• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.131-131
• /
• 2022

기후변화의 영향으로 극치강우의 변동성이 커지고 있으며 계획빈도를 초과하는 폭우로 피해가 증가하고 있다. 기존의 물리기반의 홍수예측모델은 개념적 및 구조적 제약과 함께 다양한 유역조건 및 수문기상 조건에 기인한 강우-유출 관계의 불확실성을 고려하는 데 한계가 있다. 특히 한정된 홍수 사상을 통해 구축된 관측 자료로 인해 새로운 홍수 사상 예측 능력이 저조할 수밖에 없다. 따라서 기존 물리모형 기반의 홍수예측과 함께, 딥러닝(deep learning) 모형을 고려한 홍수예측 모델 개발과 개선이 필요하다. 본 연구에서는 다양한 분야에서 활용되는 인공지능(artificial intelligence, AI) 기술을 종합적으로 검토하고, 홍수 예측 측면에서의 활용 가능성 및 신뢰성을 고려하여 AI 기법을 채택하였다. 한강수계에 존재하는 댐 중 일부를 선정하여 대상 댐의 수문·기상학적 자료를 전처리한 후, 인공지능 기반의 홍수예측모형을 구축 및 최적화하였다. 다양한 예측인자와 모델 구성으로 홍수예측력에 대한 평가를 다각적으로 수행함으로써 홍수예측모델의 신뢰성을 제고하였다. 전반적으로 우수한 결과를 도출하였고, 유역면적이 작을수록 결과가 좋았다. 이는 넓은 유역일수록 복잡한 강우-유출 과정이 내재되어 있기 때문으로 판단되며, 넓은 유역에는 본 연구에서 활용한 자료에 추가적인 자료를 도입하여 모형 개선이 이루어져야 할 것으로 판단하였다. 수문 예측 연구에 통계모형이나 기계학습모형의 적용은 많이 있었지만, 딥러닝 기법 활용은 새로운 시도라는 점에서 의미가 있다.

• Journal of Broadcast Engineering
• /
• v.3 no.1
• /
• pp.61-68
• /
• 1998

This paper compares various propagation models developed by several researchers with the measurements in Korea. The models we have considered are Okumura model, Longley-Rice model, ITU-R model and Lee model. The measured signal is vertically IXllarized E -field transmitted from Mt. Namsan at 320MHz. According to the result, Okumura model shows the best performance for the overall test IXlints, and ITU-R model has a good performance as Okumura model for receiving points above lOkm from the transmitter.

• Journal of the Computational Structural Engineering Institute of Korea
• /
• v.12 no.2
• /
• pp.149-159
• /
• 1999

본 연구에서는 고유진동수를 사용하여 균열의 위치와 크기를 발견하는 비파괴 균열발견모델을 유도하고 Euler-Bernoulli 보를 대상으로 이 모델의 적합성을 검증하였다. 먼저, 균열위치예측모델과 균열크기예측모델로 이루어진 균열발견체계를 제시하였는데, 균열위치예측모델은 모드민감도와 고유진동수 사이의 선형적인 관계로부터 간접적으로 유도되었으며 균열크기예측모델은 균열발생에 의한 변형에너지의 손실을 진동특성치의 변화와 비교하는 동적 파괴역학적 방법으로부터 유도되었다. 다음으로, 기존에 발표된 양단-자유보에 대한 진동모드 실험결과를 사용하여 균열위치와 균열크기를 예측하고 평가하므로 균열발견모델의 적합성과 적용성을 실험적으로 검토하였다. 대부분의 손상시나리오에서 균열위치와 균열크기 예측치는 실제값과 근사하게 일치하였다.

• 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
• /
• 2021.06a
• /
• pp.73-73
• /
• 2021

가뭄의 계절적 예측성을 개선하기 위해서는 대기-지면-해양의 상호 작용이 현실적으로 모의할 수 있는 지구 기후 예보 모델의 개선이 필수적이다. 제한적인 기후 예보 모델의 예측성으로 인하여 다중 기후 모델들의 다중 앙상블 계절 예보 시스템이 제안되었다. 2008년에 제안된 북미 다중 모델 다중 앙상블 시스템(North American Multimodel Multiensemble System; NMME)은 다양한 모델 개발팀의 참여로 현재까지 운영되면서 계절적 예측성 연구에 큰 이바지를 하였다. 본 연구에서는 NMME 프로젝트에 참여하는 기후 예보 모델들의 북방 여름철 근지표면 온도과 강우량의 예측성을 진단하고 이들의 상관 관계의 강도를 관측데이터와 비교 분석하였다. 대부분의 NMME 모델들에서는 관측데이터에서 보다 강한 음의 상관 관계를 보였다. 이런 근지표면 온도와 강우량의 강한 상관 관계로 우수한 근지 표면 온도 예보는 각각의 해마다 그 역할이 다른 것을 발견되었다. 예를 들어 가문 여름에는 우수한 근지표면 온도 예보가 강우량 예보에 도움이 되고 강우량이 많은 여름에는 우수한 근지표면 온도 예보는 오히려 강우량 예측성을 제한하게 된다. 따라서 기존의 기후 예보 모델들에서 근지표면 온도와 강우량의 상관관계를 사실적으로 나타낼 수 있도록 모델 개선이 요구된다. 마지막으로 관측데이터와 기후 모델데이터에서 태평양과 대서양의 해수면 온도와 미국의 북방 여름철 날씨의 관계를 비교하였다. 근지표면 온도과 강우량에 대한 제한적 예측성에 비해, 대부분의 NMME 기후 예보 모델들에서 해수면 온도의 예측기술은 우수함을 발견하였고 몇몇 모델들에서는 미국의 북방 여름철 기후에 영향력을 주는 대서양과 태평양의 지역까지 잘 모사하는 것을 발견하였다. 따라서 본 연구는 보다 우수한 기후 예보 기술을 위해 앙상블 평균 예보값만이 아닌 NMME의 계절적 예보를 선택적인 사용이 필요함을 제안하였고 앞으로 북미 대륙 뿐만이 아니라 유럽-아시아의 계절적 이상 기후 예측성에 대한 연구 필요성을 강조하였다.

• Journal of Korean Society of Forest Science
• /
• v.84 no.2
• /
• pp.121-130
• /
• 1995

Forecasting accuracy is examined in the context of Michigan travel demand. Eight different annual models are used to forecast up to two years ahead, and nine different quarterly models up to four quarters. In the evaluation of annual models' performance, multiple regression performed better than the other methods in both the one year and two year forecasts. For quarterly models, Winters exponential smoothing and the Box-Jenkins method performed better than naive 1 s in the first quarter ahead, but these methods in the second, third, and fourth quarters ahead performed worse than naive 1 s. The sophisticated models did not outperform simpler models in producing quarterly forecasts. The best model, multiple regression, performed slightly better when fitted to quarterly rather than annual data: however, it is not possible to strongly recommend quarterly over annual models since the improvement in performance was slight in the case of multiple regression and inconsistent across the other models. As one would expect, accuracy declines as the forecasting time horizon is lengthened in the case of annual models, but the accuracy of quarterly models did not confirm this result.

• Annual Conference of KIPS
• /
• 2021.11a
• /
• pp.845-848
• /
• 2021

최근 화석연료의 급격한 사용에 따른 자원고갈이나 환경오염과 같은 문제들이 심각해짐에 따라 화석연료를 대체할 수 있는 신재생에너지에 대한 관심이 높아지고 있다. 태양광 에너지는 다른 에너지원에 비해 고갈의 우려가 없고, 부지 선정의 제약이 크지 않아 수요가 증가하고 있다. 태양광 발전 시스템에서 생산된 전력을 효과적으로 사용하기 위해서는 태양광 발전량에 대한 정확한 예측 모델이 필요하다. 이를 위한 다양한 딥러닝 기반의 예측 모델들이 제안되었지만, 이러한 모델들은 모델 내부에서 일어나는 의사결정 과정을 들여다보기가 어렵다. 의사결정에 대한 설명이 없다면 예측 모델의 결과를 완전히 신뢰하고 사용하는 데 제약이 따른다. 이런 문제를 위해서 최근 주목을 받는 설명 가능한 인공지능 기술을 사용한다면, 예측 모델의 결과 도출에 대한 해석을 제공할 수 있어 모델의 신뢰성을 확보할 수 있을 뿐만 아니라 모델의 성능 향상을 기대할 수도 있다. 이에 본 논문에서는 Long Short-Term Memory(LSTM)을 사용하여 모델을 구성하고, 모델에서 어떻게 예측값이 도출되었는지를 SHapley Additive exPlanation(SHAP)을 통하여 설명하는 태양광 발전량 예측 기법을 제안한다.

• Proceedings of the Korean Institute of Navigation and Port Research Conference
• /
• 2018.11a
• /
• pp.275-277
• /
• 2018

선박 및 해상교통관제에 있어서 교통 혼잡구역에 대한 선박교통밀도 예측은 선박충돌사고 예방에 중요하다. 선박 교통밀도 예측정보는 사전에 진입하는 선박들에게 속력조정, 우회항로 이용 등 사전 조치가 가능하다. 본 연구에서는 해상 선박교통상황을 딥러닝 네트워크에 학습한 주의구역 선박교통류 예측 모델(Ship Traffic Extraction Network, STENet)을 제안하여 주의구역의 선박교통류 예측을 수행하고자 한다. STENet 모델 학습을 위해 여수해역 AIS 데이터를 전처리하고, 생성된 입력(해상교통상황)-출력(주의구역 교통밀도) 쌍 데이터를 적용하여 STENet 모델을 학습하였다. 학습된 모델을 이용하여 선박교통류 예측을 한 결과, 중기예측은 표준 절대 오차(mean absolute error)가 0.4-0.5척이 였으며, 장기예측은 0.7-0.8척의 오차로 기존의 Dead Reckoning에 의한 방법보다 50% 이상 교통밀도 예측성능이 향상 되었다.

• Proceedings of the Korean Information Science Society Conference
• /
• 1999.10b
• /
• pp.342-344
• /
• 1999

신경트리(evolutionary neural trees)는 트리 구조의 신경망 모델로서 진화 알고리즘으로 학습하기에 적합한 구조이다. 본 연구에서는 진화 신경트리를 시계열 예측에 적용하였다. 시계열 데이터는 대개 잡음이 포함되어 있으며 동역학적인 특성을 지닌다. 본 논문에서는 견고한 예측 결과를 획득하기 위해 한 개의 신경트리가 아닌 여러개의 신경트리를 결합하여 예측 모델을 구성하는 committee machine을 소개한다. 출력 패턴가에 correlation이 최소가 되도록 상이한 신경트리를 선택하여 결합함으로써 모델 결합 효과를 최대화하는 방법을 사용하였다. 인공적인 잡음을 포함한 시계열 예측 문제와 실세계 데이터에 대한 실험에서 예측에 대한 정확도가 단일 모델을 사용한 경우 보다 향상되었다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2023.05a
• /
• pp.112-112
• /
• 2023

발전용댐의 댐 유입량 예측 및 운영을 위해서 (주)한국수력원자력에서는 수자원통합 운영시스템(Water resources Integrated System, WIOS)을 운영 중에 있다. 해당 시스템에서는 댐 유입량을 예측하기 위해서 기상청 수치예보모델 중 하나인 국지예보모델(Local Data Assimilation and Prediction System, LDAPS)의 예측강우를 수문모형의 입력자료로 활용하고 있으며, 레이더 기반의 초단시간 강우예측 기법을 자체 개발 중에 있다. 기상청 국지예보모델은 강우의 on/off에 대한 정확도는 90%를 상회할 만큼 높으나 정량적인 강우량의 정확도는 매우 낮고, 레이더 기반의 초단시간 예측 강우는 선행 1~2시간 예측에서는 정량적 정확도는 높으나, 그 이후 예측성능이 급격히 떨어지는 경향을 보인다. 따라서 댐 유입량의 정량적 예측 정확도를 확보하기 위해 초단시간 모델과 국지예보모델의 강우예측 결과를 병합(blending)하는 기법을 적용하여 초기 6시간 동안의 예측 성능을 향상시켜야 한다. 본 연구에서는 선행시간 0~6시간에 대해서 병합하는 기법들을 적용하고 평가하고자 한다. 기본적으로 병합은 초단시간 예측강우와 수치예보자료 간 가중치를 통해 수행된다. 일반적으로 초기 1시간 선행시간에서 레이더 기반 예측강우는 완벽한 예측자료(외삽 관측자료의 가중치는 1.0)로 가정하며, tanh 함수를 이용하여 선행시간의 증가에 따라 가중치를 감소시키면서, 6시간 선행시간에서는 수치예보 예측강우가 완벽한 예측자료라고 가정한다. 본 연구에서는 일반적인 병합 방법 외에 병합된 예측강우에 과거 관측강우와 예측강우의 평균편이를 적용하여 보정하는 방법, 사례별 변동성이 큰 병합된 예측강우 특성을 고려하여 병합 가중치를 신뢰도에 따라 가변시키는 방법을 적용하여 평가한다. 이를 통해 댐 유입량 예측에 최적이 되는 병합기법을 선정하고자 한다.