• 대한교통학회지
• /
• 제22권7호
• /
• pp.79-90
• /
• 2004

베이지안 망(Bayesian Networks)은 인공 신경망, 유전자 알고리즘, 전문가시스템 퍼지이론 등과 더불어 데이터마이닝의 중요한 기법 중의 하나로서, 베이지안 통계 이론(Bayesian Statistics Theory)을 적용하여 변수들간의 확률적인 관계를 기호화함으로써, 설명변수들과 종속변수들간의 인과관계를 파악할 수 있다. 이 연구는 2002년도 수도권 가구통행실태조사 자료의 가구, 개인 및 통행 특성(가구수입, 승용차 보유대수, 주택규모, 통행목적 등)을 반영하여, 베이지안 망을 이용한 통행발생 모형을 처음으로 설계 구축하여, 각 변수들간의 상관관계와 인과관계를 분석함으로써, 설명변수인 가구수입의 구성비가 변하였을 때 승용차 보유대수와 주택규모 구성비의 변화율(확률)을 예측한다. 그리고 승용차 보유대수와 주택규모의 구성비가 변하였을 때 통행목적 구성비의 확률을 예측한다. 또한 동행목적의 발생량이 변화였을 때, 가구 특성 구성비의 변화에 따른 발생량을 예측한다. 따라서, 이 연구는 현실에는 존재하지만 설명변수들간의 복잡한 상관성을 배제하고 설명변수와 통행목적간의 단순한 직선관계를 가정하는 기존 통행발생 모형의 한계를 극복할 수 있는 가능성을 제시한다. 또한 선택되지 않은 통행목적에 대한 정보의 부족으로 인한 통행발생 모형 구축의 어려움을 극복한다. 또한 통행목적의 변화를 실시간으로 모의실험(Simulation) 할 수 있는 방법론을 개발하여 다양한 교통정책에 확대 적용할 수 있을 것이다.

• 한국습지학회지
• /
• 제21권3호
• /
• pp.236-243
• /
• 2019

현재까지 많은 수문 시계열은 전통적인 선형 모형을 이용하여 분석되고 예측되어 왔다. 하지만, 자연현상과 수문시계열의 패턴 및 변동과 관련하여 비선형적 구조의 증거가 발견되고 있다. 따라서 시계열 분석 및 예측을 위한 기존의 선형 모형은 비선형적 특성에 적합하지 않을 수 있다. 본 연구에서는 미국 플로리다 코코아 지역 인근에 있는 St.Johns 강의 일유량 자료에 대한 카오스 분석을 수행하였고, 그 결과 낮은 차원의 비선형 동역학적 특성을 가진 흥미로운 결과가 나타났지만 한국의 소양강댐 일유량 자료는 확률적 특성을 보여주었다. 카오스 특성을 토대로한 DVS(결정론적 vs 추계학적) 알고리즘을 이용해 두 시계열 시스템의 특성을 파악하였고 단기 예측을 수행하였다. 또한 본 연구에서는 일 유량 시계열 예측을 위해 인공신경망 방법을 사용하였고, DVS 알고리즘에 의한 예측을 비교 분석하였다. 분석 결과, 카오스 특성을 갖는 시계열 자료가 보다 정확한 예측성을 보였다.

• KEPCO Journal on Electric Power and Energy
• /
• 제5권3호
• /
• pp.157-163
• /
• 2019

현재까지 피크완화 및 에너지 절감을 위해 한국전력공사 120여개 사옥에 K-BEMS (KEPCO Building Energy Management System)가 운영 중이다. 이 시스템은 PV, PCS, BESS, EMS 등으로 구성되어 있으며 건물에너지 수요예측을 기반으로 BESS, PV 등을 활용하여 에너지 관리를 도모하고 있다. 이 시스템은 단기 과거데이터에 신경망기법을 단순 적용하여 수요를 예측함에 따라 예측 정확도가 높지 않고 운영자 수작업을 통한 BESS 충방전으로 피크 저감이 곤란하며 운영 경제성 제고가 어려운 실정이다. 이러한 문제를 해결하기 위해 전력연구원에서는 2016년부터 3년간 연구과제를 수행하였는데 이를 통해 에러를 최소화하며 높은 신뢰도를 가지는 실시간 수요예측기법과 이에 기반한 BESS충방전 최적화 자동화 기술 개발, 성능을 검증하였기에 이를 본 논문에서 소개하고자 한다.

• 한국지반공학회논문집
• /
• 제25권5호
• /
• pp.53-64
• /
• 2009

강우침투로 인하여 많은 사면이 붕괴되고 있다. 따라서 사면에 대한 최근 연구들은 강우가 유발하는 사면의 불안정성에 초점이 맞춰져 있으며 강우침투 문제는 중요한 사면붕괴 발생 요인으로 인식되고 있다. 강우가 사면 내부의 모관흡수력을 감소시키면서 사면 내부로 침투되며 심지어 지반특성에 따라 표층 근에서 양의 간극수압이 발생할 수도 있다. 이러한 현상은 사면 강도를 감소시켜 사면 붕괴를 유발할 수 있다. 국내 여러 공공기관에서는 지하수위가 표층 또는 밀정 깊이 내에 존재하도록 하여 사면의 포화상태를 가정하는 보수적인 사면 설계방안을 제시하였으나, 이러한 가정은 대부분 부적절하고 이를 만족시키기 위해 때로는 사면설계 단계에서 잘못된 지반물성이 사용되기도 한다. 본 논문에서는 실제 강우침투 현상을 고려하여 보다 합리적으로 사면의 안정성을 평가하는 기법이 제안되었다. 국내 풍화토에 대한 불포화 지반물성(강도, 함수특성곡선, 투수곡선)이 실험적으로 획득되었으며, 인공신경망 모델을 통해 간접적으로도 추정되었다. 또한 현장 계측자료의 불확실성을 보완하기 위하여 사면의 불안정성 평가기법에 대하여 결정론적 해석과 확률론적 해석에 기반한 실시간 사면 붕괴 경보 기준이 모니터링 시스템에 도입되었다. 이러한 사면안정성 평가기법은 사면 내부의 모관흡수력, 함수비와 같은 중요요소를 계측한 현장자료와 접목하여 강우에 따라 불안정해진 사면에 대한 조기 경보시스템으로 활용될 수 있다.

• 지능정보연구
• /
• 제25권3호
• /
• pp.43-62
• /
• 2019

한때, 이상 탐지 분야는 특정 데이터로부터 도출한 기초 통계량을 기반으로 이상 유무를 판단하는 방법이 지배적이었다. 이와 같은 방법론이 가능했던 이유는 과거엔 데이터의 차원이 단순하여 고전적 통계 방법이 효과적으로 작용할 수 있었기 때문이다. 하지만 빅데이터 시대에 접어들며 데이터의 속성이 복잡하게 변화함에 따라 더는 기존의 방식으로 산업 전반에 발생하는 데이터를 정확하게 분석, 예측하기 어렵게 되었다. 따라서 기계 학습 방법을 접목한 SVM, Decision Tree와 같은 모형을 활용하게 되었다. 하지만 지도 학습 기반의 모형은 훈련 데이터의 이상과 정상의 클래스 수가 비슷할 때만 테스트 과정에서 정확한 예측을 할 수 있다는 특수성이 있고 산업에서 생성되는 데이터는 대부분 정답 클래스가 불균형하기에 지도 학습 모형을 적용할 경우, 항상 예측되는 결과의 타당성이 부족하다는 문제점이 있다. 이러한 단점을 극복하고자 현재는 클래스 분포에 영향을 받지 않는 비지도 학습 기반의 모델을 바탕으로 이상 탐지 모형을 구성하여 실제 산업에 적용하기 위해 시행착오를 거치고 있다. 본 연구는 이러한 추세에 발맞춰 적대적 생성 신경망을 활용하여 이상 탐지하는 방법을 제안하고자 한다. 시퀀스 데이터를 학습시키기 위해 적대적 생성 신경망의 구조를 LSTM으로 구성하고 생성자의 LSTM은 2개의 층으로 각각 32차원과 64차원의 은닉유닛으로 구성, 판별자의 LSTM은 64차원의 은닉유닛으로 구성된 1개의 층을 사용하였다. 기존 시퀀스 데이터의 이상 탐지 논문에서는 이상 점수를 도출하는 과정에서 판별자가 실제데이터일 확률의 엔트로피 값을 사용하지만 본 논문에서는 자질 매칭 기법을 활용한 함수로 변경하여 이상 점수를 도출하였다. 또한, 잠재 변수를 최적화하는 과정을 LSTM으로 구성하여 모델 성능을 향상시킬 수 있었다. 변형된 형태의 적대적 생성 모델은 오토인코더의 비해 모든 실험의 경우에서 정밀도가 우세하였고 정확도 측면에서는 대략 7% 정도 높음을 확인할 수 있었다.