KR100417290B1 - An ozone forecasting method by using fuzzy expert system and neural network system - Google Patents
An ozone forecasting method by using fuzzy expert system and neural network system Download PDFInfo
- Publication number
- KR100417290B1 KR100417290B1 KR10-2001-0011719A KR20010011719A KR100417290B1 KR 100417290 B1 KR100417290 B1 KR 100417290B1 KR 20010011719 A KR20010011719 A KR 20010011719A KR 100417290 B1 KR100417290 B1 KR 100417290B1
- Authority
- KR
- South Korea
- Prior art keywords
- ozone
- fuzzy
- high concentration
- concentration
- prediction method
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Abstract
본 발명은 퍼지 전문가 시스템 및 신경망 시스템을 기반으로, 대기 중의 1차 오염물질과 기상자료를 고려하여 다음날의 고농도 오존 발생 가능성 및 오존 농도를 예측하는 오존 예측 방법에 관한 것으로서, 본 발명에 의한 오존 예측 방법은, 기 측정된 80 ppb 이상의 고농도 오존에피소드를 패턴별로 분류하는 단계(a); 상기 분류된 각 고농도 오존에피소드의 패턴에 퍼지 모델을 적용하여 지역-특이적인 퍼지규칙 및 공통적인 퍼지규칙을 작성하는 단계(b); 상기 단계에서 작성된 퍼지규칙을 이용하여 고농도 오존 가능성을 퍼지 추론하는 단계(c); 및 상기 퍼지 추론 단계에서 고농도 오존 가능성이 진단될 경우 신경망 시스템을 이용하여 오존 농도를 산출하는 단계(d)를 포함하는 것을 특징으로 한다.The present invention relates to an ozone prediction method for predicting the possibility of high concentration ozone generation and ozone concentration in the next day in consideration of primary pollutants and meteorological data in the air based on a fuzzy expert system and a neural network system. The method comprises the steps of: classifying a high concentration of ozone episodes of at least 80 ppb previously determined by pattern (a); (B) creating a region-specific fuzzy rule and a common fuzzy rule by applying a fuzzy model to each of the classified high concentration ozone episodes; (C) purging the possibility of high concentration ozone using the fuzzy rule prepared in the above step; And (d) calculating an ozone concentration by using a neural network system when the possibility of high concentration ozone is diagnosed in the fuzzy inference step.
본 발명에 의한 오존 예측 방법을 이용할 경우, 고농도 오존 발생 가능성 및 오존 농도를 예측시, 우수한 예측률을 기대할 수 있다.When using the ozone prediction method according to the present invention, when predicting the possibility of high concentration ozone and ozone concentration, excellent prediction rate can be expected.
또한 본 발명에 의한 오존 예측 방법은, 과거의 고농도 오존사례에 해당되지 않는 새로운 고농도 오존사례가 발생할 경우, 단시간동안의 자료만을 가지고 시스템을 수정할 수 있는 자기 수정(Self-correction)기능을 보유하고 있으므로, 장기적으로 본 발명을 이용할 수 있다는 효과를 제공할 뿐 아니라, 본 발명에 의한 오존 예측 방법의 기초가 되는 자료는 현실적으로 쉽게 획득할 수 있는 자료라는 점에서도, 본 발명의 경제적인 효과는 매우 크다.In addition, the ozone prediction method according to the present invention has a self-correction function, in which a new high-concentration ozone case that does not correspond to the high-concentration ozone case in the past occurs, and the system can be corrected with only a short time data. In addition to providing the effect that the present invention can be used in the long term, the economic effect of the present invention is very large in that the data on which the ozone prediction method of the present invention is based can be easily obtained.
Description
본 발명은 퍼지 전문가 시스템과 신경망 시스템을 기반으로, 대기 중의 1차 오염물질과 기상자료를 고려하여 다음날의 오존 농도를 예측하는 오존 예측 방법에 관한 것이다.The present invention relates to an ozone prediction method for predicting ozone concentration of the next day in consideration of primary pollutants and meteorological data in the air based on a fuzzy expert system and a neural network system.
지금까지, 오존농도를 예측하는 방법에는 회귀분석과 시계열분석 등의 통계적 모델과 기상자료와 오염물질의 배출량 자료를 고려한 광화학적 모델 등이 있다.신경망 시스템을 이용한 오존농도 예측은 국내에서 적용된 바 있으나, 퍼지 전문가 시스템과 신경망 시스템을 동시에 이용한 경우는 없다.To date, ozone concentration prediction methods include statistical models such as regression analysis and time series analysis, and photochemical models considering meteorological data and pollutant emission data. However, no fuzzy expert system and neural network system are used at the same time.
회귀분석과 시계열분석을 이용한 예측모델을 이용할 경우, 입력변수의 선정에 한계가 있다. 광화학적 모델의 개발에 있어서는, 정확한 배출량자료가 필요하므로, 배출량자료가 부재한 국내의 실정에 있어서는 모델 적용에 한계성이 있다.When using the predictive model using regression analysis and time series analysis, the selection of input variables is limited. In developing a photochemical model, accurate emission data are required, so there is a limit to the application of the model in the domestic situation where there is no emission data.
기존 오존 예보모델은 저농도의 오존을 포함한 모든 경우를 대상으로 하는 방식이므로, 예측율이 떨어지는 문제가 있었다. 실제 예보모델의 운영시, 입력변수의 결측에 의해 모델의 가동이 중단되는 경우가 있을 수 있다. 그러나, 기존 모델은 비현실적으로 과다한 입력변수에 의존하므로, 모델 가동이 중단되는 경우가 종종 있는 등 연속성과 경제성이 떨어진다. 또한, 기존 예보 모델은 새로운 고농도 오존 사례가 발생할 경우, 이것을 보완하여 모델에 첨가하는 자기 수정기능이 없다는 것이 큰 단점이다.Since the existing ozone forecasting model covers all cases including low concentration of ozone, there is a problem that the prediction rate is lowered. In the operation of the actual forecast model, there may be cases where the model is shut down due to missing input variables. However, the existing models are unrealistically dependent on excessive input variables, and thus the continuity and economy are inferior, such as the model is often shut down. In addition, the existing forecasting model has a disadvantage in that there is no self-correction function added to the model when a new case of high concentration ozone occurs.
종래 기술의 상기와 같은 문제점을 해결하기 위하여, 본 발명은, 고농도 오존이 발생하는 경우를 중심으로 예측율이 높은 예보 방법을 제공하는데 있다. 즉, 본 발명은, 고농도의 오존이 발생하는 경우를 패턴별로 분류하여 이를 바탕으로 모델을 개발함으로써 높은 예측율을 제공하는데 그 목적이 있다.In order to solve the above problems of the prior art, the present invention is to provide a forecasting method with a high prediction rate centering on the case where high concentration ozone is generated. That is, an object of the present invention is to provide a high prediction rate by classifying a case where high concentration of ozone is generated by pattern and developing a model based thereon.
또한 본 발명은, 과거의 고농도 오존사례에 해당하지 않는 새로운 고농도 오존사례가 발생할 경우, 이를 새로운 데이터베이스로 확보함으로써 예측율을 보강하는 자기 수정기능을 제공함으로써 예보 모델로서의 경제성을 제공하는데 그 목적이있다.In addition, the present invention, if a new high-concentration ozone case that does not correspond to the high-concentration ozone case of the past occurs, by providing a self-correction function to reinforce the prediction rate by securing this as a new database to provide economics as a forecast model.
또한 본 발명은, 현실적으로 쉽게 획득할 수 있는 자료를 이용하여 예보 모델로서의 경제성 및 현실성을 제공하는데 그 목적이 있다.It is also an object of the present invention to provide economics and practicality as a forecasting model using data that can be easily obtained in reality.
도 1은 본 발명에 의한 오존 예측 방법의 개발과정을 나타낸 개략도이다.Figure 1 is a schematic diagram showing the development of the ozone prediction method according to the present invention.
도 2는 본 발명에 의한 오존 예측 방법의 개발과정에서 분류된 고농도 에피소드의 패턴을 나타낸 그래프이다.Figure 2 is a graph showing the pattern of high concentration episodes classified during the development of the ozone prediction method according to the present invention.
도 3은 본 발명에 의한 오존 예측 방법이 제공하는 예보 시스템의 PART I의 전체 구성도이다.3 is an overall configuration diagram of the PART I of the forecast system provided by the ozone prediction method according to the present invention.
도 4는 본 발명에 의한 오존 예측 방법이 제공하는 예보 시스템의 PART Ⅱ의 전체 구성도이다.4 is an overall configuration diagram of the PART II of the forecasting system provided by the ozone prediction method according to the present invention.
상기와 같은 목적을 달성하기 위하여, 본 발명에 의한 오존 예측 방법은, 기 측정된 80 ppb 이상의 고농도 오존에피소드를 패턴별로 분류하는 단계(a); 상기 분류된 각 고농도 오존에피소드의 패턴에 퍼지 전문가 시스템을 적용하여 지역-특이적인 퍼지규칙 및 공통적인 퍼지규칙을 작성하는 단계(b); 상기 단계에서 작성된 퍼지규칙을 이용하여 고농도 오존 가능성을 퍼지 추론하는 단계(c); 및 상기 퍼지 추론 단계에서 고농도 오존 가능성이 진단될 경우 신경망 시스템을 이용하여 오존 농도를 산출하는 단계(d)를 포함하는 것을 특징으로 한다.In order to achieve the above object, the ozone prediction method according to the present invention comprises the steps of: classifying a high concentration of ozone episodes of more than 80 ppb measured by pattern (a); (B) generating a region-specific fuzzy rule and a common fuzzy rule by applying a fuzzy expert system to each of the classified high concentration ozone episode patterns; (C) purging the possibility of high concentration ozone using the fuzzy rule prepared in the above step; And (d) calculating an ozone concentration by using a neural network system when the possibility of high concentration ozone is diagnosed in the fuzzy inference step.
상기 오존 예측 방법에 있어서, 상기 단계(a)의 고농도 오존에피소드 패턴은 고농도 오존에피소드의 사례의 추가에 의하여 자기 수정되는 것을 특징으로 한다.In the ozone prediction method, the high concentration ozone episode pattern of step (a) is characterized in that it is self-corrected by the addition of a case of high concentration ozone episode.
상기 오존 예측 방법에 있어서, 상기 단계(a)의 오존에피소드의 패턴분류는 군집분석 또는 주성분 분석 등을 포함하는 다변량 통계분석법에 의해 분류되는 것을 특징으로 한다.In the ozone prediction method, the pattern classification of the ozone episode in step (a) is characterized by being classified by multivariate statistical analysis including cluster analysis or principal component analysis.
상기 오존 예측 방법에 있어서, 상기 퍼지 모델은, 전문가의 지식을 지식 베이스의 형태로 저장하여 이를 기반으로 사용자가 원하는 정보를 추론해 내는 퍼지 전문가 시스템에 의한 것임을 특징으로 한다.In the ozone prediction method, the fuzzy model is characterized by a fuzzy expert system that infers the information desired by the user based on the knowledge stored in the knowledge base of the expert.
본 발명에 의한 오존 예측 방법이 제공하는 예보 시스템은, 크게, 퍼지 전문가 시스템 의한 고농도 오존 발생 가능성의 예측부(PART Ⅰ)와, 퍼지 전문가 시스템과 신경망 시스템에 의한 오존 농도의 예측부(PART Ⅱ)로 구성되는 바, 각 부분의 원리를 간략하게 살펴보면 다음과 같다.The prediction system provided by the ozone prediction method according to the present invention includes a prediction unit (PART I) for the possibility of generating high concentration ozone by the fuzzy expert system, and a prediction unit (PART II) for ozone concentration by the fuzzy expert system and the neural network system. It consists of a brief look at the principle of each part as follows.
퍼지의 원리는, 0(완전한 참) 아니면 1(완전한 거짓)이라는 단순하고 딱딱한 개념에서 벗어나 0과 1사이의 애매모호함의 정도를 값으로 표현하는 것으로서, 각 대상이 어떤 모임(집합)에 속하는 정도(0~1)를 소속함수(membership function)로 나타냄으로써 수학적으로 표현한다.The principle of fuzzy is to express the degree of ambiguity between 0 and 1 as a value, away from the simple and rigid concept of 0 (complete true) or 1 (complete false), where each object belongs to a group. It is expressed mathematically by representing (0 ~ 1) as a membership function.
특히, 퍼지 전문가 시스템은, 전문가의 지식을 지식 베이스의 형태로 저장하여 사용자가 원하는 정보를 추론해 내는 지식기반 시스템으로서, 전문가 시스템의 지식베이스에 지식이 저장됨으로써, 그 지식 베이스(규칙과 사실)를 기반으로 새로운 사실을 추론할 때 이용되는 바, 본 발명에서는, 과거의 고농도 오존에피소드의 패턴을 데이터베이스로 하여 다음날 고농도 오존의 발생 가능성을 진단하기 위해, 퍼지 전문가 시스템을 사용하였다.In particular, the fuzzy expert system is a knowledge-based system that infers the information desired by the user by storing the expert's knowledge in the form of a knowledge base. The knowledge base (rules and facts) is stored by storing the knowledge in the expert system's knowledge base. In the present invention, a fuzzy expert system was used to diagnose the possibility of high concentration ozone the next day using the database of the high concentration ozone episodes of the past as a database.
신경망 시스템은 과거자료의 학습을 통하여 미래를 예측하는 것으로서, 신경망 모델의 입력자료를 과거의 일정한 패턴에 해당하는 것으로 선별하여 이용할 경우 예측의 정확성이 높아진다. 본 발명에 의하면, 퍼지 전문가 시스템을 이용하여 생성된 과거의 여러 가지 고농도 오존에피소드를 규칙으로 하는 퍼지 모델을 신경망 모델에 앞서 배치함으로써 오존농도에 대한 우수한 예측력을 얻을 수 있다.The neural network system predicts the future through the learning of past data. When the input data of the neural network model is selected as a certain pattern of the past, the accuracy of the prediction is increased. According to the present invention, it is possible to obtain an excellent predictive power of ozone concentration by arranging the fuzzy models having various high concentration ozone episodes in the past generated using the fuzzy expert system before the neural network model.
이하에서는 상기와 같은 본 발명의 구성을 실시예를 통하여 상세하게 설명한다.Hereinafter, the configuration of the present invention as described above will be described in detail by way of examples.
실시예Example
본 발명은, 고농도 오존에피소드 패턴을 데이터베이스로 삼아 다음날의 고농도 오존발생 가능성을 예측하는 방법에 관한 것이므로, 본 발명에 의한 오존 예측 방법에 제공하는 오존 예보 시스템의 개발과정은 고농도 오존발생시의 대기오염물질과 기상특성 등을 정량적으로 분석하여, 고농도 오존에피소드의 패턴을 분류하는 것으로 시작된다. 도 1에 본 발명에 의한 오존 예측 방법에 제공하는 예보 시스템의 개발과정이 나타나 있다. 이하 도 1에 개시된 과정에 따라 설명한다.Since the present invention relates to a method of predicting the possibility of high concentration ozone generation on the next day using a high concentration ozone episode pattern as a database, the development process of the ozone prediction system provided to the ozone prediction method according to the present invention is an air pollutant at the time of high concentration ozone generation. And quantitative analysis of meteorological properties, etc., to classify the pattern of high concentration ozone episodes. Figure 1 shows the development of the forecasting system provided in the ozone prediction method according to the present invention. Hereinafter, the process described in FIG. 1 will be described.
데이터의 수집 및 분석Collect and analyze data
본 발명은 고농도 오존의 발생시, 오존과 1차 대기오염물질과 기상 특성 변수와의 관계를 정량적으로 규명하여, 이를 바탕으로 각각의 고유한 특성을 갖는 고농도 오존에피소드의 패턴을 분류한 뒤, 이를 예보 시스템의 데이터베이스로 사용하는 것이므로, 우선, 고농도 오존을 설명할 수 있는 대기오염물질과 기상변수에 대한 데이터를 수집할 필요가 있다.The present invention quantitatively examines the relationship between ozone, primary air pollutant and meteorological characteristic variables in the generation of high concentration ozone, and classifies the patterns of high concentration ozone episodes having their own characteristics, and then forecasts them. Since it is used as a database for the system, it is first necessary to collect data on air pollutants and meteorological variables that can account for high levels of ozone.
본 실시예에서는, 1989년부터 1999년까지 환경부에서 공급되는 대기질 자동측정망자료(SO2, CO, NO2및 O3) 및 기상청에서 제공되는 지표면의 기상자료(온도, 상대습도, 풍향, 풍속 및 일사량)와 500 hPa 고도면의 기상자료(온도, 풍향 및 풍속)를 이용하였다. 대상지역은 서울지역에서 오존에피소드가 가장 빈번한 광화문, 쌍문동, 구로동 및 방이동 지역을 대상으로 하였다.In this example, air quality automatic monitoring network data (SO 2 , CO, NO 2 and O 3 ) supplied by the Ministry of Environment from 1989 to 1999 and meteorological data (temperature, relative humidity, wind direction, wind speed) provided by the Korea Meteorological Administration And solar radiation) and meteorological data (temperature, wind direction and wind speed) at 500 hPa altitude. The target areas were Gwanghwamun, Ssangmun-dong, Guro-dong, and Bangi-dong, where ozone episodes are most frequent in Seoul.
오존에피소드의 패턴 분류Pattern classification of ozone episodes
고농도 오존 발생시의 대기오염물질과 기상 특성과 같은 오존에피소드의 패턴을 분류하기 위하여, 본 실시예에서는, 다년간 오존농도 80 ppb 이상 발생된 건수를 고농도 오존에피소드라 하고, 이러한 자료만을 추출하였다. 우선, 군집분석(cluster analysis)을 적용하여, 유사한 오존오염특성을 지닌 군집별로 고농도 오존 에피소드들을 위계적으로 분류하였고, 분산 주성분 분석(disjoint principal component analysis)을 이용하여 확률적으로 검증한 뒤, 최종적으로 순수군집(homogeneous cluster)을 산출한 뒤, 최종적으로 산출된 순수군집의 특성을 파악하여, 고농도 오존에피소드의 패턴을 분류한다. 본 실시예에 의할 때 나타나는 고농도 오존에피소드 군집의 패턴의 예시가 도 2에 나타나 있다.In order to classify the patterns of ozone episodes such as air pollutants and gaseous characteristics at high ozone generation, in this embodiment, the number of ozone concentrations of 80 ppb or more generated for many years is referred to as high concentration ozone episodic, and only these data were extracted. First, cluster analysis was used to classify high-level ozone episodes hierarchically by clusters with similar ozone pollution characteristics, and then probabilistically verified using disjoint principal component analysis. After calculating the homogeneous cluster, the characteristics of the finally calculated pure clusters are identified and the patterns of high concentration ozone episodes are classified. An example of the pattern of the high concentration ozone episode community shown by this Example is shown in FIG.
도 2는 방이동에서 수집된 데이터에 기초한 고농도 에피소드의 패턴을 그래프로 도시한 것이며, TEMP, HUM, WS, SOLA는 각각 지표면의 온도, 상대습도, 풍속 및 일사량을, UPTEMP, UPWS는 각각 500 hPa 고도면의 온도 및 풍속을 나타낸다. 비율은 서울시에서 오존농도 80 ppb 이상이 나타났을 때의 개별 변수들의 평균값을 기준으로 한 비율을 제시한 것이다.Figure 2 graphically shows the pattern of high-concentration episodes based on the data collected from the room movement, TEMP, HUM, WS, and SOLA are the surface temperature, relative humidity, wind speed, and solar radiation, respectively, and UPTEMP, UPWS are 500 hPa, respectively. The temperature and wind speed of the figure are shown. The ratio is based on the average value of individual variables when the ozone concentration is above 80 ppb in Seoul.
퍼지 전문가 시스템에 의한 고농도 오존에피소드 패턴의 재분류(퍼지 규칙의 작성)Reclassification (making of purge rule) of high concentration ozone episode pattern by fuzzy expert system
군집별로 분류된 각 지역별 고농도 오존에피소드 패턴에 대하여 퍼지 전문가 시스템을 적용하여, 각 지역별 퍼지규칙을 작성하고, 지역별 퍼지규칙을 서로 비교함으로써 공통적인 퍼지규칙을 찾아낼 수 있다. 각 지역별 퍼지규칙이란 지역-특이적인 오존에피소드(site-specific pattern)를 의미하며, 공통적인 퍼지규칙이란 서울지역의 공통(일반)적인 오존에피소드(common pattern)를 의미한다. 즉, 본 발명에 의해 각 지역의 공통적인 고농도 오존오염 현상을 추출함으로써 일반적인 오염현상을 규명할 수 있다. 본 실시예에서는 퍼지 전문가 시스템의 형태인식법을 통해, 서울시 일반적인 오존오염 패턴과 각 지역별 오존오염 패턴을 분류할 수 있었다. 각 군집의 개별 변수별 소속함수는 다음 식에 의해 표현되었다.The fuzzy expert system is applied to the high-density ozone episode patterns of each region classified by the cluster, and the common fuzzy rules can be found by creating the fuzzy rules for each region and comparing the fuzzy rules for each region. Each region's fuzzy rule means a site-specific ozone episode (site-specific pattern), and a common fuzzy rule means a common (common) ozone episode (common pattern) in Seoul. That is, according to the present invention, the general pollution phenomenon can be identified by extracting the common high concentration ozone pollution phenomenon in each region. In this embodiment, through the shape recognition method of the fuzzy expert system, it was possible to classify the ozone pollution pattern and the ozone pollution pattern for each region. The membership function of each cluster variable is expressed by the following equation.
개별 변수 = {(MIN-5%, 0.0), (AVG-STD, 1.0), (AVG+STD, 1.0), (MAX+5%, 0.)}Individual variable = {(MIN-5%, 0.0), (AVG-STD, 1.0), (AVG + STD, 1.0), (MAX + 5%, 0.)}
여기에서, MIN은 각 군집의 개별 변수의 최소값이며, 5%는 전체 표준편차 범위의 5%범위, MAX는 최대값, AVG는 평균값, STD는 표준편차를 의미한다.Where MIN is the minimum value of the individual variables in each cluster, 5% is the 5% range of the entire standard deviation range, MAX is the maximum value, AVG is the mean value, and STD is the standard deviation.
퍼지 전문가 시스템에 의한 고농도 오존 발생 가능성의 진단(PART Ⅰ)Diagnosis of high ozone generation potential by fuzzy expert system (PART I)
공통적인 오존에피소드 패턴과 각 지역-특이적 오존에피소드 패턴을 대상자료로 각 군집의 최대 고농도 오존이 발생된 시점부터 2-4시간 전 자료를 추적하여 데이터베이스화하였다. 이는 다음날 오존예측모델의 기본자료로 고농도 오존 발생 가능성을 진단하는 퍼지규칙을 만드는데 이용되었다. 퍼지모델에 사용된 변수는 표 1에 나타난 것과 같다. 표 1의 변수에 표시된 윗첨자△i는 가동시간과 i 시간의 격차를 나타내며, TEMP, HUM, WD, WS, SOLA는 각각 지표면의 온도, 상대습도, 풍향, 풍속 및 일사량을, UPTEMP, UPWD, UPWS는 각각 500 hPa 고도면의 온도, 풍향 및 풍속을 나타낸다.Data on the common ozone episode pattern and each region-specific ozone episode pattern were traced and databased two to four hours before the maximum high concentration ozone occurred in each community. This was used as the basis for the next day's ozone prediction model, and was used to create a fuzzy rule to diagnose the possibility of high concentrations of ozone. The parameters used in the fuzzy model are shown in Table 1. The superscript Δi indicated in the variable in Table 1 indicates the difference between the operating time and the i time, and TEMP, HUM, WD, WS, and SOLA represent the surface temperature, relative humidity, wind direction, wind speed, and solar radiation, respectively, UPTEMP, UPWD, The UPWS represents the temperature, wind direction, and wind speed of the 500 hPa elevation plane, respectively.
24시간 전부터의 1차 오염물질의 거동은 다음날 고농도 오존발생에 대한 영향이 거의 희박할 수 있으므로, 다음날의 고농도 오존예측 가능성 진단에 관한 퍼지규칙의 작성은, 온도, 습도, 풍속, 일사량, 상층풍속 및 상층온도 등 6가지 변수만을 대상으로 하였다. 또한 6가지 변수의 예측 시간대별 현재상황의 통계값 뿐만 아니라, 현재 시점을 기준으로 1시간 전 자료와의 차이의 변화속도를 변수로 첨가하여, 12개 변수를 가진 퍼지규칙이 만들어졌다.Since the behavior of primary pollutants from 24 hours ago may be rarely affected by high concentration ozone generation on the next day, the preparation of fuzzy rules for the diagnosis of high ozone prediction on the following day is based on temperature, humidity, wind speed, insolation, and upper wind speed. And only six variables, including upper temperature. In addition, a fuzzy rule with 12 variables was created by adding not only the statistical values of the current situation by time of the six variables, but also the change rate of the difference with the data one hour ago based on the current time.
퍼지규칙을 이용한 고농도 오존발생 가능성의 진단은 다음과 같이 행해졌다. 고농도 오존이 가장 많이 발생하는 시간대는 오후 3시임을 고려하여 예측 시스템 개발시 고농도 오존 예측 목표지점은 다음날 오후 3시로 정하였고, 오존예측이 시작되는 시점은 오늘 16시부터 매시간 고농도 오존 가능성을 진단하였다.Diagnosis of high concentration ozone generation using fuzzy rule was performed as follows. Considering that the most high concentration ozone occurs at 3:00 pm, the target of high ozone prediction was 3:00 pm the next day when the prediction system was developed, and the possibility of high ozone concentration was diagnosed every hour from 16:00 today. .
예보 시스템의 PART Ⅰ은 오늘 16시부터 다음날 오전 07시까지 운영되며, 매시간 마다 고농도 오존 발생가능성을 체크한다. 하지만 한국의 뉴스시간에 맞추어 저녁 19시, 23시, 다음날 새벽 03시, 07시 등 4회에 걸쳐 다음날 고농도 오존 발생 가능성을 일반 시민들에게 예보한다.The PART I of the forecasting system runs from 16:00 today to 7:00 am the next day, checking for the possibility of high ozone concentrations every hour. However, in accordance with the news time in Korea, the public will predict the possibility of high concentration ozone on the next day four times: 19 o'clock, 23 o'clock in the evening, 03 o'clock in the morning and 07:00 o'clock the next day.
도 3은, 방이동에서의 예보 시스템 PART Ⅰ의 운영을 도시한 것으로서, 다음날 오후 3시쯤의 일일 최고 오존농도가 80 ppb 이상으로 발생될 것인가를, 퍼지 전문가 시스템을 이용하여 진단하는 과정을 보여준다. "커먼룰(Common Rule)"은 서울시의 일반적인 오존에피소드의 퍼지모델을, "룰(Rule)-273"은 방이동 지역에서의 오존에피소드의 퍼지모델을 가리킨다.FIG. 3 shows the operation of the forecast system PART I in Bangi-dong, and shows how the daily peak ozone concentration of about 3 pm the next day will be generated at 80 ppb or more using a fuzzy expert system. "Common Rule" refers to a fuzzy model of general ozone episodes in Seoul, and "Rule-273" refers to a fuzzy model of ozone episodes in Bangi-dong.
16시부터 19시까지는 지표면의 온도, 습도, 일사량, 풍속과 500 hPa 고도면에서의 온도와 풍속이 입력되면, 예보 시스템은 이들 자료가 고농도 오존 발생 가능성이 있는 자료인지를 판단하였다. 판단기준은 1989년부터 1999년까지 고농도 오존에피소드가 발생하였을 때, 지표면의 온도, 습도, 풍속과 상층 풍속의 조건을 규칙화하여 이들 조건에 해당될 경우만 시스템이 가동되도록 하였다. 입력자료가 위 조건에 해당될 때, 예보 시스템은 "커먼룰"과 "룰-273"을 동시에 검색하였다. 각 규칙은 수 개의 오존에피소드 패턴이라는 서브 룰로 구성되는데, 입력자료가 16시의 "커먼룰"의 서브 룰 조건을 만족하면, 고농도 오존 발생 가능성은 "Yes"가 되고, "컴카운트(Comcount)(i)"는 1이 되었다. "i"는 주어진 시간에서 시스템의 검색 회수를 의미한다. 만약, 입력자료가 어느 조건도 만족하지 못하면, "No"가 되었다.다른 한편, 입력자료가 "룰-273"을 검색할 때, "룰-273"의 어느 서브 조건을 만족하면, "Yes"가 되어 "273카운트(i)"는 1이 되고, 그렇지 않을 경우 "No"가 되어 "273카운트(i)"는 0이 되었다. 1시간 후, 17시에 예보 시스템은 반복적으로 위에 설명된 방법과 동일하게 진행되었다. 이 때, 입력자료가 "커먼룰"의 서브 룰을 만족하면 "컴카운트(i)"는 1이 추가되어 2가 되었다. 만약, 그렇지 않으면, 0이 추가되어 그대로 1로 남는다. 2시간 혹은 3시간 후인 18시와 19시에도 같은 방식으로 진행되었다. 19시에 시스템은 "컴카운트(i)" 혹은 "273카운트(i)"가 4인지를 확인하였다. 두 가지 경우가 모두 4가 되거나 어느 한 경우만이 4가 되었을 때, "고농도 발생가능성에 대한 반복체크룰"를 검색하였다. 이 룰은 오늘의 최고 오존농도, 16시와 19시 사이, 20시에서 23시 사이, 24시에서 다음날 03시 사이, 04시에서 07시 사이의 NO2농도차, 온도차 및 풍속차를 변수로 한 퍼지모델로서, 그 입력변수를 표 1에 나타내었다. 표 2의 변수에 표시된 윗첨자△i는 가동시간과 i 시간의 격차를 나타내고, t는 예보 시간대를 의미한다.From 16 o'clock to 19 o'clock, when the surface temperature, humidity, insolation, wind speed and 500 hPa altitude temperature and wind speed were input, the forecasting system judged whether these data are likely to cause high concentration ozone. Judging criteria regulated the conditions of surface temperature, humidity, wind speed and upper wind speed when high concentration ozone episode occurred from 1989 to 1999 so that the system could be operated only when these conditions were met. When the input meets the above conditions, the forecasting system searches for "common rule" and "rule-273" at the same time. Each rule consists of several sub-rules called ozone episode patterns. If the input data meets the "common rule" sub-rule conditions at 16:00, the probability of high concentration ozone is "Yes", and "Comcount" ( i) "became one. "i" means the number of searches of the system at a given time. If the input data does not satisfy any of the conditions, it becomes "No." On the other hand, if the input data satisfies any sub-condition of "Rule-273" when searching for "Rule-273,""Yes"."273 counts (i)" is 1, otherwise "No", and "273 counts (i)" is 0. After 1 hour, at 17 o'clock, the forecasting system was repeated in the same manner as described above. At this time, if the input data satisfies the subrule of "common rule", "count (i)" is added to 1 and becomes 2. If not, 0 is added and remains as is. Two or three hours later, 18 and 19 o'clock. At 19 o'clock the system checks whether "count (i)" or "273 count (i)" is four. When both cases were 4 or only one was 4, the "recursive check rule for high concentration probability" was searched. This rule uses today's highest ozone concentration as a variable to NO 2 concentration difference, temperature difference and wind speed difference between 16 and 19 o'clock, 20 and 23 o'clock, 24 and 03 o'clock the next day, and 04 and 07 o'clock. As one fuzzy model, its input variables are shown in Table 1. The superscript Δi indicated in the variable in Table 2 represents the difference between the uptime and the i time, and t represents the forecast time zone.
입력자료가 이 시간대별 퍼지모델의 어느 서브 룰에 포함된다면, 다음날의 고농도 오존 발생 가능성이 있다라고 예보되었다. 또한, 만약, 19시에 "컴카운트(i)" 혹은 "273카운트(i)"가 4가 아니거나 "고농도 발생가능성에 대한 반복체크 룰"의 어느 서브 룰도 만족하지 않으면, 예보 시스템은 다음날의 고농도 오존 발생 가능성은 없다라고 예보되었다. 20시부터 다음날의 07시까지 시스템은 4시간 간격으로 "고농도 발생 가능성에 대한 반복체크 룰"을 4시간 간격으로 즉, 23시, 03시, 07시에 검색하고 예보하였다. PART Ⅰ에서 만약 고농도 오존 발생 가능성이 3번 이상 예보가 되었을 때, PART Ⅱ가 진행되었다.If the input is included in any of the subrules of this time-phase fuzzy model, it is predicted that there is a possibility of high ozone generation in the next day. Also, if the "count (i)" or "273 count (i)" is not 4 at 19:00 or if any of the subrules of "Repeat Check Rule for High Concentration Occurrences" are not satisfied, the forecasting system will next day. It is predicted that there is no possibility of generating high concentration of ozone. From 20 o'clock to 07 o'clock of the next day, the system searched and predicted the "Repeat Check Rule for High Potential Occurrence" at 4 hour intervals, that is, at 23, 03 and 07 o'clock. In PART I, if the possibility of high concentration ozone was predicted more than three times, PART II was carried out.
PART Ⅱ가 가동되어 오존예측값이 본격적으로 제시되는 시점인 오전 08시부터 퍼지규칙의 변수는 SO2, CO, NO2, O3및 기상자료를 포함한 12개 변수가 모두 이용되었고, 현재 예측시점에서 1시간 전과 아침 8시 자료와의 변화속도를 변수로 추가하였다.From 08 am, when the PART II was activated and the ozone prediction value was presented in full scale, all 12 variables including SO 2 , CO, NO 2 , O 3 and meteorological data were used. The change rate with the data 1 hour ago and 8 o'clock in the morning was added as a variable.
퍼지전문가 시스템과 신경망 모델에 의한 오존농도 예측(PART Ⅱ)Ozone Concentration Prediction by Fuzzy Expert System and Neural Network Model (PART II)
PART Ⅱ는 PART Ⅰ에서 고농도 오존 발생 가능성이 있다라고 예보가 되었을 경우에만 가동되고, 그렇지 않을 경우 가동이 중단된다. PART Ⅱ에서의 오존농도 예측에는, 오차 역전파 학습 알고리즘(back-propagation)을 이용한 다층 퍼셉트론 신경망(multiperception neural network)가 이용되엇다. 신경망 모델 개발시 이용된 변수는 퍼지규칙의 데이터베이스와 동일하게 이용되었다.PART II will only run if it is predicted that there is a possibility of high concentrations of ozone in PART I, otherwise it will be shut down. For the ozone concentration prediction in PART II, a multiperception neural network using an error back-propagation algorithm was used. The variables used in the neural network model development were the same as the database of fuzzy rules.
도 4는, 방이동에서의 예보 시스템 PART Ⅱ의 운영을 도시한 것으로서, PART Ⅱ에서는 퍼지규칙 및 신경망 모델을 이용하여, 다음날 8시부터 14시까지 다음날 오후 3시경의 최고 오존농도가 매시간 값으로 예보되었다. 도 4의 흐름을 상세하게 설명하면 다음과 같다.Fig. 4 shows the operation of the forecasting system PART II in Bangi-dong. In PART II, the highest ozone concentration is predicted as the hourly value by 3 pm the next day from 8:00 to 14:00 on the next day using fuzzy rules and neural network model. It became. The flow of FIG. 4 will be described in detail as follows.
시스템의 PART Ⅱ도, PART Ⅰ과 마찬가지로, 자료가 일단 입력되면, 그 시간대의 "커먼룰"과 "룰-273" 퍼지모델을 동시에 검색하였으며, 각각의 서브 룰을 만족하였을 경우, 각각의 서브 룰에 해당되는 신경망 모델을 호출하여 이 모델에 의해 최고 오존농도를 예측하였다. 이 때, 입력변수는 SO2, CO, NO2, O3, 지상의 온도(TEMP), 습도(HUM), 풍속(WS), 풍향(WD), 일사량(SOLA) 및 상층의 온도(UPTEMP),풍속(UPWS), 풍향(UPWD) 등 12가지였다. 08시의 오존농도 예측의 경우, "커먼룰"과 "룰-273"에서 모두 최고 오존농도 값이 예측되었을 경우, 두 값 중 80 ppb 이상인 경우의 값만 예보하거나, 또는 두 값 모두 80 ppb 이상인 경우는 80에 가까운 값만을 채택하여 예보하였다. 다른 한편, 같은 시간대의 "커먼룰"과 "룰-273"의 어느 서브 룰도 만족되지 않았다면, 최고 오존농도가 80 ppb 이상을 초과하지 않는 것으로 예보되었다.PART II of the system, like the PART I, once the data is entered, the "common rule" and "rule-273" fuzzy model of the time zone is searched at the same time, if each subrule is satisfied, each subrule The neural network model corresponding to is called and this model predicts the highest ozone concentration. At this time, the input variables are SO 2 , CO, NO 2 , O 3 , ground temperature (TEMP), humidity (HUM), wind speed (WS), wind direction (WD), solar radiation (SOLA), and upper temperature (UPTEMP). 12 types, including wind speed (UPWS) and wind direction (UPWD). In case of the prediction of ozone concentration at 08 o'clock, when the highest ozone concentration value is predicted in both "common rule" and "rule-273", only the value of 80 ppb or more of the two values is predicted, or both values are 80 ppb or more Predicted by adopting a value close to 80. On the other hand, if neither subrule of "common rule" and "rule-273" of the same time zone is satisfied, it is predicted that the highest ozone concentration does not exceed 80 ppb or more.
1시간 후인 09시도, 08시에서의 진행방식과 마찬가지로 진행되었다. 단, 이 시간에서 예측된 오존농도 값과 08시에서 예보된 오존농도 값의 평균값을 09시에서 예보되는 최고 오존농도로 결정하여 예보하였다. 09시부터 14시까지도 위와 같은 방식에 의해 오존농도를 예보하였다. 또한, 시스템의 예보율을 높이기 위해 11시경에도 한 번 더 당일 고농도 오존이 발생할 가능성을 예보하였다.One hour later, 09 o'clock and the same way as 08 o'clock. However, the average value of the ozone concentration value predicted at this time and the ozone concentration value predicted at 08 o'clock was determined by determining the highest ozone concentration predicted at 09 o'clock. From 09:00 to 14:00, ozone concentration was forecasted in the same way. In addition, to increase the forecast rate of the system, it is predicted that the high concentration ozone will occur once again around 11 o'clock.
시스템의 수정 및 보완(시스템 평가)Modification and Complement of the System (System Evaluation)
도 3 및 도 4에서 "뉴룰(New Rule)-273" 부분은, 새로운 고농도 오존 에피소드 사례를 추가한 퍼지모델과 신경망 모델이다. 본 예보 시스템은 3번의 모델 검증과 수정을 수행하여 완성되었다. 예보 시스템의 기본자료는 1989년부터 1996년까지의 고농도 오존 에피소드를 대상으로 하여 개발하였고, 이 기본 시스템을 이용해 1997년부터 1998년까지의 고농도 오존 에피소드 사례를 예측하였다. 예측결과, 잘못 예측된 부분과 1989년부터 1996년의 고농도 오존사례의 패턴분석시, 분류되지 않았던 사례를 통합하여, 다시 군집분석과 주성분 분석 등 패턴 인식 분석을 수행하였다. 새로이 분류된 고농도 오존 에피소드 패턴을 데이터베이스로 하여 퍼지모델과 신경망 모델을 개발하였다. 이 새로운 모델이 "뉴룰-273"이 된다. 제3도 및 제4도를 참조하여 예보시스템의 구성을 설명하면, 앞서 설명한 방식과 동일하며, 단 추가된 "뉴룰-273"을 "커먼룰"과 "룰-273"과 함께 동시에 검색한다.3 and 4, the "New Rule-273" part is a fuzzy model and a neural network model to which a new high concentration ozone episode example is added. The forecast system was completed by performing three model validations and modifications. The basic data of the forecasting system was developed for the high concentration ozone episodes from 1989 to 1996, and the basic system was used to predict high ozone episodes from 1997 to 1998. As a result of the prediction, the pattern prediction analysis such as cluster analysis and principal component analysis was performed again by integrating the mispredicted parts and the cases that were not classified during the pattern analysis of the high concentration ozone cases from 1989 to 1996. A fuzzy model and neural network model were developed using the newly classified high ozone episode patterns as a database. This new model becomes "New Rule-273". The configuration of the forecasting system will be described with reference to FIGS. 3 and 4, in the same manner as described above, except that the added "new rule-273" is searched simultaneously with the "common rule" and the "rule-273".
다음으로, 새로이 수정된 모델은 1999년도 고농도 오존에피소드를 예측하였고, 여기서 잘못 예측된 부분은 새로이 보완되었다. 지금까지 시스템의 수정방법이 년 단위를 기준으로 수정되었다. 그러나, 실제 이 시스템이 운영될 경우, 빠른 시일 안에 고농도 오존사례가 계속적으로 보완되어야 하므로, 월 단위로 시스템을 수정하는 방식을 택하였다. 따라서, 1999년도 4월부터 6월까지의 고농도 오존사례에 대해 지금까지의 방식과 마찬가지로 패턴 인식법을 이용해 패턴분류를 하였고, 이 자료를 바탕으로 새로운 퍼지모델과 신경망 모델이 개발되었다. 수정된 예보 시스템의 구성도는 도 3 및 도 4에서 제시된 바와 같다.Next, the newly revised model predicted high concentration ozone episodes in 1999, where the mispredictions were newly supplemented. So far, the system modification method has been modified on a yearly basis. However, if the system is actually operated, the high concentration ozone case should be continuously supplemented as soon as possible, so the system is modified on a monthly basis. Therefore, the pattern classification was performed for the high concentration ozone cases from April to June 1999 using the pattern recognition method as in the previous method. Based on this data, a new fuzzy model and neural network model were developed. The configuration diagram of the modified forecast system is as shown in FIGS. 3 and 4.
기존의 오존 예측 방법은 저농도의 오존을 포함한 모든 경우를 대상으로 하여 개발되었다. 이에 반해, 본 발명은 고농도 에피소드의 패턴을 분류한 후 이들을 바탕으로 모델을 개발하였으므로, 예측율이 매우 높다. 따라서 고농도 오존에피소드를 패턴분류 하는 방법론은 다른 대기오염물질 뿐만 아니라 수질 폐기물 관리 등의 오염물질 분류에 관하여 매우 유용한 방법으로 이용될 수 있는 효과를 지니고 있다.Traditional ozone prediction methods have been developed for all cases, including low levels of ozone. In contrast, the present invention classifies the patterns of high-concentration episodes and then develops a model based on them, so the prediction rate is very high. Therefore, the methodology of pattern classification of high concentration ozone episodes has the effect that can be used as a very useful method for classifying pollutants such as water waste management as well as other air pollutants.
또한, 기존 예측 방법과는 달리 본 발명은 실시간으로 오존 농도를 예측하는 방법을 보유하고 있으므로, 이러한 방법론은 예측률의 증가와 일반시민의 홍보에도큰 효과가 있다.In addition, unlike the existing prediction method, since the present invention has a method of predicting ozone concentration in real time, this methodology has a great effect on increasing the prediction rate and promoting the public.
또한, 기존 예측 방법은 수정기능이 미흡한데 비해, 본 발명은 과거의 고농도 오존사례에 해당되지 않은 새로운 고농도 오존사례가 발생할 경우, 단시간동안의 자료만을 가지고 예측 과정을 수정할 수 있는 수정기능을 보유하고 있으므로, 장기적으로 본 발명을 이용할 수 있을 뿐만 아니라, 예측의 기초가 되는 자료가 주변에서 쉽게 확보할 수 있는 것이라는 점에서, 본 발명의 경제적인 효과는 매우 크다.In addition, the existing prediction method is insufficient correction function, the present invention has a correction function that can modify the prediction process with only a short time data when a new high concentration ozone case that does not correspond to the high concentration ozone case of the past Therefore, not only can the present invention be used in the long term, but the economic effect of the present invention is very large in that the data on which the prediction is based can be easily obtained from the surroundings.
Claims (7)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-2001-0011719A KR100417290B1 (en) | 2001-03-07 | 2001-03-07 | An ozone forecasting method by using fuzzy expert system and neural network system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR10-2001-0011719A KR100417290B1 (en) | 2001-03-07 | 2001-03-07 | An ozone forecasting method by using fuzzy expert system and neural network system |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20020071588A KR20020071588A (en) | 2002-09-13 |
| KR100417290B1 true KR100417290B1 (en) | 2004-02-05 |
Family
ID=27696654
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR10-2001-0011719A KR100417290B1 (en) | 2001-03-07 | 2001-03-07 | An ozone forecasting method by using fuzzy expert system and neural network system |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR100417290B1 (en) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR950001316A (en) * | 1993-06-15 | 1995-01-03 | 유재환 | Fault Determination Method of Power System Using Neurofuge Network |
| KR960008290A (en) * | 1994-08-18 | 1996-03-22 | 제이 엘. 차스킨 | Integrated sonic leak detection beamforming system |
-
2001
- 2001-03-07 KR KR10-2001-0011719A patent/KR100417290B1/en not_active IP Right Cessation
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR950001316A (en) * | 1993-06-15 | 1995-01-03 | 유재환 | Fault Determination Method of Power System Using Neurofuge Network |
| KR960008290A (en) * | 1994-08-18 | 1996-03-22 | 제이 엘. 차스킨 | Integrated sonic leak detection beamforming system |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20020071588A (en) | 2002-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tzafestas et al. | Computational intelligence techniques for short-term electric load forecasting | |
| US6975925B1 (en) | Forecasting an energy output of a wind farm | |
| Srinivasan et al. | Machine learning approaches to estimating software development effort | |
| EP1393141B1 (en) | Provision of process related information | |
| Papadakis et al. | A novel approach to short-term load forecasting using fuzzy neural networks | |
| Cheng et al. | Predicting daily ozone concentration maxima using fuzzy time series based on a two-stage linguistic partition method | |
| CN110826237B (en) | Wind power equipment reliability analysis method and device based on Bayesian belief network | |
| US20020010517A1 (en) | System of case-based reasoning for sensor prediction in a technical process, especially in a cement kiln, method and apparatus therefore | |
| CN116776745B (en) | Method and system for predicting pollutant concentration and track movement based on edge calculation | |
| Tomar et al. | Air quality index forecasting using auto-regression models | |
| CN117370813A (en) | Atmospheric pollution deep learning prediction method based on K line pattern matching algorithm | |
| KR100417290B1 (en) | An ozone forecasting method by using fuzzy expert system and neural network system | |
| CN110852496A (en) | Natural gas load prediction method based on LSTM recurrent neural network | |
| Mascali et al. | A machine learning-based Anomaly Detection Framework for building electricity consumption data | |
| KR102646061B1 (en) | Demand forecasting method using ai-based model selector algorithm | |
| Žunić et al. | Cluster-based analysis and time-series prediction model for reducing the number of traffic accidents | |
| Mbuli et al. | Root causes analysis and fault prediction in intelligent transportation systems: coupling unsupervised and supervised learning techniques | |
| CN113723670A (en) | Photovoltaic power generation power short-term prediction method with variable time window | |
| CN117630758B (en) | Method and system for monitoring health state of power station transformer | |
| Panneerselvam et al. | ACBiGRU-DAO: attention convolutional bidirectional gated recurrent unit-based dynamic arithmetic optimization for air quality prediction | |
| CN117495109B (en) | Power stealing user identification system based on neural network | |
| CN117477648B (en) | Wind power equipment modeling and performance evaluation method based on digital twin technology | |
| Terzi | Monthly river flow forecasting by data mining process | |
| CN118037346A (en) | Marketing strategy response prediction method and system based on LSTM algorithm | |
| Meenachi et al. | Machine Learning-Based Rainfall Prediction for Various Regions |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20071105 Year of fee payment: 5 |
|
| LAPS | Lapse due to unpaid annual fee |