KR102550687B1 - 검색량 데이터와 var 분석을 이용한 탄소 배출권 가격 예측 시스템 및 그 방법 - Google Patents

검색량 데이터와 var 분석을 이용한 탄소 배출권 가격 예측 시스템 및 그 방법 Download PDF

Info

Publication number
KR102550687B1
KR102550687B1 KR1020210013894A KR20210013894A KR102550687B1 KR 102550687 B1 KR102550687 B1 KR 102550687B1 KR 1020210013894 A KR1020210013894 A KR 1020210013894A KR 20210013894 A KR20210013894 A KR 20210013894A KR 102550687 B1 KR102550687 B1 KR 102550687B1
Authority
KR
South Korea
Prior art keywords
search
carbon
price
data
carbon credit
Prior art date
Application number
KR1020210013894A
Other languages
English (en)
Other versions
KR20220110909A (ko
Inventor
한승우
김현호
김유진
이민우
Original Assignee
인하대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 인하대학교 산학협력단 filed Critical 인하대학교 산학협력단
Priority to KR1020210013894A priority Critical patent/KR102550687B1/ko
Publication of KR20220110909A publication Critical patent/KR20220110909A/ko
Application granted granted Critical
Publication of KR102550687B1 publication Critical patent/KR102550687B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2228—Indexing structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2477—Temporal data queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/84—Greenhouse gas [GHG] management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Linguistics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 검색량 데이터와 VAR 분석을 이용한 탄소 배출권 가격 예측 시스템 및 그 방법에 관한 것이다.
본 발명에 따르면, 탄소 배출권 가격 예측 시스템을 이용한 탄소 배출권 가격 예측 방법에 있어서, 탄소 배출권의 주간 종가 데이터와 상기 탄소 배출권과 연관된 복수의 검색어의 검색량 데이터를 각각 수집하여 데이터베이스를 구축하는 단계, 상기 데이터베이스에 저장된 탄소 배출권의 주간 종가 데이터와 검색어의 검색량 데이터를 전처리하여 키워드 검색어를 선정하는 단계, 상기 전처리된 데이터를 벡터자기회귀(VAR) 분석모듈에 적용하여 시차별 각각의 탄소 배출권 가격 예측 모형을 생성하고, 생성된 시차별 각각의 탄소 배출권 가격 예측 모형중에서 BIC(Bayes Information Criterion) 값이 가장 작은 값을 가지는 탄소 배출권 가격 예측 모형을 선택하는 단계, 그리고 상기 탄소 배출권 가격 예측 모형에 상기 키워드 검색어를 적용하여 현재 시점에서의 탄소 배출권 가격을 예측하는 단계를 포함한다.
이와 같이 본 발명에 따르면, 탄소 배출권 관련 검색어에 따라, 탄소 배출권 가격을 예측할 수 있어, 변화하는 탄소 배출권 시장의 영향을 반영할 수 있으며, 정확하게 탄소 배출권 가격을 예측할 수 있다.

Description

검색량 데이터와 VAR 분석을 이용한 탄소 배출권 가격 예측 시스템 및 그 방법{SYSTME FOR PREDICTING CARBON CREDIT PRICE USING SEARCH VOLUME DATA AND VECTOR AUTO REGRESSIVE ANALYSIS AND METHOD THEREOF}
검색량 데이터와 VAR 분석을 이용한 탄소 배출권 가격 예측 시스템 및 그 방법에 관한 것으로, 현재 시점에서의 탄소 배출권 가격을 예측하기 위한 검색량 데이터와 VAR 분석을 이용한 탄소 배출권 가격 예측 시스템 및 그 방법에 관한 것이다.
범국가적 탄소배출권 거래제가 시행된 이후 세계적으로 탄소배출과 관련한 관심이 높아지고 있다. 대학민국은 2015년부터 탄소배출권 거래제도가 시행되었고, 이에 발맞추어 각 산업 분야에 탄소배출권을 할당하였다.
그러나 현재 건설업에서 고려되는 탄소배출권 거래 품목은 완공 이후 건물에서 배출되는 탄소에 한정되어 있으며, 시공단계로 확대될 탄소배출권 시장에 대비하여 시공단계의 탄소배출권의 규모와 그 가격을 통해 정확한 예산을 파악하는 것이 우선되어야 한다.
국내의 탄소배출권 거래제의 도입 이후, 탄소배출권 가격의 영향요인들에 대한 분석이 진행되고 있지만, 탄소배출권 가격을 실질적으로 예측하는 예측모형 등에 대한 개발은 더딘 상황이다.
변동하는 국내의 탄소배출권 가격을 예측할 지표의 부재로 탄소배출권 가격의 정확한 추이를 짐작하기 어려우며, 이에 대략적으로 환경부담금을 고려하여 예산 산정이 진행되고 있어 전체 공사에 있어 효율적인 배분이 이루어지고 있다고 말하기 어려운 실정이다.
따라서, 건설 현장에서의 정확한 환경부담금을 고려한 예산을 산정하기 위한 기술 개발이 필요하다.
본 발명의 배경이 되는 기술은 대한민국 공개특허 제10-2008-0074753호(2008.08.13. 공개)에 개시되어 있다.
본 발명이 이루고자 하는 기술적 과제는 현재 시점에서의 탄소 배출권 가격을 예측하기 위한 검색량 데이터와 VAR 분석을 이용한 탄소 배출권 가격 예측 시스템 및 그 방법을 제공하기 위한 것이다.
이러한 기술적 과제를 이루기 위한 본 발명의 실시 예에 따르면, 탄소 배출권 가격 예측 시스템을 이용한 탄소 배출권 가격 예측 방법에 있어서, 탄소 배출권의 주간 종가 데이터와 상기 탄소 배출권과 연관된 복수의 검색어의 검색량 데이터를 각각 수집하여 데이터베이스를 구축하는 단계, 상기 데이터베이스에 저장된 탄소 배출권의 주간 종가 데이터와 검색어의 검색량 데이터를 전처리하여 키워드 검색어를 선정하는 단계, 상기 전처리된 데이터를 벡터자기회귀(VAR) 분석모듈에 적용하여 시차별 각각의 탄소 배출권 가격 예측 모형을 생성하고, 생성된 시차별 각각의 탄소 배출권 가격 예측 모형중에서 BIC(Bayes Information Criterion) 값이 가장 작은 값을 가지는 탄소 배출권 가격 예측 모형을 선택하는 단계, 그리고 상기 탄소 배출권 가격 예측 모형에 상기 키워드 검색어를 적용하여 현재 시점에서의 탄소 배출권 가격을 예측하는 단계를 포함한다.
상기 데이터베이스를 구축하는 단계는, 상기 탄소 배출권과 연관된 복수의 검색어의 검색량 데이터 각각에 대하여 상기 탄소 배출권의 주간 종가 데이터와의 시차 간의 평균 상관계수를 연산하는 단계, 그리고 연산된 평균 상관 계수의 절대 값이 기준 값 이상인 검색어의 검색량 데이터 이외의 검색어의 검색량 데이터를 삭제하여 데이터베이스를 구축하는 단계를 포함할 수 있다.
상기 평균 상관계수를 연산하는 단계는, 아래의 수학식을 이용하여 상기 시차 간의 평균 상관계수를 연산할 수 있다.
Figure 112021012574938-pat00001
여기서,
Figure 112021012574938-pat00002
는 t시점에서 해당 검색어의 검색 빈도수 데이터이고,
Figure 112021012574938-pat00003
는 해당 검색어의 빈도수 데이터의 평균이고,
Figure 112021012574938-pat00004
는 t-k시점에서의 탄소 배출권 가격 데이터이고,
Figure 112021012574938-pat00005
는 탄소 배출권 가격 데이터의 평균이며, L은 검정할 시차이다.
상기 평균 상관계수를 연산하는 단계는, 아래의 수학식을 이용하여 상기 L을 연산할 수 있다.
Figure 112021012574938-pat00006
여기서, n은 탄소 배출권의 주간 종가 데이터의 개수이다.
상기 전처리하는 단계는, 상기 데이터베이스에 저장된 복수의 검색어의 검색량 데이터를 다중회귀분석을 적용하여, 복수의 검색어 중에서 VAR 분석에 이용할 키워드 검색어를 선정하고, 상기 선정된 키워드 검색어를 아래의 수학식에 적용하여 전처리 할 수 잇다.
Figure 112021012574938-pat00007
여기서,
Figure 112021012574938-pat00008
및
Figure 112021012574938-pat00009
는 t 및 t-1 시점에서의 탄소 배출권 가격 데이터이고,
Figure 112021012574938-pat00010
및
Figure 112021012574938-pat00011
는 t 및 t-1 시점에서 I 검색어의 검색량 데이터이다.
상기 탄소 배출권 가격 예측 모형을 추출하는 단계는, 아래의 수학식을 이용하여 상기 시차별 각각의 탄소 배출권 가격 예측 모형의 BIC(Bayes Information Criterion) 값을 연산할 수 있다.
Figure 112021012574938-pat00012
여기서,
Figure 112021012574938-pat00013
는 우도로 모형의 접합도를 나타내는 상수이다.
상기 탄소 배출권 가격을 예측하는 단계는, 아래의 수학식을 이용하여 상기 탄소 배출권 가격을 예측할 수 있다.
Figure 112021012574938-pat00014
여기서, PD는 키워드 검색어에 해당되는 "productive"의 검색량 빈도수이고, HD는 키워드 검색어에 해당되는 "홈데코"의 검색량 빈도수이고, EM은 키워드 검색어에 해당되는 "emissions"의 검색량 빈도수이다.
본 발명의 다른 실시예에 따르면, 탄소 배출권 가격을 예측하기 위한 탄소 배출권 가격 예측 시스템에 있어서, 탄소 배출권의 주간 종가 데이터와 상기 탄소 배출권과 연관된 복수의 검색어의 검색량 데이터를 각각 수집하여 데이터베이스를 구축하는 저장부, 상기 데이터베이스에 저장된 탄소 배출권의 주간 종가 데이터와 검색어의 검색량 데이터를 전처리하여 키워드 검색어를 선정하는 키워드 검색어 선정부, 상기 전처리된 데이터를 벡터자기회귀(VAR) 분석모듈에 적용하여 시차별 각각의 탄소 배출권 가격 예측 모형을 생성하고, 생성된 시차별 각각의 탄소 배출권 가격 예측 모형중에서 BIC(Bayes Information Criterion) 값이 가장 작은 값을 가지는 탄소 배출권 가격 예측 모형을 선택하는 예측 모형 선택부, 그리고 상기 탄소 배출권 가격 예측 모형에 상기 키워드 검색어를 적용하여 현재 시점에서의 탄소 배출권 가격을 예측하는 가격 예측부를 포함한다.
이와 같이 본 발명에 따르면, 탄소 배출권 관련 검색어에 따라, 탄소 배출권 가격을 예측할 수 있어, 변화하는 탄소 배출권 시장의 영향을 반영할 수 있으며, 정확하게 탄소 배출권 가격을 예측할 수 있다.
또한, 환경부담금을 고려한 예산 산정을 필요로 하는 건설현장과 같은 환경에서 공정에 필요한 예산 산정을 최소화함으로써 효율적인 예산 배분에 도움을 줄 수 있다.
도 1은 본 발명의 실시예에 따른 탄소 배출권 가격 예측 시스템을 설명하기 위한 구성도이다.
도 2는 본 발명의 실시예에 따른 탄소 배출권 가격 예측 방법을 설명하기 위한 순서도이다.
도 3 및 도 4는 도 2의 S210 단계를 설명하기 위한 도면이다.
도 5는 도 2의 S220 단계를 설명하기 위한 도면이다.
도 6은 본 발명의 실시예에 따른 시차별 연산된 BIC 값을 나타낸 도면이다.
도 7은 도 2의 S250 단계를 설명하기 위한 예시도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
그러면 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다.
도 1은 본 발명의 실시예에 따른 탄소 배출권 가격 예측 시스템을 설명하기 위한 구성도이다.
도 1에서 나타낸 것처럼, 본 발명의 실시예에 따른 탄소 배출권 가격 예측 시스템(100)은 저장부(110), 키워드 검색어 선정부(120), 예측 모형 선택부(130) 및 가격 예측부(140)를 포함한다.
먼더, 저장부(110)는 탄소 배출권의 주간 종가 데이터와 탄소 배출권과 연관된 복수의 검색어의 검색량 데이터를 각각 수집하여 데이터베이스를 구축한다.
여기서, 저장부(110)는 한국 거래소의 KRX 배출권 시장을 통해 탄소 배출권 가격의 주간 종가 데이터를 수집한다.
또한, 저장부(110)는 인터넷 포털사이트의 연관 검색어, 논문 키워드 또는 참고 논문의 키워드를 이용하여 탄소 배출권과 연관된 복수의 관련 검색어를 선정한다.
그리고, 저장부(110)는 선정된 탄소 배출권과 연관된 복수의 관련 검색어의 검색량 데이터를 추출하여 주간 검색어 빈도수 데이터를 연산한다.
여기서, 선정된 탄소 배출권과 연관된 복수의 관련 검색어는 "탄소 배출권 거래", "후성", "탄소 배출권 거래제", "이건산업", "탄소 배출권 가격", "한솔 홈데코", "유니슨", "홈데코", "휴켐스", "productive", "productively", "productivity", "비유", "포크레인", "emissions", "CO2 배출량", "비교", "correlation", "globalwarming", "NOx", "PEMS", "durable", "furniture" 및 "wakefulness" 중에서 어느 하나에 해당된다.
그러면, 저장부(110)는 탄소 배출권과 연관된 복수의 검색어의 검색량 데이터 각각에 대하여 탄소 배출권의 주간 종가 데이터와의 시차 간의 평균 상관계수를 연산하고, 연산된 평균 상관 계수의 절대 값이 기준 값 이상인 검색어의 검색량 데이터 이외의 검색어의 검색량 데이터를 삭제하여 데이터베이스를 구축한다.
다음으로, 키워드 검색어 선정부(120)는 데이터베이스에 저장된 탄소 배출권의 주간 종가 데이터와 검색어의 검색량 데이터를 전처리하여 키워드 검색어를 선정한다.
다음으로, 예측 모형 선택부(130)는 전처리된 데이터를 벡터자기회귀(VAR) 분석모듈에 적용하여 시차별 각각의 탄소 배출권 가격 예측 모형을 생성하고, 생성된 시차별 각각의 탄소 배출권 가격 예측 모형중에서 BIC(Bayes Information Criterion) 값이 가장 작은 값을 가지는 탄소 배출권 가격 예측 모형을 선택한다.
다음으로, 가격 예측부(140)는 탄소 배출권 가격 예측 모형에 키워드 검색어를 적용하여 현재 시점에서의 탄소 배출권 가격을 예측한다.
이하에서는 도 2 내지 도 7을 이용하여 본 발명의 실시예에 따른 탄소 배출권 가격 예측 방법을 설명한다.
도 2는 본 발명의 실시예에 따른 탄소 배출권 가격 예측 방법을 설명하기 위한 순서도이다.
먼저, 저장부(110)는 탄소 배출권의 주간 종가 데이터와 탄소 배출권과 연관된 복수의 검색어의 검색량 데이터를 각각 수집하여 데이터베이스를 구축한다(S210).
이때, 저장부(110)는 총 24개의 탄소 배출권과 연관된 검색어의 검색량 데이터를 수집하고, 총 37주차 동안에 해당하는 탄소 배출권의 주간 종가 데이터를 수집한다.
여기서, 저장부(110)는 24개의 탄소 배출권과 연관된 검색어와 37주차 동안에 해당하는 탄소 배출권의 주간 종가 데이터를 이용하여 데이터베이스를 구축하였지만, 탄소 배출권과 연관된 검색어의 수 및 탄소 배출권의 주간 종가 데이터의 주차는 변경될 수 있다.
그러면, 저장부(110)는 탄소 배출권과 연관된 복수의 검색어의 검색량 데이터 각각에 대하여 탄소 배출권의 주간 종가 데이터와의 시차 간의 평균 상관계수를 연산한다.
즉, 저장부(110)는 아래의 수학식 1을 이용하여 시차 간의 평균 상관계수를 연산한다.
Figure 112021012574938-pat00015
여기서,
Figure 112021012574938-pat00016
는 t시점에서 해당 검색어의 검색 빈도수 데이터이고,
Figure 112021012574938-pat00017
는 해당 검색어의 빈도수 데이터의 평균이고,
Figure 112021012574938-pat00018
는 t-k시점에서의 탄소 배출권 가격 데이터이고,
Figure 112021012574938-pat00019
는 탄소 배출권 가격 데이터의 평균이며, L은 검정할 시차이다.
이때, L은 아래의 수학식 2를 통해 연산된다.
Figure 112021012574938-pat00020
여기서, n은 탄소 배출권의 주간 종가 데이터의 개수이다.
즉, 본 발명의 실시예에서 n은 37으로 설정되며, 수학식 2를 통해 L은 6으로 연산된다.
도 3 및 도 4는 도 2의 S210 단계를 설명하기 위한 도면이다.
도 3에서 나타낸 것과 같이, 저장부(110)는 수학식 1을 통해 연산된 각각의 키워드에 대한 평균 상관계수를 연산한다.
그러면, 저장부(110)는 연산된 평균 상관 계수의 절대 값이 기준 값 이상인 검색어의 검색량 데이터 이외의 검색어의 검색량 데이터를 삭제하여 데이터베이스를 구축한다.
본 발명의 실시예에서는 기준 값을 0.3으로 설정하였으며, 기준 값은 탄소 배출권 가격 예측 시스템(100)의 실행 환경에 따라 변경될 수 있다.
그러면, 도 4에서 나타낸 것처럼, 저장부(110)는 기준 값 0.3보다 작은 키워드인 "탄소 배출권 거래", "유니슨", "휴켐스", "productively", "Co2 배출량", "비교", "correlation", "global warming" 및 "NOx" "PEMS"를 제외한 총 14개의 검색어 데이터인 "후성", "탄소 배출권 거래제", "이건산업", "탄소 배출권 가격", "한솔 홈데코", "홈데코", "productive", "productivity", "비유", "포크레인", "emissions", "durable", "furniture" 및 "wakefulness"으로 데이터베이스를 구축한다.
다음으로, 키워드 검색어 선정부(120)는 데이터베이스에 저장된 탄소 배출권의 주간 종가 데이터와 검색어의 검색량 데이터를 전처리하여 키워드 검색어를 선정한다(S220).
먼저, 키워드 검색어 선정부(120)는 데이터베이스에 존재하는 14개 각각의 키워드에 대하여 SPSS에 적용하여 다중회귀 분석을 실행한다.
여기서, SPSS(Statistical Package for the Social Sciences)는 매개 모형 기반의 데이터를 분석하기 위한 통계 프로그램을 의미한다.
또한, 다중회귀 분석은 독립 변수가 2개 이상인 경우를 분석 대상으로 하는 회귀 분석 방법으로, 본 발명에서는 키워드 검색어를 선정하기 위해 SPSS와 함께 사용된다.
도 5는 도 2의 S220 단계를 설명하기 위한 도면이다.
그러면, 도 5에서 나타낸 것과 같이 키워드 검색어 선정부(120)는 "후성", "홈데코" 및 "wakefulness"를 키워드 검색어로 선정한다.
그리고, 키워드 검색어 선정부(120)는 선정된 키워드 검색어 각각에 대하여 아래의 수학식 3에 적용하여 전처리한다.
Figure 112021012574938-pat00021
여기서,
Figure 112021012574938-pat00022
및
Figure 112021012574938-pat00023
는 t 및 t-1 시점에서의 탄소 배출권 가격 데이터이고,
Figure 112021012574938-pat00024
및
Figure 112021012574938-pat00025
는 t 및 t-1 시점에서 i 검색어의 검색량 데이터이다.
이때, i는 키워드 검색어를 의미한다.
다음으로, 예측 모형 선택부(130)는 전처리된 데이터를 벡터자기회귀(VAR) 분석모듈에 적용하여 시차별 각각의 탄소 배출권 가격 예측 모형을 생성한다(S230).
여기서, 벡터자기회귀(VAR, Vector AutoRegressive)분석은 시계열로 구성된 변수를 서로 연관시키기 위해 해당 변수의 과거 데이터를 이용하여 분석하는 방법으로, 본 발명의 실시예에서는 시차별 각각의 탄소 배출권 가격 예측 모형을 생성하기 위해 사용된다.
이때, 예측 모형 선택부(130)는 1주 내지 6주까지의 시차(p)별 각각의 탄소 배출권 가격 예측 모형을 생성한다.
다음으로, 예측 모형 선택부(130)는 생성된 시차별 각각의 탄소 배출권 가격 예측 모형중에서 BIC(Bayes Information Criterion) 값이 가장 작은 값을 가지는 탄소 배출권 가격 예측 모형을 선택한다(S240).
이때, 예측 모형 선택부(130)는 아래의 수학식 4를 이용하여 시차별 각각의 탄소 배출권 가격 예측 모형의 BIC 값을 연산한다.
Figure 112021012574938-pat00026
여기서,
Figure 112021012574938-pat00027
는 우도로 모형의 접합도를 나타내는 상수이다.
여기서, BIC(Bayes Information Criterion)는 VAR 통계모델의 적합성을 평가하는 지표를 의미한다.
도 6은 본 발명의 실시예에 따른 시차별 연산된 BIC 값을 나타낸 도면이다.
즉, 도 6에서 나타낸 것처럼, 예측 모형 선택부(130)는 BIC 값이 가장 작은 시차인 1 시차에 해당하는 탄소 배출권 가격 예측 모형을 선택한다.
다음으로, 가격 예측부(140)는 탄소 배출권 가격 예측 모형에 키워드 검색어를 적용하여 현재 시점에서의 탄소 배출권 가격을 예측한다(S250).
즉, 가격 예측부(140)는 아래의 수학식 5를 이용하여 탄소 배출권 가격을 예측한다.
Figure 112021012574938-pat00028
여기서, PD는 키워드 검색어에 해당되는 "productive"의 검색량 빈도수이고, HD는 키워드 검색어에 해당되는 "홈데코"의 검색량 빈도수이고, EM은 키워드 검색어에 해당되는 "emissions"의 검색량 빈도수이다.
도 7은 도 2의 S250 단계를 설명하기 위한 예시도이다.
도 7에서 나타낸 것처럼, 본 발명의 실시예에 따른 가격 예측부(140)로부터 예측된 가격과 실제 탄소 배출권 가격은 실질적으로 유사한 값을 나타낸다는 점에서, 본 발명의 실시예에 따른 탄소 배출권 가격 예측 방법은 높은 예측 정확도를 가진다.
이와 같이 본 발명의 실시예에 따르면, 탄소 배출권 관련 검색어의 빈도수에 따라 탄소 배출권 가격을 예측할 수 있으므로, 변화하는 탄소 배출권 시장의 영향을 반영할 수 있으며, 정확하게 탄소 배출권 가격을 예측할 수 있다.
또한, 환경부담금을 고려한 예산 산정을 필요로 하는 건설현장과 같은 환경에서 공정에 필요한 예산 산정을 최소화함으로써 효율적인 예산 배분에 도움을 줄 수 있다.
본 발명은 도면에 도시된 실시 예를 참고로 설명되었으나 이는 예시적인 것이 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
100: 탄소 배출권 가격 예측 시스템,
110: 저장부, 120: 키워드 검색어 선정부,
130: 예측 모형 선택부, 140: 가격 예측부

Claims (14)

  1. 저장부, 키워드 검색어 선정부, 예측 모형 선택부 및 가격 예측부를 포함하는 탄소 배출권 가격 예측 시스템을 이용한 탄소 배출권 가격 예측 방법에 있어서,
    상기 저장부에 의해 탄소 배출권의 주간 종가 데이터와 상기 탄소 배출권과 연관된 복수의 검색어의 검색량 데이터를 각각 수집하여 데이터베이스를 구축하는 단계,
    상시 키워드 검색어 선정부에 의해 상기 데이터베이스에 저장된 탄소 배출권의 주간 종가 데이터와 검색어의 검색량 데이터를 전처리하여 키워드 검색어를 선정하는 단계,
    상시 예측 모형 선택부에 의해 상기 전처리된 데이터를 벡터자기회귀(VAR) 분석모듈에 적용하여 시차별 각각의 탄소 배출권 가격 예측 모형을 생성하고, 생성된 시차별 각각의 탄소 배출권 가격 예측 모형중에서 BIC(Bayes Information Criterion) 값이 가장 작은 값을 가지는 탄소 배출권 가격 예측 모형을 선택하는 단계, 그리고
    상시 가격 예측부에 의해 상기 탄소 배출권 가격 예측 모형에 상기 키워드 검색어를 적용하여 현재 시점에서의 탄소 배출권 가격을 예측하는 단계를 포함하며,
    상기 데이터베이스를 구축하는 단계는,
    상기 탄소 배출권과 연관된 복수의 검색어의 검색량 데이터 각각에 대하여 상기 탄소 배출권의 주간 종가 데이터와의 시차 간의 평균 상관계수를 연산하는 단계, 그리고 연산된 평균 상관 계수의 절대 값이 기준 값 이상인 검색어의 검색량 데이터 이외의 검색어의 검색량 데이터를 삭제하여 데이터베이스를 구축하는 단계를 포함하고,
    상기 평균 상관계수를 연산하는 단계는,
    아래의 수학식을 이용하여 상기 시차 간의 평균 상관계수를 연산하는탄소 배출권 가격 예측 방법:
    Figure 112023019427765-pat00064

    여기서,
    Figure 112023019427765-pat00065
    는 t시점에서 해당 검색어의 검색 빈도수 데이터이고,
    Figure 112023019427765-pat00066
    는 해당 검색어의 빈도수 데이터의 평균이고,
    Figure 112023019427765-pat00067
    는 t-k시점에서의 탄소 배출권 가격 데이터이고,
    Figure 112023019427765-pat00068
    는 탄소 배출권 가격 데이터의 평균이며, L은 검정할 시차이다.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 평균 상관계수를 연산하는 단계는,
    아래의 수학식을 이용하여 상기 L을 연산하는 탄소 배출권 가격 예측 방법:
    Figure 112023019427765-pat00034

    여기서, n은 탄소 배출권의 주간 종가 데이터의 개수이다.
  5. 제4항에 있어서,
    상기 전처리하는 단계는,
    상기 데이터베이스에 저장된 복수의 검색어의 검색량 데이터를 다중회귀분석을 적용하여, 복수의 검색어 중에서 VAR 분석에 이용할 키워드 검색어를 선정하고, 상기 선정된 키워드 검색어를 아래의 수학식에 적용하여 전처리하는 탄소 배출권 가격 예측 방법:
    Figure 112021012574938-pat00035

    여기서,
    Figure 112021012574938-pat00036
    및
    Figure 112021012574938-pat00037
    는 t 및 t-1 시점에서의 탄소 배출권 가격 데이터이고,
    Figure 112021012574938-pat00038
    및
    Figure 112021012574938-pat00039
    는 t 및 t-1 시점에서 I 검색어의 검색량 데이터이다.
  6. 제5항에 있어서,
    상기 탄소 배출권 가격 예측 모형을 추출하는 단계는,
    아래의 수학식을 이용하여 상기 시차별 각각의 탄소 배출권 가격 예측 모형의 BIC(Bayes Information Criterion) 값을 연산하는 탄소 배출권 가격 예측 방법:
    Figure 112021012574938-pat00040

    여기서,
    Figure 112021012574938-pat00041
    는 우도로 모형의 접합도를 나타내는 상수이다.
  7. 제6항에 있어서,
    상기 탄소 배출권 가격을 예측하는 단계는,
    아래의 수학식을 이용하여 상기 탄소 배출권 가격을 예측하는 탄소 배출권 가격 예측 방법:
    Figure 112021012574938-pat00042

    여기서, PD는 키워드 검색어에 해당되는 "productive"의 검색량 빈도수이고, HD는 키워드 검색어에 해당되는 "홈데코"의 검색량 빈도수이고, EM은 키워드 검색어에 해당되는 "emissions"의 검색량 빈도수이다.
  8. 탄소 배출권 가격을 예측하기 위한 탄소 배출권 가격 예측 시스템에 있어서,
    탄소 배출권의 주간 종가 데이터와 상기 탄소 배출권과 연관된 복수의 검색어의 검색량 데이터를 각각 수집하여 데이터베이스를 구축하는 저장부,
    상기 데이터베이스에 저장된 탄소 배출권의 주간 종가 데이터와 검색어의 검색량 데이터를 전처리하여 키워드 검색어를 선정하는 키워드 검색어 선정부,
    상기 전처리된 데이터를 벡터자기회귀(VAR) 분석모듈에 적용하여 시차별 각각의 탄소 배출권 가격 예측 모형을 생성하고, 생성된 시차별 각각의 탄소 배출권 가격 예측 모형중에서 BIC(Bayes Information Criterion) 값이 가장 작은 값을 가지는 탄소 배출권 가격 예측 모형을 선택하는 예측 모형 선택부, 그리고
    상기 탄소 배출권 가격 예측 모형에 상기 키워드 검색어를 적용하여 현재 시점에서의 탄소 배출권 가격을 예측하는 가격 예측부를 포함하며, 상기 저장부는 상기 탄소 배출권과 연관된 복수의 검색어의 검색량 데이터 각각에 대하여 상기 탄소 배출권의 주간 종가 데이터와의 시차 간의 평균 상관계수를 연산하고, 연산된 평균 상관 계수의 절대 값이 기준 값 이상인 검색어의 검색량 데이터 이외의 검색어의 검색량 데이터를 삭제하여 데이터베이스를 구축하고, 아래의 수학식을 이용하여 상기 시차 간의 평균 상관계수를 연산하는 탄소 배출권 가격 예측 시스템:
    Figure 112023019427765-pat00069

    여기서,
    Figure 112023019427765-pat00070
    는 t시점에서 해당 검색어의 검색 빈도수 데이터이고,
    Figure 112023019427765-pat00071
    는 해당 검색어의 빈도수 데이터의 평균이고,
    Figure 112023019427765-pat00072
    는 t-k시점에서의 탄소 배출권 가격 데이터이고,
    Figure 112023019427765-pat00073
    는 탄소 배출권 가격 데이터의 평균이며, L은 검정할 시차이다.
  9. 삭제
  10. 삭제
  11. 제8항에 있어서,
    상기 저장부는,
    아래의 수학식을 이용하여 상기 L을 연산하는 탄소 배출권 가격 예측 시스템:
    Figure 112023019427765-pat00048

    여기서, n은 탄소 배출권의 주간 종가 데이터의 개수이다.
  12. 제11항에 있어서,
    상기 키워드 검색어 선정부는,
    상기 데이터베이스에 저장된 복수의 검색어의 검색량 데이터를 다중회귀분석을 적용하여, 복수의 검색어 중에서 VAR 분석에 이용할 키워드 검색어를 선정하고, 상기 선정된 키워드 검색어를 아래의 수학식에 적용하여 전처리하는 탄소 배출권 가격 예측 시스템:
    Figure 112021012574938-pat00049

    여기서,
    Figure 112021012574938-pat00050
    및
    Figure 112021012574938-pat00051
    는 t 및 t-1 시점에서의 탄소 배출권 가격 데이터이고,
    Figure 112021012574938-pat00052
    및
    Figure 112021012574938-pat00053
    는 t 및 t-1 시점에서 I 검색어의 검색량 데이터이다.
  13. 제12항에 있어서,
    상기 예측 모형 선택부는,
    아래의 수학식을 이용하여 상기 시차별 각각의 탄소 배출권 가격 예측 모형의 BIC(Bayes Information Criterion) 값을 연산하는 탄소 배출권 가격 예측 시스템:
    Figure 112023019427765-pat00054

    여기서,
    Figure 112023019427765-pat00055
    는 우도로 모형의 접합도를 나타내는 상수이다.
  14. 제13항에 있어서,
    상기 가격 예측부는,
    아래의 수학식을 이용하여 상기 탄소 배출권 가격을 예측하는 탄소 배출권 가격 예측 시스템:
    Figure 112021012574938-pat00056

    여기서, PD는 키워드 검색어에 해당되는 "productive"의 검색량 빈도수이고, HD는 키워드 검색어에 해당되는 "홈데코"의 검색량 빈도수이고, EM은 키워드 검색어에 해당되는 "emissions"의 검색량 빈도수이다.
KR1020210013894A 2021-02-01 2021-02-01 검색량 데이터와 var 분석을 이용한 탄소 배출권 가격 예측 시스템 및 그 방법 KR102550687B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210013894A KR102550687B1 (ko) 2021-02-01 2021-02-01 검색량 데이터와 var 분석을 이용한 탄소 배출권 가격 예측 시스템 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210013894A KR102550687B1 (ko) 2021-02-01 2021-02-01 검색량 데이터와 var 분석을 이용한 탄소 배출권 가격 예측 시스템 및 그 방법

Publications (2)

Publication Number Publication Date
KR20220110909A KR20220110909A (ko) 2022-08-09
KR102550687B1 true KR102550687B1 (ko) 2023-07-03

Family

ID=82844786

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210013894A KR102550687B1 (ko) 2021-02-01 2021-02-01 검색량 데이터와 var 분석을 이용한 탄소 배출권 가격 예측 시스템 및 그 방법

Country Status (1)

Country Link
KR (1) KR102550687B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100661040B1 (ko) * 1998-09-24 2006-12-26 소니 가부시끼 가이샤 정보 처리 장치 및 방법, 정보 기록 장치 및 방법, 기록 매체 및 제공 매체

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190081671A (ko) * 2017-12-29 2019-07-09 주식회사 플레이오토 온라인 쇼핑몰 통합 관리 시스템에서의 유사상품을 검색하는 방법 및 그 서버
US10931687B2 (en) * 2018-02-20 2021-02-23 General Electric Company Cyber-attack detection, localization, and neutralization for unmanned aerial vehicles
KR102168564B1 (ko) * 2018-12-26 2020-10-21 인하대학교 산학협력단 건설장비의 이산화탄소 배출량에 따른 탄소 배출 처리 비용 산정 장치 및 그 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100661040B1 (ko) * 1998-09-24 2006-12-26 소니 가부시끼 가이샤 정보 처리 장치 및 방법, 정보 기록 장치 및 방법, 기록 매체 및 제공 매체

Also Published As

Publication number Publication date
KR20220110909A (ko) 2022-08-09

Similar Documents

Publication Publication Date Title
KR101966557B1 (ko) 빅데이터와 머신러닝을 이용한 수리부속수요 예측 시스템 및 방법
US8990145B2 (en) Probabilistic data mining model comparison
US9047559B2 (en) Computer-implemented systems and methods for testing large scale automatic forecast combinations
US20070061144A1 (en) Batch statistics process model method and system
US20190251458A1 (en) System and method for particle swarm optimization and quantile regression based rule mining for regression techniques
US20130024167A1 (en) Computer-Implemented Systems And Methods For Large Scale Automatic Forecast Combinations
CN111950810A (zh) 一种基于自演化预训练的多变量时间序列预测方法和设备
US9324026B2 (en) Hierarchical latent variable model estimation device, hierarchical latent variable model estimation method, supply amount prediction device, supply amount prediction method, and recording medium
US20070233532A1 (en) Business process analysis apparatus
US20230206054A1 (en) Expedited Assessment and Ranking of Model Quality in Machine Learning
CN113065911A (zh) 推荐信息生成方法、装置、存储介质及电子设备
JP7063426B1 (ja) 予測スコア算出装置、予測スコア算出方法および予測スコア算出プログラム
CN113869596A (zh) 任务预测处理方法、设备、产品和介质
KR102550687B1 (ko) 검색량 데이터와 var 분석을 이용한 탄소 배출권 가격 예측 시스템 및 그 방법
Wederhake et al. On the surplus accuracy of data-driven energy quantification methods in the residential sector
KR102574461B1 (ko) 탄소 배출권 가격 추이와 시계열 분석을 이용한 탄소 배출권 가격 예측 시스템 및 그 방법
KR102425013B1 (ko) 검색량 분석과 다중회귀 분석을 이용한 탄소 배출권 가격 예측 시스템 및 그것에 의해 수행되는 탄소 배출권 가격 예측 방법
KR102480518B1 (ko) 신용평가 모델 업데이트 또는 교체 방법 및 장치
CN114780443A (zh) 微服务应用自动化测试方法、装置、电子设备及存储介质
KR100919684B1 (ko) 데이터 마이닝 방법
Ziat et al. Optimization approach under uncertainty in preliminary design for mechanical engineering
CN111382391A (zh) 一种用于多目标回归的目标相关特征构建方法
CN117132093B (zh) 一种动态流程模型操作方法及系统
EP4016404A1 (en) Method and apparatus for generating a control signal to control a device in accordance with a constrained hierarchy
CN117931420B (zh) 云工作负载预测方法、装置、设备及存储介质

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant