• Proceedings of KOSOMES biannual meeting
• /
• 2006.05a
• /
• pp.93-102
• /
• 2006

효율적인 방제전략 수립 지원시스템 개발의 일환으로 환경민감정보 기반 실시간 유출유 확산예측 시스템과 피해위험도 예측시스템을 연계한 해양오염 방제지원시스템을 개발하였다. 실시간 유출유 확산예측시스템에서는 실시간 바람과 실시간 해수유동을 기반으로 유출유의 이동을 계산하고, 유출유 특성에 따라 해상 유출유의 풍화작용을 모델링하여 유출유의 잔류량 및 확산분포를 계산한다. 유출유 확산 예측의 실시간 바람은 국립환경연구원의 실시간 기상모델 결과를 FTP를 이용하여 실시간으로 연계하여 활용하며, 실시간 해수유동으로서 조류는 수치모델결과와 검조소 관측결과의 결합을 통해 실시간 조석을 예측하는 CHARRY (Current by Harmonic Response to the Reference Yardstick) 모델을 이용하여 예측하고, 실시간 취송류는 바람과 취송류간의 상관관계와 반응함수를 이용하여 예측한다. 실시간 해수유동을 따라 이동하면서 풍화되는 유출유의 풍화작용은 유출유 특성에 따라 결정된 감소율을 적용하여 모델링한다. 본 시스템은 이와 같은 정보를 ESI(Environmental Sensitivity Index) 및 방제자원 정보와 통합하여 종합적으로 제공함으로써 방제전략 수립을 지원한다.

• The Magazine of the Society of Air-Conditioning and Refrigerating Engineers of Korea
• /
• v.30 no.4
• /
• pp.12-19
• /
• 2001

대공간의 건축물의 합리적인 설계를 위해서는 온도 및 기류분포의 정확한 예측이 필요하다. 예측 방법으로 정밀해석 모델(CFD)만을 최선의 방법으로 생각하는 경우가 대부분 이지만, 비용과 시간을 줄이기 위해서는 설계 단계별로 보다 적합한 예측 방법을 적용 할 필요가 있다. 이것은 다양한 예측 모델들의 장·단점 및 실용성에 대한 충분한 이해가 전제될 때 가능할 것이다. 본고에서는 열환경·설비 설계시, 설계 단계에 따른 적합한 예측 모델들을 소개한다. 더불어, 적절하고 타당한 예측 기술이 설계에 반영되어 대공간 건축물의 실내 열환경 개선 및 에너지 절약이 이루어지기를 기대한다.

• 한국경영정보학회:학술대회논문집
• /
• 2007.06a
• /
• pp.135-140
• /
• 2007

이탈 고객 예측은 데이터 마이닝에서 다루는 주요한 문제 중에 하나이다. 이탈 고객 예측은 일종의 분류(classification) 문제로 의사결정나무추론, 로지스틱 회귀분석, 인공신경망 등의 기법이 많이 활용되어왔다. 일반적으로 이탈 고객 예측을 위한 모델은 고객의 인구통계학적 정보와 계약이나 거래 정보를 입력변수로 하여 이탈 여부를 목표변수로 보는 형태로 분류 모델을 생성하게 된다. 본 연구에서는 고객과의 지속적인 접촉으로 발생되는 추가적인 사건 정보를 활용하여 연관성 규칙을 생성하고 이 결과를 기존의 방식으로 생성된 분류 모델과 결합하는 이탈 고객 예측 방법을 제시한다. 제시한 방법의 유용성을 확인하기 위해서 특정 국내 신용카드사의 실제 데이터를 활용하여 실험을 수행하였다. 실험 결과 제시된 방법이 기존의 전통적인 분류 모델에 비해서 향상된 성능을 보이는 것을 확인할 수 있었다. 제시된 예측 방법의 장점은 기존의 이탈 예측을 위한 입력 변수들 이외에 고객과 회사간의 접촉을 통해서 생성된 동적 정보들을 통합적으로 활용하여 예측 정확도를 높이고 실시간으로 이탈 확률을 갱신할 수 있다는 점이다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2018.05a
• /
• pp.99-99
• /
• 2018

기상이변으로 인해 국지성 호우의 발생 증가와 그로 인한 수재해 피해가 증가하고 있다. 따라서 수재해를 사전에 예측하고 저감하기 위해 비구조물적 대책인 실시간 홍수예보시스템 개발 및 운영에 관한 연구들이 수행되고 있다. 일반적으로 홍수예보시스템은 대피선행시간 확보를 위해서 초단시간 혹은 단기 수치예보모델을 수문해석모형이나 예보기법의 입력으로 활용하고 있다. 초단시간 예측은 기상레이더를 기반으로 외삽, 이류, 셀 추적 등의 기법을 활용하여 0~3시간 이내의 강수예측을 수행한다. 그러나 역학이나 물리적 과정이 동반되지 못하여 0~ 2시간 이내에서의 예측성은 높은 반면, 예측시간이 길어질수록 예측력이 낮아진다. 단기수치예보모델은 종관관측에 의존하면서 역학이나 물리과정을 동반하므로 0~6시간 혹은 12시간 이상의 예측을 수행하지만, 수치모델의 고유특성인 스핀업 등의 예측 불확실성이 내재되어 있어 예측 초기시간에서의 예측력이 낮은 한계가 있다. 따라서 강수예측의 정확도 향상을 위해 레이더와 수치예보모델의 병합기법이 필요하다. 본 연구에서는 통계분석을 통해 경험적으로 산출된 시간적 가중치를 이용한 기존 병합기법의 한계를 극복하면서 호우에 따른 가변성을 반영하는 실시간 병합기법을 개발하고, 수문학적인 활용성을 평가하고자 하였다. 사용된 예측강우 자료는 레이더 기반인 MAPLE, KONOS, 공간규모분할 예측강우와 수치예보모델 기반인 UM와 ASAPS의 예측강우이며, 제시한 가중치 산정기법은 직전 예측강우의 오차가 현 시점의 예측강우의 오차와 유사하다는 가정하에 오차항을 포함한 과거 1시간 예측강우들간의 가중치 조합이 과거 지상관측강우와의 평균제곱근오차가 최소가 되도록 화음 탐색법을 이용하여 찾는 것이다. 가중치 조합은 예측강우의 생산 시간 간격을 고려하여 매 10분마다 산정하며, 미래 3시간 예측까지 산정된 가중치를 적용한다. 수도권 영역을 대상으로 병합된 예측강우와 레이더 관측강우를 비교한 결과, 정량적 정확도가 향상됨을 확인할 수 있었다. 또한, 예측강우의 수문학적 활용성은 도시유출해석모의를 통해 평가하였다. 그 결과, 병합된 예측강우로 모의된 수심이 관측수심과 유사하여 수문학적 활용성 확인할 수 있었다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.520-520
• /
• 2023

제주도 동부 중산간 지역은 화산암으로 구성된 지하지질로 인해 지하수위의 변동폭이 크고 변동양상이 복잡하여 인공신경망(Artificial Neural Network, ANN) 모델 등을 활용한 지하수위의 예측이 어렵다. ANN에 적용되는 활성화함수에 따라 지하수의 예측성능은 달라질 수 있으므로 활성화함수의 비교분석 후 적절한 활성화함수의 사용이 반드시 필요하다. 본 연구에서는 5개 활성화함수(sigmoid, hyperbolic tangent(tanh), Rectified Linear Unit(ReLU), Leaky Rectified Linear Unit(Leaky ReLU), Exponential Linear Unit(ELU))를 제주도 동부 중산간지역에 위치한 2개 지하수 관정에 대해 비교분석하여 최적 활성화함수 도출을 목표로 한다. 또한 최적 활성화함수를 활용한 ANN의 적용성을 평가하기 위해 최근 널리 사용되고 있는 순환신경망 모델인 Long Short-Term Memory(LSTM) 모델과 비교분석 하였다. 그 결과, 2개 관정 중 지하수위 변동폭이 상대적으로 큰 관정은 ELU 함수, 상대적으로 작은 관정은 Leaky ReLU 함수가 지하수위 예측에 적절하였다. 예측성능이 가장 낮은 활성화함수는 sigmoid 함수로 나타나 첨두 및 최저 지하수위 예측 시 사용을 지양해야 할 것으로 판단된다. 도출된 최적 활성화함수를 사용한 ANN-ELU 모델 및 ANN-Leaky ReLU 모델을 LSTM 모델과 비교분석한 결과 대등한 지하수위 예측성능을 나타내었다. 이것은 feed-forward 방식인 ANN 모델을 사용하더라도 적절한 활성화함수를 사용하면 최신 순환신경망과 대등한 결과를 도출하여 활용 가능성이 충분히 있다는 것을 의미한다. 마지막으로 LSTM 모델은 가장 적절한 예측성능을 나타내어 다양한 인공지능 모델의 예측성능 비교를 위한 기준이 되는 참고모델로 활용 가능하다. 본 연구에서 제시한 방법은 지하수위 예측과 더불어 하천수위 예측 등 다양한 시계열예측 및 분석연구에 유용하게 사용될 수 있다.

• Proceedings of the KIEE Conference
• /
• 2003.11b
• /
• pp.283-286
• /
• 2003

본 연구는 기존의 고장진단 기법들을 토대로 주어진 자동화 시스템에 실제 적용이 가능한 고장예측 알고리즘을 제시한다. 고장예측은 시스템이 운용되는 도중에 제한된 정보와 컴퓨터 자원을 이용하여 수행되어야 하므로 실시간 적용을 위하여 2단계로 구분하여 수행된다. 첫 번째는 실시간 고장예측 단계로서 시스템 운용 중에 시스템의 고장 징후를 탐지하는 역할을 하며, 두 번째는 오프라인 고장예측 단계로서 실시간으로 고장 징후가 탐지되면 시스템의 작동을 멈춘 후 고장의 징후를 분류하고 식별하는 역할을 수행한다 원활한 고장예측 알고리즘을 도출하기 위해 자동화 시스템의 이산사건 모델과 연속시간 모델을 수립하였으며, 이들을 통합한 공정모델에 대하여 하이브리드 시뮬레이션 환경을 구축하였다. 제안된 기법은 자동화 시스템의 공정모델에 기구부, 모터부에 대한 고장모델을 부가하여 컴퓨터 시뮬레이션을 통하여 타당성을 검증하였다.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2014.01a
• /
• pp.347-348
• /
• 2014

최근 급증하는 교통 혼잡으로 인해 시간적/물질적 손실이 크게 발생하고 있다. 이러한 교통난 해소는 시설투자만으로는 근본적인 해결책이 될 수 없다는 판단 하에 지난 수년간 보다 정확한 교통량을 예측하기 위해 시계열 기반의 다양한 교통량 예측 모델들이 개발 되어 왔다. 그러나 시계열 기반의 모델들은 회귀분석을 통해 과거 교통량을 분석하고 과거의 교통패턴이 미래에도 지속적으로 연장된다는 가정 하에 연구되었기 때문에 실시간으로 급변하는 불규칙한 교통 패턴에 대한 예측의 신뢰성을 떨어트린다. 또한 시계열 기반의 예측 기법은 어떠한 회귀분석 모델을 사용하는지에 따라 성능의 차이가 많이 나타나기 때문에 회귀분석 모델 선택이 중요하다. 이러한 제약을 극복하기 위해 본 논문에서는 은닉 마르코프 모델(Hidden Markov model)을 이용해 동적인 교통 패턴에 따라 현재 상황에 맞는 회귀분석 모델을 선택하는 신뢰도 높은 교통량 예측 시스템을 제안한다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2006.05a
• /
• pp.419-424
• /
• 2006

대청호로 유입하는 탁수의 감시와 저수지내의 시공간분포를 예측할 수 있는 실시간 탁수감시 및 예측시스템(RTMMS)을 개발하였다. RTMMS는 탁도와 수온 등 실시간 계측자료를 데이터베이스에 저장.조회하는 실시간 감시(Realtime Monitoring), 2차원 탁수예측 수치모델의 입력자료 생성(Input Data), 탁수예측 수치모델의 수행 (W2 Run), 모의결과의 조회 및 저수지 운영 시나리오별 탁수조절 효과분석을 위한 후처리 (Post-Process) 기능을 제공한다. 시스템의 GUI 화면은 개별 기능을 탭 형식으로 제공하여 사용자가 순차적으로 자료조회와 모델수행 그리고 결과분석을 쉽게 수행할 수 있도록 설계하였다. RTMMS는 강우사상 동안 유입하천의 수온예측을 위해 대기기온, 이슬점온도, 하천유량자료를 독립변수로 이용하는 다중회귀모델(DMR)을 사용하며, 탁도 예측은 유량과 SS 부하량의 상관관계를 이용하는 탁도예측모델(QLM)을 사용한다. 저수지로 유입한 탁수의 밀도류 거동과 시공간적인 탁도분포 예측은 2차원 횡방향 평균 수리 수질해석 모형인 CE-QUAL-W2를 채택하였다. 개발된 시스템은 2004년 홍수기를 대상으로 시범적용 하였으며, 그 결과를 실측자료와 비교하여 제시하였다. RTMMS는 저수지 탁수발생 현황조회, 취수원 도달시간 및 지속기간, 밀도류와 전도현상을 고려한 시공간 분포 예측, 발전 및 수문방류, 선택취수 등 다양한 저수지운영 시나리오에 따른 상.하류 영향 분석, 용수 이용자에게 탁도 예측정보의 제공 등 탁수를 고려한 저수지운영 의사결정지원 도구로써 매우 유용하게 활용 될 것으로 기대된다.

• The KIPS Transactions:PartA
• /
• v.11A no.4
• /
• pp.243-250
• /
• 2004

Monitoring is used to see if a real-time system provides a service on time. Generally, monitoring for real-time focuses on investigating the current status of a real-time system. To support a stable performance of a real-time system, it should have not only a function to see the current status of real-time process but also a function to predict executions of real-time processes, however. The legacy prediction model has some limitation to apply it to a real-time monitoring. First, it performs a static prediction after a real-time process finished. Second, it needs a statistical pre-analysis before a prediction. Third, transition probability and data about clustering is not based on the current data. We propose the execution prediction model based on learning algorithm to solve these problems and apply it to real-time monitoring. This model gets rid of unnecessary pre-processing and supports a precise prediction based on current data. In addition, this supports multi-level prediction by a trend analysis of past execution data. Most of all, We designed the model to support dynamic prediction which is performed within a real-time process' execution. The results from some experiments show that the judgment accuracy is greater than 80% if the size of a training set is set to over 10, and, in the case of the multi-level prediction, that the prediction difference of the multi-level prediction is minimized if the number of execution is bigger than the size of a training set. The execution prediction model proposed in this model has some limitation that the model used the most simplest learning algorithm and that it didn't consider the multi-regional space model managing CPU, memory and I/O data. The execution prediction model based on a learning algorithm proposed in this paper is used in some areas related to real-time monitoring and control.

• KIPS Transactions on Computer and Communication Systems
• /
• v.12 no.2
• /
• pp.53-60
• /
• 2023

Recently, the demand and traffic volume for various multimedia contents are rapidly increasing through real-time streaming platforms. In this paper, we predict real-time streaming traffic to improve the quality of service (QoS). Statistical models have been used to predict network traffic. However, since real-time streaming traffic changes dynamically, we used recurrent neural network-based deep learning models rather than a statistical model. Therefore, after the collection and preprocessing for real-time streaming data, we exploit vanilla RNN, LSTM, GRU, Bi-LSTM, and Bi-GRU models to predict real-time streaming traffic. In evaluation, the training time and accuracy of each model are measured and compared.