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
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
김병주 (고려대학교) 최상옥 (고려대학교)
저널정보
한국산학기술학회 한국산학기술학회 논문지 한국산학기술학회논문지 제25권 제9호
발행연도
2024.9
수록면
442 - 456 (15page)
DOI
10.5762/KAIS.2024.25.9.442

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
방위력 개선사업의 비용 변동예측은 사업관리뿐만 아니라 국방 예산의 계획 및 집행 효율성을 높이는 데에도 도움을 줄 수 있다. 본 연구는 지난 7년 동안 방위력개선사업 총사업비를 활용하여 머신러닝 기반 모델을 통해 방위력개선사업의 비용 변동예측 가능 여부 확인을 위해 수행하였다. 머신러닝 기반 예측 모델 확인을 위해 Deep Neural Network, Extreme Gradient Boosting Machine, Distributed Random Forest 등의 방법으로 예측 모델을 구현하고 각각의 성능을 비교하였다. 머신러닝 예측 모델들은 모두 0.9 이상 결정계수를 보여 회귀분석 모델의 0.34에 비해 우수한 예측 성능을 보여 향후 이를 정책적 도구로 활용 가능성을 확인하였다, 그러나, 데이터 부족으로 인해 신규 과제에 대한 결정 계수는 0.48~0.71 수준으로 낮아지는 것을 확인하였으나, 신규 과제에 대한 예측 또한 머신 러닝이 회귀분석 모델의 결정계수 0.23보다 좋은 성능을 보여, 많은 데이터 축적 후 총사업비 변동성 예측에 머신러닝 모델 활용 가능성을 확인할 수 있었다. 향후 사업비 변동 예측 연구 발전을 위해 추후 데이터 축적을 위한 정책 및 이를 사업관리에 활용할 수 있는 정책에 관한 추가 연구가 필요하겠다.
#Defense Acquisition Program #Machine Learning #Cost Variance #Prediction Model #Defense Budget

목차

요약
Abstract
1. 서론
2. 이론적 배경과 선행연구 고찰
3. 연구 데이터 분석 및 총사업비 주요 변동요인
4. 총사업비 변동예측 모델 구축 및 모델 간 예측 성능 비교
5. 결론 및 향후 연구발전 방향
References

참고문헌 (26)

참고문헌 신청
Paik, Won-Chul, & Shin, Seung-Jung, “Research for Proactive and Reactive Obsolescence Management by Aging of Militaries Systems Components”, The Journal of the Institute of Internet, Broadcasting and Communication(JIIBC), 19(6), pp. 213-218, 2019. DOI: https://dx.doi.org/10.7236/JIIBC.2019.19.6.213 google schola Kendrick, Tom, Identifying and managing project risk: Essential tools for failure-proofing your project (2nd Edition), p.372, AMACOM, 2023, pp. 1-372. DOI: https://doi.org/10.1080/10686967.2004.11919113 google schola Defense Acquisition Program Administration, SE-based Risk Management Guidebook (Publication Registration Number 11-1690000-002002-01), Gwacheon: Defense Acquisition Program Administration, Acquisition Planning Bureau, Korea, 2018, pp. 1-92. google schola Gideon, Alan K., and James S. Wasek, "Predicting the Likelihood of Cost Overruns: An Empirical Examination of Major Department of Defense Acquisition Programs." Journal of Cost Analysis and Parametrics, Volume 8, Issue 1, pp. 34-48, 2015. DOI: https://doi.org/10.1080/1941658x.2015.1016587 google schola US DOD, Department of Defense, DOD INSTRUCTION 5000.85, MAJOR CAPABILITY ACQUISITION (DoDI 5000.85,), Washington: Office of the Under Secretary of Defense for Acquisition and Sustainment, US, 2020, pp. 1-40. google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문과 함께 이용한 논문

머신러닝을 활용한 실용적인 대학생 중도탈락 예측 시스템 개발
권진백 한국데이터정보과학회지 2024 .09
라이프로그 데이터를 활용한 LSTM 모델 기반의 치매 예측
김지희 ,  이진원 한국정보기술학회논문지 2024 .09
반려동물의 행동 예측을 위한 기계학습 모델의 비교 연구
문재준 ,  김규석 ,  전문선 외 1명 한국정보기술학회논문지 2024 .09
고랭지배추의 생육 시기별 주산지 기상정보를 활용한 출하시기 도매가격 예측모형
허다솜 ,  정승권 한국정보기술학회논문지 2024 .09
Predicting Student Loan Defaults in South Korea Using Machine Learning: Insights obtained from SHAP Analysis on KOSAF Data
Doun Jeon ,  Hansung Kim 컴퓨터교육학회 논문지 2024 .09

최근 본 자료

전체보기

댓글(0)

0