KR20210104209A - Forecast method of Major Solar X-ray Flare Flux Profiles Using a Novel Deep Learning Method - Google Patents

Forecast method of Major Solar X-ray Flare Flux Profiles Using a Novel Deep Learning Method Download PDF

Info

Publication number
KR20210104209A
KR20210104209A KR1020200018320A KR20200018320A KR20210104209A KR 20210104209 A KR20210104209 A KR 20210104209A KR 1020200018320 A KR1020200018320 A KR 1020200018320A KR 20200018320 A KR20200018320 A KR 20200018320A KR 20210104209 A KR20210104209 A KR 20210104209A
Authority
KR
South Korea
Prior art keywords
flux
lstm
output
layer
encoder
Prior art date
Application number
KR1020200018320A
Other languages
Korean (ko)
Other versions
KR102378281B1 (en
Inventor
문용재
이강우
Original Assignee
경희대학교 산학협력단
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 경희대학교 산학협력단 filed Critical 경희대학교 산학협력단
Priority to KR1020200018320A priority Critical patent/KR102378281B1/en
Publication of KR20210104209A publication Critical patent/KR20210104209A/en
Application granted granted Critical
Publication of KR102378281B1 publication Critical patent/KR102378281B1/en

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
    • G01W1/18—Testing or calibrating meteorological apparatus
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Environmental Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Atmospheric Sciences (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Biophysics (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Photovoltaic Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

A prediction system for performing a method of predicting a solar X-ray flare flux profile using a deep learning technique according to the present invention is provided. The prediction system includes an encoder and a decoder. The encoder takes the solar X-ray flare flux every minute as input to produce the output of an LSTM layer, and produces embedded information that is configured by passing the output of the LSTM layer to a fully-connected layer. The decoder is configured to perform an X-ray flare flux prediction process that predicts solar X-ray flare flux using information from the encoder.

Description

딥러닝 기법을 이용한 태양 X-ray 플레어 플럭스 프로파일의 예측 방법{Forecast method of Major Solar X-ray Flare Flux Profiles Using a Novel Deep Learning Method}Prediction method of Major Solar X-ray Flare Flux Profiles Using a Novel Deep Learning Method

본 발명은 딥러닝 기법을 이용한 태양 X-ray 플레어 플럭스 프로파일의 예측 방법에 관한 것이다. 보다 상세하게는, GOES 관측 데이터를 이용한 딥러닝 기반 태양 주요 플레어 X선 플럭스 예보 모델에 대한 것이다.The present invention relates to a method of predicting a solar X-ray flare flux profile using a deep learning technique. More specifically, it is about a deep learning-based solar major flare X-ray flux forecasting model using GOES observation data.

기존의 플레어 발생 모델들은 방법과 예보 기간의 차이점은 있을지언정, 모두 플레어 발생 확률을 예보하는 데 집중되어 있었다. Existing flare generation models were all focused on predicting the flare occurrence probability, although there were differences in methods and forecasting periods.

이러한 예보 모델들은 예보 기간의 플레어 발생에 대비하기 위한 대략적인 기준으로 활용할 수는 있으나, 실시간으로 지구에 영향을 끼치는 플레어의 구체적인 성질은 예측하는 데는 사용할 수 없다. 실제 플레어 재난 경보 발생 시 중요하게 여겨지는 것은 플레어의 최고 X선 플럭스, 최고 X선 플럭스 도달 시간, 종료 시각이다. 기존의 플레어 발생 확률 예보 모델만으로는 이러한 플레어의 주요 특성들을 예측할 수 없었다.These forecasting models can be used as rough standards for preparing for flare occurrences in the forecast period, but cannot be used to predict the specific properties of flares that affect the Earth in real time. In the event of an actual flare disaster alert, what is important is the flare's peak X-ray flux, peak X-ray flux arrival time, and end time. The existing flare occurrence probability prediction model alone could not predict the main characteristics of these flares.

한국등록특허 1020477550000 (2019.11.18)Korean Patent 1020477550000 (2019.11.18) 한국등록특허 1020094600000 (2019.08.05)Korea Registered Patent 1020094600000 (2019.08.05) 한국등록특허 1020094640000 (2019.08.05)Korean Patent 1020094640000 (2019.08.05)

따라서, 본 발명의 목적은 전술한 문제를 해결하기 위해, 딥러닝 기법을 이용한 태양 X-ray 플레어 플럭스 프로파일의 예측 방법을 제공함에 있다. Accordingly, an object of the present invention is to provide a method of predicting a solar X-ray flare flux profile using a deep learning technique in order to solve the above-mentioned problem.

또한, 본 발명의 목적은 GOES 관측 데이터를 이용한 딥러닝 기반 태양 주요 플레어 X선 플럭스 예보 모델을 제공함에 있다. In addition, it is an object of the present invention to provide a deep learning-based solar major flare X-ray flux forecasting model using GOES observation data.

또한, 본 발명의 목적은 태양 플레어 발생 시 근 지구 우주 환경에 영향을 미치는 주요 요인 중 하나인 X선 플럭스의 변화를 예보하는 데에 있다.Another object of the present invention is to predict a change in X-ray flux, which is one of the main factors affecting the near-earth space environment when a solar flare occurs.

또한, 본 발명의 목적은 X선 플럭스의 변화를 예보함으로써 경제적·상업적 피해를 최소화하는 데에 있다.In addition, an object of the present invention is to minimize economic and commercial damage by predicting changes in X-ray flux.

상기와 같은 과제를 해결하기 위한 본 발명에 따른 딥러닝 기법을 이용한 태양 X-ray 플레어 플럭스 프로파일의 예측 방법을 수행하는 예측 시스템이 제공된다. 상기 예측 시스템은 매 분 단위의 태양 X-ray 플레어 플럭스를 입력으로 LSTM 레이어의 출력을 생성하고, 상기 LSTM 레이어의 출력을 완전히 연결된 레이어(fully-connected layer)로 전달하여 구성된 임베디드된 정보를 생성하도록 구성된 인코더; 및 기 인코더에서의 정보를 사용하여 태양 X-ray 플레어 플럭스를 예측하는 X-ray 플레어 플럭스 예측 과정을 수행하도록 구성된 디코더를 포함할 수 있다. To solve the above problems, there is provided a prediction system for performing a method of predicting a solar X-ray flare flux profile using a deep learning technique according to the present invention. The prediction system generates the output of the LSTM layer by receiving the solar X-ray flare flux in units of every minute as an input, and passes the output of the LSTM layer to a fully-connected layer to generate the constructed embedded information. configured encoder; and a decoder configured to perform an X-ray flare flux prediction process of predicting solar X-ray flare flux using information from the encoder.

일 실시 예에 따르면, 상기 인코더는 상기 LSTM 레이어의 출력을 생성하도록 구성된 복수의 LSTM 레이어; 및 기 복수의 LSTM 레이어 중 최종 LSTM 레이어의 각각의 출력이 각각의 입력과 연결되도록 구성된 완전히 연결된 레이어(fully-connected layer)를 포함할 수 있다. According to an embodiment, the encoder comprises: a plurality of LSTM layers configured to generate an output of the LSTM layer; and a fully-connected layer configured such that each output of the final LSTM layer among the plurality of LSTM layers is connected to each input.

일 실시 예에 따르면, 상기 인코더는 상기 완전히 연결된 레이어의 출력으로부터 상기 임베디드된 정보를 출력하고, 상기 임베디드된 정보를 상기 디코더의 입력으로 전달하도록 구성될 수 있다.According to an embodiment, the encoder may be configured to output the embedded information from an output of the fully connected layer and pass the embedded information to an input of the decoder.

일 실시 예에 따르면, 상기 디코더는 상기 LSTM 레이어의 출력을 생성하도록 구성된 복수의 LSTM 레이어; 및 상기 복수의 LSTM 레이어 중 최종 LSTM 레이어의 각각의 출력이 각각의 입력과 연결되도록 구성된 완전히 연결된 레이어(fully-connected layer)를 포함할 수 있다. According to an embodiment, the decoder comprises: a plurality of LSTM layers configured to generate an output of the LSTM layer; and a fully-connected layer configured such that each output of a final LSTM layer among the plurality of LSTM layers is connected to each input.

일 실시 예에 따르면, 상기 디코더는 제1 LSTM이 상기 인코더의 제1 LSTM 레이어로부터의 히든 상태 값과 셀 상태값을 수신하고, 제2 LSTM이 상기 인코더의 제2 LSTM 레이어로부터의 히든 상태 값과 셀 상태값을 수신할 수 있다.According to an embodiment, in the decoder, the first LSTM receives the hidden state value and the cell state value from the first LSTM layer of the encoder, and the second LSTM receives the hidden state value and the hidden state value from the second LSTM layer of the encoder. A cell state value may be received.

일 실시 예에 따르면, 상기 디코더는 상기 인코더의 제2 LSTM 레이어로부터의 히든 상태 값과 셀 상태값과 상기 임베디드된 정보를 이용하여 상기 디코더의 LSTM 레이어로 상기 태양 X-ray 플레어 플럭스의 예측 값과 연관된 정보를 전달하도록 구성된 attention 레이어를 더 포함할 수 있다.According to an embodiment, the decoder uses the hidden state value and the cell state value from the second LSTM layer of the encoder and the embedded information to the LSTM layer of the decoder. The predicted value of the solar X-ray flare flux and It may further include an attention layer configured to convey the associated information.

일 실시 예에 따르면, 상기 디코더는 복수의 디코딩 블록으로 구성되고, 상기 완전히 연결된 레이어의 출력으로부터 상기 태양 X-ray 플레어 플럭스의 예측 값을 상기 복수의 디코딩 블록 별로 출력하고, 상기 출력된 예측 값은 상기 복수의 디코딩 블록 중 인접한 디코딩 블록의 입력으로 피드백되도록 구성될 수 있다.According to an embodiment, the decoder consists of a plurality of decoding blocks, and outputs the predicted value of the solar X-ray flare flux from the output of the fully connected layer for each of the plurality of decoding blocks, and the output prediction value is It may be configured to be fed back as an input of an adjacent decoding block among the plurality of decoding blocks.

본 발명의 다른 양상에 따른 딥러닝 기법을 이용한 태양 X-ray 플레어 플럭스 프로파일의 예측 방법이 제공된다. 상기 예측 방법은 인코더와 디코더를 포함하는 예측 시스템에 의해 수행되고, 인코더가 매 분 단위의 태양 X-ray 플레어 플럭스를 입력으로 LSTM 레이어의 출력을 생성하는 LSTM 레이어 출력 생성 과정; 상기 인코더가 상기 LSTM 레이어의 출력을 완전히 연결된 레이어(fully-connected layer)로 전달하여 구성된 임베디드된 정보를 생성하는 임베디드 정보 생성 과정; 및 디코더가 상기 인코더에서의 정보를 사용하여 태양 X-ray 플레어 플럭스를 예측하는 X-ray 플레어 플럭스 예측 과정을 포함할 수 있다. A method of predicting a solar X-ray flare flux profile using a deep learning technique according to another aspect of the present invention is provided. The prediction method includes an LSTM layer output generation process performed by a prediction system including an encoder and a decoder, wherein the encoder generates an output of the LSTM layer by inputting a solar X-ray flare flux every minute; an embedded information generation process in which the encoder transmits the output of the LSTM layer to a fully-connected layer to generate the configured embedded information; and an X-ray flare flux prediction process in which a decoder predicts a solar X-ray flare flux using information from the encoder.

일 실시 예에 따르면, 상기 인코더는 상기 LSTM 레이어의 출력을 생성하도록 구성된 복수의 LSTM 레이어; 및 상기 복수의 LSTM 레이어 중 최종 LSTM 레이어의 각각의 출력이 각각의 입력과 연결되도록 구성된 완전히 연결된 레이어(fully-connected layer)를 포함할 수 있다.According to an embodiment, the encoder comprises: a plurality of LSTM layers configured to generate an output of the LSTM layer; and a fully-connected layer configured such that each output of a final LSTM layer among the plurality of LSTM layers is connected to each input.

일 실시 예에 따르면, 상기 임베디드 정보 생성 과정 이후, 상기 인코더는 상기 완전히 연결된 레이어의 출력으로부터 상기 임베디드된 정보를 출력하고, 상기 임베디드된 정보를 상기 디코더의 입력으로 전달하는 과정이 더 수행될 수 있다.According to an embodiment, after the process of generating the embedded information, the encoder outputs the embedded information from the output of the fully connected layer, and a process of transferring the embedded information to the input of the decoder may be further performed. .

일 실시 예에 따르면, 상기 디코더는 상기 LSTM 레이어의 출력을 생성하도록 구성된 복수의 LSTM 레이어; 및 상기 복수의 LSTM 레이어 중 최종 LSTM 레이어의 각각의 출력이 각각의 입력과 연결되도록 구성된 완전히 연결된 레이어(fully-connected layer)를 포함할 수 있다.According to an embodiment, the decoder comprises: a plurality of LSTM layers configured to generate an output of the LSTM layer; and a fully-connected layer configured such that each output of a final LSTM layer among the plurality of LSTM layers is connected to each input.

일 실시 예에 따르면, 상기 X-ray 플레어 플럭스 예측 과정에서, 상기 디코더는 제1 LSTM이 상기 인코더의 제1 LSTM 레이어로부터의 히든 상태 값과 셀 상태값을 수신하고, 제2 LSTM이 상기 인코더의 제2 LSTM 레이어로부터의 히든 상태 값과 셀 상태값을 수신할 수 있다.According to an embodiment, in the X-ray flare flux prediction process, in the decoder, a first LSTM receives a hidden state value and a cell state value from a first LSTM layer of the encoder, and a second LSTM of the encoder A hidden state value and a cell state value from the second LSTM layer may be received.

일 실시 예에 따르면, 상기 디코더는 attention 레이어를 더 포함하고, 상기 X-ray 플레어 플럭스 예측 과정에서, 상기 인코더의 제2 LSTM 레이어로부터의 히든 상태 값과 셀 상태값과 상기 임베디드된 정보를 이용하여 상기 디코더의 LSTM 레이어로 상기 태양 X-ray 플레어 플럭스의 예측 값과 연관된 정보를 전달하는 과정을 수행할 수 있다.According to an embodiment, the decoder further includes an attention layer, and in the X-ray flare flux prediction process, a hidden state value and a cell state value from the second LSTM layer of the encoder and the embedded information are used to A process of transferring information related to the predicted value of the solar X-ray flare flux to the LSTM layer of the decoder may be performed.

일 실시 예에 따르면, 상기 디코더는 복수의 디코딩 블록으로 구성되고, 상기 X-ray 플레어 플럭스 예측 과정에서, 상기 완전히 연결된 레이어의 출력으로부터 상기 태양 X-ray 플레어 플럭스의 예측 값을 상기 복수의 디코딩 블록별로 출력하고, 상기 출력된 예측 값은 상기 복수의 디코딩 블록 중 인접한 디코딩 블록의 입력으로 피드백하는 과정을 수행할 수 있다.According to an embodiment, the decoder consists of a plurality of decoding blocks, and in the X-ray flare flux prediction process, the predicted value of the solar X-ray flare flux from the output of the fully connected layer is calculated from the plurality of decoding blocks. It is possible to perform a process of outputting each, and feeding back the output prediction value as an input of an adjacent decoding block among the plurality of decoding blocks.

본 발명의 또 다른 양상에 따른 딥러닝 기법을 이용한 태양 X-ray 플레어 플럭스 프로파일의 예측 방법을 수행하는 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체가 제공된다. 상기 프로그램은 인코더가 매 분 단위의 태양 X-ray 플레어 플럭스를 입력으로 LSTM 레이어의 출력을 생성하는 LSTM 레이어 출력 생성 과정; 상기 인코더가 상기 LSTM 레이어의 출력을 완전히 연결된 레이어(fully-connected layer)로 전달하여 구성된 임베디드된 정보를 생성하는 임베디드 정보 생성 과정; 및 디코더가 상기 인코더에서의 정보를 사용하여 태양 X-ray 플레어 플럭스를 예측하는 X-ray 플레어 플럭스 예측 과정을 수행하도록 구성될 수 있다.There is provided a computer-readable recording medium recording a program for performing a method of predicting a solar X-ray flare flux profile using a deep learning technique according to another aspect of the present invention. The program includes: an LSTM layer output generation process in which the encoder generates an output of the LSTM layer by inputting solar X-ray flare flux in units of every minute; an embedded information generation process in which the encoder transmits the output of the LSTM layer to a fully-connected layer to generate the configured embedded information; and the decoder may be configured to perform an X-ray flare flux prediction process of predicting solar X-ray flare flux using the information in the encoder.

본 발명에 따르면, 플레어 재난 경보 발생 시 고려되어야 할 주요 특성들을 예보하기 위하여 본 모델은 과거의 X선 플럭스 데이터를 입력받아 미래의 X선 플럭스 데이터를 분 단위로 예보할 수 있다.According to the present invention, in order to predict main characteristics to be considered when a flare disaster warning occurs, the present model can receive past X-ray flux data and predict future X-ray flux data in minutes.

본 발명에 따르면, 이러한 X선 플럭스의 시계열적 예보를 통하여 사용자들은 현재 발생한 플레어의 상기한 주요 특성들을 예측할 수 있다. According to the present invention, users can predict the above-mentioned main characteristics of the currently occurring flare through the time-series forecast of the X-ray flux.

본 발명에 따르면, 예측 모델은 딥러닝 기법을 기반으로 제작되었으며, 그 구조는 구글 번역에서 사용되는 딥러닝 모델의 구조와 유사하다. 기존의 회귀 예측 알고리즘을 기반으로 한 모델들과 다른 딥러닝 기법을 기반으로 한 모델들과의 비교 검증 결과, 본 모델의 성능이 가장 우수함을 확인할 수 있다.According to the present invention, the predictive model is produced based on the deep learning technique, and its structure is similar to that of the deep learning model used in Google Translate. As a result of comparative verification between models based on the existing regression prediction algorithm and models based on other deep learning techniques, it can be confirmed that the performance of this model is the best.

한편, 현재 전 세계적으로 플레어 발생 시 X선 플럭스를 예측하는 모델은 존재하지 않는다. 본 발명에 따른 예측 모델은 어떠한 데이터 전처리 과정도 필요치 않기에 사용을 원하는 이 누구나 쉽게 접근할 수 있다. X선 관측데이터는 거의 실시간으로 제공되며, 플레어는 알고리즘 적으로 그 발생이 정의되기에 플레어 발생과 동시에 자동으로 본 모델이 예보를 시작할 수 있다. On the other hand, there is currently no model that predicts the X-ray flux when a flare occurs worldwide. Since the predictive model according to the present invention does not require any data pre-processing, anyone who wants to use it can easily access it. X-ray observation data is provided in near real time, and since flares are algorithmically defined, the model can automatically start forecasting at the same time as flares occur.

본 발명에 따르면, 우주기상 예보를 운영하는 기관에서 플레어 재난 발생 시 그 대응 강도와 재난 대응 기간을 예측하는데 사용할 수 있다.According to the present invention, when a flare disaster occurs in an organization operating a space weather forecast, it can be used to predict the response intensity and the disaster response period.

플레어는 태양 활동 중 지구에 가장 빠르게 도달하는 활동이며 다른 태양 활동과 밀접한 관련이 있다. 본 발명에 따르면, 플레어 재난의 특성을 빠르게 예보함으로써 라디오 통신 방해, 위성 오작동 등의 경제적·상업적 피해를 최소화할 수 있고 다른 태양 활동의 예보에도 도움을 줄 수 있다. Flares are the fastest solar activity that reaches Earth and are closely related to other solar activity. According to the present invention, by rapidly predicting the characteristics of a flare disaster, economic and commercial damage such as radio communication interference and satellite malfunction can be minimized, and it can also help forecast other solar activities.

인간 문명의 범위가 우주로까지 확장됨으로써 태양으로부터 받는 영향의 정도가 점점 늘어나고 있으며 그에 따른 피해 또한 늘어나고 있는 상황이다. 본 발명에 따르면, 우주기상에 대한 관심과 투자가 늘어나고 있으며 앞으로 연구하고 개발해야 할 것들이 많이 있으므로 우주기상에 관련된 사업화가 진행될 것으로 여겨진다. As the scope of human civilization is extended to the universe, the degree of influence from the sun is increasing, and the damage is also increasing. According to the present invention, interest and investment in space meteorology are increasing, and since there are many things to be researched and developed in the future, it is considered that commercialization related to space meteorology will proceed.

상술한 본 발명의 특징 및 효과는 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해 질 것이며, 그에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.The features and effects of the present invention described above will become more apparent through the following detailed description in relation to the accompanying drawings, and accordingly, those of ordinary skill in the art to which the present invention pertains can easily implement the technical idea of the present invention. will be able

도 1은 본 발명에 따른 예측 모델의 전체 아키텍처를 나타낸다.
도 2는 본 발명에 따른 예측 모델의 예측 결과를 나타낸다.
도 3은 도 2(a)에 표시된 X5 등급 플레어에 대한 플레어 시작 후 5분 후부터 피크 시간까지의 예측을 나타낸다.
도 4는 본 발명에 따른 플레어 지속 시간의 예측과 관찰 사이의 관계를 나타낸다.
도 5는 본 발명에 따른 딥러닝 기법을 이용한 태양 X-ray 플레어 플럭스 프로파일의 예측 방법의 흐름도를 나타낸다.1 shows the overall architecture of a predictive model according to the present invention.
2 shows a prediction result of a prediction model according to the present invention.
Figure 3 shows the prediction from 5 minutes after the flare onset to the peak time for the X5 class flare shown in Figure 2(a).
4 shows the relationship between the prediction and observation of a flare duration according to the present invention.
5 shows a flowchart of a method for predicting a solar X-ray flare flux profile using a deep learning technique according to the present invention.

상술한 본 발명의 특징 및 효과는 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해 질 것이며, 그에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다. The features and effects of the present invention described above will become more apparent through the following detailed description in relation to the accompanying drawings, and accordingly, those of ordinary skill in the art to which the present invention pertains can easily implement the technical idea of the present invention. will be able

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 구체적으로 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.Since the present invention can have various changes and can have various embodiments, specific embodiments are illustrated in the drawings and described in detail in the detailed description. However, this is not intended to limit the present invention to a specific embodiment, it should be understood to include all modifications, equivalents and substitutes included in the spirit and scope of the present invention.

각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용한다.In describing each figure, like reference numerals are used for like elements.

제1, 제2등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.Terms such as first, second, etc. may be used to describe various elements, but the elements should not be limited by the terms. The above terms are used only for the purpose of distinguishing one component from another.

예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.For example, without departing from the scope of the present invention, a first component may be referred to as a second component, and similarly, a second component may also be referred to as a first component. and/or includes a combination of a plurality of related listed items or any of a plurality of related listed items.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미가 있다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which this invention belongs.

일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않아야 한다.Terms such as those defined in a commonly used dictionary should be interpreted as having a meaning consistent with the meaning in the context of the related art, and should not be interpreted in an ideal or excessively formal meaning unless explicitly defined in the present application. shouldn't

이하의 설명에서 사용되는 구성요소에 대한 접미사 모듈, 블록 및 부는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. The suffix module, block, and part for the components used in the following description are given or mixed in consideration of only the ease of writing the specification, and do not have distinct meanings or roles by themselves.

이하, 본 발명의 바람직한 실시 예를 첨부한 도면을 참조하여 당해 분야에 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 설명한다. 하기에서 본 발명의 실시 예를 설명함에 있어, 관련된 공지의 기능 또는 공지의 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다. Hereinafter, a preferred embodiment of the present invention will be described with reference to the accompanying drawings so that a person skilled in the art can easily implement it. In the following description of embodiments of the present invention, if it is determined that a detailed description of a related known function or a known configuration may unnecessarily obscure the gist of the present invention, the detailed description thereof will be omitted.

이하에서는, 본 발명에 따른 딥러닝 기법을 이용한 태양 X-ray 플레어 플럭스 프로파일의 예측 방법 및 이를 수행하는 시스템에 대해 설명한다.Hereinafter, a method for predicting a solar X-ray flare flux profile using a deep learning technique according to the present invention and a system for performing the same will be described.

본 발명을 통해, 1분 케이던스로 주요 태양 광 플럭의 X-레이 플럭스 프로파일을 실시간으로 예측하는 새로운 태양풍 예측 모델을 제시할 수 있다. 본 발명에 따른 새로운 딥 러닝 모델은 Long Short-Term Memory (LSTM)를 사용한 시퀀스-시퀀스 (seq2seq) 모델과 attention 메커니즘을 기반으로 할 수 있다. 이에 따라, 본 발명에 따른 예측 모델을 845개 주요 지구의 정지 작동 환경 위성 (GOES) X-ray 플럭스 프로파일에 적용할 수 있다. 또한, 본 발명에 따른 예측 결과를 회귀 알고리즘 및 다양한 딥 러닝 방법과 비교할 수 있다. 활성 영역 분석을 기반으로 한 이전의 연구와 달리, 본 발명은 데이터에서 특징을 추출하지 않고 과거의 태양 열 연질 X- 레이 플럭스 데이터를 사용할 수 있다.Through the present invention, it is possible to present a new solar wind prediction model that predicts the X-ray flux profile of major solar light fluxes in real time with a 1-minute cadence. A new deep learning model according to the present invention can be based on a sequence-sequence (seq2seq) model using Long Short-Term Memory (LSTM) and an attention mechanism. Accordingly, the predictive model according to the present invention can be applied to the geostationary operating environment satellite (GOES) X-ray flux profiles of 845 major regions. In addition, the prediction results according to the present invention can be compared with a regression algorithm and various deep learning methods. Unlike previous studies based on active area analysis, the present invention can use historical solar thermal soft X-ray flux data without extracting features from the data.

데이터(DATA)DATA

본 발명과 관련하여, GOES는 1-8 Å 및 0.5-4 Å의 두 광대역 채널에서 태양 X 선 플럭스를 관찰할 수 있다. NOAA는 1분 평균 GOES 1-8 Å X- 레이 플럭스를 사용하여 자동으로 태양열을 식별할 수 있다. 플레어는 다음 알고리즘을 사용하여 정의될 수 있다: (1) X-레이 이벤트의 시작 시간은 4 분의 시퀀스에서 최초 1분으로 정의될 수 있다. 0.1-0.8 nm 플럭스의 가파른 단조 증가, (2) 4 분의 시퀀스에서 마지막 1분의 최종 플럭스는 최초 1분의 플럭스보다 40 % 이상 더 높음, (3) X- 레이 이벤트 피크 시간은 피크 X- 레이 플럭스의 분, 그리고 (4) 종료 시간은 플럭스 레벨이 최대 플럭스와 배경 레벨 사이의 중간 지점으로 붕괴되는 시간이다.In the context of the present invention, GOES can observe solar X-ray fluxes in two broadband channels of 1-8 Å and 0.5-4 Å. NOAA can automatically identify solar heat using a 1-minute averaged GOES 1-8 Å X-ray flux. A flare may be defined using the following algorithm: (1) The start time of an X-ray event may be defined as the first 1 minute in a sequence of 4 minutes. a steep monotonic increase of 0.1-0.8 nm flux, (2) the final flux of the last minute in a sequence of 4 minutes is at least 40% higher than the flux of the first minute, and (3) the X-ray event peak time is the peak X- The minutes of the ray flux, and (4) the end time, is the time at which the flux level decays to the midpoint between the maximum flux and the background level.

1998년 8월부터 2006년 5월까지 주요 태양열을 인식하기 위해 알고리즘을 GOES 10, 1분 X선 플럭스 데이터에 적용할 수 있다. 안정적인 태양열 이벤트를 선택하기 위해 간단한 자동 프로세스 및 육안 검사를 통해 다중 피크 이벤트 및 프리 플레어 단계 이벤트를 제거할 수 있다. 결과적으로, 본 발명에서는 845 개의 주요 태양 플레어 이벤트를 선택할 수 있다. The algorithm can be applied to GOES 10, 1-minute X-ray flux data to recognize the main solar heat from August 1998 to May 2006. Multiple peak events and pre-flare phase events can be eliminated through a simple automated process and visual inspection to select stable solar events. Consequently, 845 major solar flare events can be selected in the present invention.

소프트 X-레이 플럭스는 플레어 시작 시간 26 분 전부터 입력에 사용 된 후 3 분 후부터 30 분의 소프트 플럭스가 타겟에 사용될 수 있다. 본 발명에 따른 데이터 세트는 슬라이딩 윈도우 방법을 사용하여 구성될 수 있다. 플레어 시작 시간 후 3 분에서 피크 시간까지 슬라이딩 윈도우 기법을 사용할 수 있다. 플레어 X- 레이 프로파일은 시간에 포지셔닝 분포가 있다는 점에서 플레어 X- 레이 프로파일이 대부분 서로 독립적인 것으로 가정될 수 있다. 따라서, 본 발명에서는 데이터 세트를 훈련 및 테스트 세트로 무작위로 분할할 수 있다. A soft X-ray flux can be used at the input 26 minutes before the flare start time, and then a 30 minute soft flux can be used at the target from 3 minutes after that. A data set according to the present invention can be constructed using a sliding window method. A sliding window technique can be used from 3 minutes after the flare start time to the peak time. The flare X-ray profile can be assumed to be mostly independent of each other in that there is a positioning distribution in time. Therefore, in the present invention, the data set can be randomly divided into training and test sets.

동일한 플레어 이벤트의 데이터가 훈련 및 테스트에 사용되는 것을 피하기 위해 각 플레어 이벤트별로 데이터 세트가 분리될 수 있다. 데이터 세트를 시간 순으로 나눌 때 테스트 데이터 세트의 주요 플레어 수가 너무 적게 구성될 수 있다. 테스트 데이터 선택 및 무작위 초기 가중치의 영향을 줄이기 위해 교차 검증을 10 배로 고려할 수 있다. 결과적으로 6227-6381 데이터 (이벤트의 90 %; 69 X 클래스 및 691 M 클래스)가 훈련에 사용되고 654-808 데이터 (이벤트의 10 %; 8 X 클래스 및 77 M 클래스)가 테스트에 사용될 수 있다. 데이터 수의 차이는 각 교차 검증 세트에서 다양한 길이의 플레어 이벤트로 인한 것이다.Data sets can be separated for each flare event to avoid using data from the same flare event for training and testing. When dividing the data set in chronological order, the number of major flares in the test data set may consist of too few. To reduce the influence of test data selection and random initial weights, cross-validation can be considered by a factor of 10. Consequently, 6227-6381 data (90% of events; 69 X classes and 691 M classes) can be used for training and 654-808 data (10% of events; 8 X classes and 77 M classes) can be used for testing. The difference in the number of data is due to flare events of varying lengths in each cross-validation set.

Long Short-Term Memory (LSTM)Long Short-Term Memory (LSTM)

LSTM은 시간 의존성을 순차적으로 학습하기에 적합한 순환 신경망 중 하나이다. LSTM은 기계 번역, 음성 인식 및 시계열 예측과 같은 다양한 필드에 널리 사용될 수 있다. LSTM에는 숨겨진 상태를 이전 시간 단계에서 다음 시간 단계로 전송하기 위해 셀 상태 후보와 3개의 게이트가 있다. 시간 단계는 시계열 데이터에서 엘리먼트의 순서를 의미한다. LSTM 연산의 세부 사항은 수학식 1과 같다.LSTM is one of the recurrent neural networks suitable for sequential learning of time dependence. LSTM can be widely used in various fields such as machine translation, speech recognition and time series prediction. The LSTM has cell state candidates and three gates to transfer the hidden state from the previous time step to the next. Time step refers to the order of elements in time series data. The details of the LSTM operation are shown in Equation 1.

Figure pat00001
Figure pat00001

여기서 ft는 forget 게이트를 나타내고, it는 입력 게이트를 나타내고, ct는 셀 상태 후보를 나타내고, ct는 셀 상태를 나타내고, ot는 출력 게이트를 나타내고, ht는 시간 단계 t에서의 숨겨진 상태를 나타내고; X는 입력 데이터이며; W 항은 훈련이 가능한 가중 메트릭을 나타내고 B term은 훈련이 가능한 바이어스를 나타낸다. σ는 로지스틱 시그모이드 함수이고 tanh는 쌍곡 탄젠트 함수이며; 여기서 ·는 내적을 나타내고, 엘리먼트 별 곱셈을 나타낸다. forget 게이트, 입력 게이트 및 출력 게이트는 각각 예측 결과에 대응하는 과거 정보, 새로운 정보 및 출력에 적용되는 가중치를 계산한다. 셀 상태 후보는 얼마나 많은 입력 정보가 셀 상태에 반영되어야 하는지를 고려하여 수정된 정보이다. 히든 상태는 LSTM 모델의 결과이다. where ft denotes the forget gate, it denotes the input gate, ct denotes the cell state candidate, ct denotes the cell state, ot denotes the output gate, and ht denotes the hidden state at time step t; X is input data; The W term represents the trainingable weighting metric and the B term represents the trainingable bias. σ is the logistic sigmoid function and tanh is the hyperbolic tangent function; Here, · represents the dot product and multiplication by element. The forget gate, the input gate, and the output gate calculate the weight applied to the past information, the new information, and the output corresponding to the prediction result, respectively. The cell state candidate is information modified by considering how much input information should be reflected in the cell state. The hidden state is the result of the LSTM model.

Seq2seq 모델에는 2 개의 LSTM 모델이 있다. 하나는 입력 데이터에서 정보를 추출하기 위한 인코더이고 다른 하나는 인코더의 정보를 사용하여 예측하기 위한 디코더이다. 디코더는 프로세스를 반복하여 예측을 생성한 다음 예측된 결과를 다음 예측에 사용한다. 이 메커니즘은 시계열 데이터를 생성하는 데 사용될 수 있다.The Seq2seq model has two LSTM models. One is an encoder for extracting information from input data, and the other is a decoder for predicting using information from the encoder. The decoder repeats the process to generate predictions and then uses the predicted results for the next prediction. This mechanism can be used to generate time series data.

또한, 모델이 입력 데이터의 중요한 시간 단계를 배우고 집중할 수 있도록 attention 메커니즘을 사용한다. attention은 소스 상태 h의 가중치 합계에 해당하는 컨텍스트 벡터 ci를 수학식 2와 같이 계산한다.It also uses an attention mechanism to allow the model to learn and focus on the critical time steps of the input data. Attention calculates the context vector ci corresponding to the weight sum of the source state h as in Equation 2.

Figure pat00002
Figure pat00002

여기서 Tx는 입력 길이를 나타내고 W는 가중치를 나타낸다. 여기서 i는 출력의 타임 스텝을 나타내고, j는 입력의 타임 스텝을 나타낸다. 가중치 W는 수학식 3과 같이 연산된다.where Tx represents the input length and W represents the weight. where i represents the time step of the output and j represents the time step of the input. The weight W is calculated as in Equation (3).

Figure pat00003
Figure pat00003

Figure pat00004
Figure pat00004

여기서 s는 히든 상태이다. 여기서, a는 위치 i에서의 출력과 위치 j에서의 입력이 서로 얼마나 일치하는지를 반영하는 점수를 계산하는 정렬 모델을 나타낸다. 본 발명에서는 additive attention 모델을 채택할 수 있다. 여기서 v와 W는 학습 가능한 매개 변수이다.Here, s is a hidden state. Here, a denotes an alignment model that calculates a score reflecting how well the output at position i and the input at position j match each other. In the present invention, an additive attention model can be adopted. where v and W are learnable parameters.

아키텍쳐architecture

도 1은 본 발명에 따른 예측 모델의 전체 아키텍처를 나타낸다. 본 발명에 따른 예측 모델은 인코더와 디코더를 위해 2 개의 LSTM 레이어와 1 개의 완전히 연결된 레이어(fully connected layer)를 사용한다. 본 발명은 인코더를 위한 ReLU 활성화 기능을 갖춘 완전히 연결된 레이어와 디코더를 위한 활성화 기능이 없는 완전히 연결된 레이어를 채택할 수 있다. 학습률이 0.001 인 평균 제곱 손실 함수 및 Adam 옵티마이저(optimizer)가 본 발명의 예측 모델에 사용된다.1 shows the overall architecture of a predictive model according to the present invention. The prediction model according to the present invention uses two LSTM layers and one fully connected layer for the encoder and the decoder. The present invention can employ a fully connected layer with ReLU activation function for the encoder and a fully connected layer without activation function for the decoder. A mean square loss function with a learning rate of 0.001 and an Adam optimizer are used in the predictive model of the present invention.

도 1을 참조하면, 예측 모델은 인코더와 디코더를 위한 2 개의 LSTM 레이어와 1 개의 완전히 연결된 레이어를 사용한다. 인코더는 30분의 X- 레이 플럭스 (y)를 사용하고 LSTM 레이어의 출력을 완전히 연결된 레이어로 전달하여 구성된 임베디드된 정보를 생성할 수 있다. 디코더는 인코더와 유사한 프로세스를 30회 반복할 수 있다. 모든 단계에서, 디코더는 새로운 정보에 대응하는 다음 단계 예측에 사용되는 다음 1 분의 X-레이 플럭스 (p)를 예측하기 위해 attention 레이어 및 새로운 정보의 결과를 취한다. 디코더에서 LSTM 계층의 결과는 연결된 계층으로 전송된다.Referring to FIG. 1 , the prediction model uses two LSTM layers and one fully connected layer for an encoder and a decoder. The encoder can use 30 min of X-ray flux (y) and pass the output of the LSTM layer to a fully connected layer to generate the constructed embedded information. The decoder may repeat a process similar to that of the encoder 30 times. At every step, the decoder takes the result of the attention layer and the new information to predict the next minute X-ray flux (p), which is used for the next step prediction corresponding to the new information. The result of the LSTM layer in the decoder is transmitted to the connected layer.

한편, 본 발명에 따른 예측 모델은 attention 레이어를 구비한 것에 한정되는 것이다. 다른 실시예로서, 본 발명에 따른 예측 모델은 attention 레이어 없이 동일한 구조를 구비할 수 있다.On the other hand, the predictive model according to the present invention is limited to one having an attention layer. As another embodiment, the prediction model according to the present invention may have the same structure without an attention layer.

전술한 바와 같은 딥러닝 기법을 이용한 태양 X-ray 플레어 플럭스 프로파일의 예측 방법과 관련하여, 이러한 예측 방법과 이를 수행하도록 인코더와 디코더를를 포함하는 예측 시스템에 대해 상세하게 설명하면 다음과 같다.With respect to the prediction method of the solar X-ray flare flux profile using the deep learning technique as described above, the prediction method and the prediction system including the encoder and the decoder to perform the prediction method will be described in detail as follows.

도 1을 참조하면, 예측 시스템은 인코더(Encoder)와 디코더(Decoder)를 포함하도록 구성될 수 있다. 인코더(Encoder)는 매 분 단위의 태양 X-ray 플레어 플럭스를 입력으로 LSTM 레이어의 출력을 하도록 구성될 수 있다. 또한, 인코더(Encoder)는 상기 LSTM 레이어의 출력을 완전히 연결된 레이어(fully-connected layer)로 전달하여 구성된 임베디드된 정보를 생성하도록 구성될 수 있다.Referring to FIG. 1 , a prediction system may be configured to include an encoder and a decoder. The encoder may be configured to output the LSTM layer as an input of solar X-ray flare flux in units of every minute. In addition, the encoder may be configured to pass the output of the LSTM layer to a fully-connected layer to generate the configured embedded information.

디코더(Decoder)는 상기 인코더에서의 정보를 사용하여 태양 X-ray 플레어 플럭스를 예측하는 X-ray 플레어 플럭스 예측 과정을 수행하도록 구성될 수 있다.A decoder may be configured to perform an X-ray flare flux prediction process of predicting solar X-ray flare flux using information from the encoder.

인코더(Encoder)는 LSTM 레이어의 출력을 생성하도록 구성된 복수의 LSTM 레이어(LSTM1-e, LSTM2-e)를 포함할 수 있다.인코더(Encoder)는 복수의 LSTM 레이어 중 최종 LSTM 레이어(LSTM2-e)의 각각의 출력이 각각의 입력과 연결되도록 구성된 완전히 연결된 레이어(fully-connected-e)를 더 포함할 수 있다.The encoder may include a plurality of LSTM layers (LSTM1-e, LSTM2-e) configured to generate an output of the LSTM layer. The encoder is a final LSTM layer (LSTM2-e) among the plurality of LSTM layers. It may further include a fully-connected layer (fully-connected-e) configured such that each output of α is connected with a respective input.

인코더(Encoder)는 완전히 연결된 레이어의 출력으로부터 임베디드된 정보를 출력하고, 상기 임베디드된 정보를 디코더의 입력으로 전달하도록 구성될 수 있다.The encoder may be configured to output embedded information from an output of a fully connected layer and deliver the embedded information to an input of a decoder.

디코더(Decoder)는 LSTM 레이어의 출력을 생성하도록 구성된 복수의 LSTM 레이어(LSTM1-d, LSTM2-d)를 포함할 수 있다. 디코더(Decoder)는 복수의 LSTM 레이어 중 최종 LSTM 레이어(LSTM2-d)의 각각의 출력이 각각의 입력과 연결되도록 구성된 완전히 연결된 레이어(fully-connected-d)를 더 포함할 수 있다.The decoder may include a plurality of LSTM layers LSTM1-d and LSTM2-d configured to generate an output of the LSTM layer. The decoder may further include a fully-connected layer configured such that each output of the final LSTM layer LSTM2-d among the plurality of LSTM layers is connected to each input.

디코더(Decoder)는 제1 LSTM(LSTM1-d)이 인코더의 제1 LSTM 레이어(LSTM1-e)로부터의 히든 상태 값과 셀 상태값을 수신하도록 구성될 수 있다. 디코더(Decoder)는 제2 LSTM(LSTM2-d)이 인코더의 제2 LSTM 레이어(LSTM2-e)로부터의 히든 상태 값과 셀 상태값을 수신하도록 구성될 수 있다.The decoder may be configured such that the first LSTM (LSTM1-d) receives the hidden state value and the cell state value from the first LSTM layer (LSTM1-e) of the encoder. The decoder may be configured such that the second LSTM (LSTM2-d) receives the hidden state value and the cell state value from the second LSTM layer (LSTM2-e) of the encoder.

디코더(Decoder)는 인코더의 제2 LSTM 레이어로부터의 히든 상태 값과 셀 상태값과 상기 임베디드된 정보를 이용하여 상기 디코더의 LSTM 레이어로 태양 X-ray 플레어 플럭스의 예측 값과 연관된 정보를 전달하도록 구성된 attention 레이어(attn.)를 더 포함할 수 있다.A decoder is configured to communicate information associated with a predicted value of solar X-ray flare flux to the LSTM layer of the decoder using the embedded information and the hidden and cell state values from a second LSTM layer of the encoder. It may further include an attention layer (attn.).

디코더(Decoder)는 복수의 디코딩 블록으로 구성될 수 있다. 디코더(Decoder)는 완전히 연결된 레이어의 출력으로부터 태양 X-ray 플레어 플럭스의 예측 값을 상기 복수의 디코딩 블록 별로 출력하도록 구성될 수 있다.디코더(Decoder)는 상기 출력된 예측 값은 상기 복수의 디코딩 블록 중 인접한 디코딩 블록의 입력으로 피드백되도록 구성될 수 있다.A decoder may be composed of a plurality of decoding blocks. A decoder may be configured to output a predicted value of solar X-ray flare flux for each of the plurality of decoding blocks from the output of a fully connected layer. The decoder may be configured to output the predicted value of the plurality of decoding blocks. It may be configured to be fed back as an input of an adjacent decoding block.

이와 관련하여, 복수의 디코딩 블록 각각은 예보 시간과 연관될 수 있다. 일 예시로, 1) 첫번째 예보 결과로서 예보 시작 시간으로부터 1분 후에 대한 예보 결과를 생성한다. 2) 두번째 예보 결과로서 첫번째 예보 결과를 다시 디코더(Decoder)에 입력해 예보 시작 시간으로부터 2분 후에 대한 예보 결과를 생성한다. 3) 위 과정을 일정 시간 간격으로 여러 번 반복하여 시간 구간 동안 예보 결과를 생성할 수 있다. 예를 들어, 위 과정을 30번 반복하여 30분 동안의 예보 결과를 생성할 수 있다. 따라서, 디코더(Decoder)는 자신의 예보 결과의 시간적 전후를 고려하여 예보 결과를 생성할 수 있다.In this regard, each of the plurality of decoding blocks may be associated with a forecast time. As an example, 1) As the first forecast result, a forecast result for 1 minute from the forecast start time is generated. 2) As the second forecast result, the first forecast result is input to the decoder again to generate the forecast result 2 minutes after the forecast start time. 3) The above process can be repeated several times at regular time intervals to generate forecast results during the time period. For example, the above process can be repeated 30 times to generate a 30-minute forecast result. Accordingly, the decoder may generate the forecast result in consideration of the temporal before and after of its own forecast result.

결과result

본 발명에 따른 예측 모델을 평가하기 위해 세 가지 유형의 RMSE (Root-Mean-Square Error)를 고려할 수 있다. 수학식 5와 같이, 하나는 모든 예측 결과, 다른 하나는 피크 플럭스, 다른 하나는 다른 예측 시작 시간에 대한 RMSE일 수 있다. In order to evaluate the predictive model according to the present invention, three types of RMSE (Root-Mean-Square Error) can be considered. As in Equation 5, one may be the RMSE for all prediction results, the other may be the peak flux, and the other may be the RMSE for the other prediction start times.

Figure pat00005
Figure pat00005

여기서 y는 관측된 플럭스를 나타내고 f는 예측된 플럭스를 나타낸다. Nall, Npeakflux 및 Nt는 각각 플레어 시작 후 피크 시간 및 시간 t에서 모든 경우의 수이다. 여기서 E, i, j 및 p는 플레어의 수, 예측 시작 시간, 각각의 예측 시간, 피크 시간을 각각 나타낸다. 이 프로세스는 각 교차 검증 테스트 데이터 세트에 대해 10 번 실행되었으며 평균 결과가 표시될 수 있다.where y represents the observed flux and f represents the predicted flux. Nall, Npeakflux and Nt are the number of all instances at the peak time and time t after the flare onset, respectively. where E, i, j and p represent the number of flares, the prediction start time, the respective prediction time, and the peak time, respectively. This process was run 10 times for each cross-validation test data set and average results can be displayed.

본 발명에 따른 예측 모델과 다른 방법 간의 예측 성능을 비교하기 위해 3 개의 딥러닝 모델과 4 개의 회귀 알고리즘 모델을 생성할 수 있다. 첫 번째 딥 러닝 모델은 완전히 연결된 여러 레이어로 구성된 MLP 모델이다. 두 번째 딥 러닝 모델은 2개의 LSTM 레이어와 2개의 완전히 연결된 레이어를 사용하는 Simple-LSTM 모델이다. 세 번째 딥 러닝 모델은 seq2seq 모델로, 모델에서 attention 레이어를 제거하여 획득할 수 있다. 이러한 모델은 모델과 동일한 손실 기능 및 최적화 프로그램을 사용하여 학습될 수 있다. 4 개의 기존 모델은 Auto-Regressive Integrated Moving Average (ARIMA), K-Nearest Neighbor Regression, Support Vector Machine Regression (SVMR)을 기반으로 할 수 있다. ARIMA 모델의 경우 ARIMA 모델의 최상의 결과를 찾기 위해 각 입력 데이터에 대해 AUTO-ARIMA 프로세스를 사용할 수 있다.In order to compare the predictive performance between the predictive model according to the present invention and other methods, three deep learning models and four regression algorithm models can be generated. The first deep learning model is an MLP model that consists of several fully connected layers. The second deep learning model is a Simple-LSTM model using two LSTM layers and two fully connected layers. The third deep learning model is the seq2seq model, which can be obtained by removing the attention layer from the model. Such a model can be trained using the same loss function and optimizer as the model. The four existing models can be based on Auto-Regressive Integrated Moving Average (ARIMA), K-Nearest Neighbor Regression, and Support Vector Machine Regression (SVMR). For ARIMA models, you can use the AUTO-ARIMA process for each input data to find the best results for the ARIMA model.

본 발명에 따른 예측 모델을 공정하게 비교하기 위해 회귀 모델 및 딥 러닝 모델 (48, 96, 128, 256 및 512개의 히든 유닛 및 노드, 1, 8, 16 포함(embedding) 및 포함되지 않음) 및 2 내지 18개의 완전히 연결된 레이어에 대해 많은 하이퍼 파라미터를 테스트할 수 있다. 잔류 연결 (residual-connection)을 사용하고 딥 러닝 모델 학습 중에 조기 중지 (early-stopping) 프로세스를 수행하여 오버 피팅 문제를 회피하고 각 딥 러닝 방법의 최상의 결과를 찾을 수 있다. Regression model and deep learning model (48, 96, 128, 256 and 512 hidden units and nodes, 1, 8, 16 embedding and not included) and 2 for a fair comparison of the predictive model according to the present invention Many hyperparameters can be tested for to 18 fully connected layers. By using residual-connection and performing an early-stopping process during deep learning model training, we can avoid the overfitting problem and find the best results for each deep learning method.

표 1은 본 발명에 따른 예측 모델의 결과를 나타낸다. 본 발명에 따른 예측 모델은 모든 지표에서 다른 모델보다 성능이 뛰어나다. 본 발명에 따른 예측 모델의 RMSEall 및 RMSEpeakflux는 0.32 및 0.26으로, 기존 모델 및 기타 딥 러닝 모델보다 훨씬 우수하다. 예측 시작시간 (3-6 분)에 의존하는 RMSEt도 다른 모델보다 본 발명에 따른 예측 모델에 더 양호하다. 우리의 결과는 seq2seq와 attention을 모두 채택하는 것이 태양 X-레이 프로파일을 예측하는 데 효과적이라는 것을 나타낸다. 8개 모델 모두에서 X-레이 플럭스 프로파일의 급격한 변화로 인해 이후 예측 결과 (t가 높은 RMSEt)가 이전 예측 (t가 낮은 RMSEt)보다 양호하다. Table 1 shows the results of the prediction model according to the present invention. The predictive model according to the present invention outperforms other models in all indicators. The RMSEall and RMSEpeakflux of the predictive model according to the present invention are 0.32 and 0.26, which is much better than the existing model and other deep learning models. RMSEt, which depends on the prediction start time (3-6 minutes), is also better for the prediction model according to the present invention than for other models. Our results indicate that adopting both seq2seq and attention is effective in predicting solar X-ray profiles. In all eight models, the subsequent prediction results (RMSEt with high t) are better than the previous predictions (RMSEt with low t) due to the sharp change in the X-ray flux profile in all eight models.

[표 1][Table 1]

Figure pat00006
Figure pat00006

또한, 플레어 클래스 (M1-M4.9, M5-M9.9 및 X1-)에 따라 모델의 예측을 세 그룹으로 나눌 수 있다. 결과적으로 RMSEall 및 RMSEpeakflux는 M1-M4.9 플레어의 경우 0.27 및 0.15, M5-M9.9 플레어의 경우 0.36 및 0.31, X1- 플레어의 경우 0.51 및 0.53이다. 이러한 분석은 강한 태양열이 약한 태양열보다 예측하기 어렵다는 것을 나타낸다.Also, according to the flare class (M1-M4.9, M5-M9.9 and X1-), the predictions of the model can be divided into three groups. As a result, RMSEall and RMSEpeakflux are 0.27 and 0.15 for M1-M4.9 flares, 0.36 and 0.31 for M5-M9.9 flares, and 0.51 and 0.53 for X1-flares. This analysis indicates that strong solar heat is more difficult to predict than weak solar heat.

도 2는 본 발명에 따른 예측 모델의 예측 결과를 나타낸다. 본 발명에 따른 예측 모델은 플레어 피크 플럭스, 피크 시간 및 전체 프로파일을 잘 예측할 수 있다. 도 2는 seq2seq+attention 모델의 결과를 나타낸다. 도 2의 (a), (b), (c), (d), (e) 및 (f)는 각각 플레어 시작 시간 이후 7, 7, 7, 6, 3 및 3분에서의 X5, X4, X1, M4, M2 및 M1 예보이다. 0-29분이 입력 데이터이고 30-59분은 관측과 함께 출력 데이터를 나타낸다. 수직 점선은 예보 시작 시간을 나타낸다.2 shows a prediction result of a prediction model according to the present invention. The predictive model according to the present invention can predict flare peak flux, peak time and overall profile well. 2 shows the results of the seq2seq+attention model. (a), (b), (c), (d), (e) and (f) of Figure 2 are X5, X4, X1, M4, M2 and M1 forecasts. Minutes 0-29 represent the input data and minutes 30-59 represent the output data with observations. The vertical dotted line indicates the forecast start time.

도 3은 도 2(a)에 표시된 X5 등급 플레어에 대한 플레어 시작 후 피크 시간부터 5분까지의 예측을 나타낸다. 도 3(a)에서 볼 수 있듯이 피크 플럭스는 과소 평가되어있다. 그러나 GOES 관측치가 M 등급에 있을 때, 본 발명에 따른 예측 모델은 플레어가 X 등급에 도달할 것으로 예측할 수 있다. 도 3(b)에서, 우리의 모델은 관측과 유사한 피크 플럭스를 예측할 수 있다. 후속 예측 (도 3(c)-(h))에서 모델은 붕괴 단계에서 피크 플럭스 및 X- 레이 플럭스 프로파일을 잘 예측할 수 있다.Figure 3 shows the prediction from the peak time to 5 minutes after the flare onset for the X5 class flare shown in Figure 2(a). As can be seen in Fig. 3(a), the peak flux is underestimated. However, when the GOES observation is in the M grade, the predictive model according to the present invention can predict that the flare will reach the X grade. In Fig. 3(b), our model can predict the peak flux similar to the observation. In subsequent predictions (Fig. 3(c)-(h)), the model can predict the peak flux and X-ray flux profile well in the decay phase.

구체적으로, 도 3은 2003년 11월 3일에 X5 클래스에 대한 seq2seq+attention 모델의 예측을 나타낸다. 도 3(a)-(h)는 시간 흐름 순서(chronological order)로, 플레어 시작 시간 이후에 5-12 분에서의 예보를 나타낸다. 0-29분이 입력이고 30-59분은 관측과 함께 출력을 나타낸다. 수직 점선은 예보 시작 시간을 나타낸다.Specifically, Figure 3 shows the prediction of the seq2seq+attention model for the X5 class on November 3, 2003. Figures 3(a)-(h) show the forecasts at 5-12 minutes after the flare start time, in chronological order. Minutes 0-29 are inputs and minutes 30-59 represent outputs with observations. The vertical dotted line indicates the forecast start time.

도 4는 본 발명에 따른 플레어 지속 시간의 예측과 관찰 사이의 관계를 나타낸다. 본 발명에 따른 예측 모델의 플레어 지속 시간 예측을 평가하기 위해 관측 및 예측에 대한 플레어 종료 시간이 30분 이내인 경우 상관 계수와 RMSE를 계산할 수 있다. 상관 계수와 RMSE는 모든 예측에 대해 0.78과 6.5분이며 피크 예측에 대해서는 0.9와 4.8이다. 이러한 결과는 본 발명에 따른 예측 모델이 두 가지 경우에 대해 플레어 지속 기간을 잘 예측함을 나타낸다. 피크 시간에서의 플레어 지속 시간의 예측은 상관 및 RMSE의 관점에서 매우 우수하다는 점에 주목할 필요가 있다.4 shows the relationship between the prediction and observation of a flare duration according to the present invention. In order to evaluate the flare duration prediction of the prediction model according to the present invention, the correlation coefficient and RMSE can be calculated when the flare end time for observation and prediction is less than 30 minutes. Correlation coefficients and RMSEs are 0.78 and 6.5 min for all predictions and 0.9 and 4.8 for peak predictions. These results indicate that the predictive model according to the present invention predicts the flare duration well for both cases. It is worth noting that the prediction of flare duration at peak time is very good in terms of correlation and RMSE.

본 발명의 또 다른 양상에 따른 딥러닝 기법을 이용한 태양 X-ray 플레어 플럭스 프로파일의 예측 방법에 대해 설명하면 다음과 같다. 이와 관련하여, 도 5는 본 발명에 따른 딥러닝 기법을 이용한 태양 X-ray 플레어 플럭스 프로파일의 예측 방법의 흐름도를 나타낸다. 도 1 및 도 5를 참조하면, 딥러닝 기법을 이용한 태양 X-ray 플레어 플럭스 프로파일의 예측 방법은 LSTM 레이어 출력 생성 과정(S100), 임베디드 정보 생성 과정(S200) 및 X-ray 플레어 플럭스 예측 과정(S300)을 포함한다.A method of predicting a solar X-ray flare flux profile using a deep learning technique according to another aspect of the present invention will be described as follows. In this regard, FIG. 5 shows a flowchart of a method for predicting a solar X-ray flare flux profile using a deep learning technique according to the present invention. 1 and 5, the prediction method of the solar X-ray flare flux profile using the deep learning technique is the LSTM layer output generation process (S100), the embedded information generation process (S200) and the X-ray flare flux prediction process ( S300).

LSTM 레이어 출력 생성 과정(S100)에서, 인코더가 매 분 단위의 태양 X-ray 플레어 플럭스를 입력으로 LSTM 레이어의 출력을 생성한다. 임베디드 정보 생성 과정(S200)에서, 인코더가 상기 LSTM 레이어의 출력을 완전히 연결된 레이어(fully-connected layer)로 전달하여 구성된 임베디드된 정보를 생성한다. 또한, X-ray 플레어 플럭스 예측 과정(S300)에서, 디코더가 상기 인코더에서의 정보를 사용하여 태양 X-ray 플레어 플럭스를 예측한다.In the LSTM layer output generation process ( S100 ), the encoder generates the output of the LSTM layer by inputting the solar X-ray flare flux every minute as an input. In the embedded information generation process ( S200 ), the encoder transmits the output of the LSTM layer to a fully-connected layer to generate the configured embedded information. In addition, in the X-ray flare flux prediction process ( S300 ), the decoder predicts the solar X-ray flare flux using information from the encoder.

인코더(Encoder)는 LSTM 레이어의 출력을 생성하도록 구성된 복수의 LSTM 레이어(LSTM1-e, LSTM2-e)를 포함할 수 있다. 인코더(Encoder)는 복수의 LSTM 레이어 중 최종 LSTM 레이어(LSTM2-e)의 각각의 출력이 각각의 입력과 연결되도록 구성된 완전히 연결된 레이어(fully-connected-e)를 더 포함할 수 있다.The encoder may include a plurality of LSTM layers (LSTM1-e, LSTM2-e) configured to generate an output of the LSTM layer. The encoder may further include a fully-connected layer configured such that each output of the final LSTM layer LSTM2-e among the plurality of LSTM layers is connected to each input.

임베디드 정보 생성 과정(S200) 이후, 인코더는 완전히 연결된 레이어의 출력으로부터 임베디드된 정보를 출력하고, 상기 임베디드된 정보를 디코더의 입력으로 전달하는 과정이 더 수행될 수 있다. After the embedded information generation process ( S200 ), the encoder outputs the embedded information from the output of the fully connected layer, and the process of transferring the embedded information to the input of the decoder may be further performed.

디코더(Decoder)는 LSTM 레이어의 출력을 생성하도록 구성된 복수의 LSTM 레이어(LSTM1-d, LSTM2-d)를 포함할 수 있다. 디코더(Decoder)는 복수의 LSTM 레이어 중 최종 LSTM 레이어(LSTM2-d)의 각각의 출력이 각각의 입력과 연결되도록 구성된 완전히 연결된 레이어(fully-connected-d)를 더 포함할 수 있다.The decoder may include a plurality of LSTM layers LSTM1-d and LSTM2-d configured to generate an output of the LSTM layer. The decoder may further include a fully-connected layer configured such that each output of the final LSTM layer LSTM2-d among the plurality of LSTM layers is connected to each input.

X-ray 플레어 플럭스 예측 과정(S300)에서, 제1 LSTM(LSTM1-d)이 인코더의 제1 LSTM 레이어(LSTM1-e)로부터의 히든 상태 값과 셀 상태값을 수신하도록 구성될 수 있다. X-ray 플레어 플럭스 예측 과정(S300)에서, 제2 LSTM(LSTM2-d)이 인코더의 제2 LSTM 레이어(LSTM2-e)로부터의 히든 상태 값과 셀 상태값을 수신하도록 구성될 수 있다.In the X-ray flare flux prediction process S300, the first LSTM (LSTM1-d) may be configured to receive the hidden state value and the cell state value from the first LSTM layer (LSTM1-e) of the encoder. In the X-ray flare flux prediction process S300, the second LSTM (LSTM2-d) may be configured to receive the hidden state value and the cell state value from the second LSTM layer (LSTM2-e) of the encoder.

디코더(Decoder)는 attention 레이어를 더 포함할 수 있다. X-ray 플레어 플럭스 예측 과정(S300)에서, 인코더의 제2 LSTM 레이어로부터의 히든 상태 값과 셀 상태값과 상기 임베디드된 정보를 이용하여 상기 디코더의 LSTM 레이어로 태양 X-ray 플레어 플럭스의 예측 값과 연관된 정보를 전달하는 과정을 수행할 수 있다.The decoder may further include an attention layer. In the X-ray flare flux prediction process (S300), the predicted value of the solar X-ray flare flux to the LSTM layer of the decoder using the hidden state value and the cell state value and the embedded information from the second LSTM layer of the encoder It is possible to carry out the process of delivering information related to the

디코더(Decoder)는 복수의 디코딩 블록으로 구성될 수 있다. X-ray 플레어 플럭스 예측 과정(S300)에서, 완전히 연결된 레이어의 출력으로부터 태양 X-ray 플레어 플럭스의 예측 값을 상기 복수의 디코딩 블록 별로 출력하도록 구성될 수 있다. X-ray 플레어 플럭스 예측 과정(S300)에서, 상기 출력된 예측 값은 상기 복수의 디코딩 블록 중 인접한 디코딩 블록의 입력으로 피드백되도록 구성될 수 있다.A decoder may be composed of a plurality of decoding blocks. In the X-ray flare flux prediction process ( S300 ), the predicted value of the solar X-ray flare flux from the output of the fully connected layer may be output for each of the plurality of decoding blocks. In the X-ray flare flux prediction process ( S300 ), the output prediction value may be configured to be fed back as an input of an adjacent decoding block among the plurality of decoding blocks.

본 발명의 또 다른 양상에 따른 딥러닝 기법을 이용한 태양 X-ray 플레어 플럭스 프로파일의 예측 방법을 수행하는 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체가 제시될 수 있다. 도 1 및 도 5를 참조하면, 딥러닝 기법을 이용한 태양 X-ray 플레어 플럭스 프로파일의 예측 방법은 LSTM 레이어 출력 생성 과정(S100), 임베디드 정보 생성 과정(S200) 및 X-ray 플레어 플럭스 예측 과정(S300)이 수행될 수 있다.A computer-readable recording medium recording a program for performing a method of predicting a solar X-ray flare flux profile using a deep learning technique according to another aspect of the present invention may be provided. 1 and 5, the prediction method of the solar X-ray flare flux profile using the deep learning technique is the LSTM layer output generation process (S100), the embedded information generation process (S200) and the X-ray flare flux prediction process ( S300) may be performed.

이와 관련하여, 컴퓨터 판독 가능한 기록 매체에 포함되는 프로그램은 LSTM 레이어 출력 생성 과정(S100)에서, 인코더가 매 분 단위의 태양 X-ray 플레어 플럭스를 입력으로 LSTM 레이어의 출력을 생성할 수 있다. 상기 프로그램은 임베디드 정보 생성 과정(S200)에서, 인코더가 상기 LSTM 레이어의 출력을 완전히 연결된 레이어(fully-connected layer)로 전달하여 구성된 임베디드된 정보를 생성 수 있다. 또한, 상기 프로그램은 X-ray 플레어 플럭스 예측 과정(S300)에서, 디코더가 상기 인코더에서의 정보를 사용하여 태양 X-ray 플레어 플럭스를 예측할 수 있다.In this regard, the program included in the computer readable recording medium may generate the output of the LSTM layer by inputting the solar X-ray flare flux in units of minutes to the encoder in the LSTM layer output generation process ( S100 ). In the embedded information generation process ( S200 ), the program may generate embedded information configured by an encoder transmitting the output of the LSTM layer to a fully-connected layer. In addition, in the X-ray flare flux prediction process ( S300 ), the program allows the decoder to predict the solar X-ray flare flux using information from the encoder.

이상에서는 본 발명에 따른 딥러닝 기법을 이용한 태양 X-ray 플레어 플럭스 프로파일의 예측 방법 및 예측 시스템에 대해 설명하였다. 이러한 딥러닝 기법을 이용한 태양 X-ray 플레어 플럭스 프로파일의 예측 방법 및 예측 시스템의 기술적 효과는 다음과 같다.In the above, the prediction method and prediction system of the solar X-ray flare flux profile using the deep learning technique according to the present invention have been described. The technical effects of the prediction method and prediction system of the solar X-ray flare flux profile using this deep learning technique are as follows.

본 발명에 따르면, 플레어 재난 경보 발생 시 고려되어야 할 주요 특성들을 예보하기 위하여 본 모델은 과거의 X선 플럭스 데이터를 입력받아 미래의 X선 플럭스 데이터를 분 단위로 예보할 수 있다.According to the present invention, in order to predict main characteristics to be considered when a flare disaster warning occurs, the present model can receive past X-ray flux data and predict future X-ray flux data in minutes.

본 발명에 따르면, 이러한 X선 플럭스의 시계열적 예보를 통하여 사용자들은 현재 발생한 플레어의 상기한 주요 특성들을 예측할 수 있다. According to the present invention, users can predict the above-mentioned main characteristics of the currently occurring flare through the time-series forecast of the X-ray flux.

본 발명에 따르면, 예측 모델은 딥러닝 기법을 기반으로 제작되었으며, 그 구조는 구글 번역에서 사용되는 딥러닝 모델의 구조와 유사하다. 기존의 회귀 예측 알고리즘을 기반으로 한 모델들과 다른 딥러닝 기법을 기반으로 한 모델들과의 비교 검증 결과, 본 모델의 성능이 가장 우수함을 확인할 수 있다.According to the present invention, the predictive model is produced based on the deep learning technique, and its structure is similar to that of the deep learning model used in Google Translate. As a result of comparative verification between models based on the existing regression prediction algorithm and models based on other deep learning techniques, it can be confirmed that the performance of this model is the best.

한편, 현재 전 세계적으로 플레어 발생 시 X선 플럭스를 예측하는 모델은 존재하지 않는다. 본 발명에 따른 예측 모델은 어떠한 데이터 전처리 과정도 필요치 않기에 사용을 원하는 이 누구나 쉽게 접근할 수 있다. X선 관측데이터는 거의 실시간으로 제공되며, 플레어는 알고리즘 적으로 그 발생이 정의되기에 플레어 발생과 동시에 자동으로 본 모델이 예보를 시작할 수 있다. On the other hand, there is currently no model that predicts the X-ray flux when a flare occurs worldwide. Since the predictive model according to the present invention does not require any data pre-processing, anyone who wants to use it can easily access it. X-ray observation data is provided in near real time, and since flares are algorithmically defined, the model can automatically start forecasting at the same time as flares occur.

본 발명에 따르면, 우주기상 예보를 운영하는 기관에서 플레어 재난 발생 시 그 대응 강도와 재난 대응 기간을 예측하는데 사용할 수 있다.According to the present invention, when a flare disaster occurs in an organization operating a space weather forecast, it can be used to predict the response intensity and the disaster response period.

플레어는 태양 활동 중 지구에 가장 빠르게 도달하는 활동이며 다른 태양 활동과 밀접한 관련이 있다. 본 발명에 따르면, 플레어 재난의 특성을 빠르게 예보함으로써 라디오 통신 방해, 위성 오작동 등의 경제적·상업적 피해를 최소화할 수 있고 다른 태양 활동의 예보에도 도움을 줄 수 있다. Flares are the fastest solar activity that reaches Earth and are closely related to other solar activity. According to the present invention, by rapidly predicting the characteristics of a flare disaster, economic and commercial damage such as radio communication interference and satellite malfunction can be minimized, and it can also help forecast other solar activities.

인간 문명의 범위가 우주로까지 확장됨으로써 태양으로부터 받는 영향의 정도가 점점 늘어나고 있으며 그에 따른 피해 또한 늘어나고 있는 상황이다. 본 발명에 따르면, 우주기상에 대한 관심과 투자가 늘어나고 있으며 앞으로 연구하고 개발해야 할 것들이 많이 있으므로 우주기상에 관련된 사업화가 진행될 것으로 여겨진다. As the scope of human civilization is extended to the universe, the degree of influence from the sun is increasing, and the damage is also increasing. According to the present invention, interest and investment in space meteorology are increasing, and since there are many things to be researched and developed in the future, it is considered that commercialization related to space meteorology will proceed.

상술한 본 발명의 특징 및 효과는 첨부된 도면과 관련한 다음의 상세한 설명을 통하여 보다 분명해 질 것이며, 그에 따라 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명의 기술적 사상을 용이하게 실시할 수 있을 것이다.The features and effects of the present invention described above will become more apparent through the following detailed description in relation to the accompanying drawings, and accordingly, those of ordinary skill in the art to which the present invention pertains can easily implement the technical idea of the present invention. will be able

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 상세한 설명에 구체적으로 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.Since the present invention can have various changes and can have various embodiments, specific embodiments are illustrated in the drawings and will be described in detail in the detailed description. However, this is not intended to limit the present invention to a specific embodiment, it should be understood to include all modifications, equivalents and substitutes included in the spirit and scope of the present invention.

소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능뿐만 아니라 각각의 구성 요소들에 대한 설계 및 파라미터 최적화는 별도의 소프트웨어 모듈로도 구현될 수 있다. 적절한 프로그램 언어로 쓰여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 메모리에 저장되고, 제어부(controller) 또는 프로세서(processor)에 의해 실행될 수 있다.According to the software implementation, not only the procedures and functions described in this specification but also the design and parameter optimization for each component may be implemented as a separate software module. The software code may be implemented as a software application written in a suitable programming language. The software code may be stored in a memory and executed by a controller or a processor.

Claims (15)

딥러닝 기법을 이용한 태양 X-ray 플레어 플럭스 프로파일의 예측 방법을 수행하는 예측 시스템에 있어서, 상기 예측 시스템은,
매 분 단위의 태양 X-ray 플레어 플럭스를 입력으로 LSTM 레이어의 출력을 생성하고, 상기 LSTM 레이어의 출력을 완전히 연결된 레이어(fully-connected layer)로 전달하여 구성된 임베디드된 정보를 생성하도록 구성된 인코더; 및
상기 인코더에서의 정보를 사용하여 태양 X-ray 플레어 플럭스를 예측하는 X-ray 플레어 플럭스 예측 과정을 수행하도록 구성된 디코더를 포함하는, 예측 시스템,A prediction system for performing a method of predicting a solar X-ray flare flux profile using a deep learning technique, the prediction system comprising:
an encoder configured to take as an input the solar X-ray flare flux every minute and generate an output of the LSTM layer, and pass the output of the LSTM layer to a fully-connected layer to generate constructed embedded information; and
a prediction system comprising a decoder configured to perform an X-ray flare flux prediction process that predicts solar X-ray flare flux using information from the encoder; 제1 항에 있어서,
상기 인코더는,
상기 LSTM 레이어의 출력을 생성하도록 구성된 복수의 LSTM 레이어; 및
상기 복수의 LSTM 레이어 중 최종 LSTM 레이어의 각각의 출력이 각각의 입력과 연결되도록 구성된 완전히 연결된 레이어(fully-connected layer)를 포함하는, 예측 시스템.According to claim 1,
The encoder is
a plurality of LSTM layers configured to generate an output of the LSTM layer; and
and a fully-connected layer configured such that each output of a final LSTM layer of the plurality of LSTM layers is coupled with a respective input. 제2 항에 있어서,
상기 인코더는,
상기 완전히 연결된 레이어의 출력으로부터 상기 임베디드된 정보를 출력하고,
상기 임베디드된 정보를 상기 디코더의 입력으로 전달하도록 구성된, 예측 시스템.3. The method of claim 2,
The encoder is
output the embedded information from the output of the fully connected layer;
and pass the embedded information to an input of the decoder. 제2 항에 있어서,
상기 디코더는
LSTM 레이어의 출력을 생성하도록 구성된 복수의 LSTM 레이어; 및
상기 복수의 LSTM 레이어 중 최종 LSTM 레이어의 각각의 출력이 각각의 입력과 연결되도록 구성된 완전히 연결된 레이어(fully-connected layer)를 포함하는, 예측 시스템.3. The method of claim 2,
the decoder
a plurality of LSTM layers configured to generate an output of the LSTM layer; and
and a fully-connected layer configured such that each output of a final LSTM layer of the plurality of LSTM layers is coupled with a respective input. 제4 항에 있어서,
상기 디코더는
제1 LSTM이 상기 인코더의 제1 LSTM 레이어로부터의 히든 상태 값과 셀 상태값을 수신하고,
제2 LSTM이 상기 인코더의 제2 LSTM 레이어로부터의 히든 상태 값과 셀 상태값을 수신하는, 예측 시스템.5. The method of claim 4,
the decoder
a first LSTM receives a hidden state value and a cell state value from a first LSTM layer of the encoder;
and a second LSTM receives a hidden state value and a cell state value from a second LSTM layer of the encoder. 제5 항에 있어서,
상기 디코더는,
상기 인코더의 제2 LSTM 레이어로부터의 히든 상태 값과 셀 상태값과 상기 임베디드된 정보를 이용하여 상기 디코더의 LSTM 레이어로 상기 태양 X-ray 플레어 플럭스의 예측 값과 연관된 정보를 전달하도록 구성된 attention 레이어를 더 포함하는, 예측 시스템.6. The method of claim 5,
The decoder is
an attention layer configured to convey information associated with the predicted value of the solar X-ray flare flux to the LSTM layer of the decoder using the hidden and cell state values and the embedded information from the second LSTM layer of the encoder. Further comprising, a prediction system. 제4 항에 있어서,
상기 디코더는 복수의 디코딩 블록으로 구성되고,
상기 완전히 연결된 레이어의 출력으로부터 상기 태양 X-ray 플레어 플럭스의 예측 값을 상기 복수의 디코딩 블록 별로 출력하고,
상기 출력된 예측 값은 상기 복수의 디코딩 블록 중 인접한 디코딩 블록의 입력으로 피드백되도록 구성되는, 예측 시스템.5. The method of claim 4,
The decoder consists of a plurality of decoding blocks,
outputting the predicted value of the solar X-ray flare flux from the output of the fully connected layer for each of the plurality of decoding blocks,
and the output prediction value is configured to be fed back as an input of an adjacent one of the plurality of decoding blocks. 딥러닝 기법을 이용한 태양 X-ray 플레어 플럭스 프로파일의 예측 방법에 있어서, 상기 방법은 인코더와 디코더를 포함하는 예측 시스템에 의해 수행되고,
인코더가 매 분 단위의 태양 X-ray 플레어 플럭스를 입력으로 LSTM 레이어의 출력을 생성하는 LSTM 레이어 출력 생성 과정;
상기 인코더가 상기 LSTM 레이어의 출력을 완전히 연결된 레이어(fully-connected layer)로 전달하여 구성된 임베디드된 정보를 생성하는 임베디드 정보 생성 과정; 및
디코더가 상기 인코더에서의 정보를 사용하여 태양 X-ray 플레어 플럭스를 예측하는 X-ray 플레어 플럭스 예측 과정을 포함하는, X-ray 플레어 플럭스 프로파일 예측 방법.A method of predicting a solar X-ray flare flux profile using a deep learning technique, wherein the method is performed by a prediction system including an encoder and a decoder,
an LSTM layer output generation process in which the encoder generates an output of the LSTM layer by inputting the solar X-ray flare flux every minute;
an embedded information generation process in which the encoder transmits the output of the LSTM layer to a fully-connected layer to generate the configured embedded information; and
an X-ray flare flux prediction process in which a decoder predicts solar X-ray flare flux using information from the encoder. 제8 항에 있어서,
상기 인코더는,
상기 LSTM 레이어의 출력을 생성하도록 구성된 복수의 LSTM 레이어; 및
상기 복수의 LSTM 레이어 중 최종 LSTM 레이어의 각각의 출력이 각각의 입력과 연결되도록 구성된 완전히 연결된 레이어(fully-connected layer)를 포함하는, X-ray 플레어 플럭스 프로파일 예측 방법.9. The method of claim 8,
The encoder is
a plurality of LSTM layers configured to generate an output of the LSTM layer; and
and a fully-connected layer configured such that each output of a final LSTM layer of the plurality of LSTM layers is coupled to a respective input. 제9 항에 있어서,
상기 임베디드 정보 생성 과정 이후,
상기 인코더는 상기 완전히 연결된 레이어의 출력으로부터 상기 임베디드된 정보를 출력하고,
상기 임베디드된 정보를 상기 디코더의 입력으로 전달하도록 과정이 더 수행되는, X-ray 플레어 플럭스 프로파일 예측 방법.10. The method of claim 9,
After the embedded information generation process,
the encoder outputs the embedded information from the output of the fully connected layer,
and the process is further performed to pass the embedded information to the input of the decoder. 제9 항에 있어서,
상기 디코더는,
LSTM 레이어의 출력을 생성하도록 구성된 복수의 LSTM 레이어; 및
상기 복수의 LSTM 레이어 중 최종 LSTM 레이어의 각각의 출력이 각각의 입력과 연결되도록 구성된 완전히 연결된 레이어(fully-connected layer)를 포함하는, X-ray 플레어 플럭스 프로파일 예측 방법.10. The method of claim 9,
The decoder is
a plurality of LSTM layers configured to generate an output of the LSTM layer; and
and a fully-connected layer configured such that each output of a final LSTM layer of the plurality of LSTM layers is coupled to a respective input. 제11 항에 있어서,
상기 X-ray 플레어 플럭스 예측 과정에서,
상기 디코더는 제1 LSTM이 상기 인코더의 제1 LSTM 레이어로부터의 히든 상태 값과 셀 상태값을 수신하고,
제2 LSTM이 상기 인코더의 제2 LSTM 레이어로부터의 히든 상태 값과 셀 상태값을 수신하는, X-ray 플레어 플럭스 프로파일 예측 방법.12. The method of claim 11,
In the X-ray flare flux prediction process,
the decoder receives a hidden state value and a cell state value from a first LSTM layer of the encoder,
wherein a second LSTM receives a hidden state value and a cell state value from a second LSTM layer of the encoder. 제12 항에 있어서,
상기 디코더는 attention 레이어를 더 포함하고,
상기 X-ray 플레어 플럭스 예측 과정에서,
상기 인코더의 제2 LSTM 레이어로부터의 히든 상태 값과 셀 상태값과 상기 임베디드된 정보를 이용하여 상기 디코더의 LSTM 레이어로 상기 태양 X-ray 플레어 플럭스의 예측 값과 연관된 정보를 전달하는 과정을 수행하는, X-ray 플레어 플럭스 프로파일 예측 방법.13. The method of claim 12,
The decoder further comprises an attention layer,
In the X-ray flare flux prediction process,
The process of transferring information related to the predicted value of the solar X-ray flare flux to the LSTM layer of the decoder using the hidden state value and the cell state value and the embedded information from the second LSTM layer of the encoder , X-ray flare flux profile prediction method. 제11 항에 있어서,
상기 디코더는 복수의 디코딩 블록으로 구성되고,
상기 X-ray 플레어 플럭스 예측 과정에서,
상기 완전히 연결된 레이어의 출력으로부터 상기 태양 X-ray 플레어 플럭스의 예측 값을 상기 복수의 디코딩 블록 별로 출력하고,
상기 출력된 예측 값은 상기 복수의 디코딩 블록 중 인접한 디코딩 블록의 입력으로 피드백하는 과정을 수행하는, X-ray 플레어 플럭스 프로파일 예측 방법.12. The method of claim 11,
The decoder consists of a plurality of decoding blocks,
In the X-ray flare flux prediction process,
outputting the predicted value of the solar X-ray flare flux from the output of the fully connected layer for each of the plurality of decoding blocks,
and feeding back the output prediction value as an input of an adjacent decoding block among the plurality of decoding blocks. 딥러닝 기법을 이용한 태양 X-ray 플레어 플럭스 프로파일의 예측 방법을 수행하는 프로그램에 있어서, 상기 프로그램은,
인코더가 매 분 단위의 태양 X-ray 플레어 플럭스를 입력으로 LSTM 레이어의 출력을 생성하는 LSTM 레이어 출력 생성 과정;
상기 인코더가 상기 LSTM 레이어의 출력을 완전히 연결된 레이어(fully-connected layer)로 전달하여 구성된 임베디드된 정보를 생성하는 임베디드 정보 생성 과정; 및
디코더가 상기 인코더에서의 정보를 사용하여 태양 X-ray 플레어 플럭스를 예측하는 X-ray 플레어 플럭스 예측 과정을 수행하도록 구성된, X-ray 플레어 플럭스 프로파일 예측 방법을 수행하는 컴퓨터 판독가능한 저장매체에 저장된 컴퓨터 프로그램.A program for performing a method of predicting a solar X-ray flare flux profile using a deep learning technique, the program comprising:
an LSTM layer output generation process in which the encoder generates an output of the LSTM layer by inputting the solar X-ray flare flux every minute;
an embedded information generation process in which the encoder transmits the output of the LSTM layer to a fully-connected layer to generate the configured embedded information; and
A computer stored on a computer-readable storage medium performing an X-ray flare flux profile prediction method, wherein the decoder is configured to perform an X-ray flare flux prediction process of predicting solar X-ray flare flux using information from the encoder program.
KR1020200018320A 2020-02-14 2020-02-14 Forecast method of Major Solar X-ray Flare Flux Profiles Using a Novel Deep Learning Method KR102378281B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200018320A KR102378281B1 (en) 2020-02-14 2020-02-14 Forecast method of Major Solar X-ray Flare Flux Profiles Using a Novel Deep Learning Method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200018320A KR102378281B1 (en) 2020-02-14 2020-02-14 Forecast method of Major Solar X-ray Flare Flux Profiles Using a Novel Deep Learning Method

Publications (2)

Publication Number Publication Date
KR20210104209A true KR20210104209A (en) 2021-08-25
KR102378281B1 KR102378281B1 (en) 2022-03-25

Family

ID=77495414

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200018320A KR102378281B1 (en) 2020-02-14 2020-02-14 Forecast method of Major Solar X-ray Flare Flux Profiles Using a Novel Deep Learning Method

Country Status (1)

Country Link
KR (1) KR102378281B1 (en)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6816786B2 (en) * 2000-04-18 2004-11-09 Devrie S Intriligator Space weather prediction system and method
CN105372723A (en) * 2015-10-30 2016-03-02 中国科学院国家天文台 Solar flare forecasting method based on convolutional neural network model
KR101845760B1 (en) * 2017-01-25 2018-05-18 한국 천문 연구원 System and method for forecasting of solar flares using sunspot
KR102009464B1 (en) 2018-07-18 2019-08-09 경희대학교 산학협력단 Device and method for forecasting solar flare occurrence using full-disk solar magnetograms
KR102009460B1 (en) 2018-07-25 2019-08-09 경희대학교 산학협력단 Device and method for forecasting solar flare based on sdo/hmi vector magnetic fields
KR102047755B1 (en) 2018-11-30 2019-11-25 한국 천문 연구원 Prediction system and method for electron flux at geostationary orbit

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6816786B2 (en) * 2000-04-18 2004-11-09 Devrie S Intriligator Space weather prediction system and method
CN105372723A (en) * 2015-10-30 2016-03-02 中国科学院国家天文台 Solar flare forecasting method based on convolutional neural network model
KR101845760B1 (en) * 2017-01-25 2018-05-18 한국 천문 연구원 System and method for forecasting of solar flares using sunspot
KR102009464B1 (en) 2018-07-18 2019-08-09 경희대학교 산학협력단 Device and method for forecasting solar flare occurrence using full-disk solar magnetograms
KR102009460B1 (en) 2018-07-25 2019-08-09 경희대학교 산학협력단 Device and method for forecasting solar flare based on sdo/hmi vector magnetic fields
KR102047755B1 (en) 2018-11-30 2019-11-25 한국 천문 연구원 Prediction system and method for electron flux at geostationary orbit

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Hao Liu et al. Predicting Solar Flares Using Long Short-Term Memory Network. The Astrophysical Journal : 2019.05.20, Vol 877, No 2, pages 1-17* *
Kangwoo Yi et al. Forecast of Major Solar X-Ray Flare Flux Profiles Using Novel Deep Learning Models. The Astrophysical Journal Letters : The American Astronomical Society. 2020.02.10, 890:L5 (7pp),* *

Also Published As

Publication number Publication date
KR102378281B1 (en) 2022-03-25

Similar Documents

Publication Publication Date Title
Lim et al. Time-series forecasting with deep learning: a survey
Zhang et al. Multi-head attention-based probabilistic CNN-BiLSTM for day-ahead wind speed forecasting
Salcedo-Sanz et al. Feature selection in wind speed prediction systems based on a hybrid coral reefs optimization–Extreme learning machine approach
Sorkun et al. Time series forecasting on multivariate solar radiation data using deep learning (LSTM)
Eom et al. Feature-selective ensemble learning-based long-term regional PV generation forecasting
Arora et al. Probabilistic wind power forecasting using optimized deep auto-regressive recurrent neural networks
Zhang et al. Prediction of tropical cyclone genesis from mesoscale convective systems using machine learning
Lin et al. Temporal convolutional attention neural networks for time series forecasting
Zhang et al. A watershed water quality prediction model based on attention mechanism and Bi-LSTM
Morteza et al. Deep learning hyperparameter optimization: Application to electricity and heat demand prediction for buildings
Qiao et al. Feature selection strategy for machine learning methods in building energy consumption prediction
Girimurugan et al. Application of deep learning to the prediction of solar irradiance through missing data
Kong et al. A variational bayesian inference-based En-Decoder framework for traffic flow prediction
CN115759458A (en) Load prediction method based on comprehensive energy data processing and multi-task deep learning
Schreiber et al. Model selection, adaptation, and combination for transfer learning in wind and photovoltaic power forecasts
Liao et al. Probabilistic wind power forecasting for newly-built wind farms based on multi-task Gaussian process method
Kaur et al. A bayesian deep learning technique for multi-step ahead solar generation forecasting
Ghasvarian Jahromi et al. Wind power prediction based on wind speed forecast using hidden Markov model
KR102378281B1 (en) Forecast method of Major Solar X-ray Flare Flux Profiles Using a Novel Deep Learning Method
Ahmed et al. Investigating boosting techniques’ efficacy in feature selection: A comparative analysis
BenSaïda Are financial markets stochastic: A test for noisy chaos
Yaodong et al. Probabilistic short-term wind speed forecasting using a novel ensemble QRNN
Vallejo et al. Genetic algorithm applied to the specialization of neural networks for the forecast of wind and solar generation
Kaur et al. A bayesian probabilistic technique for multi-step ahead renewable generation forecasting
Han et al. A deep leaming model with multi-scale skip connections for solar flare prediction combined with prior information

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant