• 대한토목학회논문집
• /
• 제43권1호
• /
• pp.43-54
• /
• 2023

기후변화가 고착화되면서 강수와 기온 변동으로 인한 가뭄 및 홍수 발생이 증가하고 있다. 유역 단위의 유출량 예측은 기후변화로 인한 자연재해에 대비하기 위한 수자원 관리의 시작이라 할 수 있다. 하지만, 기후변화와 유출모형의 불확실성은 정확한 유출 분석을 어렵게 한다. 본 연구에서는 이러한 불확실성을 완화하기 위하여 기후 스트레스 시나리오에 따른 두 개의 집중형 수문모형, 즉 IHACRES와 GR4J를 이용하여 강수 및 기온 변화에 따른 유출량 변화를 비교, 분석하였다. 연구 대상 지역은 합천댐과 섬진강댐 유역이며, Nash-Sutcliffe Efficiency (NSE) 및 Kling Gupta Efficiency (KGE)를 목적함수로 하여 각 모형의 매개변수를 최적화하였다. 모형의 보정과 검정은 20년(1995년-2014년)의 유출자료를 활용하였으며, 보정 및 검정 기간은 각각 7:3 비율로 설정하였다. 두 모형 모두 보정과 검정 기간에 비교적 높은 신뢰도(NSE>0.74, KGE>0.75)를 보여, 모형이 과거 사상을 재현하기에 적합하고, 모의 결과가 비교적 유사함을 확인하였다. 다음으로, 기후변동이 유출에 미치는 영향을 평가하기 위해 동일한 모의 기간에 대해 강수는 -50 %에서 +50 %의 범위를 1 %씩, 기온은 0 ℃에서 8 ℃까지 0.1 ℃씩 구분하여 총 8,181개의 기후조건 시나리오를 구축하였다. 이후, 기후 스트레스 시나리오에 따른 두 모형의 최대유량, 풍수량, 평수량을 비교 및 분석하였다. 기후 스트레스 영향을 반영한 연최대유량과 풍수량의 경우, 강수 감소에 따른 유출 패턴은 두 모형에서 비슷하였으나, 강수와 기온이 증가할수록 상이한 결과를 얻었다. 이와 반대로, 풍수량의 경우 강수와 기온 변화의 차이가 커질수록 두 모형은 유사한 결과를 얻었다. 즉, 유역의 탄력적 기후변화 대응을 위해서는 모형의 불확실성에 대한 정량적 평가가 필요하다는 것을 시사한다.

• 지능정보연구
• /
• 제26권4호
• /
• pp.173-198
• /
• 2020

최근 온라인의 비약적인 활성화로 캠페인 채널들이 다양하게 확대되면서 과거와는 비교할 수 없을 수준의 다양한 유형들의 캠페인들이 기업에서 수행되고 있다. 하지만, 고객의 입장에서는 중복 노출로 인한 캠페인에 대한 피로감이 커지면서 스팸으로 인식하는 경향이 있고, 기업입장에서도 캠페인에 투자하는 비용은 점점 더 늘어났지만 실제 캠페인 성공률은 오히려 더 낮아지고 있는 등 캠페인 자체의 효용성이 낮아지고 있다는 문제점이 있어 실무적으로 캠페인의 효과를 높이고자 하는 다양한 연구들이 지속되고 있다. 특히 최근에는 기계학습을 이용하여 캠페인의 반응과 관련된 다양한 예측을 해보려는 시도들이 진행되고 있는데, 이 때 캠페인 데이터의 다양한 특징들로 인해 적절한 특징을 선별하는 것은 매우 중요하다. 전통적인 특징 선택 기법으로 탐욕 알고리즘(Greedy Algorithm) 중 SFS(Sequential Forward Selection), SBS(Sequential Backward Selection), SFFS(Sequential Floating Forward Selection) 등이 많이 사용되었지만 최적 특징만을 학습하는 모델을 생성하기 때문에 과적합의 위험이 크고, 특징이 많은 경우 분류 예측 성능 하락 및 학습시간이 많이 소요된다는 한계점이 있다. 이에 본 연구에서는 기존의 캠페인에서의 효과성 제고를 위해 개선된 방식의 특징 선택 알고리즘을 제안한다. 본 연구의 목적은 캠페인 시스템에서 처리해야 하는 데이터의 통계학적 특성을 이용하여 기계 학습 모델 성능 향상의 기반이 되는 특징 부분 집합을 탐색하는 과정에서 기존의 SFFS의 순차방식을 개선하는 것이다. 구체적으로 특징들의 데이터 변형을 통해 성능에 영향을 많이 끼치는 특징들을 먼저 도출하고 부정적인 영향을 미치는 특징들은 제거를 한 후 순차방식을 적용하여 탐색 성능에 대한 효율을 높이고 일반화된 예측이 가능하도록 개선된 알고리즘을 적용하였다. 실제 캠페인 데이터를 이용해 성능을 검증한 결과, 전통적인 탐욕알고리즘은 물론 유전자알고리즘(GA, Genetic Algorithm), RFE(Recursive Feature Elimination) 같은 기존 모형들 보다 제안된 모형이 보다 우수한 탐색 성능과 예측 성능을 보임을 확인할 수 있었다. 또한 제안 특징 선택 알고리즘은 도출된 특징들의 중요도를 제공하여 예측 결과의 분석 및 해석에도 도움을 줄 수 있다. 이를 통해 캠페인 유형별로 중요 특징에 대한 분석과 이해가 가능할 것으로 기대된다.