KR102473709B1 - 수위 관측 데이터 기반 지진해일 검출 방법 및 시스템 - Google Patents

Abstract

본 개시는 적어도 하나의 프로세서에 의해 수행되는, 영상처리를 이용한 해수위 관측 방법 및 시스템에 관한 것이다. 이 방법은, 연안에 대한 복수의 학습 이미지 프레임을 획득하는 단계, 복수의 학습 이미지 프레임에 대한 전처리를 수행하는 단계, 수위 데이터 아이템을 획득하는 단계, 수위 데이터 아이템 및 전처리된 복수의 학습 이미지 프레임을 이용하여 수위 관측 모델을 생성하는 단계, 연안에 대한 시계열 이미지 프레임을 획득하는 단계 및 수위 관측 모델을 이용하여 시계열 이미지 프레임을 기초로 해수위와 관련된 추론 값을 출력하는 단계를 포함한다.

Description

수위 관측 데이터 기반 지진해일 검출 방법 및 시스템{METHOD AND SYSTEM FOR TSUNAMI DETECTION BASED ON WATER LEVEL OBSERVATION DATA}

본 개시는 수위 관측 데이터 기반 지진해일 검출 방법 및 시스템 에 관한 것이다. 보다 상세하게는 기계학습을 이용하여 수위 관측 데이터에서 이상치를 판단하고 지진해일을 검출하는 방법에 관한 것이다.

깊은 바다에서 일어나는 지진의 영향으로 만들어진 지진 해일은 연안에 파괴적인 피해를 준다. 기상에 의해 일어나는 파동은 먼바다나 연안에서 거의 변화가 없으나, 반면 지진 해일의 경우에는 연안에 가까워지면서 큰 파동으로 변하며 이는 연안에 큰 피해를 준다. 이러한 지진 해일의 피해를 대비하기 위해서 미국, 일본 등에서는 천문학적인 비용을 사용하여 지진 해일 경보 시스템을 구축했다.

종래에는 DART(Deep-ocean Assessment and Report of Tsunami) 시스템이나 TADS(Tsunami Arrival time Detection System)을 사용하여 지진해일을 검출하였다. DART의 경우, 미국 해양대기청의 태평양 해양 환경 연구소(PMEL: Pacific Marine Environmental Laboratory)에서 개발하여, 바다 밑의 지진을 탐지할 수 있는 부표를 띄어 실시간으로 자료를 수집하는 시스템이다. 따라서, 이를 운영하기 위한 많은 비용이 발생하며, 고정된 부표 위치로부터 멀리 떨어진 곳을 관측하기에는 어려움이 있다.

TADS는 크게 세 알고리즘으로 이루어져 있다. 구체적으로, 수위 데이터에서 특이치를 제거하는 알고리즘, 데이터 누락 데이터 처리 알고리즘 및 지진 해일을 감지하는 알고리즘으로 이루어져 있다. 여기서, 특이치 제거 알고리즘에서는 세 가지 모드가 있는데, 시작 모드, 유지 모드, 끝 모드를 말한다. 각 모드는 파동의 특징에 따른 분류로서, 슬라이딩 윈도우를 이용하여 일정 크기의 시계열 데이터를 확보한다. 데이터 누락 데이터 처리 알고리즘은 크게 짧은 구간 처리 방법과 긴 구간 처리 방법이 있는데, 두 방법 모두 누락된 데이터의 앞뒤 데이터의 일정 크기의 변화량을 계산하여 누락 데이터를 생성한다. 지진 해일을 감지하는 알고리즘은 DART 알고리즘, SLOPE 알고리즘, TIDE 알고리즘으로 구성된다.

이와 같이, TADS 시스템은 많은 알고리즘이 선형적으로 이어져 있고, 알고리즘 복잡도가 높은 알고리즘들이 다수 사용된다. 이 때문에, 지진 해일 검출이 신속하지 못하다.

본 개시는 상기와 같은 문제점을 해결하기 위한 수위 관측 데이터 기반 지진해일 검출 방법 및 시스템을 제공한다.

본 개시는 방법, 장치(시스템) 또는 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 포함한 다양한 방식으로 구현될 수 있다.

본 개시의 일 실시예에 따르면, 복수의 학습 수위 관측 데이터 아이템을 획득하는 단계, 복수의 학습 수위 관측 데이터 아이템에 대한 전처리를 수행하는 단계, 전처리된 복수의 학습 수위 관측 데이터 아이템을 기초로 이상치 탐지 모델을 생성하는 단계, 시계열 수위 관측 데이터를 획득하는 단계, 이상치 탐지 모델을 이용하여 시계열 수위 관측 데이터를 기초로 지진해일 발생 여부를 판정하는 단계를 포함한다.

본 개시의 일 실시예에 따르면, 학습 수위 관측 데이터 및 시계열 수위 관측 데이터는 연안에 대한 하나 이상의 이미지 프레임을 기초로 한 수위 관측 모델로부터 출력된 해수위와 관련된 추론 값을 포함한다.

본 개시의 일 실시예에 따르면, 전처리를 수행하는 단계는 저역통과필터(low pass filter)를 이용하여 획득된 복수의 학습 수위 관측 데이터 아이템에서 저주파수 부분을 통과시켜서 스파이크(spike)를 제거하는 단계를 포함한다.

본 개시의 일 실시예에 따르면, 전처리를 수행하는 단계는 학습 수위 관측 데이터 아이템의 결측치(missing data)에 대해 보간(interpolate)하는 단계를 포함한다.

본 개시의 일 실시예에 따르면, 학습 수위 관측 데이터 아이템에서 조석 성분을 제거하는 단계를 포함한다.

본 개시의 일 실시예에 따르면, 이상치 탐지 모델은, 현재 시점으로부터 미리 결정된 기간 이전의 과거 시점까지의 시계열 수위 관측 데이터를 기초로 산출한 복수의 예측 해일고 데이터 아이템과 이에 대응하여 입력된 시계열 수위 관측 데이터의 각각 사이의 거리를 출력하고, 출력된 거리를 기초로 지진해일 발생 여부를 판정하도록 학습된 기계학습 모델을 포함한다.

본 개시의 일 실시예에 따르면, 이상치 탐지 모델을 생성하는 단계는 하나 이상의 거리 기반 알고리즘을 이용하여 산출된 하나 이상의 이상치 점수의 각각을 과거 지진해일 데이터와 비교하여 이상치 판단을 위한 임계치를 출력하는 단계를 더 포함한다.

본 개시의 일 실시예에 따르면, 이상치 탐지 모델을 생성하는 단계는 과거 지진해일 데이터의 정규분포 값을 기초로 이상치 판단을 위한 교차검증하는 단계를 더 포함한다.

본 개시의 일 실시예에 따르면, 임계치를 출력하는 단계는 하나 이상의 이상치 점수를 기초로 세분화된 복수의 세부 임계치를 출력하는 단계를 포함한다.

본 개시의 일 실시예에 따르면, 지진해일 발생 여부를 판단하는 단계는 지진 통보문을 획득하는 단계, 지진 통보문을 기초로 지진해일 도달시간을 산출하는 단계, 지진해일 도달시간을 기초로 하나 이상의 이상치 점수가 지진해일에 의한 것인지를 판단하는 단계를 포함한다.

본 개시의 일 실시예에 따르면, 방법은, 하나 이상의 이상치 점수를 기초로 침수 위험도를 평가하는 단계를 더 포함한다.

본 개시의 일 실시예에 따르면, 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램을 포함한다.

본 개시의 일 실시예에 따르면, 정보 처리 시스템에 있어서, 통신 모듈, 하나 이상의 인스트럭션(instructions)을 저장하는 메모리 및 저장된 하나 이상의 인스트럭션을 실행함으로써, 복수의 학습 수위 관측 데이터 아이템을 획득하고, 복수의 학습 수위 관측 데이터 아이템에 대한 전처리를 수행하고, 전처리된 복수의 학습 수위 관측 데이터 아이템을 기초로 이상치 탐지 모델을 생성하고, 시계열 수위 관측 데이터를 획득하고, 이상치 탐지 모델을 이용하여 시계열 수위 관측 데이터를 기초로 지진해일 발생 여부를 판정하도록 구성된 프로세서를 포함한다.

본 개시의 일부 실시예에 따르면, 이상치 탐지 모델을 이용하여 시계열 수위 관측 데이터를 기초로 지진해일 발생 여부를 판정함으로써, 부표를 띄어 자료를 수집할 필요 없이 효율적이고 높은 확장성을 갖는 실시간 지진해일 검출 시스템을 구축할 수 있다.

본 개시의 일부 실시예에 따르면, 학습 수위 관측 데이터 및 시계열 수위 관측 데이터는 연안에 대한 하나 이상의 이미지 프레임을 기초로 한 수위 관측 모델로부터 출력된 해수위와 관련된 추론 값을 포함할 수 있다. 즉, 연안에 기설치된 촬영장비(CCTV 등)로부터 관측 데이터를 획득할 수 있기 때문에 고가의 관측 장비 없이 지진해일을 검출할 수 있다.

본 개시의 일부 실시예에 따르면, 전처리를 수행하는 단계는 저역통과필터(low pass filter)를 이용하여 획득된 복수의 학습 수위 관측 데이터 아이템에서 저주파수 부분을 통과시켜서 스파이크(spike)를 제거하는 단계를 포함한다. 종래에는 스파이크를 제거하기 위해 수위 데이터에서 특이치를 제거하는 알고리즘을 사용하였다. 하지만, 본 개시의 발명에서는 하드웨어인 저역통과필터를 사용하여 스파이크를 제거함으로써 알고리즘 복잡도 증가 없이, 실시간으로 스파이크를 제거할 수 있다.

본 개시의 일부 실시예에 따르면, 이상치 탐지 모델을 생성하는 단계는 복수의 거리 기반 알고리즘을 이용하여 산출된 하나 이상의 이상치 점수의 각각을 과거 지진해일 데이터와 비교하여 이상치 판단을 위한 임계치를 출력할 수 있다. 즉, 복수의 거리 기반 알고리즘의 비교 검증을 통해서 지진해일 판단을 위한 임계치를 지속적으로 보완할 수 있다. 또한, 과거 지진해일 데이터의 정규분포 값과 비교하여 이상치 탐지 모델을 교차검증할 수 있다.

본 개시의 일부 실시예에 따르면, 지진해일 발생 여부를 판단할 때 지진 통보문을 사용할 수 있다. 지진 통보문을 기초로, 이상치 탐지 모델에서 감지된 이상치가 단순 기상해일에 의한 것인지, 아니면 지진해일에 의한 것인지를 판단할 수 있다. 이에 따라, 이상치 탐지 모델의 정확도를 향상시킬 수 있다.

본 개시의 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급되지 않은 다른 효과들은 청구범위의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자(“통상의 기술자”라 함)에게 명확하게 이해될 수 있을 것이다.

도 1은 본 개시의 일 실시예에 따른 정보 처리 시스템이 이상치 탐지 모델을 생성하는 예시를 나타내는 개요도이다.
도 2는 본 개시의 일 실시예에 따른 정보 처리 시스템의 내부 구성을 나타내는 블록도이다.
도 3은 본 개시의 일 실시예에 따른 이상치 탐지 모델을 이용하여 시계열 수위 관측 데이터를 기초로 지진해일 발생 여부를 판정하는 예시를 나타내는 개요도이다.
도 4는 본 개시의 일 실시예에 따른 프로세서의 내부 구성을 나타내는 도면이다.
도 5는 본 개시의 일 실시예에 따른 수위 관측 데이터로부터 지진해일을 검출하는 방법의 예시를 나타내는 흐름도이다.
도 6은 본 개시의 일 실시예에 따른 저역통과필터를 이용하여 스파이크를 제거하는 전처리의 예시를 나타내는 도면이다.
도 7은 본 개시의 일 실시예에 따른 거리기반 알고리즘을 기초로 산출된 이상치 점수의 예시를 나타내는 도면이다.
도 8은 본 개시의 일 실시예에 따른 수위 관측 모델 구조의 예시를 나타내는 도면이다.
도 9는 본 개시의 일 실시예에 따른 수위 관측 데이터로부터 지진해일을 검출하는 방법의 예시를 나타내는 흐름도이다.
도 10은 본 개시의 일 실시예에 따른 기계학습 모델을 나타내는 예시도이다.

이하, 본 개시의 실시를 위한 구체적인 내용을 첨부된 도면을 참조하여 상세히 설명한다. 다만, 이하의 설명에서는 본 개시의 요지를 불필요하게 흐릴 우려가 있는 경우, 널리 알려진 기능이나 구성에 관한 구체적 설명은 생략하기로 한다.

첨부된 도면에서, 동일하거나 대응하는 구성요소에는 동일한 참조부호가 부여되어 있다. 또한, 이하의 실시예들의 설명에 있어서, 동일하거나 대응하는 구성요소를 중복하여 기술하는 것이 생략될 수 있다. 그러나 구성요소에 관한 기술이 생략되어도, 그러한 구성요소가 어떤 실시예에 포함되지 않는 것으로 의도되지는 않는다.

개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 기술자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.

본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다. 본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.

본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한, 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다. 명세서 전체에서 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.

또한, 명세서에서 사용되는 '모듈' 또는 '부'라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, '모듈' 또는 '부'는 어떤 역할들을 수행한다. 그렇지만, '모듈' 또는 '부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '모듈' 또는 '부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서, '모듈' 또는 '부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 또는 변수들 중 적어도 하나를 포함할 수 있다. 구성요소들과 '모듈' 또는 '부'들은 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '모듈' 또는 '부'들로 결합되거나 추가적인 구성요소들과 '모듈' 또는 '부'들로 더 분리될 수 있다.

본 개시의 일 실시예에 따르면, '모듈' 또는 '부'는 프로세서 및 메모리로 구현될 수 있다. '프로세서'는 범용 프로세서, 중앙 처리 장치(CPU), 마이크로프로세서, 디지털 신호 프로세서(DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서, '프로세서'는 주문형 반도체(ASIC), 프로그램가능 로직 디바이스(PLD), 필드 프로그램가능 게이트 어레이(FPGA) 등을 지칭할 수도 있다. '프로세서'는, 예를 들어, DSP와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다. 또한, '메모리'는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. '메모리'는 임의 액세스 메모리(RAM), 판독-전용 메모리(ROM), 비-휘발성 임의 액세스 메모리(NVRAM), 프로그램가능 판독-전용 메모리(PROM), 소거-프로그램가능 판독 전용 메모리(EPROM), 전기적으로 소거가능 PROM(EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.

본 개시에서, '시스템'은 서버 장치와 클라우드 장치 중 적어도 하나의 장치를 포함할 수 있으나, 이에 한정되는 것은 아니다. 예를 들어, 시스템은 하나 이상의 서버 장치로 구성될 수 있다. 다른 예로서, 시스템은 하나 이상의 클라우드 장치로 구성될 수 있다. 또 다른 예로서, 시스템은 서버 장치와 클라우드 장치가 함께 구성되어 동작될 수 있다.

본 개시에서, '기계학습 모델'은 주어진 입력에 대한 해답(answer)을 추론하는데 사용하는 임의의 모델을 포함할 수 있다. 일 실시예에 따르면, 기계학습 모델은 입력 레이어(층), 복수 개의 은닉 레이어 및 출력 레이어를 포함한 인공신경망 모델을 포함할 수 있다. 여기서, 각 레이어는 복수의 노드를 포함할 수 있다. 또한, 본 개시에서, 기계학습 모델은 인공신경망 모델을 지칭할 수 있으며, 인공신경망 모델은 기계학습 모델을 지칭할 수 있다. 또한, 기계학습 모델은 모델로 지칭될 수 있고, 모델은 기계학습 모델을 지칭할 수 있다.

본 개시에서, '복수의 A의 각각' 또는 '복수의 A 각각'은 복수의 A에 포함된 모든 구성 요소의 각각을 지칭하거나, 복수의 A에 포함된 일부 구성 요소의 각각을 지칭할 수 있다. 예를 들어, 복수의 데이터 아이템의 각각은, 복수의 데이터 아이템에 포함된 모든 데이터 아이템의 각각을 지칭하거나 복수의 데이터 아이템에 포함된 일부 데이터 아이템의 각각을 지칭할 수 있다. 이와 유사하게, 복수의 레이블 분포의 각각은, 복수의 레이블 분포에 포함된 모든 레이블 분포의 각각을 지칭하거나 복수의 레이블 분포에 포함된 일부 레이블 분포의 각각을 지칭할 수 있다.

본 개시에서, '데이터'는 데이터 아이템을 지칭하고, '데이터 아이템'은 데이터를 지칭할 수 있다.

본 개시에서, '시계열 데이터(time-series data)'란, 시간의 경과에 따라 연속되는 정보를 갖는 데이터를 지칭할 수 있다. 즉, 일정한 시간 간격을 측정되거나, 순서가 존재하는 데이터(예를 들어, 기상 데이터, 각종 관측 데이터 등)를 포함할 수 있다.

본 개시에서, '수위 관측 데이터'는 바다의 수위를 나타내는 데이터를 지칭하거나, 해일의 높이를 나타내는 데이터를 지칭할 수 있다. 즉, '해일고 데이터'는 '수위 관측 데이터'를 지칭할 수 있고, '수위 관측 데이터'는 '해일고 데이터'를 지칭할 수 있다.

도 1은 본 개시의 일 실시예에 따른 정보 처리 시스템(110)이 이상치 탐지 모델(130)을 생성하는 예시를 나타내는 개요도이다. 도시된 바와 같이, 정보 처리 시스템(110)은 복수의 학습 수위 관측 데이터 아이템(120)을 획득할 수 있다. 여기서 복수의 학습 수위 관측 데이터 아이템(120)은 연안지역의 시간에 따른 수위 관측 데이터를 포함할 수 있다. 예를 들어, 학습 수위 관측 데이터 아이템(120)은 기상청(국립해양조사원) 등으로부터 취득한 관측 데이터를 포함할 수 있고, 인터넷 상에 존재하는 해수위와 관련된 관측 데이터를 크롤링(crawling)하여 수집된 관측 데이터를 포함할 수 있다. 다른 예로서, 학습 수위 관측 데이터 아이템(120)은 연안에 위치한 수위 측정 장비로부터 직접 획득한 수위 관측 데이터를 포함할 수 있다. 여기서, 수위 측정 장비는 기 설치된 CCTV에 장착된 TOF센서, 초음파 수위계 또는 3차원 측정 기능을 갖는 카메라 등 다양한 수위계가 포함될 수 있다.

다른 실시예에서, 학습 수위 관측 데이터 아이템(120)은 연안에 대한 하나 이상의 이미지 프레임을 기초로 한 수위 관측 모델로부터 출력된 해수위와 관련된 추론 값을 포함할 수 있다. 예를 들어, 연안에 위치한 촬영 장비(예: CCTV 등)로부터 해수면이 포함된 영상을 획득하고, 이에 대응하는 시계열 수위 관측 데이터 아이템을 정답 데이터(ground truth)로 하여 수위 관측 모델을 학습시킬 수 있다. 그런 다음, 수위 관측 모델에 해수면이 포함된 시계열 이미지 프레임을 입력하여 실시간으로 해수위와 관련된 추론 값을 출력할 수 있다. 이렇게 출력된 해수위와 관련된 추론 값은 이상치 탐지 모델을 생성하기 위한 정보 처리 시스템(110)에 입력 값으로 입력될 수 있다.

정보 처리 시스템(110)은 이상치 탐지 모델을 생성하기 위해 획득한 복수의 학습 수위 관측 데이터 아이템(120)에 전처리를 수행할 수 있다. 일 실시예에 따르면, 전처리 수행을 위해, 저역통과필터(low pass filter)를 이용할 수 있다. 예를 들어, 획득된 복수의 학습 수위 관측 데이터 아이템에서 저주파수 부분을 통과시켜서 스파이크(spike)를 제거할 수 있다. 여기서, 스파이크는 수위 관측 데이터에서 짧은 시간 동안 갑자기 파고가 변하는 것을 지칭할 수 있다. 이와 같은 스파이크는 이상치 검출 모델에 영향을 주어 지진해일이 아닌 경우에도 지진해일로 검출될 수 있다. 따라서, 스파이크를 제거하는 전처리 과정이 중요할 수 있다. 이를 위해, 낮은 주파수 부분을 통과시키고, 스파이크와 같은 높은 주파수 부분을 차단하는 저역통과필터를 사용할 수 있다. 이 때, 저역통과필터는 하드웨어로도 구현할 수 있으며, 실시간으로 빠르게 스파이크를 제거할 수 있다. 저역통과필터를 이용한 전처리는 도 6을 참조하여 상세히 후술된다.

일 실시예에 따르면, 전처리를 수행하는 단계는 학습 수위 관측 데이터 아이템의 결측치(missing data)에 대해 보간(interpolate)하는 단계를 포함할 수 있다. 여기서, 결측치는 데이터에서 특정 정보가 누락된 것을 지칭할 수 있다. 누락된 데이터를 다시 관측하여 복구할 수도 있겠지만, 이 경우, 추가 관측을 위한 일정 시간이 경과하여야 적용이 가능할 수 있다. 이 때문에, 누락된 데이터의 복구 속도와 정확도를 향상시키기 위하여 결측 구간의 수위에 대해 예측하는 보간 방법을 사용할 수 있다. 예를 들어, 비지도 학습을 이용하여 해수위와 관련된 과거 데이터를 기초로 결측 구간의 시계열 패턴을 생성할 수 있다. 생성된 시계열 패턴은 결측 구간의 길이에 따라, 시작과 끝 지점에 맞추어 조정될 수 있다. 보간을 위한 결측 구간의 수위 예측 방법에는 End-Point fixing method가 포함될 수 있지만, 이에 한정되지 않는다.

일 실시예에 따르면, 전처리를 수행하는 단계는 학습 수위 관측 데이터 아이템에서 조석 성분을 제거하는 단계를 포함할 수 있다. 여기서, 조석은 태양과 달이 지구에 미치는 기조력에 의해 해수위가 오르내리는 현상을 지칭할 수 있다. 이러한 조석 정보가 지진 해일의 파동과 함께 수위 데이터에 포함될 수 있기 때문에, 정확한 지진 해일 검출을 위해서는 조석 성분을 제거하는 것이 중요할 수 있다. 예를 들어, 지진 해일 파동 데이터를 얻기 위해서 수위 데이터에서 조화 상수를 이용하여 조석 성분을 제거할 수 있다. 또한, 전지구 조위 데이터를 이용하여, 복수의 학습 수위 관측 데이터 아이템으로부터 조석 성분을 제거할 수 있다.

일 실시예에 따르면, 정보 처리 시스템(110)은 획득한 복수의 학습 수위 관측 데이터 아이템(120)을 기초로, 이상치 탐지 모델(130)을 생성할 수 있다. 이상치 탐지 모델(130)은 데이터에서 이상치를 탐지하도록 학습된 기계학습 모델을 지칭할 수 있고, 이상치(outlier)는 정상 데이터에서 기존 패턴을 벗어난 값을 지칭할 수 있다. 예를 들어, 이상치 탐지 모델(130)은 학습 데이터로서 획득한 지진해일이 발생하지 않은 일정 기간 동안의 복수의 학습 수위 관측 데이터(예: 평상시의 해일고 데이터)를 정상 데이터로 가정하고 학습될 수 있다. 이 경우, 복수의 학습 수위 관측 데이터는 데이터 해석에 불필요한 정보를 제거하고, 이상치 탐지 모델의 정확도를 향상시키기 위해 전처리가 수행된 수위 관측 데이터가 이용될 수 있다. 그리고 나서, 학습된 이상치 탐지 모델(130)에 시계열 수위 관측 데이터가 실시간으로 입력되면, 평상시의 해일고와는 다른 특수한 패턴(예: 지진해일 및 기상해일 등)을 가지는 데이터는 이상치로 판정할 수 있다. 일 실시예에 따르면, 이상치 탐지 모델이 이상치를 판정하기 위해, 거리 기반 알고리즘을 사용할 수 있는데, 구체적인 이상치 탐지 방법에 대해서는 도 3을 참조하여 상세히 후술된다.

도 2는 본 개시의 일 실시예에 따른 정보 처리 시스템(110)의 내부 구성을 나타내는 블록도이다.

수위 관측 데이터를 기반으로 지진해일을 검출하기 위한 정보 처리 시스템(110)은 메모리(210), 프로세서(220), 통신 모듈(230) 및 입출력 인터페이스(240)를 포함할 수 있다. 도 2에 도시된 바와 같이, 정보 처리 시스템(200)은 통신 모듈(230)을 이용하여 네트워크를 통해 정보 및/또는 데이터를 통신할 수 있도록 구성될 수 있다.

메모리(210)는 비-일시적인 임의의 컴퓨터 판독 가능한 기록매체를 포함할 수 있다. 일 실시예에 따르면, 메모리(210)는 RAM(random access memory), ROM(read only memory), 디스크 드라이브, SSD(solid state drive), 플래시 메모리(flash memory) 등과 같은 비소멸성 대용량 저장 장치(permanent mass storage device)를 포함할 수 있다. 다른 예로서, ROM, SSD, 플래시 메모리, 디스크 드라이브 등과 같은 비소멸성 대용량 저장 장치는 메모리와는 구분되는 별도의 영구 저장 장치로서 정보 처리 시스템(110)에 포함될 수 있다. 또한, 메모리(210)에는 운영체제와 적어도 하나의 프로그램 코드(예를 들어, 정보 처리 시스템(110)에 설치되어 구동되는 기계학습 모델의 연산 처리, 전/후 처리, 복수의 레이블의 분포 산출 처리, 복수의 학습 레이블 분포 산출 처리, 모델 선택을 위한 거리 산출 처리 등)가 저장될 수 있다. 도 2에서, 메모리(210)는 단일 메모리인 것으로 도시되었지만, 이는 설명의 편의를 위한 것일 뿐이며, 메모리(210)는 복수의 메모리를 포함할 수 있다.

이러한 소프트웨어 구성요소들은 메모리(210)와는 별도의 컴퓨터에서 판독 가능한 기록매체로부터 로딩될 수 있다. 이러한 별도의 컴퓨터에서 판독 가능한 기록매체는 이러한 정보 처리 시스템(110)에 직접 연결가능한 기록 매체를 포함할 수 있는데, 예를 들어, 플로피 드라이브, 디스크, 테이프, DVD/CD-ROM 드라이브, 메모리 카드 등의 컴퓨터에서 판독 가능한 기록매체를 포함할 수 있다. 다른 예로서, 소프트웨어 구성요소들은 컴퓨터에서 판독 가능한 기록매체가 아닌 통신 모듈(230)을 통해 메모리(210)에 로딩될 수도 있다. 예를 들어, 적어도 하나의 프로그램은 개발자들 또는 어플리케이션의 설치 파일을 배포하는 파일 배포 시스템이 통신 모듈(230)을 통해 제공하는 파일들에 의해 설치되는 컴퓨터 프로그램(예를 들어, 획득한 학습 수위 관측 데이터 아이템의 결측치를 보간하거나 조석 성분을 제거하기 위한 전처리 프로그램 등)에 기반하여 메모리(210)에 로딩될 수 있다.

프로세서(220)는 기본적인 산술, 로직 및 입출력 연산을 수행함으로써, 컴퓨터 프로그램의 명령을 처리하도록 구성될 수 있다. 명령은 메모리(210) 또는 통신 모듈(230)에 의해 사용자 단말(미도시) 또는 다른 외부 시스템으로 제공될 수 있다. 예를 들어, 프로세서(220)는 기계학습 모델을 이용하여, 시계열 수위 관측 데이터를 기초로 지진해일 발생 여부를 판정할 수 있으며, 이상치 점수를 기초로 침수 위험도를 평가할 수 있다. 이렇게 출력된 침수 위험도는 침수 위험 알림 시스템으로 전송될 수 있다.

통신 모듈(230)은 네트워크를 통해 사용자 단말(미도시)과 정보 처리 시스템(110)이 서로 통신하기 위한 구성 또는 기능을 제공할 수 있으며, 정보 처리 시스템(110)이 외부 시스템(일례로 별도의 클라우드 시스템 등)과 통신하기 위한 구성 또는 기능을 제공할 수 있다. 일례로, 정보 처리 시스템(110)의 프로세서(220)의 제어에 따라 제공되는 제어 신호, 명령, 데이터 등이 통신 모듈(230)과 네트워크를 거쳐 사용자 단말 및/또는 외부 시스템의 통신 모듈을 통해 사용자 단말 및/또는 외부 시스템으로 전송될 수 있다. 예를 들어, 외부 시스템(예: 침수 위험 알림 시스템)은 정보 처리 시스템(110)로부터 입력 데이터(예: 침수 위험도 등) 등을 전달받을 수 있다.

또한, 정보 처리 시스템(110)의 입출력 인터페이스(240)는 정보 처리 시스템(200)과 연결되거나 정보 처리 시스템(110)이 포함할 수 있는 입력 또는 출력을 위한 장치(미도시)와의 인터페이스를 위한 수단일 수 있다. 예를 들면, 입출력 인터페이스(240)는 PCI express 인터페이스, 이더넷(ethernet) 인터페이스 중 적어도 하나를 포함할 수 있다. 도 2에서는 입출력 인터페이스(240)가 프로세서(220)와 별도로 구성된 요소로서 도시되었으나, 이에 한정되지 않으며, 입출력 인터페이스(240)가 프로세서(220)에 포함되도록 구성될 수 있다. 정보 처리 시스템(110)은 도 2의 구성요소들보다 더 많은 구성요소들을 포함할 수 있다. 그러나, 대부분의 종래기술적 구성요소들을 명확하게 도시할 필요성은 없다.

정보 처리 시스템(110)의 프로세서(220)는 복수의 사용자 단말 및/또는 복수의 외부 시스템으로부터 수신된 정보 및/또는 데이터를 관리, 처리 및/또는 저장하도록 구성될 수 있다. 도 2에서, 프로세서(220)는 단일 프로세서인 것으로 도시되었지만, 이는 설명의 편의를 위한 것일 뿐이며, 프로세서(220)는 복수의 프로세서를 포함할 수 있다.

도 3은 본 개시의 일 실시예에 따른 이상치 탐지 모델(130)을 이용하여 시계열 수위 관측 데이터(310)를 기초로 지진해일 발생 여부(320)를 판정하는 예시를 나타내는 개요도이다. 일 실시예에 따르면, 획득한 시계열 수위 관측 데이터(310)를 기초로 이상치 탐지 모델(130)을 이용하여 지진해일 발생 여부(320)를 추론 값으로 출력할 수 있다. 예를 들어, 실시간으로 획득하는 시계열 수위 관측 데이터(310)를 이상치 탐지 모델(130)에 입력할 수 있다. 여기서, 시계열 수위 관측 데이터(310)는 복수의 학습 수위 관측 데이터 아이템(120)과 마찬가지로, 연안지역의 시간에 따른 수위 관측 데이터를 포함할 수 있다. 예를 들어, 시계열 수위 관측 데이터(310)는 기상청(국립해양조사원) 등으로부터 취득한 관측 데이터를 포함할 수 있고, 인터넷 상에 존재하는 해수위와 관련된 관측 데이터를 크롤링(crawling)하여 수집된 관측 데이터를 포함할 수 있다. 다른 예로서, 시계열 수위 관측 데이터(310)는 연안에 위치한 수위 측정 장비로부터 직접 획득한 수위 관측 데이터를 포함할 수 있다. 여기서, 수위 측정 장비는 기 설치된 CCTV에 장착된 TOF센서, 초음파 수위계 또는 3차원 측정 기능을 갖는 카메라 등 다양한 수위계가 포함될 수 있다.

다른 실시예에서, 시계열 수위 관측 데이터(310)는 연안에 대한 하나 이상의 이미지 프레임을 기초로 한 수위 관측 모델로부터 출력된 해수위와 관련된 추론 값을 포함할 수 있다. 예를 들어, 연안에 위치한 촬영 장비(예: CCTV 등)로부터 해수면이 포함된 영상을 획득하고, 이에 대응하는 시계열 수위 관측 데이터 아이템을 정답 데이터(ground truth)로 하여 수위 관측 모델을 학습시킬 수 있다. 그런 다음, 수위 관측 모델에 해수면이 포함된 시계열 이미지 프레임을 입력하여 실시간으로 해수위와 관련된 추론 값을 출력할 수 있다. 이렇게 출력된 해수위와 관련된 추론 값은 지진해일 발생 여부(320)를 탐지하기 위한 이상치 탐지 모델(130)에 입력 값으로 입력될 수 있다.

이와 같이, 복수의 학습 수위 관측 데이터 아이템(120) 및 시계열 수위 관측 데이터(310)는 기상청으로부터 획득한 관측 데이터, 수위 측정 장비로부터 직접 측정한 관측 데이터 및 해수면 영상분석을 기반으로 추론된 해수위 관련 데이터가 포함될 수 있으며, 이에 한정되지 않는다.

일 실시예에 따르면, 이상치 탐지 모델(130)은 데이터에서 이상치를 탐지하도록 학습된 기계학습 모델을 지칭할 수 있고, 이상치(outlier)는 정상 데이터에서 기존 패턴을 벗어난 값을 지칭할 수 있다. 예를 들어, 이상치 탐지 모델(130)은 학습 데이터로서 획득한 지진해일이 발생하지 않은 일정 기간 동안의 복수의 학습 수위 관측 데이터(예: 평상시의 해일고 데이터)를 정상 데이터로 가정하고 학습될 수 있다. 이 경우, 복수의 학습 수위 관측 데이터는 데이터 해석에 불필요한 정보를 제거하고, 이상치 탐지 모델의 정확도를 향상시키기 위해 전처리가 수행된 수위 관측 데이터가 이용될 수 있다. 그리고 나서, 학습된 이상치 탐지 모델(130)에 시계열 수위 관측 데이터가 실시간으로 입력되면, 평상시의 해일고와는 다른 특수한 패턴(예: 지진해일 및 기상해일 등)을 가지는 데이터는 이상치로 판정할 수 있다.

일 실시예에 따르면, 이상치 탐지 모델(130)은 이상치를 탐지하기 위해, 거리 기반 알고리즘을 사용할 수 있다. 즉, 입력된 시계열 수위 관측 데이터(310)와 현재 시점으로부터 미리 결정된 기간 이전의 과거 시점까지의 시계열 수위 관측 데이터(310)를 기초로 산출한 복수의 예측 해일고 데이터 아이템의 각각 사이의 거리를 출력할 수 있다. 이 경우, 복수의 예측 해일고 데이터 아이템의 시점은 시계열 수위 관측 데이터(310)의 시점과 대응될 수 있다. 여기서, 복수의 예측 해일고 데이터 아이템과 시계열 수위 관측 데이터 각각 사이의 거리를 출력하기 위하여 하나 이상의 거리 기반 알고리즘을 이용할 수 있다. 거리 기반 알고리즘은 Mahalanobis, Wasserstein, K-NN(K-Nearest Neighbors), LOF(Local Outlier Factor) 등의 알고리즘이 적어도 하나 이상 포함될 수 있으며, 이에 한정되지 않는다.

일 실시예에 따르면, 정보 처리 시스템(110)은 출력된 거리를 기초로 이상치 점수(Anomaly Score)를 산출할 수 있다. 여기서, 이상치 점수는 지진 해일의 가능성을 판정할 수 있는 임계치(threshold)에 대한 점수를 지칭할 수 있다. 예를 들어, 출력된 거리를 기초로 산출한 이상치 점수 중에서, 임계치를 넘어서는 이상치 점수는 기상해일 또는 지진해일 발생을 지칭할 수 있다.

일 실시예에 따르면, 정보 처리 시스템(110)은 지진 통보문을 이용하여, 기상해일과 지진해일을 구분할 수 있다. 여기서 지진 통보문은 지진이 발생할 때 기상청에서 발행하는 통보문을 지칭할 수 있다. 지진 통보문에서 지진 정보(예: 진앙지, 발생시간 등)를 추출할 수 있고, 이를 기초로 지진해일 도달 시간을 도출할 수 있다. 이렇게 도출된 지진해일 도달 시간을 이용하여 임계치를 넘어서는 이상치 점수가 기상해일에 의한 것인지, 아니면 지진해일에 의한 것인지를 구분할 수 있다.

일 실시예에 따르면, 하나 이상의 거리 기반 알고리즘을 이용하여 산출된 하나 이상의 이상치 점수의 각각을 과거 지진해일 데이터와 비교하여 이상치 판단을 위한 최적의 임계치를 출력할 수 있다. 예를 들어, 과거 지진해일 데이터를 정답 데이터(ground truth)로 하여 하나 이상의 거리 기반 알고리즘을 기초로 생성된 하나 이상의 이상치 점수를 각각 비교할 수 있고, 또는 통계적 분석(예: 평균값, 중간값 등)을 통해서 최적의 임계치를 출력할 수 있다. 즉, 복수의 거리 기반 알고리즘의 비교 검증을 통해서 지진해일 판단을 위한 임계치의 정확도를 지속적으로 보완할 수 있다.

도 4는 본 개시의 일 실시예에 따른 프로세서의 내부 구성을 나타내는 도면이다. 프로세서(220)는 전처리부(410), 모델 학습부(420), 이상치 판단부(430), 침수 위험도 평가부(440)를 포함할 수 있다. 도 4에서는 프로세서(220)의 각각의 구성 요소들은 기능적으로 구분되는 기능 요소들을 나타낸 것으로, 복수의 구성 요소가 실제 물리적 환경에서 서로 통합되는 형태로 구현될 수 있다. 또한, 도 4에서는 프로세서(220)는 전처리부(410), 모델 학습부(420), 이상치 판단부(430), 침수 위험도 평가부(440)로 나누어서 구현되었으나, 이에 한정되지 않으며, 일부 구성이 생략되거나 다른 구성이 추가될 수 있다.

일 실시예에 따르면, 전처리부(410)는 이상치 탐지 모델을 생성하기 위한 복수의 학습 수위 관측 데이터 아이템(120)에 전처리를 수행할 수 있다. 일 실시예에 따르면, 전처리 수행을 위해, 저역통과필터(low pass filter)를 이용할 수 있다. 예를 들어, 획득된 복수의 학습 수위 관측 데이터 아이템에서 저주파수 부분을 통과시켜서 스파이크(spike)를 제거하는 단계를 포함할 수 있다. 여기서, 스파이크는 수위 관측 데이터에서 짧은 시간 동안 갑자기 파고가 변하는 것을 지칭할 수 있다. 이와 같은 스파이크는 이상치 검출 모델에 영향을 주어 지진해일이 아닌 경우에도 지진해일로 검출될 수 있다. 따라서, 스파이크를 제거하는 전처리 과정이 중요할 수 있다. 이를 위해, 낮은 주파수 부분을 통과시키고, 스파이크와 같은 높은 주파수 부분을 차단하는 저역통과필터를 사용할 수 있다. 이 때, 저역통과필터는 하드웨어로도 구현할 수 있으며, 실시간으로 빠르게 스파이크를 제거할 수 있다. 저역통과필터를 이용한 전처리는 도 6을 참조하여 상세히 후술된다.

일 실시예에 따르면, 전처리부(410)는 학습 수위 관측 데이터 아이템의 결측치(missing data)에 대해 보간(interpolate)하는 단계를 포함할 수 있다. 여기서, 결측치는 데이터에서 특정 정보가 누락된 것을 지칭할 수 있다. 누락된 데이터를 다시 관측하여 복구할 수도 있겠지만, 이 경우, 추가 관측을 위한 일정 시간이 경과하여야 적용이 가능할 수 있다. 이 때문에, 누락된 데이터의 복구 속도와 정확도를 향상시키기 위하여 결측 구간의 수위에 대해 예측하는 보간 방법을 사용할 수 있다. 예를 들어, 비지도 학습을 이용하여 과거 데이터를 기초로 결측 구간의 시계열 패턴을 생성할 수 있다. 생성된 시계열 패턴은 결측 구간의 길이에 따라, 시작과 끝 지점에 맞추어 조정될 수 있다. 보간을 위한 결측 구간의 수위 예측 방법에는 End-Point fixing method가 포함될 수 있지만, 이에 한정되지 않는다.

일 실시예에 따르면, 전처리부(410)는 학습 수위 관측 데이터 아이템에서 조석 성분을 제거하는 단계를 포함할 수 있다. 여기서, 조석은 태양과 달이 지구에 미치는 기조력에 의해 해수위가 오르내리는 현상을 지칭할 수 있다. 이러한 조석 정보가 지진 해일의 파동과 함께 수위 데이터에 포함될 수 있기 때문에 정확한 지진 해일 검출을 위해서는 조석 성분을 제거하는 것이 중요할 수 있다. 예를 들어, 지진 해일 파동 데이터를 얻기 위해서 수위 데이터에서 조화 상수를 이용하여 조석 성분을 제거할 수 있다. 이 경우, 저역통과필터를 이용해 평활화(smoothing)된 수위 데이터에서 조화 상수를 기반으로 조석 성분을 제거할 수 있다. 또한, 복수의 학습 수위 관측 데이터 아이템으로부터 조석 성분을 제거하기 위하여, 전지구 조위 데이터가 이용될 수 있다.

또한, 전처리부(410)는 복수의 학습 수위 관측 데이터 아이템(120)과 마찬가지로, 시계열 수위 관측 데이터(310)에 수행될 수 있다. 예를 들어, 시계열 수위 관측 데이터(310)를 전처리하기 위하여, 저역통과필터, 보간 및 조석 성분 제거를 수행할 수 있다. 이렇게 전처리된 시계열 수위 관측 데이터(310)는 저장 매체(예: 메모리(210), 외부 저장 매체 등)에 저장되거나, 모델 학습부(420)에 제공될 수 있다.

모델 학습부(420)는 전처리된 복수의 학습 수위 관측 데이터 아이템을 이용하여 이상치 탐지 모델(130)을 학습시킬 수 있다. 일 실시예에서, 모델 학습부(420)는 전처리부(410) 및/또는 저장 매체로부터 제공된 전처리된 복수의 학습 수위 관측 데이터 아이템(120)을 이용하여 이상치 탐지 모델(130)을 학습시킬 수 있다. 예를 들어, 모델 학습부(420)는 학습 데이터로서 획득한 지진해일이 발생하지 않은 일정 기간 동안의 복수의 학습 수위 관측 데이터(예: 평상시의 해일고 데이터)를 정상 데이터로 가정하고 이상치 탐지 모델(130)을 학습시킬 수 있다. 여기서, 이상치 탐지 모델(130)은 데이터에서 이상치를 탐지하도록 학습된 기계학습 모델을 지칭할 수 있고, 이상치(outlier)는 정상 데이터에서 기존 패턴을 벗어난 값을 지칭할 수 있다. 예를 들어, 모델 학습부(420)는 학습 데이터로서 획득한 지진해일이 발생하지 않은 일정 기간 동안의 복수의 학습 수위 관측 데이터(예: 평상시의 해일고 데이터)를 정상 데이터로 가정하고 이상 탐지 모델(130)을 학습시킬 수 있다. 이 경우, 복수의 학습 수위 관측 데이터(120)는 데이터 해석에 불필요한 정보를 제거하고, 이상치 탐지 모델의 정확도를 향상시키기 위해 전처리가 수행된 수위 관측 데이터가 이용될 수 있다. 이렇게 학습된 이상치 탐지 모델(130)은 저장 매체에 저장되어서, 이상치 판단부(430) 및/또는 침수 위험도 평가부(440)에 의해 접근될 수 있다.

이상치 판단부(430)는 시계열 수위 관측 데이터를 획득하고, 이를 기초로 이상치 탐지 모델을 이용하여 지진해일 발생 여부를 판정할 수 있다. 예를 들어, 학습된 이상치 탐지 모델(130)에 실시간으로 시계열 수위 관측 데이터(310)가 입력된 경우, 입력된 데이터 중에서 평상시의 해일고와는 다른 특수한 패턴(예: 지진해일 및 기상해일 등)을 가지는 데이터는 이상치로 판단될 수 있다.

일 실시예에 따르면, 이상치 판단부(430)는, 현재 시점으로부터 미리 결정된 기간 이전의 과거 시점까지의 시계열 수위 관측 데이터(310)를 기초로 산출한 복수의 예측 해일고 데이터 아이템과 입력된 시계열 수위 관측 데이터(310)의 각각 사이의 거리를 출력할 수 있다. 이 경우, 복수의 예측 해일고 데이터 아이템의 시점은 시계열 수위 관측 데이터(310)의 시점과 대응될 수 있다. 일 실시예에서, 하나 이상의 거리 기반 알고리즘을 이용하여 복수의 예측 해일고 데이터 아이템과 시계열 수위 관측 데이터 각각 사이의 거리를 출력할 수 있다.

그리고 나서, 일 실시예에 따르면, 이상치 판단부(430)는 출력된 거리를 기초로 이상치 점수(Anomaly Score)를 산출할 수 있다. 여기서, 이상치 점수는 지진 해일의 가능성을 판정할 수 있는 임계치(threshold)에 대한 점수를 지칭할 수 있다. 예를 들어, 출력된 거리를 기초로 산출한 이상치 점수 중에서, 임계치를 넘어서는 이상치 점수는 기상해일 또는 지진해일 발생을 지칭할 수 있다.

일 실시예에 따르면, 이상치 판단부(430)는 지진 통보문을 이용하여, 기상해일과 지진해일을 구분할 수 있다. 여기서 지진 통보문은 지진이 발생할 때 기상청에서 발행하는 통보문을 지칭할 수 있다. 지진 통보문에서 지진 정보(예: 진앙지, 발생시간 등)를 추출할 수 있고, 이를 기초로 지진해일 도달 시간을 도출할 수 있다. 이렇게 도출된 지진해일 도달 시간을 이용하여 임계치를 넘어서는 이상치 점수가 기상해일에 의한 것인지, 아니면 지진해일에 의한 것인지를 구분할 수 있다.

일 실시예에 따르면, 이상치 판단부(430)는, 하나 이상의 거리 기반 알고리즘을 이용하여 산출된 하나 이상의 이상치 점수의 각각을 과거 지진해일 데이터와 비교하여 이상치 판단을 위한 최적의 임계치를 출력할 수 있다. 이 경우, 과거 지진해일 데이터를 정답 데이터(ground truth)로 하여 하나 이상의 거리 기반 알고리즘을 기초로 생성된 하나 이상의 이상치 점수를 상호 비교하여 거리 기반 알고리즘을 검증할 수도 있고, 통계적 분석(예: 평균값, 중간값 등)을 통해서 최적의 임계치를 출력할 수 있다.

일 실시예에 따르면, 이상치 판단부(430)는 과거 지진해일 데이터의 정규분포 값을 기초로 이상치 판단을 위한 교차검증할 수 있다. 즉, 과거 지진해일 발생 데이터를 기초로, 연도별 또는 주기별 해수위에 따른 지진해일 발생 빈도를 정규분포로 분석할 수 있다. 예를 들어, 해수위 정규 분포의 97% 이상의 구간에서 지진해일이 발생할 수 있다. 이 경우, 산출된 97% 수치를 이상치 점수 또는 시계열 수위관측 데이터에 적용하여 지진해일 발생 여부를 재검증할 수 있다. 예를 들어, 이상치 탐지 모델(130)을 이용하여 판정된 임계치를 넘는 이상치 점수에 대응하는 시계열 수위 관측 데이터의 해수위 정규 분포가 97% 구간 이상인지를 확인함으로써 통계적으로 지진해일 발생 여부를 재검증할 수 있다. 이렇게 해수위 정규분포 값을 기초로 분석된 결과를 기초로, 임계치를 수정할 수 있다. 이러한 통계적 방법을 이용하여, 지진해일 발생 횟수 및 발생 빈도에 대한 정규 분포를 기초로 이상치 탐지 모델을 검증할 수 있다.

일 실시예에 따르면, 이상치 판단부(430)는 하나 이상의 이상치 점수를 기초로 세분화된 복수의 세부 임계치를 출력할 수 있다. 예를 들어, 이상치 판단부(430)는 관심(watch), 주의(advisory), 경고(warning) 등으로 세분화된 복수의 임계치를 설정해두고, 이상치 점수에 대응하는 세부 임계치를 적용할 수 있다. 이를 통해, 이상치 점수가 경고 수준은 아니더라도, 관심 또는 주의 수준의 지진 해일의 가능성에 대하여 조기 경보를 할 수 있다. 이렇게 생성된 이상치 점수, 최적의 임계치, 이상치 탐지 모델 검증 결과는 저장 매체에 저장되어서, 침수 위험도 평가부(440) 및/또는 모델 학습부(420)에 의해 접근될 수 있다.

침수 위험도 평가부(440)는 이상치 탐지 모델(130)에 의해 출력된 지진해일 발생 여부(320) 및 이상치 점수를 기초로, 지진 해일 발생에 대한 침수 위험도를 평가할 수 있다. 예를 들어, 과거 지진 해일 발생 지점별 침수 데이터를 획득하여, 이를 기초로 하나 이상의 이상치 점수에 대한 침수 위험도를 평가할 수 있다. 여기서 침수 위험도는 위험, 주위, 경계 등으로 위험 단계별 분류할 수 있다. 또한, 이렇게 생성된 침수 위험도는 관리자가 알림을 받을 수 있도록 통신 모듈(230)에 의해 사용자 단말(미도시) 또는 다른 외부 시스템으로 제공될 수 있다.

도 5는 본 개시의 일 실시예에 따른 수위 관측 데이터(510)로부터 지진해일을 검출하는 방법의 예시를 나타내는 흐름도이다. 도시된 바와 같이, 본 개시는 실시간으로 획득하는 시계열 수위 관측 데이터(510)를 이용하여 실시간 지진해일 탐지(570)를 할 수 있는 방법을 포함할 수 있다.

프로세서(220)는 수위 관측 실시간 데이터(510)를 획득할 수 있다. 여기서, 수위 관측 실시간 데이터(510)는 기상청으로부터 획득한 관측 데이터, 해수위 측정 장비로부터 직접 관측한 데이터 및 영상처리를 통해 추론된 해수위 관련 데이터가 포함될 수 있으며, 이에 한정되지 않는다.

그런 다음, 프로세서(220)는 획득한 수위 관측 실시간 데이터(510)에서 데이터 해석에 불필요한 부분을 제거하고, 이상치 탐지 모델에 입력하기 위해 전처리를 수행할 수 있다. 전처리는 spike 제거(520), 조석 제거(530), 결측치 보간(미도시) 등을 포함할 수 있으며, 이에 한정되지 않는다. 또한, 전처리 순서 역시 도 5에 도시된 순서에 상관없이 임의의 전처리가 먼저 수행될 수 있다.

그리고 나서, 전처리된 수위 관측 실시간 데이터는 이상치 탐지 모델(130)에 입력 데이터로 입력될 수 있다. 이 경우, 이상치 탐지 모델(130)은 지진해일 발생하지 않은 일정 기간 동안의 복수의 학습 수위 관측 데이터 아이템을 정상 데이터로 가정하여 학습된 기계 학습 모델을 지칭할 수 있다. 프로세서(220)는 학습된 이상치 탐지 모델(130)을 이용하여, 전처리된 수위 관측 실시간 데이터를 기초로 이상치 탐지(540)를 수행할 수 있다.

이상치 탐지(540)는 거리 기반 알고리즘을 이용하여 수행될 수 있다. 프로세서(220)는, 현재 시점으로부터 미리 결정된 기간 이전의 과거 시점까지의 시계열 수위 관측 데이터를 기초로 산출한 복수의 예측 해일고 데이터 아이템과 이에 대응하여 입력된 시계열 수위 관측 데이터의 각각 사이의 거리를 출력할 수 있다.

그런 다음, 프로세서(220)는 출력된 거리를 기초로 이상치 점수(Anomaly Score)를 산출할 수 있다. 여기서, 이상치 점수는 지진 해일의 가능성을 판정할 수 있는 임계치(threshold)에 대한 점수를 지칭할 수 있다. 예를 들어, 출력된 거리를 기초로 산출한 이상치 점수 중에서, 임계치를 넘어서는 이상치 점수는 기상해일 또는 지진해일 발생을 지칭할 수 있다.

그 후, 프로세서(220)는 지진 통보문(550)을 획득하여, 임계치를 넘어서는 이상치 점수가 기상해일에 의한 것인지, 지진해일에 의한 것인지를 구분할 수 있다. 여기서 지진 통보문은 지진이 발생할 때 기상청에서 발행하는 통보문을 지칭할 수 있다. 지진 통보문에서 지진 정보(예: 진앙지, 발생시간 등)를 추출할 수 있고, 이를 기초로 지진해일 도달 시간(560)을 도출할 수 있다. 이렇게 도출된 지진해일 도달 시간(560)을 이용하여 지진해일에 의한 이상치를 탐지(570)할 수 있다.

도 6은 본 개시의 일 실시예에 따른 저역통과필터를 이용하여 스파이크를 제거하는 전처리의 예시를 나타내는 도면이다. 일 실시예에 따르면, 전처리 수행을 위해, 저역통과필터(low pass filter)를 이용할 수 있다. 예를 들어, 획득된 복수의 학습 수위 관측 데이터 아이템에서 저주파수 부분을 통과시켜서 스파이크(spike)를 제거하는 단계를 포함할 수 있다. 여기서, 스파이크는 수위 관측 데이터에서 짧은 시간 동안 갑자기 파고가 변하는 것을 지칭할 수 있다. 이와 같은 스파이크는 이상치 검출 모델에 영향을 주어 지진해일이 아닌 경우에도 지진해일로 검출될 수 있다. 따라서, 스파이크를 제거하는 전처리 과정이 중요할 수 있다. 이를 위해, 낮은 주파수 부분을 통과시키고, 스파이크와 같은 높은 주파수 부분을 차단하는 저역통과필터를 사용할 수 있다.

도 6에 도시된 바와 같이, 저역통과필터를 이용하면, 높은 주파수 대역의 데이터(610)가 포함된 시계열 수위 관측 데이터에서 평활화(smoothing)된 낮은 주파수 대역의 데이터(620)만 통과시킬 수 있다. 이렇게 평활화된 데이터를 이용하면 이상치 탐지 모델(130)에 입력했을 때 데이터 해석이 용이할 수 있고, 보다 정확한 지진해일 탐지가 가능해질 수 있다.

여기서, 저역통과필터는 하드웨어로도 구현할 수 있으며, 이를 통해, 실시간으로 빠르게 스파이크를 제거할 수 있다. 이렇게 하드웨어를 이용하여 데이터를 평활화하게 되면, 스파이크 제거를 위해 알고리즘을 추가할 필요가 없게 되어 신속하게 지진해일 탐지를 실시간으로 수행할 수 있다.

도 7은 본 개시의 일 실시예에 따른 거리기반 알고리즘을 기초로 산출된 이상치 점수의 예시를 나타내는 도면이다. 일 실시예에 따르면, 이상치 탐지 모델(130)은, 현재 시점으로부터 미리 결정된 기간 이전의 과거 시점까지의 시계열 수위 관측 데이터를 기초로 산출한 복수의 예측 해일고 데이터 아이템과 이에 대응하여 입력된 시계열 수위 관측 데이터의 각각 사이의 거리를 출력할 수 있다. 예를 들어, 거리 기반 알고리즘을 이용하여 복수의 예측 해일고 데이터 아이템과 시계열 수위 관측 데이터 각각 사이의 거리를 출력할 수 있다. 이렇게 출력된 거리를 기초로 이상치 점수(720)가 산출될 수 있다.

도 7에 도시된 바와 같이, 실시간으로 입력되는 시계열 수위 관측 데이터(310)는 지진 해일 모니터링 및/또는 분석을 위하여 시계열 그래프 형식으로 출력될 수있다. 여기서 시계열 수위 관측 데이터(310)는 평상시의 해일고를 나타내는 정상 데이터뿐만 아니라, 기상해일 또는 지진해일에 의해서 평상시와는 다른 패턴을 가진 수위 관측 데이터(710)을 포함할 수 있다. 또한, 거리 기반 알고리즘을 이용하여 출력된 거리를 기초로 산출된 이상치 점수(720)가 시계열 수위 관측 데이터(310)와 함께 시계열 그래프 형식으로 출력될 수 있다. 도 7에는 시계열 수위 관측 데이터(310)와 이상치 점수(720)가 표현된 그래프를 도시하였으나, 이에 한정되지 않고, 전처리된 시계열 수위 관측 데이터, 거리 알고리즘을 통해 출력된 거리 등도 함께 그래프에 출력하여 효율적인 모니터링 및/또는 분석을 할 수 있다.

도 8은 본 개시의 일 실시예에 따른 수위 관측 모델 구조의 예시를 나타내는 도면이다. 학습 수위 관측 데이터 아이템(120)은 연안에 대한 하나 이상의 이미지 프레임을 기초로 한 수위 관측 모델로부터 출력된 해수위와 관련된 추론 값을 포함할 수 있다. 예를 들어, 연안에 위치한 촬영 장비(예: CCTV 등)로부터 해수면이 포함된 영상을 획득하고, 이에 대응하는 시계열 수위 관측 데이터 아이템을 정답 데이터(ground truth)로 하여 수위 관측 모델을 학습시킬 수 있다. 그런 다음, 수위 관측 모델에 해수면이 포함된 시계열 이미지 프레임을 입력하여 실시간으로 해수위와 관련된 추론 값을 출력할 수 있다. 이렇게 출력된 해수위와 관련된 추론 값은 이상치 탐지 모델을 생성하기 위한 정보 처리 시스템(110)에 입력 값으로 입력될 수 있다. 즉, 도 8에 도시된 바와 같이, 연안에 대한 하나 이상의 이미지 프레임(810)을 기초로, 해수위(840)를 출력하여 이를 이상치 탐지 모델을 생성하기 위한 정보 처리 시스템(110)에 입력 값으로 입력할 수 있다.

일 실시예에 따르면, 도 8에 도시된 바와 같이, 연안에 대한 하나 이상의 이미지 프레임(810)을 기초로, 해수위(840)를 출력하기 위해 합성곱신경망 모델(820) 및 LSTM 모델(830)의 결합 모형을 적용할 수 있다. 예를 들어, 실시간으로 획득되는 연안에 대한 하나 이상의 이미지 프레임(810)에서 해수위와 관련된 다항목, 다변수의 주요 특징을 추출할 수 있는 합성곱신경망 모델(820)을 이용할 수 있다. 또한, 연안에 위치한 촬영장비로부터 획득한 복수의 이미지 프레임의 시계열적 특성을 고려하여 예측율을 높일 수 있는 LSTM 모델(830)을 합성곱신경망 모델(820)과 결합하여 적용할 수 있다.

일 실시예에 따르면, 수위 관측 모델은 제1 인공신경망 모델을 기초로, 연안에 대한 하나 이상의 이미지 프레임(810)을 입력하여 해수위와 관련된 객체를 검출하도록 학습할 수 있다. 예를 들어, 제1 인공신경망 모델은 영상 정보 추정에 핵심이 되는 모델인 합성곱신경망(Convolutional Neural Network, CNN) 모델(820)을 지칭할 수 있다. 합성곱신경망 모델(820)은 크게 Convolution layer, Pooling layer, Full-Connected layer 세가지 종류의 layer로 구성될 수 있다. 이러한 구성하에서, Convolution layer와 ReLU layer, Pooling layer를 통해 feature를 추출/학습하고, Fully-Connected layer를 통해 이미지를 분류할 수 있다. 여기서, Convolution은 은닉층에 입력되는 2차원 혹은 3차원 데이터로부터, 사전에 지정된 Kernal의 크기만큼의 데이터만을 추출하여 하나의 부분 데이터로 취합한 후 stride 만큼 옆으로 건너갈 수 있다. 예를 들어, 크기가 4x4인 입력 데이터 중 일부는 크기가 3x3인 Kernal에 의해 취합되어 출력 데이터의 일부가 될 수 있다. 이 경우에 stride는 1이므로 Kernal은 옆으로 한 칸 옮겨 같은 계산을 반복할 수 있다. 이는 Kernal이 입력 데이터의 전부를 취합할 때까지 계속되며, 그 결과 4x4의 입력 데이터는 2x2의 출력 데이터로 합성될 수 있다. 이 과정을 합성곱신경망 모델(820)에서는 인코딩(Encoding)이라고 한다. 본 실시예에서, 연안에 위치한 촬영 장비로부터 실시간으로 획득한 복수의 학습 이미지 프레임은 전처리되어 합성곱신경망 모델(820)에 입력될 수 있다. 여기서, 입력된 연안에 대한 하나 이상의 이미지 프레임(810)을 기초로, 합성공신경망 모델(820)은 해수위와 관련된 주요 특징을 추출할 수 있다. 이를 통해, 주요 특징이 포함된 객체를 검출할 수 있고, 검출된 객체는 LSTM 모델(830)에 제공될 수 있다.

일 실시예에 따르면, 수위 관측 모델은 입력되는 연안에 대한 하나 이상의 이미지 프레임(810)의 시계열 특징에 기초하여, 제1 인공신경망 모델을 통해 검출된 객체의 해수위(840)를 산출할 수 있다. 여기서, 수위 관측 모델은 제2 인공신경망 모델을 사용하여 학습할 수 있는데, 제2 인공신경망 모델은 연속적인 시계열 정보를 함께 고려하기 위한 LSTM(Long Short Term Memory) 모델(830)을 사용할 수 있다. 일반적인 순환신경망 모델(Recurrent Neural Network, RNN)은 인공신경망의 특정 시간대의 입력데이터가 은닉층을 거친 후 재귀하여 다음 시간대의 입력데이터와 함께 다시 은닉층을 거쳐 연속된 데이터를 처리하는 데에 주로 사용된다. 여기서, 일반적인 순환신경망 모델이 장거리의 정보를 기억하지 못한다는 문제점을 해결하기 위해 LSTM(Long Short Term Memory) 모델(830)이 고안되었다. LSTM 모델(830)은 과거의 정보를 전담하는 cell state를 추가하여 근거리의 정보(Short Term)뿐만 아니라, 장거리의 정보(Long Term)까지 기억할 수 있기 때문에 시계열 정보를 취급하는 데에 널리 사용되고 있다. 예를 들어, LSTM 모델(830)을 이용하여 해수위와 관련된 객체에 대하여 해수위를 산출할 수 있다. 여기서 LSTM 모델(830)은 연안에 대한 하나 이상의 이미지 프레임(810)의 시계열적 특성을 고려하여 장기 예측 모형의 정확성을 향상시킬 수 있다. 즉, LSTM 모델(830)을 이용하여, 현재시점에서의 해수위를 시계열적 특성을 고려하여 추론할 수 있고, 나아가 현재 시점에서 일정 시간 이후 시점에서의 해수위를 추론할 수 있다. 출력 값인 해수위(840)의 경우, 대상이 정해진 것이 아닌 연속된 값을 가지므로 분류모델이 아닌 회귀 모델로 학습 모델을 구축할 수 있다.

도 9는 본 개시의 일 실시예에 따른 수위 관측 데이터로부터 지진해일을 검출하는 방법의 예시를 나타내는 흐름도이다. 수위 관측 데이터로부터 지진해일을 관측하는 방법(900)은 적어도 하나의 프로세서(예: 정보 처리 시스템(110)의 프로세서(220)에 의해 복수의 학습 수위 관측 데이터 아이템을 획득함으로써 개시될 수 있다(S910). 일 실시예에 따르면, 복수의 학습 수위 관측 데이터 아이템은 기상청으로부터 획득한 관측 데이터, 해수위 측정 장비로부터 직접 관측한 데이터 및 영상처리를 통해 추론된 해수위 관련 데이터가 포함될 수 있으며, 이에 한정되지 않는다.

프로세서는 복수의 학습 수위 관측 데이터 아이템에 대한 전처리를 수행할 수 있다(S920). 전처리는 spike 제거(520), 조석 제거(530), 결측치 보간 등을 포함할 수 있으며, 이에 한정되지 않는다. 또한, 전처리 순서 역시 도 5에 도시된 순서에 상관없이 임의의 전처리가 수행될 수 있다.

그리고 나서, 프로세서는 전처리된 복수의 학습 수위 관측 데이터 아이템을 기초로 이상치 탐지 모델을 생성할 수 있다(S930). 여기서, 이상치 탐지 모델(130)은 지진해일이 발생하지 않은 일정 기간 동안의 복수의 학습 수위 관측 데이터 아이템을 정상 데이터로 가정하여 학습된 기계 학습 모델을 지칭할 수 있다.

그런 다음, 프로세서는 시계열 수위 관측 데이터를 획득할 수 있다(S940). 일 실시예에 따르면, 시계열 수위 관측 데이터는 복수의 학습 수위 관측 데이터 아이템과 마찬가지로 기상청으로부터 획득한 관측 데이터, 해수위 측정 장비로부터 직접 관측한 데이터 및 영상처리를 통해 추론된 해수위 관련 데이터가 포함될 수 있으며, 이에 한정되지 않는다.

그 후, 프로세서는 이상치 탐지 모델을 이용하여 시계열 수위 관측 데이터를 기초로 지진해일 발생 여부를 판단할 수 있다(S950). 일 실시예에 따르면, 전처리된 수위 관측 실시간 데이터는 이상치 탐지 모델(130)에 입력 데이터로 입력될 수 있다. 이 경우, 이상치 탐지 모델(130)은 지진해일 발생하지 않은 일정 기간 동안의 복수의 학습 수위 관측 데이터 아이템을 정상 데이터로 가정하여 학습된 기계 학습 모델을 지칭할 수 있다. 프로세서(220)는 학습된 이상치 모델(130)을 이용하여, 전처리된 수위 관측 실시간 데이터를 기초로 이상치 탐지(540)를 수행할 수 있다.

이상치 탐지(540)는 거리 기반 알고리즘을 이용하여 수행될 수 있다. 프로세서(220)는, 현재 시점으로부터 미리 결정된 기간 이전의 과거 시점까지의 시계열 수위 관측 데이터를 기초로 산출한 복수의 예측 해일고 데이터 아이템과 이에 대응하여 입력된 시계열 수위 관측 데이터의 각각 사이의 거리를 출력할 수 있다. 그런 다음, 프로세서(220)는 출력된 거리를 기초로 이상치 점수(Anomaly Score)를 산출할 수 있다. 여기서, 이상치 점수는 지진 해일의 가능성을 판정할 수 있는 임계치(threshold)에 대한 점수를 지칭할 수 있다. 예를 들어, 출력된 거리를 기초로 산출한 이상치 점수 중에서, 임계치를 넘어서는 이상치 점수는 기상해일 또는 지진해일 발생을 지칭할 수 있다.

그 후, 프로세서(220)는 지진 통보문(550)을 획득하여, 임계치를 넘어서는 이상치 점수가 기상해일에 의한 것인지, 지진해일에 의한 것인지를 구분할 수 있다. 여기서 지진 통보문은 지진이 발생할 때 기상청에서 발행하는 통보문을 지칭할 수 있다. 지진 통보문에서 지진 정보(예: 진앙지, 발생시간 등)를 추출할 수 있고, 이를 기초로 지진해일 도달 시간(560)을 도출할 수 있다. 이렇게 도출된 지진해일 도달 시간(560)을 이용하여 지진해일에 의한 이상치를 탐지(570)할 수 있다.

도 10은 본 개시의 일 실시예에 따른 기계학습 모델(1000)을 나타내는 예시도이다. 인공신경망 모델(1000)은, 기계학습 모델의 일 예로서, 기계학습(Machine Learning) 기술과 인지과학에서, 생물학적 신경망의 구조에 기초하여 구현된 통계학적 학습 알고리즘 또는 그 알고리즘을 실행하는 구조이다.

일 실시예에 따르면, 인공신경망 모델(1000)은, 생물학적 신경망에서와 같이 시냅스의 결합으로 네트워크를 형성한 인공 뉴런인 노드(Node)들이 시냅스의 가중치를 반복적으로 조정하여, 특정 입력에 대응한 올바른 출력과 추론된 출력 사이의 오차가 감소되도록 학습함으로써, 문제 해결 능력을 가지는 기계학습 모델을 나타낼 수 있다. 예를 들어, 인공신경망 모델(1000)은 기계학습, 딥러닝 등의 인공지능 학습법에 사용되는 임의의 확률 모델, 뉴럴 네트워크 모델 등을 포함할 수 있다.

일 실시예에 따르면, 인공신경망 모델(1000)은 연안의 해수면에 대한 시계열 수위 관측 데이터를 기초로 생성된 입력 데이터를 이용하여 과거 데이터를 기반으로 예측된 해일고와 입력 데이터 사이의 거리를 산출하고 이와 관련된 이상치를 출력하도록 구성된 인공신경망 모델을 포함할 수 있다.

인공신경망 모델(1000)은 다층의 노드들과 이들 사이의 연결로 구성된 다층 퍼셉트론(MLP: multilayer perceptron)으로 구현된다. 본 실시예에 따른 인공신경망 모델(1000)은 MLP를 포함하는 다양한 인공신경망 모델 구조들 중의 하나를 이용하여 구현될 수 있다. 도 10에 도시된 바와 같이, 인공신경망 모델(1000)은, 외부로부터 입력 신호 또는 데이터(1010)를 수신하는 입력층(1020), 입력 데이터에 대응한 출력 신호 또는 데이터(1050)를 출력하는 출력층(1040), 입력층(1020)과 출력층(1040) 사이에 위치하며 입력층(1020)으로부터 신호를 받아 특성을 추출하여 출력층(1040)으로 전달하는 n개(여기서, n은 양의 정수)의 은닉층(1030_1 내지 1030_n)으로 구성된다. 여기서, 출력층(1040)은 은닉층(1030_1 내지 1030_n)으로부터 신호를 받아 외부로 출력한다.

인공신경망 모델(1000)의 학습 방법에는, 교사 신호(정답)의 입력에 의해서 문제의 해결에 최적화되도록 학습하는 지도 학습(Supervised Learning) 방법과, 교사 신호를 필요로 하지 않는 비지도 학습(Unsupervised Learning) 방법이 있다. 일 실시예에서, 인공신경망 모델(1000)은 시계열 수위 관측 데이터를 기초로 추론 시점에서의 추론 값을 출력하도록 지도 학습 및/또는 비지도 학습될 수 있다. 여기서, 추론 값은 시계열 수위 관측 데이터에 포함된 정보에 대한 예측 결과(예: 예측된 해일고와 입력 데이터 사이의 거리를 기초로 산출된 이상치)를 포함할 수 있다. 예를 들어, 획득한 복수의 학습 수위 관측 데이터 아이템으로부터 평상시의 해일고를 정상 데이터로 가정하고 학습할 수 있다. 여기서, 지진해일은 정상 데이터와 다른 패턴을 가지므로 학습된 모델은 지진해일을 이상치로 판단할 수 있다. 이와 같이, 과거 데이터를 기초로 예측한 정상적인 해일고와 이에 대응하여 실시간으로 획득되는 시계열 수위 관측 데이터 각각의 거리를 기초로 이상치를 출력하여 지진해일 발생 여부를 판정하도록, 인공신경망 모델(1000)이 지도 학습 및/또는 비지도 학습될 수 있다.

이렇게 학습된 인공신경망 모델(1000)은 정보 처리 시스템(110)의 메모리 또는 수위 관측 데이터 기반 지진해일 검출을 위한 장치의 메모리(미도시)에 저장될 수 있으며, 통신 모듈 및/또는 메모리로부터 수신된 데이터의 입력에 응답하여 지진해일 발생 여부를 추론할 수 있다.

일 실시예에 따르면, 시계열 수위 관측 데이터를 기초로 추론 시점에서의 추론 값을 출력하기 위한 인공신경망 모델의 입력 데이터는, 하나 이상의 시점에서의 하나 이상의 수위 관측 데이터에 대한 하나 이상의 입력 특징을 포함할 수 있다. 예를 들어, 인공신경망 모델(1000)의 입력층(1020)에 입력되는 입력 데이터는, 하나 이상의 시점에서의 하나 이상의 수위 관측 데이터에 대한 하나 이상의 입력 특징에 대한 정보를 포함하는 데이터를 하나의 벡터 데이터 요소로 구성한, 벡터(1010)가 될 수 있다. 데이터의 입력에 응답하여, 인공신경망 모델(1000)의 출력층(1040)에서 출력되는 출력 데이터는 시계열 수위 관측 데이터를 기초로 추론 시점에서의 추론 값을 나타내거나 특징화하는 벡터(1050)가 될 수 있다. 즉, 인공신경망 모델(1000)의 출력층(1040)은 시계열 수위 관측 데이터를 기초로 추론 시점에서의 추론 값을 나타내거나 특징화하는 벡터를 출력하도록 구성될 수 있다. 본 개시에 있어서, 인공신경망 모델(1000)의 출력 데이터는, 이상에서 설명된 유형에 한정되지 않으며, 시계열 수위 관측 데이터를 기초로 추론 시점에서의 추론 값을 나타내는 임의의 정보/데이터를 포함할 수 있다.

이와 같이, 인공신경망 모델(1000)의 입력층(1020)과 출력층(1040)에 복수의 입력 데이터와 대응되는 복수의 출력 데이터가 각각 매칭되고, 입력층(1020), 은닉층(1030_1 내지 1030_n) 및 출력층(1040)에 포함된 노드들 사이의 시냅스 값이 조정됨으로써, 특정 입력에 대응한 올바른 출력이 추출될 수 있도록 학습될 수 있다. 이러한 학습 과정을 통해, 인공신경망 모델(1000)의 입력 데이터에 숨겨져 있는 특성을 파악할 수 있고, 입력 데이터에 기초하여 계산된 출력 데이터와 목표 출력 간의 오차가 줄어들도록 인공신경망 모델(1000)의 노드들 사이의 시냅스 값(또는 가중치)을 조정할 수 있다. 이렇게 학습된 인공신경망 모델(1000)은 입력된 시계열 데이터에 응답하여, 지진해일 발생 여부를 판정할 수 있다.

상술한 영상 처리를 이용한 해수위 관측 방법은 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램으로 제공될 수 있다. 매체는 컴퓨터로 실행 가능한 프로그램을 계속 저장하거나, 실행 또는 다운로드를 위해 임시 저장하는 것일수도 있다. 또한, 매체는 단일 또는 수개 하드웨어가 결합된 형태의 다양한 기록 수단 또는 저장수단일 수 있는데, 어떤 컴퓨터 시스템에 직접 접속되는 매체에 한정되지 않고, 네트워크 상에 분산 존재하는 것일 수도 있다. 매체의 예시로는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto optical medium), 및 ROM, RAM, 플래시 메모리 등을 포함하여 프로그램 명령어가 저장되도록 구성된 것이 있을 수 있다. 또한, 다른 매체의 예시로, 애플리케이션을 유통하는 앱 스토어나 기타 다양한 소프트웨어를 공급 내지 유통하는 사이트, 서버 등에서 관리하는 기록매체 내지 저장매체도 들 수 있다.

본 개시의 방법, 동작 또는 기법들은 다양한 수단에 의해 구현될 수도 있다. 예를 들어, 이러한 기법들은 하드웨어, 펌웨어, 소프트웨어, 또는 이들의 조합으로 구현될 수도 있다. 본원의 개시와 연계하여 설명된 다양한 예시적인 논리적 블록들, 모듈들, 회로들, 및 알고리즘 단계들은 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양자의 조합들로 구현될 수도 있음을 통상의 기술자들은 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 대체를 명확하게 설명하기 위해, 다양한 예시적인 구성요소들, 블록들, 모듈들, 회로들, 및 단계들이 그들의 기능적 관점에서 일반적으로 위에서 설명되었다. 그러한 기능이 하드웨어로서 구현되는지 또는 소프트웨어로서 구현되는 지의 여부는, 특정 애플리케이션 및 전체 시스템에 부과되는 설계 요구사항들에 따라 달라진다. 통상의 기술자들은 각각의 특정 애플리케이션을 위해 다양한 방식들로 설명된 기능을 구현할 수도 있으나, 그러한 구현들은 본 개시의 범위로부터 벗어나게 하는 것으로 해석되어서는 안 된다.

하드웨어 구현에서, 기법들을 수행하는 데 이용되는 프로세싱 유닛들은, 하나 이상의 ASIC들, DSP들, 디지털 신호 프로세싱 디바이스들(digital signal processing devices; DSPD들), 프로그램가능 논리 디바이스들(programmable logic devices; PLD들), 필드 프로그램가능 게이트 어레이들(field programmable gate arrays; FPGA들), 프로세서들, 제어기들, 마이크로제어기들, 마이크로프로세서들, 전자 디바이스들, 본 개시에 설명된 기능들을 수행하도록 설계된 다른 전자 유닛들, 컴퓨터, 또는 이들의 조합 내에서 구현될 수도 있다.

따라서, 본 개시와 연계하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은 범용 프로세서, DSP, ASIC, FPGA나 다른 프로그램 가능 논리 디바이스, 이산 게이트나 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 본원에 설명된 기능들을 수행하도록 설계된 것들의 임의의 조합으로 구현되거나 수행될 수도 있다. 범용 프로세서는 마이크로프로세서일 수도 있지만, 대안으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수도 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들면, DSP와 마이크로프로세서, 복수의 마이크로프로세서들, DSP 코어와 연계한 하나 이상의 마이크로프로세서들, 또는 임의의 다른 구성의 조합으로서 구현될 수도 있다.

펌웨어 및/또는 소프트웨어 구현에 있어서, 기법들은 랜덤 액세스 메모리(random access memory; RAM), 판독 전용 메모리(read-only memory; ROM), 비휘발성 RAM(non-volatile random access memory; NVRAM), PROM(programmable read-only memory), EPROM(erasable programmable read-only memory), EEPROM(electrically erasable PROM), 플래시 메모리, 컴팩트 디스크(compact disc; CD), 자기 또는 광학 데이터 스토리지 디바이스 등과 같은 컴퓨터 판독가능 매체 상에 저장된 명령들로서 구현될 수도 있다. 명령들은 하나 이상의 프로세서들에 의해 실행 가능할 수도 있고, 프로세서(들)로 하여금 본 개시에 설명된 기능의 특정 양태들을 수행하게 할 수도 있다.

소프트웨어로 구현되는 경우, 상기 기법들은 하나 이상의 명령들 또는 코드로서 컴퓨터 판독 가능한 매체 상에 저장되거나 또는 컴퓨터 판독 가능한 매체를 통해 전송될 수도 있다. 컴퓨터 판독가능 매체들은 한 장소에서 다른 장소로 컴퓨터 프로그램의 전송을 용이하게 하는 임의의 매체를 포함하여 컴퓨터 저장 매체들 및 통신 매체들 양자를 포함한다. 저장 매체들은 컴퓨터에 의해 액세스될 수 있는 임의의 이용 가능한 매체들일 수도 있다. 비제한적인 예로서, 이러한 컴퓨터 판독가능 매체는 RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 스토리지, 자기 디스크 스토리지 또는 다른 자기 스토리지 디바이스들, 또는 소망의 프로그램 코드를 명령들 또는 데이터 구조들의 형태로 이송 또는 저장하기 위해 사용될 수 있으며 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 접속이 컴퓨터 판독가능 매체로 적절히 칭해진다.

예를 들어, 소프트웨어가 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선 (DSL), 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들을 사용하여 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되면, 동축 케이블, 광섬유 케이블, 연선, 디지털 가입자 회선, 또는 적외선, 무선, 및 마이크로파와 같은 무선 기술들은 매체의 정의 내에 포함된다. 본원에서 사용된 디스크(disk) 와 디스크(disc)는, CD, 레이저 디스크, 광 디스크, DVD(digital versatile disc), 플로피디스크, 및 블루레이 디스크를 포함하며, 여기서 디스크들(disks)은 보통 자기적으로 데이터를 재생하고, 반면 디스크들(discs) 은 레이저를 이용하여 광학적으로 데이터를 재생한다. 위의 조합들도 컴퓨터 판독가능 매체들의 범위 내에 포함되어야 한다.

소프트웨어 모듈은, RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 이동식 디스크, CD-ROM, 또는 공지된 임의의 다른 형태의 저장 매체 내에 상주할 수도 있다. 예시적인 저장 매체는, 프로세서가 저장 매체로부터 정보를 판독하거나 저장 매체에 정보를 기록할 수 있도록, 프로세서에 연결될 수 있다. 대안으로, 저장 매체는 프로세서에 통합될 수도 있다. 프로세서와 저장 매체는 ASIC 내에 존재할 수도 있다. ASIC은 유저 단말 내에 존재할 수도 있다. 대안으로, 프로세서와 저장 매체는 유저 단말에서 개별 구성요소들로서 존재할 수도 있다.

이상 설명된 실시예들이 하나 이상의 독립형 컴퓨터 시스템에서 현재 개시된 주제의 양태들을 활용하는 것으로 기술되었으나, 본 개시는 이에 한정되지 않고, 네트워크나 분산 컴퓨팅 환경과 같은 임의의 컴퓨팅 환경과 연계하여 구현될 수도 있다. 또 나아가, 본 개시에서 주제의 양상들은 복수의 프로세싱 칩들이나 장치들에서 구현될 수도 있고, 스토리지는 복수의 장치들에 걸쳐 유사하게 영향을 받게 될 수도 있다. 이러한 장치들은 PC들, 네트워크 서버들, 및 휴대용 장치들을 포함할 수도 있다.

본 명세서에서는 본 개시가 일부 실시예들과 관련하여 설명되었지만, 본 개시의 발명이 속하는 기술분야의 통상의 기술자가 이해할 수 있는 본 개시의 범위를 벗어나지 않는 범위에서 다양한 변형 및 변경이 이루어질 수 있다. 또한, 그러한 변형 및 변경은 본 명세서에 첨부된 특허청구의 범위 내에 속하는 것으로 생각되어야 한다.

110: 정보 처리 시스템 120: 복수의 학습 수위 관측 데이터 아이템
130: 이상치 탐지 모델

Claims (13)

1. 적어도 하나의 프로세서에 의해 수행되는, 수위 관측 데이터로부터 지진해일을 검출하는 방법에 있어서,
   복수의 학습 수위 관측 데이터 아이템을 획득하는 단계;
   상기 복수의 학습 수위 관측 데이터 아이템에 대한 전처리를 수행하는 단계;
   상기 전처리된 복수의 학습 수위 관측 데이터 아이템을 기초로 이상치 탐지 모델을 생성하는 단계;
   시계열 수위 관측 데이터를 획득하는 단계; 및
   상기 이상치 탐지 모델을 이용하여 상기 시계열 수위 관측 데이터를 기초로 지진해일 발생 여부를 판정하는 단계를 포함하고,
   상기 이상치 탐지 모델은, 현재 시점으로부터 미리 결정된 기간 이전의 과거 시점까지의 상기 시계열 수위 관측 데이터를 기초로 산출한 복수의 예측 해일고 데이터 아이템과 이에 대응하여 입력된 상기 시계열 수위 관측 데이터의 각각 사이의 거리를 산출하고, 상기 산출된 거리를 기초로 지진해일 발생 여부를 판정하도록 학습된 기계학습 모델을 포함하고,
   상기 이상치 탐지 모델을 생성하는 단계는,
   상기 하나 이상의 거리 기반 알고리즘을 이용하여 산출된 상기 하나 이상의 이상치 점수의 각각을 과거 지진해일 데이터와 비교하여 이상치 판단을 위한 임계치를 출력하는 단계를 포함하는, 지진해일을 검출하는 방법.
   
2. 제1항에 있어서,
   상기 학습 수위 관측 데이터 및 상기 시계열 수위 관측 데이터는 연안에 대한 하나 이상의 이미지 프레임을 기초로 한 수위 관측 모델로부터 출력된 해수위와 관련된 추론 값을 포함하는, 지진해일을 검출하는 방법.
   
3. 제1항에 있어서,
   상기 전처리를 수행하는 단계는 저역통과필터(low pass filter)를 이용하여 상기 획득된 복수의 학습 수위 관측 데이터 아이템에서 저주파수 부분을 통과시켜서 스파이크(spike)를 제거하는 단계를 포함하는, 지진해일을 검출하는 방법.
   
4. 제1항에 있어서,
   상기 전처리를 수행하는 단계는 상기 복수의 학습 수위 관측 데이터 아이템의 결측치(missing data)에 대해 보간(interpolate)하는 단계를 포함하는, 지진해일을 검출하는 방법.
   
5. 제1항에 있어서,
   상기 전처리를 수행하는 단계는 상기 복수의 학습 수위 관측 데이터 아이템에서 조석 성분을 제거하는 단계를 포함하는, 지진해일을 검출하는 방법.
   
6. 삭제
7. 삭제
8. 제1항에 있어서,
   상기 이상치 탐지 모델을 생성하는 단계는 과거 지진해일 데이터의 정규분포 값을 기초로 이상치 판단을 위한 교차검증하는 단계를 더 포함하는, 지진해일을 검출하는 방법.
   
9. 제1항에 있어서,
   상기 임계치를 출력하는 단계는 상기 하나 이상의 이상치 점수를 기초로 세분화된 복수의 세부 임계치를 출력하는 단계를 포함하는, 지진해일을 검출하는 방법.
   
10. 제1항에 있어서,
    상기 지진해일 발생 여부를 판단하는 단계는
    지진 통보문을 획득하는 단계;
    상기 지진 통보문을 기초로 지진해일 도달시간을 산출하는 단계;
    상기 지진해일 도달시간을 기초로 상기 하나 이상의 이상치 점수가 지진해일에 의한 것인지를 판단하는 단계를 포함하는, 지진해일을 검출하는 방법.
    
11. 제1항에 있어서,
    상기 방법은,
    상기 하나 이상의 이상치 점수를 기초로 침수 위험도를 평가하는 단계를 더 포함하는, 지진해일을 검출하는 방법.
    
12. 제1항 내지 제5항 및 제8항 내지 제11항 중 어느 한 항에 따른 방법을 컴퓨터에서 실행하기 위해 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.
    
13. 정보 처리 시스템에 있어서,
    통신 모듈;
    하나 이상의 인스트럭션(instructions)을 저장하는 메모리; 및
    상기 저장된 하나 이상의 인스트럭션을 실행함으로써,
    복수의 학습 수위 관측 데이터 아이템을 획득하고,
    상기 복수의 학습 수위 관측 데이터 아이템에 대한 전처리를 수행하고,
    상기 전처리된 복수의 학습 수위 관측 데이터 아이템을 기초로 이상치 탐지 모델을 생성하고,
    시계열 수위 관측 데이터를 획득하고,
    상기 이상치 탐지 모델을 이용하여 상기 시계열 수위 관측 데이터를 기초로 지진해일 발생 여부를 판정하고, 상기 이상치 탐지 모델은, 현재 시점으로부터 미리 결정된 기간 이전의 과거 시점까지의 상기 시계열 수위 관측 데이터를 기초로 산출한 복수의 예측 해일고 데이터 아이템과 이에 대응하여 입력된 상기 시계열 수위 관측 데이터의 각각 사이의 거리를 산출하고, 상기 산출된 거리를 기초로 지진해일 발생 여부를 판정하도록 학습된 기계학습 모델을 포함하고,
    상기 이상치 탐지 모델을 생성하는 것은 상기 하나 이상의 거리 기반 알고리즘을 이용하여 산출된 상기 하나 이상의 이상치 점수의 각각을 과거 지진해일 데이터와 비교하여 이상치 판단을 위한 임계치를 출력하도록 구성된 프로세서를 포함하는, 정보 처리 시스템.
    

Images