시계열 자료의 예측을 위한 자료 기반 신경망 모델에 관한 연구: 한강대교 수위예측 적용

유형주,이승오,최서혜,박문형 한국방재안전학회 2019 한국방재안전학회 논문집 Vol.12 No.2

Recently, as the occurrence frequency of sudden floods due to climate change increased, the flood damage on riverside social infrastructures was extended so that there has been a threat of overflow. Therefore, a rapid prediction of potential flooding in riverside social infrastructure is necessary for administrators. However, most current flood forecasting models including hydraulic model have limitations which are the high accuracy of numerical results but longer simulation time. To alleviate such limitation, data driven models using artificial neural network have been widely used. However, there is a limitation that the existing models can not consider the time-series parameters. In this study the water surface elevation of the Hangang River bridge was predicted using the NARX model considering the time-series parameter. And the results of the ANN and RNN models are compared with the NARX model to determine the suitability of NARX model. Using the 10-year hydrological data from 2009 to 2018, 70% of the hydrological data were used for learning and 15% was used for testing and evaluation respectively. As a result of predicting the water surface elevation after 3 hours from the Hangang River bridge in 2018, the ANN, RNN and NARX models for RMSE were 0.20 m, 0.11 m, and 0.09 m, respectively, and 0.12 m, 0.06 m, and 0.05 m for MAE, and 1.56 m, 0.55 m and 0.10 m for peak errors respectively. By analyzing the error of the prediction results considering the time-series parameters, the NARX model is most suitable for predicting water surface elevation. This is because the NARX model can learn the trend of the time series data and also can derive the accurate prediction value even in the high water surface elevation prediction by using the hyperbolic tangent and Rectified Linear Unit function as an activation function. However, the NARX model has a limit to generate a vanishing gradient as the sequence length becomes longer. In the future, the accuracy of the water surface elevation prediction will be examined by using the LSTM model. 최근 이상기후로 인한 집중호우에 따른 하천변 사회기반시설의 침수피해가 증가하고 있으며, 침수 가능성 여부에 대한 신속한 예·경보가 필요한 실정이다. 일반적인 홍수 예·경보는 하천수위를 이용하고 있으며, 수치모형을 이용하여 하천수위를 예측하는 연구가 대부분이었다. 그러나 수치모형을 이용한 하천수위 예측은 결과가 정확한 반면 수치모의 시간이 오래 소요된다는 한계점이 있어 최근에는 인공신경망 등을 적용한 자료기반의 수위예측 모형이 많이 이용되고 있다. 하지만 기존의 인공신경망을 활용한 수위예측 연구는 시간적 매개변수를 고려하지 못하였다는 한계점이 존재한다. 본 연구에서는 시간적 매개변수(Time delay= 2시간)를 고려한 NARX 신경망 모형을 사용하여 한강대교의 수위를 예측하였다. 또한 NARX 모형의 적합성을 판단하기 위하여 인공신경망(ANN) 모형과, 순환신경망(RNN)모형의 결과와 비교하였다. 2009년에서 2018년까지 10년간의 수문자료를 이용하여 70%를 학습시키고 검정과 평가에 15%를 사용하여 2018년의 한강대교 3시간 후 수위를 예측한 결과 평균제곱근오차(RMSE)의 경우 ANN, RNN, NARX model이 각 각 0.20 m, 0.11 m, 0.09 m, 평균절대오차(MAE)의 경우, 각각 0.12 m, 0.06 m, 0.05 m, 첨두수위 오차(Peak Error)는 각각 1.56 m, 0.55 m, 0.10 m로 나타났다. 연구 대상지역에 대한 시간적 매개변수를 고려한 예측 결과의 오차분석을 통하여 NARX 신경망 모형을 사용 하는 것이 수위예측 모형 구축이 가장 적합한 것으로 나타났다. 이는 NARX 신경망 모형이 과거의 입력자료를 고려함으로써 시계열 자료의 변동 추세도 학습 할 수 있으며, 또한 모형 내 활성함수를 쌍곡선탄젠트(Hyperbolic tangent) 및 Rectified Linear Unit(ReLU) 함 수를 사용하여 고수위 예측 시에도 정확한 예측 값을 도출할 수 있기 때문이다. 그러나 NARX 신경망 모형은 시퀀스 길이가 길어짐에 따라 기울기 소실문제(Vanishing gradient)가 발생하는 한계점이 있어 향후에는 이를 보완한 LSTM(Long Short Term Model)모형을 이용하여 수위예측의 정확도를 검토하고자 한다.

인공신경망과 TANK 모형의 결합을 통한 강우-유출 해석

김마가 ( Maga Kim ),최진용 ( Jin-yong Choi ) 한국농공학회 2023 한국농공학회 학술대회초록집 Vol.2023 No.0

유역 유출은 농업 수문계획 수립에서 중요한 요소로 홍수 조절, 수자원 보존, 수질 등 많은 부분에 영향을 미치며, 유역 내 수자원을 효율적으로 관리하기 위해 필수적인 역할을 한다. 유출은 강우에 따른 유역의 반응으로 발생하는데 유역의 지형, 식생, 토지이용, 기상인자, 수문인자 등 복잡한 관계에 따라 강우에 따른 유출은 비선형성, 불확실성을 지닌다. 이러한 비선형적 특성으로 인해 강우-유출의 물리적 현상을 수학적으로 표한하기가 어려우며, 매개변수 보정을 위해 많은 노력을 필요로 한다. 인공신경망 (Artificial Neural Network, ANN)은 자료를 기반으로 학습하는 모형으로 비선형적인 자연현상을 모의하기에 적합하다고 알려져 있다. 인공신경망 모형은 물리적 현상을 수학적으로 표현하지 않고, 자료를 기반으로 하여 접근이 용이하다는 장점이 있으나, 물리현상을 모형 내부에 반영하기가 어려우며 자료 품질에 따른 영향을 크게 받는다. 또한 입력자료의 구성에 따라 모형 성능에 차이가 있는데, 일 유출량 예측의 경우 선행 유출량이 중요한 역할을 하고 있어, 모형 성능을 높이기 위해서 선행 유출량이 중요한 역할을 한다. TANK 모형은 유역을 3~4개의 개념적인 탱크로 가정하고 매개변수를 최적화하여 강우-유출을 분석하는 개념모형이다. TANK 모형은 다른 강우-유출 모형에 비해 간단하고 더 적은 매개변수를 필요로 한다는 장점이 있으며, 필요한 입력자료와 매개변수가 적어 유역의 관측 자료가 부족한 경우에도 활용할 수 있다. 그러나 매개변수가 추정되지 않은 유역에 대해서는 모형의 신뢰도가 다소 낮으며 유역 특성에 맞추어 매개변수의 보정이 필요하다. TANK 모형은 물리적인 강우-유출 과정을 개념적으로 표현한 것으로 TANK 모형을 결과를 ANN 모형의 입력자료로 활용하여 강우에 대한 유역의 물리적 반응을 모형에 반영할 수 있으며, 입력자료 중 선행 유출량을 TANK 모형 산정 결과로 대체할 경우 선행 유출량 자료 없이 ANN 모형의 적용이 가능하다. 따라서 본 연구에서는 ANN과 수정 3단 TANK 모형을 결합하여 강우-유출 해석을 수행하고 모형 성능을 향상하고자 하였다. ANN 모형은 ReLU (Rectified Linear Unit) 함수를 활성화 함수로 하는 단순 신경망을 이용하였으며, 입력자료로 기상자료와 선행 유출량 자료를 활용하였다. 이때 선행 유출량 자료로 관측 유출량과 수정 3단 TANK에 의해 모의된 유출량을 활용하였으며, 그에 따른 모형의 성능을 비교하였다. 또한 TANK 모형에 의한 강우-유출해석 결과와 ANN-TANK 결합 모형에 의한 강우-유출 해석 결과를 비교 평가하였다.

인공신경망모형을 이용한 KOSPI 200 선물의 가격결정에 관한 연구

김헌수,김광용,정대용 보험연구원 2003 보험금융연구 Vol.37 No.-

본 연구의 목적은 주가지수선물의 시장가격과 괴리를 보이고 있는 보유비용모형의 문제를 극복하기 위하여 보유비용모형 외에 일반균형모형과 인공지능기법을 이용하여 우리나라 주가지수선물의 가격결정을 실증분석하고 성과를 비교한다. 인공신경망 기법은 잘 알려진 바와 같이 파생상품의 가격결정모형에 있어서 기초자산의 확률과정 및 기타 비현실적인 가정들을 필요로 하지 않기 때문에 이로부터 발생하는 오차를 최소화할 수 있다. 모형간의 성과는 실제가격과의 괴리율의 평균, MAD(Mean Absolute Deviation), MSE(Mean Square Error)를 사용한다. 분석결과 일반균형모형이 보유비용모형보다 훨씬 나은 성과를 보이는 것은 확인할 수 있었으나, 인공신경망모형이 일반균형모형보다 더 좋은 성과를 얻기 위해서는 lag 변수들을 추가해야 한다는 점을 알 수 있었다. 시장가격에 가까운 이론가격을 주는 모형을 이용하여 가격예측력을 높이기 위해서는 일반균형모형뿐만 아니라 인공신경망모형이 주가지수선물의 가격결정에 있어서 좋은 대안이 될 수 있을 것이다. The objective of this paper is to empirically investigate and compare pricing accuracy of stock index futures models; cost-of-carry model, general equilibrium model and neural network model. Neural network models could minimize pricing errors because they do not require unrealistic assumptions, e.g., underlying assets` stochastic processes. In order to achieve the research objective, we employ three evaluation statistics; average pricing errors, MAD(Mean Absolute Deviation) and MSE(Mean Square Error). We find that the general equilibrium model outperforms the cost-of-carry model and that the neural network model ‘with more lag variables’performs better than the general equilibrium model. The results imply that not only general equilibrium models but also neural network models could be potential alternatives for more accurate pricing models on stock index futures and that further studies on these models should be warranted.

k-평균 군집화와 인공신경망의 통합모형 구성: 주택가격추정 사례

윤한성 경성대학교 산업개발연구소 2023 산업혁신연구 Vol.39 No.2

In this paper, the existing methods and a new proposed method of integration of k-means clustering and artificial neural network are compared and their estimation powers are evaluated for house price estimation. In previous studies, the integration methods were applied to areas other than house price, but the results of applying them to house price estimation are better than that of single usage of artificial neural network without k-means clustering. In the existing integration method, the k-means clustering is considered as a method in which the input data of the artificial neural network is divided according to similarity and the characteristics of each cluster are additionally reflected in the artificial neural network. The proposed integration model is configured in such a way that the training data is first divided from the learning data and the artificial neural network is constructed from k-means clustering results of the training data. In addition, the validation and test data are classified into the same number of clusters based on the closest criterion to the cluster centers of the training data groups. MAE is evaluated to show improved estimation power compared to the existing integration methods in the case of housing price estimation. The integration method proposed in this paper can be used not only for housing price estimation but also for various estimation models. 본 연구에서는 k-평균 군집화 및 인공신경망 모형의 통합적 활용방식을 주택가격 추정에 적용하였다. 기존의 통합적 방식을 정리하고 새로운 통합방식을 제안하였으며, 주택가격 추정에 적용 및 추정력을 비교·평가하였다. 기존의 통합방식 모형을 주택가격 추정에 적용한 결과는 앞선 연구결과와 마찬가지로, 인공신경망으로만 구성한 모형보다 k-평균 군집결과를 인공신경망에 통합적으로 적용한 경우가 나은 추정력을 보이는 것으로 평가되었다. 이와 더불어, 본 논문에서는 개선된 통합방식을 제안하고자 하였다. 기존의 통합방식은 k-평균 군집화 과정이 마치 인공신경망의 입력자료를 유사성에 따라 나누고, 군집별 특성을 추가적으로 인공신경망에 반영하는 방식으로 고려된다. 제안한 통합모형은 학습용 데이터로부터 분할한 훈련용 데이터의 k-평균 및 군집결과로부터 인공신경망을 구성하는 형태로 구성하였다. 그리고 검증용 및 테스트용 데이터는 훈련용 데이터의 군집중심과 최근접 기준으로 각각 동일한 수의 군집으로 분류하였다. MAE로써 평가한 결과, 주택가격 추정사례에서 기존의 통합방식과 비교하여 개선된 추정력을 보이는 것으로 평가되었다. 본 논문에서 제안된 k-평균 군집화 및 인공신경망의 통합모형은 주택가격 추정 뿐만 아니라, 다양한 추정모형으로 활용이 가능할 것으로 기대된다.

비선형 회귀분석, 인공신경망, 구조방정식을 이용한 지방부 4지 신호교차로 교통사고 예측모형 성능 비교 연구

오주택,윤일수,황정원,함음 대한교통학회 2014 대한교통학회지 Vol.32 No.3

For the evaluation of roadway safety, diverse methods, including before-after studies, simple comparison using historic trafficaccident data, methods based on experts’ opinion or literature, have been applied. Especially, many research efforts havedeveloped traffic accident prediction models in order to identify critical elements causing accidents and evaluate the level ofsafety. A traffic accident prediction model must secure predictability and transferability. By acquiring the predictability, the modelcan increase the accuracy in predicting the frequency of accidents qualitatively and quantitatively. By guaranteeing thetransferability, the model can be used for other locations with acceptable accuracy. To this end, traffic accident prediction modelsusing non-linear regression, artificial neural network, and structural equation were developed in this study. The predictability andtransferability of three models were compared using a model development data set collected from 90 signalized intersections anda model validation data set from other 33 signalized intersections based on mean absolute deviation and mean squared predictionerror. As a result of the comparison using the model development data set, the artificial neural network showed the highestpredictability. However, the non-linear regression model was found out to be most appropriate in the comparison using the modelvalidation data set. Conclusively, the artificial neural network has a strong ability in representing the relationship between thefrequency of traffic accidents and traffic and road design elements. However, the predictability of the artificial neural networksignificantly decreased when the artificial neural network was applied to a new data which was not used in the model developing. 도로의 안전성을 평가하기 위한 방법으로서 교통사고 자료를 이용하는 방법, 사전-사후평가를 통한 방법 또는 전문가 의견이나기존 문헌을 통한 방법 등 다양한 방법들이 존재한다. 특히, 교차로 교통 안전성을 평가하는 경우 많은 연구들이 교통사고예측모형개발을 통하여 교통사고와 관련한 원인과 안전성을 평가하고 있다. 교통사고예측모형 개발에 있어서 모형의 예측력과 전용성을 확보하는 것이 중요하다. 즉, 예측력을 확보함으로써 교통사고 건수나 교통 안전성 판단의 지표를 예측하는데 오차를 줄일 수 있고,전용성을 확보함으로써 개발된 모형이 다른 지점이나 구간에 적용하더라도 문제없이 적용될 수 있는 대표성을 가질 수 있다. 따라서 본 연구에서는 교통사고예측모형 개발에 주로 사용되는 회귀모형과 인공신경망, 구조방정식을 이용하여 교통사고예측모형을 각각 개발하였으며, 개발될 모형의 예측력과 전용성을 평균절대오차와 평균제곱예측오차를 기준으로 확인하였다. 90개소 신호교차로의모형개발자료를 이용하여 세 가지 방법으로 교통사고예측모형을 개발 후 개발데이터를 통해 예측력을 비교한 결과 인공신경망이 가장 높은 예측력을 보였다. 또한 모형의 전용성 검증을 위하여 별도로 수집한 33개소 신호교차로의 모형검증자료를 이용하여 개발된모형을 검증한 결과 비선형 회귀모형이 가장 적합한 것으로 나타났다. 모형개발 과정에서 가장 높은 예측력을 보인 인공신경망의경우 다른 대상지에서 수집된 모형검증 자료를 적용하였을 때 예측력에 큰 변화를 보여 전용성이 떨어진 것으로 분석되었다.

항만물동량 예측력 제고를 위한 ARIMA 및 인공신경망모형들의 비교 연구

신창훈(Chang-Hoon Shin),정수현(Su-Hyun Jeong) 한국항해항만학회 2011 한국항해항만학회지 Vol.35 No.1

The accuracy of forecasting is remarkably important to reduce total cost or to increase customer services, so it has been studied by many researchers. In this paper, the artificial neural network (ANN), one of the most popular nonlinear forecasting methods, is compared with autoregressive integrated moving average(ARIMA) model through performing a prediction of container traffic. It uses a hybrid methodology that combines both the linear ARIAM and the nonlinear ANN model to improve forecasting performance. Also, it compares the methodology with other models in performance for prediction. In designing network structure, this work specially applies the genetic algorithm which is known as the effectively optimal algorithm in the huge and complex sample space. It includes the time delayed neural network (TDNN) as well as multi-layer perceptron (MLP) which is the most popular neural network model. Experimental results indicate that both ANN and Hybrid models outperform ARIMA model. 예측의 정확성은 비용의 감소나 고객서비스의 제고를 위해 필수적으로 선행되어야 하기에 현재까지도 많은 연구자들에 의해 연구되고 있는 분야이다. 본 연구에서는 국내 항만의 컨테이너 물동량 예측에 있어 대표적인 비선형예측모형인 인공신경망모형과 ARIMA모형에 대한 비교연구를 수행하는데 목적을 두었고, 컨테이너 물동량 예측력 제고를 위해 ARIMA모형과 인공신경망(ANN)모형을 결합한 하이브리드모형을 사용해 다른 모형들과 예측성과를 비교하고자 한다. 특히 인공신경망모형의 네트워크 구조 설계에 부분에 있어 방대하며 복잡한 탐색공간에서도 전역해 찾기에 효과적인 기법으로 알려져 있는 유전알고리즘을 사용함과 동시에 인공신경망의 대표적인 모형으로 알려진 다층퍼셉트론(MLP)뿐만 아니라 시간지연네트워크(TDNN)를 사용해 예측성과를 비교하였다. 그 결과 ANN모형과 하이브리드모형이 ARIMA모형보다 더 뛰어난 예측성과를 보이는 것으로 나왔다.

단계적 회귀분석과 인공신경망 모형을 이용한 광양항 석탄·철광석 물동량 예측력 비교 분석

조상호,남형식,류기진,류동근 한국항해항만학회 2020 한국항해항만학회지 Vol.44 No.3

It is very important to forecast freight volume accurately to establish major port policies and future operation plans. Thus, related studies are being conducted because of this importance. In this paper, stepwise regression analysis and artificial neural network model were analyzed to compare the predictive power of each model on Gwangyang Port, the largest domestic port for coal and iron ore transportation. Data of a total of 121 months January 2009-January 2019 were used. Factors affecting coal and iron ore trade volume were selected and classified into supply-related factors and market/economy-related factors. In the stepwise regression analysis, the tonnage of ships entering the port, coal price, and dollar exchange rate were selected as the final variables in case of the Gwangyang Port coal volume forecasting model. In the iron ore volume forecasting model, the tonnage of ships entering the port and the price of iron ore were selected as the final variables. In the analysis using the artificial neural network model, trial-and-error method that various Hyper-parameters affecting the performance of the model were selected to identify the most optimal model used. The analysis results showed that the artificial neural network model had better predictive performance than the stepwise regression analysis. The model which showed the most excellent performance was the Gwangyang Port Coal Volume Forecasting Artificial Neural Network Model. In comparing forecasted values by various predictive models and actually measured values, the artificial neural network model showed closer values to the actual highest point and the lowest point than the stepwise regression analysis. 항만의 주요 정책 및 향후 운영계획 수립 시 정확한 물동량 예측에 관한 연구는 매우 중요하며 이러한 중요성으로 인해 관련 연구가 활발히 수행되고 있다. 본 논문에서는 국내 최대 석탄 및 철광석 처리 항만인 광양항을 대상으로 단계적 회귀분석과 인공신경망모형을 활용하여 모형간 예측력을 비교하였다. 2009년 1월부터 2019년 1월까지 총 121개월의 월별자료를 활용하였으며 석탄 및 철광석 물동량에 영향을 주는 요인을 선정하여 공급관련요인과 시장·경제관련요인으로 분류하였다. 단계적 회귀분석 결과, 광양항 석탄 물동량 예측모형의 경우, 입항선박 톤수, 석탄가격 및 대미환율이 최종변수로 선정되었고 철광석 물동량 예측모형의 경우, 입항선박 톤수, 철광석가격이 최종변수로 선정되었다. 인공신경망모형의 경우, 모델 성능에 영향을 미치는 다양한 Hyper-parameters를 조정하며 최적 모델을 선정하는 시행착오법을 사용하였다. 분석결과 인공신경망모형이 단계적 회귀분석에 비해 우수한 예측성능을 나타내었으며 예측 모형별 예측값과 실측값을 그래프 상 비교 시에도 인공신경망모형이 단계적 회귀분석에 비해 고·저점을 유사하게 나타냈다.

개입 승법계절 ARIMA와 인공신경망모형을 이용한 해상운송 물동량의 예측

김창범 한국항만경제학회 2015 韓國港灣經濟學會誌 Vol.31 No.1

The purpose of this study is to forecast the seaborne trade volume during January 1994 toDecember 2014 using the multiplicative seasonal autoregressive integrated moving average (ARIMA)along with intervention factors and an artificial neural network (ANN) model. Diagnostic checks ofthe ARIMA model were conducted using the Ljung-Box Q and Jarque-Bera statistics. All types ofARIMA process satisfied the basic assumption of residuals. The ARIMA(2,1,0) (1,0,1)12 modelshowed the lowest forecast error. In addition, the prediction error of the artificial neural networkindicated a level of 5.9% on hidden layer 5, which suggests a relatively accurate forecasts. Furthermore, the ex-ante predicted values based on the ARIMA model and ANN model arepresented. The result shows that the seaborne trade volume increases very slowly. 본고는 개입 승법계절 ARIMA모형과 인공신경망모형을 이용하여 해상운송 물동량을 추정하고 사전적예측치를 도출하였다. 개입 ARIMA의 추정결과 오차항에서 자기상관이 존재하지 않고 정규성이 존재함으로써 오차항의 기본가정이 잘 충족되고 있음을 확인하였다. 그리고 개입 승법계절 ARIMA모형과 인공신경망모형에 대해 예측실적 오류를 ME, MAE, RMSE, MSE로 측정한 결과 ARIMA (2,1,0)(1,0,1)12이가장 우수한 예측모형임을 확인할 수 있었다. 2015년부터 2019년까지의 기간에 대해 개입 ARIMA모형을 이용한 해상운송 물동량의 사전적 예측치 결과 4.54%에서 4.99%의 연평균 증가율을 보였고, 인공신경망모형을 이용한 예측결과 2.00%에서 2.44%까지의 연평균 증가율을 나타냈다.

택시 DTG 데이터를 이용한 교통사고 위험도 추정 모형 개발

김동욱 ( Kim Dong Uk ),권오훈 ( Kwon Oh Hoon ) 한국도로교통공단 2022 교통안전연구 Vol.41 No.1

본 연구는 택시 DTG 데이터 자료를 활용하여 도시부의 교통사고 위험도를 추정하는 모형을 개발하고 성능을 검증하고자 한다. 택시운행기록 자료(DTG)를 통해 위험운전행동 유형이 발생한 시간과 교통사고 데이터를 활용하여 교통사고 위험도를 예측하는 모형을 개발하였다. 또한 모형의 성능을 검증하기 위해 사고다발 격자를 정의하고 모형을 통한 식별 성능을 평가하였다. 그 결과, 인공신경망모형이 회귀모형에 비해 식별 성능이 높은 것으로 나타났으며, 인공신경망모형 중 택시 교통량에 따라 격자 그룹을 구분한 인공신경망모형이 전체 격자로 구축한 인공신경망모형보다 더 효과적으로 사고다발지점을 식별하였다. 본 연구는 향후 택시 DTG 데이터를 활용한 교통안전개선에 대한 대책 마련과 교통관리시스템의 교통안전 기술 개발 등의 기초 연구로 활용될 가능성이 있다. The aim of this study was to develop a model for estimating traffic accident risks in urban areas using Taxi DTG and to verify the performance of this model, in order to predict high-risk traffic accidents via tracking risky driving behavior and traffic accident data. To verify the performance of our model, we evaluated it using identification performance. We found that our ANN model showed higher performance than a regression model, and that an ANN model that was developed using three grid groups according to taxi volume outperformed an ANN model that used the entire grid. This study may act a foundation for future studies of traffic safety improvement using taxi DTG data and for the development of traffic safety technologies for traffic management systems.

인공신경망 모형을 활용한 미술품 경매에 대한 COVID-19의 파급효과 분석

이지인,송정석 국제문화기술진흥원 2023 The Journal of the Convergence on Culture Technolo Vol.9 No.2

This study explores the influence of the COVID-19 pandemic on the Korean art market and contrasts the classic hedonic method of art price prediction with the Artificial Neural Network technique. The empirical analysis of this paper utilizes 14,639 observations of Korean art auction data from 2015 to 2021. There are three types of variables in this study: artist-related, artwork-related, and sales-related. Previous studies have suggested that these three types of variables influence art prices. The empirical findings in this research are in twofold. First, in terms of RMSE and , the Artificial Neural Network outperforms the hedonic model. Both techniques discover that sales and artwork variables have a greater impact than artist-related attributes. Second, when the primary factors of art price are controlled, Korean art prices are found to fall dramatically in 2020, shortly following the onset of COVID-19, but to rebound in 2021. The main lesson in this study is that the Artificial Neural Network enhances art price prediction and reduces information asymmetry in the Korean art market even in the face of unanticipated turmoil such as the COVID-19 outbreak. 본 연구에서는 한국 미술품 데이터를 통해 COVID-19의 미술 시장 파급 효과를 분석하고, 전통적인 통계 방법인 헤도닉 모형과 인공신경망의 성능을 와 RMSE로 비교 분석하며 미술품 가격을 형성하고 있는 요인의 중요도에 대해 명시적으로 분석해 본다. 헤도닉 모형과 인공신경망의 실증 분석에 사용된 데이터는 2015-2021년의 거래된 한국 미술품 가격 데이터로 총 14,639개를 수집하였다. 각 모형에 적용된 변수는 기존 선행 연구에서 사용되었던 가격형성요인을 참고하여 두 모형 동일하게 적용하였다. 그 결과 COVID-19가 처음 발생하였던 연도인 2020년에는 미술품 가격이 하락하였으나 2021년에는 미술품 가격이 상승한 것으로 나타났다. 헤도닉 모형과 인공신경망의 성능을 비교하였을 때 인공신경망의 는 0.764, RMSE는 0.076, 헤도닉 모형의 는 0.677, RMSE는 1.071로 인공신경망의 성능이 우수한 것으로 나타났다. 또한 중요도를 명시적으로 확인하였을 때 작품적 요인이 크게 작용하였다는 점에 주목할 만하다. 예측하지 못한 상황적 변수로 미술시장이 급변하는 시점에서 본 연구의 결과는 효율적인 미술품 가격 모형을 제시해 줄 것이라 생각한다.