KR102122168B1 - 해무 소산 예측 모델 학습 방법 선택 장치, 해무 소산 예측 모델 학습 방법 선택 방법, 해무 소산 예측 장치 및 해무 소산 예측 방법 - Google Patents

해무 소산 예측 모델 학습 방법 선택 장치, 해무 소산 예측 모델 학습 방법 선택 방법, 해무 소산 예측 장치 및 해무 소산 예측 방법 Download PDF

Info

Publication number
KR102122168B1
KR102122168B1 KR1020200002391A KR20200002391A KR102122168B1 KR 102122168 B1 KR102122168 B1 KR 102122168B1 KR 1020200002391 A KR1020200002391 A KR 1020200002391A KR 20200002391 A KR20200002391 A KR 20200002391A KR 102122168 B1 KR102122168 B1 KR 102122168B1
Authority
KR
South Korea
Prior art keywords
dissipation
sea
observation data
selecting
fog
Prior art date
Application number
KR1020200002391A
Other languages
English (en)
Inventor
김영택
권석재
한진현
김국진
주현석
Original Assignee
(주)유에스티21
대한민국(해양수산부 국립해양조사원장)
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)유에스티21, 대한민국(해양수산부 국립해양조사원장) filed Critical (주)유에스티21
Priority to KR1020200002391A priority Critical patent/KR102122168B1/ko
Application granted granted Critical
Publication of KR102122168B1 publication Critical patent/KR102122168B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming

Landscapes

  • Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명의 일실시예에 따르면, 해무 소산 예측 모델 학습 방법 선택 장치에 있어서, 적어도 하나의 명령어를 포함하는 메모리 및 상기 메모리와 작동적으로 연결되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 명령어가 상기 적어도 하나의 프로세서에서 실행되면, 상기 적어도 하나의 프로세서는, 다양한 종류의 해무 관련 관측 데이터를 획득하고, 제1 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택하고, 상기 선택한 적어도 2종류의 해무 관련 관측 데이터를 기초로 입력 데이터 셋을 생성하고, 상기 생성한 입력 데이터 셋을 기초로 해무 소산 예측 모델을 N개의 학습 방법으로 각각 학습시키며, 제2 기준을 이용하여 상기 N개의 학습 방법으로 각각 학습시킨 상기 해무 소산 예측 모델을 각각 평가하고, 평가 결과에 따라 적어도 2개의 서로 다른 학습 방법을 선택한다.

Description

해무 소산 예측 모델 학습 방법 선택 장치, 해무 소산 예측 모델 학습 방법 선택 방법, 해무 소산 예측 장치 및 해무 소산 예측 방법{SELECTING APPARATUS AND SELECTING METHOD FOR SEA FOG REMOVING PREDICTION MODEL LEARNING METHOD AND PREDICTION APPARATUS AND PREDICTION METHOD FOR SEA FOG REMOVING}
아래의 실시예들은 해무 소산 예측 모델 학습 방법 선택 장치, 해무 소산 예측 모델 학습 방법 선택 방법, 해무 소산 예측 장치 및 해무 소산 예측 방법에 관한 것이다.
안개는 수평시정이 1km 미만으로 나타나는 현상으로 정의되며, 안개의 종류는 지표의 냉각으로 형성되는 복사안개(radiation fog)와 따뜻하고 습윤한 공기가 차가운 지표 또는 수면 위로 이동할 때 포화되어 발생하는 이류안개(advection fog), 습윤한 공기가 높은 지형을 따라 상승하여 응결하는 활승안개(upslope fog), 온난전선면 부근에서 약한 비가 내릴 때 발생하는 전선안개(frontal fog), 차가운 공기가 따뜻한 수면 위를 이동할 때 발생하는 김 안개(steam fog)로 나누어진다.
복사 안개는 낮에 햇빛이 내리쬐서 지표면 온도가 높아지면 소산하고, 이류 안개는 기온이 높은 내륙으로 들어오면 소산되는 등 안개는 그 발생원인과 소산 원인이 서로 상이하므로 안개 발생 예측 방법을 이용하여 안개의 소산을 예측하는 것은 한계가 있다.
머신 러닝(machine learning)은 인공 지능의 한 분야로, 패턴인식과 컴퓨터 학습 이론의 연구로부터 진화한 분야이며, 컴퓨터가 학습할 수 있도록 하는 알고리즘과 기술을 개발하는 분야를 말한다. 머신 러닝의 핵심은 표현(representation)과 일반화(generalization)에 있다. 표현이란 데이터의 평가이며, 일반화란 아직 알 수 없는 데이터에 대한 처리이다. 이는 전산 학습 이론 분야이기도 하다.
딥 러닝(deep learning)은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화를 시도하는 기계학습(machine learning) 알고리즘의 집합으로 정의되며, 큰 틀에서 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야라고 이야기할 수 있다.
대한민국 공개특허공보 제10-2007-0098226호(2007.10.05.공개)
본 발명의 실시예에 따르면, N개의 학습 방법으로 각각 학습시킨 상기 해무 소산 예측 모델을 각각 평가하고, 평가 결과에 따라 적어도 2개의 서로 다른 학습 방법을 선택할 수 있다.
또한, 본 발명의 다른 실시예에 따르면, 적어도 2개의 서로 다른 학습 방법으로 학습된 해무 소산 예측 모델 각각이 생성한 해무 소산 예측 결과를 기초로 해무 소산을 예측할 수 있다.
또한, 본 발명의 또 다른 실시예에 따르면, 미리 설정된 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택할 수 있다.
또한, 본 발명의 또 다른 실시예에 따르면, 해무 소산 예측 모델을 N개의 학습 방법으로 각각 학습시킬 수 있다.
본 발명의 일실시예에 따르면, 해무 소산 예측 모델 학습 방법 선택 장치에 있어서, 적어도 하나의 명령어를 포함하는 메모리 및 상기 메모리와 작동적으로 연결되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 명령어가 상기 적어도 하나의 프로세서에서 실행되면, 상기 적어도 하나의 프로세서는, 다양한 종류의 해무 관련 관측 데이터를 획득하고, 제1 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택하고, 상기 선택한 적어도 2종류의 해무 관련 관측 데이터를 기초로 입력 데이터 셋을 생성하고, 상기 생성한 입력 데이터 셋을 기초로 해무 소산 예측 모델을 N개의 학습 방법으로 각각 학습시키며, 제2 기준을 이용하여 상기 N개의 학습 방법으로 각각 학습시킨 상기 해무 소산 예측 모델을 각각 평가하고, 평가 결과에 따라 적어도 2개의 서로 다른 학습 방법을 선택한다.
또한, 상기 제1 기준은, 특성 중요도(Feature Importance)일 수 있다.
또한, 상기 제2 기준은, 수신자 조작 특성 커브(Receiver Operating Characteristic Curve) 및 AUC(Area Under the ROC Curve)일 수 있다.
본 발명의 다른 실시예에 따르면, 다양한 종류의 해무 관련 관측 데이터를 획득하는 단계, 제1 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택하는 단계, 상기 선택한 적어도 2종류의 해무 관련 관측 데이터를 기초로 입력 데이터 셋을 생성하는 단계, 상기 생성한 입력 데이터 셋을 기초로 해무 소산 예측 모델을 N개의 학습 방법으로 각각 학습시키는 단계 및 제2 기준을 이용하여 상기 N개의 학습 방법으로 각각 학습시킨 상기 해무 소산 예측 모델을 각각 평가하고, 평가 결과에 따라 서로 다른 학습 방법으로 학습시킨 적어도 2개의 상기 해무 소산 예측 모델을 선택하는 단계를 포함한다.
또한, 상기 제1 기준은, 특성 중요도(Feature Importance)일 수 있다.
또한, 상기 제2 기준은, 수신자 조작 특성 커브(Receiver Operating Characteristic Curve) 및 AUC(Area Under the ROC Curve)일 수 있다.
본 발명의 또 다른 실시예에 따르면, 해무 소산 예측 장치에 있어서, 적어도 하나의 명령어를 포함하는 메모리 및 상기 메모리와 작동적으로 연결되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 명령어가 상기 적어도 하나의 프로세서에서 실행되면, 상기 적어도 하나의 프로세서는, 다양한 종류의 해무 관련 관측 데이터를 획득하고, 미리 설정된 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택하고, 상기 선택한 적어도 2종류의 해무 관련 관측 데이터를 기초로 입력 데이터 셋을 생성하고, 상기 생성한 입력 데이터 셋을 기초로 미리 설정된 적어도 2개의 서로 다른 학습 방법으로 학습된 해무 소산 예측 모델로부터 상기 해무 소산 예측 모델 각각이 생성한 제1 해무 소산 예측 결과를 획득하며, 상기 획득한 상기 해무 소산 예측 모델 각각이 생성한 제1 해무 소산 예측 결과를 기초로 제2 해무 소산 예측 결과를 생성한다.
또한, 상기 미리 설정된 기준은, 특성 중요도(Feature Importance)일 수 있다.
또한, 상기 미리 설정된 적어도 2개의 서로 다른 학습 방법은, 서포트 벡터 머신(support vector machine), 랜덤 포레스트(Random forest), 그래디언트 부스팅(Gradient boosting) 및 합성곱 신경망(Convolutional neural network) 중 적어도 2개일 수 있다.
본 발명의 또 다른 실시예에 따르면, 다양한 종류의 해무 관련 관측 데이터를 획득하는 단계, 미리 설정된 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택하는 단계, 상기 선택한 적어도 2종류의 해무 관련 관측 데이터를 기초로 입력 데이터 셋을 생성하는 단계, 상기 생성한 입력 데이터 셋을 기초로 미리 설정된 적어도 2개의 서로 다른 학습 방법으로 학습된 해무 소산 예측 모델로부터 상기 해무 소산 예측 모델 각각이 생성한 제1 해무 소산 예측 결과를 획득하는 단계 및 상기 획득한 상기 해무 소산 예측 모델 각각이 생성한 제1 해무 소산 예측 결과를 기초로 제2 해무 소산 예측 결과를 생성하는 단계를 포함한다.
또한, 상기 미리 설정된 기준은, 특성 중요도(Feature Importance)일 수 있다.
또한, 상기 미리 설정된 적어도 2개의 서로 다른 학습 방법은, 서포트 벡터 머신(support vector machine), 랜덤 포레스트(Random forest), 그래디언트 부스팅(Gradient boosting) 및 합성곱 신경망(Convolutional neural network) 중 적어도 2개일 수 있다.
N개의 학습 방법으로 각각 학습시킨 상기 해무 소산 예측 모델을 각각 평가하고, 평가 결과에 따라 적어도 2개의 서로 다른 학습 방법을 선택할 수 있는 효과가 있다.
또한, 적어도 2개의 서로 다른 학습 방법으로 학습된 해무 소산 예측 모델 각각이 생성한 해무 소산 예측 결과를 기초로 해무 소산을 예측할 수 있는 효과가 있다.
또한, 미리 설정된 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택할 수 있는 효과가 있다.
또한, 해무 소산 예측 모델을 N개의 학습 방법으로 각각 학습시킬 수 있는 효과가 있다.
도 1은 일실시예에 따른 해무 소산 예측 모델 학습 방법 선택 장치의 구성을 나타내는 도면이다.
도 2는 일실시예에 따른 해무 소산 예측 모델 학습 방법 선택 방법을 나타내는 플로우 차트이다.
도 3은 일실시예에 따른 해무 소산 예측 장치의 구성을 나타내는 도면이다.
도 4는 일실시예에 따른 해무 소산 예측 방법을 나타내는 플로우 차트이다.
도 5는 일실시예에 따른 해무 소산 예측 모델 학습 방법 선택 및 선택한 학습 방법으로 학습된 해무 소산 예측 모델 이용하여 해무 소산을 예측하는 모습을 나타내는 모식도이다.
도 6은 본 발명의 일실시예를 구현하기 위한 예시적인 컴퓨터 시스템의 블록도이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시 예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시 예들은 다양한 형태들로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.
본 발명의 개념에 따른 실시 예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시 예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시 예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만, 예컨대 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1구성요소는 제2구성요소로 명명될 수 있고, 유사하게 제2구성요소는 제1구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설명된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다.
일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하의 설명에서 동일한 식별 기호는 동일한 구성을 의미하며, 불필요한 중복적인 설명 및 공지 기술에 대한 설명은 생략하기로 한다.
본 발명의 실시 예에서 '통신', '통신망' 및 '네트워크'는 동일한 의미로 사용될 수 있다. 상기 세 용어들은, 파일을 사용자 단말, 다른 사용자들의 단말 및 다운로드 서버 사이에서 송수신할 수 있는 유무선의 근거리 및 광역 데이터 송수신망을 의미한다.
이하, 첨부한 도면을 참조하여 본 발명의 바람직한 실시 예를 설명함으로써, 본 발명을 상세히 설명한다.
도 1은 일실시예에 따른 해무 소산 예측 모델 학습 방법 선택 장치의 구성을 나타내는 도면이다.
도 1을 참조하면, 해무 소산 예측 모델 학습 방법 선택 장치(100)는 입력 데이터 셋 생성 모듈(110) 및 학습 방법 선택 모듈(120)을 포함한다.
입력 데이터 셋 생성 모듈(110)은 다양한 종류의 해무 관련 관측 데이터를 획득할 수 있다. 이때,상기 다양한 종류의 해무 관련 관측 데이터는 기온, 기압, 풍속, 풍향, 상대습도, 해기차, 미세먼지농도, 강수량, 수온, 조위, 시정거리, 일사량, 누적강수량, 이슬점 온도 또는 (기온 - 이슬점 온도)에 대한 자료일 수 있으나 상기 다양한 종류의 해무 관련 관측 데이터가 이에 한정되는 것은 아니다. 또한, 상기 다양한 종류의 해무 관련 관측 데이터는 분 단위로 관측한 데이터일 수 있으나, 상기 다양한 종류의 해무 관련 관측 데이터의 관측 시간이 이에 한정되는 것은 아니다.
입력 데이터 셋 생성 모듈(110)은 다양한 종류의 해무 관련 관측 데이터를 획득하기 위하여 외부 연결 포트(예컨대, USB 포트 또는 통신 포트)를 포함할 수 있다.
입력 데이터 셋 생성 모듈(110)은 제1 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택할 수 있다. 이때, 상기 제1 기준은 특성 중요도(Feature Importance)일 수 있으나, 상기 미리 설정된 기준이 이에 한정되는 것은 아니다.
일실시예에 따라, 입력 데이터 셋 생성 모듈(110)는 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 특성 중요도(Feature Importance)가 가장 높은 상위 2종류의 해무 관련 관측 데이터를 선택할 수 있다. 이때, 상기 선택한 적어도 2종류의 해무 관련 관측 데이터는 수온, 기압, 기온, 해기차, 이슬점 온도, 풍향, 상대습도, 시정거리, 풍속 및 (기온 - 이슬점 온도) 중 적어도 어느 2개일 수 있다.
입력 데이터 셋 생성 모듈(110)은 선택한 적어도 2종류의 해무 관련 측 데이터를 기초로 입력 데이터 셋을 생성할 수 있다.
입력 데이터 셋 생성 모듈(110)은 미리 설정된 시간(예컨대, 10분) 동안의 상기 선택한 적어도 2종류의 해무 관련 관측 데이터 각각에 대한 평균을 계산할 수 있다.
입력 데이터 셋 생성 모듈(110)은 상기 계산한 상기 선택한 적어도 2종류의 해무 관련 관측 데이터 각각에 대한 평균을 미리 설정된 시간(예컨대, 10분)에 대한 상기 선택한 적어도 2종류의 해무 관련 관측 데이터 각각의 대표 값으로 결정할 수 있다. 이때, 결정한 상기 대표 값에는 시간(예컨대, 상기 미리 설정된 시간의 시작과 끝의 시각) 정보가 포함될 수 있다.
입력 데이터 셋 생성 모듈(110)은 상기 결정한 적어도 2종류의 해무 관련 관측 데이터 각각의 대표 값 중 동일 시간의 상기 대표 값을 결합하여 입력 데이터 셋을 생성할 수 있다.
입력 데이터 셋 생성 모듈(110)은 획득한 다양한 종류의 해무 관련 관측 데이터 중 시정거리를 이용하여 해무 여부를 결정할 수 있다.
입력 데이터 셋 생성 모듈(110)은 시정거리가 1000m 미안인 경우, 해무라고 결정하고, 시정거리가 1000m 이상인 경우 비해무라고 결정할 수 있다.
입력 데이터 셋 생성 모듈(110)은 해무라고 결정한 경우 동일 시간 대의 상기 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋을 “1”로, 비해무라고 결정한 경우 “0”으로 레이블링(Labeling) 할 수 있다.
입력 데이터 셋 생성 모듈(110)은 하기 [수학식 1]을 이용하여 동일 시간 대의 상기 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋에 대하여 최종적인 레이블링(Labeling)을 수행할 수 있다.
Figure 112020001937321-pat00001
일실시예에 따라, 상기 [수학식 1]에서 k=3 이므로, 입력 데이터 셋 생성 모듈(110)이 시정거리를 이용하여 해무라고 결정한 시간으로부터 30(k=3 이므로)분 동안은 계속 해무상태가 유지된다고 간주한다. 이렇게 일정 시간 동안 해무 상태가 유지된다고 간주하는 것은 해무 관련 관측 데이터의 연속성 유지 및 학습 성능을 높이기 위함이다. 또한, 상기 k 값은 가변이다.
일실시예에 따라, 입력 데이터 셋 생성 모듈(110)은 해무라고 결정한 시간으로부터 30분 내의 시간에 해당하는 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋에 대하여 최종적으로 “1”로 레이블링(Labeling) 할 수 있다 .
입력 데이터 셋 생성 모듈(110)은 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋과 상기 입력 데이터 셋에 포함된 시간 정보보다 이전 시간(예컨대, 10분 전 시간)에 해당하는 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋을 결합하여 새로운 입력 데이터 셋을 생성할 수 있다.
일실시예에 따라, 입력 데이터 셋 생성 모듈(110)은 학습 성능을 높이고, 측후방으로 이동되는 안개 또는 밀도가 낮은 안개를 고려하기 위하여 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋과 상기 입력 데이터 셋에 포함된 시간 정보보다 이전 시간(예컨대, 10분 전 시간)에 해당하는 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋을 미리 설정된 개수(예컨대, 6개)만큼 시간적으로 연속되게 결합하여 새로운 입력 데이터 셋을 생성할 수 있다.
예컨대, 입력 데이터 셋 생성 모듈(110)은 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋과 상기 입력 데이터 셋에 포함된 시간으로부터 과거 60분에 해당하는 6개의 시간적으로 연속된 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋을 결합하여 새로운 입력 데이터 셋을 생성할 수 있다.
학습 방법 선택 모듈(120)은 상기 생성한 입력 데이터 셋을 기초로 해무 소산 예측 모델을 N개의 학습 방법으로 각각 학습시킬 수 있다. 이때, 상기 N개의 학습 방법은 K-최근접 이웃(K-Nearest Neighbors), 결정 트리(Decision Tree), 엑스트라 트리(Extra Tree), 서포트 벡터 머신(Support Vector Machin), 에이다부스트(AdaBoost), 랜덤 포레스트(Random Forest), 그래디언트 부스팅(Gradient boosting), 딥 뉴럴 네트워크(Deep Neural Network), 합성곱 신경망(Convolutional Neural Network), 순환 신경망(Recurrent Neural Network) 중 하나일 수 있으나, 상기 N개의 학습 방법이 이에 한정되는 것은 아니다.
학습 방법 선택 모듈(120)은 지도학습을 이용하여 해무 소산 예측 모델을 학습시킬 수 있으나, 상기 해무 소산 예측 모델을 학습시키는 방법이 이에 한정되는 것은 아니다.
학습 방법 선택 모듈(120)은 한 개의 해무 소산 예측 모델을 이용하여 상기 N개의 학습 방법을 각각 학습시킨 후, 상기 학습시킨 해무 소산 예측 모델을 각각 평가할 수 있다. 이때, 학습 방법 선택 모듈(120)은 입력 데이터 셋 중 일부를 이용하여 상기 해무 소산 예측 모델을 학습시킬 수 있다.
학습 방법 선택 모듈(120)은 동일한 N개의 해무 소산 예측 모델을 이용하여 상기 N개의 학습 방법을 각각 학습시킨 후, 상기 학습시킨 동일한 N개의 해무 소산 예측 모델을 평가할 수 있다. 이때, 학습 방법 선택 모듈(120)은 입력 데이터 셋 중 일부를 이용하여 상기 해무 소산 예측 모델을 학습시킬 수 있다.
학습 방법 선택 모듈(120)은 상기 해무 소산 예측 모델의 학습에 사용되지 않은 입력 데이터 셋을 이용하여 상기 학습시킨 해무 소산 예측 모델을 평가하기 위한 해무 소산 예측 결과를 생성할 수 있다. 이때, 해무 소산 예측 결과는 관심(0-25), 주의(26-50), 경계(51-75) 및 위험(76-100)일 수 있으나, 상기 해무 소산 예측 결과가 이에 한정되는 것은 아니다.
학습 방법 선택 모듈(120)은 상기 생성한 해무 소산 예측 결과를 기초로 상기 해무 소산 예측 모델을 평가할 수 있다.
학습 방법 선택 모듈(120)은 상기 학습시킨 해무 소산 예측 모델을 평가하기 위한 제2 기준으로 ROC Curve(Receiver Operating Characteristic Curve, 이하 “ROC”라 한다.) 및 AUC(Area Under the ROC Curve, 이하 “AUC”라 한다.) 를 이용할 수 있다.
학습 방법 선택 모듈(120)은 하기 [표 1] 및 하기 [수학식 2]를 이용하여 상기 학습시킨 해무 소산 예측 모델이 생성한 해무 소산 예측 결과를 파라미터화 할 수 있다.
Figure 112020001937321-pat00002
Figure 112020001937321-pat00003
일실시예에 따라, 학습 방법 선택 모듈(120)은 상기 파라미터에서 X축을 특이도로 설정하고, Y축을 민감도로 설정하는 ROC를 생성한 후, 그 면적을 계산하는 AUC를 계산하고, 상기 계산한 AUC를 이용하여 상기 학습시킨 해무 소산 예측 모델이 생성한 해무 소산 예측 결과를 정량적으로 평가할 수 있다.
학습 방법 선택 모듈(120)은 AUC(Area Under the ROC Curve)가 가장 높은 해무 소산 예측 결과를 생성한 상기 해무 소산 예측 모델을 학습시킨 적어도 2개의 서로 다른 학습 방법을 선택할 수 있다. 이때, 상기 적어도 2개의 서로 다른 학습 방법은 서포트 벡터 머신(support vector machine), 랜덤 포레스트(Random forest), 그래디언트 부스팅(Gradient boosting) 및 합성곱 신경망(Convolutional neural network) 중 적어도 2개일 수 있으나, 상기 적어도 2개의 서로 다른 학습 방법이 이에 한정되는 것은 아니다.
학습 방법 선택 모듈(120)은 해무 소산 예측 모델을 상기 선택한 적어도 2개의 서로 다른 학습 방법으로 각각 학습시킬 수 있다.
도 2는 일실시예에 따른 해무 소산 예측 모델 학습 방법 선택 방법을 나타내는 플로우 차트이다.
도 2를 참조하면, 일실시예에 따라 해무 소산 예측 모델 학습 방법 선택 장치가 다양한 종류의 해무 관련 관측 데이터를 획득한다(200).
이때, 상기 다양한 종류의 해무 관련 관측 데이터는 기온, 기압, 풍속, 풍향, 상대습도, 해기차, 미세먼지농도, 강수량, 수온, 조위, 시정거리, 일사량, 누적강수량, 이슬점 온도 또는 (기온 - 이슬점 온도)에 대한 자료일 수 있으나 상기 다양한 종류의 해무 관련 관측 데이터가 이에 한정되는 것은 아니다.
또한, 상기 다양한 종류의 해무 관련 관측 데이터는 분 단위로 관측한 데이터일 수 있으나, 상기 다양한 종류의 해무 관련 관측 데이터의 관측 시간이 이에 한정되는 것은 아니다.
해무 소산 예측 모델 학습 방법 선택 장치가 미리 설정된 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택한다(210).
이때, 상기 미리 설정된 기준은 특성 중요도(Feature Importance)일 수 있으나, 상기 미리 설정된 기준이 이에 한정되는 것은 아니다.
또한, 상기 해무 소산 예측 모델 학습 방법 선택 장치는 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 특성 중요도(Feature Importance)가 가장 높은 상위 2종류의 해무 관련 관측 데이터를 선택할 수 있다.
또한, 상기 적어도 2종류의 해무 관련 관측 데이터는 데이터는 수온, 기압, 기온, 해기차, 이슬점 온도, 풍향, 상대습도, 시정거리, 풍속 및 (기온 - 이슬점 온도) 중 적어도 어느 2개일 수 있다.
해무 소산 예측 모델 학습 방법 선택 장치가 상기 선택한 적어도 2종류의 해무 관련 관측 데이터를 기초로 입력 데이터 셋을 생성한다(220).
이때, 상기 해무 소산 예측 모델 학습 방법 선택 장치는 설정된 시간(예컨대, 10분) 동안의 상기 선택한 적어도 2종류의 해무 관련 관측 데이터 각각에 대한 평균을 계산하고, 상기 계산한 평균을 미리 설정된 시간(예컨대, 10분)에 대한 상기 선택한 적어도 2종류의 해무 관련 관측 데이터 각각의 대표 값으로 결정할 수 있다.
또한, 상기 해무 소산 예측 모델 학습 방법 선택 장치는 상기 결정한 적어도 2종류의 해무 관련 관측 데이터 각각의 대표 값 중 동일 시간의 상기 대표 값을 결합하여 입력 데이터 셋을 생성할 수 있다.
또한, 상기 해무 소산 예측 모델 학습 방법 선택 장치는 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋과 상기 입력 데이터 셋에 포함된 시간 정보보다 이전 시간(예컨대, 10분 전 시간)에 해당하는 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋을 미리 설정된 개수(예컨대, 6개)만큼 시간적으로 연속되게 결합하여 새로운 입력 데이터 셋을 생성할 수 있다.
해무 소산 예측 모델 학습 방법 선택 장치가 상기 생성한 입력 데이터 셋을 기초로 해무 소산 예측 모델을 N개의 학습 방법으로 각각 학습시킨다(230).
이때, 상기 N개의 학습 방법은 K-최근접 이웃(K-Nearest Neighbors), 결정 트리(Decision Tree), 엑스트라 트리(Extra Tree), 서포트 벡터 머신(Support Vector Machin), 에이다부스트(AdaBoost), 랜덤 포레스트(Random Forest), 그래디언트 부스팅(Gradient boosting), 딥 뉴럴 네트워크(Deep Neural Network), 합성곱 신경망(Convolutional Neural Network), 순환 신경망(Recurrent Neural Network) 중 하나일 수 있으나, 상기 N개의 학습 방법이 이에 한정되는 것은 아니다.
해무 소산 예측 모델 학습 방법 선택 장치가 N개의 학습 방법으로 각각 학습시킨 상기 해무 소산 예측 모델을 각각 평가한다(240).
이때, 상기 해무 소산 예측 모델 학습 방법 선택 장치는 상기 학습시킨 해무 소산 예측 모델을 평가하기 위하여 수신자 조작 커브(Receiver Operating Characteristic Curve, ROC 이하 “ROC”라 한다.) 및 AUC(Area Under the ROC Curve, 이하 “AUC”라 한다.)를 이용할 수 있다.
또한, 상기 해무 소산 예측 모델 학습 방법 선택 장치는 학습시킨 해무 소산 예측 모델이 생성한 해무 소산 예측 결과를 파라미터화 할 수 있다.
또한, 상기 해무 소산 예측 모델 학습 방법 선택 장치는 상기 파라미터를 기초로 ROC를 생성한 후, 그 면적을 계산하는 AUC를 계산하고, 상기 계산한 AUC를 이용하여 상기 학습시킨 해무 소산 예측 모델이 생성한 해무 소산 예측 결과 값을 정량적으로 평가할 수 있다.
해무 소산 예측 모델 학습 방법 선택 장치가 평가 결과에 따라 적어도 2개의 서로 다른 학습 방법을 선택한다(250).
이때, 상기 해무 소산 예측 모델 학습 방법 선택 장치는 AUC(Area Under the ROC Curve)가 가장 높은 해무 소산 예측 결과 값을 생성한 상기 해무 소산 예측 모델을 학습시킨 적어도 2개의 서로 다른 학습 방법을 선택할 수 있다.
도 1은 일실시예에 따른 해무 소산 예측 모델 학습 방법 선택 장치의 구성을 나타내는 도면이고, 도 3은 일실시예에 따른 해무 소산 예측 장치의 구성을 나타내는 도면이다.
도 3을 참조하면, 해무 소산 예측 장치(300)는 입력 모듈(310) 및 해무 소산 결과 예측 모듈(320)을 포함한다.
입력 모듈(310)은 다양한 종류의 해무 관련 관측 데이터를 획득할 수 있다. 이때, 상기 다양한 종류의 해무 관련 관측 데이터는 기온, 기압, 풍속, 풍향, 상대습도, 해기차, 미세먼지농도, 강수량, 수온, 조위, 시정거리, 일사량, 누적강수량, 이슬점 온도 또는 (기온 - 이슬점 온도)에 대한 자료일 수 있으나 상기 다양한 종류의 해무 관련 관측 데이터가 이에 한정되는 것은 아니다. 또한, 상기 다양한 종류의 해무 관련 관측 데이터는 분 단위로 관측한 데이터일 수 있으나, 상기 다양한 종류의 해무 관련 관측 데이터의 관측 시간이 이에 한정되는 것은 아니다.
입력 모듈(310)은 다양한 종류의 해무 관련 관측 데이터를 획득하기 위하여 외부 연결 포트(예컨대, USB 포트 또는 통신 포트)를 포함할 수 있다.
입력 모듈(310)은 미리 설정된 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택할 수 있다. 이때, 상기 미리 설정된 기준은 특성 중요도(Feature Importance)일 수 있으나, 상기 미리 설정된 기준이 이에 한정되는 것은 아니다.
일실시예에 따라, 입력 모듈(310)은 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 특성 중요도(Feature Importance)가 가장 높은 상위 2종류의 해무 관련 관측 데이터를 선택할 수 있다. 이때, 상기 선택한 적어도 2종류의 해무 관련 관측 데이터는 수온, 기압, 기온, 해기차, 이슬점 온도, 풍향, 상대습도, 시정거리, 풍속 및 (기온 - 이슬점 온도) 중 적어도 어느 2개일 수 있다.
입력 모듈(310)은 선택한 적어도 2종류의 해무 관련 측 데이터를 기초로 입력 데이터 셋을 생성할 수 있다.
입력 모듈(310)은 미리 설정된 시간(예컨대, 10분) 동안의 상기 선택한 적어도 2종류의 해무 관련 관측 데이터 각각에 대한 평균을 계산할 수 있다.
입력 모듈(310)은 상기 계산한 상기 선택한 적어도 2종류의 해무 관련 관측 데이터 각각에 대한 평균을 미리 설정된 시간(예컨대, 10분)에 대한 상기 선택한 적어도 2종류의 해무 관련 관측 데이터 각각의 대표 값으로 결정할 수 있다. 이때, 결정한 상기 대표 값에는 시간(예컨대, 상기 미리 설정된 시간의 시작과 끝의 시각) 정보가 포함될 수 있다.
입력 모듈(310)은 상기 결정한 적어도 2종류의 해무 관련 관측 데이터 각각의 대표 값 중 동일 시간의 상기 대표 값을 결합하여 입력 데이터 셋을 생성할 수 있다.
입력 모듈(310)은 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋과 상기 입력 데이터 셋에 포함된 시간 정보보다 이전 시간(예컨대, 10분 전 시간)에 해당하는 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋을 결합하여 새로운 입력 데이터 셋을 생성할 수 있다.
일실시예에 따라, 입력 모듈(310)은 예측 성능을 높이고, 측후방으로 이동되는 안개 또는 밀도가 낮은 안개를 고려하기 위하여 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋과 상기 입력 데이터 셋에 포함된 시간 정보보다 이전 시간(예컨대, 10분 전 시간)에 해당하는 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋을 미리 설정된 개수(예컨대, 6개)만큼 시간적으로 연속되게 결합하여 새로운 입력 데이터 셋을 생성할 수 있다.
예컨대, 입력 모듈(310)은 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋과 상기 입력 데이터 셋에 포함된 시간으로부터 과거 60분에 해당하는 6개의 시간적으로 연속된 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋을 결합하여 새로운 입력 데이터 셋을 생성할 수 있다.
다시 도 1 및 도 3을 참조하면, 해무 소산 결과 예측 모듈(320)은 상기 생성한 입력 데이터 셋을 기초로 미리 설정된 적어도 2개의 서로 다른 학습 방법으로 학습된 해무 소산 예측 모델로부터 상기 해무 소산 예측 모델 각각이 생성한 제1 해무 소산 예측 결과를 획득할 수 있다. 이때, 상기 제1 해무 소산 예측 결과는 관심(0-25), 주의(26-50), 경계(51-75) 및 위험(76-100)일 수 있으나, 상기 제1 해무 소산 예측 결과가 이에 한정되는 것은 아니다. 또한, 상기 미리 설정된 적어도 2개의 서로 다른 학습 방법은 도 1의 학습 방법 선택 모듈(120)이 선택한 적어도 2개의 서로 다른 학습 방법일 수 있으나, 상기 미리 설정된 적어도 2개의 서로 다른 학습 방법이 이에 한정되는 것은 아니다.
다시 도 1 및 도 3을 참조하면, 일실시예에 따라, 해무 소산 결과 예측 모듈(320)은 도 1의 학습 방법 선택 모듈(120)이 선택한 적어도 2개의 서로 다른 학습 방법으로 학습된 해무 소산 예측 모델로부터 상기 해무 소산 예측 모델 각각이 생성한 제1 해무 소산 예측 결과를 획득할 수 있다. 이때, 상기 미리 설정된 적어도 2개의 서로 다른 학습 방법은 서포트 벡터 머신(support vector machine), 랜덤 포레스트(Random forest), 그래디언트 부스팅(Gradient boosting) 및 합성곱 신경망(Convolutional neural network) 중 적어도 2개일 수 있다.
해무 소산 결과 예측 모듈(320)은 상기 획득한 상기 해무 소산 예측 모델 각각이 생성한 제1 해무 소산 예측 결과를 기초로 제2 해무 소산 예측 결과를 생성할 수 있다.
해무 소산 결과 예측 모듈(320)은 상기 획득한 상기 해무 소산 예측 모델 각각이 생성한 제1 해무 소산 예측 결과를 이용해 해무 소산 결과를 예측하는 앙상블 학습(ensemble learning) 또는 앙상블 방법(ensemble method)을 이용하여 제2 해무 소산 예측 결과를 생성할 수 있다.
해무 소산 결과 예측 모듈(320)은 앙상블 학습(ensemble learning) 또는 앙상블 방법(ensemble method)에서 제1 해무 소산 예측 결과의 확률을 가지고 평균을 구한 뒤, 평균이 가장 높은 클래스로 최종 앙상블을 예측하는 소프트 보팅(Soft voting)을 통해 제2 해무 소산 예측 결과를 생성할 수 있다. 이때, 상기 제2 해무 소산 예측 결과는 관심(0-25), 주의(26-50), 경계(51-75) 및 위험(76-100)일 수 있으나, 상기 제2 해무 소산 예측 결과가 이에 한정되는 것은 아니다.
해무 소산 결과 예측 모듈(320)은 앙상블 학습(ensemble learning) 또는 앙상블 방법(ensemble method)에서 다수결 투표를 통해 최종 앙상블을 예측하는 하드 보팅(Hard voting)을 통해 제2 해무 소산 예측 결과를 생성할 수 있다. 이때, 상기 제2 해무 소산 예측 결과는 관심(0-25), 주의(26-50), 경계(51-75) 및 위험(76-100)일 수 있으나, 상기 제2 해무 소산 예측 결과가 이에 한정되는 것은 아니다.
해무 소산 결과 예측 모듈(320)은 생성한 제2 해무 소산 예측 결과를 출력할 수 있다.
여기서 사용된 '모듈'이라는 용어는 논리적인 구성 단위를 나타내는 것으로서, 반드시 물리적으로 구분되는 구성 요소가 아니라는 점은 본 발명이 속하는 기술분야의 당업자에게 자명한 사항이다.
도 4는 일실시예에 따른 해무 소산 예측 방법을 나타내는 플로우 차트이다.
도 4를 참조하면, 일실시예에 따라 해무 소산 예측 장치가 다양한 종류의 해무 관련 관측 데이터를 획득한다(400).
이때, 상기 다양한 종류의 해무 관련 관측 데이터는 기온, 기압, 풍속, 풍향, 상대습도, 해기차, 미세먼지농도, 강수량, 수온, 조위, 시정거리, 일사량, 누적강수량, 이슬점 온도 또는 (기온 - 이슬점 온도)에 대한 자료일 수 있으나 상기 다양한 종류의 해무 관련 관측 데이터가 이에 한정되는 것은 아니다.
또한, 상기 다양한 종류의 해무 관련 관측 데이터는 분 단위로 관측한 데이터일 수 있으나, 상기 다양한 종류의 해무 관련 관측 데이터의 관측 시간이 이에 한정되는 것은 아니다.
해무 소산 예측 장치가 미리 설정된 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택한다(410).
이때, 상기 미리 설정된 기준은 특성 중요도(Feature Importance)일 수 있으나, 상기 미리 설정된 기준이 이에 한정되는 것은 아니다.
또한, 해무 소산 예측 장치는 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 특성 중요도(Feature Importance)가 가장 높은 상위 2종류의 해무 관련 관측 데이터를 선택할 수 있다.
또한, 상기 적어도 2종류의 해무 관련 관측 데이터는 데이터는 수온, 기압, 기온, 해기차, 이슬점 온도, 풍향, 상대습도, 시정거리, 풍속 및 (기온 - 이슬점 온도) 중 적어도 어느 2개일 수 있다.
해무 소산 예측 장치가 상기 선택한 적어도 2종류의 해무 관련 관측 데이터를 기초로 입력 데이터 셋을 생성한다(420).
이때, 해무 소산 예측 장치는 설정된 시간(예컨대, 10분) 동안의 상기 선택한 적어도 2종류의 해무 관련 관측 데이터 각각에 대한 평균을 계산하고, 상기 계산한 평균을 미리 설정된 시간(예컨대, 10분)에 대한 상기 선택한 적어도 2종류의 해무 관련 관측 데이터 각각의 대표 값으로 결정할 수 있다.
또한, 해무 소산 예측 장치는 상기 결정한 적어도 2종류의 해무 관련 관측 데이터 각각의 대표 값 중 동일 시간의 상기 대표 값을 결합하여 입력 데이터 셋을 생성할 수 있다.
또한, 해무 소산 예측 장치는 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋과 상기 입력 데이터 셋에 포함된 시간 정보보다 이전 시간(예컨대, 10분 전 시간)에 해당하는 해무 관련 관측 데이터 각각의 대표 값을 결합하여 생성한 입력 데이터 셋을 미리 설정된 개수(예컨대, 6개)만큼 시간적으로 연속되게 결합하여 새로운 입력 데이터 셋을 생성할 수 있다.
해무 소산 예측 장치가 상기 생성한 입력 데이터 셋을 기초로 미리 설정된 적어도 2개의 서로 다른 학습 방법으로 학습된 해무 소산 예측 모델로부터 상기 해무 소산 예측 모델 각각이 생성한 제1 해무 소산 예측 결과를 획득한다(430).
이때, 상기 미리 설정된 적어도 2개의 서로 다른 학습 방법은 서포트 벡터 머신(support vector machine), 랜덤 포레스트(Random forest), 그래디언트 부스팅(Gradient boosting) 및 합성곱 신경망(Convolutional neural network) 중 적어도 2개일 수 있다.
해무 소산 예측 장치가 상기 획득한 상기 해무 소산 예측 모델 각각이 생성한 제1 해무 소산 예측 결과를 기초로 제2 해무 소산 예측 결과를 생성한다(440).
이때, 상기 해무 소산 예측 장치는 상기 획득한 상기 해무 소산 예측 모델 각각이 생성한 제1 해무 소산 예측 결과를 이용해 해무 소산 결과를 예측하는 앙상블 학습(ensemble learning) 또는 앙상블 방법(ensemble method)을 이용하여 제2 해무 소산 예측 결과를 생성할 수 있다.
또한, 상기 해무 소산 예측 장치는 소프트 보팅(Soft voting)을 통해 제2 해무 소산 예측 결과를 생성할 수 있다.
또한, 상기 해무 소산 예측 장치는 하드 보팅(Hard voting)을 통해 제2 해무 소산 예측 결과를 생성할 수 있다.
또한, 상기 제2 해무 소산 예측 결과는 관심(0-25), 주의(26-50), 경계(51-75) 및 위험(76-100)일 수 있으나, 상기 제2 해무 소산 예측 결과가 이에 한정되는 것은 아니다.
해무 소산 예측 장치가 생성한 제2 해무 소산 예측 결과를 출력한다(450).
이때, 상기 해무 소산 예측 장치는 상기 생성한 제2 해무 소산 예측 결과를 상기 해무 소산 예측 장치와 연결된 디스플레이를 통해 출력할 수 있다.
도 5는 일실시예에 따른 해무 소산 예측 모델 학습 방법 선택 및 선택한 학습 방법으로 학습된 해무 소산 예측 모델 이용하여 해무 소산을 예측하는 모습을 나타내는 모식도이다.
도 5를 참조하면, 일실시예에 따라 해무 관련 관측 데이터에 해당하는 수온, 기압, 기온, 해기차, 이슬점 온도, 풍향, 상대습도, 시정거리, 풍속 및 (기온 - 이슬점 온도) 중 적어도 어느 2개의 대표 값이 결합되어 입력 데이터 셋(510)이 생성될 수 있다.
일실시예에 따라, 해무 소산 예측 모델을 학습시키기 위한 해무 소산 예측 모델 학습 방법(520)은 K-최근접 이웃(K-Nearest Neighbors), 결정 트리(Decision Tree), 엑스트라 트리(Extra Tree), 서포트 벡터 머신(Support Vector Machin), 에이다부스트(AdaBoost), 랜덤 포레스트(Random Forest), 그래디언트 부스팅(Gradient boosting), 딥 뉴럴 네트워크(Deep Neural Network), 합성곱 신경망(Convolutional Neural Network), 순환 신경망(Recurrent Neural Network) 중 하나일 수 있다.
또한, 해무 소산 예측 모델 학습 방법(520)으로 상기 해무 소산 예측 모델을 학습시키고, 상기 학습시킨 해무 소산 예측 모델로부터 해무 소산 예측 결과를 획득할 수 있다.
일실시예에 따라, 상기 획득한 해무 소산 예측 결과를 기초로 AUC를 계산(530)하고, 상기 계산한 AUC(Area Under the ROC Curve)가 가장 높은 해무 소산 예측 결과를 생성한 상기 해무 소산 예측 모델을 학습시킨 4개의 서로 다른 학습 방법(540)을 선택할 수 있다. 이때, 4개의 서로 다른 학습 방법(540)은 서포트 벡터 머신(support vector machine), 랜덤 포레스트(Random forest), 그래디언트 부스팅(Gradient boosting) 및 합성곱 신경망(Convolutional neural network)일 수 있다.
일실시예에 따라, 선택한 4개의 서로 다른 학습 방법(540)으로 학습된 해무 소산 예측 모델로부터 해무 소산 예측 결과를 획득하고, 획득한 상기 해무 소산 예측 결과를 기초로 앙상블 방법(ensemble method)(550)을 이용하여 최종 해무 소산 예측 결과(560)를 생성할 수 있다.
도 6은 본 발명의 일실시예를 구현하기 위한 예시적인 컴퓨터 시스템의 블록도이다.
도 6을 참조하면, 본 발명의 일실시예를 구현하기 위한 예시적인 컴퓨터 시스템은 정보를 교환하기 위한 버스 또는 다른 커뮤니케이션 채널(601)을 포함하고, 프로세서(602)는 정보를 처리하기 위하여 버스(601)와 연결된다.
컴퓨터 시스템(600)은 정보 및 프로세서(602)에 의해 처리되는 명령들을 저장하기 위하여 버스(601)와 연결된 RAM(Random Access Memory) 또는 다른 동적 저장 장치인 메인 메모리(603)를 포함한다.
또한, 메인 메모리(603)는 프로세서(602)에 의한 명령들의 실행동안 임시변수들 또는 다른 중간 정보를 저장하기 위해 사용될 수 있다.
컴퓨터 시스템(600)은 프로세서(602)에 대한 정적인 정보 또는 명령들을 저장하기 위하여 버스(601)에 결합된 ROM(Read Only Memory) 및 다른 정적 저장장치(604)를 포함할 수 있다.
마그네틱 디스크, 집(zip) 또는 광 디스크 같은 대량 저장장치(605) 및 그것과 대응하는 드라이브 또한 정보 및 명령들을 저장하기 위하여 컴퓨터 시스템(600)에 연결될 수 있다.
컴퓨터 시스템(600)은 엔드 유저(end user)에게 정보를 디스플레이 하기 위하여 버스(601)를 통해 음극선관 또는 엘씨디 같은 디스플레이 장치(610)와 연결될 수 있다.
키보드(620)와 같은 문자 입력 장치는 프로세서(602)에 정보 및 명령을 전달하기 위하여 버스(601)에 연결될 수 있다.
다른 유형의 사용자 입력 장치는 방향 정보 및 명령 선택을 프로세서(602)에 전달하고, 디스플레이(610) 상의 커서의 움직임을 제어하기 위한 마우스, 트랙볼 또는 커서 방향 키들과 같은 커서 컨트롤 장치(630)이다.
통신 장치(640) 역시 버스(601)와 연결된다.
통신 장치(640)는 지역 네트워크 또는 광역망에 접속되는 것을 서포트 하기 위하여 모뎀, 네트워크 인터페이스 카드, 이더넷, 토큰 링 또는 다른 유형의 물리적 결합물과 연결하기 위해 사용되는 인터페이스 장치를 포함할 수 있다. 이러한 방식으로 컴퓨터 시스템(600)은 인터넷 같은 종래의 네트워크 인프라 스트럭쳐를 통하여 다수의 클라이언트 및 서버와 연결될 수 있다.
이상에서, 본 발명의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 발명이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 발명의 목적 범위 안에서라면, 그 모든 구성 요소들이 적어도 하나로 선택적으로 결합하여 동작할 수도 있다.
또한, 그 모든 구성 요소들이 각각 하나의 독립적인 하드웨어로 구현될 수 있지만, 각 구성 요소들의 그 일부 또는 전부가 선택적으로 조합되어 하나 또는 복수 개의 하드웨어에서 조합된 일부 또는 전부의 기능을 수행하는 프로그램 모듈을 갖는 컴퓨터 프로그램으로서 구현될 수도 있다. 그 컴퓨터 프로그램을 구성하는 코드들 및 코드 세그먼트들은 본 발명의 기술 분야의 당업자에 의해 용이하게 추론될 수 있을 것이다.
이러한 컴퓨터 프로그램은 컴퓨터가 읽을 수 있는 저장매체(Computer Readable Media)에 저장되어 컴퓨터에 의하여 읽혀지고 실행됨으로써, 본 발명의 실시예를 구현할 수 있다. 컴퓨터 프로그램의 저장매체로서는 자기 기록매체, 광 기록매체, 등이 포함될 수 있다.
또한, 이상에서 기재된 "포함하다", "구성하다" 또는 "가지다" 등의 용어는, 특별히 반대되는 기재가 없는 한, 해당 구성 요소가 내재될 수 있음을 의미하는 것이므로, 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것으로 해석되어야 한다.
기술적이거나 과학적인 용어를 포함한 모든 용어들은, 다르게 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 사전에 정의된 용어와 같이 일반적으로 사용되는 용어들은 관련 기술의 문맥 상의 의미와 일치하는 것으로 해석되어야 하며, 본 발명에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
본 발명에서 개시된 방법들은 상술된 방법을 달성하기 위한 하나 이상의 동작들 또는 단계들을 포함한다. 방법 동작들 및/또는 단계들은 청구항들의 범위를 벗어나지 않으면서 서로 상호 교환될 수도 있다. 다시 말해, 동작들 또는 단계들에 대한 특정 순서가 명시되지 않는 한, 특정 동작들 및/또는 단계들의 순서 및/또는 이용은 청구항들의 범위로부터 벗어남이 없이 수정될 수도 있다.
본 발명에서 이용되는 바와 같이, 아이템들의 리스트 중 "그 중 적어도 하나" 를 지칭하는 구절은 단일 멤버들을 포함하여, 이들 아이템들의 임의의 조합을 지칭한다. 일 예로서, "a, b, 또는 c: 중의 적어도 하나" 는 a, b, c, a-b, a-c, b-c, 및 a-b-c 뿐만 아니라 동일한 엘리먼트의 다수의 것들과의 임의의 조합 (예를 들어, a-a, a-a-a, a-a-b, a-a-c, a-b-b, a-c-c, b-b, b-b-b, b-b-c, c-c, 및 c-c-c 또는 a, b, 및 c 의 다른 임의의 순서 화한 것) 을 포함하도록 의도된다.
본 발명에서 이용되는 바와 같이, 용어 "결정하는"는 매우 다양한 동작들을 망라한다. 예를 들어, "결정하는"는 계산하는, 컴퓨팅, 프로세싱, 도출하는, 조사하는, 룩업하는 (예를 들어, 테이블, 데이터베이스, 또는 다른 데이터 구조에서 룩업하는), 확인하는 등을 포함할 수도 있다. 또한, "결정하는"은 수신하는 (예를 들면, 정보를 수신하는), 액세스하는 (메모리의 데이터에 액세스하는) 등을 포함할 수 있다. 또한, "결정하는"은 해결하는, 선택하는, 고르는, 확립하는 등을 포함할 수 있다.
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.
따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100... 해무 소산 예측 모델 학습 방법 선택 장치
300... 해무 소산 예측 장치.

Claims (12)

  1. 해무 소산 예측 모델 학습 방법 선택 장치에 있어서,
    적어도 하나의 명령어를 포함하는 메모리; 및
    상기 메모리와 작동적으로 연결되는 적어도 하나의 프로세서를 포함하고,
    상기 적어도 하나의 명령어가 상기 적어도 하나의 프로세서에서 실행되면,
    상기 적어도 하나의 프로세서는,
    다양한 종류의 해무 관련 관측 데이터를 획득하고,
    제1 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택하고,
    상기 선택한 적어도 2종류의 해무 관련 관측 데이터를 기초로 입력 데이터 셋을 생성하고,
    상기 생성한 입력 데이터 셋을 기초로 해무 소산 예측 모델을 N개의 학습 방법으로 각각 학습시키며,
    제2 기준을 이용하여 상기 N개의 학습 방법으로 각각 학습시킨 상기 해무 소산 예측 모델을 각각 평가하고, 평가 결과에 따라 적어도 2개의 서로 다른 학습 방법을 선택하되,
    상기 제2 기준은,
    수신자 조작 특성 커브(Receiver Operating Characteristic Curve) 및 AUC(Area Under the ROC Curve)인 해무 소산 예측 모델 학습 방법 선택 장치.
  2. 제1항에 있어서,
    상기 제1 기준은,
    특성 중요도(Feature Importance)인 해무 소산 예측 모델 학습 방법 선택 장치.
  3. 삭제
  4. 해무 소산 예측 모델 학습 방법 선택 장치에 의해 각 단계가 수행되는 해무 소산 예측 모델 학습 방법 선택 방법에 있어서,
    다양한 종류의 해무 관련 관측 데이터를 획득하는 단계;
    제1 기준을 이용하여 상기 획득한 다양한 종류의 해무 관련 관측 데이터 중 적어도 2종류의 해무 관련 관측 데이터를 선택하는 단계;
    상기 선택한 적어도 2종류의 해무 관련 관측 데이터를 기초로 입력 데이터 셋을 생성하는 단계;
    상기 생성한 입력 데이터 셋을 기초로 해무 소산 예측 모델을 N개의 학습 방법으로 각각 학습시키는 단계; 및
    제2 기준을 이용하여 상기 N개의 학습 방법으로 각각 학습시킨 상기 해무 소산 예측 모델을 각각 평가하고, 평가 결과에 따라 서로 다른 학습 방법으로 학습시킨 적어도 2개의 상기 해무 소산 예측 모델을 선택하는 단계
    를 포함하되
    상기 제2 기준은,
    수신자 조작 특성 커브(Receiver Operating Characteristic Curve) 및 AUC(Area Under the ROC Curve)인 해무 소산 예측 모델 학습 방법 선택 방법.
  5. 제4항에 있어서,
    상기 제1 기준은,
    특성 중요도(Feature Importance)인 해무 소산 예측 모델 학습 방법 선택 방법.
  6. 삭제
  7. 삭제
  8. 삭제
  9. 삭제
  10. 삭제
  11. 삭제
  12. 삭제
KR1020200002391A 2020-01-08 2020-01-08 해무 소산 예측 모델 학습 방법 선택 장치, 해무 소산 예측 모델 학습 방법 선택 방법, 해무 소산 예측 장치 및 해무 소산 예측 방법 KR102122168B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200002391A KR102122168B1 (ko) 2020-01-08 2020-01-08 해무 소산 예측 모델 학습 방법 선택 장치, 해무 소산 예측 모델 학습 방법 선택 방법, 해무 소산 예측 장치 및 해무 소산 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200002391A KR102122168B1 (ko) 2020-01-08 2020-01-08 해무 소산 예측 모델 학습 방법 선택 장치, 해무 소산 예측 모델 학습 방법 선택 방법, 해무 소산 예측 장치 및 해무 소산 예측 방법

Publications (1)

Publication Number Publication Date
KR102122168B1 true KR102122168B1 (ko) 2020-06-11

Family

ID=71070439

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200002391A KR102122168B1 (ko) 2020-01-08 2020-01-08 해무 소산 예측 모델 학습 방법 선택 장치, 해무 소산 예측 모델 학습 방법 선택 방법, 해무 소산 예측 장치 및 해무 소산 예측 방법

Country Status (1)

Country Link
KR (1) KR102122168B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200087731A (ko) * 2020-06-30 2020-07-21 동국대학교 산학협력단 고빈도 기상 데이터를 이용한 합성곱 신경망 기반의 기상 요소 예측 방법 및 장치
CN116401932A (zh) * 2023-06-08 2023-07-07 成都远望探测技术有限公司 一种基于激光雷达和毫米波雷达的海雾消散时间估算方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070098226A (ko) 2006-03-31 2007-10-05 이미애 해무나 안개를 고려한 도로 조명방법 및 장치
JP2015166962A (ja) * 2014-03-04 2015-09-24 日本電気株式会社 情報処理装置、学習方法、及び、プログラム
KR101864286B1 (ko) * 2017-11-10 2018-07-04 주식회사 한컴엠디에스 머신 러닝 알고리즘을 이용하는 방법 및 장치
KR101938829B1 (ko) * 2018-03-23 2019-01-16 대한민국(해양수산부 국립해양조사원) 해무의 발생을 예측하는 뉴럴 네트워크 학습 방법 및 장치
JP2019075159A (ja) * 2014-03-28 2019-05-16 日本電気株式会社 学習モデル選択システム、学習モデル選択方法およびプログラム
KR20190121460A (ko) * 2018-04-18 2019-10-28 (주)에코브레인 신경망을 이용한 안개 발생 예측방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070098226A (ko) 2006-03-31 2007-10-05 이미애 해무나 안개를 고려한 도로 조명방법 및 장치
JP2015166962A (ja) * 2014-03-04 2015-09-24 日本電気株式会社 情報処理装置、学習方法、及び、プログラム
JP2019075159A (ja) * 2014-03-28 2019-05-16 日本電気株式会社 学習モデル選択システム、学習モデル選択方法およびプログラム
KR101864286B1 (ko) * 2017-11-10 2018-07-04 주식회사 한컴엠디에스 머신 러닝 알고리즘을 이용하는 방법 및 장치
KR101938829B1 (ko) * 2018-03-23 2019-01-16 대한민국(해양수산부 국립해양조사원) 해무의 발생을 예측하는 뉴럴 네트워크 학습 방법 및 장치
KR20190121460A (ko) * 2018-04-18 2019-10-28 (주)에코브레인 신경망을 이용한 안개 발생 예측방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200087731A (ko) * 2020-06-30 2020-07-21 동국대학교 산학협력단 고빈도 기상 데이터를 이용한 합성곱 신경망 기반의 기상 요소 예측 방법 및 장치
KR102570099B1 (ko) * 2020-06-30 2023-08-23 동국대학교 산학협력단 고빈도 기상 데이터를 이용한 합성곱 신경망 기반의 기상 요소 예측 방법 및 장치
CN116401932A (zh) * 2023-06-08 2023-07-07 成都远望探测技术有限公司 一种基于激光雷达和毫米波雷达的海雾消散时间估算方法
CN116401932B (zh) * 2023-06-08 2023-08-15 成都远望探测技术有限公司 一种基于激光雷达和毫米波雷达的海雾消散时间估算方法

Similar Documents

Publication Publication Date Title
Zhong et al. Hierarchical tracking by reinforcement learning-based searching and coarse-to-fine verifying
US11528290B2 (en) Systems and methods for machine learning-based digital content clustering, digital content threat detection, and digital content threat remediation in machine learning-based digital threat mitigation platform
Din et al. Online reliable semi-supervised learning on evolving data streams
JP2020508522A (ja) 監視されていないクロスドメイン画像生成のための周期的敵対的生成ネットワーク
US20200288204A1 (en) Generating and providing personalized digital content in real time based on live user context
CN111860872A (zh) 用于异常检测的系统和方法
KR102122168B1 (ko) 해무 소산 예측 모델 학습 방법 선택 장치, 해무 소산 예측 모델 학습 방법 선택 방법, 해무 소산 예측 장치 및 해무 소산 예측 방법
Korycki et al. Adversarial concept drift detection under poisoning attacks for robust data stream mining
Behzadan et al. Mitigation of policy manipulation attacks on deep q-networks with parameter-space noise
Zhang et al. Multiple adverse weather conditions adaptation for object detection via causal intervention
US11354904B2 (en) Spatial-temporal graph-to-sequence learning based grounded video descriptions
Costa et al. Adaptive learning for dynamic environments: A comparative approach
Yang et al. Out-of-distribution detection with semantic mismatch under masking
WO2022148108A1 (en) Systems, devices and methods for distributed hierarchical video analysis
Liu et al. Puma: Efficient continual graph learning with graph condensation
Chan et al. Evoattack: An evolutionary search-based adversarial attack for object detection models
CN116543240B (zh) 一种面向机器学习对抗攻击的防御方法
CN112818114B (zh) 信息的分类方法、检测方法、计算设备及存储介质
CN115208651B (zh) 基于逆习惯化机制的流聚类异常检测方法及系统
Li et al. Collaborating visual tracker based on particle filter and correlation filter
Meng et al. [Retracted] Icon Art Design with Generative Adversarial Network under Deep Learning
Abdelmagid et al. Survey on information extraction from chemical compound literatures: Techniques and challenges
Liu et al. Deep Counterfactual Representation Learning for Visual Recognition against Weather Corruptions
Gomes et al. Pairwise combination of classifiers for ensemble learning on data streams
Jiang et al. A Bayesian Markov-switching model for sparse dynamic network estimation

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant