Distributed Lag Non-linear Model을 이용한 Baltic Dry Index 예측 및 요인 별 시차 영향도 도출에 관한 연구

• 영문명: Study on Predicting the Baltic Dry Index and Analyzing Lag Effects of Factors using a Distributed Lag Non-linear Model
• 발행기관: 한국자료분석학회
• 저자명: 김영휘(Younghwi Kim) 심성현(Sunghyun Sim)
• 간행물 정보: 『Journal of The Korean Data Analysis Society (JKDAS)』Vol.26 No.2, 513~525쪽, 전체 13쪽
• 주제분류: 자연과학 > 통계학
• 파일형태: PDF
• 발행일자: 2024.04.30

국문 초록

Baltic Dry Index(BDI)는 해운 물류 산업에서 시장의 현황을 파악하기 위한 중요한 대표적인 지표로써, 전 세계 무역 및 제조 활동의 흐름을 파악할 수 있는 지표이다. BDI는 변동성이 큰 지표로 알려져 있어, 이를 정확히 예측하기 위해 다양한 머신러닝 및 딥러닝 기반의 연구들이 활발히 진행되고 있다. 하지만 이러한 접근 방식들은 예측 결과에 대한 해석이 어렵다는 한계점이 존재한다. 본 논문에서는 BDI 예측을 위해 시계열 데이터의 시간과 값 범위 두 차원에서의 종속성을 포착해 이를 설명하는 Distributed Lag Non-linear Model(DLNM)을 이용한다. DLNM을 통해 BDI 예측력을 향상시키고, 예측 결과에 대해서 요인별 시차 영향도를 제공함으로써 예측에 대한 설명을 제공할 수 있는 모형 프레임워크를 제안한다. 제안된 모형의 성능을 평가하기 위해 선행 연구에서 주로 활용된 다양한 머신러닝 및 딥러닝 모형과의 비교실험을 위해 4가지 성능비교 지표를 이용하여 비교 실험을 수행하였고, 기존 접근 방식에 비해 개선된 예측 성능을 보여주었다. 학습된 DLNM 모형을 활용하여 시차에 따른 요인별 영향도를 분석하였으며, 기존 선행연구와의 비교를 통해 분석된 결과가 기존 선행 연구의 결과들과 일관성이 있음을 확인하였다. 본 연구를 통해 해운 물류 산업에서 데이터를 기반으로 한 의사 결정을 이루기 위한 방향을 제시할 것으로 기대된다.

영문 초록

The Baltic Dry Index (BDI) is a crucial and representative indicator in the shipping logistics industry sector for evaluating the market conditions, providing valuable information on the movement of global trade and production operations. The BDI, known for its significant volatility, has been the focus of several research initiatives utilizing machine learning and deep learning approaches to improve accuracy. Nevertheless, these approaches frequently encounter difficulties in understanding the results of the predictions. This study provides a framework that utilizes the Distributed Lag Non-linear Model to enhance the predictive accuracy of the BDI. The proposed model has the capability of capturing lag effects based on different factors to improve the prediction results. To evaluate the efficacy of the suggested approach, we carried out comparison experiments utilizing four performance metrics that have been widely utilized in previous studies to compare with different machine learning and deep learning models. The results showed enhanced prediction accuracy in comparison with existing methodologies. The lag effects by factor have been examined using the trained DLNM model, and we verified that the analyzed results are in good agreement with prior research by comparing them with previous research

목차

1. 서론

2. 선행 연구

3. 분석 방법론 및 실증 분석

4. 결론

References

키워드

비선형 시차분포모형 건화물 운임 지수 해상운임지수 해운물류시장 시계열 예측 Distributed Lag Non-linear Model Baltic Dry Index Maritime Freight Index Shipping Logistics Industry Timeseries-Forecasting