• 대한원격탐사학회지
• /
• 제38권3호
• /
• pp.265-282
• /
• 2022

해수면 온도(Sea surface temperature, SST)는 지구시스템에서 해양의 순환과 생태계에 큰 영향을 주는 요소이다. 지구온난화로 한반도 근해 해수면 온도에 변화가 생기면서 이상 수온(고수온, 저수온) 현상이 발생하여 해양생태계와 수산업 피해를 지속적으로 발생시키고 있다. 따라서 본 연구는 한반도 근해 해수면 온도를 예측하여 이상 수온 현상 예측으로 피해를 예방하는 방법론을 제안한다. 연구 지역은 한반도 근해로 설정하여 동시간대 해수면 온도 데이터를 사용하기 위해 Europe Centre for Medium-Range Weather Forecasts (ECMWF)의 ERA5 자료를 사용하였다. 연구방법으로는 해수면 온도 데이터의 시계열 특징을 고려하여 딥러닝 모델 중 시계열 데이터 예측에 특화된 Long Short-Term Memory (LSTM) 알고리즘을 이용하였다. 예측 모델은 1~7일 이후 한반도 근해 해수면 온도를 예측하고 고수온(High water temperature, HWT) 혹은 저수온(Low water temperature, LWT) 현상을 예측한다. 해수면 온도 예측 정확도 평가를 위해 결정계수(Coefficient of determination, R²), 평균제곱근 편차(Root Mean Squared Error, RMSE), 평균 절대 백분율 오차(Mean Absolute Percentage Error, MAPE) 지표를 사용하였다. 예측 모델의 여름철(JAS) 1일 예측 결과는 R²=0.996, RMSE=0.119℃, MAPE=0.352% 이고, 겨울철(JFM) 1일 예측 결과는 R²=0.999, RMSE=0.063℃, MAPE=0.646% 이었다. 예측한 해수면 온도를 이용하여 이상 수온 예측 정확도 평가를 F1 Score로 수행하였다(여름철(2021/08/05) 고수온 예측 결과 F1 Score=0.98, 겨울철(2021/02/19) 저수온 예측 결과 F1 Score=1.0). 예측 기간이 증가하면서 예측 모델이 해수면 온도를 과소추정하는 경향을 보여주었고, 이로 인해 이상 수온 예측 정확도 또한 낮아졌다. 따라서, 향후 예측 모델의 과소추정 원인을 분석하고 예측 정확도 향상을 위한 연구가 필요할 것으로 판단된다.

• 한국ITS학회 논문지
• /
• 제3권1호
• /
• pp.45-52
• /
• 2004

현재 여러 지자체에서 혼잡한 도시교통의 이동성 및 안전성을 향상시키기 위해 첨단교통관리체계(ITS)를 구축 $\cdot$ 운영중인데 이러한 시스템에서 수집하는 교통상황에 대한 실시간 자료가 노면상황, 악천후, 통신 및 장비자체의 결함 등으로 인해 수많은 자료가 결측된다. 이러한 결측 자료로 인해 통행시간 예측 및 각종 연구가 불가능한 경우가 발생하며 또한 도로의 계획과 기하구조 설계시 기본 자료가 되는 AADT 및 DHV 등의 교통 파라메터들이 과소 또는 과대 추정될 수 있어서 심각한 손해를 끼칠수 있다. 따라서 본 연구에서는 부득이하게 누락되는 교통량 자료에 대해 전 $\cdot$ 후기간 평균, 회귀 모형, EM, 시계열 모형들을 활용한 대체기법들을 살펴보았고, 그 결과 시계열 모형을 이용한 대체의 경우 MAPE, 불균등계수, RMSE 가 각각 5.0$\%$, 0.030, 110으로 가장 좋은 결과를 보였고 나머지 대체기법들은 평가지표에 따라 조금씩 다른 결과를 보였으나 대체로 만족할 만한 수준의 결과를 낳았다

• 한국정보통신학회논문지
• /
• 제19권12호
• /
• pp.2779-2784
• /
• 2015

정확한 교통정보의 예측은 출발지로부터 목적지까지의 최적경로를 제공할 수 있으며, 이로 인해 시간과 비용의 절감 효과를 얻을 수 있다. 본 논문에서는 다양한 교통정보 예측 방법 중 확률 모델을 기반으로 교통정보를 예측하는 베이지안 네트워크 방법을 이용한다. 기존 연구에서는 베이지안 네트워크 예측 방법이 모든 시간대에서의 데이터를 학습에 사용하는 것과는 달리, 본 논문에서는 예측하고자 하는 시간대와 동일한 요일과 시간에 해당하는 데이터만을 선별적으로 학습에 사용한다. 서로 다른 두 가지 학습방법에 따른 예측 결과의 정확도는 일반적으로 많이 사용되는 MAPE(Mean Absolute Percentage Error)로 검증하였으며, 서울 시내 14개의 링크 구간에 대해 실험을 진행하였다. 실험결과는 본 논문에서 제안한 방법이 모든 시간대의 데이터를 학습에 사용한 방법에 비해 MAPE의 관점에서 더 높은 정확도를 가진 교통 예측 값을 계산할 수 있음을 보여준다.

• 한국ITS학회 논문지
• /
• 제16권1호
• /
• pp.26-37
• /
• 2017

본 연구는 random effects Tobit 회귀모형을 이용하여 도심지 교차로에 대한 교통사고모형을 개발하여 교통사고와 요인간의 상관관계를 파악하는 것이 목적이다. Random effects Tobit 회귀모형의 적용성을 비교 분석하기 위하여 fixed effect Tobit 회귀모형을 산정하였다. 산정결과, 교통량, 제한속도, 차로수, 토지이용, 우회전차로, 전방신호등이 유효한 변수로 나타났으며, 총 교통사고율에 대한 random effects 모형의 모형 적합도(결정계수: 0.418, 로그-우도함수값: -3210.103, 우도비: 0.056)와 모형 설명력(MAD: 19.533, MAPE: 75.725, RMSE: 26.886)은 fixed effects 모형의 모형 적합도 (결정계수: 0.298, 로그-우도함수값: -3276.138, 우도비: 0.037)와 모형 설명력(MAD: 20.725, MAPE: 82.473, RMSE: 27.267)보다 우수한 것으로 나타났으며, 부상교통사고율에 대한 교통사고모형에서도 총 교통사고율의 산정결과와 동일하게 나타나 두 모형에서 random effects Tobit 회귀모형이 다소 우수한 것으로 분석되었다.

• 대한원격탐사학회지
• /
• 제37권6_2호
• /
• pp.1881-1890
• /
• 2021

미세먼지는 인체에는 물론 생태계, 날씨 등에도 많은 영향을 끼치며, 인구와 건물, 차량 등이 밀집된 대도시에서의 미세먼지의 예측과 모니터링은 중요하다. 특히 자동차, 연소 등에서 발생하는 PM_2.5 농도는 독성 물질을 포함할 수 있어 체계적인 관리가 필요하다. 따라서 본 연구는 화학 인자, 위성 기반의 aerosol optical depth (AOD), 기상 인자 등을 입력 자료로 하여 수도권PM_2.5 농도를 예측하고자 한다. PM_2.5 농도 예측을 위해 기계 학습 모델 중 PM 농도 예측에 우수한 성능을 보이는 random forest (RF) 모델을 선정하였으며, 모델 평가를 위해 통계 지표인 R², RMSE, MAE, MAPE를 산출하였다. RF 모델의 모델 정확도는 R², RMSE, MAE, MAPE는 각각 0.97, 3.09, 2.18, 13.31로 나타났으며, 예측 정확도는 각각 0.82, 6.03, 4.36, 25.79로 본 연구에서 사용한 인자들을 이용하여 PM_2.5를 예측 시 높은 정확도와 상관성을 나타내었다. 따라서 향후 학교 미세먼지 예측 및 범주화를 위해 본 연구에서 사용한 인자들을 RF 모델에 적용하였을 때 신뢰할만한 결과를 도출할 수 있을 것으로 기대된다.

• 산업과 과학
• /
• 1권1호
• /
• pp.7-15
• /
• 2022

사물인터넷(IoT) 기술은 최근 의료사물인터넷(IoMT)으로 정의된 대량의 의료 데이터를 처리하여 발전을 위해 개발된 의료분야에서 많이 활용되고 있다. 수집된 광범위한 의료 데이터는 수집된 의료 데이터를 처리하기 위해 구조화된 방식으로 클라우드에 저장된다. 그러나 방대한 양의 의료 데이터를 효과적으로 처리하는 것은 쉽지 않기 때문에 의료분야 구조 데이터를 개발하는 것이 필요하다. 본 논문에서는 IoMT에서 수집된 구조화된 건강 관리 데이터를 처리하기 위한 기계 학습 모드를 개발하였다. 광범위한 의료 데이터를 처리하기 위해 본 논문에서는 의료 데이터 처리를 위한 MTGPLSTM 모델을 제안하였다. 제안된 모델은 의료 정보 처리를 위한 선형 회귀 모델을 통합한다. 개발된 모델 이상치 모델은 IoMT에서 수집된 COVID-19 의료 데이터들의 평가 및 예측을 위해 FinTech 모델을 기반으로 구현되었다. 제안된 MTGPLSTM 모델은 감염 확산 방지를 위한 계획 계획을 예측하고 평가하기 위한 회귀 모델로 구성된다. 개발된 모델 성능은 LR, SVR, RFR, LSTM 및 제안된 MTGPLSTM 모델과 같은 서로 다른 분류기를 고려하였으며 1GB, 2GB, 3GB 등 데이터 크기가 다르다는 점도 주요하게 고려되었다. 제안된 MTGPLSTM 모델이 전 세계 데이터에 대해 최대 4% 감소된 MAPE 및 RMSE 값을 달성하였고 중국의 경우 기존 분류기보다 최대 6% 최소인 최소 MAPE(0.97)이 달성되었다.

• Korean Chemical Engineering Research
• /
• 제60권3호
• /
• pp.363-370
• /
• 2022

본 논문에서는 전기자동차용 배터리 충/방전 상태 추정의 정확도를 개선하기 위해 칼만 필터(Kalman Filter, KF) 알고리즘과 등가회로모델(Equivalent Circuit Model)을 활용한 State Of Charge (SOC) 추정 방법을 적용하였다. 특히 노화된 배터리 용량을 함께 추정 가능한 관측기(observer)를 설계하였다. 우선 노화가 없는 경우, 칼만 필터를 이용하여 SOC를 단일 추정하면, 관측기 없이 모델로 계산된 경우와 비교하여 평균 절대 오차율이 1.43%(관측기 미사용)에서 0.27%(관측기 사용)로 감소하였다. 차량 주행상태에서는 전류가 고정되지 않아 SOC와 배터리 용량을 모두 추정하는 것에 일반적인 KF 혹은 Extended KF 알고리즘을 이용할 수 없다. 배터리 노화에 의한 용량 변화는 단시간에 일어나지는 않다는 점에 착안하여, 충전 시 배터리 용량 추정을 주기적으로 실시하는 전략을 제시하였다. 충전 모드에서는 일정 구간마다 전류가 고정되기에, 해당 상황에서 배터리 노화 용량을 SOC와 함께 추정 전략을 제시하였다. 전류가 고정된 상태에서 SOC 추정의 평균 절대 오차율은 0.54% 였으며, 용량 추정의 평균 절대 오차율은 2.24%로 나타났다. 충전상태에서 전류가 고정됨으로 일반적인 EKF를 활용하여 배터리 용량과 SOC 동시 추정이 가능하도록 하였다. 이를 통하여 배터리 충전 시 주기적인 배터리 용량 보정을 수행할 수 있다. 그리고, 방전 시에는 해당 용량으로 고정한 채 SOC를 추정하는, 배터리 관리 시스템에서 활용 가능한 추정 알고리즘을 제안하였다.

• 한국ITS학회:학술대회논문집
• /
• 한국ITS학회 2003년도 제2회 정기총회 및 추계학술대회
• /
• pp.221-225
• /
• 2003

• 한국전자통신학회논문지
• /
• 제9권1호
• /
• pp.131-136
• /
• 2014

본 논문에서는 패션 상품 수요 예측을 위하여 ARIMA 모형과 웨이블렛 신경회로망 모형을 결합한 상품 수요 예측 알고리즘을 개발하였다. 제시된 방법을 검증하기 위하여 2008년에서 2012년까지의 H사의 패션 상품 데이터를 바탕으로 다양한 알고리즘을 축하고 제안한 방법의 정확도를 분석하였다. 실험 결과 ARIMA 모형은 MAPE가 5.179%, 웨이블렛 신경회로망은 4.553%, 제안한 ARIMA + 웨이블렛 신경회로망 모형은 4.448%로 나타나 성능이 우수한 것으로 나타났다. 따라서 제안된 방법을 사용할 경우 패션 상품 수요 예측을 위해 유용하게 활용할 수 있음을 보였다.

• Journal of the Korean Data and Information Science Society
• /
• 제27권2호
• /
• pp.275-284
• /
• 2016

정확한 전력수요 예측은 에너지 소비를 줄이고 전력수급의 불균형을 방지한다. 본 연구는 외부요인의 영향을 가장 적게 받는 특정 시간대의 일 단위 전력 수요량을 참조선 (reference line)으로 한 시계열모형을 세우고자 한다. 고려된 시계열모형은 슬라이딩 창을 이용한 이중 계절성 Holt-Winters 모형과 TBATS 모형이다. 시계열모형의 모수는 2009년 1월 4일부터 2011년 12월 31일까지 자료를 이용하여 추정되었으며, 2012년 1월 1일부터 2012년 12월 29일까지의 각 모형의 전력수요량을 예측하여 성능을 비교하였다. RMSE와 MAPE를 통해 예측 성능을 비교한 결과 TBATS 모형의 성능이 우수하였다.