KR102508655B1 - 기상 정보 예측 및 안전 지도 자동 생성 방법 및 그 장치 - Google Patents

기상 정보 예측 및 안전 지도 자동 생성 방법 및 그 장치 Download PDF

Info

Publication number
KR102508655B1
KR102508655B1 KR1020220033227A KR20220033227A KR102508655B1 KR 102508655 B1 KR102508655 B1 KR 102508655B1 KR 1020220033227 A KR1020220033227 A KR 1020220033227A KR 20220033227 A KR20220033227 A KR 20220033227A KR 102508655 B1 KR102508655 B1 KR 102508655B1
Authority
KR
South Korea
Prior art keywords
value
forecast
range
values
generating
Prior art date
Application number
KR1020220033227A
Other languages
English (en)
Inventor
김광영
김형욱
이영석
최기석
이행곤
Original Assignee
한국과학기술정보연구원
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 한국과학기술정보연구원 filed Critical 한국과학기술정보연구원
Priority to KR1020220033227A priority Critical patent/KR102508655B1/ko
Application granted granted Critical
Publication of KR102508655B1 publication Critical patent/KR102508655B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/18—Testing or calibrating meteorological apparatus
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming

Landscapes

  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Ecology (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Environmental Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Hydrology & Water Resources (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

예보 값 예측의 정밀도를 높일 수 있는 방법 및 그 장치가 제공된다. 본 개시의 일 실시예에 따른 예보 값 예측 방법에 따르면, 기상청 예보 값의 정밀도가 낮은 점이 보완될 수 있다. 또한, 예측된 예보 값에 기반한 안전 지도 생성 방법에 따르면, 구체적인 수치 값으로 표기되는 예보 값을 기반으로 생성된 안전 지도를 이용하여 재난 피해를 효과적으로 예방할 수 있다. 나아가, 강우량 예측 값을 기반으로 생성된 안전 지도 생성 방법에 따르면, 위험지역을 선별하고 침수 정보, 대피소 정보 및 기타 관련 기반시설의 정보를 제공함으로써 침수 피해를 효과적으로 예방할 수 있다.

Description

기상 정보 예측 및 안전 지도 자동 생성 방법 및 그 장치{METHOD AND APPARATUS FOR PREDICTING WEATHER INFORMATION AND AUTOMATICALLY GENERATING SAFETY MAP}
본 개시는 기상 정보를 예측하고, 안전 지도를 자동으로 생성하는 방법 및 그 장치에 관한 것이다. 보다 자세하게는 기상청의 예보 값보다 정확한 기상 예측 값을 생성하고, 이를 기반으로 안전 지도를 자동으로 생성하는 방법 및 그 장치에 관한 것이다.
예보 값 예측 서비스 및 안전 지도 제공 서비스가 제공된다. 기상청에서는 구 또는 동 단위로 강우량 예측 서비스를 제공하고 있으나, 강우량 값이 구체적으로 제시되지 않으므로 국지성 호우로 인한 침수 피해를 예방하기 위한 데이터로서는 적절하지 않은 측면이 있다. 또한, 재난 상황 발생이 예상되는 지역 및 재난 상황의 발생시 대피에 관련된 정보가 효과적으로 제공되고 있지 않다.
이에, 보다 정확한 기상 정보 예측 값을 제공하고, 상기 예측 값을 기반으로 안전 지도를 생성함으로써 데이터의 정밀성 및 안전성의 이슈를 해결하는 기술이 요구된다.
한국 공개특허 제10-2021-0068898호
본 개시의 몇몇 실시예들을 통해 해결하고자 하는 기술적 과제는 기상 예보 값을 보다 정밀하게 획득할 수 있는 방법 및 그 방법이 수행되는 장치를 제공하는 것이다.
본 개시의 몇몇 실시예를 통해 해결하고자 하는 다른 기술적 과제는 IoT 센서 데이터를 이용해 학습된 인공신경망을 이용하여 보다 정밀한 예측 값을 획득할 수 있는 방법 및 그 방법이 수행되는 장치를 제공하는 것이다.
본 개시의 몇몇 실시예를 통해 해결하고자 하는 또 다른 기술적 과제는 정밀한 예측 값을 기반으로 보다 정밀한 안전 지도를 생성할 수 있는 방법 및 그 방법이 수행되는 장치를 제공하는 것이다.
본 개시의 몇몇 실시예를 통해 해결하고자 하는 또 다른 기술적 과제는 예보 값의 범위가 기준치 이내인지 여부에 따라 안전 지도를 제공함으로써 재난 상황에 효율적으로 대비할 수 있는 방법 및 그 방법이 수행되는 장치를 제공하는 것이다.
본 개시의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시의 기술분야에서의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 해결하기 위한 본 개시의 일 실시예에 따른 예보 값 예측 방법은, 예보 시스템으로부터 제1 구역에 대한 예보 값을 수신하되, 상기 예보 값은 상기 제1 구역에 설치된 제1 센서 세트를 이용하여 예측된 값인, 단계, 상기 제1 구역에 설치된 제2 센서 세트의 센서 값으로 구성된 학습 데이터를 이용하여 학습된 복수의 인공신경망의 출력 값들을 얻는 단계, 상기 복수의 인공신경망의 출력 값들을 이용하여 제1 예측 값을 생성하는 단계 및 상기 제1 예측 값을 이용하여 상기 예보 값을 보정하는 단계를 포함할 수 있다.
일 실시예에서, 상기 제1 예측 값을 생성하는 단계는, 상기 복수의 인경신경망 각각의 성능 수치를 산출하는 단계 및 상기 수치를 기반으로 설정된 가중치를 이용하여 제1 예측 값을 생성하는 단계를 포함할 수 있다.
일 실시예에서, 상기 성능 수치를 산출하는 단계는, 상기 제1 예측 값을 이용하여 성능 수치를 재 산출하는 단계를 포함할 수 있다.
일 실시예에서, 상기 가중치는 상기 성능 수치에 비례하여 산정되는 것일 수 있다.
일 실시예에서, 상기 가중치는 상기 성능 수치의 순위를 기초로 사전에 정의된 방식으로 산정되는 것일 수 있다.
일 실시예에서, 상기 제1 예측 값을 생성하는 단계는, CNN 및 RNN을 이용하여 앙상블 러닝을 수행하는 단계를 포함할 수 있다.
일 실시예에서, 상기 제1 예측 값을 생성하는 단계는, 상기 인공신경망의 출력 값을 조합하는 단계를 포함할 수 있다.
일 실시예에서, 상기 인공신경망의 출력 값을 조합하는 단계는, 상기 출력 결과 값의 평균값을 제1 예측 값으로 생성하는 단계를 포함할 수 있다.
일 실시예에서, 상기 인공신경망의 출력 값을 조합하는 단계는, 상기 출력 결과 값의 최빈값을 제1 예측 값으로 생성하는 단계를 포함할 수 있다.
일 실시예에서, 상기 인공신경망의 출력 값을 조합하는 단계는, 상기 출력 결과 값 중 임의의 값을 제1 예측 값으로 생성하는 단계를 포함할 수 있다.
일 실시예에서, 상기 예보 값의 범위가 기준치 이상으로 넓은 경우, 상기 제1 예측 값을 이용하여 안전 지도(Safe map)를 자동으로 생성하는 단계를 더 포함할 수 있다.
상기 기술적 과제를 해결하기 위한 본 개시의 일 실시예에 따른 강우량 값 예측을 기반으로 하는 안전 지도 생성 방법은, 예보 시스템으로부터 제1 구역에 대한 시간당 강우량 값을 수신하되, 상기 시간당 강우량 값은 상기 제1 구역에 설치된 제1 센서 세트를 이용하여 예측된 값인, 단계, 상기 제1 구역에 설치된 제2 센서 세트의 센서 값으로 구성된 학습 데이터를 이용하여 학습된 RNN의 출력 값을 얻는 단계 및 상기 RNN의 출력 값을 이용하여 안전 지도를 자동으로 생성하는 단계를 포함할 수 있다. 이 때, 상기 안전 지도는 RNN의 출력 값을 기반으로 선별된 위험 지역과 관련된 정보 등이 지도상에 자동으로 표출된 것일 수 있다.
일 실시예에서, 상기 안전 지도는, 예보 값의 범위가 기준치 이상으로 넓은 경우에 자동으로 생성되는 것일 수 있다.
상기 기술적 과제를 해결하기 위한 본 개시의 일 실시예에 따른 예보 값 예측 장치는 프로세서 및 메모리를 포함하는 컴퓨팅 장치로서, 상기 메모리는 명령어를 저장할 수 있고, 상기 명령어는 상기 프로세서에 의해 실행될 때 상기 프로세서로 하여금, 예보 시스템으로부터 제1 구역에 대한 예보 값을 수신하되, 상기 예보 값은 상기 제1 구역에 설치된 제1 센서 세트를 이용하여 예측된 값인, 단계, 상기 제1 구역에 설치된 제2 센서 세트의 센서 값으로 구성된 학습 데이터를 이용하여 학습된 복수의 인공신경망의 출력 값들을 얻는 단계, 상기 복수의 인공신경망의 출력 값들을 이용하여 제1 예측 값을 생성하는 단계 및 상기 제1 예측 값을 이용하여 상기 예보 값을 보정하는 단계를 포함할 수 있다.
상기 기술적 과제를 해결하기 위한 본 개시의 일 실시예에 따른 예보 값 예측 장치는 프로세서 및 메모리를 포함하는 컴퓨팅 장치로서, 상기 메모리는 명령어를 저장할 수 있고, 상기 명령어는 상기 프로세서에 의해 실행될 때 상기 프로세서로 하여금, 예보 시스템으로부터 제1 구역에 대한 시간당 강우량 값을 수신하되, 상기 시간당 강우량 값은 상기 제1 구역에 설치된 제1 센서 세트를 이용하여 예측된 값인, 단계, 상기 제1 구역에 설치된 제2 센서 세트의 센서 값으로 구성된 학습 데이터를 이용하여 학습된 RNN의 출력 값을 얻는 단계 및 상기 RNN의 출력 값을 이용하여 안전 지도를 자동으로 생성하는 단계를 포함할 수 있다. 이 때, 상기 안전 지도는 RNN의 출력 값을 기반으로 선별된 위험 지역과 관련된 정보 등이 지도상에 자동으로 표출된 것일 수 있다.
도 1은 본 개시의 일 실시예에 따른 예보 값을 예측하는 방법을 나타내는 순서도이다.
도 2는 본 개시의 일 실시예에 따른 예측 값 생성에 이용되는 데이터 셋을 설명하기 위한 예시도이다.
도 3은 도 1에 도시된 일부 동작의 세부 프로세스를 설명하기 위한 흐름도이다.
도 4는 도 3에 도시된 일부 동작을 설명하기 위한 예시도이다.
도 5는 도 3에 도시된 일부 동작을 설명하기 위한 예시도이다.
도 6은 본 개시의 일 실시예에 따른 안전 지도를 생성하는 방법을 나타내는 순서도이다.
도 7은 본 개시의 일 실시예에 따른 강우량 값 예측을 기반으로 하는 안전 지도 생성 방법을 설명하기 위한 예시적인 흐름도이다.
도 8은 도 7에 도시된 일부 동작을 설명하기 위한 예시도이다.
도 9는 도 7에 도시된 일부 동작을 설명하기 위한 예시도이다.
도 10은 본 개시의 다양한 실시예에 따른 장치를 구현할 수 있는 예시적인 컴퓨팅 장치를 도시한다.
이하, 첨부된 도면을 참조하여 본 개시의 바람직한 실시예들을 상세히 설명한다. 본 개시의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시의 기술적 사상은 이하의 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 이하의 실시예들은 본 개시의 기술적 사상을 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시의 기술적 사상은 청구항의 범주에 의해 정의될 뿐이다.
각 도면의 구성요소들에 참조부호를 부가함에 있어, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 개시를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 개시의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 도는 과도하게 해석되지 않는다. 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 개시를 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형을 포함한다.
또한, 본 개시의 구성 요소를 설명하는 데 있어서, 제1, 제2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합", "접속"될 수도 있다고 이해되어야 할 것이다.
본 개시에서 사용되는 "포함한다 (comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성 요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성 요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
이하, 본 개시의 몇몇 실시예들에 대하여 첨부된 도면에 따라 상세하게 설명한다.
먼저, 본 개시의 일 실시예에 따른 예보 값 예측 방법에 대하여 도 1을 참조하여 설명한다.
도 1은 본 개시의 일 실시예에 따른 예보 값을 예측하는 방법을 나타내는 순서도이다. 단, 이는 본 개시의 목적을 달성하기 위한 바람직한 실시예일 뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다.
도 1에 도시된 바와 같이, 상기 예보 값 예측 방법은 예보 시스템으로부터 특정 구역에 대한 예보 값을 수신하는 단계 S100에서 시작된다. 상기 예보 값은 기상청의 예보 시스템으로부터 일정 구역에 설치된 센서 세트의 센서 값을 이용하여 예측된 값일 수 있다. 또한, 상기 일정 구역은 구 또는 동의 행정 구역일 수 있다.
단계 S200에서 복수의 인공신경망으로부터 출력 값이 획득될 수 있다. 상기 복수의 인공 신경망은 일정 구역에 설치된 센서 세트의 센서 값으로 구성된 학습 데이터를 이용하여 학습된 것일 수 있고, 상기 일정 구역에 설치된 센서 세트는 구 또는 동 단위로 설치된 복합 IoT 센서일 수도 있다.
단계 S300에서 상기 복수의 인공신경망의 출력 값들을 이용하여 제1 예측 값이 생성될 수 있다. 본 단계의 세부 프로세스에 대해서는 도 3 및 도 4를 참조하여 후술하도록 한다. 단계 S400에서 상기 제1 예측 값을 이용하여 예보 값이 보정될 수 있다.
즉, 기존에 존재하는 기상청의 예보 시스템으로부터 제1 구역에 설치된 제1 센서 세트의 센서 값을 이용하여 예보 값이 생성될 수 있다. 이 때 상기 제1 구역은 구 또는 동 단위의 행정구역일 수 있다. 다만, 상기 예보 값은 강우량 값이 구체적으로 제시되지 않고, 일정 범위의 값으로 제시되므로 국지성 호우로 인한 침수 피해를 예방하기 위한 데이터로서는 적절하지 않은 측면이 있다.
이에, 본 개시에 따르면, 보다 정확한 예보 값을 예측하기 위하여 기상청의 예보 시스템의 일 구성인 제1 센서 세트가 설치된 상기 제1 구역에 새로운 제2 센서 세트가 설치될 수 있다. 이 때, 상기 제2 센서 세트는 복수의 복합 IoT 센서로 구성될 수 있다.
다음으로, 상기 제2 센서 세트의 센서 값으로 구성된 학습 데이터를 이용하여 학습된 복수의 인공신경망의 출력 값들을 이용하여 제1 예측 값이 생성될 수 있고, 상기 제1 예측 값을 이용하여 상기 예보 값이 보정될 수 있다.
정리하면, 도 1에 도시된 단계 S100 내지 단계 S400을 통해 기상청의 예보 값보다 정확한 기상 정보 예측 값을 제공함으로써 데이터의 정밀성 및 안전성의 이슈가 해결될 수 있다.
도 2는 본 개시의 일 실시예에 따른 예측 값 생성에 이용되는 데이터 셋을 설명하기 위한 예시도이다. 상기 데이터 셋은 일정 구역 내에 설치된 복합 IoT 센서를 이용하여 획득된 데이터들의 집합일 수 있다.
도 2에 도시된 바와 같이, 복수의 인공 신경망의 학습 데이터로 표 2a와 같이 구 또는 동 단위의 지역 명칭, 시간당 강수량, 기온, 습도, 흑구 온도, 풍속 및 기압 정보를 이용하여 데이터 셋이 구성될 수 있다. 이 때, 상기 데이터 셋은 구 또는 동 단위로 설치된 복합 IoT 센서를 이용하여 측정된 데이터가 누적 저장된 것일 수 있다.
도 3은 복수의 인공신경망의 출력 값을 이용하여 제1 예측 값이 생성되는 단계 S300의 세부 프로세스를 설명하기 위한 흐름도이다. 단, 이는 본 개시의 목적을 달성하기 위한 바람직한 실시예일 뿐이며, 필요에 따라 일부 단계가 추가되거나 삭제될 수 있음은 물론이다.
도 3에 도시된 바와 같이, 본 개시의 몇몇 실시예에 따른 제1 예측 값이 생성되는 방법은 크게 세 가지로 분류될 수 있다. 단, 이는 본 개시의 목적을 달성하기 위한 바람직한 실시예일 뿐이며, 제1 예측 값을 생성하는 방법은 다양한 방법을 더 포함할 수 있다.
우선, 복수의 인공신경망 각각의 성능 수치가 산출되는 단계 S310 및 상기 성능 수치를 기반으로 설정된 가중치를 이용하여 제1 예측 값이 생성되는 단계 S320을 통해 제1 예측 값이 생성될 수 있다. 상기 성능 수치는 인공신경망 각각의 특성에 기반하여 산정될 수도 있고, 예측 값과 실제 값의 오차에 기반하여 산정된 값일 수 있다. 또한, 상기 가중치는 상기 성능 수치에 비례하여 산정될 수도 있고, 상기 성능 수치의 순위를 기초로 사전에 정의된 방식으로 산정된 값일 수 있다.
예를 들어, 성능 수치가 1인 A 인공신경망의 출력 값이 83이고, 성능 수치가 1.5인 B 인공신경망의 출력 값이 86이며, 성능 수치가 2.5인 C 인공신경망의 출력 값이 84인 경우를 가정해볼 수 있다. 또한, 성능 수치를 기반으로 가중치가 산정될 수 있고, 이해의 편의를 위해 가중치가 상기 성능 수치에 비례하여 산정되어, A 인공신경망의 가중치가 0.2, B 인공신경망의 가중치가 0.3, C 인공신경망의 가중치가 0.5인 경우를 가정해볼 수 있다.
단계 S310에서 복수의 인공 신경망 A, B 및 C의 각각의 성능 수치 1, 1.5, 2.5가 일정 기준에 의해 산출될 수 있다. 나아가, 상기 성능 수치를 기반으로 설정된 가중치(A 인공신경망 0.2, B 인공신경망 0.3 및 C 인공신경망 0.5)를 이용하여 '83*0.2+86*0.3+84*0.5=84.4'의 수식을 통해 제1 예측 값이 획득될 수 있다. 단, 이는 본 개시의 목적을 달성하기 위한 바람직한 실시예일 뿐이어서 이에 한정되지 않으며, 성능 수치 및 가중치를 이용하여 제1 예측 값을 생성하는 방법은 다양한 방법을 더 포함할 수 있다.
한편, 상기 성능 수치를 산출하는 단계 S310은 상기 제1 예측 값을 이용하여 성능 수치를 재 산출하는 단계를 포함할 수 있다. 예를 들면, 실제 측정 값과 복수의 인공신경망 각각의 출력 값의 오차를 이용하여 인공신경망 각각의 성능 수치가 조정될 수 있다.
예를 들어, 성능 수치가 1이고 출력 값이 83인 A 인공신경망, 성능 수치가 1.5이고 출력 값이 86인 B 인공신경망 및 성능 수치가 2.5이고 출력 값이 84인 C 인공신경망을 이용하여 생성된 제1 예측 값이 84.4이고, 실제 측정 값은 85인 경우에 다음과 같이 성능 수치를 재 산출하는 프로세스가 수행될 수 있다. 상기 예시에 따르면, 실제 측정 값과 A 인공신경망의 출력 값의 오차는 2이고, 실제 측정 값과 B 인공신경망의 출력 값의 오차는 1이며, 실제 측정 값과 C 인공신경망의 출력 값의 오차는 1이다. 이에, A 인공신경망의 성능 수치를 감소시키고, B 인공신경망 및 C 인공신경망의 성능 수치는 증가시킴으로써 성능 수치가 재 산출되는 단계가 수행될 수 있다. 단, 이는 본 개시의 목적을 달성하기 위한 바람직한 실시예일 뿐이어서 이에 한정되지 않으며, 성능 수치를 재 산출하는 방법은 다양한 방법을 더 포함할 수 있다.
다시 도 3을 참조하여 제1 예측 값을 생성하는 다른 방법에 대하여 설명하도록 한다.
도 3에 도시된 바와 같이, 단계 S330에서 복수의 인공신경망의 출력 값이 조합된 결과로 제1 예측 값이 생성될 수 있다. 이 때, 상기 출력 값들의 평균 값이 제1 예측 값으로 생성될 수도 있고, 상기 출력 값들의 최빈값이 제1 예측 값으로 생성될 수도 있으며, 상기 출력 값들 중 임의의 값이 제1 예측 값으로 생성될 수도 있다. 단, 이는 본 개시의 목적을 달성하기 위한 바람직한 실시예일 뿐이어서 이에 한정되지 않으며, 복수의 인공신경망의 출력 값을 조합하는 방법은 다양한 방법을 더 포함할 수 있다.
한편, 도3에 도시된 바와 같이, 단계 S340에서 다른 타입의 신경망을 이용하여 앙상블 러닝이 수행된 결과로 제1 예측 값이 생성될 수 있다. 본 단계의 세부 프로세스에 대하여 도 4를 참조하여 설명하도록 한다.
도 4는 도 3에 도시된 일부 동작의 세부 프로세스를 설명하기 위한 예시도이다.
도 4에 도시된 바와 같이, 일정 구역에 설치된 복합 IoT 센서를 통해 획득한 데이터를 이용하여 다른 타입의 신경망 각각의 출력 값들이 획득될 수 있다. 예를 들면, DNN 모델의 출력 값은 83이고, CNN 모델의 출력 값은 86이며, RNN 모델의 출력 값은 84인 경우를 가정해 볼 수 있다. 상기 다른 타입의 신경망 모델을 통해 예측된 출력 값을 이용하여 앙상블 러닝이 수행될 수 있으며, 상기 수행의 결과로 제1 예측 값으로 85를 획득할 수 있다. 상기 앙상블 러닝은 복수의 모델을 조합하여 결과를 예측함으로써 정확도를 향상시킬 수 있는 방식으로, 기존의 머신 러닝 기법 중 하나이므로 구체적인 설명은 생략하도록 한다.
도 5는 도 1에 도시된 일부 동작의 세부 프로세스를 설명하기 위한 예시도이다. 단계 S400에서, 단계 S300에서 획득된 복수의 인공신경망의 출력 값들을 이용하여 생성된 제1 예측 값을 이용하여 예보 값이 보정될 수 있다. 예를 들면, 복수의 인공신경망을 통한 자체 예측 값인 제1 예측 값이 85mm/h이고 기상청 예측 값인 예보 값이 50mm/h 이상인 경우, 예보 값은 85mm/h로 보정될 수 있다. 이에 따라, "50mm/h 이상"이라는 한정적인 정보만 제공할 수 있었던 기상청의 예측 값의 단점이 보완될 수 있으며, 보다 정확한 예측 값이 시민들에게 제공됨으로써 재난 상황이 예방될 수 있다.
도 6은 본 개시의 일 실시예에 따른 안전 지도가 생성되는 방법을 나타내는 순서도이다. 재난 상황을 효과적으로 예방하기 위하여 단계 S400을 통해 보정된 예보 값을 이용하여 안전 지도가 생성될 수 있다. 다만, 특정 조건을 충족시키는 경우에 한하여 안전 지도가 생성될 수 있다. 보다 구체적으로, 시간당 강우량이 한계점을 초과하는 예보 값이 나오고, 상한 값이 없는 경우로서 예보 값의 범위가 기준치 이상으로 넓은 경우에 안전 지도가 생성될 수 있다. 예를 들면 기상청이 시간당 강우량을 "50mm/h 이상"으로 예보한 경우에 안전 지도가 생성될 수 있다. 단, 이는 본 개시의 목적을 달성하기 위한 바람직한 실시예일 뿐이어서 이에 한정되지 않으며, 안전 지도가 생성되는 조건은 다양한 조건이 더 포함될 수 있다.
단계 S500에서 예보 값의 범위가 기준치 이내인지 판단될 수 있다. 상기 판단의 결과로, 예보 값의 범위가 기준치 이내인 경우에는 안전 지도가 생성되지 않을 수 있다. 또한, 상기 판단의 결과로, 예보 값의 범위가 기준치 이내가 아닌 경우에는 단계 S600에서, 보정된 예보 값을 이용하여 안전 지도가 자동으로 생성될 수 있다. 상기 안전 지도가 생성되는 방법은 본 개시의 다른 실시예에 따른 강우량 값 예측을 기반으로 하는 안전 지도 생성 방법과 유사하므로 도 8 및 도 9를 참조하여 후술하도록 한다.
도 7은 본 개시의 일 실시예에 따른 강우량 값 예측을 기반으로 하는 안전 지도 생성 방법을 설명하기 위한 예시적인 흐름도이다.
도 7에 도시된 바와 같이, 강우량 예측을 기반으로 안전 지도가 생성되는 방법은 단계 S1000에서 시작된다. 단계 S1000에서, 예보 시스템으로부터 일정 구역에 대한 시간당 강우량 값이 획득될 수 있다. 이 때, 상기 시간당 강우량은 일정 구역에 기 설치된 센서 세트를 이용하여 예측된 값일 수 있다. 단계 S2000에서, 일정 구역에 설치된 복합 IoT 센서의 센서 값으로 구성된 학습 데이터를 이용하여 학습된 RNN의 출력 값이 획득될 수 있다. 이 때, 상기 일정 구역은 구 또는 동 단위의 행정 구역일 수 있다. 단계 S3000에서, 상기 시간당 강우량 값의 범위가 기준치 이내인지 여부가 판단될 수 있다.
상기 시간당 강우량 범위가 기준치 이내가 아닌 경우에는, 단계 S4000을 통해 상기 학습된 RNN의 출력 값을 이용하여 안전 지도가 자동으로 생성될 수 있다. 한편, 상기 시간당 강우량의 범위가 기준치 이내인 경우에는, 안전 지도가 자동으로 생성되는 단계 S4000이 생략될 수 있다.
도 8은 도 7에 도시된 일부 동작을 설명하기 위한 예시도이다.
도 8에 도시된 바와 같이, 기상청의 강수량 예측 데이터를 이용하여 생성된 데이터 셋(8a)은 구체적인 예측 값으로 표시되지 않고 예측 값의 범위가 표시되므로 데이터 정밀도가 낮다는 문제점이 존재한다. 예를 들면, 기상청 강우량 예측 값은 시간당 강우량이 0 ~ 1.0mm 미만인 경우 '1.0mm 미만', 1.0mm이상 ~ 30.0mm 미만인 경우 실수 값, 30.0mm이상 ~ 50mm 미만인 경우 '50mm 이상'으로 표기하여 정보를 제공해주기 때문에 강우량 수치가 정밀하지 않아 침수 피해를 예방하기 위한 데이터로 활용하기에는 한계가 있다.
한편, 복합 IoT 센서를 이용한 측정 데이터를 이용하여 생성된 데이터 셋(2a)을 기반으로 학습된 신경망을 이용하여 강우량 예측 값이 획득될 수 있다. 이 때, 상기 신경망은 RNN일 수 있고, 상기 신경망은 일정 구역 단위로 설치된 복합 IoT 센서 데이터를 이용하여 학습될 수 있다. 학습된 RNN으로 예측된 강우량 데이터에 의할 경우, 기상청 강우량의 예측 값이 정밀도가 낮다는 점이 보완될 수 있다. 또한, 구체적인 수치의 값으로 표기되는 자체 강우량 예측 값을 기반으로 위험 지역이 선별될 수 있다. 나아가, 침수 정보, 대피소 정보, 대피 경로, 경찰서, 병원 등의 기반 시설의 정보 등이 지도상에 표출된 안전 지도가 자동으로 생성될 수 있다.
예를 들면, 상기 학습된 RNN에 의한 자체 예측 값이 103mm/h인 경우 시간당 강우량의 예측 값의 범위가 '50.0mm 이상'으로 기준치 이내에 해당하지 않으므로 안전 지도(8c)가 생성될 수 있다. 이때, 안전성의 측면에서 자체 예측 값인 103mm/h 보다 높은 105mm/h의 값을 기준으로 안전 지도가 생성될 수 있다.
도 9는 도 7에 도시된 일부 동작을 설명하기 위한 예시도이다.
도 9에 도시된 바와 같이, '부산광역시 연제구'에 설치된 복합 IoT 센서 데이터를 이용하여 학습된 RNN 모델의 강우량 예측 값이 103mm/h인 경우를 가정하여 설명하도록 한다. 상기 RNN 모델에서 출력된 강우량 예측 값은 103mm/h이지만, 안전성 측면에서 105mm/h의 시간당 강우량 예측 값을 기반으로 위험지역이 탐지될 수 있다. 나아가, 해당 지역인 '부산광역시 연제구'에 대한 내수침수 시뮬레이션 결과와 안전, 긴급, 추가로 구분되는 대피소 정보, 대피 경로, 경찰서 정보, 소방서 정보 등이 3D GIS(Geographic Information System)상에 자동으로 표출되어 안전 지도(8c)가 생성될 수 있다. 상기 생성된 안전 지도(8c)는 '부산광역시 연제구'의 침수 피해의 예방에 효과적으로 활용될 수 있다.
지금까지 도 1 내지 도 9를 참조하여 본 개시의 몇몇 실시예에 따른 예보 값 예측 방법, 예측된 예보 값에 기반한 안전 지도 생성 방법 및 강우량 값 예측을 기반으로 하는 안전 지도 생성 방법에 대하여 설명하였다. 상술한 예보 값 예측 방법에 따르면, 기상청 예보 값의 정밀도가 낮은 점이 보완될 수 있다. 또한, 상술한 안전 지도 생성 방법에 따르면, 재난 담당 부서는 구체적인 수치 값으로 표기되는 예보 값 또는 강우량 예측 값을 기반으로 생성된 안전 지도를 이용하여 침수 피해를 효과적으로 예방할 수 있다.
지금까지 도 1 내지 도 9를 참조하여 설명된 본 개시의 기술적 사상은 컴퓨터가 읽을 수 있는 매체 상에 컴퓨터가 읽을 수 있는 코드로 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체는, 예를 들어 이동형 기록 매체(USB 저장 장치, 이동식 하드 디스크)이거나, 고정식 기록 매체(ROM, RAM, 컴퓨터 구비 형 하드 디스크)일 수 있다. 상기 컴퓨터로 읽을 수 있는 기록 매체에 기록된 상기 컴퓨터 프로그램은 인터넷 등의 네트워크를 통하여 다른 컴퓨팅 장치에 전송되어 상기 다른 컴퓨팅 장치에 설치될 수 있고, 이로써 상기 다른 컴퓨팅 장치에서 사용될 수 있다.
이하에서는, 도 10을 참조하여 본 개시의 다양한 실시예에 따른 장치를 구현할 수 있는 예시적인 컴퓨팅 장치(500)에 대하여 설명한다.
도 10은 컴퓨팅 장치(500)를 나타내는 예시적인 하드웨어 구성도이다.
도 10에 도시된 바와 같이, 컴퓨팅 장치(500)는 하나 이상의 프로세서(510), 버스(550), 통신 인터페이스(570)에 의하여 수행되는 컴퓨터 프로그램(591)을 로드(load)하는 메모리(530)와, 컴퓨터 프로그램(591)을 저장하는 스토리지(590)을 포함할 수 있다. 다만, 도 10에는 본 개시의 실시예와 관련 있는 구성요소들만이 도시되어 있다. 따라서, 본 개시가 속한 기술분야의 통상의 기술자라면 도 10에 도시된 구성요소들 외에 다른 범용적인 구성 요소들이 더 포함될 수 있음을 알 수 있다.
프로세서(510)는 컴퓨팅 장치(500)의 각 구성의 전반적인 동작을 제어한다. 프로세서(510)는 CPU(Central Processing Unit), MPU(Micro Processor Unit), MCU(Micro Controller unit), GPU(Graphic Processing Unit) 또는 본 개시의 기술 분야에 잘 알려진 임의의 형태의 프로세서 중 적어도 하나를 포함하여 구성될 수 있다. 또한, 프로세서(510)는 본 개시의 다양한 실시예들에 따른 방법/동작을 실행하기 위한 적어도 하나의 애플리케이션 또는 프로그램에 대한 연산을 수행할 수 있다. 컴퓨팅 장치(500)는 하나 이상의 프로세서를 구비할 수 있다.
메모리(530)는 각종 데이터, 명령 및/또는 정보를 저장한다. 메모리(530)는 본 개시의 다양한 실시예들에 따른 방법/동작들을 실행하기 위하여 스토리지(590)로부터 하나 이상의 프로그램(591)을 로드할 수 있다. 예를 들어, 컴퓨터 프로그램(591)이 메모리(530)에 로드되면, 도 10에 도시된 바와 같은 로직(또는 모듈)이 메모리(530) 상에 구현될 수 있다. 메모리(530)의 예시는 RAM이 될 수 있으나, 이에 한정되는 것은 아니다.
버스(550)는 컴퓨팅 장치(500)의 구성 요소 간 통신 기능을 제공한다. 버스(550)는 주소 버스(Address Bus), 데이터 버스(Data Bus) 및 제어 버스(Control Bus) 등 다양한 형태의 버스로 구현될 수 있다.
통신 인터페이스(570)는 컴퓨팅 장치(500)의 유무선 인터넷 통신을 지원한다. 통신 인터페이스(570)는 인터넷 통신 외의 다양한 통신 방식을 지원할 수도 있다. 이를 위해, 통신 인터페이스(570)는 본 개시의 기술 분야에 잘 알려진 통신 모듈을 포함하여 구성될 수 있다.
스토리지(590)는 하나 이상의 컴퓨터 프로그램(591)을 비임시적으로 저장할 수 있다. 스토리지(590)는 ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electrically Erasable Programmable ROM), 플래시 메모리 등과 같은 비휘발성 메모리, 하드 디스크, 착탈형 디스크, 또는 본 개시가 속하는 기술 분야에서 잘 알려진 임의의 형태의 컴퓨터로 읽을 수 있는 기록 매체를 포함하여 구성될 수 있다.
컴퓨터 프로그램(591)은 본 개시의 다양한 실시예들에 따른 방법/동작들이 구현된 하나 이상의 인스트럭션들을 포함할 수 있다. 컴퓨터 프로그램(591)이 메모리(530)에 로드되면, 프로세서(510)는 상기 하나 이상의 인스트럭션들을 실행시킴으로써 본 개시의 다양한 실시예들에 따른 방법/동작들을 수행할 수 있다.
지금까지 도 1 내지 도 10을 참조하여 본 개시의 기술적 사상에 내포된 다양한 실시예들 및 그 실시예들에 따른 효과들을 언급하였다. 본 개시의 기술적 사상에 따른 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.
이상에서, 본 개시의 실시예를 구성하는 모든 구성 요소들이 하나로 결합되거나 결합되어 동작하는 것으로 설명되었다고 해서, 본 개시의 기술적 사상이 반드시 이러한 실시예에 한정되는 것은 아니다. 즉, 본 개시의 목적 범위 안에서라면, 그 모든 구성요소들이 하나 이상으로 선택적으로 결합하여 동작할 수도 있다.
도면에서 동작들이 특정한 순서로 도시되어 있지만, 반드시 동작들이 도시된 특정한 순서로 또는 순차적 순서로 실행되어야만 하거나 또는 모든 도시 된 동작들이 실행되어야만 원하는 결과를 얻을 수 있는 것으로 이해되어서는 안 된다. 특정 상황에서는, 멀티태스킹 및 병렬 처리가 유리할 수도 있다. 더욱이, 위에 설명한 실시예들에서 다양한 구성들의 분리는 그러한 분리가 반드시 필요한 것으로 이해되어서는 안 되고, 설명된 프로그램 컴포넌트들 및 시스템들은 일반적으로 단일 소프트웨어 제품으로 함께 통합되거나 다수의 소프트웨어 제품으로 패키지 될 수 있음을 이해하여야 한다.
이상 첨부된 도면을 참조하여 본 개시의 실시예들을 설명하였지만, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자는 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 본 개시가 다른 구체적인 형태로도 실시될 수 있다는 것을 이해할 수 있다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로 이해해야만 한다. 본 개시의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 개시에 의해 정의되는 기술적 사상의 권리범위에 포함되는 것으로 해석되어야 할 것이다.

Claims (15)

  1. 컴퓨팅 장치에 의하여 수행되는 방법에 있어서,
    예보 시스템으로부터 제1 구역에 대한 예보 값의 범위를 수신하되, 상기 예보 값의 범위는 상기 제1 구역에 설치된 제1 센서 세트를 이용하여 예측된 값의 범위인, 단계;
    상기 제1 구역에 설치된 제2 센서 세트의 센서 값으로 구성된 학습 데이터를 이용하여 학습된 복수의 인공신경망의 출력 값들을 얻는 단계;
    상기 복수의 인공신경망의 출력 값들을 이용하여 제1 예측 값을 생성하는 단계;
    상기 수신된 제1 구역에 대한 예보 값의 범위가 상한 값이 없고, 상기 제1 예측 값이 상기 예보 값의 범위 내의 값인 경우, 구체적인 수치의 값으로 표기되는 상기 제1 예측 값을 이용하여 상기 예보 값의 범위를 보정하고, 상기 수신된 예보 값의 범위 대신 상기 보정된 예보 값의 범위를 출력하는 단계;
    상기 예보 값의 범위가 기준치 이내인지 여부를 판단하는 단계; 및
    상기 예보 값의 범위가 기준치 이상으로 넓은 경우에 한하여, 상기 제1 예측 값을 이용하여 안전 지도(safe map)을 자동으로 생성하는 단계를 포함하되,
    상기 예보 값의 범위가 기준치 이내인지 여부를 판단하는 단계는,
    상기 예보 값의 범위가 시간당 강우량이 한계점을 초과하고 상한 값이 없는 값인 경우를 상기 예보 값의 범위가 기준치 이상으로 넓은 경우로 판단하는 단계를 포함하는,
    예보 값 예측 방법.
  2. 제1 항에 있어서,
    상기 제1 예측 값을 생성하는 단계는,
    상기 복수의 인경신경망 각각의 성능 수치를 산출하는 단계; 및
    상기 수치를 기반으로 설정된 가중치를 이용하여 제1 예측 값을 생성하는 단계를 포함하는,
    예보 값 예측 방법.
  3. 제2 항에 있어서,
    상기 성능 수치를 산출하는 단계는,
    상기 제1 예측 값을 이용하여 성능 수치를 재 산출하는 단계를 포함하는,
    예보 값 예측 방법.
  4. 제2 항에 있어서,
    상기 가중치는 상기 성능 수치에 비례하여 산정되는 것인,
    예보 값 예측 방법.
  5. 제2 항에 있어서,
    상기 가중치는 상기 성능 수치의 순위를 기초로 사전에 정의된 방식으로 산정되는 것인,
    예보 값 예측 방법.
  6. 제1 항에 있어서,
    상기 제1 예측 값을 생성하는 단계는,
    CNN 및 RNN을 이용하여 앙상블 러닝을 수행하는 단계를 포함하는,
    예보 값 예측 방법.
  7. 제1 항에 있어서,
    상기 제1 예측 값을 생성하는 단계는,
    상기 인공신경망의 출력 값을 조합하는 단계를 포함하는,
    예보 값 예측 방법.
  8. 제7 항에 있어서,
    상기 인공신경망의 출력 값을 조합하는 단계는,
    상기 출력 값의 평균값을 제1 예측 값으로 생성하는 단계를 포함하는,
    예보 값 예측 방법.
  9. 제7 항에 있어서,
    상기 인공신경망의 출력 값을 조합하는 단계는,
    상기 출력 값의 최빈값을 제1 예측 값으로 생성하는 단계를 포함하는,
    예보 값 예측 방법.
  10. 제7 항에 있어서,
    상기 인공신경망의 출력 값을 조합하는 단계는,
    상기 출력 값 중 임의의 값을 제1 예측 값으로 생성하는 단계를 포함하는,
    예보 값 예측 방법.
  11. 삭제
  12. 삭제
  13. 삭제
  14. 프로세서; 및
    메모리를 포함하는 컴퓨팅 장치로서,
    상기 메모리는 명령어를 저장하고,
    상기 명령어는 상기 프로세서에 의해 실행될 때 상기 프로세서로 하여금,
    예보 시스템으로부터 제1 구역에 대한 예보 값의 범위를 수신하되, 상기 예보 값의 범위는 상기 제1 구역에 설치된 제1 센서 세트를 이용하여 예측된 값의 범위인, 동작;
    상기 제1 구역에 설치된 제2 센서 세트의 센서 값으로 구성된 학습 데이터를 이용하여 학습된 복수의 인공신경망의 출력 값들을 얻는 동작;
    상기 복수의 인공신경망의 출력 값들을 이용하여 제1 예측 값을 생성하는 동작;
    상기 수신된 제1 구역에 대한 예보 값의 범위가 상한 값이 없고, 상기 제1 예측 값이 상기 예보 값의 범위 내의 값인 경우, 구체적인 수치의 값으로 표기되는 상기 제1 예측 값을 이용하여 상기 예보 값의 범위를 보정하고, 상기 수신된 예보 값의 범위 대신 상기 보정된 예보 값의 범위를 출력하는 동작;
    상기 예보 값의 범위가 기준치 이내인지 여부를 판단하는 동작; 및
    상기 예보 값의 범위가 기준치 이상으로 넓은 경우에 한하여, 상기 제1 예측 값을 이용하여 안전 지도(safe map)을 자동으로 생성하는 동작을 수행하도록 하되,
    상기 예보 값의 범위가 기준치 이내인지 여부를 판단하는 동작은,
    상기 예보 값의 범위가 시간당 강우량이 한계점을 초과하고 상한 값이 없는 값인 경우를 상기 예보 값의 범위가 기준치 이상으로 넓은 경우로 판단하는 동작을 수행하는,
    예보 값 예측 장치.
  15. 삭제
KR1020220033227A 2022-03-17 2022-03-17 기상 정보 예측 및 안전 지도 자동 생성 방법 및 그 장치 KR102508655B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220033227A KR102508655B1 (ko) 2022-03-17 2022-03-17 기상 정보 예측 및 안전 지도 자동 생성 방법 및 그 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220033227A KR102508655B1 (ko) 2022-03-17 2022-03-17 기상 정보 예측 및 안전 지도 자동 생성 방법 및 그 장치

Publications (1)

Publication Number Publication Date
KR102508655B1 true KR102508655B1 (ko) 2023-03-10

Family

ID=85570420

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220033227A KR102508655B1 (ko) 2022-03-17 2022-03-17 기상 정보 예측 및 안전 지도 자동 생성 방법 및 그 장치

Country Status (1)

Country Link
KR (1) KR102508655B1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180224859A1 (en) * 2017-02-08 2018-08-09 Ford Global Technologies, Llc Tornado Detection Systems And Methods
KR101926544B1 (ko) * 2018-08-27 2019-03-07 (주)지비엠 아이엔씨 기상 예측 모델을 이용한 기상 관측 방법, 시스템 및 컴퓨터 프로그램
US20200132884A1 (en) * 2018-10-30 2020-04-30 Climacell Inc. Forecasting method with machine learning
KR20210068898A (ko) 2019-12-02 2021-06-10 대한민국(기상청장) 머신러닝을 이용한 실시간 수문학적 강우량 예보 시스템
KR20210088070A (ko) * 2020-01-06 2021-07-14 고려대학교 산학협력단 앙상블 기계학습 방법을 이용한 재생 에너지 발전량 예측 장치 및 방법
KR102328762B1 (ko) * 2021-07-05 2021-11-22 한국과학기술정보연구원 인공지능 기반 미세먼지 예측 방법, 그리고 이를 구현하기 위한 장치

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180224859A1 (en) * 2017-02-08 2018-08-09 Ford Global Technologies, Llc Tornado Detection Systems And Methods
KR101926544B1 (ko) * 2018-08-27 2019-03-07 (주)지비엠 아이엔씨 기상 예측 모델을 이용한 기상 관측 방법, 시스템 및 컴퓨터 프로그램
US20200132884A1 (en) * 2018-10-30 2020-04-30 Climacell Inc. Forecasting method with machine learning
KR20210068898A (ko) 2019-12-02 2021-06-10 대한민국(기상청장) 머신러닝을 이용한 실시간 수문학적 강우량 예보 시스템
KR20210088070A (ko) * 2020-01-06 2021-07-14 고려대학교 산학협력단 앙상블 기계학습 방법을 이용한 재생 에너지 발전량 예측 장치 및 방법
KR102328762B1 (ko) * 2021-07-05 2021-11-22 한국과학기술정보연구원 인공지능 기반 미세먼지 예측 방법, 그리고 이를 구현하기 위한 장치

Similar Documents

Publication Publication Date Title
CN112308292B (zh) 一种火灾风险等级分布图的绘制方法
US10296838B2 (en) Apparatus and method for changing alarm information in accordance with weather
CN113777236B (zh) 基于排放源的空气质量监控方法和装置
US10627265B2 (en) Sensor assignment apparatus and sensor diagnostic apparatus
KR102434578B1 (ko) 인공지능 기반 강우량 예측 방법, 그리고 이를 구현하기 위한 장치
US11830090B2 (en) Methods and systems for an enhanced energy grid system
JP2019067074A (ja) 風環境学習装置、風環境評価システム、風環境学習方法及び風環境評価方法
US20190212470A1 (en) Flood prediction system, prediction method, and program recording medium
CN113570122A (zh) 预测风速的方法、装置、计算机设备和存储介质
CN111046475B (zh) 一种房屋建筑面积的计算方法、装置和存储介质
KR102508655B1 (ko) 기상 정보 예측 및 안전 지도 자동 생성 방법 및 그 장치
CN113959477A (zh) 基于物联网的环境防治监测提醒方法及系统
Junior et al. Smart IoT lysimetry system by weighing with automatic cloud data storage
CN116704716B (zh) 实验室恒温恒湿异常报警方法、装置及计算机设备
CN111679600B (zh) 控制系统的比较方法、控制终端和计算机可读存储介质
WO2021133249A1 (en) Method and apparatus for generating maintenance plan of wind turbines, device and storage medium
Papadopoulou et al. Evaluating predictive performance of sensor configurations in wind studies around buildings
CN109978204B (zh) 确定风电场的风功率的预测准确率的方法和装置
Thöns et al. On uncertainty, decision values and innovation
JP2020149209A (ja) 残差特性推定モデル作成方法および残差特性推定モデル作成システム
CN111047098A (zh) 一种建筑工程进度及造价管理系统、计算机设备及计算机可读存储介质
KR102545314B1 (ko) 인공지능 기반 건물의 지진 피해 예측 방법, 그리고 이를 구현하기 위한 장치
JP2023007932A (ja) 風況予測システム、風況予測方法、および風況予測プログラム
WO2020148813A1 (ja) 異常要因診断装置及びその方法、並びに異常要因診断システム
CN110389947A (zh) 一种黑名单生成方法、装置、设备及介质

Legal Events

Date Code Title Description
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant