메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
구형모 (University of Seoul) 유무상 (University of Seoul) 서현일 (University of Seoul) 박성재 (University of Seoul)
저널정보
한국측량학회 한국측량학회지 한국측량학회지 제42권 제1호
발행연도
2024.2
수록면
1 - 13 (13page)
DOI
10.7848/ksgpc.2024.42.1.1

이용수

DBpia Top 5%동일한 주제분류 기준으로
최근 2년간 이용수 순으로 정렬했을 때
해당 논문이 위치하는 상위 비율을 의미합니다.
표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
공간 데이터는 공간적 자기상관과 같은 고유한 특성을 가지며, 기계학습을 공간 데이터에 적용 시 공간적 자기상관을 고려하지 않으면 기계학습의 예측 정확도 하락과 같은 부정적 결과를 일으킨다. 본 연구는 기계학습에 공간적 특성을 명시적으로 포함하는 방법인 공간적 변수의 투입이 기계학습의 예측 정확도 향상에 미치는 영향을 탐색한다. 나아가 공간적 변수 유형과 기계학습 모형 간의 유용성 차이를 비교하고자 한다. 사용된 공간적 변수의 유형은 공간 좌표, 공간 지체 그리고 모런 고유벡터 공간 필터이며, 기계학습 기법은 선형회귀모형, 일반화가법모형, 랜덤포레스트, 서포트벡터머신이다. 강한 양의 공간적 자기상관이 있는 서울시 아파트 매매가격을 반응변수로 사용하였고, 속성적 변수와 공간적 변수를 결합하여 예측모형을 설계하였다. 본 연구의 결과 훈련데이터와 검증데이터 모두에서 선형회귀모형, 일반화가법모형, 그리고 랜덤포레스트는 공간 지체, 서포트벡터머신은 공간 좌표가 가장 높은 예측 정확도 상승을 보였다. 모형 간 비교에서는 랜덤포레스트와 공간 지체를 결합한 모형이 가장 높은 정확도를 보였으며, 일반적으로 공간적 변수의 활용이 기계학습 모형의 예측 정확도 향상에 기여함을 확인하였다. 본 연구는 다양한 형태의 공간적 변수의 구성 방법을 정리·제시하고, 기계학습 모형별 변수 선택 방법과 결합하여 공간적 변수의 활용도를 높였다는 점에서 공간 기계학습 발전의 기초 연구로 활용할 수 있을 것으로 기대한다.

목차

Abstract
초록
1. 서론
2. 방법론
3. 연구 결과
4. 결론
References

참고문헌 (42)

참고문헌 신청

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

전체보기

댓글(0)

0