• 한국컴퓨터정보학회논문지
• /
• 제26권4호
• /
• pp.213-221
• /
• 2021

이 논문은 League of Legends (LOL) 게임의 승패를 예측하기 위하여 Deep Neural Network Model 시스템을 제안한다. 이 모델은 다양한 LOL 빅데이터를 활용하여 TensorFlow 의 Keras에 의하여 설계하였다. 연구 방법으로 한국 서버의 챌린저 리그에서 행해진 약 26000 경기 데이터 셋을 분석하여, 경기 도중 데이터를 수집하여 그 중에서 드래곤 처치 수, 챔피언 레벨, 정령, 타워 처치 수가 게임 결과에 유의미한 영향을 끼치는 것을 확인하였다. 이 모델은 Sigmoid, ReLu 와 Logcosh 함수를 사용했을 때 더 높은 정확도를 얻을 수 있었다. 실제 LOL의 프로 게임 16경기를 예측한 결과 93.75%의 정확도를 도출했다. 게임 평균시간이 34분인 것을 고려하였을 때, 게임 중반 15분 정도에 게임의 승패를 예측할 수 있음이 증명되었다. 본 논문에서 설계한 이 프로그램은 전 세계 E-sports 프로리그의 활성화, 승패예측과 프로팀의 유용한 훈련지표로 활용 가능하다고 사료된다.

• 한국방재안전학회논문집
• /
• 제15권2호
• /
• pp.45-56
• /
• 2022

가뭄 및 갈수시에 용수부족 현상이 발생하나 회귀수량을 고려한 대응이나 대책 마련이 진행되지 않고 있다. 이에 본 연구에서 자료기반의 기계학습 모형(LSTM)을 통해 회귀수량 중 하수종말처리장의 방류량을 예측하였다. 입력자료로 방류량, 유입량, 강수량, 수위를 사용하였고 예측 결과의 정확도를 개선하기 위하여 추가적으로 입력변수의 변동성 분포를 고려하였다. 방류량 자료의 변동성을 확인하기 위해서 관측값과 분포 사이의 잔차를 복합삼각함수 형태로 가정하여 이론적인 확률분포와 함께 방류량 최적의 분포 형태로 나타내었다. 변동성 분포를 고려한 입력자료를 이용한 결과와 그렇지 않는 결과를 비교한 결과, 오차정도가 감소함을 보였으며 이는 변동성 분포가 계절성을 상대적으로 잘 재현하였기 때문이라 판단된다. 따라서 본 연구에서 구축한 하수종말장처리장의 방류량 예측 모형을 활용할 경우 보다 정확한 회귀수량 예측이 가능하여 효율적인 하천수 관리 체계를 수립하는데 기초자료로 활용될 수 있을 것으로 기대된다.

• 한국해양공학회지
• /
• 제36권5호
• /
• pp.313-325
• /
• 2022

Recently around the world, coastal erosion is paying attention as a social issue. Various constructions using low-crested and submerged structures are being performed to deal with the problems. In addition, a prediction study was researched using machine learning techniques to determine the wave attenuation characteristics of low crested structure to develop prediction matrix for wave attenuation coefficient prediction matrix consisting of weights and biases for ease access of engineers. In this study, a deep neural network model was constructed to predict the wave height transmission rate of low crested structures using Tensor flow, an open source platform. The neural network model shows a reliable prediction performance and is expected to be applied to a wide range of practical application in the field of coastal engineering. As a result of predicting the wave height transmission coefficient of the low crested structure depends on various input variable combinations, the combination of 5 condition showed relatively high accuracy with a small number of input variables defined as 0.961. In terms of the time cost of the model, it is considered that the method using the combination 5 conditions can be a good alternative. As a result of predicting the wave transmission rate of the trained deep neural network model, MSE was 1.3×10^-3, I was 0.995, SI was 0.078, and I was 0.979, which have very good prediction accuracy. It is judged that the proposed model can be used as a design tool by engineers and scientists to predict the wave transmission coefficient behind the low crested structure.

• 한국분말재료학회지
• /
• 제29권6호
• /
• pp.459-467
• /
• 2022

Soft magnetic powder materials are used throughout industries such as motors and power converters. When manufacturing Fe-based soft magnetic composites, the size and shape of the soft magnetic powder and the microstructure in the powder are closely related to the magnetic properties. In this study, Fe-Si-Al-P alloy powders were manufactured using various manufacturing process parameter sets, and the process parameters of the vacuum induction melt gas atomization process were set as melt temperature, atomization gas pressure, and gas flow rate. Process variable data that records are converted into 6 types of data for each powder recovery section. Process variable data that recorded minute changes were converted into 6 types of data and used as input variables. As output variables, a total of 6 types were designated by measuring the particle size, flowability, apparent density, and sphericity of the manufactured powders according to the process variable conditions. The sensitivity of the input and output variables was analyzed through the Pearson correlation coefficient, and a total of 6 powder characteristics were analyzed by artificial neural network model. The prediction results were compared with the results through linear regression analysis and response surface methodology, respectively.

• 한국컴퓨터정보학회논문지
• /
• 제28권5호
• /
• pp.9-15
• /
• 2023

본 연구는 신경망을 이용하여 링크 속도로부터 각 차로의 속도를 예측하는 방법을 제시하였다. 예측 정확도를 높이기 위해 학습 데이터 구성에 있어 3가지 사항을 고려하였다. 첫 번째는 링크의 시작점과 끝점이 연결된 14개의 링크를 포함하여 데이터 소스의 공간적 범위를 확장하였다. 또한 시간 간격을 07:00에서 22:00로 늘리고 특성 데이터에 데이터 생성 시각을 포함했다. 마지막으로 요일과 공휴일을 표시했다. 실험 결과 직진 차로는 속도 오차가 6.4km/h에서 5.0km/h로 21.9%, 우회전은 8.5km/h에서 7.4km/h로 12.9%, 좌회전은 8.7km/h에서 8.2km/h로 5.7% 감소한 것으로 나타났다. 두번째 결과로 교통 정체시 도심부 도로의 차선별 예측 정확도가 높은 것을 확인하였다. 제안한 방법의 특징은 도로 소통 상황을 차로 단위로 예측하여 도로 소통 상황을 보다 정확하게 예측한 것이다.

• 한국ITS학회 논문지
• /
• 제22권2호
• /
• pp.133-146
• /
• 2023

도심지역의 교통 상태는 효과적인 교통 운영과 교통 제어를 수행하는 데 필수 요소이다. 하지만 교통 상태를 얻기 위해서 수많은 도로 구간에 교통 센서를 설치하는 것은 막대한 비용이 든다. 이를 해결하기 위해서 시장침투율이 높은 센서인 차량 블랙박스 카메라를 이용하여 교통 상태를 추정하는 것이 효과적이다. 하지만 기존의 방법론은 객체 추적 알고리즘이나 광학 흐름과 같이 계산 복잡도가 높고, 연속된 프레임이 있어야 연산을 수행할 수 있다는 단점이 존재한다. 이에 본 연구에서는 심층학습 모델로 차량과 차선을 탐지하고, 차선 사이의 공간을 관심 영역으로 설정하여 해당 영역의 교통밀도를 추정하는 방법을 제안하였다. 이 방법론은 객체 탐지 모델만을 이용해서 연산량이 적고, 연속된 프레임이 아닌 샘플링된 프레임에 대해 교통 상태를 추정할 수 있다는 장점이 있기에, 보유하고 있는 컴퓨팅 자원에 맞는 교통 상태 추정이 가능하다. 또, 도심지역에서 운행하는 서로 다른 특성의 2개의 버스 노선에서 수집한 블랙박스 영상을 검증한 결과, 교통밀도 추정 정확도가 90% 이상인 것을 확인하였다.

• 창의정보문화연구
• /
• 제5권3호
• /
• pp.307-317
• /
• 2019

본 연구는 교육대학교의 예비교사들에 대한 블록 코딩과 피지컬 컴퓨팅의 교육 사례이다. 학생들은 블록 코딩을 지원하는 '엔트리'를 통해 여러 문제를 해결하는 과정에서 코딩에 대한 친숙함을 느꼈으며 코딩 능력을 향상시켰다. 또한 학생들은 피지컬 컴퓨팅 교구의 다양한 입·출력 장치로 컴퓨팅 시스템을 구성하고 프로그래밍을 통해 사물을 제어하였고, 교육용 포트폴리오를 제작을 통해 코딩에서의 문제분석, 설계, 구현, 테스트 등의 전반적인 과정을 경험하였다. 적용된 교육 방법으로는 몰입기반 프로그래밍과 짝 프로그래밍이고, 교육의 효과성을 측정하기 위한 설문 결과, 학생들은 엔트리와 피지컬 컴퓨팅 교구를 잘 이해하였고 엔트리와 피지컬 컴퓨팅 교구를 혼합하여 학습한 것이 엔트리 단독의 코딩학습보다 효과가 더 좋았다는 응답을 하였다. 또한 피지컬 컴퓨팅 교구 학습에서 적용한 짝 프로그래밍의 효과가 좋았음을 확인할 수 있었다.

• 한국전자통신학회논문지
• /
• 제18권2호
• /
• pp.313-320
• /
• 2023

반려견의 등록 누계 현황은 2016년도 107만건에서 2020년 232만건을 기록하고 있다. 매년 동물 등록이 10% 이상씩 증가하고 있고, 이에 따라 반려견을 등록 할 때 이름을 정해야 한다. 반려견 외모의 특징에 맞는 이름을 지어주고 싶지만, 이름을 정하는 것은 많은 어려움이 있다. 본 논문에서는 반려견의 이미지를 인식하고 닮은 사물이나 음식을 기반으로 반려견의 이름을 추천해주는 시스템의 개발 내용을 기술한다. 이 시스템은 다양한 사물과 음식의 이미지를 학습한 모델을 통해 반려견의 이미지와의 유사도를 추출하고, 유사도를 기반으로 강아지의 이름을 추천해준다. 또한 결과값으로 나온 이미지 데이터를 기반으로 연관된 연상단어를 추가로 추천해줌으로써 사용자들에게 다양한 선택지를 제공하고 편의를 높이고 흥미와 재미를 높일 수 있다. 본 시스템을 통해 반려견의 이름을 짓는 고민거리를 해결하고 편하게 반려견에게 어울리는 이름을 확인할 수 있으며, 다양한 추천 이름을 통해 폭넓은 선택지를 줌으로써 사용자들의 만족도를 높일 수 있을 것으로 기대한다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2022년도 학술발표회
• /
• pp.307-307
• /
• 2022

최근 기후변화와 댐 상류 토지이용 변화 등과 같은 다양한 원인에 의해 댐 유입량의 변동성이 증가하면서 댐 관리 및 운영조작 의사 결정에 어려움이 발생하고 있다. 따라서 이러한 댐 유입량의 변동 특성을 반영하여 댐 유입량을 정확하고 효율적으로 예측할 수 있는 방안이 필요한 실정이다. 머신러닝 기술이 발전하면서 Auto-ML(Automated Machine Learning)이 다양한 분야에서 활용되고 있다. Auto-ML은 데이터 전처리, 최적 알고리즘 선택, 하이퍼파라미터 튜닝, 모델 학습 및 평가 등의 모든 과정을 자동화하는 기술이다. 그러나 아직까지 수문 분야에서 댐 유입량을 예측하기 위한 모델을 개발하는데 있어서 Auto-ML을 활용한 사례는 부족하고, 특히 댐 유입량의 예측 정확성을 확보하기 위해 High-inflow and low-inflow 의 변동 특성을 고려한 하이브리드 결합 방식을 통해 Auto-ML 기반 앙상블 모델을 개발하고 평가한 연구는 없다. 본 연구에서는 Auto-ML의 패키지 중 Auto-sklearn을 통해 홍수기, 비홍수기 유입량 변동 특성을 반영한 하이브리드 앙상블 댐 유입량 예측 모델을 개발하였다. 소양강댐을 대상으로 적용한 결과, 하이브리드 Auto-sklearn 앙상블 모델의 댐 유입량 예측 성능은 R² 0.868, RMSE 66.23 m³/s, MAE 16.45 m³/s로 단일 Auto-sklearn을 통해 구축 된 앙상블 모델보다 전반적으로 우수한 것으로 나타났다. 특히 FDC (Flow Duration Curve)의 저수기, 갈수기 구간에서 두 모델의 유입량 예측 경향은 큰 차이를 보였으며, 하이브리드 Auto-sklearn 모델의 예측 값이 관측 값과 더욱 유사한 것으로 나타났다. 이는 홍수기, 비홍수기 구간에 대한 앙상블 모델이 독립적으로 구축되는 과정에서 각 모델에 대한 하이퍼파라미터가 최적화되었기 때문이라 판단된다. 향후 본 연구의 방법론은 보다 정확한 댐 유입량 예측 자료를 생성하기 위한 방안 수립뿐만 아니라 다양한 분야의 불균형한 데이터셋을 이용한 앙상블 모델을 구축하는데도 유용하게 활용될 수 있을 것으로 사료된다.

• 한국수자원학회:학술대회논문집
• /
• 한국수자원학회 2022년도 학술발표회
• /
• pp.363-363
• /
• 2022

LID 시설에 대한 모니터링은 인력을 활용한 실강우 모니터링을 진행하고 있으나 LID 시설은 소규모 분산형시설로서 인력을 동원한 식생고사, 강우시 모니터링, 현장답사 등 꾸준한 시설확인에 한계가 있으며, LID 시설을 조성한 이후 적정한 유지관리 방법(주기, 빈도, 항목 등)을 인지하지 못하여 막힘현상, 효율저하, 식물고사 등의 문제가 발생한다. 따라서 본연구에서는 딥러닝 분석을 활용하여 강우시 강우모니터링 자료와 LID 시설 내 센서를 통해 측정된 자료를 통해 침투도랑 내 유입수 성상에 대한 예측분석을 수행하였다. 심지 내 LID 시설에 유입되는 오염물질을 예측을 위한 딥러닝 분석을 위해 과거 실강우시 모니터링 자료(TSS, COD, TN, TP)와 대기센서(대기습도, 대기온도, 강수량, 미세먼지) 데이터를 활용하여 딥러닝 모델에 대한 적용가능성 평가를 수행하였다. 측정항목에 대한 상관성 분석을 수행하였으며, 딥러닝 모델은 Tenser Flow를 이용하여 DNN(Deep Neural Network)모델을 활용하여 분석하였다. DNN 모델에 대한 MSE값은 0.31로 분석되었으며, TSS에 대한 평균 50.6mg/L로 분석되었으며, COD 평균 98.7 mg/L로 나타났다. TN의 평균 2.21 mg/L로 분석되었으며, TP 평균 0.67 mg/L로 나타났다. 상관계수분석결과 TSS는 0.53로 분석되었으며, TN과 TP의 상관계수는 0.10, 0.56으로 나타났다. COD의 상관계수는 0.63으로 TSS와 COD, TP에 대한 예측이 된 것으로 분석되었다. 딥러닝을 통한 LID 시설 내 농도변화 예측시 강우시 센서데이터 값은 조밀해야하며 오염물질 농도와 상관성이 높은 항목들에 대해 계측과 실강우 모니터링 자료를 축적하여 미래에 대한 활용성을 높여야 한다.