KR101966641B1 - 기상 조건을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법 - Google Patents

기상 조건을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법 Download PDF

Info

Publication number
KR101966641B1
KR101966641B1 KR1020180118292A KR20180118292A KR101966641B1 KR 101966641 B1 KR101966641 B1 KR 101966641B1 KR 1020180118292 A KR1020180118292 A KR 1020180118292A KR 20180118292 A KR20180118292 A KR 20180118292A KR 101966641 B1 KR101966641 B1 KR 101966641B1
Authority
KR
South Korea
Prior art keywords
data
region
rail temperature
rail
weather
Prior art date
Application number
KR1020180118292A
Other languages
English (en)
Inventor
조성진
홍성욱
Original Assignee
충남대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 충남대학교산학협력단 filed Critical 충남대학교산학협력단
Priority to KR1020180118292A priority Critical patent/KR101966641B1/ko
Application granted granted Critical
Publication of KR101966641B1 publication Critical patent/KR101966641B1/ko

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01WMETEOROLOGY
    • G01W1/00Meteorology
    • G01W1/10Devices for predicting weather conditions
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B61RAILWAYS
    • B61LGUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L23/00Control, warning, or like safety means along the route or between vehicles or vehicle trains
    • B61L23/04Control, warning, or like safety means along the route or between vehicles or vehicle trains for monitoring the mechanical state of the route
    • B61L23/042Track changes detection
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01DMEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00Measuring or testing not otherwise provided for
    • G01D21/02Measuring two or more variables by means not covered by a single other subclass
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01KMEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K1/00Details of thermometers not specially adapted for particular types of thermometer
    • G01K1/02Means for indicating or recording specially adapted for thermometers
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01WMETEOROLOGY
    • G01W1/00Meteorology
    • G01W1/02Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover, wind speed
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01WMETEOROLOGY
    • G01W2201/00Weather detection, monitoring or forecasting for establishing the amount of global warming

Abstract

본 발명은 레일온도 예측 알고리즘을 기반으로 지역별 실시간 기후데이터 및 지역별 위치데이터를 딥러닝함으로써 지역별 레일온도를 보다 정확하게 예측할 수 있는 기상 조건을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법에 관한 것이다.
이를 위하여, 본 발명은 지역별 기상예보 데이터를 수집하는 기상예보 데이터 수집부와, 상기 지역별 기상예보 데이터로부터 지역별 실시간 기후데이터 및 지역별 위치데이터를 계산하는 지역별 기상예보 데이터 변환부와, 상기 지역별 실시간 기후데이터 및 상기 지역별 위치데이터로부터 딥러닝을 통해 지역별 레일온도를 예측하는 지역별 레일온도 예측부와, 상기 지역별 레일온도를 지도 상에 표시하는 지역별 레일온도 표시부를 포함하는 기상조건을 고려한 레일온도 예측 시스템을 제공한다.

Description

기상 조건을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법{Rail temperature prediction system considering weather condition and rail temperature prediction method using the same}
본 발명은 기상 조건을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법에 관한 것으로, 보다 상세하게는 레일온도 예측 알고리즘을 기반으로 지역별 실시간 기후데이터 및 지역별 위치데이터를 딥러닝함으로써 지역별 레일온도를 보다 정확하게 예측할 수 있는 기상 조건을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법에 관한 것이다.
최근 열차의 고속화가 진행되고, 이러한 고속열차를 이동시키기 위하여 설치되는 레일은 장대 레일로 구성된다. 일반적으로 장대 레일은 200m 이상의 길이를 가지며, 기존의 철도 레일을 용접하여 이은 것으로, 열차의 고속화와 주행의 안정성을 위해 필수적이다.
장대 레일은 기존의 철도 레일과 비교하여 소음과 진동으로부터 자유로워 고속열차를 운용하기에 적합한 측면이 있는 반면, 열 응력에 의한 좌굴로 인하여 열차의 탈선 사고를 발생시킬 수 있는 위험성이 있다.
레일의 온도는 레일의 좌굴을 발생시키는 직접적인 원인으로서, 레일의 좌굴은 레일에 높은 온도가 지속적으로 가해졌을 때 발생한다.
좌굴로 인한 열차 탈선 사고의 빈도는 적지만 발생시 막대한 인적, 물적 손해를 불러일으키기 때문에 이를 방지 하는 기술은 철도 안전에 있어서 큰 이슈이다.
이러한 열차 탈선 사고를 막기 위한 가장 간단한 방법은 레일 온도에 따라서 열차에 제한 속도를 부여하는 것이다. 한국의 KTX의 경우 레일 온도가 55~60℃이면 230 kmph의 제한 속도를, 레일 온도가 60~64℃이면 70 kmph의 제한 속도가 부여되며, 그 이상의 온도에서는 열차의 운행이 중지된다. 미국, 영국, 오스트레일리아, 유럽 등과 같은 국가에서도 기준은 상이하지만 레일 온도를 기준으로 열차의 제한 속도를 결정한다.
제한 속도 기준에 의하여 KTX의 운행 규제는 2009년에 1회, 2010년에 8회, 2011년에 13회, 2012년에 28회 실시되었으며, 지구 온난화를 고려하였을 때 KTX에 운행 규제는 해가 지날 수록 더 많아질 전망이다.
이와 같은 레일의 온도는 기후 및 계절에 영향을 받으며, 레일이 위치하는 지역에 따라 기후 및 계절이 다르므로 지역에 따른 레일의 온도도 서로 다르다.
이러한 레일의 온도를 계측하기 위하여, 기존에는 레일 온도 검지 장치를 레일의 구간별로 설치하였다.
그러나 기존의 레일 온도 검지 장치는 일정한 장소에 고정되어 설치되는데, 이러한 고정 형태의 레일 온도 검지 장치는 설치와 해체가 번거로울 뿐만 아니라, 레일의 길이가 길어질수록 레일 온도 검지 장치를 레일에 설치하는 비용이 증가하는 문제점이 있다.
대한민국 등록특허공보 제10-1456532호(발명의 명칭: 선로전환기의 관리시스템, 공고일: 2014.10.24)
본 발명에서 해결하고자 하는 과제는 레일온도 예측 알고리즘을 기반으로 지역별 실시간 기후데이터 및 지역별 위치데이터를 딥러닝함으로써 지역별 레일온도를 보다 정확하게 예측할 수 있는 기상 조건을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법을 제공하는 것이다.
상술한 과제를 해결하기 위하여, 본 발명은 지역별 기상예보 데이터를 수집하는 기상예보 데이터 수집부와, 상기 지역별 기상예보 데이터로부터 지역별 실시간 기후데이터 및 지역별 위치데이터를 계산하는 지역별 기상예보 데이터 변환부와, 상기 지역별 실시간 기후데이터 및 상기 지역별 위치데이터로부터 딥러닝을 통해 지역별 레일온도를 예측하는 지역별 레일온도 예측부와, 상기 지역별 레일온도를 지도 상에 표시하는 지역별 레일온도 표시부를 포함하는 기상조건을 고려한 레일온도 예측 시스템을 제공한다.
여기서, 상기 지역별 위치데이터는 지역에 따른 태양의 방위각 데이터 및 고도각 데이터를 포함하고, 상기 방위각 데이터 및 상기 고도각 데이터는 시간 단위로 구분될 수 있다.
또한, 상기 지역별 실시간 기후데이터는 강수 확률, 강수량, 기온, 풍향, 풍속, 습도를 포함할 수 있다.
또한, 상기 지역별 레일온도는 레일온도 예측 알고리즘을 기반으로 상기 지역별 실시간 기후데이터 및 상기 지역별 위치데이터를 딥러닝하여 예측되며, 상기 지역별 레일온도 예측부는 상기 레일온도 예측 알고리즘을 생성하는 알고리즘 생성부를 포함할 수 있다.
또한, 상기 알고리즘 생성부는 레일온도 계측부에서 계측된 레일의 실제 레일온도 데이터와, 상기 레일온도 계측부에서 상기 레일의 실제 온도를 계측할 때 상기 레일이 위치하는 지역의 지역별 계측 기상데이터를 수집하는 지역별 계측데이터 수집부와, 상기 실제 레일온도 데이터에 따른 상기 지역별 계측 기상데이터를 정규화하는 데이터 정규화부와, 정규화된 상기 실제 레일온도 데이터 및 상기 지역별 계측 기상데이터를 매칭하여, 상기 지역별 계측 기상데이터에 따른 상기 실제 레일온도 데이터를 딥러닝하는 데이터 딥러닝부와, 상기 데이터 딥러닝부에서 딥러닝을 통해 상기 실제 레일온도 데이터와 상기 지역별 계측 기상데이터의 매칭 값이 기준오차 이하에 도달하면, 상기 레일온도 예측 알고리즘을 도출하는 알고리즘 도출부를 포함할 수 있다.
또한, 상기 지역별 계측 기상데이터는 상기 실제 레일온도 데이터를 계측한 지역의 지역별 계측 기후데이터 및 상기 실제 레일온도 데이터를 계측한 지역의 지역별 계측 위치데이터를 포함할 수 있다.
또한, 본 발명은 지역별 기상예보 데이터를 수집하는 기상예보 데이터 수집단계와, 상기 지역별 기상예보 데이터로부터 지역별 실시간 기후데이터 및 지역별 위치데이터를 계산하는 지역별 기상예보 데이터 변환단계와, 상기 지역별 실시간 기후데이터 및 상기 지역별 위치데이터로부터 딥러닝을 통해 지역별 레일온도를 예측하는 지역별 레일온도 예측단계와, 상기 지역별 레일온도를 지도 상에 표시하는 지역별 레일온도 표시단계를 포함하는 기상조건을 고려한 레일온도 예측 방법을 제공한다.
여기서, 상기 지역별 레일온도 예측단계에서 상기 지역별 위치데이터는 지역에 따른 태양의 방위각 데이터 및 고도각 데이터를 포함하고, 상기 방위각 데이터 및 상기 고도각 데이터는 시간 단위로 구분될 수 있다.
또한, 상기 지역별 레일온도 예측단계에서 상기 지역별 실시간 기후데이터는 강수 확률, 강수량, 기온, 풍향, 풍속, 습도를 포함할 수 있다.
또한, 상기 지역별 레일온도 예측단계에서 예측된 상기 지역별 레일온도는 레일온도 예측 알고리즘을 기반으로 상기 지역별 실시간 기후데이터 및 상기 지역별 위치데이터를 딥러닝하여 예측되며, 상기 지역별 레일온도 예측단계는 상기 레일온도 예측 알고리즘을 생성하는 알고리즘 생성단계를 포함할 수 있다.
또한, 상기 알고리즘 생성단계는 레일온도 계측부에서 계측된 레일의 실제 레일온도 데이터와, 상기 레일온도 계측부에서 상기 레일의 실제 온도를 계측할 때 상기 레일이 위치하는 지역의 지역별 계측 기상데이터를 수집하는 지역별 계측데이터 수집단계와, 상기 실제 레일온도 데이터에 따른 상기 지역별 계측 기상데이터를 정규화하는 데이터 정규화단계와, 정규화된 상기 실제 레일온도 데이터 및 상기 지역별 계측 기상데이터를 매칭하여, 상기 지역별 계측 기상데이터에 따른 상기 실제 레일온도 데이터를 딥러닝하는 데이터 딥러닝단계와, 상기 데이터 딥러닝단계에서 딥러닝을 통해 상기 실제 레일온도 데이터와 상기 지역별 계측 기상데이터의 매칭 값이 기준오차 이하에 도달하면, 상기 레일온도 예측 알고리즘을 도출하는 알고리즘 도출단계를 포함할 수 있다.
또한, 상기 지역별 계측데이터 수집단계에서 수집된 상기 지역별 계측 기상데이터는 상기 실제 레일온도 데이터를 계측한 지역의 지역별 계측 기후데이터 및 상기 실제 레일온도 데이터를 계측한 지역의 지역별 계측 위치데이터를 포함할 수 있다.
본 발명에 따른 기상 조건을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법은 다음과 같은 효과를 가진다.
첫째, 레일온도 예측 알고리즘을 기반으로 지역별 실시간 기후데이터 및 지역별 위치데이터를 딥러닝함으로써 지역별 레일온도를 보다 정확하게 예측할 수 있는 이점이 있다.
둘째, 레일온도 예측 알고리즘을 통해 지역별 레일온도를 예측함으로써 비접촉식으로 레일 온도를 추정할 수 있는 이점이 있다.
셋째, 레일온도 예측 알고리즘을 통해 지역별 레일온도를 예측함으로써, 열차가 이동하는 지역의 위험 구간을 미리 파악할 수 있고, 이를 기준으로 레일온도에 따른 지역별 열차속도를 제한하여 열차 운행의 안정성을 높일 수 있는 이점이 있다.
넷째, 레일온도 예측 알고리즘을 통해 지역별 레일온도를 예측하고, 예측된 레일온도를 기준으로 열차 속도를 제한함에 따라 발생하는 열차 지연시간을 미리 예상하여 승객에게 전달할 수 있는 이점이 있다.
다섯째, 레일온도 예측 알고리즘을 통해 지역별 레일온도를 예측함으로써 열차 지연시간을 미리 예상할 수 있으므로, 계절별로 열차 출발 시간표를 조정할 수 있는 이점이 있다.
도 1은 본 발명에 따른 기상 조건을 고려한 레일 온도 예측 시스템의 구성을 개략적으로 도시한 도면이다.
도 2는 도 1의 기상 조건을 고려한 레일 온도 예측 시스템의 알고리즘 생성부의 구성을 개략적으로 도시한 도면이다.
도 3은 도 2의 알고리즘 생성부에 의하여 도출된 레일온도 예측 알고리즘을 이용하여 예측된 레일 온도 예측 모델 성능을 도시한 도면이다.
도 4는 도 1의 기상 조건을 고려한 레일 온도 예측 시스템의 레일온도 출력부의 예시를 도시한 도면이다.
도 5는 본 발명에 따른 기상 조건을 고려한 레일 온도 예측 방법의 블럭도를 도시한 도면이다.
도 6은 도 5의 기상 조건을 고려한 레일 온도 예측 방법의 레일온도 예측단계에 포함되는 알고리즘 생성단계의 블럭도를 도시한 도면이다.
이하, 상술한 해결하고자 하는 과제가 구체적으로 실현될 수 있는 본 발명의 바람직한 실시예들이 첨부된 도면을 참조하여 설명된다. 본 실시예들을 설명함에 있어서, 동일 구성에 대해서는 동일 명칭 및 동일 부호가 사용되며, 이에 따른 부가적인 설명은 하기에서 생략된다.
도 1 내지 도 4를 참조하여, 본 발명에 따른 기상 조건을 고려한 레일 온도 예측 시스템을 설명하면 다음과 같다.
먼저, 도 1에 도시된 바와 같이, 본 발명에 따른 기상 조건을 고려한 레일 온도 예측 시스템은 기상예보 데이터 수집부(100), 지역별 기상예보 데이터 변환부(200), 지역별 레일온도 예측부(300) 및 지역별 레일온도 표시부(400)를 포함한다.
상기 기상예보 데이터 수집부(100)는 기상 데이터 소스(500)로부터 레일이 위치한 지역의 지역별 기상예보 데이터를 수집한다.
상기 지역별 기상예보 데이터 변환부(200)는 상기 지역별 기상예보 데이터로부터 지역별 실시간 기후데이터(210) 및 지역별 위치데이터(220)를 계산한다.
상기 지역별 실시간 기후데이터(210)는 상기 레일이 위치하는 지역의 기상 예보에 관한 정보에 관한 것이며, 이때, 상기 기상 데이터 소스(500)는 기상청 홈페이지의 동네 예보일 수 있으며, 상기 지역별 실시간 기후데이터(210)는 강수확률, 강수량, 기온, 풍향, 풍속, 습도 등을 포함한다.
상기 지역별 위치데이터(220)는 상기 레일이 위치하는 지역에 관한 정보에 관한 것으로, 상기 지역별 위치데이터(220)는 상기 레일이 위치하는 지역을 위도 및 경도 기준으로 분류한다.
또한, 상기 지역별 위치데이터(220)는 지역에 따른 태양의 방위각 데이터(221) 및 고도각 데이터(222)를 포함하고, 상기 방위각 데이터(221) 및 상기 고도각 데이터(222)는 시간 단위로 구분된다. 즉, 상기 지역별 위치데이터(220)는 위도와 경도로 분류된 위치의 년, 월, 일, 시, 분, 초 단위를 기준으로 해당 지역의 태양의 방위각 데이터(221) 및 태양의 고도각 데이터(222)를 의미한다.
따라서, 상기 기상예보 데이터 수집부(100)에서 수집된 상기 지역별 기상예보 데이터로부터 레일이 위치한 지역의 강수확률, 강수량, 기온, 풍향, 풍속, 습도 등과 같은 상기 지역별 실시간 기후데이터(210)뿐만 아니라, 지역에 따른 상기 방위각 데이터(221) 및 상기 고도각 데이터(222)를 포함하는 상기 지역별 위치데이터(220)를 계산함으로써 이후 레일온도 예측 알고리즘(320)을 통해 지역별 레일온도를 예측할 때, 보다 정확한 예측을 수행할 수 있도록 한다.
상기 지역별 레일온도 예측부(300)는 상기 지역별 실시간 기후데이터(210) 및 상기 지역별 위치데이터(220)로부터 딥러닝을 통해 지역별 레일온도를 예측한다.
이때, 상기 지역별 레일온도는 레일온도 예측 알고리즘(320)을 기반으로 상기 지역별 실시간 기후데이터(210) 및 상기 지역별 위치데이터(220)를 딥러닝하여 예측되며, 상기 지역별 레일온도 예측부(300)는 상기 레일온도 예측 알고리즘(320)을 생성하는 알고리즘 생성부(310)를 포함하고, 상기 알고리즘 생성부(310)에 대한 설명은 후술하도록 한다.
상기 지역별 레일온도 표시부(400)는 상기 지역별 레일온도를 지도상에 표시하며, 예를 들어, 상기 지역별 레일온도 표시부(400)는 도 4와 같이 지도상에 지역별 레일의 온도를 색상으로 구분하여 표시함으로써 상기 지역별 레일온도를 출력할 수 있다.
따라서, 본 발명에 따른 기상조건을 고려한 레일온도 예측 시스템은 상기 레일온도 예측 알고리즘(320)을 기반으로 상기 지역별 실시간 기후데이터(210)뿐만 아니라 상기 지역별 위치데이터(220)도 딥러닝함으로써 지역별 레일온도를 보다 정확하게 예측할 수 있게 됨으로써 비접촉식으로 레일 온도를 추정할 수 있으며, 이에 따라 열차가 이동하는 지역의 위험 구간을 미리 파악할 수 있고, 이를 기준으로 레일온도에 따른 지역별 열차속도를 제한하여 열차 운행의 안정성을 높일 수 있게 된다.
또한, 상기 레일온도 예측 알고리즘(320)을 통해 지역별 레일온도를 예측하고, 예측된 지역별 레일온도를 기준으로 열차 속도를 제한함에 따라 발생하는 열차 지연시간을 미리 예상하여 승객에게 전달할 수 있으며, 이에 따라 계절별 열차 출발 시간표를 조정할 수 있으므로, 열차의 운행 지연을 최소화할 수 있다.
뿐만 아니라, 상기 기상 데이터 소스(500)는 국내 기상청 이외에도 Open Weather Map과 같은 세계 전 지역의 일기 예보를 제공하는 사이트와 연동되어 데이터를 상기 기상예보 데이터 수집부(100)에 전달함으로써 국내뿐만 아니라 해외의 지역에 따른 레일 온도를 예측할 수 있다.
도 2를 참조하여, 상술한 알고리즘 생성부(310)를 설명하면 다음과 같다.
도 2에 도시된 바와 같이, 상기 알고리즘 생성부(310)는 지역별 계측데이터 수집부(311), 데이터 정규화부(312), 데이터 딥러닝부(313), 알고리즘 도출부(314)를 포함한다.
상기 지역별 계측데이터 수집부(311)는 상기 별도의 레일온도 계측부에서 계측된 레일의 실제 레일온도 데이터(600)와, 상기 레일온도 계측부에서 상기 레일의 실제 온도를 계측할 때 상기 레일이 위치하는 지역의 지역별 계측 기상데이터(700)를 수집한다.
여기서, 상기 지역별 계측 기상데이터(700)는 상기 실제 레일온도 데이터(600)를 계측한 지역의 지역별 계측 기후데이터(710) 및 상기 실제 레일온도 데이터(600)를 계측한 지역의 지역별 계측 위치데이터(720)를 포함한다.
상기 지역별 계측 기후데이터(710)는 상술한 지역별 실시간 기후데이터(210)와 마찬가지로, 강수 확률, 강수량, 기온, 풍향, 풍속, 습도를 포함한다.
또한, 상기 지역별 계측 위치데이터(720)는 상술한 지역별 위치데이터(220)와 마찬가지로, 경도 및 상기 레일이 위치하는 지역을 위도 및 경도 기준으로 분류하며, 지역에 따른 태양의 방위각 데이터 및 고도각 데이터를 포함한다.
상기 데이터 정규화부(312)는 상기 실제 레일온도 데이터(600)에 따른 상기 지역별 계측 기상데이터(700)를 정규화한다.
상기 데이터 딥러닝부(313)는 정규화된 상기 실제 레일온도 데이터(600) 및 상기 지역별 계측 기상데이터(700)를 매칭하여, 상기 지역별 계측 기상데이터(700)에 따른 상기 실제 레일온도 데이터를 딥러닝한다.
이때, 상기 데이터 딥러닝부(313)는 역전파 알고리즘을 적용한 인공 신경망을 포함하며, 인공신경망에 정규화된 상기 실제 레일온도 데이터(600) 및 상기 지역별 계측 기상데이터(700)를 입력하여 딥러닝하고, 이때, 딥러닝을 통한 알고리즘을 생성하기 위하여 사용하는 활성화 함수는 ReLU일 수 있다.
상기 데이터 딥러닝부(313)에서는 경사 하강법에 의하여 오차(손실)을 최소화하는 방향으로 딥러닝한다.
상기 알고리즘 도출부(314)는 상기 데이터 딥러닝부(313)에서 딥러닝을 통해 상기 실제 레일온도 데이터(600) 및 상기 지역별 계측 기상데이터(700)의 매칭값이 기준 오차 이하에 도달하면, 상기 레일온도 예측 알고리즘(320)을 도출한다.
상술한 과정을 수행함으로써 상기 레일온도 예측 알고리즘(320)를 도출하고, 도 3에 도시된 바와 같이, '계측된 레일 온도'와 '계측된 레일온도-예측된 레일 온도(계측값과 예측값의 차)'를 Bland-Altman 플롯을 이용하여 신뢰도를 평가할 때, 오차의 평균은 0.004 ℃, 표준 편차는 1.726 ℃로 매우 높은 수준의 예측 성능이 나타는 것을 확인할 수 있다.
여기서, 상기 계측 기상데이터 수집부는 상기 실제 레일온도 데이터(600) 및 상기 지역별 계측 기상데이터(700)를 최소 1년 동안 연속적으로 수집하므로, 특정 시간, 특정 계절에만 국한되지 않고, 모든 시간에 레일의 온도 예측을 수행할 수 있게 된다.
도 5 및 도 6을 참조하여, 본 발명에 따른 기상 조건을 고려한 레일 온도 예측 방법을 설명하면 다음과 같다.
먼저, 도 5에 도시된 바와 같이, 본 발명에 따른 기상 조건을 고려한 레일 온도 예측 방법은 기상예보 데이터 수집단계(S100), 지역별 기상예보 데이터 변환단계(S200), 지역별 레일온도 예측단계(S300) 및 지역별 레일온도 표시단계(S400)를 포함하며, 후술하는 본 발명에 따른 기상 조건을 고려한 레일 온도 예측 방법은 상술한 기상 조건을 고려한 레일 온도 예측 시스템을 이용하여 레일 온도를 예측하는 방법이므로, 도 1과 함께 본 발명에 따른 기상 조건을 고려한 레일 온도 예측 방법을 설명하면 다음과 같다.
상기 기상예보 데이터 수집단계(S100)에서는 기상데이터 소스로부터 레일이 위치한 지역의 지역별 기상예보 데이터를 수집한다.
상기 지역별 기상예보 데이터 변환단계(S200)에서는 상기 지역별 기상예보 데이터로부터 지역별 실시간 기후데이터(210) 및 지역별 위치데이터(220)를 계산한다.
여기서, 상기 지역별 실시간 기후데이터(210)는 상기 레일이 위치하는 지역의 기상 예보에 관한 정보에 관한 것이며, 이때, 상기 기상데이터 소스는 기상청 홈페이지의 동네 예보일 수 있으며, 상기 지역별 실시간 기후데이터(210)는 강수확률, 강수량, 기온, 풍향, 풍속, 습도 등을 포함한다.
또한, 상기 지역별 위치데이터(220)는 상기 레일이 위치하는 지역에 관한 정보에 관한 것으로, 상기 지역별 위치데이터(220)는 상기 레일이 위치하는 지역을 위도 및 경도 기준으로 분류한다.
또한, 상기 지역별 위치데이터(220)는 지역에 따른 태양의 방위각 데이터(221) 및 고도각 데이터(222)를 포함하고, 상기 방위각 데이터(221) 및 상기 고도각 데이터(222)는 시간 단위로 구분된다. 즉, 상기 지역별 위치데이터(220)는 위도와 경도 기준 및 년, 월, 일, 시, 분, 초 단위를 기준으로 해당 지역의 태양의 방위각 데이터(221) 및 태양의 고도각 데이터(222)를 의미한다.
따라서, 상기 기상예보 데이터 수집단계(S100)에서 수집된 상기 지역별 기상예보 데이터로부터 레일이 위치한 지역의 강수확률, 강수량, 기온, 풍향, 풍속, 습도 등과 같은 상기 지역별 실시간 기후데이터(210)뿐만 아니라, 지역에 따른 상기 방위각 데이터(221) 및 상기 고도각 데이터(222)를 포함하는 상기 지역별 위치데이터(220)를 계산함으로써 이후 레일온도 예측 알고리즘(320)을 통해 지역별 레일온도를 예측할 때, 보다 정확한 예측을 수행할 수 있도록 한다.
상기 지역별 레일온도 예측에서는 상기 지역별 실시간 기후데이터(210) 및 상기 지역별 위치데이터(220)로부터 딥러닝을 통해 지역별 레일온도를 예측한다. 이때, 상기 지역별 레일온도는 레일온도 예측 알고리즘(320)을 기반으로 상기 지역별 실시간 기후데이터(210) 및 상기 지역별 위치데이터(220)를 딥러닝하여 예측되며, 상기 지역별 레일온도 예측단계(S300)는 상기 레일온도 예측 알고리즘(320)을 생성하는 알고리즘 생성단계(S310)를 포함하고, 상기 알고리즘 생성단게에 대한 설명은 후술하도록 한다.
상기 지역별 레일온도 표시단계(S400)에서는 상기 지역별 레일온도를 지도상에 표시한다.
도 6을 참조하여 상기 알고리즘 생성단계(S310)를 설명하면 다음과 같다.
도 6에 도시된 바와 같이, 상기 알고리즘 생성단계(S310)는 지역별 계측데이터 수집단계(S311), 데이터 정규화단계(S312), 데이터 딥러닝단계(S313), 알고리즘 도출단계(S314)를 포함한다.(도 2 참조)
상기 지역별 계측데이터 수집단계(S311)에서는 상기 별도의 레일온도 계측부에서 계측된 레일의 실제 레일온도 데이터(600)와, 상기 레일온도 계측부에서 상기 레일의 실제 온도를 계측할 때 상기 레일이 위치하는 지역의 지역별 계측 기상데이터(700)를 수집한다.
상기 데이터 정규화단계(S312)에서는 상기 실제 레일온도 데이터(600)에 따른 상기 지역별 계측 기상데이터(700)를 정규화한다.
상기 데이터 딥러닝단계(S313)에서는 정규화된 상기 실제 레일온도 데이터(600) 및 상기 지역별 계측 기상데이터(700)를 매칭하여, 상기 지역별 계측 기상데이터(700)에 따른 상기 실제 레일온도 데이터를 딥러닝한다.
상기 알고리즘 도출단계(S314)에서는 상기 데이터 딥러닝부(313)에서 딥러닝을 통해 상기 실제 레일온도 데이터(600) 및 상기 지역별 계측 기상데이터(700)의 매칭값이 기준 오차 이하에 도달하면, 상기 레일온도 예측 알고리즘(320)을 도출한다.
이외, 본 발명에 따른 기상 조건을 고려한 레일 온도 예측 방법의 상세 설명은 상술한 본 발명에 따른 기상 조건을 고려한 레일 온도 예측 시스템과 대응되므로, 이에 대한 상세한 설명은 생략한다.
이상 설명한 바와 같이, 본 발명은 상술한 특정한 바람직한 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형의 실시가 가능하고 이러한 변형은 본 발명의 범위에 속한다.
100: 기상예보 데이터 수집부
200: 지역별 기상예보 데이터 변환부
210: 지역별 실시간 기후데이터
220: 지역별 위치데이터
221: 방위각 데이터
222: 고도각 데이터
300: 지역별 레일온도 예측부
310: 알고리즘 생성부
311: 지역별 계측데이터 수집부
312: 데이터 정규화부
313: 데이터 딥러닝부
314: 알고리즘 도출부
320: 레일온도 예측 알고리즘
400: 지역별 레일온도 표시부
500: 기상 데이터 소스
600: 실제 레일온도 데이터
700: 지역별 계측 기상데이터
710: 지역별 계측 기후데이터
720: 지역별 계측 위치데이터

Claims (12)

  1. 지역별 기상예보 데이터를 수집하는 기상예보 데이터 수집부;
    상기 지역별 기상예보 데이터로부터 지역별 실시간 기후데이터 및 지역별 위치데이터를 계산하는 지역별 기상예보 데이터 변환부;
    상기 지역별 실시간 기후데이터 및 상기 지역별 위치데이터로부터 딥러닝을 통해 지역별 레일온도를 예측하는 지역별 레일온도 예측부; 및
    상기 지역별 레일온도를 지도 상에 표시하는 지역별 레일온도 표시부;를 포함하는 기상조건을 고려한 레일온도 예측 시스템.
  2. 제1항에 있어서,
    상기 지역별 위치데이터는 지역에 따른 태양의 방위각 데이터 및 고도각 데이터를 포함하고,
    상기 방위각 데이터 및 상기 고도각 데이터는 시간 단위로 구분되는 것을 특징으로 하는 기상 조건을 고려한 레일 온도 예측 시스템.
  3. 제1항에 있어서,
    상기 지역별 실시간 기후데이터는 강수 확률, 강수량, 기온, 풍향, 풍속, 습도를 포함하는 것을 특징으로 하는 레일온도 예측 시스템.
  4. 제1항에 있어서,
    상기 지역별 레일온도는 레일온도 예측 알고리즘을 기반으로 상기 지역별 실시간 기후데이터 및 상기 지역별 위치데이터를 딥러닝하여 예측되며,
    상기 지역별 레일온도 예측부는 상기 레일온도 예측 알고리즘을 생성하는 알고리즘 생성부를 포함하는 것을 특징으로 하는 기상 조건을 고려한 레일 온도 예측 시스템.
  5. 제4항에 있어서,
    상기 알고리즘 생성부는,
    레일온도 계측부에서 계측된 레일의 실제 레일온도 데이터와, 상기 레일온도 계측부에서 상기 레일의 실제 온도를 계측할 때 상기 레일이 위치하는 지역의 지역별 계측 기상데이터를 수집하는 지역별 계측데이터 수집부;
    상기 실제 레일온도 데이터에 따른 상기 지역별 계측 기상데이터를 정규화하는 데이터 정규화부;
    정규화된 상기 실제 레일온도 데이터 및 상기 지역별 계측 기상데이터를 매칭하여, 상기 지역별 계측 기상데이터에 따른 상기 실제 레일온도 데이터를 딥러닝하는 데이터 딥러닝부; 및
    상기 데이터 딥러닝부에서 딥러닝을 통해 상기 실제 레일온도 데이터와 상기 지역별 계측 기상데이터의 매칭 값이 기준오차 이하에 도달하면, 상기 레일온도 예측 알고리즘을 도출하는 알고리즘 도출부;를 포함하는 것을 특징으로 하는 기상 조건을 고려한 레일 온도 예측 시스템.
  6. 제5항에 있어서,
    상기 지역별 계측 기상데이터는,
    상기 실제 레일온도 데이터를 계측한 지역의 지역별 계측 기후데이터; 및
    상기 실제 레일온도 데이터를 계측한 지역의 지역별 계측 위치데이터;를 포함하는 것을 특징으로 하는 기상 조건을 고려한 레일 온도 예측 시스템.
  7. 지역별 기상예보 데이터를 수집하는 기상예보 데이터 수집단계;
    상기 지역별 기상예보 데이터로부터 지역별 실시간 기후데이터 및 지역별 위치데이터를 계산하는 지역별 기상예보 데이터 변환단계;
    상기 지역별 실시간 기후데이터 및 상기 지역별 위치데이터로부터 딥러닝을 통해 지역별 레일온도를 예측하는 지역별 레일온도 예측단계; 및
    상기 지역별 레일온도를 지도 상에 표시하는 지역별 레일온도 표시단계;를 포함하는 기상조건을 고려한 레일온도 예측 방법.
  8. 제7항에 있어서,
    상기 지역별 레일온도 예측단계에서 상기 지역별 위치데이터는 지역에 따른 태양의 방위각 데이터 및 고도각 데이터를 포함하고,
    상기 방위각 데이터 및 상기 고도각 데이터는 시간 단위로 구분되는 것을 특징으로 하는 기상 조건을 고려한 레일 온도 예측 방법.
  9. 제7항에 있어서,
    상기 지역별 레일온도 예측단계에서 상기 지역별 실시간 기후데이터는 강수 확률, 강수량, 기온, 풍향, 풍속, 습도를 포함하는 것을 특징으로 하는 레일온도 예측 방법.
  10. 제7항에 있어서,
    상기 지역별 레일온도 예측단계에서 예측된 상기 지역별 레일온도는 레일온도 예측 알고리즘을 기반으로 상기 지역별 실시간 기후데이터 및 상기 지역별 위치데이터를 딥러닝하여 예측되며,
    상기 지역별 레일온도 예측단계는 상기 레일온도 예측 알고리즘을 생성하는 알고리즘 생성단계를 포함하는 것을 특징으로 하는 기상 조건을 고려한 레일 온도 예측 방법.
  11. 제10항에 있어서,
    상기 알고리즘 생성단계는,
    레일온도 계측부에서 계측된 레일의 실제 레일온도 데이터와, 상기 레일온도 계측부에서 상기 레일의 실제 온도를 계측할 때 상기 레일이 위치하는 지역의 지역별 계측 기상데이터를 수집하는 지역별 계측데이터 수집단계;
    상기 실제 레일온도 데이터에 따른 상기 지역별 계측 기상데이터를 정규화하는 데이터 정규화단계;
    정규화된 상기 실제 레일온도 데이터 및 상기 지역별 계측 기상데이터를 매칭하여, 상기 지역별 계측 기상데이터에 따른 상기 실제 레일온도 데이터를 딥러닝하는 데이터 딥러닝단계; 및
    상기 데이터 딥러닝단계에서 딥러닝을 통해 상기 실제 레일온도 데이터와 상기 지역별 계측 기상데이터의 매칭 값이 기준오차 이하에 도달하면, 상기 레일온도 예측 알고리즘을 도출하는 알고리즘 도출단계;를 포함하는 것을 특징으로 하는 기상 조건을 고려한 레일 온도 예측 방법.
  12. 제11항에 있어서,
    상기 지역별 계측데이터 수집단계에서 수집된 상기 지역별 계측 기상데이터는,
    상기 실제 레일온도 데이터를 계측한 지역의 지역별 계측 기후데이터; 및
    상기 실제 레일온도 데이터를 계측한 지역의 지역별 계측 위치데이터;를 포함하는 것을 특징으로 하는 기상 조건을 고려한 레일 온도 예측 방법.
KR1020180118292A 2018-10-04 2018-10-04 기상 조건을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법 KR101966641B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180118292A KR101966641B1 (ko) 2018-10-04 2018-10-04 기상 조건을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180118292A KR101966641B1 (ko) 2018-10-04 2018-10-04 기상 조건을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법

Publications (1)

Publication Number Publication Date
KR101966641B1 true KR101966641B1 (ko) 2019-08-19

Family

ID=67807028

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180118292A KR101966641B1 (ko) 2018-10-04 2018-10-04 기상 조건을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법

Country Status (1)

Country Link
KR (1) KR101966641B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102238669B1 (ko) * 2019-11-11 2021-04-12 한국철도기술연구원 딥러닝을 이용한 레일표면온도 예측 및 조기경보 시스템 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006047049A (ja) * 2004-08-03 2006-02-16 Japan Weather Association 路面凍結防止作業量予測システム、路面凍結防止作業量予測方法及び路面凍結防止作業量予測プログラム
JP2008292381A (ja) * 2007-05-28 2008-12-04 Railway Technical Res Inst 架線着霜の予測方法及びその装置
KR20090129714A (ko) * 2008-06-13 2009-12-17 명관 이 레일 모니터링 시스템 및 그 제어방법
KR101456532B1 (ko) 2013-07-24 2014-10-31 현대로템 주식회사 선로전환기의 관리시스템
KR101809629B1 (ko) * 2016-11-28 2017-12-15 한국외국어대학교 연구산학협력단 기상청 국지예보모델을 활용한 도시 폭염 상세정보 예측 방법 및 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006047049A (ja) * 2004-08-03 2006-02-16 Japan Weather Association 路面凍結防止作業量予測システム、路面凍結防止作業量予測方法及び路面凍結防止作業量予測プログラム
JP2008292381A (ja) * 2007-05-28 2008-12-04 Railway Technical Res Inst 架線着霜の予測方法及びその装置
KR20090129714A (ko) * 2008-06-13 2009-12-17 명관 이 레일 모니터링 시스템 및 그 제어방법
KR101456532B1 (ko) 2013-07-24 2014-10-31 현대로템 주식회사 선로전환기의 관리시스템
KR101809629B1 (ko) * 2016-11-28 2017-12-15 한국외국어대학교 연구산학협력단 기상청 국지예보모델을 활용한 도시 폭염 상세정보 예측 방법 및 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102238669B1 (ko) * 2019-11-11 2021-04-12 한국철도기술연구원 딥러닝을 이용한 레일표면온도 예측 및 조기경보 시스템 및 방법

Similar Documents

Publication Publication Date Title
Pelly et al. A new perspective on blocking
Sun et al. Radar data assimilation with WRF 4D-Var. Part II: Comparison with 3D-Var for a squall line over the US Great Plains
Bellucci et al. LIFE DYNAMAP project: The case study of Rome
EP2942744A1 (en) A method for evaluating a performance prediction for a wind farm
Engeset National avalanche warning service for Norway–established 2013
KR101966641B1 (ko) 기상 조건을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법
CN104794923B (zh) 交通线路的气象信息显示方法及装置
CN109407177B (zh) 基于机器学习与常规气象观测的大雾识别系统和应用方法
CN206479993U (zh) 一种融合bim的rfid的建筑工人智能管理系统
CN109572763A (zh) 一种基于恶劣天气和晚点条件下列车车次安全性评估方法
Buddemeyer et al. Rural variable speed limit system for southeast Wyoming
Kumpf et al. Automated ice inference and monitoring on the veterans’ glass city skyway bridge
Toppen et al. Travel time data collection for measurement of advanced traveler information systems accuracy
Gustavsson et al. Information not data: future development of road weather information systems
KR20210106781A (ko) 레일의 설치 방향을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법
Karsisto et al. Using car observations in road weather forecasting
KR101722989B1 (ko) 기지국 유동인구 정보를 활용한 재난 관리 장치 및 방법
Zhang et al. Modeling rail temperature with real-time weather data
WO2015108154A1 (ja) 最大瞬間風速予測システム、コンピュータプログラム、及び、突風警報情報発令システム
Yang et al. Machine learning approaches to estimate road surface temperature variation along road section in real-time for winter operation
CN105070001A (zh) 一种基于巡护终端的森林火险动态预测方法
Bogren et al. Temperature differences in the air layer close to a road surface
Fu et al. Prediction of weather-related incidents on the rail network: prototype data model for wind-related delays in Great Britain
CN104050518B (zh) 一种基于多普勒天气雷达的电网对流致灾大风预警方法
CN106485400A (zh) 计及线路状态的交流输电线路台风风险的评估方法