• Proceedings of the Korea Water Resources Association Conference
• /
• 2020.06a
• /
• pp.153-153
• /
• 2020

우리나라에선 크고 작은 가뭄 피해가 자주 일어나고 있으며 최근엔 유래 없는 다년가뭄이 발생하면서 가뭄에 대한 경각심이 커지고 있다. 가뭄에 적절하게 대응하여 피해를 경감시키기 위해서는 신뢰도 높은 가뭄 예측이 선행되어야 한다. 이에 본 연구는 앙상블 예측과 베이즈이론(Bayes' theorem)을 수문학적 가뭄지수 중 하나인 SRI(Standardized Runoff Index)에 적용해 가뭄 확률 전망을 실시했으며 이를 EDP(Ensemble Drought Prediction)라고 칭하였다. 국내 8개 댐유역에서 EDP를 생성하고 개선하는 과정은 다음과 같이 진행된다. 우선 TANK모형을 활용한 1개월 선행 유량 예측(Ensemble Streamflow Prediction, ESP)의 결과를 SRI로 변환하여 EDP 확률분포를 생성한다. 그런 다음, EDP를 개선하기 위해 그 기초인 ESP에서 미흡한 토양수분 초기조건을 보완하고자 베이즈이론을 활용했다. APCC(APEC Climate Center)의 위성 관측 SMI(Soil Moisture Index) 자료로 SRI와의 회귀식을 구축, 이를 우도함수로 정의해 사전 EDP 분포를 업데이트한 EDP+ 확률분포를 생성했다. 그 결과, EDP와 EDP+ 모두 심도가 깊은 가뭄을 전망할수록 예측력이 기후학적 예측보다 좋지 않았다. 그럼에도 우도함수로 사용한 회귀식의 정확도가 높을수록 EDP+의 정확도도 향상되는 경향이 나타났으며, 이는 베이즈이론을 사용한다면 가뭄 확률 전망을 개선할 수 있다는 것을 의미하고 있다. 하지만, 확정 전망 정확도는 확률 전망 정확도와는 관계가 없었는데 이는 확정 전망과 확률 전망이 본질적으로 다르기 때문인 것으로 사료된다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2009.05a
• /
• pp.231-235
• /
• 2009

본 연구에서는 홍수예보를 위한 사상형 모형인 저류함수모형 적용시 문제점을 개선하기 위해 기존의 저류함수 모형에 자유수와 장력수의 2개 영역으로 구성된 토양수분모의 컴포넌트를 결합하여 지표유출, 중간유출, 기저유출의 유출수문성분에 대한 연속적인 모의가 가능하도록 하였으며 실시간 홍수예측을 위해 다수의 유량 관측지점과의 실시간 오차 보정이 가능하도록 앙상블 칼만 필터링 기법을 도입하였다. 개발된 모형의 적용성을 평가하기 위해 낙동강 권역을 대상유역으로 선정하였으며 시단위 강우자료, 기상자료, 유량자료를 비롯하여 GIS를 기반의 지형자료를 구축하였다. 연속형 저류함수형의 매개변수 추정결과 주요지점의 관측유량에 대해 높은 적합도를 보였으며 1시간 선행시간의 홍수량 예측결과에서도 높은 정확도를 보이는 것으로 나타났다.

• Proceedings of the Korea Water Resources Association Conference
• /
• 2004.05b
• /
• pp.272-276
• /
• 2004

이수기와 같이 장기적인 관점에서 저수지운영을 해야 하는 관리자는 해당 기간동안의 이익을 최대화하는 전략을 필요로 한다. 이를 위해서는 미래 유입량의 불확실성을 고려한 최적화 모형에 근거한 운영률을 수립해야 할 것이다. 본 연구에서는 금강수계의 이수기를 대상으로 추계학적 최적화 기법인 표본 추계학적 동적계획법(Sampling Stochastic Dynamic Programming)을 적용하여 최적 연계운영 시스템을 개발하였다. 본 연구를 통해 개발된 모형은 상용프로그램인 CSUDP와의 비교를 통해 검증되었으며 이를 기반으로 과거자료를 이용한 SSDP/Hist모형과 앙상블 유량예측(Ensemble Streamflow Prediction)을 이용한 SSDP/ESP모형을 개발하여 두 모형의 장${\cdot}$단점을 비교 분석하였다. 발전부분은 두 모형이 비슷하였으나 용수공급 측면에서는 SSDP/ESP가 SSDP/Hist 보다 우수함을 알 수 있었다.

• KSCE Journal of Civil and Environmental Engineering Research
• /
• v.38 no.4
• /
• pp.579-586
• /
• 2018

Short-term prediction of travel speed has been widely studied using data-driven non-parametric techniques. There is, however, a lack of research on the prediction aimed at urban areas due to their complex dynamics stemming from traffic signals and intersections. The purpose of this study is to develop a hybrid approach combining ensemble empirical mode decomposition (EEMD) and artificial neural network (ANN) for predicting urban travel speed. The EEMD decomposes the time-series data of travel speed into intrinsic mode functions (IMFs) and residue. The decomposed IMFs represent local characteristics of time-scale components and they are predicted using an ANN, respectively. The IMFs can be predicted more accurately than their original travel speed since they mitigate the complexity of the original data such as non-linearity, non-stationarity, and oscillation. The predicted IMFs are summed up to represent the predicted travel speed. To evaluate the proposed method, the travel speed data from the dedicated short range communication (DSRC) in Daegu City are used. Performance evaluations are conducted targeting on the links that are particularly hard to predict. The results show the developed model has the mean absolute error rate of 10.41% in the normal condition and 25.35% in the break down for the 15-min-ahead prediction, respectively, and it outperforms the simple ANN model. The developed model contributes to the provision of the reliable traffic information in urban transportation management systems.

• Proceedings of the Korean Society of Computer Information Conference
• /
• 2021.07a
• /
• pp.387-390
• /
• 2021

최근 전자 상거래 시장이 급격한 성장을 이루면서 고객들의 급변하는 니즈를 파악하는 것이 기업들의 수익에 직결되는 요소로 인식되고 있다. 이에 기업들은 고객들의 니즈를 신속하고 정확하게 파악하기 위해, 기축적된 고객 관련 각종 데이터를 활용하려는 시도를 강화하고 있다. 기존 시도들은 주로 구매 행동 예측에 중점을 두었으나 고객 행동의 전후 과정을 해석하는데 있어 어려움이 존재했다. 본 연구에서는 고객이 구매한 상품을 확정 또는 환불하는 행동을 취할 때 해당 행동이 발생하는데 있어 어떤 요소들이 작용하였는지를 파악하고, 어떤 고객이 환불할 지를 예측하는 예측 모형을 새롭게 제시한다. 예측 모형 구현에는 트리 기반 앙상블 방법을 사용해 예측력을 높인 XGBoost 기법을 적용하였으며, 고객 의도에 영향을 미치는 요소들을 파악하기 위하여 대표적인 설명가능한 인공지능(XAI) 기법 중 하나인 SHAP 기법을 적용하였다. 이를 통해 특정 고객 행동에 대한 각 요인들의 전반적인 영향 뿐만 아니라, 각 개별 고객에 대해서도 어떤 요소가 환불결정에 영향을 미쳤는지 파악할 수 있었다. 이를 통해 기업은 고객 개개인의 의사 결정에 영향을 미치는 요소를 파악하여 개인화 마케팅에 사용할 수 있을 것으로 기대된다.

• Journal of Korea Water Resources Association
• /
• v.39 no.3 s.164
• /
• pp.187-198
• /
• 2006

Korea Water Resources Corporation(KOWACO) has developed the Integrated Real-time Water Management System(IRWMS) that calculates monthly optimal ending target storages by using Sampling Stochastic Dynamic Programming(SSDP) with Ensemble Streamflow Prediction(ESP) running on the $1^{st}$ day of each month. This system, however, has a shortcoming: it cannot reflect the hydrolmeteorologic variations in the middle of the month. To overcome this drawback, in this study updated ESP forecasts three times each month by using the observed precipitation series from the $1^{st}$ day of the month to the forecast day and the historical precipitation ensemble for the remaining days. The improved accuracy and its effect on the reservoir operations were quantified as a result. SSDP/ESP21 that reflects within-a-month hydrolmeteorologic states saves $1\;X\;10^6\;m^3$ in water shortage on average than SSDP/ESP01. In addition, the simulation result demonstrated that the effect of ESP accuracy on the reduction of water shortage became more important when the total runoff was low during the drawdown period.

• Journal of the Korea Institute of Information and Communication Engineering
• /
• v.26 no.1
• /
• pp.70-75
• /
• 2022

Accurately measuring location is necessary to provide a variety of services. The data for indoor positioning measures the RSSI values from the WiFi device through an application of a smartphone. The measured data becomes the raw data of machine learning. The feature data is the measured RSSI value, and the label is the name of the space for the measured position. For this purpose, the machine learning technique is to study a technique that predicts the exact location only with the WiFi signal by applying an efficient technique to classification. Ensemble is a technique for obtaining more accurate predictions through various models than one model, including backing and boosting. Among them, Boosting is a technique for adjusting the weight of a model through a modeling result based on sampled data, and there are various algorithms. This study uses Xgboost among the above techniques and evaluates performance with other ensemble techniques.

• Journal of Korea Water Resources Association
• /
• v.44 no.11
• /
• pp.853-861
• /
• 2011

The objective of this study is to assess Sejong University River Forecast (SURF) model which consists of a continuous rainfall-runoff model and measured streamflow assimilation using ensemble Kalman filter technique for streamflow forecast on Nakdong river basin. The study area is divided into 43 subbasins. The forecasted streamflows are evaluated at 12 measurement sites during flood season from 2006 to 2007. The forecasted ones are improved due to the impact of the measured streamflows assimilation. In effectiveness indices corresponding to 1~5 h forecast lead times, the accuracy of the forecasted streamflows with the assimilation approach is improved by 46.2~30.1% compared with that using only the rainfall-runoff model. The mean normalized absolute error of forecasted peak flow without and with data assimilation approach in entering 50% of the measured rainfall, respectively, the accuracy of the latter is improved about 40% than that of the former. From these results, SURF model is able to be used as a real-time river forecast model.

• Journal of the Korean Data and Information Science Society
• /
• v.21 no.5
• /
• pp.917-926
• /
• 2010

It is known that bagging and boosting techniques improve the performance in classification problem. A number of researchers have proved the high performance of bagging and boosting through experiments for categorical response but not for continuous response. We study whether bagging and boosting improve data mining methods for continuous responses such as linear regression, decision tree, neural network through bagging and boosting. The analysis of eight real data sets prove the high performance of bagging and boosting empirically.

• Journal of Digital Convergence
• /
• v.16 no.1
• /
• pp.231-242
• /
• 2018

The efficient management of the Length of Stay(LOS) is important in hospital. It is import to reduce medical cost for patients and increase profitability for hospitals. In order to efficiently manage LOS, it is necessary to develop an artificial intelligence-based prediction model that supports hospitals in benchmarking and reduction ways of LOS. In order to develop a predictive model of LOS for acute stroke patients, acute stroke patients were extracted from 2013 and 2014 discharge injury patient data. The data for analysis was classified as 60% for training and 40% for evaluation. In the model development, we used traditional regression technique such as multiple regression analysis method, artificial intelligence technique such as interactive decision tree, neural network technique, and ensemble technique which integrate all. Model evaluation used Root ASE (Absolute error) index. They were 23.7 by multiple regression, 23.7 by interactive decision tree, 22.7 by neural network and 22.7 by esemble technique. As a result of model evaluation, neural network technique which is artificial intelligence technique was found to be superior. Through this, the utility of artificial intelligence has been proved in the development of the prediction LOS model. In the future, it is necessary to continue research on how to utilize artificial intelligence techniques more effectively in the development of LOS prediction model.