KR102053256B1 - 무선 lte 통신모듈을 활용한 기상정보수집시스템 - Google Patents

무선 lte 통신모듈을 활용한 기상정보수집시스템 Download PDF

Info

Publication number
KR102053256B1
KR102053256B1 KR1020190023750A KR20190023750A KR102053256B1 KR 102053256 B1 KR102053256 B1 KR 102053256B1 KR 1020190023750 A KR1020190023750 A KR 1020190023750A KR 20190023750 A KR20190023750 A KR 20190023750A KR 102053256 B1 KR102053256 B1 KR 102053256B1
Authority
KR
South Korea
Prior art keywords
weather information
information
weather
module
collection system
Prior art date
Application number
KR1020190023750A
Other languages
English (en)
Inventor
이영미
김균
Original Assignee
(주)에코브레인
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 (주)에코브레인 filed Critical (주)에코브레인
Priority to KR1020190023750A priority Critical patent/KR102053256B1/ko
Application granted granted Critical
Publication of KR102053256B1 publication Critical patent/KR102053256B1/ko

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
    • G01W1/06—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed giving a combined indication of weather conditions
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L12/00—Data switching networks
    • H04L12/28—Data switching networks characterised by path configuration, e.g. LAN [Local Area Networks] or WAN [Wide Area Networks]
    • H04L12/46—Interconnection of networks
    • H04L12/4641—Virtual LANs, VLANs, e.g. virtual private networks [VPN]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L45/00—Routing or path finding of packets in data switching networks
    • H04L45/66—Layer 2 routing, e.g. in Ethernet based MAN's
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W2001/006—Main server receiving weather information from several sub-stations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2203/00—Real-time site-specific personalized weather information, e.g. nowcasting

Landscapes

  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Security & Cryptography (AREA)
  • Telephonic Communication Services (AREA)

Abstract

본 발명은 기상정보수집시스템에 관한 것으로, 더욱 상세하게는 복수의 자동기상관측기로부터 LTE VPN 망의 이용이 가능한 단일장치의 라우터를 통하여 기상정보를 무선 수신하도록 함으로써, 시스템의 설치 및 관리가 용이하게 이루어지고, 설치 및 운영 비용을 절약할 수 있도록 하며, 라우터를 통해 수신된 기상정보를 복수의 내부수집서버에 분배하도록 함으로써 기상정보를 이용한 다양한 정보의 생성이 신속하게 이루어질 수 있도록 하는 무선 LTE 통신모듈을 활용한 기상정보수집시스템에 관한 것이다.

Description

무선 LTE 통신모듈을 활용한 기상정보수집시스템{A System for Gathering Weather Information Using Wireless LTE Communication Module}
본 발명은 기상정보수집시스템에 관한 것으로, 더욱 상세하게는 복수의 자동기상관측기로부터 LTE VPN 망의 이용이 가능한 단일장치의 라우터를 통하여 기상정보를 무선 수신하도록 함으로써, 시스템의 설치 및 관리가 용이하게 이루어지고, 설치 및 운영 비용을 절약할 수 있도록 하며, 라우터를 통해 수신된 기상정보를 복수의 내부수집서버에 분배하도록 함으로써 기상정보를 이용한 다양한 정보의 생성이 신속하게 이루어질 수 있도록 하는 무선 LTE 통신모듈을 활용한 기상정보수집시스템에 관한 것이다.
일반적으로 기상예보를 위하여 측정되는 기상관측정보는 아래 특허문헌과 같이 자동기상관측장비(AWS,Automatic Weather System)에 의해 자동으로 측정되어 수집된다.
이때, 종래 기상정보의 수집은 도 1에서 보는 바와 같이 복수의 AWS 장치로부터 각각의 AWS장치와 무선 LTE 등으로 연결되는 라우터 등을 연결하고, 별도의 인터넷 망을 통해 라우터와 내부수집서버를 연결하여 이루어지도록 하였다.
따라서, 자동기상관측장비를 이용한 기상정보 수집 시스템의 구성에 많은 설비가 투입되고 설치 및 운영비용이 과도하게 소모되는 문제가 있다.
또한, 기존에는 수집된 기상정보를 기상예보를 위해 주로 사용했으나, 최근에는 기상정보를 다양한 분야에 활용하는 경우가 많아졌고, 이를 위해서는 수집서버에 별도의 통신수단을 설치하여 기상정보를 각 활용분야로 전달하도록 해야 하는 번거로움이 있었다.
(특허문헌)
등록특허공보 제10-1219506호(2013.01.02. 등록)"강우 및 수위 실시간 모니터링 시스템 및 이를 이용한 모니터링 방법"
본 발명은 상기와 같은 문제점을 해결하기 위해 안출된 것으로,
본 발명은 복수의 자동기상관측기로부터 LTE VPN 망의 이용이 가능한 단일장치의 라우터를 통하여 기상정보를 무선 수신하도록 함으로써, 시스템의 설치 및 관리가 용이하게 이루어지고, 설치 및 운영 비용을 절약할 수 있도록 하는 기상정보수집시스템을 제공하는데 목적이 있다.
본 발명은 라우터를 통해 수신된 기상정보를 복수의 내부수집서버에 분배하도록 함으로써 기상정보를 이용한 다양한 정보의 생성이 신속하게 이루어질 수 있도록 하는 기상정보수집시스템을 제공하는데 목적이 있다.
본 발명은 앞서 본 목적을 달성하기 위해서 다음과 같은 구성을 가진 실시예에 의해서 구현된다.
본 발명의 일 실시예에 따르면, 본 발명에 따른 기상정보수집시스템은 복수의 지점에 설치되어 기상 정보를 측정하는 복수의 자동기상관측기와; 복수의 자동기상관측기로부터 기상 정보에 대한 무선신호를 수신하여 전달하는 라우터와; 상기 라우터와 연결되어 기상 정보를 내부수집서버로 전달하는 이더넷과; 상기 이더넷과 연결되어 기상정보를 수집하며, 수집된 기상정보를 이용하여 사용자에게 제공될 새로운 정보를 생성하는 내부수집서버;를 포함하고, 상기 라우터는 LTE VPN 망을 이용하여 복수의 자동기상관측기로부터 무선신호를 수신하는 단일 장치로 형성되는 것을 특징으로 한다.
본 발명의 다른 실시예에 따르면, 본 발명에 따른 기상정보수집시스템에 있어서, 상기 내부수집서버는 복수개로 형성되어 사용자에게 제공되는 서로 다른 정보를 생성하도록 하며, 상기 이더넷으로부터 각 내부수집서버에 필요한 정보를 전달받도록 하는 것을 특징으로 한다.
본 발명의 또 다른 실시예에 따르면, 본 발명에 따른 기상정보수집시스템에 있어서, 상기 내부수집서버는 안개의 예측정보를 생성하는 안개예측모듈을 포함하는 것을 특징으로 한다.
본 발명의 또 다른 실시예에 따르면, 본 발명에 따른 기상정보수집시스템에 있어서, 상기 안개예측모듈은 기온, 노점온도, 습도, 풍속, 기압, 일사량, 기온과 노점온도의 차이에 관한 기상정보를 수신하여 신경망 구축을 통해 안개 발생을 예측하도록 하는 것을 특징으로 한다.
본 발명의 또 다른 실시예에 따르면, 본 발명에 따른 기상정보수집시스템에 있어서, 상기 내부수집서버는 기상정보에 따른 특정 질병의 위험도를 산정하여 사용자에게 제공하는 기상질환연계정보제공모듈을 포함하는 것을 특징으로 한다.
본 발명의 또 다른 실시예에 따르면, 본 발명에 따른 기상정보수집시스템에 있어서, 상기 기상질환연계정보제공모듈은 특정 기상요인에 따라 좌우되는 특정 질병을 분류하는 기상요인별분류모듈과, 특정 기상요인의 수치에 따라 특정 질병의 위험도를 산정하는 기상요인가중모듈과, 산정된 위험도를 사용자에게 제공하는 위험도제공모듈을 포함하는 것을 특징으로 한다.
본 발명의 또 다른 실시예에 따르면, 본 발명에 따른 기상정보수집시스템은 복수의 내부수집서버로 전달되는 기상정보를 분배하는 분배서버를 포함하는 것을 특징으로 한다.
본 발명의 또 다른 실시예에 따르면, 본 발명에 따른 기상정보수집시스템에 있어서, 상기 분배서버는 각 내부수집서버에서 필요한 정보에 따라 기상정보를 분배하는 자동분배모듈과, 기상정보의 분배를 위해 동일한 정보를 복제하는 복제모듈을 포함하는 것을 특징으로 한다.
본 발명은 앞서 본 실시예와 하기에 설명할 구성과 결합, 사용관계에 의해 다음과 같은 효과를 얻을 수 있다.
본 발명은 복수의 자동기상관측기로부터 LTE VPN 망의 이용이 가능한 단일장치의 라우터를 통하여 기상정보를 무선 수신하도록 함으로써, 시스템의 설치 및 관리가 용이하게 이루어지고, 설치 및 운영 비용을 절약할 수 있도록 하는 효과가 있다.
본 발명은 라우터를 통해 수신된 기상정보를 복수의 내부수집서버에 분배하도록 함으로써 기상정보를 이용한 다양한 정보의 생성이 신속하게 이루어질 수 있도록 하는 효과가 있다.
도 1은 종래 기상정보수집시스템의 구성도
도 2는 본 발명의 일 실시예에 따른 무선 LTE 통신모듈을 활용한 기상정보수집시스템의 구성도
도 3은 도 2의 내부수집서버의 구성을 나타내는 블럭도
도 4는 도 3의 안개예측모듈의 구성을 나타내는 블럭도
도 5는 도 4의 신경망구축모듈의 구성을 나타내는 블럭도
도 6은 신경망구축모듈에 의해 신경망 구축과정을 간략하게 나타내는 참고도
도 7은 신경망구축모듈에 의해 구축되는 신경망을 나타내는 참고도
도 8은 도 3의 기상질환연계제공모듈의 구성을 나타내는 블럭도
도 9는 본 발명의 다른 실시예에 따른 무선 LTE 통신모듈을 활용한 기상정보수집시스템의 구성도
도 10은 도 9의 분배서버의 구성을 나타내는 블럭도
이하에서는 본 발명에 따른 무선 LTE 통신모듈을 활용한 기상정보수집시스템의 바람직한 실시예들을 첨부된 도면을 참조하여 상세히 설명한다. 하기에서 본 발명을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하도록 한다. 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미하고, 또한 명세서에 기재된 "...부", "...모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.
본 발명의 일 실시예에 따른 무선 LTE 통신모듈을 활용한 기상정보수집시스템을 도 2 내지 도 8을 참조하여 설명하면, 상기 기상정보수집시스템은 복수의 지점에 설치되어 기상 정보를 측정하는 복수의 자동기상관측기(1)와; 복수의 자동기상관측기(1)로부터 기상 정보에 대한 무선신호를 수신하여 전달하는 라우터(2)와; 상기 라우터(2)와 연결되어 기상 정보를 내부수집서버(4)로 전달하는 이더넷(3)과; 상기 이더넷(3)과 연결되어 기상정보를 수집하며, 수집된 기상정보를 이용하여 사용자에게 제공될 새로운 정보를 생성하는 내부수집서버(4);를 포함한다.
이때, 본 발명은 도 1에 도시된 바와 같이 종래 복수의 자동기상관측기(1)를 복수의 라우터에 각각 연결하던 것과는 달리 LTE VPN 망을 이용하여 단일의 라우터(2)에 연결되도록 함으로써 설치를 용이하게 하고 설치 및 운영비용을 절감할 수 있도록 한다. 또한, 내부수집서버(4)는 기상정보를 이용하여 생성할 새로운 정보에 따라 복수개로 형성되도록 하여 이더넷을 통해 라우터(2)와 연결되도록 함으로써 신속, 정확한 정보의 수집과 간결한 시스템의 구성이 가능하도록 한다.
상기 자동기상관측기(1)는 다수의 지점에 설치되어 자동으로 다양한 기상정보를 수집하는 구성으로, AWS(Automatic Weather System)을 적용하도록 할 수 있다. 상기 자동기상관측기(1)에 의해 수집된 정보는 LTE VPN 망을 통해 라우터(2)로 전달된다.
상기 라우터(2)는 복수의 자동기상관측기(1)에 의해 측정되는 기상정보를 무선 신호를 통해 수신하여 내부수집서버(4)로 전달하는 구성으로, LTE VPN 망을 이용한 무선신호를 수신할 수 있는 단일 장치로 형성된다. 여기서 VPN(Virtual Private Network)이란 가상사설망을 의미하는 것으로, LTE VPN은 LTE의 무선신호를 송수신하는 공중망을 전용선처럼 사용할 수 있는 네트워크 망을 의미한다. 따라서, LTE VPN을 이용할 수 있는 라우터(2)는 단일 장치로도 복수의 자동기상관측기(1)로부터 기상 정보를 수집할 수 있으며, 이를 통해 적은 비용으로도 시스템을 구축하고 운영할 수 있게 된다.
상기 이더넷(3)은 일반적으로 사용되는 근거리통신망의 방식을 의미하는 것으로, 라우터(2)와 내부수집서버(4) 사이를 유선으로 연결하여 기상정보의 전달이 이루어지도록 한다. 이때, 이더넷(3)을 통한 기상정보는 복수의 내부수집서버(4)로 전달되어 다양한 새로운 정보가 생성될 수 있도록 한다.
상기 내부수집서버(4)는 상기 자동기상관측기(1)로부터 측정되는 기상정보를 전달받아 사용자에게 제공되는 새로운 정보를 생성하는 구성으로, 라우터(2)를 통과하는 기상정보를 이더넷(3)을 통해 수집하도록 할 수 있다. 상기 내부수집서버(4)는 복수개로 형성되어 각각 서로 다른 정보를 생성하도록 할 수 있으며, 일 예로 기상예보정보, 안개예측정보, 기상질환연계정보 등을 생성하도록 할 수 있다. 각각의 내부수집서버(4)는 필요한 정보를 선별하여 수집하도록 할 수 있으며, 하나의 이더넷(3)을 통과한 정보를 복수개의 내부수집서버(4)에서 동시에 전달받도록 함으로써 신속하고 정확한 정보의 전달이 가능하며, 간단한 시스템의 구성이 이루어지도록 할 수 있다. 상기 내부수집서버(4)는 도 3에 도시된 바와 같이 기상예보모듈(41), 안개예측모듈(42), 기상질환연계정보제공모듈(43)을 포함할 수 있다.
상기 기상예보모듈(41)은 수집되는 기상정보들을 조합하여 일정 지점에 대한 기상예보정보를 생성하여 제공하는 구성으로, 다양한 기상정보들을 종합하여 일정 시간 간격으로 예보가 제공되도록 할 수 있다.
상기 안개예측모듈(42)은 수집된 기상정보에 의해 안개 발생을 예측하는 정보를 출력하는 구성으로, 신경망을 이용하여 예측 정보를 생성하도록 할 수 있다. 일반적으로 신경망은 경험을 통해 자기 자신의 규칙을 만들 수 있는 구조와 능력을 가진 인간의 두뇌를 모형화하여 문제 해결 능력을 갖게 한 수학적 모델의 하나로 입력층(S1), 은닉층(S2), 출력층(S3)으로 구성되어 학습을 통해 최적화된다. 신경망의 각 층들은 하나 이상의 노드로 구성되며, 하나의 층에 속한 노드들의 출력은 층간 가중치를 통해서 확대 또는 감소되어 또 다른 층의 노드로 전달된다. 이때, 정보가 입력되는 층을 입력층(S1)이라 하고 처리된 정보가 나타나는 층을 출력층(S3)이라 하며, 입력층(S1)과 출력층(S3) 사이의 모든 층을 은닉층(S2)이라 한다. 각 노드들에 입력되는 값은 전 층으로부터의 출력값과 층간 가중치를 곱한 값이며, 이러한 가중치를 조절하는 반복 과정을 통해 정확한 예측값을 출력할 수 있는 신경망을 구축할 수 있도록 하고, 이러한 과정을 학습 내지 훈련이라 한다.
상기 안개예측모듈(42)은 안개 발생에 영향을 미치는 변수들을 이용하여 안개 발생 여부를 예측할 수 있는 신경망을 구축하도록 하며, 구축된 신경망을 이용하여 특정 시점의 안개 발생 여부를 예측할 수 있도록 한다. 이를 위해, 상기 안개예측모듈(42)은 안개 발생을 예측하기 위한 신경망을 구축하는 신경망구축모듈(421)과, 기상정보를 수집하는 기상정보수집모듈(422)과, 수집된 기상정보를 구축된 신경망(S)에 입력하여 안개 발생 여부를 출력하는 안개발생여부출력모듈(423)을 포함할 수 있다.
상기 신경망구축모듈(421)은 안개 발생에 영향을 미치는 입력 변수들을 이용하여 안개 발생을 예측하는 신경망을 구축하는 구성으로, 기온, 노점온도, 기온과 노점온도의 차이, 풍속, 풍향, 상대습도, 기압, 일사량을 입력변수로 하고, 목표물을 정확하게 인식할 수 있는 거리를 의미하는 시정값을 출력값으로 하여 안개 발생을 예측하는 신경망을 구축하도록 한다. 상기 신경망구축모듈(421)은 도 6에 도시된 바와 같이 신경망에 입력변수들을 입력하고, 임의의 가중치를 설정하여 시정값을 출력할 수 있도록 하며, 출력된 시정값과 실제 시정값과의 오차를 산정하여 오차를 줄이는 방향으로 가중치를 수정하고, 오차가 최소화될 때까지 가중치를 수정하는 과정을 반복하여 신경망을 최적화할 수 있도록 한다. 다시 말해, 상기 신경망구축모듈(421)은 과거 특정 시점의 기상정보를 바탕으로 기온, 노점온도, 기온과 노점온도의 차이, 풍속, 풍향, 상대습도, 기압, 일사량를 입력변수로 입력하고, 신경망을 통해 출력되는 시정값과 해당 시점의 실제 시정값을 비교하여 오차를 줄이는 방향으로 가중치의 수정이 이루어질 수 있도록 한다. 이를 위해, 상기 신경망구축모듈(421)은 도 5에 도시된 바와 같이 변수입력모듈(421a), 가중치설정모듈(421b), 출력값산출모듈(421c), 오차산정모듈(421d), 가중치갱신모듈(421e)을 포함할 수 있다.
상기 변수입력모듈(421a)은 안개 발생에 영향을 미치는 값들을 신경망의 입력변수로 입력되도록 하는 구성으로, 기온, 노점온도, 기온과 노점온도의 차이, 풍속, 풍향, 상대습도, 기압, 일사량을 입력변수로 설정하도록 한다.
상기 가중치설정모듈(421b)은 신경망 구축 초기에 층간 노드 사이의 상관관계를 의미하는 가중치를 설정하는 구성으로, 임의의 값을 설정하여 신경망에 의한 연산을 시작하도록 하며, 상기 오차산정모듈(421d)에 의해 산정되는 오차에 따라 반복적인 갱신이 이루어져 최적화되도록 한다.
상기 출력값산출모듈(421c)은 각 노드의 출력값과 가중치를 곱하여 합함으로써 다음 층 노드의 입력값을 산출하고, 입력층(S1)에서 출력층(S3)까지 이러한 과정이 반복되도록 하여 시정값에 해당하는 출력값을 산출하도록 한다.
상기 오차산정모듈(421d)은 상기 출력값산출모듈(421c)에서 출력되는 시정값과 입력된 변수들에 해당하는 시점의 시정값을 비교하여 오차를 산정하는 구성으로, 산정된 오차에 따라 가중치가 갱신될 수 있도록 한다.
상기 가중치갱신모듈(421e)은 상기 오차산정모듈(421d)에서 산정되는 오차에 따라 오차를 줄이는 방향으로 가중치를 수정하는 구성으로, 오차가 일정 범위 이내가 될 때까지 가중치를 갱신하도록 한다. 다시 말해, 오차가 일정 범위 밖인 경우 가중치를 수정하여 다시 출력값산출모듈(421c)을 거치도록 하며, 실제 시정값과의 비교를 통해 다시 오차를 산정하고 가중치의 수정이 이루어지도록 한다. 이때, 상기 가중치갱신모듈(421e)은 입력층, 은닉층, 출력층이 아닌 그 반대 방향으로 가중치를 갱신해 나가는 역전파 알고리즘을 사용하도록 할 수 있다. 또한, 상기 가중치갱신모듈(421e)은 이러한 과정을 반복하는 횟수를 설정하여 해당 횟수만큼 학습이 이루어지도록 할 수 있으며, 바람직하게는 1×e9 만큼 반복이 이루어지도록 할 수 있다.
상기 신경망구축모듈(421)에 의한 신경망 구축과정을 좀 더 구체적으로 설명하면, 입력층의 입력노드들을 x1,…, xp, 출력층의 출력노드를 y, 은닉층의 은닉노드들을 z1,…,zq로 가정할 경우 은닉노드의 값 zk는 아래 [수학식 1]과 같이 표시될 수 있다.
[수학식 1]
Figure 112019021133723-pat00001
(k = 1,…,q)
이때, ωjk는 입력노드 j에서 은닉노드 k로 가는 연결줄(시냅스, synapse)에 붙은 계수, 즉 가중치이고, ω0k는 노드 k에 영향을 주는 상수항이며, f1(u)는 활성화 함수를 뜻한다. 활성화 함수는 로지스틱 함수, Hyperbolic tangent 함수, 무변환함수 등의 비선형함수가 사용될 수 있다. 이렇게 z1,…, zq가 정해지면 아래 [수학식 2]와 같이 이들과 bias(ω0k) 결합에 활성화 함수 f2를 취하여 출력변수 y를 출력하도록 한다.
[수학식 2]
Figure 112019021133723-pat00002
그리고 이렇게 출력된 출력변수 y를 실제값과 비교하여 오차를 산출하며, 오차가 일점 범위 내가 될 때까지 가중치를 갱신하며 신경망을 학습시키거나 설정된 일정 횟수만큼 신경망을 학습시키도록 할 수 있다.
도 7은 이러한 신경망의 학습 과정을 거쳐 도출된 안개 예측을 위한 신경망으로, 입력층(S1)은 입력변수는 T2(기온), DT2(노점온도), RH(습도), WS10(풍속), WD(풍향), PRES(기압), RADI(일사량), T-DT(기온과 노점온도의 차)로 설정되어 입력노드 x1~x8에 각각 입력되었으며, 은닉층(S2)은 제1은닉층(S21)과 제2은닉층(S22)으로 형성되어 제1은닉층(S21)에는 z1,z2,z3의 3개 은닉노드가 형성되고 제2은닉층(S22)에는 z4,z5의 2개 은닉노드가 형성되도록 하였으며, 출력층(S3)에서는 출력노드 y1을 통해 시정값(VIS)이 출력되도록 하였다. 이렇게 출력된 시정값을 실제 시정값과 비교하여 오차를 산정하도록 하였으며, 오차를 줄이는 방향으로 가중치를 갱신하면서 1×e9회만큼 반복 학습시켜 최적의 가중치를 산출하도록 하였다.
상기 기상정보수집모듈(422)은 상기 신경망구축모듈(421)에서 구축된 신경망을 이용하여 특정 시점의 안개 발생 여부를 예측하기 위해 기상정보를 수집하는 단계로, 기온, 노점온도, 습도, 풍속, 풍향, 기압, 일사량, 기온과 노점온도의 차에 관한 정보를 수집하도록 할 수 있다. 상기 기상정보수집모듈(422)은 상기 자동기상관측기(1)에 의해 측정되는 기상정보를 라우터(2), 이더넷(3)을 통해 수집하여 신경망의 구축 및 안개발생의 예측에 사용되도록 한다.
상기 안개발생여부출력모듈(423)은 상기 기상정보수집모듈(422)에서 수집된 기상정보를 신경망에 입력하여 안개의 발생 여부를 출력하도록 하는 구성으로, 신경망을 통해서는 시정값에 관한 정보가 출력되며, 예를 들어 시정값이 1km 이상인 경우에는 안개가 발생될 것으로 예측하고, 시정값이 1km 미만인 경우에는 안개가 발생하지 않는 것으로 예측할 수 있다.
상기 기상질환연계정보제공모듈(43)은 기상상태에 따른 질병발생의 위험도 정보를 생성하여 제공하는 구성으로, 특정 기상요인에 따라 좌우되는 질병을 분류하고, 기상의 수치별로 질병 발생의 위험도를 산출하도록 한다. 이를 위해, 상기 기상질환연계정보제공모듈(43)은 기상요인별분류모듈(431), 기상요인가중모듈(432), 위험도제공모듈(433)을 포함할 수 있다.
상기 기상요인별분류모듈(431)은 특정 기상요인에 따라 좌우되는 특정 질병을 분류하는 구성으로, 예컨대 기온의 변화에 따라 관상동맥질환 및 뇌경색질환의 환자가 늘어나고, 미세먼지의 변화에 따라 천식질환 및 비염질환의 환자가 늘어나며, 습도가 변화에 따라 아토피 피부염질환의 환자가 늘어나는 경우, 상기 기상요인별분류모듈(431)은 기온에 좌우되는 특정 질병으로 관상동맥질환 및 뇌경색질환을 분류하고, 미세먼지에 좌우되는 특정 질병으로 천식질환 및 비염질환을 분류하며, 습도에 좌우되는 특정 질병으로 아토피 비부염질환을 분류하게 된다.
상기 기상요인가중모듈(432)은 상기 기상요인별분류모듈(431)에 의해 특정 기상요인에 따라 좌우되는 특정 질병이 분류된 경우, 특정 기상요인의 수치에 따라 상기 특정 질병의 위험도를 산정하여 기상질환연계정보를 생성하는 구성이다. 예컨대, 상온(25℃)에서 관상동맥질환 환자가 100명 발생하였는데, 10℃에서는 관상동맥질환 환자가 200명 발생하고, -5℃에서는 관상동맥질환 환자가 300명이 발생하고, -15℃에서는 관상동맥질환 환자가 1000명이 발생하는 경우, 상기 기상요인가중모듈(432)은 관상동맥질환의 위험도를 25℃에서는 1, 10℃에서 2, -5℃에서 3, -15℃에서 10과 같이 특정 기상요인(온도)의 수치에 따라 특정 질병(관상동맥질환)의 위험도를 차등부여하게 된다.
상기 위험도제공모듈(433)은 상기 기상요인가중모듈(432)에 의해 산정되는 기상질환연계정보를 사용자에게 제공하는 구성으로, 기상에 따라 특정 질환의 위험을 가진 사용자들이 미리 주의를 기울일 수 있도록 한다.
본 발명의 다른 실시예에 따른 무선 LTE 통신모듈을 활용한 기상정보수집시스템을 도 9 내지 도 10을 참조하여 설명하면, 상기 기상정보수집시스템은 자동기상관측기(1), 라우터(2), 이더넷(3), 내부수집서버(4)에 더하여 분배서버(5)를 포함하도록 한다.
상기 분배서버(5)는 이더넷(3)과 내부수집서버(4) 사이에 형성되어 자동기상관측기(1)로부터 측정되어 전달되는 기상정보를 각 내부수집서버(4)에 분배하도록 한다. 상기 내부수집서버(4)는 복수개로 형성되어 기상예보, 안개예측정보 등 서로 다른 정보들을 생성하게 되므로, 서로 필요로 하는 기상정보가 상이하게 된다. 따라서, 상기 분배서버(5)는 각 내부수집서버(4)에서 요구되는 기상정보에 따라 이더넷(3)을 통과하는 기상정보들을 자동으로 분류하여 각 내부수집서버(4)에 전달되도록 함으로써, 정확하고 신속한 기상정보의 전달이 이루어질 수 있도록 한다. 이를 위해, 상기 분배서버(5)는 자동분배모듈(51)과, 복제모듈(52)을 포함할 수 있다.
상기 자동분배모듈(51)은 각 내부수집서버(4)에서 요구하는 기상정보에 따라 기상정보들을 자동으로 분류하여 분배하는 구성으로, 각 내부수집서버(4)별로 미리 설정된 정보에 따라 기상정보를 분배하도록 한다.
상기 복제모듈(52)은 동일한 기상정보에 대해 복수의 내부수집서버(4)로 전달이 이루어지는 경우, 동일한 정보를 복사하여 전달이 이루어지도록 하는 구성으로, 동일한 정보가 복수의 내부수집서버(4)로 전달되어야 하는 경우에도 신속하고 정확한 기상정보의 전달이 이루어질 수 있도록 한다.
이상에서, 출원인은 본 발명의 다양한 실시예들을 설명하였지만, 이와 같은 실시예들은 본 발명의 기술적 사상을 구현하는 일 실시예일 뿐이며, 본 발명의 기술적 사상을 구현하는 한 어떠한 변경예 또는 수정예도 본 발명의 범위에 속하는 것으로 해석되어야 한다.
1: 자동기상관측기
2: 라우터
3: 이더넷
4: 내부수집서버 41: 기상예보모듈
42: 안개예측모듈 43: 기상질환연계정보제공모듈
5: 분배서버 51: 자동분배모듈 52: 복제모듈

Claims (8)

  1. 복수의 지점에 설치되어 기상 정보를 측정하는 복수의 자동기상관측기와;
    복수의 자동기상관측기로부터 기상 정보에 대한 무선신호를 수신하여 전달하는 라우터와;
    상기 라우터와 연결되어 기상 정보를 내부수집서버로 전달하는 이더넷과;
    상기 이더넷과 연결되어 기상정보를 수집하며, 수집된 기상정보를 이용하여 사용자에게 제공될 새로운 정보를 생성하는 내부수집서버;를 포함하고,
    상기 라우터는 LTE VPN 망을 이용하여 복수의 자동기상관측기로부터 무선신호를 수신하는 단일 장치로 형성되는 것을 특징으로 하는 기상정보수집시스템.
  2. 제 1 항에 있어서, 상기 내부수집서버는
    복수개로 형성되어 사용자에게 제공되는 서로 다른 정보를 생성하도록 하며, 상기 이더넷으로부터 각 내부수집서버에 필요한 정보를 전달받도록 하는 것을 특징으로 하는 기상정보수집시스템.
  3. 제 2 항에 있어서, 상기 내부수집서버는
    안개의 예측정보를 생성하는 안개예측모듈을 포함하는 것을 특징으로 하는 기상정보수집시스템.
  4. 제 3 항에 있어서, 상기 안개예측모듈은
    기온, 노점온도, 습도, 풍속, 기압, 일사량, 기온과 노점온도의 차이에 관한 기상정보를 수신하여 신경망 구축을 통해 안개 발생을 예측하도록 하는 것을 특징으로 하는 기상정보수집시스템.
  5. 제 2 항에 있어서, 상기 내부수집서버는
    기상정보에 따른 특정 질병의 위험도를 산정하여 사용자에게 제공하는 기상질환연계정보제공모듈을 포함하는 것을 특징으로 하는 기상정보수집시스템.
  6. 제 5 항에 있어서, 상기 기상질환연계정보제공모듈은
    특정 기상요인에 따라 좌우되는 특정 질병을 분류하는 기상요인별분류모듈과, 특정 기상요인의 수치에 따라 특정 질병의 위험도를 산정하는 기상요인가중모듈과, 산정된 위험도를 사용자에게 제공하는 위험도제공모듈을 포함하는 것을 특징으로 하는 기상정보수집시스템.
  7. 제 2 항에 있어서, 상기 기상정보수집시스템은
    복수의 내부수집서버로 전달되는 기상정보를 분배하는 분배서버를 포함하는 것을 특징으로 하는 기상정보수집시스템.
  8. 제 7 항에 있어서, 상기 분배서버는
    각 내부수집서버에서 필요한 정보에 따라 기상정보를 분배하는 자동분배모듈과, 기상정보의 분배를 위해 동일한 정보를 복제하는 복제모듈을 포함하는 것을 특징으로 하는 기상정보수집시스템.






KR1020190023750A 2019-02-28 2019-02-28 무선 lte 통신모듈을 활용한 기상정보수집시스템 KR102053256B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190023750A KR102053256B1 (ko) 2019-02-28 2019-02-28 무선 lte 통신모듈을 활용한 기상정보수집시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190023750A KR102053256B1 (ko) 2019-02-28 2019-02-28 무선 lte 통신모듈을 활용한 기상정보수집시스템

Publications (1)

Publication Number Publication Date
KR102053256B1 true KR102053256B1 (ko) 2019-12-06

Family

ID=68837246

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190023750A KR102053256B1 (ko) 2019-02-28 2019-02-28 무선 lte 통신모듈을 활용한 기상정보수집시스템

Country Status (1)

Country Link
KR (1) KR102053256B1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002236174A (ja) * 2001-02-07 2002-08-23 Mitsubishi Electric Corp 霧観測装置及び霧観測方法
KR20100028251A (ko) * 2008-09-04 2010-03-12 정일우 자동기상관측장치의 기상 데이터 송수신 시스템
KR20170011604A (ko) * 2015-07-23 2017-02-02 대우조선해양 주식회사 해양 기상환경데이터 통합분석장치
CN108375808A (zh) * 2018-03-12 2018-08-07 南京恩瑞特实业有限公司 Nriet基于机器学习的大雾预报方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002236174A (ja) * 2001-02-07 2002-08-23 Mitsubishi Electric Corp 霧観測装置及び霧観測方法
KR20100028251A (ko) * 2008-09-04 2010-03-12 정일우 자동기상관측장치의 기상 데이터 송수신 시스템
KR20170011604A (ko) * 2015-07-23 2017-02-02 대우조선해양 주식회사 해양 기상환경데이터 통합분석장치
CN108375808A (zh) * 2018-03-12 2018-08-07 南京恩瑞特实业有限公司 Nriet基于机器学习的大雾预报方法

Similar Documents

Publication Publication Date Title
US11941868B2 (en) Inference apparatus, inference method, and computer-readable storage medium storing an inference program
Perea et al. Optimisation of water demand forecasting by artificial intelligence with short data sets
CN107607954B (zh) 一种基于t-s模型的fnn降水粒子相态识别方法
Dos Santos et al. Water demand forecasting model for the metropolitan area of São Paulo, Brazil
CN109471370B (zh) 一种基于排气扇操作数据的行为预测及控制方法、系统
WO2021203980A1 (zh) 一种气象事件预测方法、装置及相关设备
KR102101001B1 (ko) 공기질 데이터의 보정 로직을 생성하는 장치 및 방법
CN112285807B (zh) 一种气象信息预测方法及装置
CN112101669B (zh) 一种基于改进极限学习机与分位数回归的光伏功率区间预测方法
JP2019040475A (ja) 人流予測装置、システムおよびプログラム
CN108875823B (zh) 基于证据衡量标准下证据的组合方法
KR20190121460A (ko) 신경망을 이용한 안개 발생 예측방법
CN111242357A (zh) 基于神经网络学习的列车车载设备故障预测方法及装置
CN116545954A (zh) 基于物联网的通信网关数据传输方法及系统
CN106815635A (zh) 一种绝缘子表面等值附盐密度的预测系统及方法
Oliveira et al. Modelling the redistribution of hospital supply to achieve equity taking account of patient's behaviour
Cui et al. Improved genetic algorithm to optimize the Wi-Fi indoor positioning based on artificial neural network
CN113469425A (zh) 深度交通拥堵预测方法
CN116739562A (zh) 一种基于lstm的配电网稳定性运维方法
KR102053256B1 (ko) 무선 lte 통신모듈을 활용한 기상정보수집시스템
Jin et al. A nonlinear statistical ensemble model for short-range rainfall prediction
Refonaa et al. Remote sensing based rain fall prediction using big data assisted integrated routing framework
Dumedah et al. Integration of an evolutionary algorithm into the ensemble Kalman filter and the particle filter for hydrologic data assimilation
CN117319451A (zh) 基于多模态大数据的城市级消防物联网监管系统及其方法
CN117270569A (zh) 一种基于动态路径规划的山火识别巡检方法

Legal Events

Date Code Title Description
GRNT Written decision to grant