KR101610595B1 - Expedient Storm Surges Prediction System and Method - Google Patents
Expedient Storm Surges Prediction System and Method Download PDFInfo
- Publication number
- KR101610595B1 KR101610595B1 KR1020150100908A KR20150100908A KR101610595B1 KR 101610595 B1 KR101610595 B1 KR 101610595B1 KR 1020150100908 A KR1020150100908 A KR 1020150100908A KR 20150100908 A KR20150100908 A KR 20150100908A KR 101610595 B1 KR101610595 B1 KR 101610595B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- learning
- prediction
- model
- unit
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G06F17/60—
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Engineering & Computer Science (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
본 발명은 신속한 폭풍해일 예측 시스템 및 그 방법에 관한 것으로, 특히 폭풍해일 피해를 최소화하기 위해 해안의 해일고를 사전에 예측하는 폭풍해일 예측 시스템 및 그 방법에 관한 것이다.The present invention relates to a rapid storm tsunami prediction system and method, and more particularly, to a storm tsunami prediction system and method for predicting coastal tsunami in order to minimize storm surge damage.
최근 전지구적 지구온난화 및 기상이변에 따라, 태풍에 의한 폭풍 해일의 피해 규모가 증가하고 있다. 특히, 해안에 위치한 도시들은 태풍으로 인한 해일 발생시 위험에 노출되어 있고 그 피해 또한 매우 크다. 태풍에 의한 피해는 크나, 태풍에 의한 해일 발생시 피해범위 및 대상지역, 침수심을 예측하는 것은 어려운 상황이다. Due to recent global warming and weather changes, storm surge damage caused by typhoons is increasing. In particular, coastal cities are exposed to tsunami-related tsunami hazards and the damage is also very large. The damage caused by the typhoon is large, but it is difficult to predict the damage range, the target area, and the flooding depth when a tsunami occurs.
일반적으로 태풍에 의해 발생하는 해일고는 지금까지 주로 사후 평가를 통해 피해가 발생한 지역에서 산정하는 것이 일반적이었으며, 발생한 태풍의 경로, 중심기압, 최대풍반경 등의 기상조건은 매우 다양하고 급변한다.Generally, tidal currents generated by typhoons have been calculated mainly in areas where damage has been done through post evaluation, and the weather conditions such as the path of the typhoon, the central pressure, and the maximum wind radius vary greatly.
또한, 태풍의 내습시 해일을 예측하는 시스템 및 과거 발생한 태풍으로 인한 해일고 데이터베이스도 충분치 못해 긴급하게 해일피해 대책을 위한 본연의 기능을 발휘하지 못하고 있는 실정이다.In addition, a system for predicting tsunamis during storm surges and a database of tsunami caused by typhoons that have occurred in the past are not sufficient, so they are not able to exert their original functions for urgent tsunami countermeasures.
그에 따라 수치실험을 통해 태풍의 강도와 빈도 그리고 폭풍 해일의 강도를 예측하는 연구가 많이 이루어지고 있다. 기존의 데이터를 이용하여 수치모델을 구축하고 이를 바탕으로 해일고를 예측하는 연구가 많이 시행되고 있으나, 기존의 수치모델은 정확성과 신속성을 동시에 만족하지 못하는 문제점이 있다. Numerical experiments have been conducted to predict the intensity and frequency of typhoons and the intensity of storm surges. Numerical models have been constructed using existing data and many studies have been conducted to predict the tidal currents based on them. However, existing numerical models are not able to satisfy both accuracy and speed simultaneously.
특히 신속한 폭풍해일 예측에는 해외에서 개발된 수치모델의 적용이 가능하나 한국적 상황에 적합하지 않거나 예측결과의 정확도가 낮은 문제점이 여전히 있다. Especially, it is possible to apply the developed numerical model to the rapid storm surge prediction, but it is not suitable for the Korean situation or the accuracy of the prediction result is low.
한편, 정확도를 향상시키는 경우, 계산 비용이 크고, 데이터를 처리하는 과정에 많은 시간이 소요되어, 급변하는 상황에서 신속한 예측이 불가능하여 다양한 예측진로를 반영할 수 없는 문제점이 있었다. On the other hand, when the accuracy is improved, there is a problem that the calculation cost is large and the process of processing the data takes a lot of time.
또한, 새로운 데이터를 수치모델에 즉각 반영하여 새로운 예측모델을 구축해야 결과의 정확도가 향상될 수 있으나, 새로운 데이터를 적용하는데 오랜시간이 소요되므로 변화하는 상황에 대응할 수 없는 문제점이 있다.
In addition, although the accuracy of the result can be improved by newly reflecting the new data to the numerical model and building a new prediction model, it takes a long time to apply the new data, and thus it can not cope with the changing situation.
본 발명의 목적은 폭풍해일 예측 시스템 및 그 방법에 있어서, 신속하고 정확하게 폭풍 해일을 예측하고, 최신 데이터를 적용하여 예측모델을 업데이트 함으로써 예측 결과의 정확도를 향상시켜, 피해를 사전에 예방할 수 잇는 폭풍해일 예측 시스템 및 그 방법을 제공하는데 있다. It is an object of the present invention to provide a storm tsunami prediction system and a storm tsunami prediction system that can predict a storm tsunami quickly and accurately and apply a latest data to update a prediction model to improve the accuracy of a prediction result, And to provide a tsunami prediction system and method therefor.
본 발명에 따른 폭풍해일 예측 시스템은, 태풍의 기상변수, 해상변수, 그리고 관측데이터가 저장되는 데이터베이스(DB), 상기 데이터베이스에 저장된 태풍의 기상변수와 해상변수를 이용하여 초기 예측모델을 생성하고, 상기 초기 예측모델에 대한 반복학습을 통해 예측모델을 생성하는 예측모델생성부, 상기 예측모델생성부로부터 생성된 예측모델을 이용하여, 입력되는 기상데이터에 대한 예측결과를 생성하는 예측결과생성부 및 상기 예측결과를 출력하는 출력부를 포함하고, 상기 예측모델생성부는, 입력층, 은닉층 및 출력층으로 구성된 다층구조의 피드포워드(feedforward) 방식으로 상기 초기 예측모델을 생성하는 모델구축부 및 상기 초기 예측모델의 결과값의 오차가 감소하도록 출력값으로부터 역으로 상기 초기 예측모델의 계층별 가중치와 편의값을 갱신함으로써 상기 초기 예측모델을 수정하여 상기 예측모델을 생성하는 학습부를 포함한다. The storm tsunami prediction system according to the present invention includes a database (DB) for storing weather variables, sea parameters, and observation data of a typhoon, an initial prediction model using weather variables and sea parameters stored in the database, A predicted model generating unit for generating a predictive model by repeatedly learning the initial predictive model, a prediction result generation unit for generating a predictive result for input weather data using the predictive model generated from the predictive model generation unit, Wherein the prediction model generating unit includes a model building unit that generates the initial prediction model in a feedforward manner of a multi-layer structure including an input layer, a hidden layer, and an output layer, The weight of the initial prediction model of the initial prediction model and the weight By updating the value by modifying the initial prediction model includes a learning for generating the prediction model.
또한, 상기 예측모델생성부는 신경망네트워크를 구축하여, 신경개수를 변경하면서 상기 초기 예측모델에 대한 반복적인 학습을 통해 상기 예측모델을 생성할 수 있다. In addition, the prediction model generation unit may construct the neural network and generate the prediction model through iterative learning on the initial prediction model while changing the number of neurons.
또한, 상기 예측모델생성부는 새로운 데이터가 발생하는 경우, 상기 새로운 데이터를 적용하여 기 생성된 예측모델을 업데이트하거나 또는 새로운 예측모델을 생성할 수 있다. In addition, when new data is generated, the prediction model generation unit may update the previously generated prediction model by applying the new data, or may generate a new prediction model.
또한, 상기 태풍의 기상변수는 위도, 경도, 중심기압, 진행방향, 진행속도, 최대풍반경이고, 상기 태풍의 해상변수는 수위(water level), 파랑(waves, 파고와 주기), 조석, 조류 중 어느 하나일 수 있다. In addition, the weather variables of the typhoon are latitude, longitude, center pressure, direction of progress, speed of progress, maximum wind radius, and the sea level variable of the typhoon is water level, waves, . ≪ / RTI >
또한, 통신모듈; 및 데이터의 입출력을 제어하는 제어부를 더 포함하고, 상기 제어부는 상기 예측결과가 상기 출력부를 통해 출력되도록 제어하고, 상기 통신모듈을 통해 외부의 단말 또는 재난경고시스템으로 전송되도록 할 수 있다. Also, a communication module; And a control unit for controlling input / output of data, and the control unit controls the output of the prediction result through the output unit and transmits the result to an external terminal or a disaster warning system through the communication module.
또한, 상기 모델구축부는 상기 은닉층에 대하여 상기 입력층의 입력변수의 개수를 기준으로 2배수 내지 3배수가 되도록 신경개수를 설정하고, 상기 은닉층과 상기 출력층에 각각 가중치(Weighting, W)와 편의(bias, b)를 적용하여 상기 초기 예측모델을 생성할 수 있다. The model building unit may set a number of neurons so that the number of neurons is two to three times the number of input variables of the input layer for the hidden layer, and weighting (W) and convenience (W) for the hidden layer and the output layer, bias, b) may be applied to generate the initial prediction model.
또한, 상기 학습부는 상기 데이터베이스에 저장된 데이터를, 소정 비율에 따라 임의분할 방식으로, 학습자료, 검증자료, 테스트자료로 분할하여 학습 및 검증에 사용하고, 상기 학습자료, 검증자료, 및 상기 테스트자료는 중복되지 않고 독립성이 유지되도록 할 수 있다. The learning unit divides the data stored in the database into learning data, verification data, and test data in an arbitrary division manner according to a predetermined ratio, and uses the data for learning and verification. The learning data, the verification data, So that the independence can be maintained without overlapping.
또한, 상기 학습부는 학습 도중, 결과값이 목표값을 만족하는 경우 학습을 종료하고, 결과가 상관계수를 만족하지 않는 경우에는 신경개수의 수를 변경하고, 자료분할을 반복하며 학습을 반복 진행할 수 있다. In addition, the learning unit terminates the learning when the result value satisfies the target value during the learning, and changes the number of the neural numbers when the result does not satisfy the correlation coefficient, repeats the data division and repeats the learning have.
또한, 상기 학습부는 상기 학습자료를 바탕으로 상기 예측모델에 대한 학습을 반복하고, 상기 학습자료로부터 도출된 결과가 목표값을 만족하는 경우, 상기 학습자료에 대한 검증자료 또는 테스트자료를 이용하여, 상기 학습자료에 의해 학습된 예측모델에 대하여 검증할 수 있다. The learning unit may repeat the learning of the predictive model based on the learning data. When the result derived from the learning data satisfies the target value, the learning unit may use the verification data or the test data for the learning data, It is possible to verify the prediction model learned by the learning data.
본 발명의 다른 측면에 따르면, 본 발명에 따른 폭풍해일 예측 시스템의 예측 방법은, 태풍의 기상변수와 해상변수를 이용하여 다층 구조의 초기 예측모델을 생성하는 단계, 데이터를 자료분할하여 상기 초기 예측모델에 대한 반복학습을 통해 상기 초기 예측모델의 계층별 가중치 및 편의를 수정하는 단계, 학습에 의해 수정된 예측모델의 결과값이 목표값을 만족하는 경우 검증자료를 이용하여 상기 수정된 예측모델을 검증 하고, 최종 예측모델로 설정하는 단계, 기상데이터가 입력되면, 상기 예측모델을 적용하여 예측결과를 출력하는 단계를 포함한다. According to another aspect of the present invention, a prediction method of a storm surge prediction system according to the present invention includes the steps of generating an initial prediction model of a multi-layer structure using a weather parameter and a sea parameter of a typhoon, A step of modifying the weight and convenience of each layer of the initial prediction model through an iterative learning on the model, and a step of, if the result of the prediction model corrected by the learning satisfies the target value, And setting the prediction model as a final prediction model; and when the weather data is input, applying the prediction model to output a prediction result.
상기와 같이 구성되는 본 발명에 따른 폭풍해일 예측 시스템 및 방법은, 기존데이터로부터 모델링을 통해 예측모델을 생성하면서 학습을 통해 예측모델에 대한 신뢰성을 향상시키고, 최신 데이터를 적용하여 예측모델을 업데이트 함으로써 변화하는 환경에 맞춰 신속하고 정확한 폭풍해일 예측이 가능하여 폭풍해일로 인한 피해를 사전에 예방하는 효과가 있다.The storm tsunami prediction system and method according to the present invention as described above can improve the reliability of the prediction model through learning while generating a prediction model through modeling from existing data and update the prediction model by applying the latest data Rapid and accurate predictions of storm surges can be made in accordance with the changing environment, thus preventing damage from storm surges in advance.
또한, 실시간으로 변환하는 태풍의 진로 등의 변화에 대응하여 빠른 예측결과를 출력할 수 있고, 시계열 예측결과는 물론 지역별 예측결과를 산출할 수 있다. In addition, it is possible to output a quick prediction result in response to a change in the course of a typhoon or the like, which is converted in real time, and to generate a time-series prediction result as well as a regional prediction result.
또한, 비 전문적인 사용자라도 손쉽게 예측 결과를 확인할 수 있어 급변하는 상황에서 예측 결과를 바탕으로 신속한 의사 결정이 가능하므로 효율성이 크게 향상되는 효과가 있다.
In addition, it is easy for non-professional users to check the prediction result, so it is possible to make a quick decision based on the prediction result in a rapidly changing situation, so that the efficiency is greatly improved.
도 1 은 본 발명에 따른 폭풍해일 예측 시스템의 예측방법에 대한 구상도이다.
도 2 는 본 발명에 따른 폭풍해일 예측 시스템의 구성이 도시된 도이다.
도 3 은 본 발명의 폭풍해일 예측 시스템의 예측모델 생성을 설명하는데 참조되는 도이다.
도 4 은 본 발명의 예측모델 학습에 있어서 학습 및 검증에 따른 그래프가 도시된 도이다.
도 5 는 본 발명에 따른 폭풍해일 예측 시스템의 동작방법이 도시된 흐름도이다.
도 6 은 본 발명에 따른 폭풍해일 예측 시스템의 예측모델 생성 방법이 도시된 흐름도이다.
도 7 는 본 발명에 따른 폭풍해일 예측 시스템의 예측모델 학습방법이 도시된 흐름도이다.
도 8 및 도 9 는 본 발명에 따른 폭풍해일 예측 시스템에서 사용되는 입력변수와 출력값이 도시된 도이다.
도 10은 예측모델에 의해 출력된 지역별 최대 해일고가 도시된 도이다.
도 11은 본 발명의 예측모델에 적용하여 생성된 결과값과 실제 관측된 결과를 비교한 그래프이다.1 is a schematic diagram of a prediction method of a storm surge prediction system according to the present invention.
2 is a diagram illustrating a configuration of a storm surge prediction system according to the present invention.
3 is a diagram referred to explain a prediction model generation of the storm surge prediction system of the present invention.
4 is a graph showing learning and verification in predictive model learning of the present invention.
5 is a flowchart illustrating an operation method of a storm surge prediction system according to the present invention.
FIG. 6 is a flowchart illustrating a prediction model generation method of the storm surge prediction system according to the present invention.
7 is a flowchart illustrating a predictive model learning method of the storm surge prediction system according to the present invention.
8 and 9 are diagrams illustrating input variables and output values used in the storm surge prediction system according to the present invention.
FIG. 10 is a diagram showing the maximum region height value according to the region output by the prediction model.
11 is a graph comparing results obtained by applying the predictive model of the present invention with actual observed results.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.BRIEF DESCRIPTION OF THE DRAWINGS The advantages and features of the present invention, and the manner of achieving them, will be apparent from and elucidated with reference to the embodiments described hereinafter in conjunction with the accompanying drawings. The present invention may, however, be embodied in many different forms and should not be construed as limited to the embodiments set forth herein. Rather, these embodiments are provided so that this disclosure will be thorough and complete, and will fully convey the scope of the invention to those skilled in the art. To fully disclose the scope of the invention to those skilled in the art, and the invention is only defined by the scope of the claims. Like reference numerals refer to like elements throughout the specification.
이하에서는 도면을 참조하여 본 발명의 실시 예에 대해서 구체적으로 설명하기로 한다.Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.
도 1은 본 발명에 따른 폭풍해일 예측 시스템의 예측방법에 대한 구상도이다. 1 is a schematic diagram of a prediction method of a storm surge prediction system according to the present invention.
도1에 도시된 바와 같이, 폭풍 해일을 예상하기 위해서는 가상태풍시나리오(S1)를 바탕으로 수치모델이 생성된다(S2). 또는 과거의 폭풍해일에 대한 기상데이터(S3)과 관측 및 실험데이터(S4)가 구축된다. As shown in FIG. 1, in order to predict a storm surge, a numerical model is generated based on the virtual storm scenario S1 (S2). Or the weather data S3 for the past storm surge and observation and experiment data S4 are constructed.
이렇게 생성되는 태풍의 기상변수는 데이터베이스에 저장되고, 수치모델에 의한 결과로써의 수위와 파랑, 조석과 조류에 대한 데이터는 태풍의 해상변수로써 데이터베이스에 저장된다. The generated weather variables of the typhoon are stored in the database, and the data of the water level, blue, tide and algae as a result of the numerical model are stored in the database as the sea parameters of the typhoon.
본 발명의 폭풍해일 시스템은 이러한 태풍의 기상변수와 해상변수로부터 상호 관련성을 찾아 예측모델을 생성한다(S5).The storm surge system of the present invention generates a predictive model by correlating the weather variables and the sea parameters of the typhoon.
수치모델은 수학적으로 정의된 방정식을 수치적 연산과정을 통해 해를 구하는 것이나, 본 발명의 예측모델은 수학적으로 정의된 방정식을 직접 계산하는 것이 아니라 입력과 출력변수의 상관관계를 통계적으로 분석하여 그 결과를 도출하는 것이다. The numerical model is used to solve a mathematically defined equation by a numerical calculation process. However, the prediction model of the present invention does not directly calculate mathematically defined equations but statistically analyzes the correlation between input and output variables, And to derive the result.
생성된 예측모델에 대하여, 관측 데이터(S3)와 실험데이터(S4)를 바탕으로 실제 측정된 기상데이터를 예측모델에 적용하여, 실제 발생된 태풍에 대한 관측데이터와 예측모델에 의한 결과와 비교함으로써 예측모델을 검증한다(S6).Based on the observed data (S3) and the experimental data (S4), the actually measured weather data is applied to the predicted model, and compared with the observed data for the actually generated typhoon and the result of the predicted model The prediction model is verified (S6).
이때 예측모델이 소정의 오차범위 내에서 결과를 생성하는 경우, 즉 결과 예측에 따른 오차율이 소정조건을 만족하는 경우, 폭풍해일에 대한 예측모델로 사용된다. At this time, when the prediction model generates a result within a predetermined error range, that is, when the error rate according to the result prediction meets a predetermined condition, it is used as a prediction model for the storm surge.
현재 발생된 태풍에 대하여 기상데이터가 입력되고(S7), 예측모델을 바탕으로 예측결과를 생성한다(S8), 예측결과는 일기예보를 생성하거나 재난경보에 사용될 수 있다. The meteorological data is input to the currently generated typhoon (S7), and a prediction result is generated based on the prediction model (S8). The prediction result can be used for generating a weather forecast or for a disaster warning.
이때 앞서 설명한 기상태풍시나리오에는 JPM-OS(Joint Probability Method-Optimal Sampling), 경험모의기법(EST, Empirical Simulation Technique), 빈도분석(FA, Frequency Analysis) 기법이 사용된다. At this time, JPM-OS (Joint Probability Method-Optimal Sampling), Empirical Simulation Technique (EST), and Frequency Analysis (FA) techniques are used for the weather storm scenario described above.
JPM-OS(Joint Probability Method-Optimal Sampling)는 태풍 매개변수의 각 분포를 확률적으로 조합하여 새로운 확률분포를 만들고, 이를 기초하여 최적의 시나리오를 만드는 것이다. 이때 태풍 매개변수는 태풍의 기상변수를 나타내는 것으로, 위도, 경도, 중심기압, 진행속도, 진행방향, 최대풍 반경을 포함한다. 경험모의기법(EST)은 과거에 발생한 태풍 매개변수에 기반하여 특정한 확률분포를 가정하지 않고 통계적으로 시나리오를 생성하는 것이다. 또한, 빈도분석(FA)은 가장 일반적인 통계기법 중에 하나로 과거에 발생한 태풍 매개변수를 특정한 확률분포로 가정하고 이를 기반으로 시나리오를 생성한다. 이 중 JPM-OS가 가장 이론적으로 성숙한 방법이며, 가장 쉽고 일반적인 방법은 FA이다. JPM-OS (Joint Probability Method-Optimal Sampling) creates a new probability distribution by probabilistically combining the angular distributions of the hurricane parameters and creates an optimal scenario based on this. The typhoon parameter is the weather variable of the typhoon. It includes latitude, longitude, central pressure, speed, direction, and maximum wind direction. Empirical simulation technique (EST) is to generate scenarios statistically without assuming a certain probability distribution based on past hurricane parameters. In addition, frequency analysis (FA) is one of the most common statistical techniques, and assumes a certain probability distribution of hurricane parameters that occurred in the past, and creates scenarios based on this. Among these, JPM-OS is the most mature method, and the easiest and most common method is FA.
또한, 수치모델에는, STWAVE+ADCIRC, SWAN+ADCIRC 또는 FVCOM이 사용될 수 있다. Also, for the numerical model, STWAVE + ADCIRC, SWAN + ADCIRC, or FVCOM may be used.
STWAVE+ADCIRC는 파랑(wave)를 계산하는 STWAVE 모델과 수위(water level)를 계산하는 ADCIRC 모델의 결합모델을 의미한다. 여기서 STWAVE는 정상상태 스펙트럼 파랑모델이다. SWAN+ADCIRC도 마찬가지로 SWAN은 파랑모델이고 ADCIRC는 수위 모델이다. 여기서 SWAN은 STWAVE와 유사한 스펙트럼 파랑모델이지만 STWAVE와 차이점은 시간의 변화를 고려할 수 있다는 점에서 차이가 있다. FVCOM은 수위를 계산하는 모델이며 3차원(표면 x-y방향과 수심방향 z방향) 계산이 가능하며, 수위 계산 이외에 조석, 조류, 흐름에 대한 계산도 가능하다.STWAVE + ADCIRC stands for a coupled model of the STWAVE model for calculating the wave and the ADCIRC model for calculating the water level. Where STWAVE is a steady state spectral wave model. Similarly for SWAN + ADCIRC, SWAN is the blue model and ADCIRC is the water level model. Here, SWAN is a spectrum wave model similar to STWAVE, but difference from STWAVE differs in that time variation can be considered. FVCOM is a water level calculation model and it is possible to calculate three dimensions (surface xy direction and direction z direction). In addition to water level calculation, it is possible to calculate tide, algae and flow.
이때, 가상태풍 시나리오의 생성은, 태풍의 진로, 방향, 크기를 결정하는 단계로써, 태풍의 기상변수(매개변수)로 위도, 경도, 중심기압, 진행방향, 진행속도, 최대풍반경이 결정된다.At this time, the generation of the virtual typhoon scenario is a step of determining the course, direction, and size of the typhoon, and latitude, longitude, central pressure, direction of travel, speed of travel, and maximum wind radius are determined by the weather parameters .
가상태풍 시나리오에 의해 생성된 태풍의 기상변수는 수치모델의 입력자료로 사용된다. 수치모델의 결과로써 수위(water level)와 파랑(waves, 파고와 주기)이 생성된다. 그 외에도 조석과 조류를 결과로써 출력할 수 있다. The meteorological variables of the typhoon generated by the virtual typhoon scenario are used as inputs to the numerical model. As a result of the numerical model, water level and waves are generated. In addition, tides and tides can be output as a result.
도 2 는 본 발명에 따른 폭풍해일 예측 시스템의 구성이 도시된 도이다. 2 is a diagram illustrating a configuration of a storm surge prediction system according to the present invention.
도 2 에 도시된 바와 같이, 본 발명에 따른 폭풍해일 예측 시스템은, 데이터베이스(140), 데이터부(150), 출력부(160), 예측모델생성부(110), 예측결과생성부(130), 그리고 동작 전반을 제어하는 제어부(120)를 포함한다. 2, the storm surge prediction system according to the present invention includes a
데이터베이스(140)는 관측데이터(143)가 저장되고, 또한 가상시나리오 및 수치모델에 대한 데이터가 저장된다. 또한, 데이터베이스(140)에는 수집되는 새로운 기상데이터가 저장된다. The
이때, 데이터베이스(140)에는 앞서 설명한 바와 같이, 가상 시나리오에 의한 태풍의 기상변수(141)가 저장되며, 수치모델에 의한 태풍의 해상변수(142)가 저장된다. 태풍의 기상변수는 위도, 경도, 중심기압, 진행방향, 진행속도, 최대풍 반경이고, 태풍의 해상변수는 수위(water level)와 파랑(waves, 파고와 주기), 조석과 조류이다. At this time, as described above, the
또한, 데이터베이스(140)에는 폭풍해일 예측 시스템에서 생성되는 예측모델에 대한 데이터가 저장된다. In addition, the
데이터부(150)는 예측모델생성부(110) 및 예측결과생성부(130)의 동작 중 발생, 측정, 또는 연산되는 데이터가 저장된다. 또한 제어부(120)에 의한 데이터가 저장되며, 예측모델 생성에 참조되는 데이터가 저장된다. The
출력부(160)는 폭풍해일 예측 시스템의 동작상태를 화면에 출력하고, 데이터베이스(140)에 저장되는 데이터의 출력하고, 입력되는 기상데이터에 대응하여 예측모델에 의해 생성되는 예측결과를 출력하며, 생성되는 예측모델에 대한 정보 또한 출력할 수 있다. The
출력부(160)는 문자, 숫자, 또는 이미지를 표시하는 적어도 하나의 디스플레이수단을 포함한다. 또한 출력부(160)는 소정의 경고음 또는 효과음을 출력하는 스피커를 포함한다. 출력부(160)는 데이터베이스(140)의 데이터 및 예측결과를 GUI기반의 화면을 구성하여 출력한다. The
예측모델생성부(110)는 데이터베이스(140)에 저장된 태풍의 기상변수(141)와 해상변수(142)를 바탕으로 폭풍해일에 대한 예측모델을 생성한다. The prediction
예측모델생성부(110)는 신경망네트워크를 이용하여 데이터베이스(140)에 저장된 데이터를 바탕으로 반복적으로 학습하여 예측모델을 생성하고 이를 테스트하여 그 결과를 바탕으로 최적의 예측모델을 선정한다. The predictive
예측모델생성부(110)는 학습의 과정에서 반복하여 변수를 변경하고, 신경개수를 변경하여 학습을 수행함은 물론, 기존의 데이터를 다양한 방법으로 분할하여 예측모델에 적용하여 테스트한다. The predictive
또한, 예측모델생성부(110)는 새로운 데이터가 발생하는 경우, 새로운 데이터를 적용하여, 기 생성된 예측모델을 업데이트하거나 새로운 예측모델을 생성한다. 이렇게 생성되는 예측모델은 다음 폭풍해일 예측에 사용된다. In addition, when new data is generated, the predictive
예측결과생성부(130)는 예측모델생성부(110)에 의해 생성되는 예측모델에 기상데이터를 입력하여, 폭풍 해일의 예상 진로 또는 해일고를 예측 결과로써 생성한다. The prediction
예측결과생성부(130)는 설정에 따라, 기상데이터를 바탕으로 시간의 변화에 따른 해일고를 예측결과로 생성하고, 또한, 위치에 따른 최대해일고를 예측하여 결과를 생성할 수 있다. 즉 태풍 발생 시, 그에 대한 기상데이터가 입력되면 예측결과생성부(130)는 예측모델생성부(130)에 의해 생성된 예측모델을 바탕으로 예측결과를 생성하여 제어부(120)로 입력한다. Based on the weather data, the prediction
제어부(120)는 시스템내의 데이터의 입력과 출력을 제어하고, 각 부가 소정의 동작을 수행하도록 제어명령을 인가한다. 이때 제어부(120)는 별도의 입력수단을 통해 명령을 입력받고, 구비되는 통신모듈을 통해 데이터를 송수신할 수 있다. The
제어부(120)는 데이터베이스(140) 및 데이터부(150)에 데이터가 저장되도록제어하고, 또한 저장된 데이터를 호출하여 예측모델생성부(110) 및 예측결과생성부(130)로 입력되도록 한다. The
제어부(120)는 예측모델 생성명령이 입력되는 경우, 또는 기 생성된 예측모델이 존재하지 않는 경우, 새로운 데이터가 존재하는 경우 중 적어도 하나에 대하여 예측모델생성부(110)로 제어명령을 인가하여 새로운 예측모델을 생성하거나, 기 생성된 예측모델을 업데이트 하도록 한다. The
제어부(120)는 폭풍해일에 대한 예측명령이 입력되는 경우, 입력되는 기상데이터를 예측결과생성부(130)로 인가하고 예측결과생성부(130)가 동작하도록 제어한다. When a prediction command for a storm surge is inputted, the
제어부(120)는 예측결과생성부(130)로부터 예측모델을 바탕으로 하는 예측결과가 생성되면, 이를 데이터부(150) 또는 데이터베이스(140)에 저장하고 출력부(160)를 통해 출력한다. 제어부(110)는 예측결과가 GUI기반의 화면으로 구성하여 출력부를 통해 출력되도록 한다. The
또한 제어부(120)는 통신모듈을 통해 예측결과를 외부의 기기의 전송할 수 있고, 시스템과 연결되는 재난경고시스템 또는 지정된 단말로 예측결과 또는 경고를 전송할 수 있다. Also, the
도 3 은 본 발명의 폭풍해일 예측 시스템의 예측모델 생성을 설명하는데 참조되는 도이고, 도 4 는 본 발명의 예측모델 학습에 있어서 학습 및 검증에 따른 그래프가 도시된 도이다.FIG. 3 is a diagram for explaining generation of a prediction model of the storm surge prediction system of the present invention, and FIG. 4 is a graph showing learning and verification in prediction model learning of the present invention.
예측모델생성부(110)는 데이터베이스(140)에 저장된 태풍 기상변수와 해상변수를 바탕으로 예측모델을 생성한다. 즉 예측모델생성부(110)는 기존의 가상시나리오 및 수치모델에 의해 생성된 태풍의 기상변수와 해상변수를 분석하여 그 관계성에 따라 함수를 설정하여 예측모델을 생성한다. The prediction
예측모델생성부(110)는 가상 시나리오와 수치모델에 의한 결과데이터를 분석하여 통계적으로 예측모델을 구축하므로 단시간에 예측모델을 생성할 수 있고 새로운 데이터가 발생하더라도 적용하여 예측모델을 변경할 수 있다. The predictive
예측모델생성부(110)는 모델구축부(111), 학습부(112)를 포함한다. The predictive
모델구축부(111)는 도 3에 도시된 바와 같이, 입력에 대하여 다층 구조의 연산을 통해 결과가 도출되도록 초기 예측모델을 구축한다. As shown in FIG. 3, the
학습부(112)는 데이터베이스(140)에 저장된 데이터를 분할하여 초기 예측모델에 적용함으로써 그 결과의 정확도를 분석한다. 이때, 학습부(112)는 데이터를 변경하여 적용함은 물론 초기 예측모델의 레이어의 변수값을 변경하면서 기 저장된 데이터의 결과값에 근접하도록 예측모델을 수정 및 변경한다. The
학습부(112)는 소정 횟수 이상 데이터와 변수를 조정하면서 조건을 만족하는 결과가 출력되도록 반복하여 예측모델을 변경한다. 이때 학습부(112)는 과거의 데이터를 이용하는 것이므로, 이미 정해져 있는 입력에 대한 결과 데이터를 바탕으로, 중간과정의 레이어에 포함되는 변수값을 최적화하여 예측모델을 생성한다. The
또한, 학습부(112)는 조정 변경된 예측모델에 대하여 그 결과값이 소정조건을 만족하는지 여부를 테스트 한다. 학습부(112)는 결과에 대하여 최고의 결과가 생성되는 예측모델을 최종 예측모델로 설정한다. 이렇게 결정된 예측모델이 예측결과생성부(130)에 의해 실제 예측결과를 생성하는데 사용된다. Further, the
이때 모델구축부(111)는 다층(multilayer) 피드포워드(feedforward) 방식으로 예측모델을 구축한다. At this time, the
모델구축부(111)는 6개의 입력변수, 위도, 경도, 중심기압, 진행속도, 진행방향, 최대풍반경을 입력층(210)으로 하고, 그에 대한 출력층(230)으로 시계열 폭풍해일고(dynamic model) 또는 최대 해일고(static model)가 출력되도록 한다. The
모델구축부(111)는 입력층(210)과 출력층(230) 사이에, 학습과정에서 변경되는 계층인 은닉층(Hidden Layer)(220)을 구축하여, 학습을 통해 예측의 정확도가 향상되도록 한다. The
모델구축부(111)는 은닉층(220)에 대하여, 소정 수의 신경개수를 설정하고, 각각 가중치(Weighting, W)(W1)와 편의(bias, b)(b1)가 적용하여 입력되는 변수에 대한 중간값을 산출하고, 중간값은 출력층(230)으로 입력되어 결과값을 출력한다. 모델구축부(111)는 은닉층(220)은 물론 출력층(230)에도 중간값에 대하여 각각 가중치(W2)와 편의(b2)가 적용하여 연산을 수행한다. The
이때, 모델구축부(111)는 초기 예측모델에서 은닉층(220)의 신경개수를 16개로 설정한다. 은닉층(220)의 신경개수는 출력층(230)에서의 결과가 허용기준인 상관계수를 만족하는지 여부에 따라 변경된다. 학습부(112)의 학습과정에서 신경개수는 16개를 시작으로 최대 25까지 변경될 수 있다.At this time, the
모델구축부(111)는 입력층(210)에서 6개의 변수를 사용하므로, 변수의 2~3배를 적용하여 신경개수를 설정할 수 있다. Since the
학습부(112)는 Levenberg-Marquardt (backpropagation) 알고리즘에 따라 예측모델에 대하여 학습한다. 이때 학습부(112)는 저장된 데이터를 분할하여 학습을 반복하고, 또한 은닉층(220)의 신경개수를 변경하면서 학습을 반복한다. The
학습부(112)는 학습 도중, 결과가 허용기준인 상관계수를 만족하는 경우 학습을 종료하고, 결과가 상관계수를 만족하지 않는 경우에는 신경개수의 수를 변경하고, 자료분할을 반복하며 학습을 반복 진행한다. The
이때, 학습부(112)는 신경개수 16개에서 허용기준을 만족하지 않으면 순차적으로 1개씩 신경개수를 늘려가면서 재 학습한다. 그 과정에서 학습부(112)는 자료분할 역시 반복한다. At this time, if the number of neurons does not satisfy the acceptance criterion, the
학습부(112)는 신경개수 상한값인 25개에서도 허용기준을 만족하지 않는다면 허용기준을 하향 조정하고, 신경개수는 초기화되어 16개부터 다시 시작된다. The
학습부(112)는 자료를 분할하여 사용하는데, 이러한 자료분할을 수회 반복하여 결과가 상관계수를 만족할때까지 학습을 반복하여 진행한다.The
예를 들어 학습부(112)는 데이터의 70%는 학습에, 15%는 검증에 사용하며 15는 테스트에서 사용되도록 한다. 이때 학습과 검증 그리고 테스트에서 사용되는 데이터는 중복되지 않도록 하여 상호 독립성을 보장하도록 자료를 분할한다. For example, the
이때, 데이터를 100% 학습에 사용하게 되면, 학습된 예측모델을 검증할 데이터가 존재하지 않으므로 앞서 설명한 바와 같이 자료를 분할하여 학습하고 이를 검증하는데 사용한다. 앞서 설명한 자료분할의 비율은 일 예로, 변경될 수 있다. At this time, if the data is used for 100% learning, there is no data to verify the learned prediction model. Therefore, the data is divided and used for learning as described above. The percentage of data splitting described above can be changed, for example.
학습부(112)는 자료 분할에 있어서, 임의방식(randomly selected)을 사용한다. 만약 임의방식이 아닌 특정 규칙에 의해 자료를 선택한다면 규칙에 의해 인위적인 경향이 강하게 작용하게 되므로, 예측모델 또한, 편향될 수 있기 때문이다. The
학습부(112)는 20번의 임의분할을 수행하며, 매번 분할된 자료는 학습과 보정 및 검증에 사용되고 학습된 네트워크는 허용기준 판정을 받는다. 허용기준을 만족하지 못하면 최대 20번까지 임의분할을 반복적으로 수행한다. The
이때, 학습부(112)는 은닉층(220)의 16개의 신경개수에 대하여 20번의 자료분할을 수행하여 학습하고, 신경개수가 변경되면 변경된 신경개수에 대해서는 20번의 자료분할을 수행하여 학습한다. At this time, the
즉 신경개수가 16에서 25까지 순차적으로 증가하는 경우, 각각 20회씩 총 10번의 학습을 수행하므로, 학습부(112)는 200회의 학습을 수행하게 된다. 신경개수 또는 자료분할 횟수가 변경되면 학습부(112)의 학습 횟수 또한 변경된다. That is, when the number of neurons sequentially increases from 16 to 25, the
학습부(112)는 피드포워드(순행공급)으로 구성된 초기 예측모델에 대하여, 역으로 출력층(230)으로부터 은닉층(22) 순으로 학습을 수행한다. The
학습부(112)는 입력층(210)의 입력변수에 대하여, 은닉층(220)과 출력층(230)의 가중치(weights)와 편의(bias)를 여러 번 곱하고 더하는 일련의 연산과정을 반복하여 출력을 결정한다. The
이때, 입력층의 입력변수에 대한 결과값은 이미 정해진 값으로, 예측모델에서 계산된 출력은 최초 설정된 출력, 즉 데이터로써 존재하는 출력과 상이하므로, 학습부(112)는 출력의 오차를 최소화하기 위해 학습을 반복한다. 학습부(112)는 역전파 알고리즘을 사용함으로써, 학습이 반복됨에 따라 출력층(230)의 가중치와 편의가 갱신되고 그 다음 은닉층(220)의 가중치와 편의가 갱신되도록 한다. Since the output value of the input variable of the input layer is a predetermined value and the output calculated by the predictive model differs from the output that is present as the initially set output, i.e., data, the
학습부(112)는 신경개수와 자료분할을 반복함에 따라 최대 200번(epoch)까지 학습을 반복한다. The
학습부(112)는 계산된 출력과 목표출력 사이의 상관계수가 초기 상관계수 보다 클 때까지 학습과정을 반복한다. 예를 들어 학습부(112)는 초기 예측모델에서 초기 상관계수로 0.995를 설정하였으며, 각 시간에서 200번 반복계산을 수행하여 초기 상관계수와 비교된다. 앞서 설명한 바와 같이 신경개수 10과 자료분할 20번이므로 200회가 된다. 이때, 200번째까지 계산된 상관계수가 초기 상관계수보다 작으면, 학습부(112)는 초기 상관계수를 -0.001씩 줄여 재설정하고 학습과정을 처음부터 다시 수행한다. The
학습부(112)는 매 학습과정에서 목표 허용기준을 만족하는 예측모델을, 매 시간별 또는 지역별로 저장한다. 시간별 예측모델은 시계열을 예측하는 dynamic model이고, 지역별 예측모델은 최대값만 계산하는 static model이다. The
또한, 학습부(112)는 200번 이내에, 결과에 대한 평균제곱오차(mean square error)가 크게 변경되지 않는 경우, 더 이상 학습을 반복하지 않고 중지한다. 이때 학습부(112)는 자료분할 된 검증자료(validation)와, 테스트자료를 통해 현재 예측모델에 대하여 검증한다. In addition, if the mean square error of the result is not significantly changed within 200 times, the
학습부(112)는 검증자료에 의한 결과를 학습자료에 대한 결과와 비교하여 학습을 계속 수행할지 또는 중지할 지 여부를 판단한다. 학습부(112)는 검증자료에 의한 결과를 바탕으로 학습을 중지한다. The
이때 학습부(112)는 앞서 설명한 바와 같이 결과에 대한 평균제곱오차가 크게 변경되지 않는 경우 학습을 중지하되, 중지되는 시점을 기준으로 기본 횟수인 6회의 학습을 더 진행한다. At this time, as described above, the
예를 들어 도 4에 도시된 바와 같이, 27번째 학습에서, 평균제곱오차의 범위가 크게 변경되지 않는 다고 판단하여 학습을 중지하는 경우 최소 횟수인 6회를 더 수행하여 33회까지 수행한 후, 27번째 학습에 대한 검증자료로부터 33번째 학습에 대한 검증자료에 대하여 검증결과에 대한 평균제곱오차를 각각 연산한다. For example, as shown in FIG. 4, in the 27th learning, when it is determined that the range of the mean square error does not change greatly and the learning is stopped, the minimum number of times is further increased to 6 times, From the verification data for the 27th learning, the mean square error for the verification result is calculated for the verification data for the 33rd learning.
즉 검증을 위한 기본 횟수가 6회로, 학습의 중지 여부를 판단하는 시점을 기준으로 최소 6회의 학습을 더 진행한 후에 해당 학습에 대하여 분할된 검증자료를 이용하여 검증을 수행하는 것이다. In other words, the basic number of times for verification is 6, and the learning is performed at least six times based on the time when the learning is stopped, and then the verification is performed using the divided verification data for the learning.
27번째부터 33번째에 대한 검증자료에 대한 결과로부터, 27번째 검증에 대한 오차로부터 33번째까지의 검증에 대한 오차 중 어느 하나라도 27번째 검증에 대한 오차보다 낮은 값이 없는 경우 학습은 중지되고, 27번째 학습의 결과를 최고성능의 값으로 설정한다. From the results for the 27th to 33rd validation data, if any of the errors for the 27th validation to the 33rd validation is not lower than the error for the 27th validation, The result of the 27th learning is set to the highest performance value.
그에 따라 학습부(112)는 학습을 중지하고, 27번째 학습에 대한 예측모델을 최적의 예측모델로 설정한다. Accordingly, the
한편, 29번째 검증자료에 대한 결과가 더 낮은 오차를 가질 때 에는 29번째를 기준으로 6회의 검증을 수행한다. 즉 29번째부터 35번째까지의 검증자료에 대한 결과를 바탕으로 최고 성능의 값을 설정한다. On the other hand, when the result for the 29th verification data has a lower error, 6 times verification is performed based on the 29th verification data. That is, the highest performance value is set based on the results of the 29th to 35th verification data.
이때, 학습자료에 의한 결과의 오차가, 검증자료에 대한 결과의 오차보다 낮은 값을 갖는다. 예를 들어 학습자료가 70일 때, 검증자료를 15이므로, 학습에 의한 결과는 70개의 자료를 바탕으로 하는 것이고 검증에 의한 결과는 15개의 자료를 바탕으로 하는 것이므로, 학습의 결과에 대한 평균제곱오차가, 검증에 의한 결과의 평균제곱오차보다 낮게, 즉 성능이 좋게 나타난다. At this time, the error of the result by the learning data is lower than the error of the result of the verification data. For example, when the learning data is 70, the verification result is 15, so the result of the learning is based on 70 data, and the result of the verification is based on 15 data. Therefore, The error is lower than the mean square error of the result of the verification, that is, the performance is good.
이때, 학습부(112)는 예측모델에 대한 검증 시, 데이터베이스 이외의 자료를 바탕으로 추가 검증을 수행할 수 있다. 또한, 테스트자료를 바탕으로 예측모델을 테스트 할 수 있다. At this time, the
학습부(112)에 의해 최적의 예측모델이 설정되면, 제어부(120)는 해당 예측모델을 바탕으로 폭풍해일에 대한 예측을 수행하도록 한다. 제어부(120)는 태풍 예측 명령이 입력되면, 예측결과생성부(130)로 제어명령을 입력하여, 학습부(112)에 의해 설정된 예측모델을 바탕으로 태풍에 대한 예측이 수행되도록 한다. When the optimal prediction model is set by the
예측결과생성부(130)는 예측모델을 바탕으로, 입력되는 기상데이터를 이용하여 태풍의 시계열 해일고 또는 지역별 최고 해일고를 예측결과로써 출력한다. Based on the prediction model, the prediction
이때 예측결과생성부(130)는 시계열 해일고 예측 시, 결과에 대하여 필터링을 수행한다. 필터링은 시계열 예측인 Dynamic model에만 적용된다. At this time, the prediction
시간에서 계산된 해일고값은 그 이전 또는 그 이후 시간과의 상관성이 고려되지 않으므로, 예측결과가 큰 변동성을 가질 때 적절한 값을 선택할 수 없는 문제가 있다. 그에 따라 예측결과생성부(130)는 필터링을 통해 큰 변동성을 갖는 값은 배제하고 예측결과를 생성한다. 이때 예측결과생성부(130)는 moving average와 Savitzky-Golay 필터를 사용하여 필터링을 수행할 수 있다. There is a problem in that an appropriate value can not be selected when the prediction result has large variability because the correlation value with time before or after the calculation is not considered. Accordingly, the prediction
제어부(110)는 출력되는 예측결과를 출력부(160)를 통해 출력한다. The
도 5 는 본 발명에 따른 폭풍해일 예측 시스템의 동작방법이 도시된 흐름도이다. 5 is a flowchart illustrating an operation method of a storm surge prediction system according to the present invention.
도 5에 도시된 바와 같이, 제어부(110)는 예측모델 생성에 따른 명령이 입력되면 예측모델생성부(110)로 제어명령을 입력한다. 5, the
예측모델생성부(110)는 데이터베이스(140)에 저장된 태풍의 기상변수와 해상변수를 입력받아 예측모델을 생성한다(S310). The predictive
이때, 예측모델생성부(110)의 모델구축부(111)는 입력층(210), 은닉층(220), 출력층(230)의 다층 구조의 예측모델을 구축하고, 은닉층(220)에 대한 신경개수를 설정한다(S320). At this time, the
모델구축부(111)는 입력변수로써 태풍의 기상변수인 위도, 경도, 중심기압, 진행방향, 진행속도, 최대풍반경을 사용한다. 이때 입력변수가 6개 이므로 모델구축부(111)는 2-4배로 신경개수를 설정한다. 예를 들어 모델구축부(111)는 16을 기본으로 신경개수를 설정하되, 25까지 변경되도록 한다. The
학습부(112)는 데이터베이스(140)에 저장된 데이터를 자료분할한 후(S330), 학습자료를 이용하여 모델구축부(111)에 의해 설정된 초기 예측모델에 대하여, 학습을 수행한다(S340).The
학습 중, 학습자료에 대한 결과에 대하여, 그 오차가 목표값을 만족하는 경우(S350), 즉 결과에 대한 오차가 허용기준인 상관계수를 만족하는 경우, 학습부(112)는 학습을 종료한다. If the error satisfies the target value during the learning (S350), that is, if the error of the result satisfies the correlation coefficient, which is the allowable standard, the
학습부(112)는 결과에 대한 오차가 목표값을 만족하지 않은 경우 위와 같은 자료분할과 신경개수의 변경을 통해 학습을 반복하면서 최대 200회의 학습을 수행한다. 이때 200회의 학습을 통해서도 결과의 오차가 목표값을 만족하지 않는 경우에는 목표값을 변경한 후 학습을 다시 수행한다. If the error of the result does not satisfy the target value, the
학습부(112)는 학습이 종료되면, 최적의 성능을 나타내는 예측모델, 즉 결과에 대하 오차가 낮은 예측모델을 최종 예측모델로 설정한다(S360).When the learning is completed, the
제어부(110)는 예측모델생성부(110)에 의해 최종 예측모델이 설정되면, 그에 대한 정보를 데이터부(150) 및 데이터베이스(140)에 저장한다. The
제어부(110)는 기상데이터의 입력과 함께 태풍 해일고에 대한 예측 명령이 입력되면(S370), 예측결과생성부(130)로 제어명령을 인가한다. The
예측결과생성부(130)는 예측모델을 이용하여, 입력된 기상데이터에 대한 예측결과를 생성한다(S380). 예측결과생성부(130)는 다이나믹 모델, 또는 고정모델인지 여부에 따라, 태풍의 시간에 따른 해일고 또는, 지역별 최고 해일고를 예측 결과로써 출력한다. The prediction
예측결과생성부(130)는 시간에 따른 해일고에 대하여, 예측결과가 시간의 전후에 따른 상관성이 고려되지 않았으므로, 변동성이 큰 값을 필터링한다.The prediction
제어부(130)는 예측결과생성부(130)로부터 생성된 예측결과 데이터는 출력부(160)를 통해 출력한다(S390).The
한편, 새로운 데이터가 수집되면, 제어부(120)는 이를 데이터베이스(140)에 저장하고, 예측모델생성부(110)를 제어하여 기존의 예측모델을 업데이트 하거나, 새로운 예측모델을 생성할 수 있다. When new data is collected, the
도 6 은 본 발명에 따른 폭풍해일 예측 시스템의 예측모델 생성 방법이 도시된 흐름도이다. FIG. 6 is a flowchart illustrating a prediction model generation method of the storm surge prediction system according to the present invention.
도 6에 도시된 바와 같이, 모델구축부(111)에 의해 초기 예측모델이 생성되면(S410), 학습부(112)는 초기 설정된 신경개수 16개를 바탕으로(S420), 학습이 수행되도록 한다. 6, when an initial prediction model is generated by the model building unit 111 (S410), the
이때 학습부(112)는 데이터베이스(140)에 저장된 데이터를 자료분할한다(S430). 학습부(112)는 학습자료, 검증자료, 테스트자료로 분할하되, 임의 분할방식을 사용하여 70%, 15%, 15%의 비율로 분할한다. 이때 분할 비율을 변경될 수 있다. At this time, the
학습부(112)는 신경개수와 자료분할 된 학습자료를 이용하여 예측모델을 학습한다(S440). The
학습이 반복되는 과정에서 초기 예측모델의 출력층(230)과 은닉층(220)에서 가중치(weights)와 편의(bias)를 여러 번 곱하고 더하는 일련의 연산과정을 반복하여 출력이 결정되고, 이러한 출력의 오차를 개선하기 위해 역전파 알고리즘에 의해 가중치와 편의가 갱신되고, 그에 따라 예측모델이 학습된다. 이때 학습부(112)는 학습자료, 예를 들어 시간별 학습자료 또는 지역별 학습자료에 대한 학습을 수행한다. An output is determined by repeating a series of operations of multiplying weights and bias times in the
학습부(112)는 결과의 오차가 목표값을 만족하는지 여부를 판단한다(S450).The
결과의 오차가 목표값을 만족하지 않는 경우, 학습부(112)는 자료분할 횟수에 도달하였는지 여부를 판단한다(S60). 이때, 신경개수 16개를 유지하면서 자료분할을 총 20회 수행하여 각각의 학습자료에 대한 학습이 완료되었는지 여부를 판단한다. If the error of the result does not satisfy the target value, the
자료분할 횟수에 도달하지 않는 경우, 예를 들어 15회의 자료분할을 수행한 경우, 자료분할을 수행하고(S430), 새로이 분할된 학습자료에 대하여 학습을 수행한다(S440). In the case where the number of times of data partitioning is not reached, for example, data partitioning is performed 15 times, data partitioning is performed (S430), and learning is performed on the newly divided learning data (S440).
20회의 자료분할을 통한 학습을 완료한 경우, 학습부(112)는 현재 신경개수가 최대 신경개수인지 여부를 판단한다(S470). When the learning is completed through the division of 20 data, the
신경개수가 16인 경우 신경개수를 1증가시켜 17로 설정하고(S420), 자료분할(S430) 및 예측모델 학습(S440)을 반복한다. If the number of neurons is 16, the number of neurons is increased by 1 to 17 (S420), and data partitioning (S430) and prediction model learning (S440) are repeated.
이와 같은 과정을 반복한 후, 최대 신경개수까지, 총 200회의 학습을 수행한 후에도 목표값을 만족하지 않는 경우, 학습부(112)는 오차에 대한 상관계수인 목표값을 변경하고(S480), 신경개수 16부터 학습을 다시 반복한다(S420 내지 S480). If the target value is not satisfied even after a total of 200 learning operations are performed up to the maximum number of neural nets after repeating the above process, the
한편 200회의 학습을 수행하기 전, 학습 도중에 목표값을 만족하는 경우, 즉 학습부(112)는 결과의 오차와, 목표오차와의 상계계수가 설정값 이하인 경우 목표값을 만족한 것으로 판단하여 학습을 종료한다.On the other hand, if the target value is satisfied during the learning before 200 learning operations, that is, the
학습부(112)는 초고의 성능, 즉 오차가 가장 작은 결과의 예측모델에 대하여, 해당 학습자료에 대한 검증자료와 테스트자료를 이용하여 예측모델을 검증한다(S490). 검증결과를 비교하여, 최종 예측모델을 설정한다(S500).The
도 7 는 본 발명에 따른 폭풍해일 예측 시스템의 예측모델 학습방법이 도시된 흐름도이다. 7 is a flowchart illustrating a predictive model learning method of the storm surge prediction system according to the present invention.
학습과정에서 목표값을 만족하여 학습을 종료하는 경우에 대해 설명하면 다음과 같다. 도 7에 도시된 바와 같이, 자료분할된 학습자료를 바탕으로 예측모델을 학습한다(S550).Hereinafter, the case where the learning is terminated by satisfying the target value in the learning process will be described. As shown in FIG. 7, the prediction model is learned based on the data segmented learning data (S550).
학습부(112)는 학습 도중, 결과값이 변동되지 않고 일정 범위내에 포함되는 경우(S560), 즉 결과의 편차가 적은 경우, 학습을 일시 중지한다.The
이때 학습부(112)는 결과의 편차가 적다고 판단하는 시점을 기준으로, 기본횟수만큼의 추가 학습을 수행한다. At this time, the
예를 들어, 앞서 설명한 도 4와 같이, 27번째 학습에서 기본횟수인 6회를 더 실시하여 33번째까지 학습을 수행한다. 학습부는 27 내지 33번째 학습에 대한 검증자료를 바탕으로 학습을 수행하여(S570), 학습자료를 바탕으로 하는 학습결과에 대한 검증을 수행한다. For example, as shown in FIG. 4, the learning is performed for the 33rd time by further performing the basic number of
이때 검증자료는 학습자료와는 별개의 자료로, 자료분할 시 분할된 것이다. At this time, the verification data is separate from the learning data, and is divided when the data is divided.
즉 27번째 자료분할에서 학습자료에 대한 결과값으로부터 학습정지를 판단하면, 27번째 학습자료에 대한 검증자료를 바탕으로 학습을 수행하고, 이를 33번째 검증자료에 대해서 까지 학습을 수행한다. In other words, if the learning stoppage is judged from the result of the learning data in the 27th data partition, the learning is performed based on the verification data of the 27th learning data, and the learning is performed on the 33th verification data.
27번째 검증자료에 대한 결과를 기준으로, 이후 33번째까지의 검증자료에서의 결과의 오차 값이 감소하는지 판단하여(S580), 27번째 검증자료의 결과가 가장 낮은 오차값을 갖는 경우 27번째 학습에 대한 결과를 최적의 결과로 판단한다.Based on the result of the 27th verification data, it is judged whether the error value of the result in the verification data up to the 33th step is decreased (S580). If the result of the 27th verification data has the lowest error value, As the optimal result.
이때 학습부(112)는 테스트자료를 바탕으로 추가 검증을 수행하여 그 결과에 따라 최적의 결과를 판단할 수 있다. 또한, 데이터베이스(140)에 저장된 데이터 이외의 다른 데이터를 바탕으로 재 검증을 수행할 수 있다. At this time, the
한편, 27번째 이후의 검증자료에 대한 결과가 더 낮은 경우에는 해당 차수를 기준으로 6회의 학습을 추가 실시한다(S590).On the other hand, if the result of the verification data after the 27th time is lower, the sixth learning is further performed based on the corresponding degree (S590).
검증자료에 대한 학습의 결과를 다시 비교하여 최적의 결과를 판단하고 이러한 과정을 반복한다(S570 내지 S590). The results of the learning on the verification data are compared again to determine the optimum result and the process is repeated (S570 to S590).
최소 오차에 대한 최적의 결과가 선정되면, 학습부(112)는 학습을 종료한다(S600). 학습부(112)는 학습결과의 오차가 최소인 경우데 하여, 즉 최적의 결과에 대한 예측모델을 최종 예측모델로 설정한다(S610).When the optimal result for the minimum error is selected, the
도 8 및 도 9 는 본 발명에 따른 폭풍해일 예측 시스템에서 사용되는 입력변수와 출력값이 도시된 도이다. 도 8은 시간에 따른 변화를 나타낸 다이나믹 모델에 관한 것이다. 8 and 9 are diagrams illustrating input variables and output values used in the storm surge prediction system according to the present invention. Figure 8 relates to a dynamic model that shows a change over time.
도8에 도시된 바와 같이, 가상시나리오에 따른 결과로 태풍의 기상변수, 위도, 경도, 중심기압, 진행방향, 진행속도, 최대풍반경은 폭풍해일 예측 시스템에서 입력변수(A1)으로 사용된다. 그에 따른 결과(Target)(B1)값으로 파랑 또는 파고가 사용된다. As shown in FIG. 8, as a result of the hypothetical scenario, the weather parameter, latitude, longitude, center pressure, direction, progress speed, and maximum wind radius of the typhoon are used as the input parameter A1 in the storm surge prediction system. The result (Target) (B1) value is used as wave or wave.
도 9은 지역에 따른 최대값이 포함된 스태틱 모델에 관한 것이다. FIG. 9 relates to a static model including a maximum value according to a region.
도 9에 도시된 바와 같이, 특정 지역에서 발생된 태풍에 대하여 각 태풍에 대한 입력변수(A2)와 그에 대한 결과값인 최대해일고(B2)이다. 본 발명은 이러한 데이터를 지역별로 수집하여 예측모델을 생성한다. As shown in FIG. 9, the input variable (A2) for each typhoon and the maximum harmonic load (B2), which is a result of the input variable, are calculated for a typhoon generated in a specific region. The present invention collects such data by region and generates a prediction model.
예측모델생성부(110)은 도 8 및 도 9의 이러한 입력변수(A1)(A2)와 결과값(B1)(B2)을 바탕으로 반복 학습함으로써 은닉층(220)과 출력층(230)의 가중치와 편의를 가변하여 예측모델을 생성한다. The predictive
도 10은 지역별 최대 해일고가 도시된 도이다. 도 10에 도시된 바와 같이, 스태틱모델의 경우, 지역별 최대해일고를 예측결과로 출력할 수 있다. FIG. 10 is a diagram showing the maximum sea level elevation by region. As shown in FIG. 10, in the case of the static model, it is possible to output the maximum resolution for each region as a prediction result.
도 11은 본 발명의 예측모델에 적용하여 생성된 결과값과 실제 관측된 결과를 비교한 그래프이다. 도 11의 a에 도시된 바와 같이, 본 발명의 예측모델에 과거의 데이터를 입력하여 그 결과를 도출하고, 과거의 실제 관측된 결과와 비교하였을 때, 결과값과 예측값이 유사하게 나타나는 것을 알 수 있다. 또한, 도 11의 b에 도시된 바와 같이 예측된 결과값과 실제 결과값을 비교한 결과, 그 오차에 대한 상관계수가 0.994로 매우 낮은 오차율을 나타내었다. 11 is a graph comparing results obtained by applying the predictive model of the present invention with actual observed results. As shown in FIG. 11A, when the past data is input to the predictive model of the present invention and the result is derived, it is found that the resultant value and the predicted value appear similar when compared with the past observed results have. As a result of comparing the predicted result with the actual result as shown in FIG. 11B, the correlation coefficient for the error is 0.994, which is a very low error rate.
따라서 본 발명은 가상시나리오 및 수치모델에서 도출되는 결과값인 태풍의 기상변수와 해상변수를 이용하여, 입력값과 출력값으로부터 역으로 예측모델을 구축하되, 반복되는 학습을 통해 예측모델을 수정하여 오차율이 적은 예측모델을 생성할 수 있다. Therefore, according to the present invention, a prediction model is built inversely from input values and output values by using a weather parameter and a sea parameter of a typhoon, which is a result value derived from a hypothetical scenario and a numerical model, It is possible to generate a prediction model with a small number of pixels.
그에 따라 본 발명은 과도한 연산과정 없이도 신속하고 정확한 예측모델을 생성할 수 있고, 새로운 데이터가 추가되는 경우 이를 반역하여 예측모델을 수정함으로써, 변화하는 환경에 맞는 예측모델을 적용하여 태풍에 대해 신뢰할 수 있는 예측결과를 출력할 수 있다. Accordingly, the present invention can quickly and accurately generate a prediction model without an excessive computation process, and when new data is added, the prediction model is modified by rebounding the new data, thereby applying a prediction model suitable for the changing environment, The prediction result can be outputted.
본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 본 발명의 목적 범위 안에서라면, 실시예에 따라서는 모든 구성 요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다. The present invention is not necessarily limited to these embodiments, as all the constituent elements constituting the embodiment of the present invention are described as being combined and operated in one. Within the scope of the present invention, depending on the embodiment, all of the components may operate selectively in combination with one or more.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
The foregoing description is merely illustrative of the technical idea of the present invention and various changes and modifications may be made by those skilled in the art without departing from the essential characteristics of the present invention.
110: 예측모델생성부 111: 모델구축부
112: 학습부 120: 제어부
130: 예측결과생성부 140: 데이터베이스(DB)
150: 데이터부 160: 출력부
210: 입력층 220: 은닉층
230: 출력층110: prediction model generation unit 111: model construction unit
112: learning unit 120:
130: prediction result generation unit 140: database (DB)
150: data portion 160: output portion
210: input layer 220: hidden layer
230: output layer
Claims (10)
상기 데이터베이스에 저장된 태풍의 기상변수와 해상변수를 이용하여 초기 예측모델을 생성하고, 상기 초기 예측모델에 대한 반복학습을 통해 예측모델을 생성하는 예측모델생성부;
상기 예측모델생성부로부터 생성된 예측모델을 이용하여, 입력되는 기상데이터에 대한 예측결과를 생성하는 예측결과생성부; 및
상기 예측결과를 출력하는 출력부를 포함하고,
상기 예측모델생성부는, 입력층, 은닉층 및 출력층으로 구성된 다층구조의 피드포워드(feedforward) 방식으로 상기 초기 예측모델을 생성하는 모델구축부; 및
상기 초기 예측모델의 결과값의 오차가 감소하도록 출력값으로부터 역으로 상기 초기 예측모델의 계층별 가중치와 편의값을 갱신함으로써 상기 초기 예측모델을 수정하여 상기 예측모델을 생성하는 학습부를 포함하는 긴급 폭풍해일 예측 시스템.A database (DB) in which weather variables of the typhoon, sea variables, and observation data are stored;
A prediction model generation unit for generating an initial prediction model using a weather parameter and a sea parameter of the typhoon stored in the database and generating a prediction model through iterative learning on the initial prediction model;
A prediction result generation unit for generating a prediction result for the input weather data using the prediction model generated from the prediction model generation unit; And
And an output unit for outputting the prediction result,
Wherein the prediction model generation unit includes: a model construction unit that generates the initial prediction model in a feedforward manner of a multi-layer structure including an input layer, a hidden layer, and an output layer; And
And an learning unit for generating the predictive model by modifying the initial predictive model by updating weight values and bias values of the initial predictive models inversely from the output value so that the error of the result value of the initial predictive model is reduced, Prediction system.
상기 예측모델생성부는 신경망네트워크를 구축하여, 신경개수를 변경하면서 상기 초기 예측모델에 대한 반복적인 학습을 통해 상기 예측모델을 생성하는 것을 특징으로 하는 긴급 폭풍해일 예측 시스템. The method according to claim 1,
Wherein the predictive model generating unit constructs a neural network and generates the predictive model through repetitive learning of the initial predictive model while changing the number of neural networks.
상기 예측모델생성부는 새로운 데이터가 발생하는 경우, 상기 새로운 데이터를 적용하여 기 생성된 예측모델을 업데이트하거나 또는 새로운 예측모델을 생성하는 것을 특징으로 하는 긴급 폭풍해일 예측 시스템. The method according to claim 1,
Wherein the predictive model generating unit updates the previously generated predictive model by applying the new data when new data is generated or generates a new predictive model.
상기 태풍의 기상변수는 위도, 경도, 중심기압, 진행방향, 진행속도, 최대풍반경이고,
상기 태풍의 해상변수는 수위(water level), 파랑(waves, 파고와 주기), 조석, 조류 중 어느 하나인 것을 특징으로 하는 긴급 폭풍해일 예측 시스템. The method according to claim 1,
The weather variables of the typhoon are latitude, longitude, center pressure, direction of progress, speed of progress,
Wherein the sea level variable of the typhoon is any one of a water level, waves, tides and tides, tide, and algae.
통신모듈; 및
데이터의 입출력을 제어하는 제어부를 더 포함하고,
상기 제어부는 상기 예측결과가 상기 출력부를 통해 출력되도록 제어하고, 상기 통신모듈을 통해 외부의 단말 또는 재난경고시스템으로 전송되도록 하는 것을 특징으로 하는 긴급 폭풍해일 예측 시스템. The method according to claim 1,
Communication module; And
Further comprising a control unit for controlling input / output of data,
Wherein the control unit controls the prediction unit to output the prediction result through the output unit and transmits the predicted result to the external terminal or the emergency alert system through the communication module.
상기 모델구축부는 상기 은닉층에 대하여 상기 입력층의 입력변수의 개수를 기준으로 2배수 내지 3배수가 되도록 신경개수를 설정하고,
상기 은닉층과 상기 출력층에 각각 가중치(Weighting, W)와 편의(bias, b)를 적용하여 상기 초기 예측모델을 생성하는 것을 특징으로 하는 긴급 폭풍해일 예측 시스템.The method according to claim 1,
Wherein the model building unit sets the number of nerves so that the number of input variables of the input layer is two to three times the number of input variables of the hidden layer,
Wherein the initial prediction model is generated by applying weighting (W) and bias (b) to the hidden layer and the output layer, respectively.
상기 학습부는 상기 데이터베이스에 저장된 데이터를, 소정 비율에 따라 임의분할 방식으로, 학습자료, 검증자료, 테스트자료로 분할하여 학습 및 검증에 사용하고,
상기 학습자료, 검증자료, 및 상기 테스트자료는 중복되지 않고 독립성이 유지되도록 하는 것을 특징으로 하는 긴급 폭풍해일 예측 시스템.The method according to claim 1,
Wherein the learning unit divides the data stored in the database into learning data, verification data, and test data in an arbitrary division manner according to a predetermined ratio, and uses the divided data for learning and verification,
Wherein the learning data, the verification data, and the test data are kept redundant and independent.
상기 학습부는 학습 도중, 결과값이 목표값을 만족하는 경우 학습을 종료하고, 결과가 상관계수를 만족하지 않는 경우에는 신경개수의 수를 변경하고, 자료분할을 반복하며 학습을 반복 진행하는 것을 특징으로 하는 긴급 폭풍해일 예측 시스템.The method according to claim 1,
The learning unit terminates the learning when the resultant value satisfies the target value during learning, changes the number of neural numbers when the result does not satisfy the correlation coefficient, repeats the data division and repeats the learning Emergency storm tsunami prediction system.
상기 학습부는 상기 학습자료를 바탕으로 상기 예측모델에 대한 학습을 반복하고,
상기 학습자료로부터 도출된 결과가 목표값을 만족하는 경우, 상기 학습자료에 대한 검증자료 또는 테스트자료를 이용하여, 상기 학습자료에 의해 학습된 예측모델에 대하여 검증하는 것을 특징으로 하는 긴급 폭풍해일 예측 시스템.The method of claim 7,
Wherein the learning unit repeatedly learns the prediction model based on the learning data,
Wherein when the result obtained from the learning data satisfies the target value, the verification is performed on the prediction model learned by the learning data using the verification data or the test data for the learning data. system.
데이터를 자료분할하여 상기 초기 예측모델에 대한 반복학습을 통해 상기 초기 예측모델의 계층별 가중치 및 편의를 수정하는 단계;
학습에 의해 수정된 예측모델의 결과값이 목표값을 만족하는 경우 검증자료를 이용하여 상기 수정된 예측모델을 검증 하고, 최종 예측모델로 설정하는 단계;
기상데이터가 입력되면, 상기 예측모델을 적용하여 예측결과를 출력하는 단계를 포함하는 긴급 폭풍해일 예측 시스템의 예측방법. Generating an initial prediction model of the multi-layered structure using the weather and sea parameters of the typhoon;
Dividing the data into data and modifying the weight and the convenience for each layer of the initial prediction model through iterative learning on the initial prediction model;
Verifying the modified prediction model using the verification data when the result of the prediction model modified by learning satisfies the target value, and setting the final prediction model;
And outputting the prediction result by applying the prediction model when the weather data is inputted.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020150100908A KR101610595B1 (en) | 2015-07-16 | 2015-07-16 | Expedient Storm Surges Prediction System and Method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020150100908A KR101610595B1 (en) | 2015-07-16 | 2015-07-16 | Expedient Storm Surges Prediction System and Method |
Publications (1)
Publication Number | Publication Date |
---|---|
KR101610595B1 true KR101610595B1 (en) | 2016-04-07 |
Family
ID=55790029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020150100908A KR101610595B1 (en) | 2015-07-16 | 2015-07-16 | Expedient Storm Surges Prediction System and Method |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101610595B1 (en) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102029323B1 (en) * | 2019-06-03 | 2019-10-07 | 군산대학교산학협력단 | System and method for automatic flood prevention |
CN111414807A (en) * | 2020-02-28 | 2020-07-14 | 浙江树人学院(浙江树人大学) | Tidal water identification and crisis early warning method based on YO L O technology |
JP2020173160A (en) * | 2019-04-10 | 2020-10-22 | 中部電力株式会社 | Tsunami height and tsunami arrival time prediction system |
KR20210077229A (en) * | 2019-12-17 | 2021-06-25 | (주)지오시스템리서치 | Typhoon Dismissal Prediction System Using Deep Learning Model |
KR20210086786A (en) * | 2019-12-30 | 2021-07-09 | 전북대학교산학협력단 | System and method for predicting fine dust and odor |
KR20240086866A (en) * | 2022-12-09 | 2024-06-19 | 배재대학교 산학협력단 | Flood management system using water level prediction model |
-
2015
- 2015-07-16 KR KR1020150100908A patent/KR101610595B1/en active IP Right Grant
Non-Patent Citations (4)
Title |
---|
김승우 외 1인, '데이터 기반 모델링에 의한 유의파고와 첨두주기 예측', 2015년도 한국해양과학기술협의회 공동학술대회, 5월21일~5월23일. |
김승우 외 2인, '직립방파제의 케이슨 활동에 미치는 기후변화영향에 대한 수심의 효과', 한국해안해양공학회,제24권, 제3호, 2012.06., pp.179-188. |
이다운 외 4인, '신경망을 이용한 폭풍해일 예측 연구', 한국기상학회지, 제41권, 제5호, 2005.10., pp.661-670. |
이승수 외 2인, '기상-해양 연계 수치 모형에 의한 폭풍 해일 예측', 한국풍공학회논문집, 제18권, 제4호, 2014.12.,pp.207-214. |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020173160A (en) * | 2019-04-10 | 2020-10-22 | 中部電力株式会社 | Tsunami height and tsunami arrival time prediction system |
JP7265915B2 (en) | 2019-04-10 | 2023-04-27 | 中部電力株式会社 | Tsunami height and tsunami arrival time prediction system |
KR102029323B1 (en) * | 2019-06-03 | 2019-10-07 | 군산대학교산학협력단 | System and method for automatic flood prevention |
KR20210077229A (en) * | 2019-12-17 | 2021-06-25 | (주)지오시스템리서치 | Typhoon Dismissal Prediction System Using Deep Learning Model |
KR102480985B1 (en) * | 2019-12-17 | 2022-12-23 | (주)지오시스템리서치 | Typhoon Dismissal Prediction System Using Deep Learning Model |
KR20210086786A (en) * | 2019-12-30 | 2021-07-09 | 전북대학교산학협력단 | System and method for predicting fine dust and odor |
KR102439038B1 (en) | 2019-12-30 | 2022-09-02 | 전북대학교산학협력단 | System and method for predicting fine dust and odor |
CN111414807A (en) * | 2020-02-28 | 2020-07-14 | 浙江树人学院(浙江树人大学) | Tidal water identification and crisis early warning method based on YO L O technology |
CN111414807B (en) * | 2020-02-28 | 2024-02-27 | 浙江树人学院(浙江树人大学) | Tidal water identification and crisis early warning method based on YOLO technology |
KR20240086866A (en) * | 2022-12-09 | 2024-06-19 | 배재대학교 산학협력단 | Flood management system using water level prediction model |
KR102678043B1 (en) * | 2022-12-09 | 2024-06-25 | 배재대학교 산학협력단 | Flood management system using water level prediction model |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101610595B1 (en) | Expedient Storm Surges Prediction System and Method | |
CN109492830B (en) | Mobile pollution source emission concentration prediction method based on time-space deep learning | |
CN103514366B (en) | Urban air quality concentration monitoring missing data recovering method | |
KR102236678B1 (en) | Method and device for forecasting flood based on data analyzing | |
US20130282635A1 (en) | Method For The Computer-Assisted Modeling Of A Technical System | |
EP3282781A1 (en) | Method and device for improving positioning performance of artificial neural network | |
CN104899431B (en) | Based on ant colony and swarm of particles into LSSVM fluctuating wind speed Forecasting Methodologies | |
KR102061500B1 (en) | System predicting tsunami based on artificial neural network | |
CN112561199B (en) | Weather parameter prediction model training method, weather parameter prediction method and device | |
CN104732296A (en) | Modeling method for distributed photovoltaic output power short-term prediction model | |
CN113469425B (en) | Deep traffic jam prediction method | |
CN114021475B (en) | Lightning arrester fault judging method, device, equipment, medium and product based on LSTM | |
CN110334865B (en) | Power equipment fault rate prediction method and system based on convolutional neural network | |
KR102706021B1 (en) | Forest fire susceptibility mapping method and apparatus using artificial intelligence | |
CN114742307A (en) | Wave element prediction method and system | |
CN118313281B (en) | Method for automatically constructing simulation model | |
CN110968075B (en) | Fault diagnosis method and system based on active learning self-organizing cellular network | |
CN106981204A (en) | A kind of information processing method and device | |
CN115660143A (en) | Power failure duration prediction method, system, equipment and medium under typhoon disaster | |
CN116976227B (en) | Storm water increasing forecasting method and system based on LSTM machine learning | |
CN110570046B (en) | Site selection method and system for environment monitoring site | |
CN116722542A (en) | Photovoltaic output abnormality detection method and device, computer equipment and storage medium | |
JP2020135315A (en) | Traffic signal control system, information collection device, signal controller, traffic signal control device, control engine construction device, traffic signal control method, and control engine construction method | |
CN110309586B (en) | MA-DBN-based GIS decomposed gas content prediction method | |
Sztobryn | Application of artificial neural network into the water level modeling and forecast |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GRNT | Written decision to grant | ||
FPAY | Annual fee payment |
Payment date: 20190328 Year of fee payment: 4 |
|
FPAY | Annual fee payment |
Payment date: 20200224 Year of fee payment: 5 |