없는 것을 알 수 있다.
비표준화 계수의 측면의 양하, 적하, Shifting은 하역작업시간의 양의 영향력 을 미치며 Twin양하, Twin적하, 크레인수는 하역작업시간의 음의 영향을 미치 는 것으로 알 수 있다. 앞선 산점도를 통해 파악된 변수들의 특징이 계수를 통 해 반영되는 것을 알 수 있다. 결과의 도출된 회귀계수가 타당한 것으로 간주 하고 비표준화계수를 통해 추정을 진행한다.
5.2.2 Model 2
해당 모델은 총물량의 정보를 보완한 야드 장치 위치의 정보를 토대로 분석 한 다중회귀이다. 변수 간 공선성의 문제를 해결하고자 단계적 선택법을 적용 하여 분석을 진행한다. 훈련 데이터를 적용한 다중회귀모형 결과는 표 15와 같 다.
해당 분석결과에서 처음 시행 시 공선성 단계가 존재한 변수 Shifting 1과 Shifting 2가 발생하여 이를 제외하고 재분석을 시행하였다. 각 변수명에 tw는 Twin 물량을 의미한다. 야드 장치 정보가 설명력(R2 : 0.957, 수정 R2 : 0.916) 이 높은 것을 알 수 있다. 단계적선택법에 의해 총 50개의 변수 중 23개의 변 수가 설명력을 가지고 이를 설명하고 있다. 다중공선성의 측면에서도 10이상의 값이 없어 문제가 없는 것을 알 수 있다. 따라서 도출된 회귀계수가 타당한 것 으로 간주하고 비표준화계수를 통해 예측을 진행한다.
구분 R R2 adj R2 추정값의 표준오차 모형
요약 .957 0.916 0.916 2.18
구분 변수
비표준화 계수
표준화
계수 t
유의 확률
*
공선성 통계량
B 표준화
오류 베타 공차 VIF
23회 -계수 출력 결과
(상수) 4.02 0.15 27.14 0.00
D 0.01 0.00 0.67 51.27 0.00 0.16 6.44 2라인D 0.02 0.00 0.07 4.69 0.00 0.11 9.31 Shifting 0.01 0.00 0.16 29.78 0.00 0.87 1.15 3라인C_tw 0.02 0.00 0.08 6.03 0.00 0.16 6.11
냉동 컨테이너
블록
0.03 0.00 0.09 13.18 0.00 0.55 1.81
1라인D 0.02 0.00 0.10 6.45 0.00 0.12 8.40 크레인수 -0.91 0.05 -0.17 -17.72 0.00 0.30 3.33 3라인F 0.03 0.00 0.06 6.68 0.00 0.30 3.37 2라인A 0.01 0.01 0.03 2.50 0.01 0.20 5.00 1라인C_tw 0.02 0.00 0.06 4.52 0.00 0.14 7.26 3라인C 0.02 0.00 0.05 4.52 0.00 0.22 4.63 양하Twin 0.00 0.00 -0.08 -6.50 0.00 0.17 5.93 선석위치 0.27 0.05 0.03 5.67 0.00 0.93 1.07 1라인F 0.01 0.00 0.05 3.86 0.00 0.15 6.82 기타물량 0.02 0.00 0.04 4.69 0.00 0.45 2.20 1라인E 0.02 0.01 0.04 3.74 0.00 0.24 4.08 3라인E_tw 0.02 0.01 0.04 3.62 0.00 0.24 4.16 2라인F 0.01 0.00 0.04 2.55 0.01 0.13 7.87 3라인A 0.01 0.01 0.03 2.44 0.01 0.22 4.47
공 컨테이너
블록
-0.77 0.34 -0.01 -2.27 0.02 0.99 1.01
2라인C 0.01 0.01 0.03 2.37 0.02 0.20 5.05 1라인C -0.01 0.01 -0.03 -2.25 0.02 0.20 4.89 1라인E_tw 0.01 0.00 0.03 2.19 0.03 0.13 7.49
*p<.05, 소수점 셋째 자리에서 반올림
표 15 야드 장치 정보 다중회귀분석 결과
5.2.3 Model 3
해당 모형은 야드 장치 위치를 고려한 인공신경망 모형이다. 모든 변수를 투 입하여 기계학습을 진행하여 예측치를 측정한다. 앞선 모델에서 도출된 크레인 의 수(변수)가 음의 설명력을 가지고 있기 때문에 활성화함수인 Leaky-Relu를 사용하여 음의 가중치를 고려하였다. Adam의 경사하강법을 도입하여 계산시간 과 학습횟수를 줄이는 효과를 부여하였다 과적합을 피하기 위해 검정데이터가 최저이면서 30회이상 학습개선이 나타나지 않을 시 종료를 하는 조건으로 모형 을 추정하였다. 훈련 데이터 내 분류된 검정데이터는 33%(1,056개), 실제 훈련 데이터는 67%(2,146개)로 구성하였다. 이는 기계학습과정에서 매번 랜덤 추출된 33%의 검정데이터를 통해 분석을 진행한다. 모든 변수의 훈련 배치수는 랜덤으 로 100개 식 투입하여 진행되었다. 최적의 신경망 구조를 찾기 위해 동일한 노 드 수를 가지는 Flat 형태의 층을 1층부터 추가하여 시뮬레이션을 진행하였다.
이에 따라 동일한 노드 수 11개를 가지고 15층의 모형이 가장 적합한 것으로 나타났다.
그림 15은 학습횟수에 따라 검정데이터의 평균제곱오차가 줄어드는 과정을 나타낸 그래프이다. 가로축은 학습횟수를 의미하며 세로축은 학습횟수에 따른 검정데이터의 평균제곱오차를 나타낸다. 1회 학습의 초기 평균제곱오차 값은 약 106.89로 해당 그래프를 파악하기 위해 20 이하의 평균제곱오차 값을 표현 하였다. 왼쪽 그림은 전체 학습의 진행척도를 나타내며 오른쪽의 그림은 459회 학습에서 본 신경망 모형이 도출된 지점을 나타내고 최저 검정 평균제곱오차 값은 약 3.687로 나타났다. 본 모델이 다른 대상의 데이터를 적용할 경우 과적 합의 위험을 파악할 필요가 있다. 이는 앞서 구분한 테스트 데이터를 통해 진 행한다. 또한 다른 모델과의 비교를 위해 모델별 테스트 데이터를 투입한 예측 치를 검정한다.
그림 15 학습횟수에 따른 평균제곱오차 변화 그래프