본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

권호기사

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 목차
(An) analysis of smart logistics trend using LDA topic modeling = LDA 토픽 모델링을 활용한 스마트 물류 트렌드 분석 Alina Fedoseeva, Minjeong Oh, Sungyong Choi p. 1-14

합리적 행동이론 기반 MSO 선택 요인에 관한 실증연구 = Empirical research on MSO selection factors based on theory of reasoned action 이상태, 정기택, 정창근 p. 15-28
정부의 가격비례 보조금 정책이 전기차 시장 역학과 사회 효용에 미치는 영향 = The impact of government price-proportional subsidy policies on electric vehicle market dynamics and social welfare 유은솔, 김기훈 p. 29-47
경영과학 분야 논문 동향에 관한 연구 = A study of research trends in the management sciences : a focus on frequency of author keywords : 저자 키워드 출현 빈도를 중심으로 김범석, 김창효, 김우섭 p. 49-67
특허 정보를 활용한 지역 유망 기술 도출 = Identifying regional emerging technologies using patent information : focus on Incheon bio industry : 인천 지역 바이오 산업을 중심으로 김건, 김동관, 최호철, 윤호열 p. 69-81
국내 데이터 거래 생태계 역학 = Ecosystem dynamics of domestic data trade : network analysis of the data voucher program : 데이터바우처 거래 네트워크 분석 황준호, 진소연, 이학연 p. 83-98
GRU 모델을 활용한 간헐적 수요 예측 연구 = Intermittent demand forecasting using GRU models : focusing on the volatility and irregularity of imported car demand in South Korea : 국내 수입 자동차 수요 변동성과 불규칙성을 중심으로 박성연, 정예림 p. 99-114

참고문헌 (31건) : 자료제공( 네이버학술정보 )

참고문헌 목록에 대한 테이블로 번호, 참고문헌, 국회도서관 소장유무로 구성되어 있습니다.
번호 참고문헌 국회도서관 소장유무
1 김진섭, 황재성, 정재우(2020), “시계열 분해 데이터를 이용한 LSTM 기법 기반 항공기 수리부속수요예측 방안 연구,” 경영과학, 37(2), 1-18. 미소장
2 박윤서, 변상규(2006). “시장 출시 전 신상품 수요예측에 관한 연구,” 경영과학, 23(3), 41-61. 미소장
3 변현정(2022), “간헐적 수요 특성에 따른 하이브리드 예측 모델 비교 연구,” 석사 논문, 이화여자대학교 대학원, 서울. 미소장
4 오병찬, 서혁준, 강혜겸, 김성열, and Acquah, M.A.(2020), “국내 단기 전력수요예측을 위한AI 예측 모델 성능 비교분석,” 전기학회논문지, 69(4), 253-259. 미소장
5 오병섭, 김경자, 최강화(2019), “메타프론티어 분석을 활용한 글로벌 자동차 브랜드의 마케팅 효율성에 대한 연구,” 한국경영과학회지, 44(4), 1-17. 미소장
6 오병훈, 김현철(2017), “인공신경망을 이용한 수리부속 간헐적 수요예측,” 한국 정보처리학회, 24(2), 824-826. 미소장
7 이동구, 선영규, 심이삭(2019), “에너지 인터넷을위한 GRU 기반 전력사용량 예측,” 전기전자 학회논문지, 23(1) 120-126. 미소장
8 이승운, 곽기영(2022), “GRU 기법을 활용한 서울시 공공자전거 수요예측 모델 개발,” 지능정보연구 28(4), 1-25. 미소장
9 임승준, 이정호, 류춘호(2023), “머신러닝을 활용한 중고 자동차의 가격 예측 모델에 관한 연구:국내 브랜드를 중심으로,” 한국경영과학회지, 48(3), 1-14. 미소장
10 정동균, 박영식(2022), “LSTM 인공신경망을 이용한 자동차 A/S 센터 수리 부품 수요 예측 모델연구,” 정보시스템연구, 31(3), 197-220. 미소장
11 주우진, 임미자(2018), “시나리오기법 및 선택실험법 기반 한국 전기차 시장 수요예측 연구,”한국경영과학회지, 43(4), 45-65. 미소장
12 Babai, M.Z., Syntetos, A., and Teunter, R.(2014), “Intermittent demand forecasting: An empirical study on accuracy and the risk of obsolescence,”International Journal of Production Economics, 157, 212-219. 미소장
13 Boulmaiz, T., Guermoui, M., and Boutaghane, H.(2020), “Impact of training data size on the LSTM performances for rainfall-runoff modeling,”Modeling Earth Systems and Environment, 6, 2153-2164. 미소장
14 Cho, K., Merriënboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., and Bengio, Y.(2014), “Learning phrase representations using RNN encoder-decoderfor statistical machine translation,” Proceedings of 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), Doha, Qatar, October, 2014. 1724-1734. 미소장
15 Croston, J.D. (1972), “Forecasting and Stock Control for Intermittent Demands,” Operational Research Quarterly, 23(3), 289-303. 미소장
16 Dong, L., Fang, D., Wang, X., Wei, W., Damaševicius, R., Scherer, R., and Wozniak, M.(2020), “Prediction of streamflow based on dynamic sliding window LSTM,” Water, 12(11), 3032. https://doi.org/10.3390/w12113032 미소장
17 Fu, W., Chien, C.F., and Lin, Z.H.(2018), “A hybrid forecasting framework with neural network and time-series method for intermittent demand in semiconductor supply chain."Proceedings of APMS International Conference, Seoul, Korea, August, 2018. 65-72. 미소장
18 Gao, S., Huang Y., Zhang, S., Han, J., Wang, G., Zhang, M., and Lin, Q.(2020), “Short-term runoff prediction with GRU and LSTM networks without requiring time step optimization during sample generation,” Journal of Hydrology, 589, 125188. 미소장
19 Hua, Z.S., Zhang, B., Yang, J., and Tan, D.S. (2007), “A New Approach of Forecasting Intermittent Demand for Spare Parts Inventories in the Process Industries,” Journal of the Operational Research Society, 58(1), 52-61. 미소장
20 Hussain, B., Afzal, M.K., Ahmad, S., and Mostafa, A.M.(2021), “Intelligent traffic flow prediction using optimized GRU model." IEEE Access, 9, 100736-100746. DOI: 10.1109/ACCES S.2021.3097141. 미소장
21 Khandelwal, P., Konar, J., and Brahma, B. (2020), “Training RNN and its variants using sliding window technique,” Proceedings of IEEE International Students' Conference on Electrical, Electronics and Computer Science (SCEECS), February, 2020. 1-5. DOI:10.1109/SCEECS48394.2020.93 미소장
22 Li, Y., Yang, Y., Zhu, K., and Zhang, J.(2021), “Clothing sale forecasting by a composite GRU-Prophet model with an attention mechanism,”IEEE Transactions on Industrial Informatics, 17(12), 8335-8344. 미소장
23 Liu, B., Fu, C., Bielefield, A., and Liu, Y.Q.(2017), “Forecasting of Chinese primary energy consumption in 2021 with GRU artificial neural network,” Energies, 10(10), 1453. https://doi. org/10.3390/en10101453 미소장
24 Merve, S., Recep, K., and Omer, F.(2013), “Forecasting aviation spare parts demand using croston based methods and artificial neural net-works,”Journal of Economics and Social Research, 15(2), 1-21. 미소장
25 Noh, J., Park, H-J., Kim, J.S., and Hwang, S-J.(2020), “Gated recurrent unit with genetic algorithm for product demand forecasting in supply chain management,” Mathematics, 8(4), 565. https://doi.org/10.3390/math8040565 미소장
26 Syntetos, A.A., and Boylan, J.E. (2005), “The accuracy of intermittent demand estimates,”International Journal of Forecasting, 21(2), 303-314. 미소장
27 Vandeput, N.(2019), “Forecasting intermittent demand with the croston model,” Towards Data Science, 25. 미소장
28 Yamak, P.T., Yujian, L., and Gadosey, P.K. (2019), “A comparison between ARIMA, LSTM, and GRU for time series forecasting,”Proceedings of 2019 2nd International Conference on Algorithms, Computing and Artificial Intelligence, Sanya, China, December, 2019. 49-55. 미소장
29 Yang, S., Yu, X., and Zhou, Y.(2020), “LSTM and GRU neural network performance comparison study: Taking yelp review dataset as an example,” Proceedings of 2020 International Workshop on Electronic Communication and Artificial Intelligence (IWECAI), Shanghai, China, June, 2020. 98-101. 미소장
30 Zhang, G.P., Xia, Y., and Xie, M. (2024), “Intermittent demand forecasting with transformer neural networks,” Annals of Operations Research, 339, 1051-1072. 미소장
31 Zor, K., and Buluş, K. (2021), “A benchmark of GRU and LSTM networks for short-term electric load forecasting,” Proceedings of 2021International Conference on Innovation and Intelligence for Informatics, Computing, and Technologies (3ICT). Zallaq, Bahrain, September, 2021. 598-602. 미소장

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차