KR20210106781A - 레일의 설치 방향을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법 - Google Patents

레일의 설치 방향을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법 Download PDF

Info

Publication number
KR20210106781A
KR20210106781A KR1020200021717A KR20200021717A KR20210106781A KR 20210106781 A KR20210106781 A KR 20210106781A KR 1020200021717 A KR1020200021717 A KR 1020200021717A KR 20200021717 A KR20200021717 A KR 20200021717A KR 20210106781 A KR20210106781 A KR 20210106781A
Authority
KR
South Korea
Prior art keywords
data
rail
regional
rail temperature
temperature
Prior art date
Application number
KR1020200021717A
Other languages
English (en)
Inventor
조성진
박철정
Original Assignee
충남대학교산학협력단
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 충남대학교산학협력단 filed Critical 충남대학교산학협력단
Priority to KR1020200021717A priority Critical patent/KR20210106781A/ko
Publication of KR20210106781A publication Critical patent/KR20210106781A/ko

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01KMEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K1/00Details of thermometers not specially adapted for particular types of thermometer
    • G01K1/02Means for indicating or recording specially adapted for thermometers
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B61RAILWAYS
    • B61LGUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L23/00Control, warning, or like safety means along the route or between vehicles or vehicle trains
    • B61L23/04Control, warning, or like safety means along the route or between vehicles or vehicle trains for monitoring the mechanical state of the route
    • B61L23/042Track changes detection
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01KMEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00Thermometers specially adapted for specific purposes
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01WMETEOROLOGY
    • G01W1/00Meteorology
    • G01W1/02Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover, wind speed
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01WMETEOROLOGY
    • G01W1/00Meteorology
    • G01W1/10Devices for predicting weather conditions
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computer systems based on biological models
    • G06N3/02Computer systems based on biological models using neural network models
    • G06N3/08Learning methods
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01WMETEOROLOGY
    • G01W2201/00Weather detection, monitoring or forecasting for establishing the amount of global warming

Abstract

본 발명은 레일의 실제 온도를 계측할 때 레일의 위치하는 영역의 설치방향별/시간별 태양광의 입사각데이터와 레일의 영역별 온도를 딥러닝함으로써 지역별 레일온도를 보다 정확하게 예측할 수 있는 레일의 설치 방향을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법에 관한 것이다.
이를위하여, 본 발명은 지역별 기상예보 데이터를 수집하는 기상예보 데이터 수집부와, 상기 지역별 기상예보 데이터로부터 지역별 실시간 기후데이터, 지역별 위치데이터 및 지역별 레일설치방향 데이터를 계산하는 지역별 기상예보 데이터 변환부와, 상기 지역별 실시간 기후데이터, 상기 지역별 위치데이터 및 상기 지역별 레일설치방향 데이터로부터 딥러닝을 통해 지역별 레일온도를 예측하는 지역별 레일온도 예측부와, 상기 지역별 레일온도를 지도 상에 표시하는 지역별 레일온도 표시부를 포함한다.

Description

레일의 설치 방향을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법{Prediction system of rail temperature considering installed direction of rail and prediction method of rail temperature using the same}
본 발명은 레일의 설치 방향을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법에 관한 것으로, 보다 상세하게는 레일의 실제 온도를 계측할 때 레일의 위치하는 영역의 설치방향별/시간별 태양광의 입사각데이터와 레일의 영역별 온도를 딥러닝함으로써 지역별 레일온도를 보다 정확하게 예측할 수 있는 레일의 설치 방향을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법에 관한 것이다.
최근 열차의 고속화가 진행되고, 이러한 고속열차를 이동시키기 위하여 설치되는 레일은 장대 레일로 구성된다. 일반적으로 장대 레일은 200m 이상의 길이를 가지며, 기존의 철도 레일을 용접하여 이은 것으로, 열차의 고속화와 주행의 안정성을 위해 필수적이다.
장대 레일은 기존의 철도 레일과 비교하여 소음과 진동으로부터 자유로워 고속열차를 운용하기에 적합한 측면이 있는 반면, 열 응력에 의한 좌굴로 인하여 열차의 탈선 사고를 발생시킬 수 있는 위험성이 있다.
레일의 온도는 레일의 좌굴을 발생시키는 직접적인 원인으로서, 레일의 좌굴은 레일에 높은 온도가 지속적으로 가해졌을 때 발생한다.
좌굴로 인한 열차 탈선 사고의 빈도는 적지만 발생시 막대한 인적, 물적 손해를 불러일으키기 때문에 이를 방지 하는 기술은 철도 안전에 있어서 큰 이슈이다.
이러한 열차 탈선 사고를 막기 위한 가장 간단한 방법은 레일 온도에 따라서 열차에 제한 속도를 부여하는 것이다. 한국의 KTX의 경우 레일 온도가 55~60℃이면 230 kmph의 제한 속도를, 레일 온도가 60~64℃이면 70 kmph의 제한 속도가 부여되며, 그 이상의 온도에서는 열차의 운행이 중지된다. 미국, 영국, 오스트레일리아, 유럽 등과 같은 국가에서도 기준은 상이하지만 레일 온도를 기준으로 열차의 제한 속도를 결정한다.
제한 속도 기준에 의하여 KTX의 운행 규제는 2009년에 1회, 2010년에 8회, 2011년에 13회, 2012년에 28회 실시되었으며, 지구 온난화를 고려하였을 때 KTX에 운행 규제는 해가 지날 수록 더 많아질 전망이다.
이와 같은 레일의 온도는 기후 및 계절에 영향을 받으며, 레일이 위치하는 지역에 따라 기후 및 계절이 다르므로 지역에 따른 레일의 온도도 서로 다르다.
이러한 레일의 온도를 계측하기 위하여, 기존에는 레일 온도 검지 장치를 레일의 구간별로 설치하였으며, 설치된 레일 온도 검지 장치의 지역별 레일 온도를 측정하고, 딥러닝을 통해 지역별 레일 온도를 예측하였다.
그러나 이 경우 레일의 방향, 즉 레일으로부터 입사되는 태양광의 온도 차이는 반영되지 않아 레일의 영역별 온도 예측은 불가능한 문제점이 있다.
대한민국 등록특허공보 제10-1456532호(발명의 명칭: 선로전환기의 관리시스템, 공고일: 2014.10.24)
본 발명에서 해결하고자 하는 과제는 레일의 실제 온도를 계측할 때 레일의 위치하는 영역의 설치방향별/시간별 태양광의 입사각데이터와 레일의 영역별 온도를 딥러닝함으로써 지역별 레일온도를 보다 정확하게 예측할 수 있는 레일의 설치 방향을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법을 제공하는 것이다.
상술한 과제를 해결하기 위하여, 본 발명은 지역별 기상예보 데이터를 수집하는 기상예보 데이터 수집부와, 상기 지역별 기상예보 데이터로부터 지역별 실시간 기후데이터, 지역별 위치데이터 및 지역별 레일설치방향 데이터를 계산하는 지역별 기상예보 데이터 변환부와, 상기 지역별 실시간 기후데이터, 상기 지역별 위치데이터 및 상기 지역별 레일설치방향 데이터로부터 딥러닝을 통해 지역별 레일온도를 예측하는 지역별 레일온도 예측부와, 상기 지역별 레일온도를 지도 상에 표시하는 지역별 레일온도 표시부를 포함하되, 상기 지역별 레일온도는 레일온도 예측 알고리즘을 기반으로 상기 지역별 위치데이터 및 지역별 레일설치방향 데이터로부터 딥러닝을 통해 지역별 레일온도를 딥러닝하여 예측되며, 상기 지역별 레일온도 예측부는 상기 레일온도 예측 알고리즘에 포함되는 제1 레일온도 예측 알고리즘 및 제2 레일온도 예측 알고리즘을 생성하는 알고리즘 생성부를 포함하고, 상기 알고리즘 생성부는 상기 레일이 설치된 방향을 기반으로 상기 제1 레일온도 예측 알고리즘을 생성하는 제1 알고리즘 생성부와, 실제 레일온도 데이터와 지역별 계측 기상데이터를 기반으로 상기 제2 레일온도 예측 알고리즘을 생성하는 제2 알고리즘 생성부를 포함하는 것을 특징으로 하는 레일의 설치 방향을 고려한 레일 온도 예측 시스템을 제공한다.
여기서, 상기 지역별 레일설치방향 데이터는 지역별로 설치된 레일 중 레일의 영역별 설치각도일 수 있다.
또한, 상기 제2 알고리즘 생성부는 제2 레일온도 계측부에서 계측된 레일의 제2 실제 레일온도 데이터와, 상기 제2 레일온도 계측부에서 상기 레일의 실제 온도를 계측할 때 상기 레일이 위치하는 지역의 지역별 계측 기상데이터를 수집하는 제2 지역별 계측데이터 수집부와, 상기 제2 실제 레일온도 데이터에 따른 상기 지역별 계측 기상데이터를 정규화하는 제2 데이터 정규화부와, 정규화된 상기 제2 실제 레일온도 데이터 및 상기 지역별 계측 기상데이터를 매칭하여, 상기 지역별 계측 기상데이터에 따른 상기 제2 실제 레일온도 데이터를 딥러닝하는 제2 데이터 딥러닝부와, 상기 제2 데이터 딥러닝부에서 딥러닝을 통해 상기 제2 실제 레일온도 데이터와 상기 지역별 계측 기상데이터의 매칭 값이 기준오차 이하에 도달하면, 상기 제2 레일온도 예측 알고리즘을 도출하는 제2 알고리즘 도출부를 포함하며, 상기 제2 지역별 계측데이터 수집부에서 수집되는 상기 제2 실제 레일온도 데이터는 레일의 평균온도일 수 있다.
또한, 본 발명은 지역별 기상예보 데이터를 수집하는 기상예보 데이터 수집단계와, 상기 지역별 기상예보 데이터로부터 지역별 실시간 기후데이터, 지역별 위치데이터 및 지역별 레일설치방향 데이터를 계산하는 지역별 기상예보 데이터 변환단계와, 상기 지역별 실시간 기후데이터, 상기 지역별 위치데이터 및 상기 지역별 레일설치방향 데이터로부터 딥러닝을 통해 지역별 레일온도를 예측하는 지역별 레일온도 예측단계와, 상기 지역별 레일온도를 지도상에 표시하는 지역별 레일온도 표시단계;를 포함하되, 상기 지역별 레일온도 예측단계에서 상기 지역별 레일온도는 레일온도 예측 알고리즘을 기반으로 상기 지역별 실시간 기후데이터, 상기 지역별 위치데이터 및 상기 지역별 레일설치방향 데이터를 딥러닝하여 예측되며, 상기 지역별 레일온도 예측단계는 상기 레일온도 예측 알고리즘에 포함되는 제1 레일온도 예측 알고리즘 및 제2 레일온도 예측 알고리즘을 생성하는 알고리즘 생성단계를 포함하고, 상기 알고리즘 생성단계는 상기 레일이 설치된 방향을 기반으로 상기 제1 레일온도 예측 알고리즘을 생성하는 제1 알고리즘 생성단계와, 실제 레일온도 데이터와 지역별 계측 기상데이터를 기반으로 상기 제2 레일온도 예측 알고리즘을 생성하는 제2 알고리즘 생성단계를 포함하는 것을 특징으로 하는 레일의 설치 방향을 고려한 레일 온도 예측 시스템을 제공한다.
여기서, 상기 지역별 기상예보 데이터 변환단계에서 상기 지역별 레일설치방향 데이터는 지역별로 설치된 레일 중 레일의 영역별 설치각도일 수 있다.
또한, 상기 제2 알고리즘 생성단계는 제2 레일온도 계측부에서 계측된 레일의 제2 실제 레일온도 데이터와, 상기 제2 레일온도 계측부에서 상기 레일의 실제 온도를 계측할 때 상기 레일이 위치하는 지역의 지역별 계측 기상데이터를 수집하는 제2 지역별 계측데이터 수집단계와, 상기 제2 실제 레일온도 데이터에 따른 상기 지역별 계측 기상데이터를 정규화하는 제2 데이터 정규화단계와, 정규화된 상기 제2 실제 레일온도 데이터 및 상기 지역별 계측 기상데이터를 매칭하여, 상기 지역별 계측 기상데이터에 따른 상기 제2 실제 레일온도 데이터를 딥러닝하는 제2 데이터 딥러닝단계와, 상기 제2 데이터 딥러닝단계에서 딥러닝을 통해 상기 제2 실제 레일온도 데이터와 상기 지역별 계측 기상데이터의 매칭 값이 기준오차 이하에 도달하면, 상기 제2 레일온도 예측 알고리즘을 도출하는 제2 알고리즘 도출단계를 포함하며, 상기 제2 지역별 계측데이터 수집단계에서 수집되는 상기 제2 실제 레일온도 데이터는 레일의 평균온도일 수 있다.
본 발명에 따fms 레일의 설치 방향을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법은 다음과 같은 효과를 갖는다.
먼저, 제1 레일온도 예측 알고리즘과, 제2 레일온도 예측 알고리즘을 기반으로 지역별 실시간 기후데이터과 지역별 위치데이터뿐만 아니라, 지역별 레일설치방향 데이터도 딥러닝하여 지역별 레일온도를 보다 정확하게 예측할 수 있게 됨으로써 비접촉식으로 레일 온도를 추정할 수 있으며, 이에 따라 열차가 이동하는 지역의 위험 구간을 미리 파악할 수 있고, 이를 기준으로 레일온도에 따른 지역별 열차속도를 제한하여 열차 운행의 안정성을 높일 수 있게 된다.
또한, 제1 레일온도 예측 알고리즘과, 제2 레일온도 예측 알고리즘을 통해 지역별 레일온도를 예측하고, 예측된 지역별 레일온도를 기준으로 열차 속도를 제한함에 따라 발생하는 열차 지연시간을 미리 예상하여 승객에게 전달할 수 있으며, 이에 따라 계절별 열차 출발 시간표를 조정할 수 있으므로, 열차의 운행 지연을 최소화할 수 있다.
뿐만 아니라, 기상 데이터 소스는 국내 기상청 이외에도 Open Weather Map과 같은 세계 전 지역의 일기 예보를 제공하는 사이트와 연동되어 데이터를 기상예보 데이터 수집부에 전달함으로써 국내뿐만 아니라 해외의 지역에 따른 레일 온도를 예측할 수 있다.
도 1은 본 발명에 따른 레일의 설치 방향을 고려한 레일 온도 예측 시스템의 구성을 개략적으로 도시한 도면이다.
도 2는 본 발명에 따른 레일의 설치 방향을 고려한 레일 온도 예측 시스템의 알고리즘 생성부의 구성을 개략적으로 도시한 도면이다.
도 3 내지 도 4는 본 발명에 따른 레일의 설치 방향을 고려한 레일 온도 예측 시스템에서 레일의 설치 각도 및 입사각데이터에 따른 온도차이를 도시한 도면이다.
도 5는 본 발명에 따른 레일의 설치 방향을 고려한 레일 온도 예측 시스템에서 지역별 레일설치방향 데이터를 구하는 방법의 예시를 도시한 도면이다.
도 6은 본 발명에 따른 레일의 설치 방향을 고려한 레일 온도 예측 시스템에서 레일온도 출력부의 예시를 도시한 도면이다.
도 7은 본 발명에 따른 레일의 설치 방향을 고려한 레일 온도 예측 시스템에서 제2 알고리즘 생성부에 의하여 도출된 제2 레일온도 예측 알고리즘을 이용하여 예측된 레일 온도 예측 모델 성능을 도시한 도면이다.
도 8은 본 발명에 따른 레일의 설치 방향을 고려한 레일 온도 예측 방법의 단계를 도시한 도면이다.
도 9는 본 발명에 따른 레일의 설치 방향을 고려한 레일 온도 예측 방법의 알고리즘 생성단계를 도시한 도면이다.
이하, 상술한 해결하고자 하는 과제가 구체적으로 실현될 수 있는 본 발명의 바람직한 실시예들이 첨부된 도면을 참조하여 설명된다. 본 실시예들을 설명함에 있어서, 동일 구성에 대해서는 동일 명칭 및 동일 부호가 사용되며, 이에 따른 부가적인 설명은 하기에서 생략된다.
도 1 내지 도 7을 참조하여 본 발명에 따른 레일의 설치방향을 고려한 레일 온도 예측 시스템을 설명하면 다음과 같다.
먼저, 도 1에 도시된 바와 같이, 본 발명에 따른 레일의 설치방향을 고려한 레일 온도 예측 시스템은 기상예보 데이터 수집부(100), 지역별 기상예보 데이터 변환부(200), 지역별 레일온도 예측부(300) 및 지역별 레일온도 표시부(400)를 포함한다.
상기 기상예보 데이터 수집부(100)는 기상 데이터 소스(500)로부터 레일이 위치한 지역의 지역별 기상예보 데이터를 수집한다.
상기 지역별 기상예보 데이터 변환부(200)는 상기 지역별 기상예보 데이터로부터 지역별 실시간 기후데이터(210), 지역별 위치데이터(220) 및 지역별 레일설치방향 데이터(230)를 계산한다.
상기 지역별 실시간 기후데이터(210)는 상기 레일이 위치하는 지역의 기상 예보에 관한 정보에 관한 것이며, 이때, 상기 기상 데이터 소스(500)는 기상청 홈페이지의 동네 예보일 수 있으며, 상기 지역별 실시간 기후데이터(210)는 강수확률, 강수량, 기온, 풍향, 풍속, 습도 등을 포함한다.
상기 지역별 위치데이터(220)는 상기 레일이 위치하는 지역에 관한 정보에 관한 것으로, 상기 지역별 위치데이터(220)는 상기 레일이 위치하는 지역을 위도 및 경도 기준으로 분류한다.
또한, 상기 지역별 위치데이터(220)는 지역에 따른 태양의 방위각 데이터(221) 및 고도각 데이터(222)를 포함하고, 상기 방위각 데이터(221) 및 상기 고도각 데이터(222)는 시간 단위로 구분된다. 즉, 상기 지역별 위치데이터(220)는 위도와 경도로 분류된 위치의 년, 월, 일, 시, 분, 초 단위를 기준으로 해당 지역의 태양의 방위각 데이터(221) 및 태양의 고도각 데이터(222)를 의미한다.
상기 지역별 레일설치방향 데이터(230)는 지역별로 설치된 레일 중 레일의 영역별 설치각도에 관한 것이다. 즉, 도 3 내지 도 5에 도시된 바와 같이, 본 발명에 따른 레일의 설치방향을 고려한 레일 온도 예측 시스템에서 제공하는 지역별 레일온도의 스케일(Scale)에 부합되도록 레일의 노선도를 영역별, 즉 설치 구간을 나누고, 구간별로 레일이 설치된 각도를 의미한다.
따라서, 상기 기상예보 데이터 수집부(100)에서 수집된 상기 지역별 기상예보 데이터로부터 레일이 위치한 지역의 강수확률, 강수량, 기온, 풍향, 풍속, 습도 등과 같은 상기 지역별 실시간 기후데이터(210)와, 지역에 따른 상기 방위각 데이터(221) 및 상기 고도각 데이터(222)를 포함하는 상기 지역별 위치데이터(220)뿐만 아니라, 지역별로 설치된 레일 중 레일의 영역별 설치각도를 계산함으로써 이후 제1 레일온도 예측 알고리즘(320a)과, 제2 레일온도 예측 알고리즘(320b)을 통해 지역별 레일온도를 예측할 때, 보다 정확한 예측을 수행할 수 있다.
상기 지역별 레일온도 예측부(300)는 상기 지역별 실시간 기후데이터(210), 상기 지역별 위치데이터(220) 및 상기 지역별 레일설치방향 데이터(230)로부터 딥러닝을 통해 지역별 레일온도를 예측한다.
이때, 상기 지역별 레일온도는 상기 지역별 레일설치방향 데이터가 딥러닝된 제1 레일온도 예측 알고리즘(320a)과 상기 지역별 실시간 기후데이터(210) 및 상기 지역별 위치데이터(220)가 딥러닝된 제2 레일온도 예측 알고리즘을 기반으로 예측된다.
상기 지역별 레일온도 예측부(300)는 제1 실제 레일온도 데이터(610) 및 상기 레일이 설치된 방향을 기반으로 한 입사각데이터(800)를 딥러닝하여 상기 제1 레일온도 예측 알고리즘(320a)을 생성하는 제1 알고리즘 생성부(310a)와, 제2 실제 레일온도 데이터(620)와 지역별 계측 기상데이터(700)를 기반으로 상기 제2 레일온도 예측 알고리즘(320b)을 생성하는 제2 알고리즘 생성부(310b)를 포함한다.
상기 제1 알고리즘 생성부(310a) 및 상기 제2 알고리즘 생성부(310b)에 대한 설명은 후술하도록 한다.
상기 지역별 레일온도 표시부(400)는 상기 지역별 레일온도를 지도상에 표시하며, 예를 들어, 상기 지역별 레일온도 표시부(400)는 도 6와 같이 지도상에 지역별 레일의 온도를 색상으로 구분하여 표시함으로써 상기 지역별 레일온도를 출력할 수 있다.
따라서, 본 발명에 따른 레일의 설치 방향을 고려한 레일 온도 예측 시스템은 상기 제1 레일온도 예측 알고리즘(320a)과, 상기 제2 레일온도 예측 알고리즘(320b)을 기반으로 상기 지역별 실시간 기후데이터(210)과 상기 지역별 위치데이터(220)뿐만 아니라, 상기 지역별 레일설치방향 데이터(230)도 딥러닝하여 지역별 레일온도를 보다 정확하게 예측할 수 있게 됨으로써 비접촉식으로 레일 온도를 추정할 수 있으며, 이에 따라 열차가 이동하는 지역의 위험 구간을 미리 파악할 수 있고, 이를 기준으로 레일온도에 따른 지역별 열차속도를 제한하여 열차 운행의 안정성을 높일 수 있게 된다.
또한, 상기 제1 레일온도 예측 알고리즘(320a)과, 상기 제2 레일온도 예측 알고리즘(320b)을 통해 지역별 레일온도를 예측하고, 예측된 지역별 레일온도를 기준으로 열차 속도를 제한함에 따라 발생하는 열차 지연시간을 미리 예상하여 승객에게 전달할 수 있으며, 이에 따라 계절별 열차 출발 시간표를 조정할 수 있으므로, 열차의 운행 지연을 최소화할 수 있다.
뿐만 아니라, 상기 기상 데이터 소스(500)는 국내 기상청 이외에도 Open Weather Map과 같은 세계 전 지역의 일기 예보를 제공하는 사이트와 연동되어 데이터를 상기 기상예보 데이터 수집부(100)에 전달함으로써 국내뿐만 아니라 해외의 지역에 따른 레일 온도를 예측할 수 있다.
도 2를 참조하여, 상술한 제1 알고리즘 생성부(310a)와, 제2 알고리즘 생성부(310)를 설명하면 다음과 같다.
먼저, 도 2에 도시된 바와 같이, 상기 제1 알고리즘 생성부(310a)는 레일 영역 선택부(311a), 해상도 조정부(312a), 설치방향 추출부(313a), 제1 지역별 계측데이터 수집부(314a), 제1 데이터 정규화부(315a), 제1 데이터 딥러닝부(316a) 및 제1 알고리즘 도출부(317a)를 포함한다.
상기 레일 영역 선택부(311a)는 추출하고자 하는 레일의 영역을 선택한다. 여기서 레일의 영역은 지역별 레일을 의미한다.
상기 해상도 조정부(312a)는 상기 레일 영역 선택부(311a)에서 선택된 상기 레일의 해상도를 조정한다. 상기 레일의 해상도를 조정함으로써 상기 레일의 구간을 조정하며, 상기 레일의 영역을 조정함으로써 상기 레일의 설치각도를 판단하는 상기 레일의 단위길이를 정의할 수 있다.
상기 설치방향 추출부(313a)는 상기 선택된 레일을 이미지로 인식하며, 상기 레일의 단위길이당 설치방향, 즉 설치각도를 추출한다.
상기 제1 지역별 계측데이터 수집부(314a)는 제1 레일온도 계측부에서 계측된 레일의 제1 실제 레일온도 데이터(610)와, 제1 레일온도 계측부에서 상기 레일의 실제 온도를 계측할 때 상기 레일의 위치하는 영역의 설치방향별/시간별 태양광의 입사각데이터(800)를 수집하며, 여기서, 상기 제1 실제 레일온도 데이터(610)는 레일의 영역별(단위길이당) 온도이다.
도 3 및 도 4에 도시된 바와 같이, 레일의 온도는 레일이 설치된 각도에 따라 온도차이가 발생될 뿐만 아니라, 설치된 각도에 따라 레일의 영역별로 태양광의 입사면적이 달라지므로, 영역별 온도도 상이한 경향을 보이므로, 설치방향별/시간별 태양광의 입사각데이터(800)를 수집한다.
상기 제1 데이터 정규화부(315a)는 상기 제1 실제 레일온도 데이터(610)에 따른 상기 입사각데이터(800)를 정규화한다.
상기 제1 데이터 딥러닝부(316a)는 정규화된 상기 제1 실제 레일온도 데이터(610) 및 상기 입사각데이터(800)를 매칭하여, 상기 입사각데이터에 따른 상기 제1 실제 레일온도 데이터(610)를 딥러닝한다.
상기 제1 알고리즘 도출부(317a)는 상기 제1 데이터 딥러닝부(316a)에서 딥러닝을 통해 상기 제1 실제 레일온도 데이터(610)와 상기 입사각데이터(800)의 매칭값이 기준 오차 이하에 도달하면, 상기 제1 레일온도 예측 알고리즘(320a)을 도출한다.
도 2에 도시된 바와 같이, 상기 제2 알고리즘 생성부(310b)는 제2 지역별 계측데이터 수집부(311b), 제2 데이터 정규화부(312b), 제2 데이터 딥러닝부(313b), 제2 알고리즘 도출부(314b)를 포함한다.
상기 제2 지역별 계측데이터 수집부(311b)는 상기 별도의 제2 레일온도 계측부에서 계측된 레일의 제2 실제 레일온도 데이터(620)와, 상기 제2 레일온도 계측부에서 상기 레일의 실제 온도를 계측할 때 상기 레일이 위치하는 지역의 지역별 계측 기상데이터(700)를 수집하며, 상기 제2 실제 레일온도 데이터(620)는 레일의 평균 온도를 의미한다.
여기서, 상기 지역별 계측 기상데이터(700)는 상기 제2 실제 레일온도 데이터(620)를 계측한 지역의 지역별 계측 기후데이터(710) 및 상기 제2 실제 레일온도 데이터(620)를 계측한 지역의 지역별 계측 위치데이터(720)를 포함한다.
상기 지역별 계측 기후데이터(710)는 상술한 지역별 실시간 기후데이터(210)와 마찬가지로, 강수 확률, 강수량, 기온, 풍향, 풍속, 습도를 포함한다.
또한, 상기 지역별 계측 위치데이터(720)는 상술한 지역별 위치데이터(220)와 마찬가지로, 경도 및 상기 레일이 위치하는 지역을 위도 및 경도 기준으로 분류하며, 지역에 따른 태양의 방위각 데이터 및 고도각 데이터를 포함한다.
상기 제2 데이터 정규화부(312b)는 상기 제2 실제 레일온도 데이터(620)에 따른 상기 지역별 계측 기상데이터(700)를 정규화한다.
상기 제2 데이터 딥러닝부(313b)는 정규화된 상기 제2 실제 레일온도 데이터(620) 및 상기 지역별 계측 기상데이터(700)를 매칭하여, 상기 지역별 계측 기상데이터(700)에 따른 상기 제2 실제 레일온도 데이터(600)를 딥러닝한다.
이때, 상기 제2 데이터 딥러닝부(313b)는 역전파 알고리즘을 적용한 인공 신경망을 포함하며, 인공신경망에 정규화된 상기 제2 실제 레일온도 데이터(620) 및 상기 지역별 계측 기상데이터(700)를 입력하여 딥러닝하고, 이때, 딥러닝을 통한 알고리즘을 생성하기 위하여 사용하는 활성화 함수는 ReLU일 수 있다.
상기 제2 데이터 딥러닝부(313b)에서는 경사 하강법에 의하여 오차(손실)을 최소화하는 방향으로 딥러닝한다.
상기 제2 알고리즘 도출부(314b)는 상기 제2 데이터 딥러닝부(313b)에서 딥러닝을 통해 상기 제2 실제 레일온도 데이터(620) 및 상기 지역별 계측 기상데이터(700)의 매칭값이 기준 오차 이하에 도달하면, 상기 제2 레일온도 예측 알고리즘(320b)을 도출한다.
상술한 과정을 수행함으로써 상기 제2 레일온도 예측 알고리즘(320b)를 도출하고, 도 7에 도시된 바와 같이, '계측된 레일 온도'와 '계측된 레일온도-예측된 레일 온도(계측값과 예측값의 차)'를 Bland-Altman 플롯을 이용하여 신뢰도를 평가할 때, 오차의 평균은 0.004 ℃, 표준 편차는 1.726 ℃로 매우 높은 수준의 예측 성능이 나타는 것을 확인할 수 있다.
여기서, 상기 계측 기상데이터 수집부는 상기 제2 실제 레일온도 데이터(620) 및 상기 지역별 계측 기상데이터(700)를 최소 1년 동안 연속적으로 수집하므로, 특정 시간, 특정 계절에만 국한되지 않고, 모든 시간에 레일의 온도 예측을 수행할 수 있게 된다.
상술한 과정을 통해 도출된 제1 레일온도 예측 알고리즘(320a)과 제2 레일온도 예측 알고리즘(320b)을 통해, 레일의 구간별로 보다 정확한 온도 예측을 수행할 수 있다.
도 8 및 도 9을 참조하여, 본 발명에 따른 레일의 설치 방향을 고려한 레일 온도 예측 방법을 설명하면 다음과 같다.
본 발명에 따른 레일의 설치 방향을 고려한 레일 온도 예측 방법은 기상예보 데이터 수집단계(S100), 지역별 기상예보 데이터 변환단계(S200), 지역별 레일온도 예측단계(S300) 및 지역별 레일온도 표시단계(S400)를 포함한다.
상기 기상예보 데이터 수집단계(S100)에서는 기상데이터 소스로부터 레일이 위치한 지역의 지역별 기상예보 데이터를 수집한다.
상기 지역별 기상예보 데이터 변환단계(S200)에서는 상기 지역별 기상예보 데이터로부터 지역별 실시간 기후데이터, 지역별 위치데이터 및 지역별 레일설치방향 데이터를 계산한다.
상기 지역별 레일온도 예측단계(S300)에서는 상기 지역별 실시간 기후데이터, 상기 지역별 위치데이터 및 상기 지역별 레일설치방향 데이터로부터 딥러닝을 통해 지역별 레일온도를 예측하며, 구체적으로 상기 지역별 레일온도 예측단계(S300)는 제1 레일온도 예측 알고리즘(320a) 및 제2 레일온도 예측 알고리즘(320b)을 생성하는 알고리즘 생성단계(S310, 미도시)를 포함한다.
상기 알고리즘 생성단계는 제1 알고리즘 생성단계(S310a)와 제2 알고리즘 생성단계(S310b)를 포함한다.
상기 제1 알고리즘 생성단계(S310a)에서는 상기 레일이 설치된 방향을 기반으로 상기 제1 레일온도 예측 알고리즘(320a)을 생성하며, 구체적으로 상기 제1 알고리즘 생성단계(S310a)는 레일 영역 선택단계(S311a), 해상도 조정단계(S312a), 설치방향 추출단계(S313a), 제1 지역별 계측데이터 수집단계(S314a), 제1 데이터 정규화단계(S315a), 제1 데이터 딥러닝단계(S316a) 및 제1 알고리즘 도출단계(S317a)를 포함한다.
상기 레일 영역 선택단계(S311a)에서는 상기 레일 영역 선택부(311a)에서 추출하고자 하는 레일의 영역을 선택한다.
상기 해상도 조정단계(S312a)에서는 상기 해상도 조정부(312a)에서 선택된 상기 레일의 해상도를 조정한다.
상기 설치방향 추출단계(S313a)에서는 상기 설치방향 추출부(313a)에서 상기 선택된 레일을 이미지로 인식하여 상기 레일의 설치방향을 추출한다.
상기 제1 지역별 계측데이터 수집단계(S314a)에서는 상기 제1 지역별 계측데이터 수집부(314a)에서 제1 레일온도 계측부에서 계측된 레일의 제1 실제 레일온도 데이터(610)와, 제1 레일온도 계측부에서 상기 레일의 실제 온도를 계측할 때 상기 레일의 위치하는 영역의 설치방향별/시간별 태양광의 입사각데이터(800)를 수집한다.
상기 제1 데이터 정규화단계(S315a)에서는 상기 제1 데이터 정규화부(315a)에서 상기 제1 실제 레일온도 데이터(610)에 따른 상기 입사각데이터(800)를 정규화한다.
상기 제1 데이터 딥러닝단계(S316a)에서는 상기 제1 데이터 딥러닝부(316a)에서 정규화된 상기 제1 실제 레일온도 데이터(610) 및 상기 입사각데이터(800)를 매칭하여, 상기 입사각데이터(800)에 따른 상기 제1 실제 레일온도 데이터(610)를 딥러닝한다.
상기 제1 알고리즘 도출단계(S317a)에서는 상기 제1 알고리즘 도출부(317a)에서 상기 제1 데이터 딥러닝단계(S316a)에서 딥러닝을 통해 상기 제1 실제 레일온도 데이터(610)와 상기 입사각데이터(800)의 매칭값이 기준 오차 이하에 도달하면, 상기 제1 레일온도 예측 알고리즘(320a)을 도출한다.
상기 제2 알고리즘 생성단계(S310b)를 설명하면 다음과 같다.
상기 제2 알고리즘 생성단계(S310b)는 제2 지역별 계측데이터 수집단계(S311b), 제2 데이터 정규화단계(S312b), 제2 데이터 딥러닝단계(S313b), 제2 알고리즘 도출단계(S314b)를 포함한다.
상기 제2 지역별 계측데이터 수집단계(S311b)에서는 상기 별도의 제2 레일온도 계측부에서 계측된 레일의 제2 실제 레일온도 데이터(620)와, 상기 제2 레일온도 계측부에서 상기 레일의 실제 온도를 계측할 때 상기 레일이 위치하는 지역의 지역별 계측 기상데이터(700)를 수집한다.
상기 제2 데이터 정규화단계(S312b)에서는 상기 제2 실제 레일온도 데이터(620)에 따른 상기 지역별 계측 기상데이터(700)를 정규화한다.
상기 제2 데이터 딥러닝단계(S313b)에서는 정규화된 상기 제2 실제 레일온도 데이터(620) 및 상기 지역별 계측 기상데이터(700)를 매칭하여, 상기 지역별 계측 기상데이터(700)에 따른 상기 제2 실제 레일온도 데이터(600)를 딥러닝한다.
상기 제2 알고리즘 도출단계(S314b)에서는 상기 제2 데이터 딥러닝부(313b)에서 딥러닝을 통해 상기 제2 실제 레일온도 데이터(620) 및 상기 지역별 계측 기상데이터(700)의 매칭값이 기준 오차 이하에 도달하면, 상기 제2 레일온도 예측 알고리즘(320b)을 도출한다.
이 외, 본 발명에 따른 레일의 설치 방향을 고려한 레일 온도 예측 방법의 상세 설명은 본 발명에 따른 레일의 설치 방향을 고려한 레일 온도 예측 시스템과 대응되므로, 이에 대한 상세한 설명은 생략한다.
이상 설명한 바와 같이, 본 발명은 상술한 특정한 바람직한 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형의 실시가 가능하고 이러한 변형은 본 발명의 범위에 속한다.
100: 기상예보 데이터 수집부
200: 지역별 기상예보 데이터 변환부
210: 지역별 실시간 기후데이터
220: 지역별 위치데이터
221: 방위각 데이터
222: 고도각 데이터
230: 지역별 레일설치방향 데이터
300: 지역별 레일온도 예측부
310: 알고리즘 생성부(310)
310a: 제1 알고리즘 생성부(310a)
311a: 레일 영역 선택부(311a)
312a: 해상도 조정부(312a)
313a: 설치방향 추출부(313a)
314a: 제1 지역별 계측데이터 수집부(314a)
315a: 제1 데이터 정규화부(315a)
316a: 제1 데이터 딥러닝부(316a)
317a: 제1 알고리즘 도출부(317a)
310b: 제2 알고리즘 생성부
311b: 제2 지역별 계측데이터 수집부
312b: 제2 데이터 정규화부
313b: 제2 데이터 딥러닝부
314b: 제2 알고리즘 도출부
320: 레일온도 예측 알고리즘(320)
320a: 제1 레일온도 예측 알고리즘(320a)
320b: 제2 레일온도 예측 알고리즘
400: 지역별 레일온도 표시부
500: 기상 데이터 소스
600: 실제 레일온도 데이터(600)
610: 제1 실제 레일온도 데이터(610)
620: 제2 실제 레일온도 데이터
700: 지역별 계측 기상데이터
710: 지역별 계측 기후데이터
720: 지역별 계측 위치데이터
800: 입사각데이터

Claims (6)

  1. 지역별 기상예보 데이터를 수집하는 기상예보 데이터 수집부;
    상기 지역별 기상예보 데이터로부터 지역별 실시간 기후데이터, 지역별 위치데이터 및 지역별 레일설치방향 데이터를 계산하는 지역별 기상예보 데이터 변환부;
    상기 지역별 실시간 기후데이터, 상기 지역별 위치데이터 및 상기 지역별 레일설치방향 데이터로부터 딥러닝을 통해 지역별 레일온도를 예측하는 지역별 레일온도 예측부; 및
    상기 지역별 레일온도를 지도 상에 표시하는 지역별 레일온도 표시부;를 포함하되,
    상기 지역별 레일온도는 레일온도 예측 알고리즘을 기반으로 상기 지역별 위치데이터 및 지역별 레일설치방향 데이터로부터 딥러닝을 통해 지역별 레일온도를 딥러닝하여 예측되며,
    상기 지역별 레일온도 예측부는 상기 레일온도 예측 알고리즘에 포함되는 제1 레일온도 예측 알고리즘 및 제2 레일온도 예측 알고리즘을 생성하는 알고리즘 생성부를 포함하고,
    상기 알고리즘 생성부는,
    상기 레일이 설치된 방향을 기반으로 상기 제1 레일온도 예측 알고리즘을 생성하는 제1 알고리즘 생성부; 및
    실제 레일온도 데이터와 지역별 계측 기상데이터를 기반으로 상기 제2 레일온도 예측 알고리즘을 생성하는 제2 알고리즘 생성부;를 포함하는 것을 특징으로 하는 레일의 설치 방향을 고려한 레일 온도 예측 시스템.
  2. 제1항에 있어서,
    상기 지역별 레일설치방향 데이터는 지역별로 설치된 레일 중 레일의 영역별 설치각도인 것을 특징으로 하는 레일의 설치 방향을 고려한 레일 온도 예측 시스템.
  3. 제1항에 있어서,
    상기 제2 알고리즘 생성부는,
    제2 레일온도 계측부에서 계측된 레일의 제2 실제 레일온도 데이터와, 상기 제2 레일온도 계측부에서 상기 레일의 실제 온도를 계측할 때 상기 레일이 위치하는 지역의 지역별 계측 기상데이터를 수집하는 제2 지역별 계측데이터 수집부;
    상기 제2 실제 레일온도 데이터에 따른 상기 지역별 계측 기상데이터를 정규화하는 제2 데이터 정규화부;
    정규화된 상기 제2 실제 레일온도 데이터 및 상기 지역별 계측 기상데이터를 매칭하여, 상기 지역별 계측 기상데이터에 따른 상기 제2 실제 레일온도 데이터를 딥러닝하는 제2 데이터 딥러닝부; 및
    상기 제2 데이터 딥러닝부에서 딥러닝을 통해 상기 제2 실제 레일온도 데이터와 상기 지역별 계측 기상데이터의 매칭 값이 기준오차 이하에 도달하면, 상기 제2 레일온도 예측 알고리즘을 도출하는 제2 알고리즘 도출부;를 포함하며,
    상기 제2 지역별 계측데이터 수집부에서 수집되는 상기 제2 실제 레일온도 데이터는 레일의 평균온도인 것을 특징으로 하는 기상 조건을 고려한 레일 온도 예측 시스템.
  4. 지역별 기상예보 데이터를 수집하는 기상예보 데이터 수집단계;
    상기 지역별 기상예보 데이터로부터 지역별 실시간 기후데이터, 지역별 위치데이터 및 지역별 레일설치방향 데이터를 계산하는 지역별 기상예보 데이터 변환단계;
    상기 지역별 실시간 기후데이터, 상기 지역별 위치데이터 및 상기 지역별 레일설치방향 데이터로부터 딥러닝을 통해 지역별 레일온도를 예측하는 지역별 레일온도 예측단계; 및
    상기 지역별 레일온도를 지도상에 표시하는 지역별 레일온도 표시단계;를 포함하되,
    상기 지역별 레일온도 예측단계에서 상기 지역별 레일온도는 레일온도 예측 알고리즘을 기반으로 상기 지역별 실시간 기후데이터, 상기 지역별 위치데이터 및 상기 지역별 레일설치방향 데이터를 딥러닝하여 예측되며,
    상기 지역별 레일온도 예측단계는 상기 레일온도 예측 알고리즘에 포함되는 제1 레일온도 예측 알고리즘 및 제2 레일온도 예측 알고리즘을 생성하는 알고리즘 생성단계를 포함하고,
    상기 알고리즘 생성단계는,
    상기 레일이 설치된 방향을 기반으로 상기 제1 레일온도 예측 알고리즘을 생성하는 제1 알고리즘 생성단계; 및
    실제 레일온도 데이터와 지역별 계측 기상데이터를 기반으로 상기 제2 레일온도 예측 알고리즘을 생성하는 제2 알고리즘 생성단계;를 포함하는 것을 특징으로 하는 레일의 설치 방향을 고려한 레일 온도 예측 방법.
  5. 제4항에 있어서,
    상기 지역별 기상예보 데이터 변환단계에서 상기 지역별 레일설치방향 데이터는 지역별로 설치된 레일 중 레일의 영역별 설치각도인 것을 특징으로 하는 레일의 설치 방향을 고려한 레일 온도 예측 방법.
  6. 제4항에 있어서,
    상기 제2 알고리즘 생성단계는,
    제2 레일온도 계측부에서 계측된 레일의 제2 실제 레일온도 데이터와, 상기 제2 레일온도 계측부에서 상기 레일의 실제 온도를 계측할 때 상기 레일이 위치하는 지역의 지역별 계측 기상데이터를 수집하는 제2 지역별 계측데이터 수집단계;
    상기 제2 실제 레일온도 데이터에 따른 상기 지역별 계측 기상데이터를 정규화하는 제2 데이터 정규화단계;
    정규화된 상기 제2 실제 레일온도 데이터 및 상기 지역별 계측 기상데이터를 매칭하여, 상기 지역별 계측 기상데이터에 따른 상기 제2 실제 레일온도 데이터를 딥러닝하는 제2 데이터 딥러닝단계; 및
    상기 제2 데이터 딥러닝단계에서 딥러닝을 통해 상기 제2 실제 레일온도 데이터와 상기 지역별 계측 기상데이터의 매칭 값이 기준오차 이하에 도달하면, 상기 제2 레일온도 예측 알고리즘을 도출하는 제2 알고리즘 도출단계;를 포함하며,
    상기 제2 지역별 계측데이터 수집단계에서 수집되는 상기 제2 실제 레일온도 데이터는 레일의 평균온도인 것을 특징으로 하는 기상 조건을 고려한 레일 온도 예측 방법.
KR1020200021717A 2020-02-21 2020-02-21 레일의 설치 방향을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법 KR20210106781A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200021717A KR20210106781A (ko) 2020-02-21 2020-02-21 레일의 설치 방향을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200021717A KR20210106781A (ko) 2020-02-21 2020-02-21 레일의 설치 방향을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법

Publications (1)

Publication Number Publication Date
KR20210106781A true KR20210106781A (ko) 2021-08-31

Family

ID=77489428

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200021717A KR20210106781A (ko) 2020-02-21 2020-02-21 레일의 설치 방향을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법

Country Status (1)

Country Link
KR (1) KR20210106781A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101456532B1 (ko) 2013-07-24 2014-10-31 현대로템 주식회사 선로전환기의 관리시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101456532B1 (ko) 2013-07-24 2014-10-31 현대로템 주식회사 선로전환기의 관리시스템

Similar Documents

Publication Publication Date Title
Pelly et al. A new perspective on blocking
Lombardo et al. Automated extraction and classification of thunderstorm and non-thunderstorm wind data for extreme-value analysis
Ralph et al. Assessment of extreme quantitative precipitation forecasts and development of regional extreme event thresholds using data from HMT-2006 and COOP observers
Cheng et al. Possible impacts of climate change on wind gusts under downscaled future climate conditions: Updated for Canada
US20070265780A1 (en) System and method for predicting future rail temperature
Ebert et al. Ensemble tropical rainfall potential (eTRaP) forecasts
CN109407177B (zh) 基于机器学习与常规气象观测的大雾识别系统和应用方法
Gayà et al. Tornadoes and waterspouts in the Balearic Islands: phenomena and environment characterization
Wapler et al. Characterisation and predictability of a strong and a weak forcing severe convective event–a multi-data approach
KR101966641B1 (ko) 기상 조건을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법
KR20210106781A (ko) 레일의 설치 방향을 고려한 레일 온도 예측 시스템 및 이를 이용한 레일 온도 예측 방법
Martin et al. Rapid cyclogenesis from a mesoscale frontal wave on an atmospheric river: Impacts on forecast skill and predictability during atmospheric river landfall
Wilson Comments on “Probabilistic predictions of precipitation using the ECMWF ensemble prediction system”
Hu et al. Modeling road surface temperature from air temperature and geographical parameters—implication for the application of floating Car data in a road weather forecast model
Karsisto et al. Using car observations in road weather forecasting
WO2015108154A1 (ja) 最大瞬間風速予測システム、コンピュータプログラム、及び、突風警報情報発令システム
Neiman et al. A real-time online data product that automatically detects easterly gap-flow events and precipitation type in the Columbia River Gorge
Opitz et al. The challenge of forecasting heavy rain and flooding throughout the Eastern Region of the National Weather Service. Part II: Forecast techniques and applications
Gustavsson et al. Information not data: future development of road weather information systems
Buttstädt et al. A new approach for highly resolved air temperature measurements in urban areas
Zhang et al. Modeling rail temperature with real-time weather data
Tapiador et al. A multisource analysis of Hurricane Vince
Hugenholtz et al. Wind hazard in the alpine zone: a case study in Alberta, Canada
Fu et al. Prediction of weather-related incidents on the rail network: prototype data model for wind-related delays in Great Britain
Bunkers et al. Observations of hail–wind ratios from convective storm reports across the continental United States

Legal Events

Date Code Title Description
E902 Notification of reason for refusal