RISS 학술연구정보서비스

검색
다국어 입력

http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.

변환된 중국어를 복사하여 사용하시면 됩니다.

예시)
  • 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
  • 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
닫기
    인기검색어 순위 펼치기

    RISS 인기검색어

      검색결과 좁혀 보기

      • 좁혀본 항목

      • 좁혀본 항목 보기순서

        • 원문유무
        • 음성지원유무
          • 원문제공처
          • 등재정보
          • 학술지명
          • 주제분류
          • 발행연도
          • 작성언어
          • 저자

        오늘 본 자료

        • 오늘 본 자료가 없습니다.
        더보기
        • 무료
        • 기관 내 무료
        • 유료
        • 추가전용 데이터베이스에 대한 연속 마이닝

          김룡(Long Jin),이준욱(Jun Wook Lee),이양우(Yang Woo Lee),류근호(Keun Ho Ryu) 한국정보과학회 2002 한국정보과학회 학술발표논문집 Vol.29 No.2Ⅰ

          최근에 많은 새로운 타입의 어플리케이션에서 정보 시스템들에 대한 사용의 증가로 인해 연속 질의들은 여러 연구 프로젝트들에서 초점이 되고 있으며, 연구가 활발히 진행되고 있다. 특히 시계열에 대해서 미래의 값에 대한 예측 모델과 FFT(Fast Fourier Transform)을 이용하여 새로운 값이 입력될 때마다 신속하게 응답할 수 있는 이웃에 관한 연속 질의에 대해 이미 연구되었다. 그러나 이것은 이웃에 관한 질의이며 또한 방대한 데이터를 처리함에 있어서 매우 효율적이지 못하다. 이 논문에서는 시계열에 있어서 예측 모델을 이용하여 미래의 값을 예측한다. 다음 DFT(Discrete Fourier Transform)을 이용하여 변환한 후 R*-tree를 구성하고, 새로운 값이 입력될 때마다 신속하게 유사성 시계열들을 찾아서 응답하는 연속 범위 질의 과정과 시스템 구조에 대해 제안한다.

        • KCI등재

          한 번의 데이터베이스 탐색에 의한 빈발항목집합 탐색

          채덕진 ( Duck Jin Chai ),김룡 ( Long Jin ),이용미 ( Yong Mi Lee ),황부현 ( Bu Hyun Hwang ),류근호 ( Keun Ho Ryu ) 한국정보처리학회 2008 정보처리학회논문지D Vol.15 No.1

          본 논문에서는 한 번의 데이터베이스 스캔으로 빈발항목집합들을 생성할 수 있는 효율적인 알고리즘을 제안한다. 제안하는 알고리즘은 빈발 항목과 그 빈발항목을 포함하고 있는 트랜잭션과의 관계를 나타내는 이분할 그래프(bipartite graph)를 생성한다. 그리고 생성된 이분할 그래프를 이용하여 후보 항목집합들을 생성하지 않고 빈발 항목집합들을 추출할 수 있다. 이분할 그래프는 빈발항목들을 추출하기위해 대용량의 트랜잭션 데이터베이스를 스캔할 때 생성된다. 이분할 그래프는 빈발항목들과 그들이 속한 트랜잭션들 간의 관계를 엣지(edge)로 연결한 그래프이다. 즉, 본 논문에서의 이분할 그래프는 대용량의 데이터베이스에서 쉽게 발견할 수 없는 빈발항목과 트랜잭션의 관계를 검색하기 쉽게 색인(index)화한 그래프이다. 본 논문에서 제안하는 방법은 한 번의 데이터베이스 스캔만을 수행하고 후보 항목집합들을 생성하지 않기 때문에 기존의 방법들보다 빠른 시간에 빈발 항목집합들을 찾을 수 있다. In this paper, we propose an efficient algorithm using only one-time database scan. The proposed algorithm creates the bipartite graph which indicates relationship of large items and transactions including the large items. And then we can find large itemsets using the bipartite graph. The bipartite graph is generated when database is scanned to find large items. We can't easily find transactions which include large items in the large database. In the bipartite graph, large items and transactions are linked each other. So, we can trace the transactions which include large items through the link information. Therefore the bipartite graph is a indexed database which indicates inclusion relationship of large items and transactions. We can fast find large itemsets because proposed method conducts only one-time database scan and scans indexed the bipartite graph. Also, it don't generate candidate itemsets.

        • u-Logistics 알림 시스템의 설계 및 구현

          이용미(Yongmi Lee),김룡(Long Jin),서성보(Sungbo Seo),오세원(Se Won Oh),이용준(Yong Joon Lee),류근호(Keun Ho Ryu) 한국정보과학회 2004 한국정보과학회 학술발표논문집 Vol.31 No.1B

          지능화된 사물이 스스로 공간의 상황을 인식하여 필요한 행위를 대신해 주는 유비쿼터스 컴퓨팅의 응용 환경하에서는 언제 어디서나 상황 정보를 분석하여 원하는 사용자에게 실시간으로 알려줄 수 있어야 한다. 그러나, 기존의 e-Logistics 물류 시스템에서는 실물의 흐름과 정보의 흐름간에 불일치가 존재하기 때문에 화물의 위치를 실시간으로 추적하는 것이 불가능하였다. 따라서, 우리는 이러한 문제들을 해결하기 위해 화물에 센싱 가능한 스마트 태그를 부착하고, 이로부터 실시간으로 수집된 정보를 이용하여 사용자에게 유용한 정보를 제공하는 u-Logistics 알림 시스템을 설계하고 구현하였다. 이 논문에서는 u-Logistics 시스템의 전체적인 구조를 기술하고, 특히 규칙의 정의에서부터 알림 서버가 실시간으로 이벤트를 수집하여 원하는 사용자에게 화물 또는 차량에 대한 정보를 제공하기까지의 알림 시스템의 전반적인 처리 과정을 기술한다. 마지막으로, 물류 환경에의 적용 시나리오를 통하여 u-Logistics 알림 시스템의 구현을 제시한다.

        • KCI등재

          스트림 데이타 예측을 위한 슬라이딩 윈도우 기반 점진적 회귀분석

          김성현(Sung Hyun Kim),김룡(Long Jin),류근호(Keun Ho Ryu) 한국정보과학회 2007 정보과학회논문지 : 데이타베이스 Vol.34 No.6

          최근 센서 네트워크의 발달로 실세계의 많은 데이타가 시간 속성을 갖고 실시간으로 수집되고 있다. 기존의 시계열 데이타 예측 기법은 모델 갱신 없이 예측을 수행하였다. 그러나 스트림 데이타는 매우 빠르게 수집이 되고 시간이 지남에 따라 데이타의 특성이 변경될 수 있으므로 기존의 시계열 예측 기법을 적용하는 것은 적절하지 않다. 따라서 이 논문에서는 슬라이딩 윈도우와 점진적인 회귀분석을 이용한 스트림 데이타 예측 기법을 제안한다. 이 기법은 스트림 데이타를 다중 회귀 모델에 입력하기 위해 차원 분열을 통해 여러 개의 속성으로 분열(Fractal)하고, 변화되는 데이타의 분포를 반영하기 위해 슬라이딩 윈도우 기법을 사용하여 점진적으로 회귀 모델을 갱신한다. 또한 고정 크기 큐를 이용하여 최근의 데이타로만 모델을 유지한다. 이전 데이타의 유지 없이 최소 정보를 갖는 행렬을 통해 모델을 갱신하므로 낮은 공간 복잡도를 갖고 점진적으로 모델을 갱신함으로써 에러율의 증가를 방지한다. 제안된 기법의 타당성은 RME(Relative Mean Error)와 RMSE(Root Mean Square Error)를 이용하여 측정하였고, 실험 결과 다른 기법에 비해 우수하였다. Time series of conventional prediction techniques uses the model which is generated from the training step. This model is applied to new input data without any change. If this model is applied directly to stream data, the rate of prediction accuracy will be decreased. This paper proposes an stream data prediction technique using sliding window and regression. This technique considers the characteristic of time series which may be changed over time. It is composed of two steps. The first step executes a fractional process for applying input data to the regression model. The second step updates the model by using its information as new data. Additionally, the model is maintained by only recent data in a queue. This approach has the following two advantages. It maintains the minimum information of the model by using a matrix, so space complexity is reduced. Moreover, it prevents the increment of error rate by updating the model over time. Accuracy rate of the proposed method is measured by RME(Relative Mean Error) and RMSE(Root Mean Square Error). The results of stream data prediction experiment are performed by the proposed technique IMQR(Incremental Multiple Quadratic Regression) is more efficient than those of MLR(Multiple Linear Regression) and SVR(Support Vector Regression).

        • 분산데이터베이스 환경하의 시간연관규칙 적용

          조암(Yan Zhao),김룡(Long Jin),서성보(Sungbo Seo),류근호(Keun Ho Ryu) 한국정보과학회 2004 한국정보과학회 학술발표논문집 Vol.31 No.1B

          Recently, mining for association rules in distributed database environments is a central problem in knowledge discovery area. While the data are located in different share-nothing machines, and each data site grows by time. Mining global frequent itemsets is hard and not efficient in large number of distributed servers. In many distributed databases, time component(which is usually attached to transactions in database), contains meaningful time-related rules. In this paper, we design a new DTA(distributed temporal association) algorithm that combines temporal concepts inside distributed association rules. The algorithm confirms the time interval for applying association rules in distributed databases. The experiment results show that DTA can generate interesting correlation frequent itemsets related with time periods.

        • 시계열 데이터 예측을 위한 점진적인 회귀 분석 모델

          김성현 ( Sung Hyun Kim ),이용미 ( Yongmi Lee ),김룡 ( Long Jin ),서성보 ( Sungbo Seo ),류근호 ( Keun Ho Ryu ) 한국정보처리학회 2006 한국정보처리학회 학술대회논문집 Vol.13 No.1

          기존의 데이터 마이닝 예측 기법 중 회귀분석은 학습 단계에서 생성된 모델을 변경 없이 새로운 데이터에 적용하였다. 그러나 시계열 데이터에 모델 변경 없이 동일하게 적용하면 시간이 지남에 따라 정확도가 낮아지는 단점이 있다. 따라서 이 논문에서는 시간에 따라 변화하는 시계열 데이터의 특성을 고려하여 점진적으로 회귀 모델을 갱신하는 기법을 제안한다. 이 기법은 입력되는 모든 데이터를 회귀 모델에 적용하여 점진적으로 모델을 갱신한다. 제안된 기법의 타당성은 RME(Relative Mean Error)와 RMSE(Root Mean Square Error)를 이용하여 측정하였다. 정확도 측정 실험 결과 제안 기법인 IMQR(Incremental Multiple Quadratic Regression) 기법이 MLR(Multiple Linear Regression), MQR(Multiple Quadratic Regression), SVR(Support Vector Regression) 기법에 비해 RME 가 평균 2%, RMSE 가 평균 0.02 정도 우수한 결과를 얻었다.

        • 스트림 데이터의 윈도우 기반 분류

          김성현 ( Sung Hyun Kim ),이용미 ( Yongmi Lee ),김룡 ( Long Jin ),서성보 ( Sungbo Seo ),류근호 ( Keun Ho Ryu ) 한국정보처리학회 2005 한국정보처리학회 학술대회논문집 Vol.12 No.2

          센서와 모바일 기술의 발달로 인해 다양한 센서에서 수집된 스트림 데이터를 처리하는 연구들이 많이 수행되고 있다. 다차원 속성의 스트림 데이터는 센서에서 주기적으로 수집되어 버퍼링 후 처리되기 때문에 기존의 투플 기반의 데이터 분류 기법에 적합하지 않다. 따라서 이 논문에서는 윈도우 기반의 스트림 데이터 분류를 위해 각 속성의 평균과 표준편차 값을 이용하여 투플 기반으로 변환하는 기법을 제안한다. 제안된 기법의 타당성은 투플 기반 데이터 분류 기법(의사결정트리, 단순 베이지안 분류기, 베이지안 신뢰 네트워크)에 의한 정확도 측정에 기반 한다. 로봇에서 수집된 센서 데이터를 이용한 실험 결과, 높은 정확도로 제안된 기법이 타당함을 증명하였으며 베이지안 신뢰 네트워크 기법이 다른 기법에 비해 우수함을 발견하였다.

        • 점진적 모델 갱신 기법을 이용한 스트림 데이터 예측

          김성현(Sung Hyun Kim),이용미(Yongmi Lee),김룡(Long Jin),서성보(Sungbo Seo),류근호(Keun Ho Ryu) 한국정보과학회 데이터베이스 소사이어티 2006 데이타베이스 연구 Vol.22 No.2

          최근 센서 네트워크의 발달로 실세계의 많은 데이터가 시간 속성을 갖고 실시간으로 수집되고 있다. 기존의 시계열 데이터 예측 기법은 긴 주기를 갖는 과거 데이터를 통해 미래를 예측하거나 모델 갱신 없이예측을 수행하였다. 그러나 스트림 데이터는 매우 빠르게 수집이 되고 시간이 지남에 따라 데이터의 특성이 변경될 수 있으므로 기존의 시계열 예측 기법을 적용하는 것은 적절하지 않다. 따라서 이 논문에서는 슬라이딩 윈도우와 점진적인 회귀분석을 이용한 스트림 데이터 예측 기법을 제안한다. 이 기법은 스트림데이터를 다중 회귀 모델에 입력하기 위해 차원 분열을 통해 여러 개의 속성으로 분열( F r a c t a l )하고, 변화되는 데이터의 분포를 반영하기 위해 슬라이딩 윈도우 기법을 사용하여 점진적으로 회귀 모델을 갱신한다. 이전 데이터의 유지 없이 최소 정보를 갖는 행렬을 통해 모델을 갱신하므로 낮은 공간 복잡도를 갖는다. 제안된 기법의 타당성은 RME(Relative Mean Error)와 RMSE(Root Mean Square Error)를 이용하여 측정하였다. 1시점 예측 정확도 측정 실험 결과 제안 기법인 IMQR(Incremental Multiple Quadratic Regression) 기법이 DES(Double Exponential Smoothing), SVR(Support Vector Regression), MLR(Multiple Linear Regression), MQR(Multiple Quadratic Regression) 기법에 비해 R M E가 평균 5.6%, RMSE가 평균 0.067 정도 우수하였다. Advance in wireless sensor network made it possible to collect massive amounts of sensor-based data with temporal attribute at real-time. Existing prediction methods for time-series data have tried to predict the future using the past data or without updating a model. However, the methods are not suitable for stream data, because the data is characterized by high data rate and changes in data distribution over time. In this paper, we propose IMQR(Incremental Multiple Quadratic Regression), a novel prediction method using incremental model updating. To apply stream data to a multiple regression model, we fractionalize stream data in several attributes using fractal. The model is then updated using sliding window to reflect changes in data distribution incrementally. This method that updates the model through a matrix having minimal information without maintaining the past data guarantees low space complexity. We evaluated error rate in IMQR using RME(Relative Mean Error) and RMSE(Root Mean Square Error). As a result, compared with other methods such as DES(Double Exponential Smoothing), SVR(Support Vector Regression), MLR(Multiple Linear Regression), and MQR(Multiple Quadratic Regression), RME and RMSE in IMQR decreased by 5.6% and 0.067% in average, respectively.

        • 점진적 모델 갱신 기법을 이용한 스트림 데이터 예측

          김성현(Sung Hyun Kim),이용미(Yongmi Lee),김룡(Long Jin),서성보(Sungbo Seo),류근호(Keun Ho Ryu) 한국정보과학회 데이터베이스 소사이어티 2006 데이타베이스 연구 Vol.22 No.3

          최근 센서 네트워크의 발달로 실세계의 많은 데이터가 시간 속성을 갖고 실시간으로 수집되고 있다. 기존의 시계열 데이터 예측 기법은 긴 주기를 갖는 과거 데이터를 통해 미래를 예측하거나 모델 갱신 없이 예측을 수행하였다. 그러나 스트림 데이터는 매우 빠르게 수집이 되고 시간이 지남에 따라 데이터의 특성이 변경될 수 있으므로 기존의 시계열 예측 기법을 적용하는 것은 적절하지 않다. 따라서 이 논문에서는 슬라이딩 윈도우와 점진적인 회귀분석을 이용한 스트림 데이터 예측 기법을 제안한다. 이 기법은 스트림데이터를 다중 회귀 모델에 입력하기 위해 차원 분열을 통해 여러 개의 속성으로 분열( Fractal )하고, 변화되는 데이터의 분포를 반영하기 위해 슬라이딩 윈도우 기법을 사용하여 점진적으로 회귀 모델을 갱신한다. 이전 데이터의 유지 없이 최소 정보를 갖는 행렬을 통해 모델을 갱신하므로 낮은 공간 복잡도를 갖는다. 제안된 기법의 타당성은 RME(Relative Mean Error)와 RMSE(Root Mean Square Error)를 이용하여 측정하였다. 1시점 예측 정확도 측정 실험 결과 제안 기법인 IMQR(Incremental Multiple Quadratic Regression) 기법이 DES(Double Exponential Smoothing), SVR(Support Vector Regression), MLR(Multiple Linear Regression), MQR(Multiple Quadratic Regression) 기법에 비해 R M E가 평균 5.6%, RMSE가 평균 0.067 정도 우수하였다. Advance in wireless sensor network made it possible to collect massive amounts of sensor-based data with temporal attribute at real-time. Existing prediction methods for time-series data have tried to predict the future using the past data or without updating a model. However, the methods are not suitable for stream data, because the data is characterized by high data rate and changes in data distribution over time. In this paper, we propose IMQR(Incremental Multiple Quadratic Regression), a novel prediction method using incremental model updating. To apply stream data to a multiple regression model, we fractionalize stream data in several attributes using fractal. The model is then updated using sliding window to reflect changes in data distribution incrementally. This method that updates the model through a matrix having minimal information without maintaining the past data guarantees low space complexity. We evaluated error rate in IMQR using RME(Relative Mean Error) and RMSE(Root Mean Square Error). As a result, compared with other methods such as DES(Double Exponential Smoothing), SVR(Support Vector Regression), MLR(Multiple Linear Regression), and MQR(Multiple Quadratic Regression), RME and RMSE in IMQR decreased by 5.6% and 0.067% in average, respectively.

        맨 위로 스크롤 이동