서울 프라임 오피스 이산적 가격시계열 보간에 관한 연구

노상윤 한국감정원 2017 부동산분석 Vol.3 No.2

This study presents an objective method to generate a stable and continuous time series by interpolating and predicting the Seoul prime office price time series. The transaction price time series is important for calculating ROC and capitalization rate in the real estate investment market. It is also essential information for monitoring the market, to establish an investment strategy or creating a benchmark index for rational performance evaluation. The linear interpolation was found to be the most efficient method for interpolating the price time series. The results of analysis using an ETS model showed that the price time series varied with determinants such as level, trend, and seasonality; thus the time series trends of transaction prices for the three major business districts and the other district could be analyzed and forecast by the time series of the decomposed factors. In addition, based on the time series of calculated transaction prices for the three major business districts and the other district, a time series of the average price of Seoul prime offices could be generated. As a result of decomposing this time series through the ETS model, it was found that the transaction price time series rose sharply until 2008 and then turned into a pattern degressive increase. The price time series shows a fixed seasonality in four-year intervals, and it is expected that the time series will enter a new cycle after 3Q of 2015 and that the prices of Seoul prime offices will be adjusted for the next two to three years. 본 연구는 서울 프라임 오피스 매매가격 시계열을 보간하고 추정하여 안정적이고 연속적인 시계열을 생성하는 객관적인 방법을 제시한 연구이다. 매매가격시계열은 투자시장의 자본수익률과 자본환원율을 산출하는 데에 중요한 정보이다. 또한 시장을 모니터하여 투자전략을 수립하거나 합리적인 성과평가를 위한 벤치마크 지수를 생성하는 데에도 꼭 필요한 정보이다. 매매가격 시계열의 보간에는 선형보간법이 가장 효율적이었다. ETS모형을 활용하여 분석한 결과 매매가격 시계열은 수준, 추세, 그리고 계절성 등의 결정요인들에 의해 변화됨을 확인할 수 있었다. 따라서 분해되어진 이러한 요인 시계열들을 통해 3대 권역과 기타(ETC) 권역의 매매가격 시계열 추이를 분석하고 전망할 수 있었다. 아울러 3대 권역 및 기타 권역의 산출된 매매가격 시계열을 기초로 서울 프라임 오피스 평균매매가격 시계열을 생성할 수 있었다. 이 시계열을 ETS모형을 통해 분해한 결과 서울 매매가격 시계열은 2008년까지 급격하게 상승하다가 이후 체감적인 상승패턴으로 변화되었다. 4년을 주기로 일정한 계절성을 보이고 있었는데, 2015년 3분기 이후 새로운 순환주기에 진입한 것으로 분석되어 향후 2~3년간 서울 프라임 오피스 매매가격은 일정한 조정을 받을 것으로 전망되었다.

이상탐지 기반의 효율적인 시계열 유사도 측정 및 순위화

최지현 ( Ji-hyun Choi ),안현 ( Hyun Ahn ) 한국인터넷정보학회 2024 인터넷정보학회논문지 Vol.25 No.2

시계열 분석은 시간 순서로 정렬된 데이터로부터 다양한 정보와 인사이트를 발견하기 위한 방법으로 많은 조직에서 비즈니스 문제 해결을 위해 적용하고 있다. 그중에서 시계열 유사도 측정은 패턴이 비슷한 시계열들을 식별하기 위한 단계로서 시계열 검색 및 군집화와 같은 시계열 분석 응용에서 매우 중요하다. 본 연구에서는 전체 시계열이 아닌 이상치들을 중심으로 시계열 유사도 측정을 계산효율적으로 수행하는 방법을 제안한다. 이와 관련하여 이상탐지를 통해 추출된 서브시퀀스 집합에 대한 유사도 측정 결과와 시계열 전체에 대한 유사도 측정 결과 사이의 순위 상관관계를 측정 및 분석하여 제안 방법을 검증한다. 실험 결과로써, 주식 종목 시계열 데이터에 이상치 비율 10%을 적용한 유사도 측정으로부터 최대 0.9 이상의 스피어만 순위 상관계수를 확인하였다. 결론적으로 제안 방법을 통해 시계열 유사도 측정에 소요되는 계산량을 유의미하게 절감하는 동시에 신뢰 가능한 시계열 검색 및 군집화 결과를 기대할 수 있다. Time series analysis is widely employed by many organizations to solve business problems, as it extracts various information and insights from chronologically ordered data. Among its applications, measuring time series similarity is a step to identify time series with similar patterns, which is very important in time series analysis applications such as time series search and clustering. In this study, we propose an efficient method for measuring time series similarity that focuses on anomalies rather than the entire series. In this regard, we validate the proposed method by measuring and analyzing the rank correlation between the similarity measure for the set of subsets extracted by anomaly detection and the similarity measure for the whole time series. Experimental results, especially with stock time series data and an anomaly proportion of 10%, demonstrate a Spearman’s rank correlation coefficient of up to 0.9. In conclusion, the proposed method can significantly reduce computation cost of measuring time series similarity, while providing reliable time series search and clustering results.

시계열 분류를 위한 PIPs 탐지와 Persist 이산화 기법들을 결합한 시계열 표현

박상호(Sang-Ho Park),이주홍(Ju-Hong Lee) 한국콘텐츠학회 2010 한국콘텐츠학회논문지 Vol.10 No.9

시계열 데이터를 효율적이고 효과적으로 처리하기 위해 다양한 시계열 표현 방법들이 제안되었다. SAX(Symbolic Aggregate approXimation)는 단편화와 이산화 기법들을 결합한 시계열 표현 방법으로, 시계열 분류 문제에 성공적으로 적용되었다. 그러나 SAX는 시계열의 움직임을 평활하여 시계열의 중요한 동적 패턴들을 정확히 표현하기 위해 세그먼트 수를 크게 해야 한다. 본 논문은 PIPs (Perceptually Important Points)탐지 기법과 Persist 이산화 방법을 결합한 시계열 표현 방법을 제안한다. 제안된 방법은 시계열의 중요한 변곡점들을 나타내는 PIP 들을 탐지하여 고차원 시계열의 동적 움직임을 저차원 공간에서 표현한다. 그리고 시계열의 자기 전이와 주변 확률 분포를 KL 다이버전스에 적용하여 최적의 이산화 영역들을 결정한다. 제안된 방법은 시계열의 차원 축소과정에서 정보 손실을 최소화하여 시계열 분류의 성능을 향상시킨다. Various time series representation methods have been suggested in order to process time series data efficiently and effectively. SAX is the representative time series representation method combining segmentation and discretization techniques, which has been successfully applied to the time series classification task. But SAX requires a large number of segments in order to represent the meaningful dynamic patterns of time series accurately, since it loss the dynamic property of time series in the course of smoothing the movement of time series. Therefore, this paper suggests a new time series representation method that combines PIPs detection and Persist discretization techniques. The suggested method represents the dynamic movement of high-diemensional time series in a lower dimensional space by detecting PIPs indicating the important inflection points of time series. And it determines the optimal discretizaton ranges by applying self-transition and marginal probabilities distributions to KL divergence measure. It minimizes the information loss in process of the dimensionality reduction. The suggested method enhances the performance of time series classification task by minimizing the information loss in the course of dimensionality reduction.

BDS 통계와 DVS 알고리즘을 이용한 수문시계열의 비선형성 분석

최강수(Choi Kang Soo),경민수(Kyoung Min Soo),김수전(Kim Soo Jun),김형수(Kim Hung Soo) 대한토목학회 2009 대한토목학회논문집 B Vol.29 No.2B

수문시계열 분석과 예측을 위하여 통상적으로 기존의 선형적인 모형들을 이용하여 왔다. 그러나 최근 자연현상이나 수문시계 열의 패턴 그리고 변동성에 비선형구조가 존재하고 있다는 것이 입증되고 있다. 따라서 기존의 선형적인 방법들에 의한 시계열 분석이나 예측은 비선형 시스템에 대해서 적절하지 않을 것이다. 최근, 시계열의 비선형성 구조를 판단하기 위해 카오스 이론을 토대로 한 상관적분으로부터 BOS(Brock-Dechert-Scheinkman) 통계 기법이 유도되었다. BDS 통계는 시스템의 비선형구조와 무작위성 구조를 구별하는데 매우 효과적으로 이용되어 오고 있다. 또한 DVS(Deterministic Versus Stochastic) 알고리즘은 카오스와 추계학적 시스템을 구별하고 예측하는데 주로 이용되어 왔다. 그러나 본 연구에서는 DVS 알고리즘에 의해 시계열의 비선형성을 판별할 수 있음을 보이고자 한다. 따라서 본 연구에서는 추계학적 시계열과 수문학적 시계열들의 비선형성을 검사 하고자 한다. ARMA 모형과 TAR(Threshold autoregressive) 모형으로부터로 발생시킨 추계학적 시계열, 미국 유타주 GSL 체적자료, 미국 플로리다 주 St. Johns 강 Cocoa 지점의 유출량 자료, 소양강 댐 일 유입량 자료 등의 수문시계열에 대해 비선형성 분석을 수행하고 그 결과를 비교하였다. 분석결과 BDS 통계가 선형 및 비선형 시계열을 구분하는데 매우 강력한 도구임을 보였고,DVS 알고리즘 또한 시계열의 비선형성을 구별하는데 효과적으로 이용될 수 있음을 보였다. Classical linear models have been generally used to analyze and forecast hydrologic time series. However, there is growing evidence of nonlinear structure in natural phenomena and hydrologic time series associated with their patterns and fluctuations. Therefore, the classical linear techniques for time series analysis and forecasting may not be appropriate for nonlinear processes. In recent, the BDS (Brock-Dechert-Scheinkman) statistic instead of conventional techniques has been used for detecting nonlinearity of time series. The BDS statistic was derived from the statistical properties of the correlation integral which is used to analyze chaotic system and has been effectively used for distinguishing nonlinear structure in dynamic system from random structures. DVS (Deterministic Versus Stochastic) algorithm has been used for detecting chaos and stochastic systems and for forecasting of chaotic system. This study showed the DVS algorithm can be also used for detecting nonlinearity of the time series. In this study, the stochastic and hydrologic time series are analyzed to detect their nonlinearity. The linear and non?linear stochastic time series generated from ARMA and TAR (Threshold Auto Regressive) models, a daily streamflow at St. Johns river near Cocoa, Florida, USA and Great Salt Lake Volume (GSL) data, Utah, USA are analyzed, daily inflow series of Soyang dam and the results are compared. The results showed the BDS statistic is a powerful tool for distinguishing between linearity and nonlinearity of the time series and DVS plot can be also effectively used for distinguishing the nonlinearity of the time series.

정규화 변환을 지원하는 스트리밍 시계열 매칭 알고리즘

노웅기(Woong-Kee Loh),문양세(Yang-Sae Moon),김영국(Young-Kuk Kim) 한국정보과학회 2006 정보과학회논문지 : 데이타베이스 Vol.33 No.6

최근에 센서 및 모바일 장비들의 발전으로 인하여 이러한 장비들로부터 생성된 대량의 데이타 스트림(data stream)의 처리가 중요한 연구 과제가 되고 있다. 데이타 스트림 중에서 연속되는 시점에 얻어진 실수 값들의 스트림을 스트리밍 시계열(streaming time-series)이라 한다. 스트리밍 시계열에 대한 유사성 매칭은 여러 가지 고유 특성에 의하여 기존의 시계열 데이타와는 다르게 처리되어야 한다. 본 논문에서는 정규화 변환(normalization transform)을 지원하는 스트리밍 시계열 매칭 문제를 해결하기 위한 효율적인 알고리즘을 제안한다. 기존에는 스트리밍 시계열을 아무런 변환 없이 비교하였으나, 본 논문에서는 정규화 변환된 스트리밍 시계열을 비교한다. 정규화 변환은 절대적인 값은 달라도 유사한 변동 경향을 가지는 시계열 데이타를 찾기 위하여 유용하다. 본 논문의 공헌은 다음과 같다. (1) 기존의 정규화 변환을 지원하는 서브시퀀스 매칭 알고리즘[4]에서 제시된 정리(theorem)를 이용하여 정규화 변환을 지원하는 스트리밍 시계열 매칭 문제를 풀기 위한 간단한 알고리즘을 제안한다. (2) 검색 성능을 향상시키기 위하여 간단한 알고리즘을 k (≥ 1) 개의 인덱스를 이용하는 알고리즘으로 확장한다. (3) 주어진 k에 대하여, 확장된 알고리즘의 검색 성능을 최대화하기 위해 k 개의 인덱스를 생성할 최적의 윈도우 길이를 선택하기 위한 근사 방법(approximation)을 제시한다. (4) 스트리밍 시계열의 연속성(continuity) 개념[8]에 기반하여, 현재 시점 t?에서의 스트리밍 서브시퀀스에 대한 검색과 동시에 미래 시점 (t? + m - 1) (m ≥ 1)까지의 검색 결과를 한번의 인덱스 검색으로 구할 수 있도록 재차 확장한 알고리즘을 제안한다. (5) 일련의 실험을 통하여 본 논문에서 제안된 알고리즘들 간의 성능을 비교하고, k 및 m 값의 변화에 따라 제안된 알고리즘들의 검색 성능 변화를 보인다. 본 논문에서 제시한 정규화 변환 스트리밍 시계열 매칭 문제에 대한 연구는 이전에 수행된 적이 없으므로 순차 검색(sequential scan) 알고리즘과 성능을 비교한다. 실험결과, 제안된 알고리즘은 순차 검색에 비하여 최대 13.2배까지 성능이 향상되었으며, 인덱스의 개수 k가 증가함에 따라 검색 성능도 함께 증가하였다. According to recent technical advances on sensors and mobile devices, processing of data streams generated by the devices is becoming an important research issue. The data stream of real values obtained at continuous time points is called streaming time-series. Due to the unique features of streaming time-series that are different from those of traditional time-series, similarity matching problem on the streaming time-series should be solved in a new way. In this paper, we propose an efficient algorithm for streaming time-series matching problem that supports normalization transform. While the existing algorithms compare streaming time-series without any transform, the algorithm proposed in the paper compares them after they are normalization-transformed. The normalization transform is useful for finding time-series that have similar fluctuation trends even though they consist of distant element values. The major contributions of this paper are as follows. (1) By using a theorem presented in the context of subsequence matching that supports normalization transform[4], we propose a simple algorithm for solving the problem. (2) For improving search performance, we extend the simple algorithm to use k ( ≥ 1) indexes. (3) For a given k, for achieving optimal search performance of the extended algorithm, we present an approximation method for choosing k window sizes to construct k indexes. (4) Based on the notion of continuity[8] on streaming time-series, we further extend our algorithm so that it can simultaneously obtain the search results for m ( ≥ 1) time points from present t? to a time point (t? + m - 1) in the near future by retrieving the index only once. (5) Through a series of experiments, we compare search performances of the algorithms proposed in this paper, and show their performance trends according to k and m values. To the best of our knowledge, since there has been no algorithm that solves the same problem presented in this paper, we compare search performances of our algorithms with the sequential scan algorithm. The experiment result showed that our algorithms outperformed the sequential scan algorithm by up to 13.2 times. The performances of our algorithms should be more improved, as k is increased.

동조화 관계를 갖는 시계열을 위한 군집화 알고리즘

안준규,이주홍 한국지능시스템학회 2017 한국지능시스템학회논문지 Vol.27 No.6

Existing time series clustering algorithms are not suitable for finding co-movement relations in time series. In general, systems generating time series should take this into account for time series co-movement analysis because the state variables of the system change over time. In this paper, we propose a Co-movement time series clustering (CTC) algorithm to find time-series clusters with co-movement relations. The algorithm defines the WeightedDist function to consider the importance of time series data over time in co-movement analysis. In addition, the CTC algorithm includes a refinement process so that clusters generated by the algorithm do not include noise data that is significantly out of Co-movement. Experiments have shown that time-series clusters with Co-movement relationships are better found than comparative algorithms. 기존의 시계열 군집화 알고리즘들은 시계열의 동조화 관계를 찾는데 있어 적합하지 못하다. 일반적으로 시계열을생성하는 시스템은 시간의 흐름에 따라 시스템의 상태변수들이 변하기 때문에 시계열의 동조화분석에 이를 고려해야한다. 본 논문에서는 동조화 관계를 갖는 시계열 군집을 찾기 위해 CTC(Co-movement Time series Clustering)알고리즘을제안한다. 해당 알고리즘은 시간의 흐름에 따른 시계열 데이터의 중요도를 동조화분석에 고려하기 위하여 가중거리함수를정의하였다. 또한 CTC알고리즘에 정제과정을 포함하여 알고리즘에 의하여 생성된 군집에 동조화정도가 현저히 벗어나는노이즈 데이터가 포함되지 않도록 하였다. 실험을 통하여 동조화 관계를 갖는 시계열 군집를 비교 알고리즘들 보다 더 잘찾아주는 것을 보였다.

연안암반대수층의 해수침투경향성 파악을 위한 전기전도도 시계열 분석과 예측

주정웅(Jeong-Woung Ju),여인욱(In Wook Yeo) 대한자원환경지질학회 2017 자원환경지질 Vol.50 No.4

전라남도는 연안지역은 농업활동과 상수도의 미보급으로 인하여 지하수에 크게 의존하고 있다. 지하수의 과다사용은 지하수위 저하를 일으키며 그로 인한 해수침투가 발생할 가능성이 매우 높다. 따라서 지하수 사용에 따른 해수침투 관리가 매우 필요한 지역이다. 전라남도 무안군의 연안암반대수층에서 측정된 EC 자료를 이용하여 해안가 대수층에 적합한 시계열 모형을 구축하고, 해수침투의 지표인 EC를 예측하고자 시계열 분석을 수행하였다. 1년 이상 측정한 EC 시계열 자료는 짧은 주기적인 변동과 함께 추세적으로 증가하는 비정상 시계열의 특성을 보였다. 시계열 분석을 통해 시계열 모형 식별 결과 ARIMA 모형과 계절적인 요인을 고려 할 수 있는 SARIMA 모형 이 적합한 것으로 나타났다. 하지만 두 모형 적용한 결과, EC의 주기적인 변동으로 인해 ARIMA보다는 EC 자료의 변동 특성을 잘 반영한 SARIMA 모형이 예측에 있어서 유리한 것으로 나타났다. 위와 같이 시계열 분석은 암반 대수층에서 해수침투로 인한 EC의 변화를 예측하는데 있어 유용한 것으로 나타났다. Seawater intrusion into coastal fractured rock aquifer, resulting in groundwater contamination, is of serious concern in coastal areas of Jeolla Namdo, Korea, which heavily depends on groundwater resources. Time series analysis and forecasting were carried out to analyze and predict EC which is a major indicator of seawater intrusion. Two time series models of autoregressive integrated moving average (ARIMA) and seasonal autoregressive integrated moving average (SARIMA) were tested for suggesting appropriate time series model. Time series data of EC measured over one year showed a increasing trend with short periodic fluctuations, due to tidal effect and pumping, which indicated that EC time series data tended to be non-stationary. SARIMA model was found better fitted to observed EC than any other time series model. Time series analysis and modeling was found to be a useful tool to analyze EC at coastal fractured rock aquifer subject to seawater intrusion.

견고한 시계열 표현 및 분류정확도 향상을 위한 그리드 셀 가중치 학습 방법

강준영,황혜수 한국정보과학회 2019 정보과학회 컴퓨팅의 실제 논문지 Vol.25 No.9

We propose a method of learning weights of cells in a grid for each time series, to generate a grid-based weighted vector representation of each time series, for robust representation and effective classification of time series data. The proposed method can find the cell weight that reflects degree of positive or negative impact of each cell, to the classification of time series data. Additionally, we suggest learning cell weights of multiple grids and integrating them, to improve robustness of our time series representation. Time series visualization experiments confirm, that our method can effectively discover positive cells and negative cells, that have critical impact on classification of each time series. Performance comparison experiments with various datasets demonstrate that the proposed time series representation is highly effective for the classification of time series data. 본 논문에서는 견고한 시계열 표현 및 분류정확도 향상을 위한 그리드 기반 가중 벡터 표현형을 구성하는 그리드 셀 가중치의 학습 방법을 제안하였다. 제안 방법은 시계열 분류에 결정적인 역할을 하는 긍정셀과 부정셀을 효과적으로 찾을 수 있다. 또한 다중 그리드를 이용한 셀 가중치 학습 및 통합을 통해 시계열 표현형의 견고성 및 시계열 분류 정확도를 향상하였다. 클래스 간 차이가 두드러지는 데이터 집합의 시각화를 통하여 제안 방법이 클래스 분류 특성을 효과적으로 드러냄을 확인하였다. 또한, 다양한 시계열 데이터 집합을 이용한 분류 정확도 비교 실험을 통해 제안 방법이 분류 정확도를 실제로 개선하는 데도 효과적임을 보였다.

시계열 이미징 기법을 이용한 다변량 센서 데이터 분류

김유선,박경석 한국정보과학회 2022 정보과학회논문지 Vol.49 No.8

Various methods have been proposed in order to predict the future, from statistical-based time series analysis methods to deep learning-based prediction models, such as LSTM. However, the real industry data are highly complex due to various unpredictable factors. Therefore, it is difficult for the prediction models alone to extract valuable information from the data. Time series imaging is a method for converting time series into two-dimensional images, enabling the extraction of information that is difficult to interpret from raw data. In this paper, we transform the multivariate sensor data into two-dimensional multichannel images, and based on them, we propose a time series classification method. Furthermore, we compare the proposed method with the previous time series prediction methods to verify its usefulness. 과거 정보로부터 미래를 예측하기 위해 통계 기반의 시계열 분석 방식부터 LSTM과 같은 딥러닝 기반 예측 모델들까지 다양한 방법들이 제안되었다. 그러나 실제 산업에서 사용하는 데이터의 경우 예측 불가능한 여러 요인들로 인해 높은 복잡성을 갖으며, 이로 인해 예측 모델만으로는 시계열 데이터에 내포된 가치 있는 정보를 추출하기 어려운 문제점이 있다. 시계열 이미징(time series imaging)은 시계열을 2차원 이미지로 변환하여 분석하는 방법으로, 원시 시계열에서 해석하기 힘든 정보의 추출을 가능하게 한다. 본 논문에서는 다변량 센서 데이터를 2차원의 다채널 이미지로 변환하여 이를 기반으로 시계열을 분류하는 방식을 제안하였으며, 기존에 시계열 예측 분야에서 사용하는 방식과의 비교를 통해 제안 방식의 효용성을 검증하였다.

시계열 모형을 이용한 범죄예측 사례연구

주일엽 한국경호경비학회 2012 시큐리티연구 Vol.- No.30

본 연구는 살인, 강도, 강간, 절도, 폭력 등 주요 범죄를 예측할 수 있는 시계열 모형을 도출하고 이를 이용한 주요 범죄의 발생 전망을 파악하여 범죄 발생에 대한 과학적인 치안 정책 수립에 기여하는데 그 목적이 있다. 이와 같은 목적을 달성하기 위하여 2002년부터 2010년까지의 살인, 강도, 강간, 절도, 폭력 등 주요범죄에 대한 월별 발생건수를 IBM PASW(SPSS) 19.0을 사용하여 주요 범죄의 시계열 예측모형을 규명하기 위한 시계열 모형생성(C), 주요 범죄의 시계열 예측모형에 대한 정확도 규명을 위한 시계열 모형생성(C) 및 시계열 순차도표(N)를 실시하였다. 이와 같은 연구목적과 연구방법을 통하여 도출한 연구결과는 다음과 같다. 첫째, 살인, 강도, 강간, 절도, 폭력 등 주요 범죄에 대한 시계열 예측모형은 각각 단순계 절, Winters 승법, ARIMA(0,1,1)(0,1,1), ARIMA(1,1,0)(0,1,1), 단순계절로 나타났다. 둘째, 살인, 강도, 강간, 절도, 폭력 등 주요 범죄에 대하여 시계열 예측모형을 이용한 주요 범죄에 대한 단기적 발생 전망이 가능한 것으로 나타났다. 이러한 연구결과를 토대로 범죄 발생에 대한 지속적인 시계열 예측모형 제시, 분기별, 연도별 범죄 발생건수를 기초로 하는 중 ․ 장기 시계열 예측모형에 대한 관심이 요구된다. The purpose of this study is to contribute to establishing the scientific policing policies through deriving the time series models that can forecast the occurrence of major crimes such as murder, robbery, burglary, rape, violence and identifying the occurrence of major crimes using the models. In order to achieve this purpose, there were performed the statistical methods such as Generation of Time Series Model(C) for identifying the forecasting models of time series, Generation of Time Series Model(C) and Sequential Chart of Time Series(N) for identifying the accuracy of the forecasting models of time series on the monthly incidence of major crimes from 2002 to 2010 using IBM PASW(SPSS) 19.0. The following is the result of the study. First, murder, robbery, rape, theft and violence crime's forecasting models of time series are Simple Season, Winters Multiplicative, ARIMA(0,1,1)(0,1,1), ARIMA(1,1,0 )(0,1,1) and Simple Season. Second, it is possible to forecast the short-term's occurrence of major crimes such as murder, robbery, burglary, rape, violence using the forecasting models of time series. Based on the result of this study, we have to suggest various forecasting models of time series continuously, and have to concern the long-term forecasting models of time series which is based on the quarterly, yearly incidence of major crimes.