E-commerce와 Cross-Border Trade의 폭발적인 성장에 따라 향후 더욱 증가할 것으로 예상된다. 항공화물에 대한 수요가 증가함에 따라 항공화물에 대한 정확한 수요예측의 필요성 역시 증가하고 있다. 그러나 기존 항공수요와 관련된 연구들은 주로 여객을 대상으로 진행되어 왔다. 화물을 대상으로 한 연구의 경우 주로 중장기 경영전략, 인프라 투자 등을 목적으로 하는 장기적인 관점의 예측에 관한 것이 다수이다. 본 연구는 항공사, 공항 등의 세부 운영전략 수립에 실질적인 도움을 줄 수 있는 일단 위 항공화물 수요예측 모형을 개발하고 제안하는데 그 목적이 있다. 본 연구에서는 인천국제공항에서 출발하는 K항공사의 일별 화물 물동량을 대상으로 공휴일 변수와 의사결정나무 가운데 하나인 CHAID 방법론을 활용하여 일별물동량 예측 모형을 개발하였다. 예측모형은 총 2단계를 통해 개발되었다. 첫 번째 단계에서는 주차별 공휴일 정보와 ARIMA 방법론을 통해 도출한 주차별 물동량 예측치를 설명변수로 하는 나무모형을 통해 주차별 물동량을 예측하였다. 두 번째 단계에서는 앞서 도출한 주차별 항공화물 물동량 예측치와 주차 및 일별 공휴일 정보를 바탕으로 최종 일단위 예측모형을 개발하였다. 본 연구에서 개발한 예측모형을 바탕으로 향후 56일간의 예측정확도를 검증한 결과 일평균 93.9% 이상의 높은 정확도를 나타냈다. 이는 대표적인 시계열 방법론인 ARIMA 모형을 통한 예측 정확도 대비 일평균 8.6% 이상 높은 수준임을 확인하였다. 또한 일반적인 수요예측의 특성과 달리 예측시점으로부터의 시차와 상관없이 꾸준하게 높은 정확도를 유지한다는 점을 확인할 수 있었다. 더불어 특정 시점이 아닌 20개 시점으로 시점을 옮겨가며 예측한 결과물에서도 일평균 91.2%의 정확도를 보이며 예측 모형으로서의 가치를 확인하였다. 이에 본 연구가 향후 항공화물의 일단위 수요예측에 도움이 되길 바라며, 나아가 보다 다양한 분야의 일단위 수요예측에 활용될 것으로 기대된다.

Since the WTO was launched in 1995, Air cargo demand has risen sharply. It is expected to grow further on the explosive growth of E-commerce and Cross-Border trade in recently. As air cargo demand increases, the importance and needs for the forecasting of air cargo demand is increasing as well. Most of previous researches has been focussed on passenger part. In the case of researches on the forecasting of air cargo demand, the majority of researches are conducted quarterly or yearly forecasting to apply for establishment of mid-/long-term strategies, and an investment plan for an airport. The purpose of this paper is to develope the daily air cargo forecasting model that is able to help players in aviation, airlines, airports, etc., establish detailed operational strategies. In this paper, Chi-squared automatic interaction detection methodology is used to develop the forecasting model. The forecasting model is developed through two steps. At the first step, the weekly volume of air cargo is predicted by using CHAID methodology based on predict value from autoregressive integrated moving average and holiday information. At the second step, the final model which is the daily air cargo demand forecasting model is developed based on the weekly forecasting result from the first step, and holiday information by CHAID method as well. Based on the forecasting model developed in this paper, the daily cargo volumes for the next 56 days are predicted and the forecasting accuracy for each day is 93.9% which is 8.6% point higher than the forecasting accuracy for ARIMA model. It was noted that, unlike the characteristics of general demand forecasts, the high forecasting accuracy is maintained regardless of time lag from the forecasting point. And the result of the forecasting by shifting the forecasting point to 20 point, the forecasting accuracy for each dais is 91.2%, is high as well. The research finding shows the forecast model of this paper is worth to use as a daily forecasting model. It is expected that this paper will help to forecast the daily air cargo demand, and will further be used to forecast daily demand in more diverse area.

#air cargo demand #daily forecasting #data mining #demand forecasting #항공화물수요 #CHAID #일별 예측 #데이터마이닝 #수요예측

참고문헌 (16)

참고문헌 신청

Amin S. H., Zhang G., Akhtar P. (2016), Effects of Uncertainty on a Tire Closed-loop Supply Chain Network, Expert Systems with Applications, 73, 82-91.

Chen S. C., Kuo S. Y., Chang K. W., Wang. Y. T. (2012), Improving the Forecasting Accuracy of Air Passenger and Air Cargo Demand: The Application of Back-propagation Neural Networks, Journal of Transportation Planning and Technology, 35(3), 373-392.

Gharehgozli A. H., Yu Y., Koster R. D., Udding J. T. (2014), A Decision-tree Stacking Heuristic Minimising the Expected Number of Reshuffles at a Container Terminal, International Journal of Production Research, 2014, 52(9), 2592-2611.

Hartigan J. A. (1975), Clustering Algorithms, John Wiley and Sons (Newyork), 330-340.

Jang J. M., Lee B. H., Ko J. H. (2019), Determinants of Commute Time Satisfaction : Focusing on the Residents of Gyeonggi Province, Journal of Air Transport Management, 37(4), 290-301.

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

민경창

소속기관 인하대학교

주요연구분야 공학 > 기타공학 > 교통공학 사회과학 > 경영학

논문수 6 이용수 480

하헌구

소속기관 인하대학교

주요연구분야 사회과학 > 지리학 > 지리학 일반 사회과학 > 무역학

논문수 43 이용수 2,376

이 논문과 함께 이용한 논문

항공화물수요예측에서 계절 ARIMA모형 적용에 관한 연구 : 인천국제공항발 미주항공노선을 중심으로

서보현 , 양태웅 , 하헌구 대한교통학회지 2017 .04

시계열 분석 기반 신뢰구간 추정을 활용한 항만 물동량 이상감지 방안

하준수 , 나준호 , 조광휘 외 1명 한국항만경제학회지 2021 .03

일별 항공물동량 예측을 위한 의사결정나무 모형 비교 분석

문현 , 김도훈 , 하헌구 대한교통학회지 2023 .02

앞서가는 미래 물류는 기술과 융합한 ‘스마트 물류’ : 하헌구 한국물류과학기술학회장

하헌구 , 최재성 국토 2022 .02

신선식품 전자상거래 서비스에 대한 소비자 인식 및 시장 동향 분석: 텍스트 마이닝 기법의 활용

임채환 , 하준수 , 조광휘 외 1명 인터넷전자상거래연구 2021 .08

최근 본 자료

전체보기

UCI(KEPA) : I410-ECN-0101-2020-053-000902646

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (16)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)