• Proceedings of the Korea Water Resources Association Conference
• /
• 2019.05a
• /
• pp.179-179
• /
• 2019

전 세계적으로 빈번히 발생하고 있는 홍수, 그중에서도 국지성 집중호우로 인한 돌발홍수에 대응하려면 정확한 강수예측자료를 빠르게 생산하는 것이 필수적이다. 본 연구에서는 최근 딥러닝(머신러닝)을 이용한 강수예측방법에 대하여 고찰하고, 특히 레이더 이미지를 기반으로 한 강수예측방법에 중점을 두고 그 적용성을 살펴보았다. 그 결과 딥러닝(머신러닝)을 이용한 강수예측자료는 예측의 정확성을 높일 수 있을 뿐 아니라 돌발홍수에 대응할 수 있는 자료로 충분히 활용할 수 있음을 확인하였다.

• The Journal of the Institute of Internet, Broadcasting and Communication
• /
• v.21 no.3
• /
• pp.175-181
• /
• 2021

This paper analyzes the artificial intelligence-based approach for short-term energy consumption prediction. In this paper, we employ the reinforcement learning algorithms to improve the limitation of the supervised learning algorithms which usually utilize to the short-term energy consumption prediction technologies. The supervised learning algorithm-based approaches have high complexity because the approaches require contextual information as well as energy consumption data for sufficient performance. We propose a deep reinforcement learning algorithm based on multi-agent to predict energy consumption only with energy consumption data for improving the complexity of data and learning models. The proposed scheme is simulated using public energy consumption data and confirmed the performance. The proposed scheme can predict a similar value to the actual value except for the outlier data.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2019.07a
• /
• pp.157-158
• /
• 2019

발전소 관리의 단기 전력 수요에 대한 정확한 예측은 전력 시스템의 안전하고 효율적인 작동을 보장하는데 필수적이다. 따라서 본 연구는 가우스 커널 함수 네트워크 (GKFNs)의 심층 구조를 이용하여 일일 최대 전력 수요를 예측하는 새로운 방법을 제시한다. 제안 된 GKFN의 깊이 구조는 표준 GKFN에 비해 예측 정확도를 향상시킨다. 한국의 일일 최대 전력 수요를 예측하기위한 시뮬레이션은 제안 된 예측 모델이 GKFN 모델, k-NN 및 SVR과 같은 다른 예측 모델에 비해 예측 성능에 이점이 있음을 보여준다. GKFN의 제안된 심층 구조는 시계열 예측 및 회귀 문제의 다양한 문제에 적용될 수 있다.

• KSCE Journal of Civil and Environmental Engineering Research
• /
• v.42 no.1
• /
• pp.127-134
• /
• 2022

Recently, policies and research to prevent increasing construction accidents have been actively conducted in the domestic construction industry. In previous studies, the prediction model developed to prevent construction accidents mainly used only structured data, so various characteristics of construction sites are not sufficiently considered. Therefore, in this study, we developed a machine learning-based construction accident prediction model that enables the characteristics of construction sites to be considered sufficiently by using both structured and text-type unstructured data. In this study, 6,826 cases of construction accident data were collected from the Construction Safety Management Integrated Information (CSI) for machine learning. The Decision forest algorithm and the BERT language model were used to train structured and unstructured data respectively. As a result of analysis using both types of data, it was confirmed that the prediction accuracy was 95.41 %, which is improved by about 20 % compared to the case of using only structured data. Conclusively, the performance of the predictive model was effectively improved by using the unstructured data together, and construction accidents can be expected to be reduced through more accurate prediction.

• Annual Conference of KIPS
• /
• 2021.11a
• /
• pp.633-636
• /
• 2021

4G 에서 5G 로 기술이 발전하며 무선 통신에 필요한 자원이 급격히 증가하고 있다. 증가된 자원을 효율적으로 관리하는 것은 필수적이며 이를 위해 paging cost 감소 연구들이 진행되고 있다. 순환신경망을 응용한 paging cost 감소 연구에서는 연속 예측으로 인해 예측 정확도 감소 문제가 발생한다. 본 논문에서는 강화학습 기반 이동성 예측 기법을 제안하고 기존 순환신경망 응용 기법에서 발생하는 정확도 감소 문제를 극복한다.

• The Journal of Korean Association of Computer Education
• /
• v.7 no.5
• /
• pp.57-70
• /
• 2004

This study is the subsequent study that has the objectives examining the relationships among 'substantive understanding', 'scientific literacy' and 'learning intention' in computer supported intentional learning environments and inquiry ability, variables for affecting knowledge construction derived from the finding out of the former study. As a result, the current study confirmed in CSILE the close correlation between 'the learning intention for scientific inquiry' and 'substantive understanding', between 'the learning intention for scientific inquiry' and 'scientific literacy'. Another result showed that 'scientific literacy' was the most significant predictor on inquiry ability. Base on the result of this study, the present researcher is about to make suggestions to stimulate learners' scientific literacy in CSILE-based inquiry learning.

• Journal of Korea Water Resources Association
• /
• v.52 no.7
• /
• pp.475-482
• /
• 2019

Subseasonal-to-Seasonal (S2S) prediction information which have 2 weeks to 2 months lead time are expected to be used through many parts of industry fields, but utilizability is not reached to expectation because of lower predictability than weather forecast and mid- /long-term forecast. In this study, we used multi-layer perceptron (MLP) which is one of machine learning technique that was built for regression training in order to improve predictability of S2S precipitation data at South Korea through post-processing. Hindcast information of ECMWF was used for MLP training and the original data were compared with trained outputs based on dichotomous forecast technique. As a result, Bias score, accuracy, and Critical Success Index (CSI) of trained output were improved on average by 59.7%, 124.3% and 88.5%, respectively. Probability of detection (POD) score was decreased on average by 9.5% and the reason was analyzed that ECMWF's model excessively predicted precipitation days. In this study, we confirmed that predictability of ECMWF's S2S information can be improved by post-processing using MLP even the predictability of original data was low. The results of this study can be used to increase the capability of S2S information in water resource and agricultural fields.

• Proceedings of the KIEE Conference
• /
• 2000.07a
• /
• pp.102-106
• /
• 2000

본 논문은 뉴로-퍼지 모델의 구조학습을 이용하여 한 시간 앞의 전력 수요를 예측하는 체계적인 방법을 제안한다. 제안된 예측시스템은 시간 단위로 뉴로-퍼지 모델을 재학습하기 위해서 필요한 초기 구조를 요일 유형과 시간 별로 미리 생성하고, 이를 초기 구조 뱅크에 저장한다. 예측이 수행되는 시점의 요일 유형에 따라 선택된 초기 구조를 이용하여 뉴로-퍼지 모델을 초기화하고, 학습하고, 예측을 수행한다. 제안된 방법의 실효성을 검증하기 위해 1996년과 1997년의 실제 전력 수요 데이터를 이용하여 모의 실험을 수행한다. 실험결과 제안된 방법은 기존의 다층 퍼셉트론을 이용한 방법과 비교하여 예측의 정확도 측면과 신뢰도 측면에서 모두 향상된 결과를 얻는다.

• Journal of Korea Water Resources Association
• /
• v.56 no.9
• /
• pp.563-574
• /
• 2023

Recently, climate change has affected functional responses of river basins to meteorological variables, emphasizing the importance of rainfall-runoff simulation research. Simultaneously, the growing interest in machine learning has led to its increased application in hydrological studies. However, it is not yet clear whether machine learning models are more advantageous than the conventional conceptual models. In this study, we compared the performance of the conventional GR6J model with the machine learning-based Random Forest model across 38 basins in Korea using both gauged and ungauged basin prediction methods. For gauged basin predictions, each model was calibrated or trained using observed daily runoff data, and their performance was evaluted over a separate validation period. Subsequently, ungauged basin simulations were evaluated using proximity-based parameter regionalization with Leave-One-Out Cross-Validation (LOOCV). In gauged basins, the Random Forest consistently outperformed the GR6J, exhibiting superiority across basins regardless of whether they had strong or weak rainfall-runoff correlations. This suggest that the inherent data-driven training structures of machine learning models, in contrast to the conceptual models, offer distinct advantages in data-rich scenarios. However, the advantages of the machine-learning algorithm were not replicated in ungauged basin predictions, resulting in a lower performance than that of the GR6J. In conclusion, this study suggests that while the Random Forest model showed enhanced performance in trained locations, the existing GR6J model may be a better choice for prediction in ungagued basins.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2022.05a
• /
• pp.353-353
• /
• 2022

본 연구에서는 CMIP5(The fifth phase of the Couple Model Intercomparison Project) 미래기후시나리오와 LSTM(Long Short-Term Memory) 모형 기반의 딥러닝 기법을 이용하여 하천유량 예측을 위한 최적 학습 기간을 제시하였다. 연구지역으로는 진안군(성산리) 지점을 선정하였다. 보정(2000~2002/2014~2015) 및 검증(2003~2005/2016~2017) 기간을 설정하여 연구지역의 실측 유량 자료와 LSTM 기반 모의유량을 비교한 결과, 전체적으로 모의값이 실측값을 잘 반영하는 것으로 나타났다. 또한, LSTM 모형의 장기간 예측 성능을 평가하기 위하여 LSTM 모형 기반 유량을 보정(2000~2015) 및 검증(2016~2019) 기간의 SWAT 기반 유량에 비교하였다. 비록 모의결과에일부 오차가 발생하였으나, LSTM 모형이 장기간의 하천유량을 잘 산정하는 것으로 나타났다. 검증 결과를 기반으로 2011년~2100년의 CMIP5 미래기후시나리오 기상자료를 이용하여 SWAT 기반 유량을 모의하였으며, 모의한 하천유량을 LSTM 모형의 학습자료로 사용하였다. 다양한 학습 시나리오을 적용하여 LSTM 및 SWAT 모형 기반의 하천유량을 모의하였으며, 최적 학습 기간을 제시하기 위하여 학습 시나리오별 LSTM/SWAT 기반 하천유량의 상관성 및 불확실성을 비교하였다. 비교 결과 학습 기간이 최소 30년 이상일때, 실측유량과 비교하여 LSTM 모형 기반 하천유량의 불확실성이 낮은 것으로 나타났다. 따라서 CMIP5 미래기후시나리오와 딥러닝 기반 LSTM 모형을 연계하여 미래 장기간의 일별 유량을 모의할 경우, 신뢰성 있는 LSTM 모형 기반 하천유량을 모의하기 위해서는 최소 30년 이상의 학습 기간이 필요할 것으로 판단된다.