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

      선택해제
      • 좁혀본 항목 보기순서

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

      오늘 본 자료

      • 오늘 본 자료가 없습니다.
      더보기
      • 무료
      • 기관 내 무료
      • 유료
      • 경증 치매노인을 위한 음악치료 프로그램에 관한 연구

        하정아,PhD,CMT,이순화 대한음악치료학회 2007 KJMT Vol.6 No.2

        '스콜라' 이용 시 소속기관이 구독 중이 아닌 경우, 오후 4시부터 익일 오전 9시까지 원문보기가 가능합니다.

        본 연구는 음악치료 프로그램이 경증 치매노인들의 심리적, 신체적 기능에 어떠한 영향을 미치는가에 대하여 연구한 것이다. 연구의 대상은 1999년 7월부터 12월까지 서울시내 위치한 OO노인복지관에 거주하고 있는 경증 치매노인 15명을 대상으로 하여 율동을 중심으로 하는 음악치료 프로그램을 실시하였다. 음악치료의 목적은 치매노인들이 정서적,신체적인 불편에서 벗어나도록 하는 기능 회복에 초점을 맞추었다. 프로그램에 참여한 노인들은 전문의사에 의해서 경증 치매환자로 진단받은 노인들로 6개월 동안 실험기간을 정하여 실시하였다. 노인 7~8명씩 두 집단으로 나누어서 한 집단은 매일 15분간의 음악치료를 받은 실험집단으로, 한 집단은 한달에 한번만 음악치료를 받는 통제집단으로 구분하였다. 실험집단은 매일아침 오전 9시 40분경에 율동을 겸한 음악치료를 15분간 실시하였으며, 주 치료사는 일주일에 두번씩 세션을 진행하였다. 실험집단은 매일 음악치료 세션을 하기 전과 마친 후에 맥박을 측정하였다. 얼굴표정, 소근육, 대근육 운동을 준비된 평가표에 의해서 1주일에 두 번, 주 치료사에 의해 세션을 시행한 후에 평가하였다. 통제집단도 음악치료 세션을 실행할 때 실험집단과 같은 방법으로 맥박, 얼굴표정, 소근육, 대근육 운동을 측정하였다. 얼굴표정은 웃음짓기로, 소근육운동은 주먹 쥐었다 펴기로, 대근육운동은 양팔들기로 측정하였다 . 결과적으로 실험집단은 정서적 반응에 있어서 2.83에서 4.10으로 (약 49%증가), 소근육 운동의 신체적 기능은 2.67 에서 4.08로 약 (53%)증가, 대근육 운동의 신체적 기능은 2.50에서 3.68로 (약47% 증가)향상되었다. 그러나 통제집단은 정서적 반응에 있어서는 1.33에서 2.33으로 향상을 보였으나 (약75%로 증가), 소.근육 운동의 신체적 기능은 2.0에서 1.9로 (5%감소), 대.근육 운동의 신체적 기능은 1.33에서 1.23(약8%감소)으로 감소를보였다. 이는 실험집단이 통제집단보다 신체적 기능, 정서적 반응에 있어서 의미 있게 다룰 것으로 기대하였던 가설과 일치하는 것이다. 즉, 실험집단은 6개월동안 단계별로 나누어본 결과음악치료 세션의 횟수가 증가할 수록 신체적 기능과 정서적 반응이 점점 향상되었으나 통제집단의 경우, 정서적 반응은 의미 있게 향상되었지만 신체적 기능은 오히려 감소를 보였다. 결론적으로 경증 치매노인들에게 정서적, 신체적으로

      • KCI등재

        공동크리깅 모형을 활용한 일반국도 연평균 일교통량 추정

        하정아,허태영,오세창,임성한 한국ITS학회 2013 한국ITS학회논문지 Vol.12 No.1

        연평균 일교통량(AADT)은 교통 및 도로부문에서 중요한 기초자료로 활용되지만 예산 제약 등의 한계로 인해 일부 지점에 대해서만 상시조사를 통해서 AADT를 산출하고 있으며, 대다수의 지점에서는 단기 교통량 조사에서 수집된 샘플 자료를 이용하여 AADT를 추정 활용하고 있다. 현재 단기 교통량 조사지점의 AADT 추정을 위하여 조사된 자료를 단순 평균하는 방법이 적용되고 있다. 기존 AADT 추정모형은 보정계수를 적용하는 방법이 대표적인 방법이나, 이 방법은 단기 교통량 조사 지점이 어떤 상시조사 지점의 보정계수를 적용할지에 대한 객관적인 방법이 없어 한계가 있다. 이에 본 연구에서는 공간통계모형을 도입하여 교통량 자료의 공간상관관계를 분석하고, 크리깅 모형을 적용하여 AADT를 추정하는 방법에 대하여 알아보았다. 공간통계모형의 AADT 추정의 정확도를 기존 연구와 비교하기 위하여 동일 대구간의 상시조사 지점의 보정계수를 적용하는 방법(방법 1)과 보정계수 그룹핑을 이용하여 해당 그룹의 보정계수를 적용하는 방법(방법 2), 공동크리깅을 적용한 방법(방법 3)을 비교분석하였다. 분석결과 공동크리깅을 적용한 모형은 기존 모형에 비해 AADT 추정 정확도가 향상되는 것으로 나타났다. Annual average daily traffic (AADT) serves the important basic data in transportation sector. Despite of its importance, AADT is estimated through permanent traffic counts (PTC) at limited locations because of constraints in budget and so on. At most of locations, AADT is estimated using short-term traffic counts (STC). Though many studies have been carried out at home and abroad in an effort to enhance the accuracy of AADT estimate, the method to simplify average STC data has been adopted because of application difficulty. A typical model for estimating AADT is an adjustment factor application model which applies the monthly or weekly adjustment factors at PTC points (or group) with similar traffic pattern. But this model has the limit in determining the PTC points (or group) with similar traffic pattern with STC. Because STC represents usually 24-hour or 48-hour data, it’s difficult to forecast a 365-day traffic variation. In order to improve the accuracy of traffic volume prediction, this study used the geostatistical approach called co-kriging and according to their reports. To compare results, using 3 methods : using adjustment factor in same section(method 1), using grouping method to apply adjustment factor(method 2), cokriging model using previous year's traffic data which is in a high spatial correlation with traffic volume data as a secondary variable. This study deals with estimating AADT considering time and space so AADT estimation is more reliable comparing other research.

      • KCI등재

        연평균 일교통량 산정을 위한 다양한 크리깅 방법의 성능 평가에 대한 연구

        하정아,오세창,허태영 대한교통학회 2014 大韓交通學會誌 Vol.32 No.4

        '스콜라' 이용 시 소속기관이 구독 중이 아닌 경우, 오후 4시부터 익일 오전 9시까지 원문보기가 가능합니다.

        Annual average daily traffic(AADT) serves as important basic data in the transportation sector. AADT is usedas design traffic which is the basic traffic volume in transportation planning. Despite of its importance, at mostlocations, AADT is estimated using short term traffic counts. An accurate AADT is calculated through permanenttraffic counts at limited locations. This study dealt with estimating AADT using various models considering boththe spatial correlation and time series data. Kriging models which are commonly used spatial statistics methodswere applied and compared with each model. Additionally the External Universal kriging model, which includesexplanatory variables, was used to assure accuracy of AADT estimation. For evaluation of various krigingmethods, AADT estimation error, proposed using national highway permanent traffic count data, was analyzed andtheir performances were compared. The result shows the accuracy enhancement of the AADT estimation. 연평균 일교통량(AADT)은 도로를 계획하고 설계하는데 있어 매우 중요한 기초자료로 활용된다. 상시 교통량 조사 자료는 연간 일교통량이 수집되어 AADT를 구할 수 있지만, 단기 교통량 조사(short-term traffic counts)의 경우특정 기간에만 조사되므로 AADT를 추정하여야 한다. 본 연구에서는 교통량 자료가 시공간적 특성을 동시에 지닌다는 점에 착안하여 공간통계방법을 이용하여 AADT를 추정하였다. 공간통계모형 중 보편적으로 이용되는 크리깅 모형을 적용하였으며, 여러 가지 크리깅 모형을 비교분석하였다. 또한 사회경제지표를 반영하여 AADT 추정 정확도를높이는 방법에 대하여 알아보았다. 모형의 비교평가를 위하여 일반국도 상시조사 자료를 이용하여 제안된 모형의AADT 추정오차를 분석하고, 적용된 다양한 크리깅 모형의 성능을 비교하였다. 이러한 연구결과는 AADT 추정 정확도를 향상시킴으로써 적정 수준의 교통시설 공급과 서비스 수준 향상에 기여할 것으로 기대된다.

      • KCI등재

        일반국도 그룹핑과 시간 교통량 추이를 이용한 연평균 일교통량 추정

        하정아,오세창 한국ITS학회 2012 한국ITS학회논문지 Vol.11 No.2

        본 연구에서는 일반국도 수시조사 지점의 AADT 추정값의 정확도를 높이기 위하여 새로운 그룹핑방법을 제시하였다. 일반적으로 수시조사 자료의 AADT 추정을 위해 월보정계수, 요일보정계수, 조사된 24시간 교통량을 이용하여 AADT를 추정하므로 상시조사 지점을 그룹핑할 때 상기 세 가지 요인(43개 변수)을 모두 적용하여 그룹핑하였다. 이 방법은 기존의 월보정계수와 요일보정계수만을 이용하여 그룹핑한것과 비교하여 시간대별 교통량을 적용한 것에 있어서 차이가 있다. 그룹핑 결과 5개의 군집이 가장 적당한 것으로 분석되었다. 5개의 군집 중 2개의 군집은 해당되는 지점이 몇 지점 없어 설명하기 어려웠고, 나머지 3개의 군집에서 각각 출퇴근로, 관광부도로, 지방부도로의 특성을 가지는 것으로 나타났다. 각 그룹의 월보정계수 평균과 요일보정계수 평균, 시간대별 교통량 비율의 평균으로 각 그룹의 대표 보정계수를 산출하고, 분석대상지점의 평일 교통량을 해당 그룹의 대표 보정계수를 적용하여 AADT를 추정한 결과 평균적으로 오차가 8.7%인 것으로 나타났다. 이는 기존 연구에서 우수하다고 분석된 동일 대구간 내의 상시조사 보정계수를 적용한 것보다 1.5%오차가 더 적은 것으로 나타났다. 이러한 AADT 산출방법은 전체 수시조사 지점에 적용 가능하므로 실무에서의 활용도가 매우 크다고 판단된다. This study shows how to estimate AADT(Annual Average Daily Traffic) on temporary count data using new grouping method. This study deals with clustering permanent traffic counts using monthly adjustment factor, daily adjustment factor and a percentage of hourly volume. This study uses a percentage of hourly volume comparing with other studies. Cluster analysis is used and 5 groups is suitable. First, make average of monthly adjustment factor, average of daily adjustment factor, a percentage of hourly volume for each group. Next estimate AADT using 24 hour volume(not holiday) and two adjustment factors. Goodness of fit test is used to find what groups are applicable. MAPE(Mean Absolute Percentage Error) is 8.7% in this method. It is under 1.5% comparing with other method(using adjustment factors in same section). This method is better than other studies because it can apply all temporary counts data.

      • KCI등재

        일반국도 상시 교통량자료를 이용한 교통량 결측자료 추정

        하정아,박재화,김성현 대한교통학회 2007 大韓交通學會誌 Vol.25 No.1

        '스콜라' 이용 시 소속기관이 구독 중이 아닌 경우, 오후 4시부터 익일 오전 9시까지 원문보기가 가능합니다.

        Up to now permanent traffic volumes have been counted by Automatic Vehicle Classification (AVC) on National Highways. When counted data have missing items or errors, the data must be revised to stay statistically reliable. This study was carried out to estimate correct data based on autoregression and seasonal AutoRegressive Integrated Moving Average (ARIMA). As a result of verification through seasonal ARIMA, the longer the missed period is, the greater the error. Autoregression results in better verification results than seasonal ARIMA. Traffic data is affected by the present state more than past patterns.However, autoregression can be applied only to the cases where data include similar neighborhood patterns and even in this case, the data cannot be corrected when data are missing due to low quality or errors. Therefore, these data should be corrected using past patterns and seasonal ARIMA when the missing data occurs in short periods. 일반국도의 상시조사 자료는 교통량 조사 장비를 통해 수집되며, 수집된 자료가 누락되거나 불량일 경우 통계자료의 객관성을 유지하기 위해서 보정을 해야 한다.교통량 결측 자료의 보정을 통계적인 방법으로 접근하여 신뢰성을 높이고자 본 연구에서는 보정 대상 시간과 동일 시간의 자료를 적용할 수 있는 자기회귀분석과 보정 대상 지점과 동일 지점의 자료를 적용할 수 있는 계절 시계열 분석을 이용하여 보정하는 방안을 제시하였다.계절 시계열 분석을 적용하여 결측 자료를 보정한 결과, 결측 기간이 길어질수록 오차가 커지는 것으로 분석되었다. 이것은 단기예측의 경우 실제자료를 이용하여 예측값을 제시하지만, 장기예측의 경우 예측된 자료를 이용하여 예측값을 제시하기 때문에 신뢰성이 떨어지기 때문이라 판단된다. 자기회귀분석을 적용하여 결측 자료를 보정한 결과, 시계열분석에 비해서 오차가 적은 것으로 분석되었다. 이것은 교통량 자료는 과거 패턴보다 현재 시점의 영향을 더 많이 받는 것이기 때문이라 판단된다. 하지만 자기회귀분석은 인근에 패턴이 유사한 지점이 있어야 가능하며, 인근에 유사한 지점이 있더라도 그 지점의 자료가 불량일 경우 보정이 불가능하다는 단점이 있다. 이러한 경우에는 과거자료를 이용해서 보정할 수밖에 없으며, 단기 결측의 경우에는 시계열분석을 이용할 수 있다.

      연관 검색어 추천

      이 검색어로 많이 본 자료

      활용도 높은 자료

      해외이동버튼