KR102477509B1 - Method for generating weather prediction information and computing device for executing the method - Google Patents

Method for generating weather prediction information and computing device for executing the method Download PDF

Info

Publication number
KR102477509B1
KR102477509B1 KR1020200165552A KR20200165552A KR102477509B1 KR 102477509 B1 KR102477509 B1 KR 102477509B1 KR 1020200165552 A KR1020200165552 A KR 1020200165552A KR 20200165552 A KR20200165552 A KR 20200165552A KR 102477509 B1 KR102477509 B1 KR 102477509B1
Authority
KR
South Korea
Prior art keywords
numerical
information
model
forecast
weather
Prior art date
Application number
KR1020200165552A
Other languages
Korean (ko)
Other versions
KR20220076748A (en
Inventor
나성준
성성철
Original Assignee
주식회사 동녘
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 동녘 filed Critical 주식회사 동녘
Priority to KR1020200165552A priority Critical patent/KR102477509B1/en
Publication of KR20220076748A publication Critical patent/KR20220076748A/en
Application granted granted Critical
Publication of KR102477509B1 publication Critical patent/KR102477509B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W2001/006—Main server receiving weather information from several sub-stations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

기상 예측 정보 생성 방법 및 이를 수행하기 위한 컴퓨팅 장치가 개시된다. 개시되는 일 실시예에 따른 컴퓨팅 장치는, 하나 이상의 프로세서들, 및 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치로서, 복수 개의 수치 예보 모델(Numerical Weather Prediction Model)에서 생성된 수치 예보 정보를 각각 수집하는 제1 데이터 수집 모듈, 기 설정된 예보 영역에 대한 기상 관측 정보를 수집하는 제2 데이터 수집 모듈, 각 수치 예보 정보 및 기상 관측 정보에 기초하여 복수 개의 수치 예보 모델 각각에 대해 모델 가중치를 산출하는 가중치 산출 모듈, 및 각 수치 예보 정보 및 각 수치 예보 모델의 모델 가중치에 기반하여 기 설정된 예보 영역에 대한 기상 예측 정보를 생성하는 기상 예측 모듈을 포함한다.A method for generating weather forecast information and a computing device for performing the same are disclosed. A computing device according to an embodiment disclosed herein is a computing device having one or more processors and a memory storing one or more programs executed by the one or more processors, and includes a plurality of numerical weather prediction models. A first data collection module that collects each of the numerical forecast information generated in the first data collection module, a second data collection module that collects weather observation information for a preset forecast area, and a plurality of numerical forecast models based on each numerical forecast information and weather observation information and a weight calculation module for calculating model weights for each model, and a weather prediction module for generating weather prediction information for a preset forecast area based on each numerical forecast information and model weights of each numerical forecast model.

Description

기상 예측 정보 생성 방법 및 이를 수행하기 위한 컴퓨팅 장치{METHOD FOR GENERATING WEATHER PREDICTION INFORMATION AND COMPUTING DEVICE FOR EXECUTING THE METHOD}Method for generating weather prediction information and computing device for performing the same

본 발명의 실시예는 기상 예측 기술과 관련된다.Embodiments of the present invention relate to weather forecasting techniques.

각 국가에서는 기상 예측을 위하여 슈퍼 컴퓨터를 통해서 수치 예보 모델을 운용하고 있으며, 수치 예보 모델 자료를 기반으로 기상 예측 정보를 생성하고 있다. 그러나, 각 수치 예보 모델에서 생성된 수치 예보 모델 자료는 실제 관측된 데이터와 오차가 발생하여 그 정확도를 높일 필요가 있다.In each country, a numerical forecasting model is operated through a super computer for weather forecasting, and weather forecasting information is generated based on the data of the numerical forecasting model. However, the numerical forecasting model data generated by each numerical forecasting model has an error with the actually observed data, so it is necessary to increase its accuracy.

한국등록특허공보 제10-1822395호(2018.01.26)Korean Registered Patent Publication No. 10-1822395 (2018.01.26)

개시되는 일 실시예는 기상 예측의 정확도를 향상시킬 수 있는 기상 예측 정보 생성 방법 및 이를 수행하기 위한 컴퓨팅 장치를 제공하기 위한 것이다.One disclosed embodiment is to provide a method for generating weather prediction information capable of improving the accuracy of weather forecasting and a computing device for performing the same.

개시되는 일 실시예에 따른 컴퓨팅 장치는, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치로서, 복수 개의 수치 예보 모델(Numerical Weather Prediction Model)에서 생성된 수치 예보 정보를 각각 수집하는 제1 데이터 수집 모듈; 기 설정된 예보 영역에 대한 기상 관측 정보를 수집하는 제2 데이터 수집 모듈; 상기 각 수치 예보 정보 및 상기 기상 관측 정보에 기초하여 상기 복수 개의 수치 예보 모델 각각에 대해 모델 가중치를 산출하는 가중치 산출 모듈; 및 상기 각 수치 예보 정보 및 각 수치 예보 모델의 모델 가중치에 기반하여 기 설정된 예보 영역에 대한 기상 예측 정보를 생성하는 기상 예측 모듈을 포함한다.A computing device according to an embodiment disclosed herein is a computing device having one or more processors and a memory storing one or more programs executed by the one or more processors, and includes a plurality of numerical weather prediction models (Numerical Weather Prediction Model). ) A first data collection module for collecting each of the numerical forecast information generated in; a second data collection module that collects meteorological observation information for a preset forecast area; a weight calculation module for calculating a model weight for each of the plurality of numerical forecast models based on the respective numerical forecast information and the weather observation information; and a weather prediction module generating weather forecast information for a preset forecast area based on the numerical forecast information and model weights of each numerical forecast model.

상기 가중치 산출 모듈은, 특정 시점으로부터 기 설정된 기간 동안의 기상 관측 정보 및 상기 복수 개의 수치 예보 모델에서 각각 생성된 수치 예보 정보를 추출하고, 상기 기상 관측 정보와 상기 추출한 각 수치 예보 정보를 비교하여 상기 수치 예보 모델 별로 평균 절대 오차(Mean Absolute Error)를 산출하며, 상기 수치 예보 모델 별 평균 절대 오차에 기반하여 각 수치 예보 모델의 모델 가중치를 산출할 수 있다.The weight calculation module extracts weather observation information for a predetermined period from a specific point in time and numerical forecast information generated from the plurality of numerical forecast models, and compares the weather observation information with the extracted numerical forecast information. A mean absolute error may be calculated for each numerical forecast model, and a model weight of each numerical forecast model may be calculated based on the average absolute error for each numerical forecast model.

상기 가중치 산출 모듈은, 기 설정된 시간 간격으로 상기 기상 관측 정보와 상기 추출한 각 수치 예보 정보를 비교하여 각 수치 예보 정보에 대한 절대 오차(Absolute Error)를 산출하고, 상기 각 수치 예보 정보에 대한 절대 오차를 평균하여 상기 수치 예보 모델 별 평균 절대 오차를 산출할 수 있다.The weight calculation module calculates an absolute error for each numerical forecast information by comparing the weather observation information and each extracted numerical forecast information at a predetermined time interval, and an absolute error for each numerical forecast information. An average absolute error for each numerical prediction model may be calculated by averaging.

상기 가중치 산출 모듈은, 하기의 수학식을 통해 각 수치 예보 모델의 모델 가중치를 산출할 수 있다.The weight calculation module may calculate the model weight of each numerical prediction model through the following equation.

(수학식)(mathematical expression)

Figure 112020129806136-pat00001
Figure 112020129806136-pat00001

x: x번째 수치 예보 모델x: xth numerical forecasting model

Weight(x): x번째 수치 예보 모델의 모델 가중치Weight(x): Model weight of the xth numerical forecasting model

n: 수치 예보 모델의 개수n: number of numerical forecasting models

MAE (x): x번째 수치 예보 모델의 평균 절대 오차MAE (x): mean absolute error of the xth numerical forecasting model

상기 기상 예측 모듈은, 하기 수학식을 통해 상기 기상 예측 정보를 생성할 수 있다.The weather prediction module may generate the weather prediction information through the following equation.

(수학식)(mathematical expression)

Figure 112020129806136-pat00002
Figure 112020129806136-pat00002

Valus(Op): 기상 예측 정보Value (Op): weather forecast information

Value(x): x번째 수치 예보 모델의 수치 예보 정보Value(x): Numerical forecasting information of the xth numerical forecasting model

Weight(x): x번재 수치 예보 모델의 모델 가중치Weight(x): Model weight of the xth numerical forecasting model

개시되는 일 실시예에 따른 기상 예측 정보 생성 방법은, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 복수 개의 수치 예보 모델(Numerical Weather Prediction Model)에서 생성된 수치 예보 정보를 각각 수집하는 동작; 기 설정된 예보 영역에 대한 기상 관측 정보를 수집하는 동작; 상기 각 수치 예보 정보 및 상기 기상 관측 정보에 기초하여 상기 복수 개의 수치 예보 모델 각각에 대해 모델 가중치를 산출하는 동작; 및 상기 각 수치 예보 정보 및 각 수치 예보 모델의 모델 가중치에 기반하여 기 설정된 예보 영역에 대한 기상 예측 정보를 생성하는 동작을 포함한다.A method of generating weather prediction information according to an embodiment disclosed herein is a method performed in a computing device having one or more processors and a memory storing one or more programs executed by the one or more processors, and includes a plurality of numerical values. Collecting each of the numerical forecast information generated from the forecast model (Numerical Weather Prediction Model); collecting weather observation information for a preset forecast area; calculating a model weight for each of the plurality of numerical forecast models based on the respective numerical forecast information and the weather observation information; and generating weather forecast information for a preset forecast area based on the numerical forecast information and model weights of each numerical forecast model.

상기 모델 가중치를 산출하는 동작은, 특정 시점으로부터 기 설정된 기간 동안의 기상 관측 정보 및 상기 복수 개의 수치 예보 모델에서 각각 생성된 수치 예보 정보를 추출하는 동작; 상기 기상 관측 정보와 상기 추출한 각 수치 예보 정보를 비교하여 상기 수치 예보 모델 별로 평균 절대 오차(Mean Absolute Error)를 산출하는 동작; 및 상기 수치 예보 모델 별 평균 절대 오차에 기반하여 각 수치 예보 모델의 모델 가중치를 산출하는 동작을 포함할 수 있다.The calculating of the model weight may include: extracting weather observation information for a predetermined period from a specific point in time and numerical forecast information generated from the plurality of numerical forecast models; calculating a mean absolute error for each numerical forecast model by comparing the weather observation information with the extracted numerical forecast information; and calculating a model weight of each numerical prediction model based on the average absolute error for each numerical prediction model.

상기 평균 절대 오차를 산출하는 동작은, 기 설정된 시간 간격으로 상기 기상 관측 정보와 상기 추출한 각 수치 예보 정보를 비교하여 각 수치 예보 정보에 대한 절대 오차(Absolute Error)를 산출하는 동작; 및 상기 각 수치 예보 정보에 대한 절대 오차를 평균하여 상기 수치 예보 모델 별 평균 절대 오차를 산출하는 동작을 포함할 수 있다.The calculating of the average absolute error may include comparing the weather observation information with the extracted numerical forecast information at a predetermined time interval to calculate an absolute error for each numerical forecast information; and calculating an average absolute error for each numerical forecast model by averaging absolute errors for each of the numerical forecast information.

상기 각 수치 예보 모델의 모델 가중치를 산출하는 동작은, 하기 수학식을 통해 각 수치 예보 모델의 모델 가중치를 산출할 수 있다.The operation of calculating the model weight of each numerical prediction model may calculate the model weight of each numerical prediction model through the following equation.

(수학식)(mathematical expression)

Figure 112020129806136-pat00003
Figure 112020129806136-pat00003

x: x번째 수치 예보 모델x: xth numerical forecasting model

Weight(x): x번째 수치 예보 모델의 모델 가중치Weight(x): Model weight of the xth numerical forecasting model

n: 수치 예보 모델의 개수n: number of numerical forecasting models

MAE (x): x번째 수치 예보 모델의 평균 절대 오차MAE (x): mean absolute error of the xth numerical forecasting model

상기 기상 예측 정보를 생성하는 동작은, 하기 수학식을 통해 상기 기상 예측 정보를 생성할 수 있다.The operation of generating the weather prediction information may generate the weather prediction information through the following equation.

(수학식)(mathematical expression)

Figure 112020129806136-pat00004
Figure 112020129806136-pat00004

Valus(Op): 기상 예측 정보Value (Op): weather forecast information

Value(x): x번째 수치 예보 모델의 수치 예보 정보Value(x): Numerical forecasting information of the xth numerical forecasting model

Weight(x): x번재 수치 예보 모델의 모델 가중치Weight(x): Model weight of the xth numerical forecasting model

개시되는 실시예에 의하면, 복수 개의 수치 예보 모델이 생성하는 각 수치 예보 정보에 대해 실제 기상 관측 정보 간의 평균 절대 오차를 산출하여 모델 가중치를 산출하고, 각 수치 예보 정보와 각 모델 가중치에 기반하여 기상 예측 정보를 생성함으로써, 복수 개의 수치 예보 모델에서 발생하는 오차를 줄여 최적의 기상 예측 정보를 생성할 수 있으며, 그로 인해 기상 예측 정확도를 높일 수 있게 된다.According to the disclosed embodiment, model weights are calculated by calculating an average absolute error between actual weather observation information for each numerical forecast information generated by a plurality of numerical forecast models, and weather forecast information is based on each numerical forecast information and each model weight. By generating forecast information, it is possible to generate optimal weather forecast information by reducing errors generated from a plurality of numerical forecast models, thereby increasing weather forecast accuracy.

도 1은 본 발명의 일 실시예에 따른 기상 예측 정보 생성 장치의 구성을 나타낸 도면
도 2는 본 발명의 일 실시예에서 각 수치 예보 모델에 대해 모델 가중치를 산출하는 과정을 개략적으로 설명하기 위한 도면
도 3은 본 발명의 일 실시예에서 기상 예측 모듈이 기상 예측 정보를 생성하는 과정을 개략적으로 설명하기 위한 도면
도 4는 본 발명의 일 실시예에 따른 기상 예측 정보 생성 방법을 설명하기 위한 흐름도
도 5는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도1 is a diagram showing the configuration of a device for generating weather prediction information according to an embodiment of the present invention.
2 is a diagram for schematically explaining a process of calculating model weights for each numerical forecast model in one embodiment of the present invention.
3 is a diagram schematically illustrating a process in which a weather prediction module generates weather prediction information in an embodiment of the present invention;
4 is a flowchart for explaining a method for generating weather prediction information according to an embodiment of the present invention.
5 is a block diagram illustrating and describing a computing environment including a computing device suitable for use in example embodiments;

이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.Hereinafter, specific embodiments of the present invention will be described with reference to the drawings. The detailed descriptions that follow are provided to provide a comprehensive understanding of the methods, devices and/or systems described herein. However, this is only an example and the present invention is not limited thereto.

본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안 된다.In describing the embodiments of the present invention, if it is determined that the detailed description of the known technology related to the present invention may unnecessarily obscure the subject matter of the present invention, the detailed description will be omitted. In addition, terms to be described later are terms defined in consideration of functions in the present invention, which may vary according to the intention or custom of a user or operator. Therefore, the definition should be made based on the contents throughout this specification. Terminology used in the detailed description is only for describing the embodiments of the present invention and should in no way be limiting. Unless expressly used otherwise, singular forms of expression include plural forms. In this description, expressions such as "comprising" or "comprising" are intended to indicate any characteristic, number, step, operation, element, portion or combination thereof, one or more other than those described. It should not be construed to exclude the existence or possibility of any other feature, number, step, operation, element, part or combination thereof.

이하의 설명에 있어서, 신호 또는 정보의 "전송", "통신", "송신", "수신" 기타 이와 유사한 의미의 용어는 일 구성요소에서 다른 구성요소로 신호 또는 정보가 직접 전달되는 것뿐만이 아니라 다른 구성요소를 거쳐 전달되는 것도 포함한다. 특히 신호 또는 정보를 일 구성요소로 "전송" 또는 "송신"한다는 것은 그 신호 또는 정보의 최종 목적지를 지시하는 것이고 직접적인 목적지를 의미하는 것이 아니다. 이는 신호 또는 정보의 "수신"에 있어서도 동일하다. 또한 본 명세서에 있어서, 2 이상의 데이터 또는 정보가 "관련"된다는 것은 하나의 데이터(또는 정보)를 획득하면, 그에 기초하여 다른 데이터(또는 정보)의 적어도 일부를 획득할 수 있음을 의미한다. In the following description, terms such as "transmission", "communication", "transmission", "reception" and other similar meanings of signals or information refer not only to direct transmission of signals or information from one component to another, but also to It also includes passing through other components. In particular, "transmitting" or "transmitting" a signal or information as a component indicates the final destination of the signal or information, and does not mean a direct destination. The same is true for "reception" of signals or information. Also, in this specification, two or more data or information being “related” means that when one data (or information) is obtained, at least a portion of other data (or information) can be obtained based thereon.

또한, 제1, 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로 사용될 수 있다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.Also, terms such as first and second may be used to describe various components, but the components should not be limited by the terms. The terms may be used for the purpose of distinguishing one component from another. For example, a first element may be termed a second element, and similarly, a second element may be termed a first element, without departing from the scope of the present invention.

도 1은 본 발명의 일 실시예에 따른 기상 예측 정보 생성 장치의 구성을 나타낸 도면이다. 1 is a diagram showing the configuration of an apparatus for generating weather prediction information according to an embodiment of the present invention.

도 1을 참조하면, 기상 예측 정보 생성 장치(100)는 제1 데이터 수집 모듈(102), 제2 데이터 수집 모듈(104), 가중치 산출 모듈(106), 및 기상 예측 모듈(108)을 포함할 수 있다. Referring to FIG. 1 , a weather prediction information generating device 100 may include a first data collection module 102, a second data collection module 104, a weight calculation module 106, and a weather prediction module 108. can

일 실시예에서, 제1 데이터 수집 모듈(102), 제2 데이터 수집 모듈(104), 가중치 산출 모듈(106), 및 기상 예측 모듈(108)은 물리적으로 구분된 하나 이상의 장치를 이용하여 구현되거나, 하나 이상의 프로세서 또는 하나 이상의 프로세서 및 소프트웨어의 결합에 의해 구현될 수 있으며, 도시된 예와 달리 구체적 동작에 있어 명확히 구분되지 않을 수 있다.In one embodiment, the first data collection module 102, the second data collection module 104, the weight calculation module 106, and the weather prediction module 108 are implemented using one or more physically separate devices, or , It may be implemented by one or more processors or a combination of one or more processors and software, and unlike the illustrated example, specific operations may not be clearly distinguished.

제1 데이터 수집 모듈(102)은 기 설정된 복수 개의 수치 예보 모델(Numerical Weather Prediction Model)에서 생성된 수치 예보 정보를 각각 수집할 수 있다. The first data collection module 102 may collect numerical forecast information generated from a plurality of preset numerical weather prediction models, respectively.

예시적인 실시예에서, 제1 데이터 수집 모듈(102)은 제1 수치 예보 모델(M1), 제2 수치 예보 모델(M2), 및 제3 수치 예보 모델(M3)에서 생성된 수치 예보 정보를 각각 수집할 수 있다. In an exemplary embodiment, the first data collection module 102 collects numerical forecast information generated from the first numerical forecast model M1, the second numerical forecast model M2, and the third numerical forecast model M3, respectively. can be collected

즉, 제1 데이터 수집 모듈(102)은 제1 수치 예보 모델(M1)로부터 제1 수치 예보 정보를 수집하고, 제2 수치 예보 모델(M2)로부터 제2 수치 예보 정보를 수집하며, 제3 수치 예보 모델(M3)로부터 제3 수치 예보 정보를 수집할 수 있다. 여기서는, 수치 예보 모델이 3개인 것을 일 예로 설명하나, 수치 예보 모델의 개수가 이에 한정되는 것은 아니다. That is, the first data collection module 102 collects first numerical forecast information from the first numerical forecast model M1, collects second numerical forecast information from the second numerical forecast model M2, and collects third numerical forecast information. Third numerical forecast information may be collected from the forecast model M3. Here, three numerical forecast models are described as an example, but the number of numerical forecast models is not limited thereto.

예를 들어, 제1 수치 예보 모델(M1)은 UM-GDAPS(Unified Model-Global Data Assimilation and Prediction System)일 수 있다. 제2 수치 예보 모델(M2)은 ECMWF-HRES(European Centre for Medium-range Weather Forecasts-Highest RESolution model)일 수 있다. 제3 수치 예보 모델(M3)은 NOAA-GFS(National Oceanic and Atmospheric Administration-Global Forecast System)일 수 있다. For example, the first numerical forecast model M1 may be a Unified Model-Global Data Assimilation and Prediction System (UM-GDAPS). The second numerical forecast model M2 may be a European Center for Medium-range Weather Forecasts-Highest RESolution model (ECMWF-HRES). The third numerical forecast model M3 may be a National Oceanic and Atmospheric Administration-Global Forecast System (NOAA-GFS).

제1 수치 예보 모델(M1) 내지 제3 수치 예보 모델(M3)은 각각 기 설정된 주기(예를 들어, 12시간 등)로 수치 예보 정보를 생성할 수 있다. 여기서, 수치 예보 정보는 지역별 기온, 습도, 풍속, 풍향, 기압, 파고, 및 수온 등 기상 요소에 대한 정보가 포함될 수 있다. 수치 예보 정보는 GRIB(General Regularly-distributed Information in Binary form) 형태로 생성될 수 있다. Each of the first numerical forecast model M1 to the third numerical forecast model M3 may generate numerical forecast information at a preset period (eg, 12 hours, etc.). Here, the numerical forecast information may include information on meteorological factors such as temperature, humidity, wind speed, wind direction, air pressure, wave height, and water temperature for each region. Numerical forecast information may be generated in the form of GRIB (General Regularly-distributed Information in Binary form).

GRIB는 세계 기상 기구(World Meteorological Organization: WMO)에서 만든 기상 자료를 위한 형식으로 데이터를 격자점에 저장하는 형식이다. 즉, GRIB는 기상의 예측 영역을 격자 형태로 구획하고, 각 격자점에 기상 요소 값이 저장되어 있는 형태일 수 있다.GRIB is a format for meteorological data created by the World Meteorological Organization (WMO) and stores data in grid points. That is, the GRIB may be in the form of partitioning the prediction area of weather in a lattice form and storing weather element values at each lattice point.

제1 데이터 수집 모듈(102)은 제1 수치 예보 모델(M1) 내지 제3 수치 예보 모델(M3)로부터 각각 수집한 제1 수치 예보 정보 내지 제3 수치 예보 정보를 데이터베이스(미도시)에 저장할 수 있다. 예시적인 실시예에서, 제1 데이터 수집부(102a)는 수집한 제1 수치 예보 정보 내지 제3 수치 예보 정보 중 기 설정된 예보 영역(예를 들어, 한반도 권역 등)을 추출하여 데이터베이스(미도시)에 저장할 수 있다. 여기서, 기 설정된 예보 영역은 기상 예측 정보 생성 장치(100)를 통해 기상 예측을 수행하기 위한 영역일 수 있다. The first data collection module 102 may store the first numerical forecast information to the third numerical forecast information respectively collected from the first numerical forecast model M1 to the third numerical forecast model M3 in a database (not shown). have. In an exemplary embodiment, the first data collection unit 102a extracts a preset forecast area (eg, the Korean Peninsula region, etc.) from among the collected first numerical forecast information to third numerical forecast information, and creates a database (not shown). can be stored in Here, the preset forecast area may be an area for performing weather prediction through the weather prediction information generating device 100 .

제2 데이터 수집 모듈(104)은 기상 관측 정보를 수집할 수 있다. 예시적인 실시예에서, 제2 데이터 수집 모듈(104)은 기 설정된 예보 영역(예를 들어, 한반도 권역 등)에 대한 기상 관측 정보를 수집할 수 있다. 여기서, 기상 관측 정보는 지역별 기온, 습도, 풍속, 풍향, 기압, 파고, 및 수온 등 기상 요소에 대한 정보가 포함될 수 있다.The second data collection module 104 may collect meteorological observation information. In an exemplary embodiment, the second data collection module 104 may collect weather observation information for a preset forecast area (eg, the Korean Peninsula area, etc.). Here, the meteorological observation information may include information on meteorological elements such as temperature, humidity, wind speed, wind direction, air pressure, wave height, and water temperature for each region.

제2 데이터 수집 모듈(104)은 자동 기상 관측 장비(Automatic Weather System: AWS) 및 종관 기상 관측 장비(Automated Synoptic Observing System: ASOS) 등과 같은 기상 관측 장비로부터 기상 관측 정보를 수집할 수 있다. 제2 데이터 수집 모듈(104)은 기상 관측 정보를 데이터베이스(미도시)에 저장할 수 있다. 예를 들어, 제2 데이터 수집 모듈(104)은 1시간 간격으로 기상 관측 정보를 수집할 수 있으나, 이에 한정되는 것은 아니다.The second data collection module 104 may collect weather observation information from weather observation equipment such as Automatic Weather System (AWS) and Automated Synoptic Observing System (ASOS). The second data collection module 104 may store weather observation information in a database (not shown). For example, the second data collection module 104 may collect weather observation information at intervals of 1 hour, but is not limited thereto.

가중치 산출 모듈(106)은 복수 개의 수치 예보 모델 각각에 대해 모델 가중치를 산출할 수 있다. 가중치 산출 모듈(106)은 복수 개의 수치 예보 모델에서 생성된 각 수치 예보 정보 및 기상 관측 정보에 기초하여 복수 개의 수치 예보 모델 각각에 대해 모델 가중치를 산출할 수 있다. 여기서, 모델 가중치는 각 수치 예보 모델에서 생성한 수치 예보 정보에 대해 어느 정도의 가중치를 부여할 것인지에 대한 정보일 수 있다. The weight calculation module 106 may calculate model weights for each of a plurality of numerical prediction models. The weight calculation module 106 may calculate model weights for each of the plurality of numerical forecast models based on the respective numerical forecast information and weather observation information generated from the plurality of numerical forecast models. Here, the model weight may be information about how much weight is to be assigned to numerical forecast information generated by each numerical forecast model.

도 2는 본 발명의 일 실시예에서 각 수치 예보 모델에 대해 모델 가중치를 산출하는 과정을 개략적으로 설명하기 위한 도면이다. 2 is a diagram schematically illustrating a process of calculating model weights for each numerical prediction model in one embodiment of the present invention.

도 2를 참조하면, 가중치 산출 모듈(106)은 특정 시점으로부터 기 설정된 기간(예를 들어, 특정 시점으로부터 과거 24 시간) 동안의 기상 관측 정보(value_Obs), 제1 수치 예보 정보(value_F1), 제2 수치 예보 정보(value_F2), 및 제3 수치 예보 정보(value_F3)를 데이터베이스(미도시)에서 각각 추출할 수 있다. 이때, 가중치 산출 모듈(106)은 기 설정된 예보 영역에 대한 기상 관측 정보(value_Obs), 제1 수치 예보 정보(value_F1), 제2 수치 예보 정보(value_F2), 및 제3 수치 예보 정보(value_F3)를 각각 추출할 수 있다. Referring to FIG. 2 , the weight calculation module 106 includes weather observation information (value_Obs), first numerical forecast information (value_F1), and weather observation information (value_Obs) for a predetermined period from a specific point in time (eg, 24 hours in the past from a specific point in time). 2 numerical forecast information (value_F2) and 3 numerical forecast information (value_F3) may be respectively extracted from a database (not shown). At this time, the weight calculation module 106 calculates weather observation information (value_Obs), first numerical forecast information (value_F1), second numerical forecast information (value_F2), and third numerical forecast information (value_F3) for a preset forecast area. each can be extracted.

가중치 산출 모듈(106)은 기 설정된 시간 간격(예를 들어, 3시간 간격)으로 기상 관측 정보(value_Obs)와 제1 수치 예보 정보(value_F1) 내지 제3 수치 예보 정보(value_F3)를 비교하여 각 수치 예보 정보에 대한 절대 오차(Absolute Error: AE)를 산출할 수 있다. 여기서, 절대 오차는 기상 관측 정보와 각 수치 예보 정보 간의 차이에 대한 절대값일 수 있다. The weight calculation module 106 compares the weather observation information (value_Obs) with the first numerical forecast information (value_F1) to the third numerical forecast information (value_F3) at predetermined time intervals (eg, 3 hour intervals), and then compares each numerical value. An absolute error (AE) for forecast information can be calculated. Here, the absolute error may be an absolute value of a difference between weather observation information and each numerical forecast information.

가중치 산출 모듈(106)은 각 수치 예보 모델 별로 평균 절대 오차(Mean Absolute Error: MAE)를 산출할 수 있다. 즉, 가중치 산출 모듈(106)은 제1 수치 예보 정보(value_F1)에 대한 절대 오차를 평균하여 제1 수치 예보 모델(M1)에 대한 평균 절대 오차(MAE1)를 산출할 수 있다. 또한, 가중치 산출 모듈(106)은 제2 수치 예보 정보(value_F2)에 대한 절대 오차를 평균하여 제2 수치 예보 모델(M2)에 대한 평균 절대 오차(MAE2)를 산출할 수 있다. 또한, 가중치 산출 모듈(106)은 제3 수치 예보 정보(value_F3)에 대한 절대 오차를 평균하여 제3 수치 예보 모델(M3)에 대한 평균 절대 오차(MAE3)를 산출할 수 있다.The weight calculation module 106 may calculate a mean absolute error (MAE) for each numerical prediction model. That is, the weight calculation module 106 may calculate the average absolute error MAE1 for the first numerical prediction model M1 by averaging absolute errors for the first numerical forecast information value_F1. Also, the weight calculation module 106 may calculate an average absolute error MAE2 for the second numerical prediction model M2 by averaging absolute errors for the second numerical prediction information value_F2. Also, the weight calculation module 106 may calculate an average absolute error MAE3 for the third numerical prediction model M3 by averaging absolute errors for the third numerical prediction information value_F3.

가중치 산출 모듈(106)은 각 수치 예보 모델에 대한 평균 절대 오차를 기반으로 각 수치 예보 모델의 모델 가중치를 산출할 수 있다. 예시적인 실시예에서, 가중치 산출 모듈(106)은 다음의 수학식 1을 통해 각 수치 예보 모델의 모델 가중치를 산출할 수 있다. The weight calculation module 106 may calculate a model weight of each numerical prediction model based on an average absolute error for each numerical prediction model. In an exemplary embodiment, the weight calculation module 106 may calculate model weights of each numerical prediction model through Equation 1 below.

(수학식 1)(Equation 1)

Figure 112020129806136-pat00005
Figure 112020129806136-pat00005

x : x번째 수치 예보 모델x : xth numerical forecasting model

Weight(x) : x번째 수치 예보 모델의 모델 가중치Weight(x): Model weight of the xth numerical forecasting model

n : 수치 예보 모델의 개수n: number of numerical forecasting models

MAE (x) : x번째 수치 예보 모델의 평균 절대 오차MAE (x): mean absolute error of the xth numerical forecasting model

기상 예측 모듈(108)은 각 수치 예보 정보 및 각 수치 예보 모델의 모델 가중치에 기반하여 기 설정된 예보 영역에 대한 기상 예측 정보를 생성할 수 있다. 기상 예측 모듈(108)은 특정 시점(예를 들어, 현재 시점)을 기준으로 각 수치 예보 정보 및 각 수치 예보 모델의 모델 가중치에 기반하여 기 설정된 예보 영역에 대한 기상 예측 정보를 생성할 수 있다. The weather prediction module 108 may generate weather prediction information for a preset forecast area based on each numerical forecast information and model weights of each numerical forecast model. The weather prediction module 108 may generate weather prediction information for a preset forecast area based on each numerical forecast information and model weights of each numerical forecast model based on a specific point in time (eg, a current point in time).

도 3은 본 발명의 일 실시예에서 기상 예측 모듈(108)이 기상 예측 정보를 생성하는 과정을 개략적으로 설명하기 위한 도면이다. 3 is a diagram schematically illustrating a process in which the weather prediction module 108 generates weather prediction information in one embodiment of the present invention.

도 3을 참조하면, 기상 예측 모듈(108)은 특정 시점을 기준으로 기 설정된 시간 간격(예를 들어, 3시간 간격) 마다 기상 예측 정보(value_Op)를 생성할 수 있다. 기상 예측 모듈(108)은 제1 수치 예보 정보(value_1), 제2 수치 예보 정보(value_2), 및 제3 수치 예보 정보(value_3) 각각에 제1 모델 가중치, 제2 모델 가중치, 및 제3 모델 가중치를 곱한 후 이를 합산하여 기상 예측 정보(value_Op)를 생성할 수 있다. 기상 예측 모듈(108)은 기상 예측 정보(value_Op)를 데이터베이스(미도시)에 저장할 수 있다. Referring to FIG. 3 , the weather prediction module 108 may generate weather prediction information (value_Op) at predetermined time intervals (eg, 3-hour intervals) based on a specific time point. The weather prediction module 108 provides a first model weight, a second model weight, and a third model for each of the first numerical forecast information (value_1), the second numerical forecast information (value_2), and the third numerical forecast information (value_3). Weather prediction information (value_Op) may be generated by multiplying weights and summing them. The weather prediction module 108 may store weather prediction information (value_Op) in a database (not shown).

수치 예보 모델이 n개가 있는 경우, 기상 예측 모듈(108)이 아래의 수학식 2를 통해 기상 예측 정보(value_Op)를 생성할 수 있다. When there are n number of numerical forecast models, the weather prediction module 108 may generate weather prediction information (value_Op) through Equation 2 below.

(수학식 2)(Equation 2)

Figure 112020129806136-pat00006
Figure 112020129806136-pat00006

Value(x): x번째 수치 예보 모델의 수치 예보 정보Value(x): Numerical forecasting information of the xth numerical forecasting model

Weight(x): x번째 수치 예보 모델의 모델 가중치Weight(x): Model weight of the xth numerical forecasting model

개시되는 실시예에 의하면, 복수 개의 수치 예보 모델이 생성하는 각 수치 예보 정보에 대해 실제 기상 관측 정보 간의 평균 절대 오차를 산출하여 모델 가중치를 산출하고, 각 수치 예보 정보와 각 모델 가중치에 기반하여 기상 예측 정보를 생성함으로써, 복수 개의 수치 예보 모델에서 발생하는 오차를 줄여 최적의 기상 예측 정보를 생성할 수 있으며, 그로 인해 기상 예측 정확도를 높일 수 있게 된다.According to the disclosed embodiment, model weights are calculated by calculating an average absolute error between actual weather observation information for each numerical forecast information generated by a plurality of numerical forecast models, and weather forecast information is based on each numerical forecast information and each model weight. By generating forecast information, it is possible to generate optimal weather forecast information by reducing errors generated from a plurality of numerical forecast models, thereby increasing weather forecast accuracy.

본 명세서에서 모듈이라 함은, 본 발명의 기술적 사상을 수행하기 위한 하드웨어 및 상기 하드웨어를 구동하기 위한 소프트웨어의 기능적, 구조적 결합을 의미할 수 있다. 예컨대, 상기 "모듈"은 소정의 코드와 상기 소정의 코드가 수행되기 위한 하드웨어 리소스의 논리적인 단위를 의미할 수 있으며, 반드시 물리적으로 연결된 코드를 의미하거나, 한 종류의 하드웨어를 의미하는 것은 아니다.In this specification, a module may mean a functional and structural combination of hardware for implementing the technical idea of the present invention and software for driving the hardware. For example, the "module" may mean a logical unit of predetermined codes and hardware resources for executing the predetermined codes, and does not necessarily mean physically connected codes or one type of hardware.

도 4는 본 발명의 일 실시예에 따른 기상 예측 정보 생성 방법을 설명하기 위한 흐름도이다. 도시된 흐름도에서는 상기 방법을 복수 개의 단계로 나누어 기재하였으나, 적어도 일부의 단계들은 순서를 바꾸어 수행되거나, 다른 단계와 결합되어 함께 수행되거나, 생략되거나, 세부 단계들로 나뉘어 수행되거나, 또는 도시되지 않은 하나 이상의 단계가 부가되어 수행될 수 있다.4 is a flowchart illustrating a method of generating weather prediction information according to an embodiment of the present invention. In the illustrated flowchart, the method is divided into a plurality of steps, but at least some of the steps are performed in reverse order, combined with other steps, performed together, omitted, divided into detailed steps, or not shown. One or more steps may be added and performed.

도 4를 참조하면, 기상 예측 정보 생성 장치(100)는 각 수치 예보 모델로부터 수치 예보 정보를 수집한다(S 101). 기상 예측 정보 생성 장치(100)는 수집한 각 수치 예보 정보 중 기 설정된 예보 영역에 대한 정보를 추출하여 저장할 수 있다. Referring to FIG. 4 , the weather prediction information generation device 100 collects numerical forecast information from each numerical forecast model (S 101). The weather prediction information generation device 100 may extract and store information on a preset forecast area from among collected numerical forecast information.

다음으로, 기상 예측 정보 생성 장치(100)는 기 설정된 예보 영역에 대한 기상 관측 정보를 수집한다(S 103). Next, the weather prediction information generation device 100 collects weather observation information for a preset forecast area (S103).

다음으로, 기상 예측 정보 생성 장치(100)는 복수 개의 수치 예보 모델에서 생성된 각 수치 예보 정보 및 기상 관측 정보에 기초하여 복수 개의 수치 예보 모델 각각에 대해 모델 가중치를 산출한다(S 105). Next, the weather prediction information generation device 100 calculates model weights for each of the plurality of numerical forecast models based on the respective numerical forecast information and weather observation information generated from the plurality of numerical forecast models (S105).

다음으로, 기상 예측 정보 생성 장치(100)는 각 수치 예보 정보 및 각 수치 예보 모델의 모델 가중치에 기반하여 기 설정된 예보 영역에 대한 기상 예측 정보를 생성한다(S 107).Next, the weather prediction information generation device 100 generates weather prediction information for a preset forecast area based on each numerical forecast information and model weights of each numerical forecast model (S107).

도 5는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술된 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.5 is a block diagram illustrating and describing a computing environment 10 including a computing device suitable for use in example embodiments. In the illustrated embodiment, each component may have different functions and capabilities other than those described below, and may include additional components other than those described below.

도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 기상 예측 정보 생성 장치(100)일 있다.The illustrated computing environment 10 includes a computing device 12 . In one embodiment, computing device 12 is weather prediction information generating device 100 .

컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.Computing device 12 includes at least one processor 14 , a computer readable storage medium 16 and a communication bus 18 . Processor 14 may cause computing device 12 to operate according to the above-mentioned example embodiments. For example, processor 14 may execute one or more programs stored on computer readable storage medium 16 . The one or more programs may include one or more computer-executable instructions, which when executed by processor 14 are configured to cause computing device 12 to perform operations in accordance with an illustrative embodiment. It can be.

컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.Computer-readable storage medium 16 is configured to store computer-executable instructions or program code, program data, and/or other suitable form of information. Program 20 stored on computer readable storage medium 16 includes a set of instructions executable by processor 14 . In one embodiment, computer readable storage medium 16 includes memory (volatile memory such as random access memory, non-volatile memory, or a suitable combination thereof), one or more magnetic disk storage devices, optical disk storage devices, flash memory devices, other forms of storage media that can be accessed by computing device 12 and store desired information, or any suitable combination thereof.

통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.Communications bus 18 interconnects various other components of computing device 12, including processor 14 and computer-readable storage medium 16.

컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.Computing device 12 may also include one or more input/output interfaces 22 and one or more network communication interfaces 26 that provide interfaces for one or more input/output devices 24 . An input/output interface 22 and a network communication interface 26 are connected to the communication bus 18 . Input/output device 24 may be coupled to other components of computing device 12 via input/output interface 22 . Exemplary input/output devices 24 include a pointing device (such as a mouse or trackpad), a keyboard, a touch input device (such as a touchpad or touchscreen), a voice or sound input device, various types of sensor devices, and/or a photographing device. input devices, and/or output devices such as display devices, printers, speakers, and/or network cards. The exemplary input/output device 24 may be included inside the computing device 12 as a component constituting the computing device 12, or may be connected to the computing device 12 as a separate device distinct from the computing device 12. may be

이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.Although representative embodiments of the present invention have been described in detail above, those skilled in the art will understand that various modifications are possible to the above-described embodiments without departing from the scope of the present invention. . Therefore, the scope of the present invention should not be limited to the described embodiments and should not be defined, and should be defined by not only the claims to be described later, but also those equivalent to these claims.

100 : 기상 예측 정보 생성 장치
102 : 제1 데이터 수집 모듈
104 : 제2 데이터 수집 모듈
106 : 가중치 산출 모듈
108 : 기상 예측 모듈100: weather prediction information generating device
102: first data collection module
104: second data collection module
106: weight calculation module
108: weather prediction module

Claims (10)

하나 이상의 프로세서들, 및
상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치로서,
복수 개의 수치 예보 모델(Numerical Weather Prediction Model)에서 생성된 수치 예보 정보를 각각 수집하는 제1 데이터 수집 모듈;
기 설정된 예보 영역에 대한 기상 관측 정보를 수집하는 제2 데이터 수집 모듈;
상기 각 수치 예보 정보 및 상기 기상 관측 정보에 기초하여 상기 복수 개의 수치 예보 모델 각각에 대해 모델 가중치를 산출하는 가중치 산출 모듈; 및
상기 각 수치 예보 정보 및 각 수치 예보 모델의 모델 가중치에 기반하여 기 설정된 예보 영역에 대한 기상 예측 정보를 생성하는 기상 예측 모듈을 포함하고,
상기 가중치 산출 모듈은,
특정 시점으로부터 기 설정된 기간 동안의 기상 관측 정보 및 상기 복수 개의 수치 예보 모델에서 각각 생성된 수치 예보 정보를 추출하고, 상기 기상 관측 정보와 상기 추출한 각 수치 예보 정보를 비교하여 상기 수치 예보 모델 별로 평균 절대 오차(Mean Absolute Error)를 산출하며, 상기 수치 예보 모델 별 평균 절대 오차에 기반하여 각 수치 예보 모델의 모델 가중치를 산출하며,
상기 가중치 산출 모듈은,
하기의 수학식을 통해 각 수치 예보 모델의 모델 가중치를 산출하는, 컴퓨팅 장치.
(수학식)
Figure 112022084515416-pat00016

x: x번째 수치 예보 모델
Weight(x): x번째 수치 예보 모델의 모델 가중치
n: 수치 예보 모델의 개수
MAE (x): x번째 수치 예보 모델의 평균 절대 오차
one or more processors; and
A computing device having a memory storing one or more programs executed by the one or more processors,
A first data collection module that collects numerical forecast information generated from a plurality of numerical weather prediction models, respectively;
a second data collection module that collects meteorological observation information for a preset forecast area;
a weight calculation module for calculating a model weight for each of the plurality of numerical forecast models based on the respective numerical forecast information and the weather observation information; and
A weather prediction module for generating weather forecast information for a preset forecast area based on the numerical forecast information and model weights of each numerical forecast model;
The weight calculation module,
Meteorological observation information for a predetermined period from a specific point in time and numerical forecast information generated from each of the plurality of numerical forecast models are extracted, and the weather observation information and each extracted numerical forecast information are compared to average absolute average for each numerical forecast model. Calculate Mean Absolute Error, calculate model weight of each numerical forecast model based on the average absolute error for each numerical forecast model,
The weight calculation module,
Computing device for calculating the model weight of each numerical forecast model through the following equation.
(mathematical expression)
Figure 112022084515416-pat00016

x: xth numerical forecasting model
Weight(x): Model weight of the xth numerical forecasting model
n: number of numerical forecasting models
MAE (x): mean absolute error of the xth numerical forecasting model
 삭제delete 청구항 1에 있어서,
상기 가중치 산출 모듈은,
기 설정된 시간 간격으로 상기 기상 관측 정보와 상기 추출한 각 수치 예보 정보를 비교하여 각 수치 예보 정보에 대한 절대 오차(Absolute Error)를 산출하고, 상기 각 수치 예보 정보에 대한 절대 오차를 평균하여 상기 수치 예보 모델 별 평균 절대 오차를 산출하는, 컴퓨팅 장치.
The method of claim 1,
The weight calculation module,
An absolute error for each numerical forecast information is calculated by comparing the weather observation information and each extracted numerical forecast information at a predetermined time interval, and the numerical forecast is obtained by averaging the absolute errors for each numerical forecast information. A computing device that calculates the mean absolute error per model.
 삭제delete 청구항 1에 있어서,
상기 기상 예측 모듈은,
하기 수학식을 통해 상기 기상 예측 정보를 생성하는, 컴퓨팅 장치.
(수학식)
Figure 112020129806136-pat00008

Valus(Op): 기상 예측 정보
Value(x): x번째 수치 예보 모델의 수치 예보 정보
Weight(x): x번재 수치 예보 모델의 모델 가중치
The method of claim 1,
The weather prediction module,
A computing device that generates the weather prediction information through the following equation.
(mathematical expression)
Figure 112020129806136-pat00008

Value (Op): weather forecast information
Value(x): Numerical forecasting information of the xth numerical forecasting model
Weight(x): Model weight of the xth numerical forecasting model
 하나 이상의 프로세서들, 및
상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서,
복수 개의 수치 예보 모델(Numerical Weather Prediction Model)에서 생성된 수치 예보 정보를 각각 수집하는 동작;
기 설정된 예보 영역에 대한 기상 관측 정보를 수집하는 동작;
상기 각 수치 예보 정보 및 상기 기상 관측 정보에 기초하여 상기 복수 개의 수치 예보 모델 각각에 대해 모델 가중치를 산출하는 동작; 및
상기 각 수치 예보 정보 및 각 수치 예보 모델의 모델 가중치에 기반하여 기 설정된 예보 영역에 대한 기상 예측 정보를 생성하는 동작을 포함하고,
상기 모델 가중치를 산출하는 동작은,
특정 시점으로부터 기 설정된 기간 동안의 기상 관측 정보 및 상기 복수 개의 수치 예보 모델에서 각각 생성된 수치 예보 정보를 추출하는 동작;
상기 기상 관측 정보와 상기 추출한 각 수치 예보 정보를 비교하여 상기 수치 예보 모델 별로 평균 절대 오차(Mean Absolute Error)를 산출하는 동작; 및
상기 수치 예보 모델 별 평균 절대 오차에 기반하여 각 수치 예보 모델의 모델 가중치를 산출하는 동작을 포함하며,
상기 각 수치 예보 모델의 모델 가중치를 산출하는 동작은,
하기 수학식을 통해 각 수치 예보 모델의 모델 가중치를 산출하는, 기상 예측 정보 생성 방법.
(수학식)
Figure 112022084515416-pat00017

x: x번째 수치 예보 모델
Weight(x): x번째 수치 예보 모델의 모델 가중치
n: 수치 예보 모델의 개수
MAE (x): x번째 수치 예보 모델의 평균 절대 오차
one or more processors; and
A method performed in a computing device having a memory storing one or more programs executed by the one or more processors,
collecting each of numerical forecast information generated from a plurality of numerical weather prediction models;
collecting weather observation information for a preset forecast area;
calculating a model weight for each of the plurality of numerical forecast models based on the respective numerical forecast information and the weather observation information; and
Generating weather forecast information for a preset forecast area based on the respective numerical forecast information and model weights of each numerical forecast model;
The operation of calculating the model weight,
extracting weather observation information for a predetermined period from a specific point in time and numerical forecast information respectively generated from the plurality of numerical forecast models;
calculating a mean absolute error for each numerical forecast model by comparing the weather observation information with the extracted numerical forecast information; and
Calculating a model weight of each numerical forecast model based on the average absolute error for each numerical forecast model,
The operation of calculating the model weight of each numerical forecast model,
A method for generating weather prediction information, which calculates model weights of each numerical forecast model through the following equation.
(mathematical expression)
Figure 112022084515416-pat00017

x: xth numerical forecasting model
Weight(x): Model weight of the xth numerical forecasting model
n: number of numerical forecasting models
MAE (x): mean absolute error of the xth numerical forecasting model
 삭제delete 청구항 6에 있어서,
상기 평균 절대 오차를 산출하는 동작은,
기 설정된 시간 간격으로 상기 기상 관측 정보와 상기 추출한 각 수치 예보 정보를 비교하여 각 수치 예보 정보에 대한 절대 오차(Absolute Error)를 산출하는 동작; 및
상기 각 수치 예보 정보에 대한 절대 오차를 평균하여 상기 수치 예보 모델 별 평균 절대 오차를 산출하는 동작을 포함하는, 기상 예측 정보 생성 방법.
The method of claim 6,
The operation of calculating the average absolute error,
calculating an absolute error for each numerical forecast information by comparing the weather observation information with the extracted numerical forecast information at a predetermined time interval; and
and calculating an average absolute error for each numerical forecast model by averaging absolute errors for each of the numerical forecast information.
 삭제delete 청구항 6에 있어서,
상기 기상 예측 정보를 생성하는 동작은,
하기 수학식을 통해 상기 기상 예측 정보를 생성하는, 기상 예측 정보 생성 방법.
(수학식)
Figure 112020129806136-pat00010

Valus(Op): 기상 예측 정보
Value(x): x번째 수치 예보 모델의 수치 예보 정보
Weight(x): x번재 수치 예보 모델의 모델 가중치
The method of claim 6,
The operation of generating the weather prediction information,
A method for generating weather prediction information, wherein the weather prediction information is generated through the following equation.
(mathematical expression)
Figure 112020129806136-pat00010

Value (Op): weather forecast information
Value(x): Numerical forecasting information of the xth numerical forecasting model
Weight(x): Model weight of the xth numerical forecasting model
KR1020200165552A 2020-12-01 2020-12-01 Method for generating weather prediction information and computing device for executing the method KR102477509B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200165552A KR102477509B1 (en) 2020-12-01 2020-12-01 Method for generating weather prediction information and computing device for executing the method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200165552A KR102477509B1 (en) 2020-12-01 2020-12-01 Method for generating weather prediction information and computing device for executing the method

Publications (2)

Publication Number Publication Date
KR20220076748A KR20220076748A (en) 2022-06-08
KR102477509B1 true KR102477509B1 (en) 2022-12-14

Family

ID=81981329

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200165552A KR102477509B1 (en) 2020-12-01 2020-12-01 Method for generating weather prediction information and computing device for executing the method

Country Status (1)

Country Link
KR (1) KR102477509B1 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230061261A (en) 2021-10-28 2023-05-08 주식회사 환경과안전 Method of producing meteorological data for digital twin and system for producing meteorological data for digital twin
KR102490498B1 (en) * 2022-09-13 2023-01-18 전북대학교산학협력단 Method and system of predicting surface air temperature using superensemble technique

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101092380B1 (en) 2011-04-29 2011-12-13 공주대학교 산학협력단 Estimating method using ensemble average based on the regional climate model performance
US20150317589A1 (en) 2012-11-09 2015-11-05 The Trustees Of Columbia University In The City Of New York Forecasting system using machine learning and ensemble methods

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101881784B1 (en) * 2017-01-12 2018-07-25 경북대학교 산학협력단 Weather forecast method, recording medium and device for performing the method
KR101822395B1 (en) 2017-11-27 2018-01-26 주식회사 환경과학기술 Weather forecast data generating system coupled to intertidal zone forecast gis and weather forecast prediction model and weather forecast data generating method using the same
KR102468316B1 (en) * 2019-08-08 2022-11-17 한국전자통신연구원 Time series prediction method and apparatus based on past prediction data

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101092380B1 (en) 2011-04-29 2011-12-13 공주대학교 산학협력단 Estimating method using ensemble average based on the regional climate model performance
US20150317589A1 (en) 2012-11-09 2015-11-05 The Trustees Of Columbia University In The City Of New York Forecasting system using machine learning and ensemble methods

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
윤지원 외 5명. 단시간 다중모델 앙상블 바람 예측. 한국기상학회. 2007.12.31, 제17권, 제4호, pp.327-337 1부.*

Also Published As

Publication number Publication date
KR20220076748A (en) 2022-06-08

Similar Documents

Publication Publication Date Title
US9546872B1 (en) Hybrid road network and grid based spatial-temporal indexing under missing road links
JP5090954B2 (en) Lightning prediction device, method and program thereof
KR102477509B1 (en) Method for generating weather prediction information and computing device for executing the method
JP5090955B2 (en) Lightning prediction device, method and program thereof
US20150253463A1 (en) Generating an Ensemble of Forecasting Models
CN111866727B (en) Display method and device for driver gathering point, electronic equipment and storage medium
CN109416408B (en) Device and method for estimating an epicenter distance, and computer-readable recording medium
CN110147820B (en) Method, device, equipment and storage medium for recommending extra oil quantity of flight
US20120315920A1 (en) Systems and methods for analyzing spatiotemporally ambiguous events
CN112598883A (en) Power transmission line lightning-fall probability early warning method and early warning system based on Bayesian network
CN112433874A (en) Fault positioning method, system, electronic equipment and storage medium
CN112668238A (en) Rainfall processing method, device, equipment and storage medium
Ho et al. Amic: An adaptive information theoretic method to identify multi-scale temporal correlations in big time series data
CN115439753A (en) Steep river bank identification method and system based on DEM
WO2017208623A1 (en) System monitoring device and program
CN114330110A (en) Model training method, photovoltaic power generation power prediction method and system
KR101873169B1 (en) Apparatus and method for real-time training of observation images, and for detecting object
EP4071616A1 (en) Method for generating topology diagram, anomaly detection method, device, apparatus, and storage medium
JP2017138928A (en) Environment pollution prediction system and method
CN113313304A (en) Power grid accident abnormity analysis method and system based on big data decision tree
Saha et al. Identification of Indian monsoon predictors using climate network and density-based spatial clustering
CN111124634A (en) Training method and device, electronic equipment and storage medium
CN108133234B (en) Sparse subset selection algorithm-based community detection method, device and equipment
KR101181326B1 (en) System and Method for distinguishing chaff echoes
KR102566200B1 (en) Apparatus and method of generating probability map that displays degree of risk according to moving path of moving object

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right