필리핀 항만의 페리 승객 수 예측을 위한 장단기 메모리 신경망 활용

Keskeiset käsitteet

필리핀 두 개 항만의 페리 승객 수 예측을 위해 장단기 메모리 신경망 모델을 활용하여 합리적인 예측 성능을 달성하였다.

Tiivistelmä

이 연구는 필리핀의 두 개 항만, 바탕가스 항과 민도로 항의 페리 승객 수 예측을 위해 장단기 메모리 신경망 모델을 활용하였다. 2016년부터 2022년까지의 월별 승객 데이터를 사용하였으며, 평균 절대 백분율 오차(MAPE)를 주요 평가 지표로 사용하였다.

제안된 2층 LSTM 신경망 모델은 바탕가스 항 승객 수 예측에서 72% 정확도, 민도로 항 승객 수 예측에서 74% 정확도를 달성하였다. 이는 합리적인 수준의 예측 성능으로 평가된다.

추가적으로 이 연구는 다른 통계적, 기계 학습, 딥 러닝 방법을 활용한 페리 승객 수 예측에 대한 추가 연구를 제안하고 있다.

Tilastot

월별 페리 승객 수는 2016년부터 2022년까지 84개의 관측치로 구성되어 있다.
바탕가스 항 평균 절대 오차(MAE)는 82,086.31, 평균 절대 백분율 오차(MAPE)는 0.28이다.
민도로 항 평균 절대 오차(MAE)는 70,090.25, 평균 절대 백분율 오차(MAPE)는 0.26이다.

Lainaukset

"Ferry transportation and services in the Philippines were a major means of passage. During peak seasons it is usual for ports and different ferry terminals in the Philippines to experience heavy passenger traffic."
"Aside from these notable findings, this study also recommends further investigation and studies on employing other statistical, machine learning, and deep learning methods on forecasting ferry passenger flows."

Tärkeimmät oivallukset

Forecasting Ferry Passenger Flow Using Long-Short Term Memory Neural Networks

by Daniel Fesal... klo arxiv.org 05-06-2024

https://arxiv.org/pdf/2405.02098.pdf

Syvällisempiä Kysymyksiä

페리 승객 수 예측에 있어 다른 외부 요인들(날씨, 경제 상황 등)을 고려하면 어떤 영향을 미칠 수 있을까?

외부 요인들인 날씨, 경제 상황 등을 페리 승객 수 예측 모델에 포함시키면 예측 정확도를 향상시킬 수 있습니다. 예를 들어, 날씨가 좋을 때 해변으로의 여행이 늘어나거나 휴가철에는 승객 수가 증가할 수 있습니다. 경제 상황이 호전될 때 소비자들의 여행 수요가 늘어나기도 하며, 이러한 외부 요인들을 고려하면 미래의 승객 흐름을 더 정확하게 예측할 수 있습니다.

LSTM 모델 외에 다른 딥러닝 모델(예: CNN-LSTM)을 활용하여 성능을 비교해볼 수 있을까?

LSTM 모델 외에 다른 딥러닝 모델인 CNN-LSTM을 활용하여 성능을 비교하는 것은 유익할 수 있습니다. CNN은 이미지 처리에 주로 사용되는데, 시계열 데이터에 적용할 경우 공간적 특징을 추출하는 데 도움이 될 수 있습니다. 따라서 CNN-LSTM 모델은 시간적 및 공간적 특징을 모두 고려하여 더 정확한 예측을 할 수 있을 것으로 기대됩니다. 이러한 모델 간 비교를 통해 어떤 모델이 더 효과적인지를 확인할 수 있습니다.

필리핀 외 다른 섬나라에서의 페리 승객 수 예측 연구는 어떤 시사점을 줄 수 있을까?

다른 섬나라에서의 페리 승객 수 예측 연구는 유용한 시사점을 제공할 수 있습니다. 섬나라들은 주로 해상 교통을 이용하며, 페리 서비스는 중요한 교통 수단입니다. 이러한 연구를 통해 다른 섬나라들도 페리 승객 수를 예측하고 효율적으로 관리하는 데 도움이 될 수 있습니다. 또한, 다른 국가들의 페리 승객 수 예측 모델을 비교하고 분석함으로써 보다 효과적인 모델 개발에 기여할 수 있습니다.