• 대한토목학회논문집
• /
• 제40권3호
• /
• pp.273-283
• /
• 2020

기후변화의 영향으로 국지성 및 집중호우에 대한 발생 가능성이 높아지는 시점에서 과거에 침수피해를 입은 도시 유역에 대하여 실제 호우에 대한 침수 양상을 예측하는 것은 중요하다. 이에 수치해석 기반 프로그램과 함께 기계학습을 이용한 홍수 분석에 대한 연구가 증가하고 있다. 본 연구에서 적용한 LSTM 신경망은 일련의 자료를 분석하는데 유용하지만, 딥 러닝을 수행하기 위하여 충분한 양의 자료를 필요로 한다. 그러나 단일 도시유역에 홍수를 일으킬 강우가 매년 일어나지 않기에 많은 홍수 자료를 수집하기에는 어려움이 있다. 이에 본 연구에서는 대상 유역에서 관측되는 강우 외에 전국 단위의 실제 호우를 예측 모형에 반영하였다. LSTM (Long Short-Term Memory) 신경망은 강우에 대한 총 월류량을 예측하기 위하여 사용되었으며, 목표값으로 SWMM (Storm Water Management Model)의 유출 모의 결과를 사용하였다. 침수 범위 예측을 위해서는 로지스틱 회귀를 사용하였으며, 로지스틱 회귀 모형의 독립 변수는 총 월류량이며 종속 변수는 격자 별 침수 발생 유무이다. 침수 범위 자료는 SWMM의 유출 결과를 바탕으로 수행된 2차원 침수해석 모의 결과를 통해 수집하였다. LSTM의 매개변수 조건에 따라 총 월류량 예측 결과를 비교하였다. 매개변수 설정에 따른 4가지의 LSTM 모형을 사용하였는데, 검증과 테스트 단계에 대한 평균 RMSE (Root Mean Square Error)는 1.4279 ㎥/s, 1.0079 ㎥/s으로 산정되었다. 최소 RMSE는 검증과 테스트에 대하여 각각 1.1656 ㎥/s, 0.8797㎥/s 으로 산정되었으며, SWMM모의 결과를 적절히 재현할 수 있음을 확인하였다. LSTM 신경망의 결과와 로지스틱 회귀를 연계하여 침수 범위 예측을 수행하였으며, 침수심 0.5m 이상을 고려하였을 때에 최대 침수면적 적합도가 97.33 %으로 나타났다. 본 연구에서 제시된 방법론은 딥 러닝에 기반하여 도시 홍수 대응능력을 향상 시키는데 도움이 될 것으로 판단된다.

• 경영과정보연구
• /
• 제33권1호
• /
• pp.139-155
• /
• 2014

본 연구는 글로벌 경제통합화를 통한 인도의 주식시장과 다른 주식시장의 변동성간에 연관성을 파악하고자 하였다. 본 연구의 결과, 첫째, 분산비검정에서 모든 기간의 주식시장은 자기상관이 존재하지 않았고 또한 고전적 RS모형에서 모든 기간이 자기상관이 존재하지 않았으나, 수정된 RS모형에서도 거의 모든 기간에서 장기기억이 존재하였다. 둘째, 단위근검정에서 모든 기간이 단위근이 존재하지 않아 시계열이 안정적이고, 모든 수정$R^2$는 높은 설명력을 나타냈다. 또한 ARFIMA모형에서 모두 정상적 조건을 만족하고 모든 시계열이 장기기억을 나타내었다. 셋째, VAR과 다변량 비대칭 BEKK모형에서 글로벌 금융위기전의 경우, 조건부 평균식에서 영국과 대만의 자국시장이 강하고, 일방향으로 일본에서 인도로, 대만에서 중국(한국, 미국)으로, 미국(일본)에서 영국으로 강한 조건부 평균전이효과가 존재하였다. 조건부 분산식에서 GARCH는 시장자체의 ARCH계수의 결과와 동일한 방향의 강한 조건부 변동성전이효과를 보여주었다. 세 자국시장에서 비대칭효과가 존재하며, 시장간 일방향의 비대칭효과가 존재하였다. 넷째, 글로벌 금융위기후의 경우, 조건부 평균식에서 대만의 자국시장만이 강하게 영향을 나타내고, 일방향으로 인도에서 미국으로, 대만에서 일본으로, 한국에서 독일로 강한 조건부 평균전이효과가 존재하였다. 조건부 분산식에서는 위기전의 결과와 동일한 강한 조건부 변동성전이효과가 존재하였고 영국의 자국시장에서 비대칭효과가 존재하며, 대만에서 독일로 일방향의 비대칭효과가 존재하였다. 다섯째, 우도비검정에서는 다른 검정결과와는 다르게 모든 기간에서 인도는 타국의 주식시장에 영향을 미치지 않고 동시에 타국의 주식시장에 의해 영향을 받지 않았다. 따라서 본 연구는 글로벌 경제통합화를 통한 인도와 다른 주식시장의 변동성간에 연관성을 파악함으로써 타국의 주식시장에서 인도로의 수익률(변동성)전이효과와 타국의 주식시장간 일(양)방향의 비대칭적 반응을 관찰함으로써 타국의 주식시장간의 여러 인과관계를 확인하였다.

• 지능정보연구
• /
• 제22권2호
• /
• pp.127-142
• /
• 2016

딥러닝은 인공신경망(neural network)이라는 인공지능분야의 모형이 발전된 형태로서, 계층구조로 이루어진 인공신경망의 내부계층(hidden layer)이 여러 단계로 이루어진 구조이다. 딥러닝에서의 주요 모형은 합성곱신경망(convolutional neural network), 순환신경망(recurrent neural network), 그리고 심층신뢰신경망(deep belief network)의 세가지라고 할 수 있다. 그 중에서 현재 흥미로운 연구가 많이 발표되어서 관심이 집중되고 있는 모형은 지도학습(supervised learning)모형인 처음 두 개의 모형이다. 따라서 본 논문에서는 지도학습모형의 가중치를 최적화하는 기본적인 방법인 오류역전파 알고리즘을 살펴본 뒤에 합성곱신경망과 순환신경망의 구조와 응용사례 등을 살펴보고자 한다. 본문에서 다루지 않은 모형인 심층신뢰신경망은 아직까지는 합성곱신경망 이나 순환신경망보다는 상대적으로 주목을 덜 받고 있다. 그러나 심층신뢰신경망은 CNN이나 RNN과는 달리 비지도학습(unsupervised learning)모형이며, 사람이나 동물은 관찰을 통해서 스스로 학습한다는 점에서 궁극적으로는 비지도학습모형이 더 많이 연구되어야 할 주제가 될 것이다.

• 지능정보연구
• /
• 제27권1호
• /
• pp.103-128
• /
• 2021

최근 주식의 수익률과 거래량을 설명하는 주요 요인으로서 투자자의 관심도와 주식 관련 정보 전파의 영향력이 부각되고 있다. 또한 인공지능과 같은 혁신 신기술을 개발보급하거나 활용하려는 기업의 경우 거시환경 및 시장 불확실성 때문에 기업의 미래 주식 수익률과 주식 변동성을 예측하기 어렵다는 문제를 가지고 있다. 이는 인공지능 활성화의 장애요인으로 인식되고 있다. 따라서 본 연구의 목적은 인공지능 관련 기술 키워드의 인터넷 검색량을 투자자의 관심 척도로 사용하여, 기업의 주가 변동성을 예측하는 기계학습 모형을 제안하는 것이다. 이를 위해 심층신경망 LSTM(Long Short-Term Memory)과 벡터자기회귀(Vector Autoregression)를 통해 주식시장을 예측하고, 기술의 사회적 수용 단계에 따라 키워드 검색량을 활용한 주가예측 성능 비교를 통해 기업의 투자수익 예측이나 투자자들의 투자전략 의사결정을 지원하는 주가 예측 모형을 구축하였다. 또한 인공지능 기술의 세부 하위 기술에 대한 분석도 실시하여 기술 수용 단계에 따른 세부 기술 키워드 검색량의 변화를 살펴보고 세부기술에 대한 관심도가 주식시장 예측에 미치는 영향을 살펴보았다. 이를 위해 본 연구에서는 인공지능, 딥러닝, 머신러닝 키워드를 선정하여, 2015년 1월 1일부터 2019년 12월 31일까지 5년간의 인터넷 주별 검색량 데이터와 코스닥 상장 기업의 주가 및 거래량 데이터를 수집하여 분석에 활용하였다. 분석 결과 인공지능 기술에 대한 키워드 검색량은 사회적 수용 단계가 진행될수록 증가하는 것으로 나타났고, 기술 키워드를 기반으로 주가예측을 하였을 경우 인식(Awareness)단계에서 가장 높은 정확도를 보였으며, 키워드별로 가장 좋은 예측 성능을 보이는 수용 단계가 다르게 나타남을 확인하였다. 따라서 기술 키워드를 활용한 주가 예측 모델 구축을 위해서는 해당 기술의 하위 기술 분류를 고려할 필요가 있다. 본 연구의 결과는 혁신기술을 기반으로 기업의 투자수익률을 예측하기 위해서는 기술에 대한 대중의 관심이 급증하는 인식 단계를 포착하는 것이 중요하다는 점을 시사한다. 또한 최근 금융권에서 선보이고 있는 빅데이터 기반 로보어드바이저(Robo-advisor) 등 투자 의사 결정 지원 시스템 개발 시 기술의 사회적 수용도를 세분화하여 키워드 검색량 변화를 통해 예측 모델의 정확도를 개선할 수 있다는 점을 시사하고 있다.

• 대한원격탐사학회지
• /
• 제37권3호
• /
• pp.603-614
• /
• 2021

최근 우리나라 주변 해역의 해수면 온도가 상승하고 있다. 이러한 수온 상승은 어족자원의 변화를 일으켜 낚시와 같은 레저활동에 영향을 미치기도 하며, 특히 고수온은 적조 발생으로 이어져 양식업과 같은 해양산업에 극심한 피해를 유발하기도 한다. 한편 수온 변화는 잠수함을 탐지하는 군사작전과도 밀접하게 연관되어 있다. 이는 잠수함을 탐지하기 위한 음파가 수온층에 따라 회절, 굴절 및 반사되는 정도가 달라지기 때문이다. 이와 같이 해양과 관련된 다양한 분야에서 중요성을 가지는 해양 수온의 변화를 예측하기 위한 연구가 현재 활발하게 진행되고 있다. 그러나 기존 연구들은 대부분 해수면 온도만을 예측하는데 중점을 두고 있어 수심별 어족자원의 변화나 잠수함 탐지와 같은 군사분야 활용이 제한된다. 이에 본 연구에서는 수심별 수온자료 및 해수면 온도와 상관관계를 가지는 기온, 기압, 일조량 등의 기상 데이터를 함께 활용하여 수심 38 m 혼합층의 수온을 예측하였다. 사용된 데이터는 이어도 해양과학기지에서 관측한 2016년부터 2020년까지의 기상 데이터와 수심별 수온 자료이며, 예측의 정확성과 효율성을 높이기 위해 딥러닝 기법 중 시계열 자료에 적합하다고 알려진 LSTM(Long Short-Term Memory)을 사용하였다. 실험 결과 1시간 예측을 기준으로 기온과 기압, 일조량 자료를 함께 활용한 모델의 RMSE(Root Mean Square Error)는 0.473으로 나타났다. 반면 해수면 수온만을 활용한 모델의 RMSE는 0.631로 나타나 기상데이터를 함께 활용한 모델이 상부 혼합층 수온 예측에서 보다 우수한 성능을 보임을 확인하였다.

• 한국수자원학회논문집
• /
• 제54권spc1호
• /
• pp.1095-1105
• /
• 2021

기후변화에 따른 집중호우, 태풍 등의 발생빈도의 증가로 인하여 댐 운영의 고도화가 요구되고 있다. 일반적으로 댐 운영의 경우 강우예측, 강우-유출, 홍수추적 등 다양한 수리수문학적 요소들을 반영하여 수행되나 기 계획된 특정 규칙에 기반한 댐 운영 모형의 경우, 때때로 개별 모듈들의 불확실성과 복합적인 인자들로 인하여 댐의 방류량을 능동적으로 제어하는데 제약이 있을 수 있다. 본 연구는 남강댐 직하류 홍수피해 예방을 위하여 댐의 방류량 결정 등 효율적인 댐 운영을 지원하기 위해 딥러닝 기반 LSTM (Long Short-Term Memory) 모형을 구축하고, 선행시간별 댐직하류 수위예측 정확도를 분석하는 것을 목적으로 한다. LSTM 모형의 입력자료는 댐 운영에 사용되는 기초자료 및 하류 장대동 수위관측소의 수위 자료를 시 단위로 2009년부터 2021년 7월까지 수집하였다. 2009년부터 2018년 자료는 모형의 학습과 검증 및 2019년부터 2021년 7월 자료는 선행시간을 7개(1 h, 3 h, 6 h, 9 h, 12 h, 18 h, 24 h)로 구분하여 관측 수위와 예측 수위를 비교·분석하였다. 그 결과, 선행시간 1시간의 예측결과는 평균적으로 MAE가 0.01 m, RMSE가 0.015 m, NSE가 0.99 로 관측 수위에 매우 근접한 예측 결과를 나타내었다. 또한, 선행시간이 길어질수록 예측 정확도는 근소하게 감소하였지만, 관측 수위의 시간적 패턴을 유사하게 안정적으로 예측하는 것으로 분석되었다. 따라서 수리수문학적 비선형의 복잡한 자료간의 특징을 자동으로 추출하여 예측 자료를 생산하는 LSTM 모형은 댐 방류량 의사결정에 있어 활용이 가능할 것으로 판단된다.

• 지능정보연구
• /
• 제23권1호
• /
• pp.95-108
• /
• 2017

최근 알파고의 등장으로 딥러닝 기술에 대한 관심이 고조되고 있다. 딥러닝은 향후 미래의 핵심 기술이 되어 일상생활의 많은 부분을 개선할 것이라는 기대를 받고 있지만, 주요한 성과들이 이미지 인식과 자연어처리 등에 국한되어 있고 전통적인 비즈니스 애널리틱스 문제에의 활용은 미비한 실정이다. 실제로 딥러닝 기술은 Convolutional Neural Network(CNN), Recurrent Neural Network(RNN), Deep Boltzmann Machine (DBM) 등 알고리즘들의 선택, Dropout 기법의 활용여부, 활성 함수의 선정 등 다양한 네트워크 설계 이슈들을 가지고 있다. 따라서 비즈니스 문제에서의 딥러닝 알고리즘 활용은 아직 탐구가 필요한 영역으로 남아있으며, 특히 딥러닝을 현실에 적용했을 때 발생할 수 있는 여러 가지 문제들은 미지수이다. 이에 따라 본 연구에서는 다이렉트 마케팅 응답모델, 고객이탈분석, 대출 위험 분석 등의 주요한 분류 문제인 이진분류에 딥러닝을 적용할 수 있을 것인지 그 가능성을 실험을 통해 확인하였다. 실험에는 어느 포르투갈 은행의 텔레마케팅 응답여부에 대한 데이터 집합을 사용하였으며, 전통적인 인공신경망인 Multi-Layer Perceptron, 딥러닝 알고리즘인 CNN과 RNN을 변형한 Long Short-Term Memory, 딥러닝 모형에 많이 활용되는 Dropout 기법 등을 이진 분류 문제에 활용했을 때의 성능을 비교하였다. 실험을 수행한 결과 CNN 알고리즘은 비즈니스 데이터의 이진분류 문제에서도 MLP 모형에 비해 향상된 성능을 보였다. 또한 MLP와 CNN 모두 Dropout을 적용한 모형이 적용하지 않은 모형보다 더 좋은 분류 성능을 보여줌에 따라, Dropout을 적용한 CNN 알고리즘이 이진분류 문제에도 활용될 수 있는 가능성을 확인하였다.

• 지능정보연구
• /
• 제25권1호
• /
• pp.163-177
• /
• 2019

스마트폰이 널리 보급되고 현대인들의 생활 속에 깊이 자리 잡으면서, 스마트폰에서 수집된 다종 데이터를 바탕으로 사용자 개인의 행동을 인식하고자 하는 연구가 활발히 진행되고 있다. 그러나 타인과의 상호작용 행동 인식에 대한 연구는 아직까지 상대적으로 미진하였다. 기존 상호작용 행동 인식 연구에서는 오디오, 블루투스, 와이파이 등의 데이터를 사용하였으나, 이들은 사용자 사생활 침해 가능성이 높으며 단시간 내에 충분한 양의 데이터를 수집하기 어렵다는 한계가 있다. 반면 가속도, 자기장, 자이로스코프 등의 물리 센서의 경우 사생활 침해 가능성이 낮으며 단시간 내에 충분한 양의 데이터를 수집할 수 있다. 본 연구에서는 이러한 점에 주목하여, 스마트폰 상의 다종 물리 센서 데이터만을 활용, 딥러닝 모델에 기반을 둔 사용자의 동행 상태 인식 방법론을 제안한다. 사용자의 동행 여부 및 대화 여부를 분류하는 동행 상태 분류 모델은 컨볼루션 신경망과 장단기 기억 순환 신경망이 혼합된 구조를 지닌다. 먼저 스마트폰의 다종 물리 센서에서 수집한 데이터에 존재하는 타임 스태프의 차이를 상쇄하고, 정규화를 수행하여 시간에 따른 시퀀스 데이터 형태로 변환함으로써 동행 상태분류 모델의 입력 데이터를 생성한다. 이는 컨볼루션 신경망에 입력되며, 데이터의 시간적 국부 의존성이 반영된 요인 지도를 출력한다. 장단기 기억 순환 신경망은 요인 지도를 입력받아 시간에 따른 순차적 연관 관계를 학습하며, 동행 상태 분류를 위한 요인을 추출하고 소프트맥스 분류기에서 이에 기반한 최종적인 분류를 수행한다. 자체 제작한 스마트폰 애플리케이션을 배포하여 실험 데이터를 수집하였으며, 이를 활용하여 제안한 방법론을 평가하였다. 최적의 파라미터를 설정하여 동행 상태 분류 모델을 학습하고 평가한 결과, 동행 여부와 대화 여부를 각각 98.74%, 98.83%의 높은 정확도로 분류하였다.

• 한국광학회지
• /
• 제18권5호
• /
• pp.351-361
• /
• 2007

마그네트론 스퍼터링 방법을 사용하여 광기록 매체인 GST 박막과 보호층인 $ZnS-SiO_2$ 박막 또는 $Al_2O_3$ 박막을 c-Si 기판위에 증착한 뒤 in-situ 타원계를 사용하여 상변화 광기록층인 GST 시료의 타원상수 온도의존성을 실시간으로 측정한 결과 $300^{\circ}C$ 이상의 온도에서 GST의 고온 타원상수는 가열 환경 및 보호층의 종류에 따라 큰 차이를 보여주었다. 가열 환경 및 보호층의 종류에 따라 GST의 고온 타원상수가 달라지는 원인인 $1{\sim}2$시간의 긴 승온시간을 줄이기 위해 Phase-change Random Access Memory(PRAM) 기록기를 사용하였고 수십 ns 이내의 짧은 시간 내에 순간적으로 GST 시료를 가열 및 냉각하였다. GST층이 손상되지 않고 결정화 및 고온 열처리가 되는 PRAM 기록기의 기록모드와 레이저출력 최적조건을 찾았으며 다층박막 구조에서 조사되는 레이저 에너지가 광기록층인 GST에 흡수되는 양과 이웃하는 층으로 전파되는 양을 열확산방정식으로 나타내고 이를 수치해석적으로 풀어 레이저출력과 GST 박막의 최고 온도와의 관계를 구하였다. 지름이 1um 정도인 레이저스폿을 대략 $0.7{\times}1.0mm^2$의 면적내에 촘촘히 기록한 다음 고온 열처리된 GST 시료의 분광타원데이터를 500 um의 빔 크기를 가지는 마이크로스폿 분광타원계를 사용하여 구하고 그 복소굴절률을 결정하였다. In-site 타원계를 사용할 때에 가열 환경 보호층 물질의 영향을 크게 받은 GST의 고온 복소굴절률은 PRAM 기록기를 사용하였을 때에는 가열환경이나 보호층의 종류에 무관하게 안정된 값을 보여주었다 Atomic Force Microscope(AFM)과 Scanning Electron Microscopy(SEM)을 통해 관찰한 GST 다층박막시료의 고온 열처리 전후 표면미시거칠기 변화도 PRAM 기록기를 사용할 때에는 in-situ 타원계를 사용할 때보다 1/10 정도의 크기를 보여주어 PRAM 기록기와 분광타원계를 사용하여 결정한 GST의 고온광학물성의 신뢰성을 확인하여 주었다.

• 한국안광학회지
• /
• 제20권4호
• /
• pp.491-499
• /
• 2015

목적: 시각이상을 가진 아동을 대상으로 시기능훈련을 통한 시각기능이상의 개선 전후 시지각점수의 변화를 살펴보고 시지각에 미치는 영향을 알아보고자 한다. 방법: 시각기능이상을 가진 13세 미만($8.75{\pm}1.66$)의 아동 23명을 대상으로 시기능훈련 전후에 시지각기능검사(TVPS_R; test of visual perceptual skills-revised)를 실시하여 시기능훈련에 따른 시각기능의 변화와 시지각 평가점수의 변화를 분석하였다. 결과: 시기능훈련을 통해서 원거리 PRC(positive relative convergence) 분리점은 평균 $3.39{\pm}2.59{\Delta}$(prism)에서 $13.87{\pm}6.04{\Delta}$로 증가되었고, 근거리 P.R.C 분리점은 평균 $5.48{\pm}3.42{\Delta}$에서 $18.44{\pm}7.58{\Delta}$로 증가하였다. NPC(near point of convergence)는 $25.87{\pm}7.33cm$에서 $7.48{\pm}2.83cm$로 개선되었고, NPA(near point of accommodation)는 $19.57{\pm}7.16cm$에서 $7.09{\pm}1.88cm$로 개선되었다. 시지각평가에서 시각기억분야를 제외하고는 대응차가 시각완성에서 $17.74{\pm}16.94$(p=0.000), 시각적순차기억에서 $15.65{\pm}17.11$(p=0.000), 배경식별에서 $13.65{\pm}16.63$(p=0.001), 형태향상성에서 $12.74{\pm}18.41$(p=0.003), 시각구별에서 $6.49{\pm}10.07$(p=0.005), 시각적공간지각에서 $4.17{\pm}9.33$(p=0.043) 순으로 개선되었고, 이를 종합한 시지각점수는 대응차가 $15.22{\pm}8.66$(p=0.000)로서 더욱 더 유의한 결과를 나타내었다. 결론: 시기능훈련을 통해서 시각기능의 개선과 시각기억분야를 제외한 시지각점수의 향상이 시각완성, 시각적순차기억, 배경식별, 형태향상성, 시각구별, 시각적공간지각 순으로 유의하게 나타났다. 따라서 시각기능향상을 위한 시기능훈련은 시각의 기능뿐만 아니라 시지각의 기능까지 영향을 미치는 것을 확인 할 수 있으며 시각훈련의 중요성을 인식 할 수 있었다.