KR20210067601A - 수온예측장치 및 그 동작 방법 - Google Patents

수온예측장치 및 그 동작 방법 Download PDF

Info

Publication number
KR20210067601A
KR20210067601A KR1020190157404A KR20190157404A KR20210067601A KR 20210067601 A KR20210067601 A KR 20210067601A KR 1020190157404 A KR1020190157404 A KR 1020190157404A KR 20190157404 A KR20190157404 A KR 20190157404A KR 20210067601 A KR20210067601 A KR 20210067601A
Authority
KR
South Korea
Prior art keywords
water temperature
date
prediction
data
input
Prior art date
Application number
KR1020190157404A
Other languages
English (en)
Other versions
KR102266744B1 (ko
Inventor
양현
김민규
Original Assignee
한국해양과학기술원
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 한국해양과학기술원 filed Critical 한국해양과학기술원
Priority to KR1020190157404A priority Critical patent/KR102266744B1/ko
Publication of KR20210067601A publication Critical patent/KR20210067601A/ko
Application granted granted Critical
Publication of KR102266744B1 publication Critical patent/KR102266744B1/ko

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
    • G06Q10/00—Administration; Management
    • G06Q10/02—Reservations, e.g. for tickets, services or events
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Environmental Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Development Economics (AREA)
  • Atmospheric Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Ecology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은, 기 저장된 시계열 수온 데이터를 이용하여 수온을 사전 예측하기 위한 수온예측장치 및 그 동작 방법에 관한 것이다.

Description

수온예측장치 및 그 동작 방법{PREDICTION APPRATUS FOR WATER TEMPERATURE, AND CONTROL METHOD THEREOF}
본 발명은 기 저장된 시계열 수온 데이터를 이용하여 수온을 사전 예측하기 위한 방안에 관한 것이다.
지구온난화에 따라 한반도주변의 수온과 해수면이 전세계 평균보다 빠른 속도로 상승하고 있으며, 해수면 상승은 연안 지역의 침수 및 범람 피해에 직접적인 영향을 끼치게 된다.
특히, 이상 고수온 현상은, 매년 양식어종 집단 폐사를 유발하여 해양 수산업에 막대한 경제적 피해를 입히고 있으며, 뿐만 아니라 비브리오 감염사고 또한 유발하게 되어 국민들에게 인적 피해를 가중시키고 있는 실정이다.
따라서, 이러한 피해 상황을 최소화하기 위해서는 이러한 이상 고수온 현상에 대한 적극적인 대처가 필요하며, 이를 위해서는 수온을 사전에 예측할 수 있는 방안이 무엇보다도 필요하다.
이에, 본 발명에서는 이상 고수온 현상에 따른 피해 상황을 최소화하기 위해 수온을 사전 예측할 수 있는 새로운 방안을 제안하고자 한다.
본 발명은 상기한 사정을 감안하여 창출된 것으로서, 본 발명에서 도달하고자 하는 목적은, 기 저장된 시계열 수온 데이터를 이용하여 수온을 사전 예측하는데 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 수온예측장치는, 기 저장된 시계열 수온 데이터를 기초로 수온 예측을 위한 예측 모델을 생성하는 생성부; 상기 예측 모델을 통해 예측하고자 하는 수온 예측 일자를 기준으로 상기 예측 모델에 입력하기 위한 입력 데이터 셋을 결정하는 결정부; 및 상기 입력 데이터 셋의 입력에 따라 상기 예측 모델로부터 출력되는 출력 값을 상기 수온 예측 일자의 수온 데이터로 제공하는 제공부를 포함하는 것을 특징으로 한다.
구체적으로, 상기 결정부는, 상기 수온 예측 일자와 이웃한 과거 일정 기간 동안의 수온 데이터를 상기 입력 데이터 셋으로 결정할 수 있다.
구체적으로, 상기 결정부는, 상기 시계열 수온 데이터가 마지막으로 저장된 최종 일자와 상기 수온 예측 일자 사이에 간극이 존재하는 경우, 상기 예측 모델을 통해 상기 최종 일자와 상기 수온 예측 일자 사이의 각 일자 별 수온 데이터를 순차적으로 예측하여 상기 입력 데이터 셋에 포함시킬 수 있다.
구체적으로, 상기 결정부는, 상기 최종 일자와 이웃한 다음 일자인 제1 일자에 대한 수온 데이터를 예측하여, 상기 제1 일자에 대해 예측된 수온 데이터를 상기 제1 일자와 이웃한 다음 일자인 제2 일자의 수온 데이터를 예측하기 위한 데이터 셋에 포함시킬 수 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른 수온예측장치의 동작 방법은, 기 저장된 시계열 수온 데이터를 기초로 수온 예측을 위한 예측 모델을 생성하는 생성단계; 상기 예측 모델을 통해 예측하고자 하는 수온 예측 일자를 기준으로 상기 예측 모델에 입력하기 위한 입력 데이터 셋을 결정하는 결정단계; 및 상기 입력 데이터 셋의 입력에 따라 상기 예측 모델로부터 출력되는 출력 값을 상기 수온 예측 일자의 수온 데이터로 제공하는 제공단계를 포함할 수 있다.
구체적으로, 상기 결정단곈는, 상기 수온 예측 일자와 이웃한 과거 일정 기간 동안의 수온 데이터를 상기 입력 데이터 셋으로 결정할 수 있다.
구체적으로, 상기 결정단계는, 상기 시계열 수온 데이터가 마지막으로 저장된 최종 일자와 상기 수온 예측 일자 사이에 간극이 존재하는 경우, 상기 예측 모델을 통해 상기 최종 일자와 상기 수온 예측 일자 사이의 각 일자 별 수온 데이터를 순차적으로 예측하여 상기 입력 데이터 셋에 포함시킬 수 있다.
구체적으로, 상기 결정단계는, 상기 최종 일자와 이웃한 다음 일자인 제1 일자에 대한 수온 데이터를 예측하여, 상기 제1 일자에 대해 예측된 수온 데이터를 상기 제1 일자와 이웃한 다음 일자인 제2 일자의 수온 데이터를 예측하기 위한 데이터 셋에 포함시킬 수 있다.
이에, 본 발명의 수온예측장치 및 그 동작 방법에 따르면, 기 저장된 시계열 수온 데이터를 이용하여 수온을 사전 예측하는 것이 가능하므로, 이를 통해 이상 고수온 현상을 사전 예측하여 이상 고수온 현상으로 인한 피해 상황을 최소화할 수 있다.
도 1은 본 발명의 일 실시예에 따른 수온 예측 환경을 설명하기 위한 예시도.
도 2는 본 발명의 일 실시예에 따른 수온예측장치를 설명하기 위한 블록도.
도 3 및 도 4는 본 발명의 일 실시예에 따른 예측 모델을 설명하기 위한 예시도.
도 5는 본 발명의 일 실시예에 따른 수온예측장치의 동작 방법을 설명하기 위한 순서도.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예에 대하여 설명한다.
도 1은 본 발명의 일 실시예에 따른 수온 예측 환경을 개략적으로 보여주고 있다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 수온 예측 환경에는, 수온의 사전 예측을 위한 수온예측장치(10)를 포함할 수 있다.
수온예측장치(10)는 데이터 베이스(20)에 기 저장된 시계열 수온 데이터를 이용하여 특정 일의 수온을 사전 예측하는 장치를 일컫는 것으로서, 소프트웨어(예: 애플리케이션)를 탑재한 컴퓨팅장치(예: PC), 또는 유무선 통신망을 통해 접속 가능한 서버의 형태로 구현될 수 있다.
참고로, 이러한 수온예측장치(10)가 서버의 형태로 구현되는 경우에는, 예컨대, 웹 서버, 데이터베이스 서버, 프록시 서버 등의 형태로 구현될 수 있으며, 네트워크 부하 분산 메커니즘, 내지 서비스 장치가 인터넷 또는 다른 네트워크 상에서 동작할 수 있도록 하는 다양한 소프트웨어 중 하나 이상이 설치될 수 있으며, 이를 통해 컴퓨터화된 시스템으로도 구현될 수 있다.
한편, 데이터 베이스(20)의 경우, 기후 자료 배포 사이트(예: ECMWF, European Centre for Medium-Range Weather Forecasts)에서 별도로 관리 운영되거나, 또는 수온예측장치(10)가 기후 자료 배포 사이트로부터 획득되는 기후 데이터를 직접 저장 관리하는 형태를 가질 수 있다.
이상 본 발명의 일 실시예에 따른 수온 예측 환경에서는 전술한 구성을 통해서 기 저장된 시계열 수온 데이터를 이용하여 수온을 사전 예측할 수 있는데, 이하에서는 이를 실현하기 위한 수온예측장치(10)의 구체적인 구성을 설명하기로 한다.
도 2는 본 발명의 일 실시예에 따른 수온예측장치(10)의 개략적인 구성을 보여주고 있다.
도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 수온예측장치(10)는 예측 모델을 생성하는 생성부(11), 입력 데이터 셋을 결정하는 결정부(12), 및 예측된 수온 데이터를 제공하는 제공부(13)를 포함하는 구성을 가질 수 있다.
이처럼, 생성부(11), 결정부(12), 및 제공부(13)를 포함하는 수온예측장치(10)의 구성 전체 내지는 적어도 일부는, 하드웨어 모듈 형태 또는 소프트웨어 모듈 형태로 구현되거나, 하드웨어 모듈과 소프트웨어 모듈이 조합된 형태로도 구현될 수 있다.
여기서, 소프트웨어 모듈이란, 예컨대, 수온예측장치(10) 내에서 연산을 제어하는 프로세서에 의해 실행되는 명령어로 이해될 수 있으며, 이러한 명령어는 수온예측장치(10) 내 메모리에 탑재된 형태를 가질 수 있다.
한편, 본 발명의 일 실시예에 따른 수온예측장치(10)는 전술한 구성 이외에, 데이터 송수신을 위한 통신부(14)의 구성을 더 포함할 수 있다.
이러한, 통신부(14)는 예컨대, 안테나 시스템, RF 송수신기, 하나 이상의 증폭기, 튜너, 하나 이상의 발진기, 디지털 신호 처리기, 코덱(CODEC) 칩셋, 및 메모리 등을 포함하지만 이에 제한되지는 않으며, 이 기능을 수행하는 공지의 회로는 모두 포함할 수 있다.
이상, 본 발명의 일 실시예에 따른 수온예측장치(10)는 전술한 구성을 통해서, 수온을 사전 예측할 수 있는데, 이하에서는 이를 실현하기 위한 수온예측장치(10) 내 각 구성에 대해 보다 구체적으로 설명하기로 한다.
생성부(11)는 수온 예측을 위한 예측 모델을 생성하는 기능을 수행한다.
보다 구체적으로, 생성부(11)는 데이터 베이스(20)에 기 저장된 과거 일자의 시계열 수온 데이터를 기초로 수온 예측을 위한 예측 모델을 생성하게 된다.
이때, 생성부(11)는 딥 러닝 모델 중 하나인 순환 신경망(RNN, Recurrent Neural Networks) 모델 적용에 따라 시간의 흐름에 따라 변화하는 과거 일정 기간(예; 3650) 동안의 수온 데이터를 훈련 데이터로서 학습하는 방식을 통해서 예측 모델을 생성할 수 있다.
참고로, 이러한, 예측 모델은 내일 혹은 며칠 후의 수온 데이터를 예측하기 위한 목적으로 예컨대, 도 3에 도시된 바와 같이, 임의의 일자 n일로부터 과거 연속된 q일(30일) 동안의 수온 데이터 [tn-q+1, tn-q+ 2, ... tn]를 입력 데이터 셋으로 입력으로 하고, 이에 대한 출력을 tn + 1으로 설정하는 과정의 반복(30만번)을 통해서 생성될 수 있다.
이에, 본 발명의 예측 모델에서는, 예컨대, 도 4에 도시한 바와 같이 [t-29, t-28, ..., t0]을 입력 데이터 셋으로 입력하는 경우, 내일 자의 수온(t_1)을 출력으로 얻을 수 있고, [t-28, t- 27, ..., t0, t1]을 입력으로 넣으면 2일 후의 수온(t2)을 출력으로 얻을 수 있으며, 이 과정을 반복하면 m일 후의 수온을 예측할 수 있다.
결정부(12)는 입력 데이터 셋을 결정하는 기능을 수행한다.
보다 구체적으로, 결정부(12)는 예측 모델이 생성되는 경우, 예측 모델을 통해 예측하고자 하는 수온 예측 일자를 기준으로 상기 예측 모델에 입력하기 위한 입력 데이터 셋을 결정하게 된다.
이때, 결정부(12)는 위에서 잠시 언급한 바와 같이, 수온 예측 일자와 이웃한 과거 일정 기간 동안의 수온 데이터를 입력 데이터 셋으로 결정할 수 있다.
이를 위해, 결정부(12)는 시계열 수온 데이터가 마지막으로 저장된 최종 일자와 수온 예측 일자 사이에 간극이 존재하는지 여부를 확인하여, 간극이 존재하는 경우, 예측 모델을 통해 최종 일자와 수온 예측 일자 사이의 각 일자 별 수온 데이터를 순차적으로 예측하여 상기 입력 데이터 셋에 포함시킬 수 있다.
여기서, 시계열 수온 데이터가 마지막으로 저장된 최종 일자와 수온 예측 일자 사이에 간극이 존재한다는 것은, 시계열 수온 데이터가 마지막으로 저장된 최종 일자로부터 최소 2일 후의 수온 데이터에 대한 예측이 필요한 상황으로 이해될 수 있다.
즉, 결정부(12)는 시계열 수온 데이터가 마지막으로 저장된 최종 일자와 수온 예측 일자 사이에 간극이 존재하는 최종 일자와 이웃한 다음 일자인 제1 일자에 대한 수온 데이터를 예측하여, 제1 일자에 대해 예측된 수온 데이터를 상기 제1 일자와 이웃한 다음 일자인 제2 일자의 수온 데이터를 예측하기 위한 데이터 셋에 포함시킬 수 있는 것이다.
정리 하자면, 위 과정은, 앞서 도 4를 참조하여 설명한 [t-29, t- 28, ..., t0]을 입력 데이터 셋으로 입력하는 경우, 내일 자의 수온(t_1)을 출력으로 얻을 수 있고, [t-28, t- 27, ..., t0, t1]을 입력으로 넣으면 2일 후의 수온(t2)을 출력으로 얻을 수 있으며, 이 과정을 반복하면 m일 후의 수온을 예측할 수 있는 상황으로 이해될 수 있다.
제공부(13)는 예측된 수온 데이터를 제공하는 기능을 수행한다.
보다 구체적으로, 제공부(13)는 입력 데이터 셋이 결정되면, 결정된 입력 데이터 셋을 예측 모델에 입력하고, 그에 따라 예측 모델로부터 출력되는 출력 값을 수온 예측 일자의 수온 데이터로 제공하게 된다.
이상에서 살펴본 바와 같이, 본 발명의 일 실시예에 따른 수온예측장치(10)의 구성에 따르면, 과거의 시계열 수온 데이터를 학습한 예측 모델에 대해 수온 예측이 필요한 수온 예측 일자와 이웃한 과거 일정 기간 동안의 수온 데이터를 입력 데이터 셋으로 입력하여 그에 따라 예측 모델로부터 출력되는 출력 값을 수온 예측 일자의 수온 데이터로서 제공할 수 있으므로, 이를 통해 이상 고수온 현상에 대한 사전 예측을 가능하게 하여 이상 고수온 현상으로 인한 피해 상황을 최소화할 수 있다.
이하에서는 도 5를 참조하여 본 발명의 일 실시예에 따른 수온예측장치(10)의 동작 방법에 대한 설명을 이어 가기로 한다.
도 5는 본 발명의 일 실시예에 따른 수온예측장치(10)의 동작 방법을 설명하기 위한 순서도이다.
먼저, 생성부(11)는 데이터 베이스(20)에 기 저장된 과거 일자의 시계열 수온 데이터를 기초로 수온 예측을 위한 예측 모델을 생성한다(S10).
이때, 생성부(11)는 딥 러닝 모델 중 하나인 순환 신경망(RNN, Recurrent Neural Networks) 모델 적용에 따라 시간의 흐름에 따라 변화하는 과거 일정 기간(예; 3650) 동안의 수온 데이터를 훈련 데이터로서 학습하는 방식을 통해서 예측 모델을 생성할 수 있다.
참고로, 이러한, 예측 모델은 내일 혹은 며칠 후의 수온 데이터를 예측하기 위한 목적으로 앞서 예시한, 도 3에 도시된 바와 같이, 임의의 일자 n일로부터 과거 연속된 q일(30일) 동안의 수온 데이터 [tn-q+1, tn-q+ 2, ... tn]를 입력 데이터 셋으로 입력으로 하고, 이에 대한 출력을 tn + 1으로 설정하는 과정의 반복(30만번)을 통해서 생성될 수 있다.
이에, 본 발명의 예측 모델에서는, 앞서 예시한 도 4에 도시한 바와 같이 [t-29, t- 28, ..., t0]을 입력 데이터 셋으로 입력하는 경우, 내일 자의 수온(t_1)을 출력으로 얻을 수 있고, [t-28, t- 27, ..., t0, t1]을 입력으로 넣으면 2일 후의 수온(t2)을 출력으로 얻을 수 있으며, 이 과정을 반복하면 m일 후의 수온을 예측할 수 있다.
나아가, 결정부(12)는 예측 모델이 생성되는 경우, 예측 모델을 통해 예측하고자 하는 수온 예측 일자를 기준으로 상기 예측 모델에 입력하기 위한 입력 데이터 셋을 결정한다(S30-S50).
이때, 결정부(12)는 위에서 잠시 언급한 바와 같이, 수온 예측 일자와 이웃한 과거 일정 기간 동안의 수온 데이터를 입력 데이터 셋으로 결정할 수 있다.
이를 위해, 결정부(12)는 단계 S30 및 S40을 통해 시계열 수온 데이터가 마지막으로 저장된 최종 일자와 수온 예측 일자 사이에 간극이 존재하는지 여부를 확인하여, 간극이 존재하는 경우, 예측 모델을 통해 최종 일자와 수온 예측 일자 사이의 각 일자 별 수온 데이터를 순차적으로 예측하여 상기 입력 데이터 셋에 포함시킬 수 있다.
여기서, 시계열 수온 데이터가 마지막으로 저장된 최종 일자와 수온 예측 일자 사이에 간극이 존재한다는 것은, 시계열 수온 데이터가 마지막으로 저장된 최종 일자로부터 최소 2일 후의 수온 데이터에 대한 예측이 필요한 상황으로 이해될 수 있다.
즉, 결정부(12)는 시계열 수온 데이터가 마지막으로 저장된 최종 일자와 수온 예측 일자 사이에 간극이 존재하는 최종 일자와 이웃한 다음 일자인 제1 일자에 대한 수온 데이터를 예측하여, 제1 일자에 대해 예측된 수온 데이터를 상기 제1 일자와 이웃한 다음 일자인 제2 일자의 수온 데이터를 예측하기 위한 데이터 셋에 포함시킬 수 있는 것이다.
정리 하자면, 위 과정은, 앞서 도 4를 참조하여 설명한 [t-29, t- 28, ..., t0]을 입력 데이터 셋으로 입력하는 경우, 내일 자의 수온(t_1)을 출력으로 얻을 수 있고, [t-28, t- 27, ..., t0, t1]을 입력으로 넣으면 2일 후의 수온(t2)을 출력으로 얻을 수 있으며, 이 과정을 반복하면 m일 후의 수온을 예측할 수 있는 상황으로 이해될 수 있다.
이후, 제공부(13)는 입력 데이터 셋이 결정되면, 결정된 입력 데이터 셋을 예측 모델에 입력하고, 그에 따라 예측 모델로부터 출력되는 출력 값을 수온 예측 일자의 수온 데이터로 제공한다(S60-S70).
이상에서 살펴본 바와 같이, 본 발명이 일 실시예에 따른 수온예측장치(10)의 동작 방법에 따르면, 과거의 시계열 수온 데이터를 학습한 예측 모델에 대해 수온 예측이 필요한 수온 예측 일자와 이웃한 과거 일정 기간 동안의 수온 데이터를 입력 데이터 셋으로 입력하여 그에 따라 예측 모델로부터 출력되는 출력 값을 수온 예측 일자의 수온 데이터로서 제공할 수 있으므로, 이를 통해 이상 고수온 현상에 대한 사전 예측을 가능하게 하여 이상 고수온 현상으로 인한 피해 상황을 최소화할 수 있다.
한편, 본 명세서에서 설명하는 기능적인 동작과 주제의 구현물들은 디지털 전자 회로로 구현되거나, 본 명세서에서 개시하는 구조 및 그 구조적인 등가물들을 포함하는 컴퓨터 소프트웨어, 펌웨어 혹은 하드웨어로 구현되거나, 이들 중 하나 이상의 결합으로 구현 가능하다. 본 명세서에서 설명하는 주제의 구현물들은 하나 이상의 컴퓨터 프로그램 제품, 다시 말해 처리 시스템의 동작을 처리하기 위하여 혹은 이것에 의한 실행을 위하여 유형의 프로그램 저장매체 상에 인코딩된 컴퓨터 프로그램 명령에 관한 하나 이상의 모듈로서 구현될 수 있다.
컴퓨터로 판독 가능한 매체는 기계로 판독 가능한 저장 장치, 기계로 판독 가능한 저장 기판, 메모리 장치, 기계로 판독 가능한 전파형 신호에 영향을 미치는 물질의 조성물 혹은 이들 중 하나 이상의 조합일 수 있다.
본 명세서에서 "시스템"이나 "장치"라 함은 예컨대 프로그래머블 프로세서, 컴퓨터 혹은 다중 프로세서나 컴퓨터를 포함하여 데이터를 처리하기 위한 모든 기구, 장치 및 기계를 포괄한다. 처리 시스템은, 하드웨어에 부가하여, 예컨대 프로세서 펌웨어를 구성하는 코드, 프로토콜 스택, 데이터베이스 관리 시스템, 운영 체제 혹은 이들 중 하나 이상의 조합 등 요청 시 컴퓨터 프로그램에 대한 실행 환경을 형성하는 코드를 포함할 수 있다.
컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 애플리케이션, 스크립트 혹은 코드로도 알려져 있음)은 컴파일되거나 해석된 언어나 선험적 혹은 절차적 언어를 포함하는 프로그래밍 언어의 어떠한 형태로도 작성될 수 있으며, 독립형 프로그램이나 모듈, 컴포넌트, 서브루틴 혹은 컴퓨터 환경에서 사용하기에 적합한 다른 유닛을 포함하여 어떠한 형태로도 전개될 수 있다. 컴퓨터 프로그램은 파일 시스템의 파일에 반드시 대응하는 것은 아니다. 프로그램은 요청된 프로그램에 제공되는 단일 파일 내에, 혹은 다중의 상호 작용하는 파일(예컨대, 하나 이상의 모듈, 하위 프로그램 혹은 코드의 일부를 저장하는 파일) 내에, 혹은 다른 프로그램이나 데이터를 보유하는 파일의 일부(예컨대, 마크업 언어 문서 내에 저장되는 하나 이상의 스크립트) 내에 저장될 수 있다. 컴퓨터 프로그램은 하나의 사이트에 위치하거나 복수의 사이트에 걸쳐서 분산되어 통신 네트워크에 의해 상호 접속된 다중 컴퓨터나 하나의 컴퓨터 상에서 실행되도록 전개될 수 있다.
한편, 컴퓨터 프로그램 명령어와 데이터를 저장하기에 적합한 컴퓨터로 판독 가능한 매체는, 예컨대 EPROM, EEPROM 및 플래시메모리 장치와 같은 반도체 메모리 장치, 예컨대 내부 하드디스크나 외장형 디스크와 같은 자기 디스크, 자기광학 디스크 및 CD-ROM과 DVD-ROM 디스크를 포함하여 모든 형태의 비휘발성 메모리, 매체 및 메모리 장치를 포함할 수 있다. 프로세서와 메모리는 특수 목적의 논리 회로에 의해 보충되거나, 그것에 통합될 수 있다.
본 명세서에서 설명한 주제의 구현물은 예컨대 데이터 서버와 같은 백엔드 컴포넌트를 포함하거나, 예컨대 애플리케이션 서버와 같은 미들웨어 컴포넌트를 포함하거나, 예컨대 사용자가 본 명세서에서 설명한 주제의 구현물과 상호 작용할 수 있는 웹 브라우저나 그래픽 유저 인터페이스를 갖는 클라이언트 컴퓨터와 같은 프론트엔드 컴포넌트 혹은 그러한 백엔드, 미들웨어 혹은 프론트엔드 컴포넌트의 하나 이상의 모든 조합을 포함하는 연산 시스템에서 구현될 수도 있다. 시스템의 컴포넌트는 예컨대 통신 네트워크와 같은 디지털 데이터 통신의 어떠한 형태나 매체에 의해서도 상호 접속 가능하다.
본 명세서는 다수의 특정한 구현물의 세부사항들을 포함하지만, 이들은 어떠한 발명이나 청구 가능한 것의 범위에 대해서도 제한적인 것으로서 이해되어서는 안되며, 오히려 특정한 발명의 특정한 실시형태에 특유할 수 있는 특징들에 대한 설명으로서 이해되어야 한다. 마찬가지로, 개별적인 실시형태의 문맥에서 본 명세서에 기술된 특정한 특징들은 단일 실시형태에서 조합하여 구현될 수도 있다. 반대로, 단일 실시형태의 문맥에서 기술한 다양한 특징들 역시 개별적으로 혹은 어떠한 적절한 하위 조합으로도 복수의 실시형태에서 구현 가능하다. 나아가, 특징들이 특정한 조합으로 동작하고 초기에 그와 같이 청구된 바와 같이 묘사될 수 있지만, 청구된 조합으로부터의 하나 이상의 특징들은 일부 경우에 그 조합으로부터 배제될 수 있으며, 그 청구된 조합은 하위 조합이나 하위 조합의 변형물로 변경될 수 있다.
또한, 본 명세서에서는 특정한 순서로 도면에서 동작들을 묘사하고 있지만, 이는 바람직한 결과를 얻기 위하여 도시된 그 특정한 순서나 순차적인 순서대로 그러한 동작들을 수행하여야 한다거나 모든 도시된 동작들이 수행되어야 하는 것으로 이해되어서는 안 된다. 특정한 경우, 멀티태스킹과 병렬 프로세싱이 유리할 수 있다. 또한, 상술한 실시형태의 다양한 시스템 컴포넌트의 분리는 그러한 분리를 모든 실시형태에서 요구하는 것으로 이해되어서는 안되며, 설명한 프로그램 컴포넌트와 시스템들은 일반적으로 단일의 소프트웨어 제품으로 함께 통합되거나 다중 소프트웨어 제품에 패키징될 수 있다는 점을 이해하여야 한다
이와 같이, 본 명세서는 그 제시된 구체적인 용어에 본 발명을 제한하려는 의도가 아니다. 따라서, 상술한 예를 참조하여 본 발명을 상세하게 설명하였지만, 당업자라면 본 발명의 범위를 벗어나지 않으면서도 본 예들에 대한 개조, 변경 및 변형을 가할 수 있다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
본 발명에 따른 수온예측장치 및 그 동작 방법에 따르면, 기 저장된 시계열 수온 데이터를 이용하여 수온을 사전 예측할 수 있다는 점에서, 기존 기술의 한계를 뛰어 넘음에 따라 관련 기술에 대한 이용만이 아닌 적용되는 장치의 시판 또는 영업의 가능성이 충분할 뿐만 아니라 현실적으로 명백하게 실시할 수 있는 정도이므로 산업상 이용가능성이 있는 발명이다.
10: 수온예측장치
11: 생성부 12: 결정부
13: 제공부
20: 데이터 베이스

Claims (8)

  1. 기 저장된 시계열 수온 데이터를 기초로 수온 예측을 위한 예측 모델을 생성하는 생성부;
    상기 예측 모델을 통해 예측하고자 하는 수온 예측 일자를 기준으로 상기 예측 모델에 입력하기 위한 입력 데이터 셋을 결정하는 결정부; 및
    상기 입력 데이터 셋의 입력에 따라 상기 예측 모델로부터 출력되는 출력 값을 상기 수온 예측 일자의 수온 데이터로 제공하는 제공부를 포함하는 것을 특징으로 하는 수온예측장치.
  2. 제 1 항에 있어서,
    상기 결정부는,
    상기 수온 예측 일자와 이웃한 과거 일정 기간 동안의 수온 데이터를 상기 입력 데이터 셋으로 결정하는 것을 특징으로 하는 수온예측장치.
  3. 제 2 항에 있어서,
    상기 결정부는,
    상기 시계열 수온 데이터가 마지막으로 저장된 최종 일자와 상기 수온 예측 일자 사이에 간극이 존재하는 경우, 상기 예측 모델을 통해 상기 최종 일자와 상기 수온 예측 일자 사이의 각 일자 별 수온 데이터를 순차적으로 예측하여 상기 입력 데이터 셋에 포함시키는 것을 특징으로 하는 수온예측장치.
  4. 제 3 항에 있어서,
    상기 결정부는,
    상기 최종 일자와 이웃한 다음 일자인 제1 일자에 대한 수온 데이터를 예측하여, 상기 제1 일자에 대해 예측된 수온 데이터를 상기 제1 일자와 이웃한 다음 일자인 제2 일자의 수온 데이터를 예측하기 위한 데이터 셋에 포함시키는 것을 특징으로 하는 수온예측장치.
  5. 기 저장된 시계열 수온 데이터를 기초로 수온 예측을 위한 예측 모델을 생성하는 생성단계;
    상기 예측 모델을 통해 예측하고자 하는 수온 예측 일자를 기준으로 상기 예측 모델에 입력하기 위한 입력 데이터 셋을 결정하는 결정단계; 및
    상기 입력 데이터 셋의 입력에 따라 상기 예측 모델로부터 출력되는 출력 값을 상기 수온 예측 일자의 수온 데이터로 제공하는 제공단계를 포함하는 것을 특징으로 하는 수온예측장치의 동작 방법.
  6. 제 5 항에 있어서,
    상기 결정단계는,
    상기 수온 예측 일자와 이웃한 과거 일정 기간 동안의 수온 데이터를 상기 입력 데이터 셋으로 결정하는 것을 특징으로 하는 수온예측장치의 동작 방법.
  7. 제 6 항에 있어서,
    상기 결정단계는,
    상기 시계열 수온 데이터가 마지막으로 저장된 최종 일자와 상기 수온 예측 일자 사이에 간극이 존재하는 경우, 상기 예측 모델을 통해 상기 최종 일자와 상기 수온 예측 일자 사이의 각 일자 별 수온 데이터를 순차적으로 예측하여 상기 입력 데이터 셋에 포함시키는 것을 특징으로 하는 수온예측장치의 동작 방법.
  8. 제 7 항에 있어서,
    상기 결정단계는,
    상기 최종 일자와 이웃한 다음 일자인 제1 일자에 대한 수온 데이터를 예측하여, 상기 제1 일자에 대해 예측된 수온 데이터를 상기 제1 일자와 이웃한 다음 일자인 제2 일자의 수온 데이터를 예측하기 위한 데이터 셋에 포함시키는 것을 특징으로 하는 수온예측장치의 동작 방법.
KR1020190157404A 2019-11-29 2019-11-29 수온예측장치 및 그 동작 방법 KR102266744B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190157404A KR102266744B1 (ko) 2019-11-29 2019-11-29 수온예측장치 및 그 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190157404A KR102266744B1 (ko) 2019-11-29 2019-11-29 수온예측장치 및 그 동작 방법

Publications (2)

Publication Number Publication Date
KR20210067601A true KR20210067601A (ko) 2021-06-08
KR102266744B1 KR102266744B1 (ko) 2021-06-17

Family

ID=76399858

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190157404A KR102266744B1 (ko) 2019-11-29 2019-11-29 수온예측장치 및 그 동작 방법

Country Status (1)

Country Link
KR (1) KR102266744B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102638857B1 (ko) * 2023-10-31 2024-02-21 (주)유에스티21 인공위성 기반 해수면 온도 합성장 생산 및 오픈 api 기반 예측서비스 제공시스템 및 그 방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020044358A (ko) * 2000-12-05 2002-06-15 이계안 엔진전자제어장치의 수온신호 처리방법
KR20070089896A (ko) * 2007-06-27 2007-09-04 강용균 실시간 해양내부수온 예측
KR20140047980A (ko) * 2012-10-15 2014-04-23 한국해양과학기술원 해양정보 융복합 연구 지원 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020044358A (ko) * 2000-12-05 2002-06-15 이계안 엔진전자제어장치의 수온신호 처리방법
KR20070089896A (ko) * 2007-06-27 2007-09-04 강용균 실시간 해양내부수온 예측
KR20140047980A (ko) * 2012-10-15 2014-04-23 한국해양과학기술원 해양정보 융복합 연구 지원 시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102638857B1 (ko) * 2023-10-31 2024-02-21 (주)유에스티21 인공위성 기반 해수면 온도 합성장 생산 및 오픈 api 기반 예측서비스 제공시스템 및 그 방법

Also Published As

Publication number Publication date
KR102266744B1 (ko) 2021-06-17

Similar Documents

Publication Publication Date Title
US11568250B2 (en) Training neural networks using a prioritized experience memory
US10789544B2 (en) Batching inputs to a machine learning model
AU2016354558A1 (en) Asynchronous deep reinforcement learning
US10437718B1 (en) Computerized methods for prefetching data based on machine learned sequences of memory addresses
US11941451B2 (en) Orchestration of containerized applications
WO2014051912A1 (en) Techniques for context-based grouping of messages for translation
US10644982B2 (en) Real-time data analytics for streaming data
WO2018211141A1 (en) Imagination-based agent neural networks
US20180129968A1 (en) Update of attenuation coefficient for a model corresponding to time-series input data
CN115066694A (zh) 计算图优化
KR102266744B1 (ko) 수온예측장치 및 그 동작 방법
US9946712B2 (en) Techniques for user identification of and translation of media
US20180197080A1 (en) Learning apparatus and method for bidirectional learning of predictive model based on data sequence
US11429436B2 (en) Method, device and computer program product for determining execution progress of task
WO2020178843A1 (en) System and method for managing resources
CN113076224A (zh) 数据备份方法、数据备份系统、电子设备及可读存储介质
US20200320404A1 (en) Construction of a machine learning model
US20220188383A1 (en) Horizon-based smoothing of forecasting model
CA3156968A1 (en) Depth-parallel training of neural networks
US20220237464A1 (en) Method, electronic device, and computer program product for training and deploying neural network
Ursini et al. n-Steps ahead software reliability prediction using the Kalman filter
US20230386342A1 (en) Computing platform for vehicle data collection and analysis
Clark et al. Probabilistic simulations and predictions of hydrological processes over North America
Abdujabbar et al. Experimental Results of Econometric Modeling of Economic Processes
WO2019244168A1 (en) Systems and methods for forecasting weather by using data analytics and machine learning

Legal Events

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