KR102220748B1 - Ocean Prediction System Using Future Learning of Water Temperature Time Series Prediction Data Using Deep Learning - Google Patents

Ocean Prediction System Using Future Learning of Water Temperature Time Series Prediction Data Using Deep Learning Download PDF

Info

Publication number
KR102220748B1
KR102220748B1 KR1020190169156A KR20190169156A KR102220748B1 KR 102220748 B1 KR102220748 B1 KR 102220748B1 KR 1020190169156 A KR1020190169156 A KR 1020190169156A KR 20190169156 A KR20190169156 A KR 20190169156A KR 102220748 B1 KR102220748 B1 KR 102220748B1
Authority
KR
South Korea
Prior art keywords
data
time series
prediction
deep learning
series data
Prior art date
Application number
KR1020190169156A
Other languages
Korean (ko)
Inventor
최영진
최흥배
남수용
Original Assignee
(주)지오시스템리서치
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)지오시스템리서치 filed Critical (주)지오시스템리서치
Priority to KR1020190169156A priority Critical patent/KR102220748B1/en
Application granted granted Critical
Publication of KR102220748B1 publication Critical patent/KR102220748B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

The present invention relates to an ocean prediction system through future time data assimilation of water temperature time series prediction data using deep learning which comprises: a data collection unit to collect water temperature time series data; a database unit to store collected data; a generation unit to input the stored water temperature time series data into a deep learning model to generate water temperature prediction data through learning; a data assimilation applying unit to generate an improved initial field by using a numerical model forecast field and the prediction data generated by the deep learning model; and an output unit to output location-based two-dimensional water temperature information which is a result value of the data assimilation applying unit. According to the present invention, prediction data generated by a deep learning model are linked to a data assimilation technique to provide data to which an improved initial field is applied by using a numerical model forecast field and the prediction data generated by the deep learning model to maximize prediction accuracy and parts impossible to generate initial values through data assimilation for a future time.

Description

딥러닝을 이용한 수온시계열 예측자료의 미래시점 자료동화를 통한 해양예측 시스템{Ocean Prediction System Using Future Learning of Water Temperature Time Series Prediction Data Using Deep Learning}Ocean Prediction System Using Future Learning of Water Temperature Time Series Prediction Data Using Deep Learning}

본 발명은 딥러닝을 이용한 수온시계열 예측자료의 미래시점 자료동화를 통한 해양예측 시스템에 관한 것으로 더욱 상세하게는, 딥러닝 기술과 자료동화 기법을 이용해 생성한 미래값을 통해 해양예측 정확도를 향상시키는 기술에 관한 것이다.The present invention relates to an ocean prediction system through future point data assimilation of water temperature time series prediction data using deep learning, and more particularly, improving the accuracy of ocean prediction through future values generated using deep learning technology and data assimilation technique. It's about technology.

해양에서 일어나는 다양한 현상을 재현하고 과학적으로 예측하기 위해 해양수치모델을 활용하여 그 결과를 얻을 수 있다. 이러한 예측은 해양관측을 만으로 얻기에는 매우 제한적이거나 불가능하므로, 컴퓨터 기반으로 해양 요소를 지배하는 자연법칙을 방정식 또는 실험값에 대입하여 그 변화에 대한 수치예측모델 결과를 얻고 있다.In order to reproduce and scientifically predict various phenomena occurring in the ocean, the results can be obtained by using ocean numerical models. Since these predictions are very limited or impossible to obtain only ocean observations, the computer-based natural laws governing ocean elements are substituted into equations or experimental values to obtain numerical predictive model results for the changes.

수치모델을 이용해 해양현상을 재현 및 예측하기 위한 수치모델 구축에 앞서, 초기조건(initial condition), 경계조건((boundary condition) 입력값 설정이 필요하다. 초기조건은 실제 해양의 자연상태를 나타내는 것으로서 수치모델의 초기의 입력정보가 되므로, 초기 조건을 실제 자연상태로 최대한 정확하게 입력하는 것이 중요하다.Prior to constructing a numerical model for reproducing and predicting marine phenomena using a numerical model, it is necessary to set input values for the initial condition and boundary condition. The initial condition represents the actual natural state of the ocean. Since it is the initial input information of the numerical model, it is important to input the initial conditions as accurately as possible in the actual natural state.

종래에는 초기조건을 실제현상과 유사하게 부여하기 위해서는 관측자료를 삽입하는 자료동화(data assimilation)가 사용하여, 과거자료로부터 미래시점 D+1, 2, 3····시점까지 수치모델을 수행 및 예측하고 있다. 이와 같은 과거 자료동화를 통한 예측자료 생산은 현업에 충분히 적용되어 활용중이지만 수행기간이 길어질수록 미래예측 성능은 현저히 저하되는 문제점이 있다.Conventionally, in order to give initial conditions similar to actual phenomena, data assimilation, which inserts observation data, is used, and numerical models are performed from past data to future points D+1, 2, 3... And predicting. The production of predictive data through the assimilation of the past data is sufficiently applied to the field and is being utilized, but there is a problem that the future forecasting performance decreases significantly as the execution period increases.

또한, 해양사고 및 이상현상 발생 및 대책 수립에 있어 실제 자연현상을 반영한 미래 해양예측자료 생산이 중요하기 때문에 관측자료 기반 예측값 생산과 자료동화를 통한 정도 높은 초기장 설정으로 해양예측 정확도 향상이 필요한 문제가 있다.In addition, since it is important to produce future ocean prediction data reflecting actual natural phenomena in the occurrence of maritime accidents and abnormal phenomena and establishment of countermeasures, it is necessary to improve the accuracy of ocean prediction by setting a high-accuracy initial field through the production of observational data and data assimilation. There is.

이에 본 출원인은 딥러닝 기술과 자료동화 기법을 이용해 생성한 미래값을 통해 해양예측 정확도를 향상시키는 시스템을 제안하고자 한다.Accordingly, the applicant intends to propose a system that improves ocean prediction accuracy through future values generated using deep learning technology and data assimilation technique.

한국공개특허 제10-2015-0081214호(2015.07.13)Korean Patent Publication No. 10-2015-0081214 (2015.07.13)

본 발명의 목적은, 딥러닝 모델로 생성된 예측자료와 수치모델 예보장을 이용하여 개선된 초기장이 적용된 자료를 제공함으로써, 미래시점에 대한 자료동화를 통한 초기값 생성이 불가능한 부분과 예측정확도를 극대화하는데 있다.It is an object of the present invention to provide data to which an improved initial field is applied using prediction data generated by a deep learning model and a numerical model forecast field, so that an initial value cannot be generated through data assimilation for a future point and prediction accuracy. It is to maximize.

이러한 기술적 과제를 달성하기 위한 본 발명의 심층신경망과 자료동화 기법을 이용한 멀티빔 음압자료의 해저퇴적물 특성자료 변환 시스템은, 수온시계열 자료를 수집하는 데이터 수집부; 수집한 데이터를 저장하는 데이터베이스부; 저장된 수온시계열 자료를 딥러닝 모델에 입력하여 학습을 통한 수온 예측데이터를 생성하는 생성부; 딥러닝 모델로 생성된 예측자료와 수치모델 예보장을 이용하여 개선된 초기장을 생성하는 자료동화 적용부; 및 자료동화 적용부의 결과값인 위치기반 2차원 수온정보를 출력하는 출력부를 포함하는 것을 특징으로 한다.The system for converting seabed sediment characteristic data of multi-beam sound pressure data using the deep neural network and data assimilation technique of the present invention to achieve this technical problem includes: a data collection unit for collecting water temperature time series data; A database unit for storing the collected data; A generator for generating water temperature prediction data through learning by inputting the stored water temperature time series data into the deep learning model; A data assimilation application unit that generates an improved initial field using the prediction data generated by the deep learning model and the numerical model forecast field; And an output unit for outputting location-based 2D water temperature information, which is a result of the data animation application unit.

바람직하게는, 생성부는 상호 관련성 있는 이종의 시계열 데이터 M개를 포함하는 다중 시계열 데이터를 입력받는 다중 시계열 데이터 입력모듈; 다중 시계열 데이터(독립변수)와, 이로부터 예측되는 종속 시계열 데이터(종속변수) 사이의 상관도(correlation)를 계산하는 다중 시계열 데이터 상관도 계산모듈; 해석을 기준으로 독립변수와 종속변수 간에서 설정된 기준값(threshold) 이상의 상관도를 가지는 시계열 데이터들만을 선택하는 다중 시계열 데이터 선택모듈; 선택된 다중 시계열 데이터들을 단일 시계열 데이터로 결합하는 다중 시계열 데이터 결합모듈; 및 결합된 단일 시계열 데이터를 입력으로 하여 딥러닝을 통한 학습을 수행하되, 설정된 횟수만큼 연속 수행하여 예측 시계열 데이터를 생성하고, 자료동화 적용부에 맞는 자료형태로 변환하는 딥러닝 예측모델을 포함하는 것을 특징으로 한다.Preferably, the generation unit comprises: a multiple time series data input module receiving multiple time series data including M pieces of heterogeneous time series data that are mutually related; A multi-time series data correlation calculation module for calculating a correlation between multiple time series data (independent variable) and dependent time series data (dependent variable) predicted therefrom; A multiple time series data selection module that selects only time series data having a correlation greater than or equal to a threshold set between the independent variable and the dependent variable based on the analysis; A multiple time series data combining module for combining the selected multiple time series data into a single time series data; And a deep learning prediction model that performs learning through deep learning by inputting the combined single time series data as an input, but generates predicted time series data by continuously performing a set number of times, and converts it into a data format suitable for a data assimilation application unit. It features.

다중 시계열 데이터 입력부는, 다중 시계열 데이터를 입력값(x)에 대해 [수학식 1]을 통해 min-max normalization 방법으로 정규화하여 단일 시계열 데이터로 변환하는 것을 특징으로 한다.The multi-time series data input unit is characterized in that the multi-time series data is normalized with respect to the input value (x) by a min-max normalization method through [Equation 1] and converted into single time series data.

[수학식 1][Equation 1]

Figure 112019130619374-pat00001
Figure 112019130619374-pat00001

딥러닝 예측모델은, n 개의 시계열데이터가 결합한 단일 시계열 데이터(x)를 입력받아 장단기 기억 네트워크(Long short-term memory, LSTM)를 통해 딥러닝을 수행하여 예측값을 생성하는 것을 특징으로 한다.The deep learning prediction model is characterized by receiving a single time series data (x) combined with n number of time series data and performing deep learning through a long short-term memory (LSTM) to generate a prediction value.

자료동화 적용부는, 최초 추정을 초기 조건으로 하여 수치모델을 동화창 시작 시각부터 종료 시각까지 적분하여 종료 시각의 예보장을 생성하는 예보장 생성모듈; 생성부에 의해 생성된 예측 시계열 데이터 및 예보장 생성모듈에 의해 생성된 예보장을 최적내삽법 자료동화를 통해 기준장을 생성하는 기준장 생성모듈; 및 예보장을

Figure 112019130619374-pat00002
의 격자형태로 자료동화가 적용된 개선된 초기 조건을 생성하는 초기값 생성모듈을 포함하는 것을 특징으로 한다.The data assimilation application unit includes: a forecast book generation module for integrating a numerical model from a moving window start time to an end time to generate a forecast field at the end time based on initial estimation; A reference field generation module for generating a reference field through data assimilation of the predicted time series data generated by the generation unit and the forecast field generated by the forecast field generation module; And forecast
Figure 112019130619374-pat00002
It is characterized by including an initial value generation module that generates an improved initial condition to which data assimilation is applied in the form of a grid of.

상기와 같은 본 발명에 따르면, 딥러닝 모델로 생성된 예측자료를 자료동화 기법과 연동시켜 딥러닝 모델로 생성된 예측자료와 수치모델 예보장을 이용하여 개선된 초기장이 적용된 자료를 제공함으로써, 미래시점에 대한 자료동화를 통한 초기값 생성이 불가능한 부분과 예측정확도를 극대화하는 효과가 있다.According to the present invention as described above, the prediction data generated by the deep learning model is linked with the data assimilation technique to provide the data to which the improved initial field is applied using the prediction data generated by the deep learning model and the numerical model forecast field. It has the effect of maximizing prediction accuracy and parts where it is impossible to generate an initial value through data assimilation of the viewpoint.

도 1은 본 발명의 일 실시예에 따른 딥러닝을 이용한 수온시계열 예측자료의 미래시점 자료동화를 통한 해양예측 시스템을 도시한 블록도.
도 2는 본 발명의 일 실시예에 따른 딥러닝을 이용한 수온시계열 예측자료의 미래시점 자료동화를 통한 해양예측 시스템의 생성부를 도시한 블록도.
도 3은 본 발명의 일 실시예에 따른 딥러닝을 이용한 수온시계열 예측자료의 미래시점 자료동화를 통한 해양예측 시스템의 다중 시계열 데이터 결합부에 의한 단일 시계열 데이터 구성을 도시한 예시도.
도 4는 본 발명의 일 실시예에 따른 딥러닝을 이용한 수온시계열 예측자료의 미래시점 자료동화를 통한 해양예측 시스템의 자료동화 적용부를 도시한 블록도.
도 5는 동화전 수치모델 예측시계열 결과와 동화후의 예측시계열과, 본 발명의 일 실시예에 따른 동화에 적용된 딥러닝 예측시계열 결과를 시각화 한 결과의 예를 도시한 도면.
도 6은 본 발명의 일 실시예에 따른 딥러닝을 이용한 수온시계열 예측자료의 미래시점 자료동화를 통한 해양예측 방법을 도시한 순서도.
도 7은 본 발명의 일 실시예에 따른 딥러닝을 이용한 수온시계열 예측자료의 미래시점 자료동화를 통한 해양예측 방법의 제S606단계의 세부과정을 도시한 순서도.
도 8은 본 발명의 일 실시예에 따른 딥러닝을 이용한 수온시계열 예측자료의 미래시점 자료동화를 통한 해양예측 방법의 제S608단계의 세부과정을 도시한 순서도.1 is a block diagram showing an ocean prediction system through a future point data assimilation of water temperature time series prediction data using deep learning according to an embodiment of the present invention.
2 is a block diagram showing a generation unit of an ocean prediction system through assimilation of future point data of water temperature time series prediction data using deep learning according to an embodiment of the present invention.
3 is an exemplary view showing the configuration of a single time series data by a multiple time series data combiner of an ocean prediction system through future time data assimilation of water temperature time series prediction data using deep learning according to an embodiment of the present invention.
4 is a block diagram showing a data assimilation application unit of an ocean prediction system through future data assimilation of water temperature time series prediction data using deep learning according to an embodiment of the present invention.
FIG. 5 is a diagram showing an example of a result of visualizing a numerical model prediction time series before moving picture, a prediction time series after moving picture, and a deep learning prediction time series result applied to a moving picture according to an embodiment of the present invention.
6 is a flow chart showing a method for predicting ocean through assimilation of future point data of water temperature time series prediction data using deep learning according to an embodiment of the present invention.
7 is a flow chart showing a detailed process of step S606 of the ocean prediction method through the future point data assimilation of water temperature time series prediction data using deep learning according to an embodiment of the present invention.
8 is a flow chart showing a detailed process of step S608 of the ocean prediction method through the future point data assimilation of water temperature time series prediction data using deep learning according to an embodiment of the present invention.

본 발명의 구체적인 특징 및 이점들은 첨부도면에 의거한 다음의 상세한 설명으로 더욱 명백해질 것이다. 이에 앞서, 본 명세서 및 청구범위에 사용된 용어나 단어는 발명자가 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야 할 것이다. 또한, 본 발명에 관련된 공지 기능 및 그 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는, 그 구체적인 설명을 생략하였음에 유의해야 할 것이다.Specific features and advantages of the present invention will become more apparent from the following detailed description based on the accompanying drawings. Prior to this, terms or words used in the present specification and claims are based on the principle that the inventor can appropriately define the concept of terms in order to describe his or her invention in the best way. It should be interpreted as a corresponding meaning and concept. In addition, when it is determined that a detailed description of known functions and configurations thereof related to the present invention may unnecessarily obscure the subject matter of the present invention, it should be noted that the detailed description has been omitted.

도 1을 참조하면, 본 발명의 일 실시예에 따른 딥러닝을 이용한 수온시계열 예측자료의 미래시점 자료동화를 통한 해양예측 시스템(S)은, 수온시계열 자료를 수집하는 데이터 수집부(100)와, 수집한 데이터를 저장하는 데이터베이스부(200), 상기에 저장된 수온시계열 자료를 LSTM(Long short-term memory, LSTM) 딥러닝 모델에 입력하여 학습을 통한 수온 예측데이터를 생성하는 생성부(300), LSTM 딥러닝 모델로 생성된 예측자료와 수치모델 예보장을 이용하여 개선된 초기장을 생성하는 자료동화 적용부(400), 및 적용된 자료를 출력하는 출력부(500)를 포함하여 구성된다.Referring to Figure 1, the ocean prediction system (S) through the future point data assimilation of water temperature time series prediction data using deep learning according to an embodiment of the present invention, a data collection unit 100 for collecting water temperature time series data and , Database unit 200 for storing collected data, generation unit 300 for generating water temperature prediction data through learning by inputting the stored water temperature time series data into a long short-term memory (LSTM) deep learning model , A data assimilation application unit 400 for generating an improved initial field using prediction data generated by the LSTM deep learning model and a numerical model forecast field, and an output unit 500 for outputting the applied data.

이때, 데이터베이스부(200)는 수온시계열 자료를 생성부(300)에 입력이 가능하도록 변환하여 2차 생산자료를 저장하고, 생성부(300)는 딥러닝을 통해 생성한 예측자료를 자료동화 적용부(400)에 입력이 가능하도록 변환하여 3차 생산자료(수온 예측데이터)를 생성하며, 적용부(400)는 자료동화된 값을 변환하여 개선된 초기장을 생성하고, 출력부(500)는 위치기반 2차원 수온정보를 출력한다.At this time, the database unit 200 converts the water temperature time series data to be input to the generation unit 300 to store the secondary production data, and the generation unit 300 applies data assimilation to the prediction data generated through deep learning. The third production data (water temperature prediction data) is generated by converting to allow input to the unit 400, and the application unit 400 converts the data assimilation value to generate an improved initial field, and the output unit 500 Outputs location-based 2D water temperature information.

이때, 데이터 수집부(100)는 수집한 수온시계열 자료(위도, 경도 및 수온자료 정보)를 데이터베이스부(200)로 인가하고, 데이터베이스부(200)는 데이터 수집부(100)에서 받은 자료를 생성부(300)의 딥러닝 모델로 설계된 M개의 시계열로 2차생산하여 저장한다.At this time, the data collection unit 100 applies the collected water temperature time series data (latitude, longitude and water temperature data information) to the database unit 200, and the database unit 200 generates the data received from the data collection unit 100 Secondly produced and stored in M time series designed as the deep learning model of the unit 300.

도 2를 참조하면 생성부(300)는 상호 관련성 있는 이종의 시계열 데이터 M개를 포함하는 다중 시계열 데이터를 입력받는 다중 시계열 데이터 입력모듈(302)과, 다중 시계열 데이터(독립변수)와, 이로부터 예측되는 종속 시계열 데이터(종속변수) 사이의 상관도(correlation)를 계산하는 다중 시계열 데이터 상관도 계산모듈(304)과, 해석을 기준으로 상기 독립변수와 종속변수 간에서 설정된 기준값(threshold) 이상의 상관도를 가지는 시계열 데이터들만을 선택하는 다중 시계열 데이터 선택모듈(306)과, 선택된 다중 시계열 데이터들을 단일 시계열 데이터로 결합하는 다중 시계열 데이터 결합모듈(308), 및 결합된 단일 시계열 데이터를 입력으로 하여 딥러닝을 통한 학습을 수행하되, 설정된 횟수(Sequence Length) 만큼 연속 수행하여 예측 시계열 데이터를 생성하고, 자료동화 적용부(400)에 맞는 자료형태로 변환하는 딥러닝 예측모델(310)을 포함하여 구성된다.Referring to FIG. 2, the generation unit 300 includes a multiple time series data input module 302 receiving multiple time series data including M pieces of heterogeneous time series data that are related to each other, and multiple time series data (independent variables), from which Multiple time series data correlation calculation module 304 that calculates correlation between predicted dependent time series data (dependent variable), and correlation equal to or greater than a threshold set between the independent variable and the dependent variable based on the analysis A multiple time series data selection module 306 that selects only time series data having a degree, a multiple time series data combination module 308 that combines the selected multiple time series data into a single time series data, and the combined single time series data as inputs Consisting of a deep learning prediction model 310 that performs learning through learning, but generates predicted time series data by continuously performing a set number of times (Sequence Length), and converts it into a data format suitable for the data assimilation application unit 400 do.

구체적으로, 다중 시계열 데이터는 각 데이터 간의 스케일(Scale) 차이가 있기 때문에, 다중 시계열 데이터를 단일 시계열 데이터로 변환하기 위해서는 다중 시계열 데이터의 입력값(x)에 대해 [수학식 1]을 통해 min-max normalization 방법으로 정규화한다.Specifically, since multi-time series data has a difference in scale between each data, in order to convert multi-time series data into single time series data, the input value (x) of the multi-time series data is min- Normalize using the max normalization method.

[수학식 1][Equation 1]

Figure 112019130619374-pat00003
Figure 112019130619374-pat00003

또한, 다중 시계열 데이터 상관도 계산모듈(304)의 상관도 계산은 아래 [수학식 2]와 같은 피어슨 상관계수(Pearson correlationcoefficient)를 구하는 식을 이용할 수 있다.In addition, the correlation calculation of the multiple time series data correlation calculation module 304 may use an equation for obtaining a Pearson correlation coefficient as shown in [Equation 2] below.

[수학식 2][Equation 2]

Figure 112019130619374-pat00004
Figure 112019130619374-pat00004

피어슨 상관계수에서 r 은 X와 Y가 함께 변하는 정도를 X와 Y가 따로 변하는 정도로 나눈 값으로, r이 -1.0과 -0.7 사이이면 강한 음적 선형관계, r이 -0.7과 -0.3 사이이면 뚜렷한 음적 선형관계, r이 -0.3과 -0.1 사이이면 약한 음적 선형관계, r이 -0.1과 +0.1 사이이면 거의 무시될 수 있는 선형관계, r이 +0.1과 +0.3 사이이면 약한 양적 선형관계, r이 +0.3과 +0.7 사이이면 뚜렷한 양적 선형관계, r이 +0.7과 +1.0 사이이면 강한 양적 선형관계이다. 또한, 다중 시계열 데이터들이 존재하는 경우, 예측에 사용되는 X1, X2 … Xn 를 독립변수, 예측되는 종속 시계열 데이터를 종속 변수라 한다.In Pearson's correlation coefficient, r is a value obtained by dividing the degree to which X and Y change together and the degree to which X and Y change separately.If r is between -1.0 and -0.7, there is a strong negative linear relationship, and if r is between -0.7 and -0.3, it is clearly negative. Linear relationship, weak negative linear relationship when r is between -0.3 and -0.1, linear relationship which can be almost negligible when r is between -0.1 and +0.1, weak positive linear relationship when r is between +0.1 and +0.3, r is Between +0.3 and +0.7, there is a clear quantitative linear relationship, and when r is between +0.7 and +1.0, there is a strong quantitative linear relationship. Also, when there are multiple time series data, X1, X2… used for prediction. Xn is called an independent variable, and predicted dependent time series data is called a dependent variable.

또한, 다중 시계열 데이터 선택모듈(306)은 상기 독립변수(X1,X2…Xn)와 종속변수의 각각의 상관도가 기 설정된 해석기준 중, 예를 들어, 유의미하다고 볼 수 있는 기준에 포함되면 해당 변수를 선택하도록 구성된다.In addition, the multiple time series data selection module 306 corresponds to the correlation between the independent variable (X1, X2...Xn) and the dependent variable if it is included in, for example, a criterion that can be considered meaningful among the preset analysis criteria. It is configured to select a variable.

또한, 다중 시계열 데이터 결합모듈(308)은 선택된 다중 시계열 데이터들을 단일 시계열 데이터로 결합하되, 다중 시계열 데이터들(A,B,C)로부터 시계열 데이터 C를 예측하기 위해 재구성된 시계열 데이터인 단일 시계열 데이터를 구성한다. 즉, A,B,C가 시계열 데이터이고, 시계열 C가 A,B 시계열을 이용하여 예측된다고 할 때, 도 3에 도시된 바와 같이 A,B,C 3개의 시계열을 D 라는 1개의 시계열로 결합할 수 있고, 이 방법을 이용하여 A,B만 주어지더라도 C를 예측(추론) 할 수 있다.In addition, the multiple time series data combining module 308 combines the selected multiple time series data into a single time series data, but is a single time series data which is reconstructed time series data to predict time series data C from the multiple time series data (A, B, C). Configure. That is, when A, B, C are time series data, and time series C is predicted using A, B time series, as shown in Fig. 3, three time series A, B, C are combined into one time series called D. Can be done, and using this method, C can be predicted (inferred) even if only A and B are given.

그리고, 딥러닝 예측모델(310)은 장단기 기억 네트워크(Long short-term memory, LSTM)를 이용할 수 있으며, n 개의 시계열데이터가 결합한 단일 시계열 데이터(x)를 입력받아, 딥러닝 수행을 통해 예측값을 생성하고, 이를 자료동화 적용부(400)에 맞는 자료형태로 변환한다.And, the deep learning prediction model 310 can use a long short-term memory (LSTM), receives a single time series data (x) combined with n time series data, and calculates a predicted value through deep learning. And converts it into a data format suitable for the data fairy tale application unit 400.

한편, 도 4는 본 발명의 일 실시예에 따른 딥러닝을 이용한 수온시계열 예측자료의 미래시점 자료동화를 통한 해양예측 시스템(S)의 자료동화 적용을 통해 개선된 초기값을 생성하는 자료동화 적용부를 도시한 도면이다.On the other hand, FIG. 4 is a data assimilation application that generates an improved initial value through the application of data assimilation of the ocean prediction system (S) through future data assimilation of water temperature time series prediction data using deep learning according to an embodiment of the present invention. It is a diagram showing wealth.

자료동화 적용부(400)는 최초 추정을 초기 조건으로 하여 수치모델을 동화창 시작 시각부터 종료 시각까지 적분하여, 종료 시각의 예보장을 생성하는 예보장 생성모듈(402)과, 생성부(300)에 의해 생성된 예측 시계열 데이터 및 예보장 생성모듈(402)에 의해 생성된 예보장을 최적내삽법 자료동화를 통해 기준장을 생성하는 기준장 생성모듈(404), 및 수치모델 예보장

Figure 112019130619374-pat00005
의 격자형태로 자료동화가 적용된 초기값 즉, 개선된 초기 조건을 생성하는 초기값 생성모듈(406)을 포함하여 구성된다.The data assimilation application unit 400 integrates the numerical model from the start time of the moving window to the end time based on the initial estimation as an initial condition, and generates a forecast book generation module 402 at the end time, and the generation unit 300 ), a reference book generation module 404 that generates a reference book through optimal interpolation data assimilation of the prediction time series data generated by the prediction time series data and the forecast book generation module 402, and a numerical model forecast book
Figure 112019130619374-pat00005
It is configured to include an initial value generation module 406 that generates an initial value to which data assimilation is applied in a grid of, that is, an improved initial condition.

그리고, 출력부(500)는 딥러닝 예측자료를 수치모델의 예보장을 자료동화하여 개선된 미래의 초기장 결과를 출력한다.Further, the output unit 500 outputs an improved initial field result of the future by assimilating the forecast field of the numerical model with the deep learning prediction data.

도 5는 동화전 수치모델 예측시계열 결과와 동화후의 예측시계열과, 본 발명의 일 실시예에 따른 동화에 적용된 딥러닝 예측시계열 결과를 시각화 한 결과의 예를 도시한 도면이다.FIG. 5 is a diagram illustrating an example of a result of visualizing a predicted time series of a numerical model before moving, a predicted time series after a moving picture, and a result of a deep learning prediction time series applied to a moving picture according to an embodiment of the present invention.

이때, 예보장 생성모듈(402)은 모든 물리 과정을 포함하는 수치모델을 적분하여 예측에 실제 사용되는 수치모델에 의한 예보장을 생성할 수 있으며, 기준장 생성모듈(404)이 수행하는 최적내삽법(Optimal Interpolation)는 딥러닝 예측값과 수치모델 예측값의 오차 공분산이 최소자승법을 통해 최소가 될 때를 산정하여 최적의 추정치(

Figure 112019130619374-pat00006
)를 계산하는 방법으로 [수학식 3]과 같이 표현된다.At this time, the forecast field generation module 402 may generate a forecast field based on a numerical model actually used for prediction by integrating a numerical model including all physical processes, and the optimal interpolation performed by the reference field generation module 404 The optimal interpolation method calculates when the error covariance between the predicted value of the deep learning and the predicted value of the numerical model is minimized through the least squares method,
Figure 112019130619374-pat00006
) Is calculated as shown in [Equation 3].

[수학식 3][Equation 3]

Figure 112019130619374-pat00007
Figure 112019130619374-pat00007

여기서,

Figure 112019130619374-pat00008
는 수치모델 예측값을 나타내며,
Figure 112019130619374-pat00009
는 딥러닝 예측값이며,
Figure 112019130619374-pat00010
는 가중치(Weight function)를 의미하며,
Figure 112019130619374-pat00011
는 딥러닝 예측정점과 수치모델 격자 사이 최소 거리를 이용하여 딥러닝 예측값을 적용할 모델 격자를 선정하기 위하여 형성된 행렬을 의미한다.here,
Figure 112019130619374-pat00008
Represents the predicted value of the numerical model,
Figure 112019130619374-pat00009
Is the predicted value for deep learning,
Figure 112019130619374-pat00010
Stands for Weight function,
Figure 112019130619374-pat00011
Denotes a matrix formed to select a model grid to which a deep learning prediction value is applied by using the minimum distance between the deep learning prediction vertices and the numerical model grid.

또한, 최적의 추정치(

Figure 112019130619374-pat00012
)를 구하기 위해서는
Figure 112019130619374-pat00013
라 불리는 Weight function는 딥러닝 예측값과 수치모델 예측값의 상관관계를 결정짓는 중요한 요소로 적용되기 때문에 이를 정의하는 것이 가장 중요하다.Also, the optimal estimate (
Figure 112019130619374-pat00012
To obtain)
Figure 112019130619374-pat00013
It is most important to define the weight function, which is called, because it is applied as an important factor that determines the correlation between the predicted value of the deep learning and the predicted value of the numerical model.

상기 [수학식 3]에서 모델 값

Figure 112019130619374-pat00014
과 관측 값
Figure 112019130619374-pat00015
으로부터의 오차를 알 수 있으며, 다음과 [수학식 4]로 정의된다.Model value in the above [Equation 3]
Figure 112019130619374-pat00014
And observed values
Figure 112019130619374-pat00015
The error from can be known, and is defined by the following [Equation 4].

[수학식 4][Equation 4]

Figure 112019130619374-pat00016
Figure 112019130619374-pat00016

여기서,

Figure 112019130619374-pat00017
는 참값을 의미하며, 이 참값과 추정치간의 오차가
Figure 112019130619374-pat00018
로 정의하며, 이 3가지 오차의 오차공분산 행렬은 [수학식 5]으로 정의한다.here,
Figure 112019130619374-pat00017
Means the true value, and the error between this true value and the estimated value is
Figure 112019130619374-pat00018
And the error covariance matrix of these three errors is defined by [Equation 5].

[수학식 5][Equation 5]

Figure 112019130619374-pat00019
Figure 112019130619374-pat00019

여기서,

Figure 112019130619374-pat00020
는 관측오차공분산이고,
Figure 112019130619374-pat00021
는 배경오차공분산(Background error covariance)이다.
Figure 112019130619374-pat00022
는 관측오차공분산(Observational error covariance)이며,
Figure 112019130619374-pat00023
의 오차는 [수학식 6]으로 정의한다.here,
Figure 112019130619374-pat00020
Is the observed error covariance,
Figure 112019130619374-pat00021
Is the background error covariance.
Figure 112019130619374-pat00022
Is the observational error covariance,
Figure 112019130619374-pat00023
The error of is defined by [Equation 6].

[수학식 6][Equation 6]

Figure 112019130619374-pat00024
Figure 112019130619374-pat00024

이때, 분석오차공분산(

Figure 112019130619374-pat00025
)을 최소화 하는 최적의
Figure 112019130619374-pat00026
는 [수학식 7]로 정의한다.At this time, the analysis error covariance (
Figure 112019130619374-pat00025
) To minimize
Figure 112019130619374-pat00026
Is defined as [Equation 7].

[수학식 7][Equation 7]

Figure 112019130619374-pat00027
Figure 112019130619374-pat00027

Figure 112019130619374-pat00028
를 산출하기 위해서 음압자료의 배경장과 관측값의 오차를 적용하여 오차 공분산이 최소자승법을 통해 최소가 될 때를 산정하며, 가중치
Figure 112019130619374-pat00029
를 산정하기 위한 행렬 연산식에서
Figure 112019130619374-pat00030
는 모델치가 갖는 오차로 배경오차공분산(Background error covariance)이며,
Figure 112019130619374-pat00031
은 딥러닝 예측치가 갖는 오차로 관측오차공분산(Observational error covariance)으로 정의된다.
Figure 112019130619374-pat00028
In order to calculate, the background field of the sound pressure data and the error of the observed value are applied to calculate when the error covariance is minimized through the least squares method, and the weight
Figure 112019130619374-pat00029
In the matrix equation for calculating
Figure 112019130619374-pat00030
Is the error of the model value and is the background error covariance,
Figure 112019130619374-pat00031
Is the error of the deep learning predictions and is defined as observational error covariance.

여기서,

Figure 112019130619374-pat00032
는
Figure 112019130619374-pat00033
의 전치행렬이다.
Figure 112019130619374-pat00034
(Weight function)의 가중치는 0부터 1사이의 값을 가지는 무차원수이며,
Figure 112019130619374-pat00035
=1 일 경우에는 딥러닝 예측값이 적용된 모델격자에서는 관측치를 따르며,
Figure 112019130619374-pat00036
=0일 경우 수치모델의 값을 그대로 따르게 된다.here,
Figure 112019130619374-pat00032
Is
Figure 112019130619374-pat00033
Is the transposition matrix of
Figure 112019130619374-pat00034
The weight of (Weight function) is a dimensionless number with a value between 0 and 1,
Figure 112019130619374-pat00035
In the case of =1, the observed value is followed in the model grid to which the deep learning prediction value is applied,
Figure 112019130619374-pat00036
If =0, the numerical model value is followed.

또한, 두 점 간의 배경장 오차상관계는 동질적이며 등방성을 가진다고 가정하며, 이런 경우, 지위 고도의 배경장 오차공분산은 두 점 간의 거리에만 의존한다. 가우시안 지수함수의 지위 오차 상관식은 [수학식 8]으로 정의한다.In addition, it is assumed that the background field error correlation between two points is homogeneous and isotropic, and in this case, the background field error covariance of the status high depends only on the distance between the two points. The position error correlation equation of the Gaussian exponential function is defined by [Equation 8].

[수학식 8][Equation 8]

Figure 112019130619374-pat00037
Figure 112019130619374-pat00037

여기서,

Figure 112019130619374-pat00038
는 두 점
Figure 112019130619374-pat00039
사이 거리의 제곱이고
Figure 112019130619374-pat00040
는 배경장 오차 상관관계 규모로 자료동화 적용반경을 의미하며, 이는 계산절점으로부터 자료동화 계산 모듈이 미치는 영향거리로 계산절점과 거리가 가까울수록 수평공간
Figure 112019130619374-pat00041
(Weight function)는 1에 가깝고 멀리 떨어질수록
Figure 112019130619374-pat00042
(Weight function)는 0에 가까도록 구분된다. 배경장 오차 상관관계 규모는 실질적으로 딥러닝 예측정점의 지형적, 물리적 특징을 충분히 알고 있어야만 해당 관측정점에서의 정확한 규모를 지정할 수 있는 경험적 상수로 정의된다.here,
Figure 112019130619374-pat00038
Is two points
Figure 112019130619374-pat00039
Is the square of the distance between
Figure 112019130619374-pat00040
Is the background field error correlation scale, which means the radius of application of data assimilation. This is the influence distance of the data assimilation calculation module from the calculation node, and the closer the distance to the calculation node, the horizontal space.
Figure 112019130619374-pat00041
(Weight function) is closer to 1 and the farther away
Figure 112019130619374-pat00042
(Weight function) is classified to be close to 0. The scale of the background field error correlation is defined as an empirical constant that can specify the exact scale at the observation peak only when the topographical and physical characteristics of the deep learning prediction peak are sufficiently known.

이하, 도 6을 참조하여 본 발명의 일 실시예에 따른 딥러닝을 이용한 수온시계열 예측자료의 미래시점 자료동화를 통한 해양예측 방법에 대해 살피면 아래와 같다.Hereinafter, referring to FIG. 6, a method for predicting ocean through assimilation of future point data of water temperature time series prediction data using deep learning according to an embodiment of the present invention is as follows.

먼저, 데이터 수집부(100)가 수온시계열 자료를 수집한다(S602).First, the data collection unit 100 collects water temperature time series data (S602).

이어서, 데이터베이스부(200)가 수집한 데이터를 저장한다(S604).Subsequently, the data collected by the database unit 200 is stored (S604).

뒤이어, 생성부(300)가 저장된 수온시계열 자료를 LSTM 딥러닝 모델에 입력하여 학습을 통한 수온 예측데이터를 생성한다(S606).Subsequently, the generator 300 inputs the stored water temperature time series data into the LSTM deep learning model to generate water temperature prediction data through learning (S606).

이어서, 자료동화 적용부(400)가 LSTM 딥러닝 모델로 생성된 예측자료와 수치모델 예보장을 이용하여 개선된 초기장을 생성한다(S608).Subsequently, the data assimilation application unit 400 generates an improved initial field using the prediction data generated by the LSTM deep learning model and the numerical model forecast field (S608).

그리고, 출력부(500)가 적용된 자료를 출력한다(S610).Then, the data to which the output unit 500 is applied is output (S610).

이하, 도 7을 참조하여 본 발명의 일 실시예에 따른 딥러닝을 이용한 수온시계열 예측자료의 미래시점 자료동화를 통한 해양예측 방법의 제S606단계의 세부과정에 대해 살피면 아래와 같다.Hereinafter, a detailed process of step S606 of the ocean prediction method through the future point data assimilation of water temperature time series prediction data using deep learning according to an embodiment of the present invention will be described with reference to FIG. 7.

제S604단계 이후, 생성부(300)의 다중 시계열 데이터 입력모듈(302)이 상호 관련성 있는 이종의 시계열 데이터 M개를 포함하는 다중 시계열 데이터를 입력받는다(S702).After step S604, the multiple time series data input module 302 of the generation unit 300 receives multiple time series data including M pieces of heterogeneous time series data that are mutually related (S702).

이어서, 다중 시계열 데이터 상관도 계산모듈(304)이 다중 시계열 데이터(독립변수)와, 이로부터 예측되는 종속 시계열 데이터(종속변수) 사이의 상관도(correlation)를 계산한다(S704).Subsequently, the multi-time series data correlation calculation module 304 calculates a correlation between the multi-time series data (independent variable) and dependent time series data (dependent variable) predicted therefrom (S704).

뒤이어, 다중 시계열 데이터 선택모듈(306)이 해석을 기준으로 독립변수와 종속변수 간에서 설정된 기준값(threshold) 이상의 상관도를 가지는 시계열 데이터들만을 선택한다(S706).Subsequently, the multiple time series data selection module 306 selects only time series data having a correlation greater than or equal to a threshold set between the independent variable and the dependent variable based on the analysis (S706).

이어서, 다중 시계열 데이터 결합모듈(308)이 선택된 다중 시계열 데이터들을 단일 시계열 데이터로 결합한다(S708).Subsequently, the multiple time series data combining module 308 combines the selected multiple time series data into a single time series data (S708).

그리고, 딥러닝 예측모델(310)이 결합된 단일 시계열 데이터를 입력으로 하여 딥러닝을 통한 학습을 수행하되, 설정된 횟수만큼 연속 수행하여 예측 시계열 데이터를 생성한다(S710).Further, while learning through deep learning is performed by inputting a single time series data combined with the deep learning prediction model 310 as an input, prediction time series data is generated by continuously performing a set number of times (S710).

이하, 도 8을 참조하여 본 발명의 일 실시예에 따른 딥러닝을 이용한 수온시계열 예측자료의 미래시점 자료동화를 통한 해양예측 방법의 제S608단계의 세부과정에 대해 살피면 아래와 같다.Hereinafter, referring to FIG. 8, a detailed process of step S608 of the ocean prediction method through the future point data assimilation of water temperature time series prediction data using deep learning according to an embodiment of the present invention will be described as follows.

제S606단계 이후, 자료동화 적용부(400)의 예보장 생성모듈(402)이 최초 추정을 초기 조건으로 하여 수치모델을 동화창 시작 시각부터 종료 시각까지 적분하여, 종료 시각의 예보장을 생성한다(S802).After step S606, the forecast book generation module 402 of the data animation application unit 400 integrates the numerical model from the start time of the moving window to the end time based on the initial estimation as an initial condition to generate a forecast book at the end time. (S802).

이어서, 기준장 생성모듈(404)이 생성부(300)에 의해 생성된 예측 시계열 데이터 및 예보장 생성모듈(402)에 의해 생성된 예보장을 최적내삽법 자료동화를 통해 기준장을 생성한다(S804).Subsequently, the reference field generation module 404 generates the reference field through optimal interpolation data assimilation of the prediction time series data generated by the generation unit 300 and the forecast field generated by the forecast field generation module 402 ( S804).

그리고, 초기값 생성모듈(406)이 수치모델 예보장

Figure 112019130619374-pat00043
의 격자형태로 자료동화가 적용된 초기값 즉, 개선된 초기 조건을 생성한다(S806).And, the initial value generation module 406 is a numerical model forecast field
Figure 112019130619374-pat00043
An initial value to which data assimilation is applied in the form of a grid of, that is, an improved initial condition is generated (S806).

이처럼 본 발명에 따르면, 딥러닝 모델로 생성된 예측자료를 자료동화 기법과 연동시켜 딥러닝 모델로 생성된 예측자료와 수치모델 예보장을 이용하여 개선된 초기장이 적용된 자료를 제공함으로써, 미래시점에 대한 자료동화를 통한 초기값 생성이 불가능한 부분과 예측정확도를 극대화하는 효과가 있다.As described above, according to the present invention, prediction data generated by a deep learning model are linked with a data assimilation technique to provide data to which an improved initial field is applied using prediction data generated by a deep learning model and a numerical model forecast field. It has the effect of maximizing prediction accuracy and parts where initial value generation is impossible through data assimilation of Korea.

이상으로 본 발명의 기술적 사상을 예시하기 위한 바람직한 실시예와 관련하여 설명하고 도시하였지만, 본 발명은 이와 같이 도시되고 설명된 그대로의 구성 및 작용에만 국한되는 것이 아니며, 기술적 사상의 범주를 일탈함이 없이 본 발명에 대해 다수의 변경 및 수정이 가능함을 당업자들은 잘 이해할 수 있을 것이다. 따라서 그러한 모든 적절한 변경 및 수정과 균등 물들도 본 발명의 범위에 속하는 것으로 간주되어야 할 것이다.As described above and shown in connection with a preferred embodiment for illustrating the technical idea of the present invention, the present invention is not limited to the configuration and operation as shown and described as described above, and deviates from the scope of the technical idea. It will be well understood by those skilled in the art that a number of changes and modifications can be made to the present invention without. Therefore, all such appropriate changes and modifications and equivalents should be considered to be within the scope of the present invention.

S: 딥러닝을 이용한 수온시계열 예측자료의 미래시점 자료동화를 통한 해양예측 시스템
100: 데이터 수집부
200: 데이터베이스부
300: 생성부
302: 다중 시계열 데이터 입력모듈
304: 다중 시계열 데이터 상관도 계산모듈
306: 다중 시계열 데이터 선택모듈
308: 다중 시계열 데이터 결합모듈
400: 자료동화 적용부
500: 출력부S: Ocean prediction system through future point data assimilation of water temperature time series prediction data using deep learning
100: data collection unit
200: database unit
300: generation unit
302: multiple time series data input module
304: Multi-time series data correlation calculation module
306: multiple time series data selection module
308: multiple time series data combining module
400: material fairy tale application section
500: output

Claims (5)

수온시계열 자료를 수집하는 데이터 수집부;
수집한 데이터를 저장하는 데이터베이스부;
상기 저장된 수온시계열 자료를 딥러닝 모델에 입력하여 학습을 통한 수온 예측데이터를 생성하는 생성부;
상기 딥러닝 모델로 생성된 예측자료와 수치모델 예보장을 이용하여 개선된 초기장을 생성하는 자료동화 적용부; 및
상기 자료동화 적용부의 결과값인 위치기반 2차원 수온정보를 출력하는 출력부를
포함하는 것을 특징으로 하는 딥러닝을 이용한 수온시계열 예측자료의 미래시점 자료동화를 통한 해양예측 시스템.
A data collection unit for collecting water temperature time series data;
A database unit for storing the collected data;
A generator for generating water temperature prediction data through learning by inputting the stored water temperature time series data into a deep learning model;
A data assimilation application unit for generating an improved initial field using the prediction data generated by the deep learning model and the numerical model forecast field; And
An output unit that outputs location-based two-dimensional water temperature information that is a result of the data assimilation application unit
Ocean prediction system through the future point data assimilation of water temperature time series prediction data using deep learning, characterized in that it comprises.
 제1항에 있어서,
상기 생성부는,
상호 관련성 있는 이종의 시계열 데이터 M개를 포함하는 다중 시계열 데이터를 입력받는 다중 시계열 데이터 입력모듈;
다중 시계열 데이터(독립변수)와, 이로부터 예측되는 종속 시계열 데이터(종속변수) 사이의 상관도(correlation)를 계산하는 다중 시계열 데이터 상관도 계산모듈;
해석을 기준으로 상기 독립변수와 종속변수 간에서 설정된 기준값(threshold) 이상의 상관도를 가지는 시계열 데이터들만을 선택하는 다중 시계열 데이터 선택모듈;
선택된 다중 시계열 데이터들을 단일 시계열 데이터로 결합하는 다중 시계열 데이터 결합모듈; 및
결합된 단일 시계열 데이터를 입력으로 하여 딥러닝을 통한 학습을 수행하되, 설정된 횟수만큼 연속 수행하여 예측 시계열 데이터를 생성하고, 상기 자료동화 적용부에 맞는 자료형태로 변환하는 딥러닝 예측모델을
포함하는 것을 특징으로 하는 딥러닝을 이용한 수온시계열 예측자료의 미래시점 자료동화를 통한 해양예측 시스템.
The method of claim 1,
The generation unit,
A multi-time series data input module for receiving multi-time series data including M pieces of mutually related heterogeneous time series data;
A multiple time series data correlation calculation module for calculating a correlation between multiple time series data (independent variable) and dependent time series data (dependent variable) predicted therefrom;
A multiple time series data selection module for selecting only time series data having a correlation greater than or equal to a threshold set between the independent variable and the dependent variable based on the analysis;
A multiple time series data combining module for combining the selected multiple time series data into a single time series data; And
A deep learning prediction model that performs learning through deep learning by inputting the combined single time series data as an input, and generates predictive time series data by continuously performing a set number of times, and converts it into a data format suitable for the data assimilation application unit.
Ocean prediction system through the future point data assimilation of water temperature time series prediction data using deep learning, characterized in that it comprises.
 제2항에 있어서,
상기 다중 시계열 데이터 입력부는,
상기 다중 시계열 데이터를 입력값(x)에 대해 [수학식 1]을 통해 min-max normalization 방법으로 정규화하여 단일 시계열 데이터로 변환
하는 것을 특징으로 하는 딥러닝을 이용한 수온시계열 예측자료의 미래시점 자료동화를 통한 해양예측 시스템.
[수학식 1]
Figure 112019130619374-pat00044

The method of claim 2,
The multiple time series data input unit,
The multi-time series data is normalized to the input value (x) by the min-max normalization method through [Equation 1] and converted into single time series data
Ocean prediction system through future point data assimilation of water temperature time series prediction data using deep learning, characterized in that.
[Equation 1]
Figure 112019130619374-pat00044

 제2항에 있어서,
상기 딥러닝 예측모델은,
n 개의 시계열데이터가 결합한 단일 시계열 데이터(x)를 입력받아 장단기 기억 네트워크(Long short-term memory, LSTM)를 통해 딥러닝을 수행하여 예측값을 생성
하는 것을 특징으로 하는 딥러닝을 이용한 수온시계열 예측자료의 미래시점 자료동화를 통한 해양예측 시스템.
The method of claim 2,
The deep learning prediction model,
Receives a single time series data (x) combined with n time series data and performs deep learning through a long short-term memory (LSTM) to generate predicted values.
Ocean prediction system through future point data assimilation of water temperature time series prediction data using deep learning, characterized in that.
 제1항에 있어서,
상기 자료동화 적용부는,
최초 추정을 초기 조건으로 하여 수치모델을 동화창 시작 시각부터 종료 시각까지 적분하여 종료 시각의 예보장을 생성하는 예보장 생성모듈;
상기 생성부에 의해 생성된 예측 시계열 데이터 및 상기 예보장 생성모듈에 의해 생성된 예보장을 최적내삽법 자료동화를 통해 기준장을 생성하는 기준장 생성모듈; 및
상기 예보장을
Figure 112019130619374-pat00045
의 격자형태로 자료동화가 적용된 개선된 초기 조건을 생성하는 초기값 생성모듈을
포함하는 것을 특징으로 하는 딥러닝을 이용한 수온시계열 예측자료의 미래시점 자료동화를 통한 해양예측 시스템.The method of claim 1,
The material fairy tale application unit,
A forecast field generation module for generating a forecast field at an end time by integrating a numerical model from a start time to an end time of the moving window based on initial estimation as an initial condition;
A reference field generation module for generating a reference field through the optimal interpolation method data assimilation of the prediction time series data generated by the generation unit and the forecast field generated by the forecast field generation module; And
The above forecast
Figure 112019130619374-pat00045
An initial value generation module that generates an improved initial condition to which data assimilation is applied in the form of a grid of
Ocean prediction system through the future point data assimilation of water temperature time series prediction data using deep learning, characterized in that it comprises.
KR1020190169156A 2019-12-17 2019-12-17 Ocean Prediction System Using Future Learning of Water Temperature Time Series Prediction Data Using Deep Learning KR102220748B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190169156A KR102220748B1 (en) 2019-12-17 2019-12-17 Ocean Prediction System Using Future Learning of Water Temperature Time Series Prediction Data Using Deep Learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190169156A KR102220748B1 (en) 2019-12-17 2019-12-17 Ocean Prediction System Using Future Learning of Water Temperature Time Series Prediction Data Using Deep Learning

Publications (1)

Publication Number Publication Date
KR102220748B1 true KR102220748B1 (en) 2021-02-26

Family

ID=74687910

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190169156A KR102220748B1 (en) 2019-12-17 2019-12-17 Ocean Prediction System Using Future Learning of Water Temperature Time Series Prediction Data Using Deep Learning

Country Status (1)

Country Link
KR (1) KR102220748B1 (en)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220071038A (en) * 2020-11-23 2022-05-31 한국해양과학기술원 Devices and Methods for Detection and Prediction of Cold Water Mass Using Artificial Intelligence and Satellite Imaging
KR102420981B1 (en) * 2021-12-23 2022-07-14 한화시스템 주식회사 Marine environment simulator and simulating method according to sea water detph, recording medium storing program and computer program for executing the same
CN114862035A (en) * 2022-05-20 2022-08-05 厦门大学 Combined bay water temperature prediction method based on transfer learning
KR102513300B1 (en) 2022-10-21 2023-03-28 (주)올포랜드 Production system of marine environment predictive information for supporting navigation
KR20230060802A (en) * 2021-10-28 2023-05-08 콤비로 주식회사 Apparatus and method for market size prediction using deep learning

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150081214A (en) 2014-01-03 2015-07-13 서울대학교산학협력단 Adjoint sensitivity-based data assimilation method
KR101938829B1 (en) * 2018-03-23 2019-01-16 대한민국(해양수산부 국립해양조사원) Method and apparatus for learning neural network to predict occurrence of sea fog

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150081214A (en) 2014-01-03 2015-07-13 서울대학교산학협력단 Adjoint sensitivity-based data assimilation method
KR101938829B1 (en) * 2018-03-23 2019-01-16 대한민국(해양수산부 국립해양조사원) Method and apparatus for learning neural network to predict occurrence of sea fog

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"해양기상 서비스 선진화 및 재난관리 역량향상 방안 연구", 최종보고서, 기상청, 2018.11 *
Read, J. S. et al. "Process-guided deep learning predictions of lake water temperature", Water Resour. Res., 55, pp.9173-9190, Nov. 2019. *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220071038A (en) * 2020-11-23 2022-05-31 한국해양과학기술원 Devices and Methods for Detection and Prediction of Cold Water Mass Using Artificial Intelligence and Satellite Imaging
KR102411074B1 (en) 2020-11-23 2022-06-20 한국해양과학기술원 Devices and Methods for Detection and Prediction of Cold Water Mass Using Artificial Intelligence and Satellite Imaging
KR20230060802A (en) * 2021-10-28 2023-05-08 콤비로 주식회사 Apparatus and method for market size prediction using deep learning
KR102636122B1 (en) * 2021-10-28 2024-02-14 콤비로 주식회사 Apparatus and method for market size prediction using deep learning
KR102420981B1 (en) * 2021-12-23 2022-07-14 한화시스템 주식회사 Marine environment simulator and simulating method according to sea water detph, recording medium storing program and computer program for executing the same
CN114862035A (en) * 2022-05-20 2022-08-05 厦门大学 Combined bay water temperature prediction method based on transfer learning
CN114862035B (en) * 2022-05-20 2024-05-03 厦门大学 Combined bay water temperature prediction method based on transfer learning
KR102513300B1 (en) 2022-10-21 2023-03-28 (주)올포랜드 Production system of marine environment predictive information for supporting navigation

Similar Documents

Publication Publication Date Title
KR102220748B1 (en) Ocean Prediction System Using Future Learning of Water Temperature Time Series Prediction Data Using Deep Learning
KR20200119732A (en) Method and device for generating high-resolution ocean data
Akpınar et al. Prediction of wave parameters by using fuzzy inference system and the parametric models along the south coasts of the Black Sea
KR20180114983A (en) Apparatus and method for detecting anomaly behavior in plant pipe using multiple meta-learning
CN110727916B (en) Large-scale sea area wind energy long-term prediction method and system
CN114510875B (en) Circulation-current-situation red tide forecasting system and method based on multi-source meteorological data
Guijo-Rubio et al. Short-and long-term energy flux prediction using Multi-Task Evolutionary Artificial Neural Networks
CN116152465A (en) Ocean environment field reconstruction method based on multistage interpolation method
JP2008107963A (en) Method for estimating three-dimensional data, and program
Zhu et al. A Bayesian approach for shipboard lifetime wave load spectrum updating
KR102236169B1 (en) Subsea Sediment Characteristics Data Transformation System of Multi-beam Sound Pressure Data Using Deep Neural Network
CN117172372B (en) Typhoon path prediction method and typhoon path prediction system
Zhang et al. Incorporation of artificial neural networks and data assimilation techniques into a third-generation wind–wave model for wave forecasting
Chandra et al. Cooperative neuro-evolution of Elman recurrent networks for tropical cyclone wind-intensity prediction in the south pacific region
Liu et al. Comparison of data-driven methods for downscaling ensemble weather forecasts
Ryu et al. Incremental Low-Rank Dynamic Mode Decomposition Model for Efficient Forecast Dissemination and Onboard Forecasting
JP2017227452A (en) Device and method for calculating propagation loss
JPH09146915A (en) Chaos time-series short-period predicting device
Davis et al. Wave excitation force prediction of a heaving wave energy converter
Luna et al. Partial mutual information criterion for modelling time series via neural networks
Champenois et al. Real-time reconstruction of 3D ocean temperature fields from reanalysis data and satellite and buoy surface measurements
JP4425192B2 (en) Speech synthesis method, apparatus, program, and recording medium
JP2019139209A (en) Code estimation method and code estimation device
Li et al. Surrogate modeling for sensitivity analysis of models with high-dimensional outputs
Yu et al. Determination of vocal-tract shapes from formant frequencies based on perturbation theory and interpolation method

Legal Events

Date Code Title Description
GRNT Written decision to grant