일별 항공물동량 예측을 위한 의사결정나무 모형 비교 분석

문현; 김도훈; 하헌구

doi:10.7470/jkst.2023.41.1.049

추천

검색

질문

자료유형: 학술저널

저자정보: 문현 (인하대학교) 김도훈 (인하대학교) 하헌구 (인하대학교)

저널정보: 대한교통학회 대한교통학회지 대한교통학회지 제41권 제1호

발행연도: 2023.2

수록면: 49 - 67 (19page)

DOI: 10.7470/jkst.2023.41.1.049

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

이 논문의 연구 히스토리 (2)

2023

일별 항공물동량 예측을 위한 의사결정나무 모형 비교 분석

문현 , 김도훈 , 하헌구 대한교통학회지 2023.02 학술저널

일별 항공물동량 예측을 위한 데이터마이닝 모형 예측정확도 비교분석

문현 2023.01 학위논문

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

글로벌 경제 성장과 세계무역기구(WTO) 체제의 등장으로 인해 국제 교역량이 증가함에 따라 항공운송산업은 지속적으로 성장하고 있다. 글로벌 항공운송시장에서 항공사 간 경쟁이 심화되고 있고 항공사들은 경쟁우위를 점하기 위해 질적 성장을 통한 경쟁력 강화를 모색하고 있다. 특히 항공사 생존의 핵심 요소 중 하나로 운영 효율성 증대가 대두되고 있다. 수요예측은 운영 효율화 달성을 위한 분야 중 하나이다. 항공수요예측은 항공산업 내 경제주체들의 의사결정에 기초자료 및 참고자료로 활용된다. 일별 항공물동량 예측은 공항이나 항공사의 장비 또는 인력의 운용 계획과 재배치 등 세부적인 운영계획 수립을 위한 필수자료로 활용된다. 본 연구에서는 ARIMA 모형과 의사결정 나무 방법론인 CART(Classification And Regression Tree), CHAID(Chi-squared Automatic Interaction Detection)를 결합하여 일별 항공물동량 예측모형을 추정하고 예측모형 간 예측정확도를 비교 분석하여 정확도 높은 일별 항공물동량 예측모형을 식별했다. 예측모형은 총 2단계를 거쳐 생성되었다. 첫 번째 단계에서는 주요 교역국의 주별 공휴일 수와 주별 ARIMA 예측치를 설명변수로 하여 주별 예측모형을 생성했다. 두 번째 단계에서는 첫 번째 단계에서 생성한 주별 예측모형을 통해 도출한 주별 예측치와 요일정보, 주요 교역국의 공휴일 정보를 설명변수로 하여 일별 예측모형을 생성했다. 해당 과정을 거쳐 생성된 일별 예측모형을 통해 성수기인 1월부터 향후 91일 간의 예측정확도를 검증한 결과 CART 모형은 MAPE 기준 12.20%, CHAID 모형은 12.28%의 예측오차를 보였고 전통적인 시계열 예측기법인 ARIMA 모형은 11.35%의 예측오차를 보였다. 비수기인 7월부터 향후 91일간의 예측정확도를 검증한 결과 CART 모형은 MAPE 기준 10.47%, CHAID 모형은 11.20%, ARIMA 모형은 11.44%의 예측오차를 보였다. 본 연구에서는 일별 항공화물 예측모형 간 예측정확도를 비교분석하여 예측시점에 따라 적합한 모형을 식별하였다. 또한 예측모형 간 예측정확도 차이가 나는 원인에 대해 분석하고 시사점을 제시하였다.

The Air transport industry continues to grow as international trade volume increases due to global economic growth and the emergence of the WTO system. Competition among airlines is intensifying in the global air transport market, and airlines are trying to strengthen their competitiveness through qualitative growth to gain a competitive advantage. In particular, increasing operational efficiency has emerged as a critical factor. Demand forecasting is one of the areas for achieving operational efficiency, and aviation demand forecasting is used as reference material for decision-making by economic players in the aviation industry. Daily air cargo forecasting is essential data for establishing detailed operational plans, such as operational planning and relocation of equipment or personnel from airports or airlines. This paper estimates the daily air cargo prediction model by combining the ARIMA model and the CART (Classification And Regression Tree) and CHAID (Chi-squared Automatic Interection Detection) methodology. And the accuracy of the prediction models was compared and analyzed to identify the accurate daily air cargo prediction model. The prediction model was generated through a total of two steps. In the first step, a weekly prediction model was generated using the number of holidays per week of major trading countries and the weekly ARIMA forecasting result. In the second step, a daily prediction model was generated using weekly prediction results from the first step and the day and holiday information of major trading countries. Based on the forecasting models in this paper, the air cargo for the next 91 days predicted from January, the CART model’s MAPE is 12.20%, the CHAID model’s MAPE is 11.35%, and the ARIMA model’s MAPE is 12.28%. For the air cargo for the next 91 days predicted from July, the CART model’s MAPE is 10.47%, the CHAID model’s MAPE is 11.20%, and the ARIMA model’s MAPE is 11.44%. This study identified which model is suitable for daily air cargo prediction according to the prediction point by comparing and analyzing the accuracy of daily air cargo prediction models. In addition, analyze the cause of the difference in accuracy between the prediction models and suggest implications.

#air cargo demand #CART #CHAID #comparative analysis #daily forecasting #demand forecasting #항공화물수요 #비교분석 #일별 예측 #수요예측

참고문헌 (14)

참고문헌 신청

Boeing (2020), https://www.boeing.com/resources/boeingdotcom/market/assets/downloads/2020_WACF_PDF_Download.pdf, 2022.7.19

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).

Chou T. Y., Liang G. S., Han T. C. (2011), Application of Fuzzy Regression on Air Cargo Volume Forecast, Quality & Quantity, 45(6), 1539-1550.

Kim W. S. (2010), A Study on Factors of Education’s Outcome using Decision Trees, Engineering Education Research, 13(4), 51-59.

Klindokmai S., Neech P., Wu Y., Ojiako U., Chipulu M., Marshall A. (2014), Evaluation of Forecasting Models for Air Cargo, The International Journal of Logistics Management, 25(3), 635-655.

함께 읽어보면 좋을 논문

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

이 논문의 저자 정보

문현

소속기관 인하대학교

주요연구분야 공학 > 기타공학 > 교통공학

논문수 1 이용수 190

김도훈

소속기관 인하대학교

주요연구분야 공학 > 기계공학 > 기계공학 일반 공학 > 전기전자공학 > 전기공학

논문수 18 이용수 2,343

하헌구

소속기관 인하대학교

주요연구분야 사회과학 > 지리학 > 지리학 일반 사회과학 > 무역학

논문수 43 이용수 2,376

이 논문과 함께 이용한 논문

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

시계열 분석 기반 신뢰구간 추정을 활용한 항만 물동량 이상감지 방안

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

Datamining 기법을 활용한 일별 항공화물 수요 예측

민경창 , 하헌구 대한교통학회지 2020 .06

고속철도의 경쟁전략이 운송시장의 운임과 점유율에 미치는 영향 분석

서보현 , 김규승 , 임채환 외 1명 대한교통학회지 2020 .04

최근 본 자료

전체보기

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

이 논문의 연구 히스토리 (2)

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (14)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)