[go: up one dir, main page]

KR102425013B1 - System for predicting carbon credits price using search volume analysis and multiple regression analysis and method for performed by the same - Google Patents

System for predicting carbon credits price using search volume analysis and multiple regression analysis and method for performed by the same Download PDF

Info

Publication number
KR102425013B1
KR102425013B1 KR1020200142026A KR20200142026A KR102425013B1 KR 102425013 B1 KR102425013 B1 KR 102425013B1 KR 1020200142026 A KR1020200142026 A KR 1020200142026A KR 20200142026 A KR20200142026 A KR 20200142026A KR 102425013 B1 KR102425013 B1 KR 102425013B1
Authority
KR
South Korea
Prior art keywords
price
carbon
weekly
search
carbon credit
Prior art date
Legal status (The legal status 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 status listed.)
Active
Application number
KR1020200142026A
Other languages
Korean (ko)
Other versions
KR20220057121A (en
Inventor
한승우
김현호
김유진
임기성
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 KR1020200142026A priority Critical patent/KR102425013B1/en
Publication of KR20220057121A publication Critical patent/KR20220057121A/en
Application granted granted Critical
Publication of KR102425013B1 publication Critical patent/KR102425013B1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3346—Query execution using probabilistic model
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Algebra (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

본 발명은 검색량 분석과 다중회귀 분석을 이용한 탄소 배출권 가격 예측 시스템 및 그것에 의해 수행되는 탄소 배출권 가격 예측 방법에 관한 것이다.
본 발명에 따르면, 탄소 배출권과 관련된 복수의 검색어에 대한 주간 검색 빈도수 데이터를 추출하는 단계, 상기 탄소 배출권의 주간 종가 데이터를 한국 거래소로부터 수집하는 단계, 상기 주간 검색 빈도수 데이터와 상기 탄소 배출권의 주간 종가 데이터를 각각의 주차별로 저장하여 데이터베이스를 구축하는 단계, 상기 데이터베이스에 저장된 각각의 상기 주간 검색 빈도수 데이터와 주간 종가 데이터를 교차상관 분석하여 각 주차 별로 상기 주간 검색 빈도수의 상관지수를 연산하는 단계, 상기 연산된 상관지수가 기준 값보다 작은 경우, 해당 주차의 주간 검색 빈도수 데이터를 상기 데이터베이스에서 삭제하고, 주간 검색 빈도수 데이터와 주간 종가 데이터를 다중회귀 분석방법에 적용하여 상기 각 주차 별로 복수의 회귀 모델을 추출하는 단계, 상기 각각의 주차 별로 추출된 복수의 회귀모델에 대하여 각각의 적합도를 연산하고, 각 주차 별 적합도가 가장 큰 값을 가지는 회귀모델을 주차별로 선정하는 단계, 상기 각 주차 별로 선정된 회귀모델을 예측오차 분석방법에 적용하여 평균 절대 오차 비율을 연산하고, 상기 평균 절대 오차 비율이 가장 작은 회귀모델을 최종 예측모델로 선정하는 단계, 그리고 현재 시점의 탄소 배출권과 관련된 복수의 관심 검색어를 입력받아 상기 최종 예측 모델에 적용하여 최종 탄소 배출권 가격을 예측하는 단계를 포함한다.
이와 같이 본 발명에 따르면, 탄소배출권 관련 검색어에 따라 탄소배출권 가격을 예측할 수 있어 변화하는 탄소배출권 시장의 영향을 반영하여 건설 현장에서의 정확한 환경부담금을 고려한 예산을 산정할 수 있다.The present invention relates to a carbon credit price prediction system using search volume analysis and multiple regression analysis, and a carbon credit price prediction method performed by the system.
According to the present invention, the steps of extracting weekly search frequency data for a plurality of search terms related to carbon credits, collecting the weekly closing price data of the carbon credits from the Korean Exchange, the weekly search frequency data and the weekly closing price of the carbon credits building a database by storing data for each week; calculating a correlation index of the weekly search frequency for each week by cross-correlating each of the weekly search frequency data and weekly closing price data stored in the database; When the calculated correlation index is smaller than the reference value, the weekly search frequency data of the corresponding week is deleted from the database, and the weekly search frequency data and weekly closing price data are applied to the multiple regression analysis method to obtain a plurality of regression models for each week. extracting, calculating each fit for a plurality of regression models extracted for each parking, and selecting a regression model having the greatest fitness for each parking for each parking, regression selected for each parking Applying the model to the prediction error analysis method to calculate the average absolute error ratio, selecting the regression model with the smallest average absolute error ratio as the final prediction model, and inputting a plurality of keywords of interest related to the current carbon credit and predicting the final carbon credit price by applying it to the final prediction model.
As described above, according to the present invention, it is possible to predict the price of carbon credits according to search terms related to carbon credits, so that it is possible to reflect the influence of the changing carbon credit market, and to calculate a budget in consideration of accurate environmental charges at the construction site.

Description

검색량 분석과 다중회귀 분석을 이용한 탄소 배출권 가격 예측 시스템 및 그것에 의해 수행되는 탄소 배출권 가격 예측 방법{SYSTEM FOR PREDICTING CARBON CREDITS PRICE USING SEARCH VOLUME ANALYSIS AND MULTIPLE REGRESSION ANALYSIS AND METHOD FOR PERFORMED BY THE SAME}Carbon credit price prediction system using search volume analysis and multiple regression analysis, and carbon credit price prediction method performed by it

본 발명은 검색량 분석과 다중회귀 분석을 이용한 탄소 배출권 가격 예측 시스템 및 그것에 의해 수행되는 탄소 배출권 가격 예측 방법에 관한 것으로, 검색어 데이터와 탄소 배출권 가격 데이터를 이용하여 탄소 배출권의 가격을 정확히 예측하기 위한 검색량 분석과 다중회귀 분석을 이용한 탄소 배출권 가격 예측 시스템 및 그것에 의해 수행되는 탄소 배출권 가격 예측 방법에 관한 것이다.The present invention relates to a carbon credit price prediction system using search volume analysis and multiple regression analysis, and a carbon credit price prediction method performed by the same, for accurately predicting the price of carbon credits using search word data and carbon credit price data To a carbon credit price prediction system using search volume analysis and multiple regression analysis, and to a carbon credit price prediction method performed by the same.

범국가적 탄소배출권 거래제가 시행된 이후 세계적으로 탄소배출과 관련한 관심이 높아지고 있다. 대학민국은 2015년부터 탄소배출권 거래제도가 시행되었고, 이에 발맞추어 각 산업 분야에 탄소배출권을 할당하였다. After the nationwide carbon emission trading system was implemented, interest in carbon emission has been increasing worldwide. The Republic of Korea University has implemented the carbon credit trading system since 2015, and in line with this, carbon credits have been allocated to each industrial sector.

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.However, the currently considered carbon credit trading items in the construction industry are limited to carbon emitted from buildings after completion. should be prioritized.

국내의 탄소배출권 거래제의 도입 이후, 탄소배출권 가격의 영향요인들에 대한 분석이 진행되고 있지만, 탄소배출권 가격을 실질적으로 예측하는 예측모형 등에 대한 개발은 더딘 상황이다. After the introduction of the domestic carbon credit trading system, analysis of the factors affecting the carbon credit price is in progress, but development of a forecasting model that actually predicts the carbon credit price is slow.

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.It is difficult to estimate the exact trend of carbon credit prices due to the absence of indicators to predict fluctuating domestic carbon credit prices. the current situation.

따라서, 건설 현장에서의 정확한 환경부담금을 고려한 예산을 산정하기 위한 기술 개발이 필요하다.Therefore, it is necessary to develop a technology to calculate the budget considering the accurate environmental charges at the construction site.

본 발명의 배경이 되는 기술은 대한민국 공개특허 제10-2008-0074753호(2008.08.13. 공개)에 개시되어 있다.The technology that is the background of the present invention is disclosed in Korean Patent Laid-Open No. 10-2008-0074753 (published on August 13, 2008).

본 발명이 이루고자 하는 기술적 과제는 검색어 데이터와 탄소 배출권 가격 데이터를 이용하여 탄소 배출권의 가격을 정확히 예측하기 위한 검색량 분석과 다중회귀 분석을 이용한 탄소 배출권 가격 예측 시스템 및 그것에 의해 수행되는 탄소 배출권 가격 예측 방법에 관한 것이다.The technical problem to be achieved by the present invention is a carbon credit price prediction system using search volume analysis and multiple regression analysis to accurately predict the price of carbon credits using search word data and carbon credit price data, and carbon credit price prediction performed by the search volume analysis and multiple regression analysis it's about how

이러한 기술적 과제를 이루기 위한 본 발명의 실시 예에 따르면, 탄소 배출권 가격 예측 시스템에 의해 수행되는 탄소 배출권 가격 예측 방법에 있어서, 탄소 배출권과 관련된 복수의 검색어에 대한 주간 검색 빈도수 데이터를 추출하는 단계, 상기 탄소 배출권의 주간 종가 데이터를 한국 거래소로부터 수집하는 단계, 상기 주간 검색 빈도수 데이터와 상기 탄소 배출권의 주간 종가 데이터를 각각의 주차별로 저장하여 데이터베이스를 구축하는 단계, 상기 데이터베이스에 저장된 각각의 상기 주간 검색 빈도수 데이터와 주간 종가 데이터를 교차상관 분석하여 각 주차 별로 상기 주간 검색 빈도수의 상관지수를 연산하는 단계, 상기 연산된 상관지수가 기준 값보다 작은 경우, 해당 주차의 주간 검색 빈도수 데이터를 상기 데이터베이스에서 삭제하고, 주간 검색 빈도수 데이터와 주간 종가 데이터를 다중회귀 분석방법에 적용하여 상기 각 주차 별로 복수의 회귀 모델을 추출하는 단계, 상기 각각의 주차 별로 추출된 복수의 회귀모델에 대하여 각각의 적합도를 연산하고, 각 주차 별 적합도가 가장 큰 값을 가지는 회귀모델을 주차별로 선정하는 단계, 상기 각 주차 별로 선정된 회귀모델을 예측오차 분석방법에 적용하여 평균 절대 오차 비율을 연산하고, 상기 평균 절대 오차 비율이 가장 작은 회귀모델을 최종 예측모델로 선정하는 단계, 그리고 최종 예측모델에 적용된 복수의 관심 검색어에 대한 검색량을 입력받아 상기 최종 예측 모델에 적용하여 최종 탄소 배출권 가격을 예측하는 단계를 포함한다.According to an embodiment of the present invention for achieving this technical task, in the carbon credit price prediction method performed by the carbon credit price prediction system, extracting weekly search frequency data for a plurality of search terms related to carbon credits, the Collecting the weekly closing price data of carbon credits from the Korean Exchange, storing the weekly search frequency data and the weekly closing price data of the carbon credits for each week to build a database, Each of the weekly search frequencies stored in the database Cross-correlation analysis of data and weekly closing price data to calculate a correlation index of the weekly search frequency for each week, if the calculated correlation index is smaller than a reference value, delete the weekly search frequency data of the corresponding week from the database, , extracting a plurality of regression models for each week by applying the weekly search frequency data and weekly closing price data to the multiple regression analysis method, calculating the respective fitness for the plurality of regression models extracted for each week, selecting a regression model having the greatest fitness for each parking for each week, calculating the average absolute error ratio by applying the regression model selected for each parking to the prediction error analysis method, and the average absolute error ratio is the most Selecting a small regression model as the final predictive model, and receiving a search amount for a plurality of search terms of interest applied to the final predictive model, and applying it to the final predictive model to predict the final carbon credit price.

상기 상관지수를 연산하는 단계는, 아래의 수학식을 통해 상기 상관지수를 연산할 수 있다.In the calculating of the correlation index, the correlation index may be calculated through the following equation.

Figure 112020115282296-pat00001
Figure 112020115282296-pat00001

여기서, i는 해당 검색어의 인덱스이고, t는 해당 주차,

Figure 112020115282296-pat00002
는 해당 주차에서의 해당 검색어의 검색 빈도수,
Figure 112020115282296-pat00003
는 해당 검색어 빈도수 데이터의 평균 값이고,
Figure 112020115282296-pat00004
는 해당 주차로부터 k번째 주차에서의 탄소 배출권 가격 데이터이고,
Figure 112020115282296-pat00005
는 탄소 배출권 가격 데이터의 평균이다. where i is the index of the corresponding search term, t is the corresponding parking,
Figure 112020115282296-pat00002
is the search frequency of the search term in the corresponding parking lot,
Figure 112020115282296-pat00003
is the average value of the search term frequency data,
Figure 112020115282296-pat00004
is the carbon emission price data in the kth parking from the corresponding parking,
Figure 112020115282296-pat00005
is the average of carbon credit price data.

상기 적합도는, 아래의 수학식을 통해 연산될 수 있다.The fitness can be calculated through the following equation.

Figure 112020115282296-pat00006
Figure 112020115282296-pat00006

여기서, R은 상관계수이고, n은 상관지수가 기준 값 이상인 검색어의 개수이고, p는 상기 탄소 배출권과 관련된 검색어의 총 개수이다.Here, R is a correlation coefficient, n is the number of search terms having a correlation index equal to or greater than the reference value, and p is the total number of search terms related to the carbon credits.

상기 상관계수(R)는, 아래의 수학식을 통해 연산될 수 있다.The correlation coefficient R may be calculated through the following equation.

Figure 112020115282296-pat00007
Figure 112020115282296-pat00007

여기서,

Figure 112022033047139-pat00008
는 해당 주차에서의 상기 회귀모델의 근사 값,
Figure 112022033047139-pat00009
는 해당 주차에서의 상기 회귀모델의 근사 값의 평균 값,
Figure 112022033047139-pat00010
는 해당 주차에서의 탄소 배출권 가격이다.here,
Figure 112022033047139-pat00008
is the approximate value of the regression model in the corresponding parking,
Figure 112022033047139-pat00009
is the average value of the approximate value of the regression model in the corresponding parking,
Figure 112022033047139-pat00010
is the carbon credit price for the parking lot.

상기 최종 탄소 배출권 가격을 예측하는 단계는, 상기 각 주차 별 선정된 회귀모형을 아래의 수학식에 적용하여 각 주차 별 평균 절대 오차 비율을 연산할 수 있다.In the predicting of the final carbon credit price, the average absolute error ratio for each parking can be calculated by applying the regression model selected for each parking to the following equation.

Figure 112020115282296-pat00011
Figure 112020115282296-pat00011

여기서, MAPE는 평균 절대 오차 비율이고,

Figure 112022033047139-pat00012
는 해당 주차에서의 탄소 배출권 가격이고,
Figure 112022033047139-pat00013
는 해당 주차에서의 회귀모델의 근사값이다.where MAPE is the mean absolute error rate,
Figure 112022033047139-pat00012
is the price of carbon credits in the parking lot,
Figure 112022033047139-pat00013
is an approximation of the regression model at the corresponding parking.

상기 복수의 관심 검색어는, 탄소배출권거래, 후성, 탄소배출권거래제, 이건산업, 탄소배출권가격, 홈데코, "productive", 비유 및 포크레인을 포함할 수 있다.The plurality of search terms of interest may include carbon credit trading, hoosung, carbon credit trading system, this industry, carbon credit price, home decor, "productive", metaphor, and fork crane.

상기 최종 탄소 배출권 가격을 예측하는 단계는, 아래의 수학식을 통해 상기 최종 탄소 배출권 가격을 예측할 수 있다.The predicting of the final carbon credit price may include predicting the final carbon credit price through the following equation.

Figure 112020115282296-pat00014
Figure 112020115282296-pat00014

여기서,

Figure 112020115282296-pat00015
는 해당 주차에서의 관심 검색어의 검색 빈도수이다.here,
Figure 112020115282296-pat00015
is the search frequency of the search term of interest in the corresponding parking lot.

본 발명의 다른 실시예에 따르면, 탄소 배출권 가격을 예측하기 위한 탄소 배출권 가격 예측 시스템에 있어서, 탄소 배출권과 관련된 복수의 검색어에 대한 주간 검색 빈도수 데이터를 추출하는 데이터 추출부, 상기 탄소 배출권의 주간 종가 데이터를 한국 거래소로부터 수집하는 데이터 수집부, 상기 주간 검색 빈도수 데이터와 상기 탄소 배출권의 주간 종가 데이터를 각각의 주차별로 저장하여 데이터베이스를 구축하는 데이터베이스부, 상기 데이터베이스에 저장된 각각의 상기 주간 검색 빈도수 데이터와 주간 종가 데이터를 교차상관 분석하여 각 주차 별로 상기 주간 검색 빈도수의 상관지수를 연산하는 연산부, 상기 연산된 상관지수가 기준 값보다 작은 경우, 해당 주차의 주간 검색 빈도수 데이터를 상기 데이터베이스에서 삭제하고, 주간 검색 빈도수 데이터와 주간 종가 데이터를 다중회귀 분석방법에 적용하여 상기 각 주차 별로 복수의 회귀 모델을 추출하는 회귀모델 추출부, 상기 각각의 주차 별로 추출된 복수의 회귀모델에 대하여 각각의 적합도를 연산하고, 각 주차 별 적합도가 가장 큰 값을 가지는 회귀모델을 주차별로 선정하는 회귀모델 선정부, 상기 각 주차 별로 선정된 회귀모델을 예측오차 분석방법에 적용하여 평균 절대 오차 비율을 연산하고, 상기 평균 절대 오차 비율이 가장 작은 회귀모델을 최종 예측모델로 선정하는 최종 예측모델 생성부, 그리고 최종 예측모델에 적용된 복수의 관심 검색어에 대한 검색량을 입력받아 상기 최종 예측 모델에 적용하여 최종 탄소 배출권 가격을 예측하는 가격 예측부를 포함한다.According to another embodiment of the present invention, in the carbon credit price prediction system for predicting the price of carbon credits, a data extraction unit for extracting weekly search frequency data for a plurality of search terms related to carbon credits, the weekly closing price of the carbon credits A data collection unit for collecting data from the Korea Exchange, a database unit for building a database by storing the weekly search frequency data and the weekly closing price data of the carbon credits for each week, each of the weekly search frequency data stored in the database and A calculator that calculates the correlation index of the weekly search frequency for each week by cross-correlation analysis of the weekly closing price data. When the calculated correlation index is smaller than the reference value, the weekly search frequency data of the corresponding week is deleted from the database, and weekly A regression model extractor that extracts a plurality of regression models for each week by applying the search frequency data and the weekly closing price data to the multiple regression analysis method, and calculates each fit for the plurality of regression models extracted for each week, , a regression model selector that selects a regression model having the greatest fitness for each parking for each parking, calculates the average absolute error ratio by applying the regression model selected for each parking to the prediction error analysis method, and the average absolute error ratio is calculated. The final prediction model generator that selects the regression model with the smallest error ratio as the final prediction model, and the final prediction model receives the search volume for a plurality of search terms of interest applied to the final prediction model and applies it to the final prediction model to predict the final carbon credit price It includes a price forecasting unit.

이와 같이 본 발명에 따르면, 탄소배출권 관련 검색어에 따라 탄소배출권 가격을 예측할 수 있어 변화하는 탄소배출권 시장의 영향을 반영하여 건설 현장에서의 정확한 환경부담금을 고려한 예산을 산정할 수 있다.As described above, according to the present invention, it is possible to predict the price of carbon credits according to search terms related to carbon credits, so that it is possible to reflect the influence of the changing carbon credit market and to calculate a budget considering the exact environmental burden at the construction site.

도 1은 본 발명의 실시예에 따른 탄소 배출권 가격 예측 시스템의 구성을 설명하기 위한 구성도이다.
도 2는 본 발명의 실시예에 따른 탄소 배출권 가격 예측 방법을 설명하기 위한 순서도이다.
도 3은 도 2의 S230 단계를 설명하기 위한 도면이다.
도 4는 본 발명의 실시예에 따른 교차상관 분석 방법을 설명하기 위한 그래프이다.
도 5는 본 발명의 실시예에 따른 교차상관 분석 방법을 설명하기 위한 도면이다.
도 6은 도 2의 S270 단계를 설명하기 위한 도면이다.1 is a configuration diagram for explaining the configuration of a carbon emission credit price prediction system according to an embodiment of the present invention.
2 is a flowchart for explaining a carbon emission credit price prediction method according to an embodiment of the present invention.
FIG. 3 is a diagram for explaining step S230 of FIG. 2 .
4 is a graph for explaining a cross-correlation analysis method according to an embodiment of the present invention.
5 is a diagram for explaining a cross-correlation analysis method according to an embodiment of the present invention.
FIG. 6 is a view for explaining step S270 of FIG. 2 .

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.Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings so that those of ordinary skill in the art can easily carry out the present invention. However, the present invention may be embodied in several different forms and is not limited to the embodiments described herein. And in order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification.

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.Throughout the specification, when a part "includes" a certain component, it means that other components may be further included, rather than excluding other components, unless otherwise stated.

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.Then, with reference to the accompanying drawings, embodiments of the present invention will be described in detail so that those of ordinary skill in the art to which the present invention pertains can easily implement them.

도 1은 본 발명의 실시예에 따른 탄소 배출권 가격 예측 시스템의 구성을 설명하기 위한 구성도이다.1 is a configuration diagram for explaining the configuration of a carbon emission credit price prediction system according to an embodiment of the present invention.

도 1에서 나타낸 것처럼, 본 발명의 실시예에 따른 탄소 배출권 가격 예측 시스템(100)은 데이터 추출부(110), 데이터 수집부(120), 데이터베이스부(130), 연산부(140), 회귀모델 추출부(150), 회귀모델 선정부(160), 최종 예측모델 생성부(170) 및 가격 예측부(180)를 포함한다.As shown in FIG. 1 , the carbon credit price prediction system 100 according to an embodiment of the present invention includes a data extraction unit 110 , a data collection unit 120 , a database unit 130 , an operation unit 140 , and a regression model extraction. It includes a unit 150 , a regression model selection unit 160 , a final prediction model generation unit 170 , and a price prediction unit 180 .

먼더, 데이터 추출부(110)는 탄소 배출권과 관련된 복수의 검색어에 대한 주간 검색 빈도수 데이터를 추출한다.First, the data extraction unit 110 extracts weekly search frequency data for a plurality of search terms related to carbon credits.

이때, 탄소 배출권과 관련된 복수의 검색어는 네이버 연관 검색어, 논문 키워드 또는 참고 논문을 바탕으로 선정된다.In this case, a plurality of search terms related to carbon credits are selected based on Naver-related search terms, thesis keywords, or reference thesis.

다음으로, 데이터 수집부(120)는 탄소 배출권의 주간 종가 데이터를 한국 거래소로부터 수집한다.Next, the data collection unit 120 collects weekly closing price data of carbon credits from the Korean Exchange.

다음으로, 데이터베이스부(130)는 데이터 추출부(110)와 데이터 수집부(120)로부터 수집된 주간 검색 빈도수 데이터와 탄소 배출권의 주간 종가 데이터를 각각의 주차별로 저장하여 데이터베이스화한다.Next, the database unit 130 stores the weekly search frequency data and the weekly closing price data of carbon credits collected from the data extraction unit 110 and the data collection unit 120 for each week into a database.

다음으로, 연산부(140)는 데이터베이스에 저장된 각각의 주간 검색 빈도수 데이터와 주간 종가 데이터를 교차상관 분석하여 각 주차 별로 주간 검색 빈도수의 상관지수를 연산한다.Next, the calculating unit 140 calculates the correlation index of the weekly search frequency for each week by cross-correlating the weekly search frequency data and the weekly closing price data stored in the database.

다음으로, 회귀모델 추출부(150)는 연산된 상관지수가 기준 값보다 작은 경우, 해당 주차의 주간 검색 빈도수 데이터를 상기 데이터베이스에서 삭제하고, 주간 검색 빈도수 데이터와 주간 종가 데이터를 다중회귀 분석방법에 적용하여 각 주차 별로 복수개의 회귀 모델을 추출한다.Next, when the calculated correlation index is smaller than the reference value, the regression model extraction unit 150 deletes the weekly search frequency data of the corresponding week from the database, and adds the weekly search frequency data and the weekly closing price data to the multiple regression analysis method. It is applied to extract a plurality of regression models for each week.

다음으로, 회귀모델 선정부(160)는 각각의 주차 별로 추출된 복수의 회귀모델에 대하여 각각의 적합도를 연산하고, 각 주차 별 적합도가 가장 큰 값을 가지는 회귀모델을 주차별로 선정한다.Next, the regression model selector 160 calculates the respective fitness for the plurality of regression models extracted for each parking, and selects the regression model having the greatest fitness for each parking for each parking.

다음으로, 최종 예측모델 생성부(170)는 각 주차 별로 선정된 회귀모델을 예측오차 분석방법에 적용하여 평균 절대 오차 비율을 연산하고, 평균 절대 오차 비율이 가장 작은 회귀모델을 최종 예측모델로 선정한다.Next, the final prediction model generator 170 calculates the average absolute error ratio by applying the regression model selected for each week to the prediction error analysis method, and selects the regression model with the smallest average absolute error ratio as the final prediction model do.

다음으로, 가격 예측부(180)는 최종 예측모델에 적용된 복수의 관심 검색어에 대한 검색량을 입력받아 최종 예측 모델에 적용하여 최종 탄소 배출권 가격을 예측하는 가격 예측부를 포함한다.Next, the price prediction unit 180 includes a price prediction unit that receives the search amount for a plurality of search terms of interest applied to the final prediction model and predicts the final carbon credit price by applying it to the final prediction model.

이하에서는 도 2 내지 도 6을 이용하여 본 발명의 실시예에 따른 탄소 배출권 가격 예측방법에 대하여 설명한다.Hereinafter, a carbon emission credit price prediction method according to an embodiment of the present invention will be described with reference to FIGS. 2 to 6 .

또한, 본 발명에서는 발명의 설명의 편의상 해당 주차로부터 4주차까지의 데이터를 이용하여 최종 예측모델을 선정하였다.In addition, in the present invention, for convenience of explanation of the invention, the final prediction model was selected using data from the corresponding week to the fourth week.

도 2는 본 발명의 실시예에 따른 탄소 배출권 가격 예측 방법을 설명하기 위한 순서도이다.2 is a flowchart for explaining a carbon emission permit price prediction method according to an embodiment of the present invention.

도 2에서 나타낸 것처럼, 데이터 추출부(110)는 탄소 배출권과 관련된 복수의 검색어에 대한 주간 검색 빈도수 데이터를 추출한다(S210).As shown in FIG. 2 , the data extraction unit 110 extracts weekly search frequency data for a plurality of search terms related to carbon credits ( S210 ).

이때, 본 발명에서는 탄소 배출권과 관련된 복수의 검색어를 "탄소배출권 거래", "후성", "탄소배출권 거래제", "이건산업", "탄소배출권 가격", "한솔홈데코", "유니슨", "홈데코", "휴켐스", "productive", "productively", "productivity", "비유", "포크레인 emissions", "CO2 배출량", "비교", "correlation", "globalwarming", "NOx", "PEMS", "durable", "furniture", "wakefulness"으로 설정하였으며, 탄소 배툴권과 관련된 검색어의 개수 또는 종류는 변경될 수 있다.At this time, in the present invention, a plurality of search terms related to carbon credits are searched for "carbon credit trading", "Woosung", "carbon trading system", "Lee Gun Industry", "carbon credit price", "Hansol Home Deco", "Unison", "Home Decor", "Huchems", "productive", "productively", "productivity", "figurative", "forkrain emissions", "CO2 emissions", "comparison", "correlation", "globalwarming", "NOx" , "PEMS", "durable", "furniture", and "wakefulness" are set, and the number or type of search terms related to carbon ventilator can be changed.

다음으로, 데이터 수집부(120)는 한국 거래소로부터 탄소 배출권의 주간 종가 데이터를 수집한다(S220).Next, the data collection unit 120 collects weekly closing price data of carbon credits from the Korean exchange (S220).

여기서, 한국 거래소는 주식, 채권, KRX 및 탄소 배출권을 관리하는 국가기관으로, 본 발명에서는 탄소 배출권의 주간 종가 가격에 대한 데이터를 획득하기 위해 이용된다.Here, the Korea Exchange is a national institution that manages stocks, bonds, KRX, and carbon credits, and in the present invention, it is used to acquire data on the weekly closing price of carbon credits.

다음으로, 데이터베이스부(130)는 주간 검색 빈도수 데이터와 탄소 배출권의 주간 종가 데이터를 각각의 주차별로 저장하여 데이터베이스화한다(S230).Next, the database unit 130 stores the weekly search frequency data and the weekly closing price data of carbon credits for each week into a database (S230).

도 3은 도 2의 S230 단계를 설명하기 위한 도면이다.FIG. 3 is a diagram for explaining step S230 of FIG. 2 .

즉, 도 3에서 나타낸 것과 같이, 데이터베이스부(130)는 해당 주차에 따른 주간 검색 빈도수 데이터와 탄소 배출권의 주간 종가 데이터를 함께 저장하여 데이터베이스화한다.That is, as shown in FIG. 3 , the database unit 130 stores the weekly search frequency data according to the corresponding parking and the weekly closing price data of carbon credits together to form a database.

다음으로, 연산부(140)는 데이터베이스에 저장된 각각의 상기 주간 검색 빈도수 데이터와 주간 종가 데이터를 교차상관 분석하여 각 주차 별로 주간 검색 빈도수의 상관지수를 연산한다(S240).Next, the calculation unit 140 cross-correlates each of the weekly search frequency data and the weekly closing price data stored in the database to calculate a correlation index of the weekly search frequency for each week (S240).

도 4는 본 발명의 실시예에 따른 교차상관 분석 방법을 설명하기 위한 그래프이고, 도 5는 본 발명의 실시예에 따른 교차상관 분석 방법을 설명하기 위한 도면이다.4 is a graph for explaining a cross-correlation analysis method according to an embodiment of the present invention, and FIG. 5 is a diagram for explaining a cross-correlation analysis method according to an embodiment of the present invention.

여기서, 도 4에서 나타낸 것처럼, 본 발명의 실시예에 따른 교차상관 분석 방법은 탄소 배출권 가격(붉은색 그래프)의 데이터는 유지한 상태에서 검색어 데이터(파란색 그래프)의 시점을 이동시켜 각각의 상관성을 분석하여 상관지수를 연산한다.Here, as shown in FIG. 4 , the cross-correlation analysis method according to the embodiment of the present invention moves the time point of the search word data (blue graph) while maintaining the data of the carbon credit price (red graph) to analyze each correlation. Analyze and calculate the correlation index.

예를 들어, 도 5에서 나타낸 것처럼, 검색어가 수집된 시점 7월 16일, 배출권 시점 7월 20일로 같은 행인 상태를 기준으로 7월 23일-7월 27일(1주주차), 7월 30일-8월 3일(2주주차)와 같이 짝 지어진 데이터를 각각 상관분석을 진행하여, 각각의 검색어를 교차상관분석한다.For example, as shown in Figure 5, based on the same passer-by status as July 16th when the search term was collected and July 20th at the time of emission permits, July 23rd - July 27th (week 1), July 30th Correlation analysis is performed on each paired data such as Sun-August 3 (week 2), and cross-correlation analysis is performed on each search term.

이때, 연산부(140)는 아래의 수학식 1을 통해 상관지수를 연산한다.At this time, the calculator 140 calculates the correlation index through Equation 1 below.

Figure 112020115282296-pat00016
Figure 112020115282296-pat00016

여기서, i는 해당 검색어의 인덱스이고, t는 해당 주차,

Figure 112020115282296-pat00017
는 해당 주차에서의 해당 검색어의 검색 빈도수,
Figure 112020115282296-pat00018
는 해당 검색어 빈도수 데이터의 평균 값이고,
Figure 112020115282296-pat00019
는 해당 주차로부터 k번째 주차에서의 탄소 배출권 가격 데이터이고,
Figure 112020115282296-pat00020
는 탄소 배출권 가격 데이터의 평균이다.where i is the index of the corresponding search term, t is the corresponding parking,
Figure 112020115282296-pat00017
is the search frequency of the search term in the corresponding parking lot,
Figure 112020115282296-pat00018
is the average value of the search term frequency data,
Figure 112020115282296-pat00019
is the carbon emission price data in the kth parking from the corresponding parking,
Figure 112020115282296-pat00020
is the average of carbon credit price data.

다음으로, 회귀모델 추출부(150)는 각 주차별로 복수의 검색어에 대한 주간 검색 빈도수의 상관지수 각각에 대하여 기준 값보다 작은지 여부를 판단한다(S250).Next, the regression model extraction unit 150 determines whether each of the correlation indices of the weekly search frequency for a plurality of search terms for each week is smaller than a reference value ( S250 ).

이때, 각 주차별로 복수의 검색어에 대한 주간 검색 빈도수의 상관지수가 기준 값 이상인 경우, 해당 주차에 대한 검색어는 데이터베이스에서 제거하지 않는다.In this case, if the correlation index of the weekly search frequency for a plurality of search words for each parking is equal to or greater than the reference value, the search word for the corresponding parking is not removed from the database.

반면에, 각 주차별로 복수의 검색어에 대한 주간 검색 빈도수의 상관지수가 기준 값 보다 작으면, 회귀모델 추출부(150)는 해당 주차에 대한 검색어를 데이터베이스에서 삭제하고, 삭제가 완료된 데이터베이스의 주간 검색 빈도수 데이터와 주간 종가 데이터를 다중회귀 분석방법에 적용하여 각 주차별 복수개의 회귀 모델을 추출한다(S260).On the other hand, if the correlation index of the weekly search frequency for a plurality of search terms for each week is less than the reference value, the regression model extraction unit 150 deletes the search word for the corresponding parking from the database, and the weekly search of the database in which the deletion is completed A plurality of regression models for each week are extracted by applying the frequency data and weekly closing price data to the multiple regression analysis method (S260).

이때, 다중회귀 분석방법은 복수개의 독립 변수들과 하나의 종속변수의 관계를 분석하는 방법으로, 본 발명의 실시예에서는 각 주차별 복수개의 회귀 모델을 추출하기 위해 사용된다.In this case, the multiple regression analysis method is a method of analyzing the relationship between a plurality of independent variables and one dependent variable, and is used to extract a plurality of regression models for each week in the embodiment of the present invention.

다음으로, 회귀모델 선정부(160)는 각각의 주차별로 추출된 복수의 회귀모델에 대하여 각각의 적합도를 연산하고, 각 주차별 적합도가 가장 큰 값을 가지는 회귀 모델을 각 주차별로 선정한다(S270).Next, the regression model selector 160 calculates the respective fitness for a plurality of regression models extracted for each parking, and selects the regression model having the greatest fitness for each parking for each parking (S270). ).

이때, 적합도는 아래의 수학식 2을 통해 연산된다.In this case, the fitness is calculated through Equation 2 below.

Figure 112020115282296-pat00021
Figure 112020115282296-pat00021

여기서, R은 상관계수이고, n은 상관지수가 기준 값 이상인 검색어의 개수이고, p는 상기 탄소 배출권과 관련된 검색어의 총 개수이다.Here, R is a correlation coefficient, n is the number of search terms having a correlation index equal to or greater than the reference value, and p is the total number of search terms related to the carbon credits.

그리고, 상관계수(R)은 아래의 수학식 3을 통해 연산된다.And, the correlation coefficient (R) is calculated through Equation 3 below.

Figure 112020115282296-pat00022
Figure 112020115282296-pat00022

여기서,

Figure 112022033047139-pat00023
는 해당 주차에서의 상기 회귀모델의 근사 값,
Figure 112022033047139-pat00024
는 해당 주차에서의 상기 회귀모델의 근사 값의 평균 값,
Figure 112022033047139-pat00025
는 해당 주차에서의 탄소 배출권 가격이다.here,
Figure 112022033047139-pat00023
is the approximate value of the regression model in the corresponding parking,
Figure 112022033047139-pat00024
is the average value of the approximate value of the regression model in the corresponding parking,
Figure 112022033047139-pat00025
is the carbon credit price for the parking lot.

도 6은 도 2의 S270 단계를 설명하기 위한 도면이다.FIG. 6 is a diagram for explaining step S270 of FIG. 2 .

도 6에서 나타낸 것처럼, 1주차를 case 1로, 2주차를 case 2로, 3주차를 case 3으로, 4주차를 case 4로 나타내었다.As shown in FIG. 6 , the 1st week was shown as case 1, the 2nd week as case 2, the 3rd week as case 3, and the 4th week as case 4.

또한, NULL은 해당 주차에 상관계수 기준 미달으로 제외된 것을 의미한다.In addition, NULL means that the corresponding parking was excluded because the correlation coefficient criteria were not met.

즉, 도 6에서 나타낸 것처럼, 각각의 주차별 적합도가 가장 큰 값을 가지는 회귀모형을 선정한다.That is, as shown in FIG. 6 , a regression model having the largest value of fitness for each parking is selected.

다음으로, 최종 예측모델 생성부(170)는 각 주차 별로 선정된 회귀모델을 예측오차 분석방법에 적용하여 평균 절대 오차 비율을 연산하고, 평균 절대 오차 비율이 가장 작은 회귀모델을 최종 예측모델로 선정한다(S280).Next, the final prediction model generator 170 calculates the average absolute error ratio by applying the regression model selected for each week to the prediction error analysis method, and selects the regression model with the smallest average absolute error ratio as the final prediction model do (S280).

즉, 최종 예측모델 생성부(170)는 각 주차 별 선정된 회귀모형을 아래의 수학식 4에 적용하여 각 주차 별 평균 절대 오차 비율을 연산한다.That is, the final prediction model generating unit 170 calculates the average absolute error ratio for each week by applying the regression model selected for each week to Equation 4 below.

Figure 112020115282296-pat00026
Figure 112020115282296-pat00026

여기서, MAPE는 평균 절대 오차 비율이고,

Figure 112022033047139-pat00027
는 해당 주차에서의 탄소 배출권 가격이고,
Figure 112022033047139-pat00028
는 해당 주차에서의 회귀모델의 근사값이다.where MAPE is the mean absolute error rate,
Figure 112022033047139-pat00027
is the price of carbon credits in the parking lot,
Figure 112022033047139-pat00028
is an approximation of the regression model at the corresponding parking.

이때, 도 6에서 선정된 각 주차별 회귀모델을 수학식 4를 통해 각각의 MAPE를 연산한다.At this time, each MAPE is calculated through Equation 4 for the regression model for each week selected in FIG. 6 .

그러면, 아래의 표 1과 같이 각 주차별 MAPE 값이 연산된다.Then, the MAPE value for each parking is calculated as shown in Table 1 below.

Figure 112020115282296-pat00029
Figure 112020115282296-pat00029

표 1에서 나타낸 것과 같이, 최종 예측모델 생성부(170)는 MAPE가 가장 적은 4주차의 회귀모델을 최종 예측모델로 선정한다.As shown in Table 1, the final predictive model generator 170 selects the regression model of the 4th week with the least MAPE as the final predictive model.

그러면, 최종 예측모델 생성부(170)는 아래의 수학식 5와 같은 회귀모델을 최종 예측모델로 선정한다.Then, the final prediction model generator 170 selects a regression model as in Equation 5 below as the final prediction model.

Figure 112020115282296-pat00030
Figure 112020115282296-pat00030

여기서,

Figure 112020115282296-pat00031
는 해당 주차에서의 관심 검색어의 검색 빈도수이다.here,
Figure 112020115282296-pat00031
is the search frequency of the search term of interest in the corresponding parking lot.

이때, 관심 검색어는 "탄소배출권거래", "후성", "탄소배출권거래제", "이건산업", "탄소배출권가격", "홈데코", "productive", "비유" 및 "포크레인"을 포함한다.At this time, the search terms of interest include "carbon trading", "hoosung", "carbon trading system", "Egeon Industrial", "carbon credit price", "home decor", "productive", "figurative" and "forkrain" do.

즉, 관심 검색어는 최종 예측모델로 선정된 회귀모델에서 이용되는 검색어를 의미한다.That is, the search word of interest means a search word used in the regression model selected as the final predictive model.

이때, 관심 검색어는 최종 예측모델로 선정된 회귀모델에 따라 서로 다른 검색어일 수 있다.In this case, the search word of interest may be a different search word according to the regression model selected as the final predictive model.

다음으로, 가격 예측부(180)는 최종 예측모델에 적용된 복수의 관심 검색어에 대한 검색량을 입력받아 최종 예측 모델에 적용하여 최종 탄소 배출권 가격을 예측한다(S280).Next, the price prediction unit 180 receives the search amount for a plurality of search terms of interest applied to the final prediction model and applies it to the final prediction model to predict the final carbon credit price (S280).

즉, 가격 예측부(180)는 데이터 추출부(110)로부터 최종 예측모델에 적용된 관심 검색어에 대한 검색량을 입력받아 수학식 5에 적용하여 최종 탄소 배출권 가격을 예측한다. That is, the price prediction unit 180 receives the search amount for the keyword of interest applied to the final prediction model from the data extraction unit 110 and applies Equation 5 to predict the final carbon credit price.

이와 같이 본 발명의 실시예에 따르면, 탄소배출권 관련 검색어에 따라 탄소배출권 가격을 예측할 수 있어 변화하는 탄소배출권 시장의 영향을 반영하여 건설 현장에서의 정확한 환경부담금을 고려한 예산을 산정할 수 있다.As described above, according to an embodiment of the present invention, it is possible to predict the carbon credit price according to a search term related to carbon credits, so it is possible to reflect the influence of the changing carbon credit market and to calculate a budget in consideration of the exact environmental charge at the construction site.

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. Although the present invention has been described with reference to the embodiment shown in the drawings, this is merely exemplary, and those skilled in the art will understand that various modifications and equivalent other embodiments are possible therefrom. Accordingly, the true technical protection scope of the present invention should be defined by the technical spirit of the appended claims.

100: 탄소 배출권 가격 예측 시스템,
110: 데이터 추출부, 120: 데이터 수집부,
130: 데이터베이스부, 140: 연산부,
150: 회귀모델 추출부, 160: 회귀모델 선정부,
170: 최종 예측모델 생성부, 180: 가격 예측부100: Carbon Credit Price Prediction System,
110: data extraction unit, 120: data collection unit,
130: database unit, 140: calculation unit,
150: regression model extraction unit, 160: regression model selection unit,
170: final prediction model generation unit, 180: price prediction unit

Claims (14)

탄소 배출권 가격 예측 시스템에 의해 수행되는 탄소 배출권 가격 예측 방법에 있어서,
상기 탄소 배출권 가격 예측 시스템은 탄소 배출권과 관련된 복수의 검색어에 대한 주간 검색 빈도수 데이터를 추출하는 단계,
상기 탄소 배출권 가격 예측 시스템은 상기 탄소 배출권의 주간 종가 데이터를 한국 거래소로부터 수집하는 단계,
상기 탄소 배출권 가격 예측 시스템은 상기 주간 검색 빈도수 데이터와 상기 탄소 배출권의 주간 종가 데이터를 각각의 주차별로 저장하여 데이터베이스를 구축하는 단계,
상기 탄소 배출권 가격 예측 시스템은 상기 데이터베이스에 저장된 각각의 상기 주간 검색 빈도수 데이터와 주간 종가 데이터를 교차상관 분석하여 각 주차 별로 상기 주간 검색 빈도수의 상관지수를 연산하는 단계,
상기 탄소 배출권 가격 예측 시스템은 상기 연산된 상관지수가 기준 값보다 작은 경우, 해당 주차의 주간 검색 빈도수 데이터를 상기 데이터베이스에서 삭제하고, 주간 검색 빈도수 데이터와 주간 종가 데이터를 다중회귀 분석방법에 적용하여 상기 각 주차 별로 복수의 회귀 모델을 추출하는 단계,
상기 탄소 배출권 가격 예측 시스템은 상기 각각의 주차 별로 추출된 복수의 회귀모델에 대하여 각각의 적합도를 연산하고, 각 주차 별 적합도가 가장 큰 값을 가지는 회귀모델을 주차별로 선정하는 단계,
상기 탄소 배출권 가격 예측 시스템은 상기 각 주차 별로 선정된 회귀모델을 예측오차 분석방법에 적용하여 평균 절대 오차 비율을 연산하고, 상기 평균 절대 오차 비율이 가장 작은 회귀모델을 최종 예측모델로 선정하는 단계, 그리고
상기 탄소 배출권 가격 예측 시스템은 최종 예측모델에 적용된 복수의 관심 검색어에 대한 검색량을 입력받아 상기 최종 예측 모델에 적용하여 최종 탄소 배출권 가격을 예측하는 단계를 포함하며,
상기 상관지수를 연산하는 단계는,
아래의 수학식을 통해 상기 상관지수를 연산하는 탄소 배출권 가격 예측 방법;
Figure 112022033047139-pat00032

여기서, i는 해당 검색어의 인덱스이고, t는 해당 주차,
Figure 112022033047139-pat00033
는 해당 주차에서의 해당 검색어의 검색 빈도수,
Figure 112022033047139-pat00034
는 해당 검색어 빈도수 데이터의 평균 값이고,
Figure 112022033047139-pat00035
는 해당 주차로부터 k번째 주차에서의 탄소 배출권 가격 데이터이고,
Figure 112022033047139-pat00036
는 탄소 배출권 가격 데이터의 평균이다. In the carbon credit price prediction method performed by the carbon credit price prediction system,
The carbon credit price prediction system extracts weekly search frequency data for a plurality of search terms related to carbon credits;
The carbon credit price prediction system collects the weekly closing price data of the carbon credits from the Korean Exchange;
The carbon credit price prediction system stores the weekly search frequency data and the weekly closing price data of the carbon credits for each week to build a database;
The carbon emission permit price prediction system cross-correlates each of the weekly search frequency data and weekly closing price data stored in the database to calculate a correlation index of the weekly search frequency for each week;
When the calculated correlation index is smaller than the reference value, the carbon emission price prediction system deletes the weekly search frequency data of the corresponding week from the database, and applies the weekly search frequency data and the weekly closing price data to the multiple regression analysis method, extracting a plurality of regression models for each week;
The carbon emission price prediction system calculates respective fitness for a plurality of regression models extracted for each parking, and selects a regression model having the largest value of fitness for each parking for each parking;
The carbon emission price prediction system calculates the average absolute error ratio by applying the regression model selected for each week to the prediction error analysis method, and selecting the regression model with the smallest average absolute error ratio as the final prediction model; and
The carbon credit price prediction system includes the step of receiving a search amount for a plurality of search terms of interest applied to the final prediction model and applying it to the final prediction model to predict the final carbon credit price,
Calculating the correlation index comprises:
A carbon credit price prediction method for calculating the correlation index through the following equation;
Figure 112022033047139-pat00032

where i is the index of the corresponding search term, t is the corresponding parking,
Figure 112022033047139-pat00033
is the search frequency of the search term in the corresponding parking lot,
Figure 112022033047139-pat00034
is the average value of the search term frequency data,
Figure 112022033047139-pat00035
is the carbon emission price data in the kth parking from the corresponding parking,
Figure 112022033047139-pat00036
is the average of carbon credit price data. 삭제delete 제1항에 있어서,
상기 적합도는,
아래의 수학식을 통해 연산되는 탄소 배출권 가격 예측 방법;
Figure 112020115282296-pat00037

여기서, R은 상관계수이고, n은 상관지수가 기준 값 이상인 검색어의 개수이고, p는 상기 탄소 배출권과 관련된 검색어의 총 개수이다.According to claim 1,
The fitness is
A method of predicting carbon credit price calculated through the following equation;
Figure 112020115282296-pat00037

Here, R is a correlation coefficient, n is the number of search terms having a correlation index equal to or greater than the reference value, and p is the total number of search terms related to the carbon credits. 제3항에 있어서,
상기 상관계수(R)는,
아래의 수학식을 통해 연산되는 탄소 배출권 가격 예측 방법;
Figure 112022033047139-pat00038

여기서,
Figure 112022033047139-pat00039
는 해당 주차에서의 상기 회귀모델의 근사 값,
Figure 112022033047139-pat00040
는 해당 주차에서의 상기 회귀모델의 근사 값의 평균 값,
Figure 112022033047139-pat00041
는 해당 주차에서의 탄소 배출권 가격이다.4. The method of claim 3,
The correlation coefficient (R) is,
A method of predicting carbon credit price calculated through the following equation;
Figure 112022033047139-pat00038

here,
Figure 112022033047139-pat00039
is the approximate value of the regression model in the corresponding parking,
Figure 112022033047139-pat00040
is the average value of the approximate value of the regression model in the corresponding parking,
Figure 112022033047139-pat00041
is the carbon credit price for the parking lot. 제1항에 있어서,
상기 최종 탄소 배출권 가격을 예측하는 단계는,
상기 각 주차 별 선정된 회귀모델을 아래의 수학식에 적용하여 각 주차 별 평균 절대 오차 비율을 연산하는 탄소 배출권 가격 예측 방법;
Figure 112022033047139-pat00042

여기서, MAPE는 평균 절대 오차 비율이고,
Figure 112022033047139-pat00043
는 해당 주차에서의 탄소 배출권 가격이고,
Figure 112022033047139-pat00044
는 해당 주차에서의 회귀모델의 근사값이다.According to claim 1,
The step of predicting the final carbon credit price is,
a carbon emission permit price prediction method for calculating the average absolute error ratio for each parking by applying the regression model selected for each parking to the following equation;
Figure 112022033047139-pat00042

where MAPE is the mean absolute error rate,
Figure 112022033047139-pat00043
is the price of carbon credits in the parking lot,
Figure 112022033047139-pat00044
is an approximation of the regression model at the corresponding parking. 제1항에 있어서,
상기 복수의 관심 검색어는,
탄소배출권거래, 후성, 탄소배출권거래제, 이건산업, 탄소배출권가격, 홈데코, productive, 비유 및 포크레인을 포함하는 탄소 배출권 가격 예측 방법. According to claim 1,
The plurality of search terms of interest are,
Carbon credit price prediction method including carbon credit trading, hoosung, carbon credit trading system, Egan Industry, carbon credit price, home decor, productive, milk and fork crane. 제6항에 있어서,
상기 최종 탄소 배출권 가격을 예측하는 단계는,
아래의 수학식을 통해 상기 최종 탄소 배출권 가격을 예측하는 탄소 배출권 가격 예측 방법:
Figure 112020115282296-pat00045

여기서,
Figure 112020115282296-pat00046
는 해당 주차에서의 관심 검색어의 검색 빈도수이다.7. The method of claim 6,
The step of predicting the final carbon credit price is,
A carbon credit price prediction method that predicts the final carbon credit price through the following equation:
Figure 112020115282296-pat00045

here,
Figure 112020115282296-pat00046
is the search frequency of the search term of interest in the corresponding parking lot. 탄소 배출권 가격을 예측하기 위한 탄소 배출권 가격 예측 시스템에 있어서,
탄소 배출권과 관련된 복수의 검색어에 대한 주간 검색 빈도수 데이터를 추출하는 데이터 추출부,
상기 탄소 배출권의 주간 종가 데이터를 한국 거래소로부터 수집하는 데이터 수집부,
상기 주간 검색 빈도수 데이터와 상기 탄소 배출권의 주간 종가 데이터를 각각의 주차별로 저장하여 데이터베이스를 구축하는 데이터베이스부,
상기 데이터베이스에 저장된 각각의 상기 주간 검색 빈도수 데이터와 주간 종가 데이터를 교차상관 분석하여 각 주차 별로 상기 주간 검색 빈도수의 상관지수를 연산하는 연산부,
상기 연산된 상관지수가 기준 값보다 작은 경우, 해당 주차의 주간 검색 빈도수 데이터를 상기 데이터베이스에서 삭제하고, 주간 검색 빈도수 데이터와 주간 종가 데이터를 다중회귀 분석방법에 적용하여 상기 각 주차 별로 복수의 회귀 모델을 추출하는 회귀모델 추출부,
상기 각각의 주차 별로 추출된 복수의 회귀모델에 대하여 각각의 적합도를 연산하고, 각 주차 별 적합도가 가장 큰 값을 가지는 회귀모델을 주차별로 선정하는 회귀모델 선정부,
상기 각 주차 별로 선정된 회귀모델을 예측오차 분석방법에 적용하여 평균 절대 오차 비율을 연산하고, 상기 평균 절대 오차 비율이 가장 작은 회귀모델을 최종 예측모델로 선정하는 최종 예측모델 생성부, 그리고
최종 예측모델에 적용된 복수의 관심 검색어에 대한 검색량을 입력받아 상기 최종 예측 모델에 적용하여 최종 탄소 배출권 가격을 예측하는 가격 예측부를 포함하며,
상기 연산부는,
아래의 수학식을 통해 상기 상관지수를 연산하는 탄소 배출권 가격 예측 시스템;
Figure 112022033047139-pat00047

여기서, i는 해당 검색어의 인덱스이고, t는 해당 주차,
Figure 112022033047139-pat00048
는 해당 주차에서의 해당 검색어의 검색 빈도수,
Figure 112022033047139-pat00049
는 해당 검색어 빈도수 데이터의 평균 값이고,
Figure 112022033047139-pat00050
는 해당 주차로부터 k번째 주차에서의 탄소 배출권 가격 데이터이고,
Figure 112022033047139-pat00051
는 탄소 배출권 가격 데이터의 평균이다. In the carbon credit price prediction system for predicting the carbon credit price,
A data extraction unit for extracting weekly search frequency data for a plurality of search terms related to carbon credits;
A data collection unit that collects the weekly closing price data of the carbon credits from the Korean Exchange,
A database unit for building a database by storing the weekly search frequency data and the weekly closing price data of the carbon credits for each week;
a calculation unit that cross-correlates each of the weekly search frequency data and weekly closing price data stored in the database to calculate a correlation index of the weekly search frequency for each week;
When the calculated correlation index is smaller than the reference value, the weekly search frequency data of the corresponding week is deleted from the database, and the weekly search frequency data and weekly closing price data are applied to the multiple regression analysis method to apply a plurality of regression models for each week. A regression model extraction unit that extracts
A regression model selector that calculates respective fitness for the plurality of regression models extracted for each parking, and selects a regression model having the greatest fitness for each parking for each parking;
A final prediction model generator that calculates the average absolute error ratio by applying the regression model selected for each week to the prediction error analysis method, and selects the regression model with the smallest average absolute error ratio as the final prediction model; And
and a price prediction unit that receives a search amount for a plurality of search terms of interest applied to the final prediction model and predicts the final carbon credit price by applying it to the final prediction model,
The calculation unit,
a carbon credit price prediction system for calculating the correlation index through the following equation;
Figure 112022033047139-pat00047

where i is the index of the corresponding search term, t is the corresponding parking,
Figure 112022033047139-pat00048
is the search frequency of the search term in the corresponding parking lot,
Figure 112022033047139-pat00049
is the average value of the search term frequency data,
Figure 112022033047139-pat00050
is the carbon emission price data in the kth parking from the corresponding parking,
Figure 112022033047139-pat00051
is the average of carbon credit price data. 삭제delete 제8항에 있어서,
상기 적합도는,
아래의 수학식을 통해 연산되는 탄소 배출권 가격 예측 시스템;
Figure 112020115282296-pat00052

여기서, R은 상관계수이고, n은 상관지수가 기준 값 이상인 검색어의 개수이고, p는 상기 탄소 배출권과 관련된 검색어의 총 개수이다.9. The method of claim 8,
The fitness is
Carbon credit price prediction system calculated through the following equation;
Figure 112020115282296-pat00052

Here, R is a correlation coefficient, n is the number of search terms having a correlation index equal to or greater than the reference value, and p is the total number of search terms related to the carbon credits. 제10항에 있어서,
상기 상관계수(R)는,
아래의 수학식을 통해 연산되는 탄소 배출권 가격 예측 시스템;
Figure 112022033047139-pat00053

여기서,
Figure 112022033047139-pat00054
는 해당 주차에서의 상기 회귀모델의 근사 값,
Figure 112022033047139-pat00055
는 해당 주차에서의 상기 회귀모델의 근사 값의 평균 값,
Figure 112022033047139-pat00056
는 해당 주차에서의 탄소 배출권 가격이다.11. The method of claim 10,
The correlation coefficient (R) is,
Carbon credit price prediction system calculated through the following equation;
Figure 112022033047139-pat00053

here,
Figure 112022033047139-pat00054
is the approximate value of the regression model in the corresponding parking,
Figure 112022033047139-pat00055
is the average value of the approximate value of the regression model in the corresponding parking,
Figure 112022033047139-pat00056
is the carbon credit price for the parking lot. 제8항에 있어서,
상기 가격 예측부는,
상기 각 주차 별 선정된 회귀모형을 아래의 수학식에 적용하여 각 주차 별 평균 절대 오차 비율을 연산하는 탄소 배출권 가격 예측 시스템;
Figure 112022033047139-pat00057

여기서, MAPE는 평균 절대 오차 비율이고,
Figure 112022033047139-pat00058
는 해당 주차에서의 탄소 배출권 가격이고,
Figure 112022033047139-pat00059
는 해당 주차에서의 회귀모델의 근사값이다.9. The method of claim 8,
The price prediction unit,
a carbon emission price prediction system for calculating the average absolute error ratio for each parking by applying the regression model selected for each parking to the following equation;
Figure 112022033047139-pat00057

where MAPE is the mean absolute error rate,
Figure 112022033047139-pat00058
is the price of carbon credits in the parking lot,
Figure 112022033047139-pat00059
is an approximation of the regression model at the corresponding parking. 제8항에 있어서,
상기 복수의 관심 검색어는,
탄소배출권거래, 후성, 탄소배출권거래제, 이건산업, 탄소배출권가격, 홈데코, productive, 비유 및 포크레인을 포함하는 탄소 배출권 가격 예측 시스템. 9. The method of claim 8,
The plurality of search terms of interest are,
Carbon credit price prediction system including carbon credit trading, hoosung, carbon credit trading system, Egun Industry, carbon credit price, home decor, productive, milk and fork crane. 제13항에 있어서,
상기 가격 예측부는,
아래의 수학식을 통해 상기 최종 탄소 배출권 가격을 예측하는 탄소 배출권 가격 예측 시스템:
Figure 112020115282296-pat00060

여기서,
Figure 112020115282296-pat00061
는 해당 주차에서의 관심 검색어의 검색 빈도수이다.14. The method of claim 13,
The price prediction unit,
A carbon credit price prediction system that predicts the final carbon credit price through the following equation:
Figure 112020115282296-pat00060

here,
Figure 112020115282296-pat00061
is the search frequency of the search term of interest in the corresponding parking lot.
KR1020200142026A 2020-10-29 2020-10-29 System for predicting carbon credits price using search volume analysis and multiple regression analysis and method for performed by the same Active KR102425013B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200142026A KR102425013B1 (en) 2020-10-29 2020-10-29 System for predicting carbon credits price using search volume analysis and multiple regression analysis and method for performed by the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200142026A KR102425013B1 (en) 2020-10-29 2020-10-29 System for predicting carbon credits price using search volume analysis and multiple regression analysis and method for performed by the same

Publications (2)

Publication Number Publication Date
KR20220057121A KR20220057121A (en) 2022-05-09
KR102425013B1 true KR102425013B1 (en) 2022-07-25

Family

ID=81582777

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200142026A Active KR102425013B1 (en) 2020-10-29 2020-10-29 System for predicting carbon credits price using search volume analysis and multiple regression analysis and method for performed by the same

Country Status (1)

Country Link
KR (1) KR102425013B1 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116307298B (en) * 2023-05-23 2023-08-18 中国石油大学(华东) Combined carbon emission prediction method based on multi-source heterogeneous tensor data
CN116776098A (en) * 2023-06-06 2023-09-19 国网福建省电力有限公司 An analysis method and terminal for how the carbon market affects industry carbon emission reduction effects

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101725013B1 (en) * 2016-07-26 2017-04-18 인하대학교 산학협력단 Apparatus for home sales index prediction using regression analysis and method thereof

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2427862B1 (en) * 2009-05-08 2016-07-27 Accenture Global Services Limited Building energy consumption analysis system
KR102157739B1 (en) * 2018-11-23 2020-09-22 주식회사 씨씨미디어서비스 A system for perdicting carbon tax
KR102168564B1 (en) * 2018-12-26 2020-10-21 인하대학교 산학협력단 Apparatus for calculating carbon emissing treat cost according to carbon dioxide emissions of construction equipment and method thereof

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101725013B1 (en) * 2016-07-26 2017-04-18 인하대학교 산학협력단 Apparatus for home sales index prediction using regression analysis and method thereof

Also Published As

Publication number Publication date
KR20220057121A (en) 2022-05-09

Similar Documents

Publication Publication Date Title
US11443204B2 (en) Computer system and method of presenting information on basis of prediction result for input data
KR102425013B1 (en) System for predicting carbon credits price using search volume analysis and multiple regression analysis and method for performed by the same
CN108664237B (en) It is a kind of based on heuristic and neural network non-API member's recommended method
CN105550393A (en) Firearm variant design method supporting rapid generation of schemes
KR102574461B1 (en) System for predicting carbon credit prices using trend of carbon credit prices and time series analysis and method thereof
CN119003533B (en) Real-time index construction and intelligent optimization method and system based on large model driving
CN118520389A (en) Intelligent monitoring method and system for stock yard
CN110135944A (en) Loan product recommended method, device, computer equipment and storage medium
CN110263136B (en) Method and device for pushing object to user based on reinforcement learning model
JP3177327B2 (en) Econometric model simulation system
CN118734950A (en) Home customization intelligent interactive processing method and system based on artificial intelligence
CN119005091A (en) Intelligent design system and design method for analog integrated circuit
CN108363738B (en) Recommendation method for industrial equipment data analysis algorithm
CN116739044A (en) Combination neural network short-term forecasting method and system integrating multi-factor time series
CN116166886A (en) Application system of vector index smoothing new classification method in season time sequence prediction
KR102550687B1 (en) Systme for predicting carbon credit price using search volume data and vector auto regressive analysis and method thereof
CN112380216A (en) Automatic feature generation method based on intersection
CN119202175B (en) Intelligent question-answering method for power issues
CN112380215B (en) Automatic feature generation method based on cross aggregation
CN120373970B (en) Multi-dimensional assessment method and system for virtual workplace based on deep reinforcement learning
CN120510964B (en) An Optimization Method for Determining Parameters of Condensed Explosive Reaction Rate Model
CN117541004B (en) Visual management method for static pressure pipe pile construction
Marzouk et al. Selecting building materials using system dynamics and ant colony optimization
CN107798124A (en) Search system and method based on prediction modeling technique
CN119647300A (en) Gas turbine performance analysis method and device based on AI large model

Legal Events

Date Code Title Description
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20201029

PA0201 Request for examination
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20220214

Patent event code: PE09021S01D

PG1501 Laying open of application
E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20220718

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20220720

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20220721

End annual number: 3

Start annual number: 1

PG1601 Publication of registration