• Proceedings of the KAIS Fall Conference
• /
• 2008.05a
• /
• pp.248-250
• /
• 2008

This paper proposes a prediction method to prevent traffic accident and reduce to vehicle waiting time using neural network. Computer simulation results proved reducing average vehicle waiting time which proposed coordinating green time better than electro-sensitive traffic light system dose not consider coordinating green time. Moreover, we present neural network approach for traffic accident prediction with unnormalized (actual or original collected) data. This approach is not consider the maximum value of data and possible use the network without normalizing but the predictive accuracy is better. Also, the unnormalized method shows better predictive accuracy than the normalized method given by maximum value. Therefore, we can make the best use of this model in software reliability prediction using unnormalized data. Computer simulation results proved reducing traffic accident waiting time which proposed neural network better than conventional system dosen't consider neural network.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2020.06a
• /
• pp.63-63
• /
• 2020

최근 머신러닝 기술의 발전에 따라 비선형 시계열자료에 대한 예측이 가능해졌으며, 기존의 과정기반모형을 대체하여 지하수, 하천수 예측 등 다양한 수문분야에 활용되고 있다. 본 연구에서는 기존의 연구들과 달리 과정기반모형을 이용한 하천수 모의결과를 개선하기 위해 과정기반모형과 결합하는 방식으로 머신러닝 기술을 활용하였다. 머신러닝 기술을 통해 관측값과 모의값 간의 차이를 예측하고 과정기반모형의 모의결과에 반영함으로써 관측값을 정확히 재현할 수 있도록 하는 시스템을 구축하고 평가하였다. 과정기반모형으로는 Weather Research and Forecasting model-Hydrological modeling system (WRF-Hydro)을 소양강 유역을 대상으로 구축하였다. 머신러닝 모형으로는 순환 신경망 중 하나인 Long Short-Term Memory (LSTM) 신경망을 이용하여 장기시계열예측이 가능하게 하였다(WRF-Hydro-LSTM). 머신러닝 모형은 2013년부터 2017년까지의 기상자료 및 유입량 잔차를 이용하여 학습시키고, 2018년 기상자료를 이용하여 예상되는 유입량 잔차를 모의하였다. 모의된 잔차를 WRF-Hydro 모의결과에 반영시켜 최종 유입량 모의값을 보정하였다. 또한, 연구에서 제안된 새로운 방법론의 성능을 비교평가하기 위해 머신러닝 단독 모형으로 유입량을 학습 후 모의하였다(LSTM-only). 상관계수와 Nash-Sutcliffe 효율계수(NSE)를 사용해 평가한 결과, LSTM을 이용한 두 방법(WRF-Hydro-LSTM과 LSTM-only) 모두 기존의 과정기반모형(WRF-Hydro-only)에 비해 높은 정확도의 하천수 모의가 가능했으며, PBIAS 지수를 사용하여 평가한 결과, LSTM을 단독으로 사용하였을 때보다 WRF-Hydro와 결합했을 때 더 관측값과 가까운 모의가 가능함을 확인할 수 있었다.

• Journal of the Institute of Electronics Engineers of Korea SC
• /
• v.38 no.2
• /
• pp.20-30
• /
• 2001

In the paper, we propose a predictive control scheme using multiple neural network-based prediction models. To construct the multiple models, we select several specific values of a parameter whose variation affects serious control performance in the plant. Among the multiple prediction models, we choose one that shows the best predictions for future outputs of the plant by a switching technique. Based on a nonlinear programming method, we calculate the current process input in the nonlinear predictive control system with multiple prediction models. The proposed control method is shown to be very effective when a parameter of the plant changes or the time delay, if it exists, varies. It is also shown that the proposed method is successfully applied for the control of suspension in a electro-magnetic levitation system.

• 전자공학회논문지 IE
• /
• v.47 no.2
• /
• pp.27-31
• /
• 2010

In this paper, a predictor switching algorithm for lossless compression is proposed. It uses adaptively one of two predictors using errors obtained by MED(median edge detector) and GAP(gradient adaptive prediction). The reduced error is measured by existing entropy method. Experimental results show that the proposed algorithm can compress higher than existing predictive methods.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 1998.10a
• /
• pp.99-104
• /
• 1998

본 논문은 효과적인 시계열 예측을 위한 새로운 퍼지 학습방법을 제안한다. 기존의 학습방법에서는 입력 데이터를 F(y(t),y(t-1),y(t-2)..)의 형태로 주어 예측을 수행했으나 본 논문에서 제안한 방법에서는 입력 데이터를 F(y(t)-y(t-1),y(t-1)-y(t-2)..)로 설정한다. 이것은 각 입력값의 차이를 새로운 입력으로 사용함으로써 유사한 시계열 분포를 좀더 능동적인 퍼지 규칙으로 만들기 때문에 Non-stationary한 데이터뿐만 아니라 기존의 시계열 데이터 예측방법 보다 나은 결과를 나타낸다. 알고리즘의 수행능력을 살펴보기 위해 Mackey-Glass time series와 Lorenz data를 사용하였다.

• Journal of the Korea Convergence Society
• /
• v.12 no.7
• /
• pp.169-179
• /
• 2021

This study shows that the two-stage k-means clustering method can improve prediction performance by predicting the stock price, To this end, this study introduces the two-stage k-means clustering algorithm and tests the prediction performance through comparison with various machine learning techniques. It selects the cluster close to the prediction target obtained from the k-means clustering, and reapplies the k-means clustering method to the cluster to search for a cluster closer to the actual value. As a result, the predicted value of this method is shown to be closer to the actual stock price than the predicted values of other machine learning techniques. Furthermore, it shows a relatively stable predicted value despite the use of a relatively small cluster. Accordingly, this method can simultaneously improve the accuracy and stability of prediction, and it can be considered as the new clustering method useful for small data. In the future, developing the two-stage k-means clustering is required for the large-scale data application.

• Journal of Ocean Engineering and Technology
• /
• v.5 no.2
• /
• pp.51-57
• /
• 1991

불규칙 해상에서 선박의 큰 횡요각의 예측이 중요한 과제로 대두 되고 있다. 본 논문에서는 통계적 해석에 의한 이의 예측 방법을 제시한다. 즉 주어진 비 선형 횡요운동 방정식으로 부터 배의 횡요각과 각속도의 결합 확률 밀도 함수를 구하는 방법을 도입하고 각종 계수들의 값의 변화에 따른 예측 결과를 다른 논문에서 제시한 시뮬레이션 결과와 비교하였다.

• Journal of Digital Convergence
• /
• v.16 no.12
• /
• pp.293-299
• /
• 2018

The weather has a lot of influence on the cultivation of crops. Weather information on agricultural crop cultivation areas is indispensable for efficient cultivation and management of agricultural crops. Despite the high demand for agricultural weather, research on this is in short supply. In this research, we deal with the production method of agricultural weather in Jeollanam-do, which is the main production area of onions through GloSea5 and deep learning. A deep neural network model using the sliding window method was used and utilized to train daily weather prediction for predicting the agricultural weather. RMSE and MAE are used for evaluating the accuracy of the model. The accuracy improves as the learning period increases, so we compare the prediction performance according to the learning period and the prediction period. As a result of the analysis, although the learning period and the prediction period are similar, there was a limit to reflect the trend according to the seasonal change. a modified deep layer neural network model was presented, that applying the difference between the predicted value and the observed value to the next day predicted value.

• The Journal of the Acoustical Society of Korea
• /
• v.12 no.3
• /
• pp.62-67
• /
• 1993

부호 여기된 선형예측 음성보코더들은 4800bps의 낮은 전송율에서도 좋은 음질을 제공한다. CELP 형 보코더의 피치검색법의 문제점중에 하나는 피치 검출시의 조오류에 의해 예측이득이 저하된다는 점이다. 본 논문에서 우리는 CELP 보코더의 피치 예측이득을 개선하는 한 새로운 피치검색법을 제안하였다. 제안한 방법은 예비피치들을 검출하여 이들중 피치 예측이득이 최대인 값을 선정하는 방법을 적용하였다. 이 방법을 여러 화자의 발성에 대해 적용한 결과 피치 예측이득율 6.1% 정도 개선할 수 있었다.

• The Journal of the Acoustical Society of Korea
• /
• v.17 no.8
• /
• pp.68-72
• /
• 1998

본 논문에서는 기존의 DPCM에 의한 압축방법보다 더 낮은 비트율을 갖는 압축방 법을 제안한다. 각 화소의 예측오차 값은 DPCM방법에 의해 양자화되고, 양자화된 예측오차 의 열은 예측오차의 학습된 열로 구성된 코드북과 비교된다. 비교과정은 벡터양자화 방법과 동일하고, 그 결과 코드북의 주소를 생성한다. 제안된 방법은 DPCM과 동일한 복원 영상의 화질을 보이지만, 더 낮은 비트율을 얻을 수 있다.