KR20220095624A - A system for providing rainfall probability information using meteorological image information provided by the Meteorological Agency based on machine learning and a method using the same - Google Patents

A system for providing rainfall probability information using meteorological image information provided by the Meteorological Agency based on machine learning and a method using the same Download PDF

Info

Publication number
KR20220095624A
KR20220095624A KR1020200187316A KR20200187316A KR20220095624A KR 20220095624 A KR20220095624 A KR 20220095624A KR 1020200187316 A KR1020200187316 A KR 1020200187316A KR 20200187316 A KR20200187316 A KR 20200187316A KR 20220095624 A KR20220095624 A KR 20220095624A
Authority
KR
South Korea
Prior art keywords
information
rainfall
artificial intelligence
target cell
weather
Prior art date
Application number
KR1020200187316A
Other languages
Korean (ko)
Other versions
KR102432397B1 (en
Inventor
김정석
Original Assignee
주식회사 스튜디오엑스코
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 주식회사 스튜디오엑스코 filed Critical 주식회사 스튜디오엑스코
Priority to KR1020200187316A priority Critical patent/KR102432397B1/en
Publication of KR20220095624A publication Critical patent/KR20220095624A/en
Application granted granted Critical
Publication of KR102432397B1 publication Critical patent/KR102432397B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G01W1/06—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed giving a combined indication of weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

The present invention is a system for providing rainfall probability information using meteorological image information provided by the Korea Meteorological Administration based on machine learning and a method using the same. The system of the present invention can predict localized heavy rain or heavy snow based on a minimum radius (1 km) by image analysis of image information with machine learning by using terminals such as mobile communication wireless networks, IoT, and navigation devices attached to vehicles such as automobiles while using images provided by the Korea Meteorological Administration (radar, satellite) at the same time. The system for providing rainfall probability information using meteorological image information provided by the Korea Meteorological Administration based on machine learning includes a radio wave information collection module, a rainfall information calculation server, and an artificial intelligence calculation server.

Description

머신러닝을 기반으로 하는 기상청 제공 기상영상정보를 활용한 강우확률정보 제공 시스템 및 이를 이용한 방법{A system for providing rainfall probability information using meteorological image information provided by the Meteorological Agency based on machine learning and a method using the same}A system for providing rainfall probability information using meteorological image information using meteorological image information provided by the Meteorological Agency based on machine learning and a method using the same }

본 발명은 머신러닝을 기반으로 하는 기상청 제공 기상영상정보를 활용한 강우확률정보 제공 시스템 및 이를 이용한 방법에 관한 것이다. The present invention relates to a system for providing rainfall probability information using weather image information provided by the Korea Meteorological Administration based on machine learning and a method using the same.

매년 지구온난화로 인해 집중호우와 폭설 등 기상이변이 증가하고 있지만, 현재의 기상청 제공 기상정보에 대해 사용자 불만족이 높아지고 있는 이유는 강우 확률 측정, 예보 방식과 측정 범위에 그 원인이 있다. Although extreme weather events such as torrential rain and heavy snow are increasing every year due to global warming, the reason users are dissatisfied with the current weather information provided by the Korea Meteorological Administration is increasing due to the rainfall probability measurement, forecast method and measurement range.

기상청의 정보제공은 일정 시간 전에 측정한 과거 데이터로 실시간 변화하는 기상 상황을 반영하지 못하며, 기상청이 사용하는 측정장치는 매우 고가인 바, 1대로 광범위한 지역을 담당할 수밖에 없는 현실적인 한계가 있다. 이에, 이러한 장비로는 국지성 호우에 따른 소규모 지역에 대한 정보를 제공 할 수 없는 문제가 있다. The information provided by the Korea Meteorological Agency does not reflect real-time changing weather conditions with historical data measured before a certain period of time, and the measuring device used by the Meteorological Agency is very expensive, so there is a practical limit to covering a wide area with one unit. Accordingly, there is a problem in that such equipment cannot provide information on a small area due to localized heavy rain.

기상정보는 일반 사용자의 생활에 밀접한 서비스이며, 다양한 산업에도 영향을 미치는 중요 정보이지만, 현재와 같은 장비와 서비스 방식은 실시간 소규모 지역에 대한 강우 확률 정보를 제공할 수 없어 해결 방안이 필요하다.Weather information is a service that is closely related to the lives of ordinary users and is important information that affects various industries.

이동통신사는 무선기지국과 중계기를 설치할 때 강우에 따른 전파 감쇠 손실을 보상하는 연구와 설계를 해 왔으며, 마이크로웨이브 전파세기가 대기중 물방울 입자 농도(강우)에 따라 반사로 인한 감쇠가 발생하고, 이를 고려한 무선기지국간 설치위치 설계로 전파 음영 지역을 해결하였으며, 필요시 전파 출력을 높여 실시간 균일한 전파 세기를 유지하는 기술을 사용하고 있다. 다만, 모든 무선기지국은 실시간 전파세기정보를 가지고 있지만, 이를 별도로 활용하지는 않는 실정이다. 기상청에서 제공되는 기상영상정보 역시 잘 활용되지 않는 실정이다. Mobile telecommunication companies have been researching and designing to compensate for radio wave attenuation loss due to rain when installing wireless base stations and repeaters. The radio wave shadow area was solved by designing the installation location between radio base stations in consideration, and a technology that maintains a uniform radio wave strength in real time by increasing radio wave output when necessary is used. However, all wireless base stations have real-time radio intensity information, but do not use it separately. Meteorological image information provided by the Korea Meteorological Administration is not well utilized.

이와 관련된 종래기술로는, 한국등록특허 제10-1976310호인 '전파 감쇠에 의한 기상 악화 판단 방법'이 개시된다. 상기 종래기술은 전파 감쇠에 의한 기상 악화를 판단하는 것으로 정해진 선로 길이에 대한 일정 감쇠량을 제어부에 설정해두고, 일정 시간마다 감쇠량을 측정하여 설정한 상한치를 벗어나는 경우 기상 악화로 판단하는 개념을 개시한다. 종래기술은 전파감쇠에 의해 통신속도가 변화되는 것에 의해 폭풍 등의 기상악화를 용이하게 빨리 파악할 수 있다는 점에서 장점이 있긴 하나, 기상은 지역, 환경 등 다양한 요소에 의해 변동되는 바, 단순히 상한치 설정만으로 정확한 기상정보를 제공하기에는 한계가 있다. As a related art, Korean Patent Registration No. 10-1976310, 'Method for determining weather deterioration by radio wave attenuation' is disclosed. The prior art discloses a concept of determining weather deterioration due to radio wave attenuation when a predetermined amount of attenuation for a determined line length is set in the control unit, and the attenuation amount is measured every predetermined time and deviates from the set upper limit. The prior art has an advantage in that bad weather such as storms can be easily and quickly detected by changing the communication speed due to radio wave attenuation. However, there is a limit to providing accurate weather information.

이에, 기상청으로부터 제공되는 기상영상정보를 활용하여 보다 정확한 기상정보를 제공하는 기술에 대한 필요성이 증대되는 실정이다. Accordingly, the need for a technology for providing more accurate meteorological information by utilizing the meteorological image information provided by the Korea Meteorological Administration is increasing.

(특허문헌 1) 한국등록특허 제10-1976310호(Patent Document 1) Korean Patent No. 10-1976310

(특허문헌 2) 한국등록특허 제10-1915665호(Patent Document 2) Korean Patent No. 10-1915665

(특허문헌 3) 한국공개특허 제10-2015-0089282호(Patent Document 3) Korean Patent Publication No. 10-2015-0089282

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로써, 기상변화를 실시간으로 감지할 수 있으며, 소규모 지역단위의 강우정보를 보다 경제적이면서, 정확하게 제공할 수 있는 구성을 제안하고자 한다. The present invention has been devised to solve the above problems, and it is intended to propose a configuration that can detect weather changes in real time and provide rainfall information in a small area unit more economically and accurately.

상기와 같은 과제를 해결하기 위한 본 발명의 일 실시예는, 무선전파신호를 이용하여 대상셀에 대한 강우정보를 제공하는 시스템으로서, 대상지역은 소정의 크기를 갖는 상기 대상셀 단위로 미리 구획되고, 제N 대상셀(10-N)에 위치한 사용자단말기(40) 또는 상기 제N 대상셀(10-N)에 대응되는 제N 무선기지국(20-N)으로부터 송수신되는 전파정보를 수집하는 전파정보수집모듈(30)로서, 상기 전파정보는 무선전파신호의 전파세기정보를 포함하는, 전파정보수집모듈(30); 상기 제N 대상셀(10-N)의 현재 기상정보 및 상기 전파정보수집모듈(30)로부터 수집된 현재 전파정보를 미리 설정된 방식으로 이용하되, 무선전파신호의 강우감쇠를 기반으로, 상기 제N 대상셀(10-N)에 대한 강우정보를 연산하는, 강우정보 연산서버(100); 및 기상청 공공데이터서버(700)로부터 기상영상정보를 전송받고, 상기 기상영상정보를 이용하여 학습된 인공지능모델(801)을 포함하는, 인공지능 연산서버(800); 를 포함하며, 상기 인공지능 연산서버(800)는, 상기 인공지능모델(801)을 이용하여, 상기 강우정보 연산서버(100)로부터 연산된 상기 제N 대상셀(10-N)에 대한 강우정보를 보정하는, 강우확률정보 제공 시스템을 제공한다.An embodiment of the present invention for solving the above problems is a system for providing rainfall information for a target cell using a radio wave signal, wherein the target area is pre-divided into units of the target cell having a predetermined size, and , Radio wave information for collecting radio wave information transmitted and received from the user terminal 40 located in the N-th target cell 10-N or the N-th wireless base station 20-N corresponding to the N-th target cell 10-N A collection module (30), wherein the radio wave information includes radio wave intensity information of a radio wave signal, the radio wave information collecting module (30); The current weather information of the N-th target cell 10-N and the current radio information collected from the radio wave information collection module 30 are used in a preset manner, but based on the rainfall attenuation of the radio wave signal, the N-th a rainfall information calculation server 100 that calculates rainfall information for the target cell 10-N; and an artificial intelligence calculation server 800 that receives weather image information from the Korea Meteorological Administration public data server 700 and includes an artificial intelligence model 801 learned using the weather image information; Including, the artificial intelligence calculation server 800, using the artificial intelligence model 801, rainfall information for the N-th target cell (10-N) calculated from the rainfall information calculation server 100 It provides a rainfall probability information providing system that corrects

또한, 상기 제N 대상셀(10-N)에 대응되는 과거 전파정보 히스토리, 상기 제N 대상셀(10-N)의 기상정보 히스토리 및 기상영상정보 히스토리가 시간 별로 상호 매칭된 과거정보세트로 미리 저장되는 과거정보DB(210); 를 더 포함하며, 상기 인공지능 연산서버(800)는, 상기 과거정보DB(210)로부터 로딩된 상기 제N 대상셀(10-N)에 대한 과거 전파정보 히스토리, 기상정보 히스토리 및 기상영상정보를 학습정보로 하여, 상기 인공지능모델(801)을 생성하는, 인공지능모델 생성모듈(810); 을 포함하고, 상기 인공지능모델(801)은, CNN(Convolutional Neural Network) 방식을 기반으로 생성되며, 상기 인공지능모델(801)에 의해, 보정된 상기 제N 대상셀(10-N)에 대한 보정강우정보는 상기 과거DB(210)로 저장될 수 있다. In addition, the past radio information history corresponding to the N-th target cell 10-N, the weather information history and the weather image information history of the N-th target cell 10-N are previously matched to each other by time as a past information set. The stored past information DB (210); Further comprising, the artificial intelligence operation server 800, the past radio information history, weather information history and weather image information for the N-th target cell (10-N) loaded from the past information DB (210) an artificial intelligence model generation module 810 that generates the artificial intelligence model 801 as learning information; including, wherein the artificial intelligence model 801 is generated based on a Convolutional Neural Network (CNN) method, and is corrected by the artificial intelligence model 801 for the N-th target cell 10-N. The corrected rainfall information may be stored in the past DB 210 .

또한, 상기 기상영상정보는, 상기 기상청 공공데이터서버(700)로부터 전송된 위성사진정보 또는 기상레이더 영상정보를 포함하며, 상기 인공지능 연산서버(800)는, 상기 기상영상정보를 대상셀 단위로 구분하여, 상기 제N 대상셀(10-N)의 영역에 대응되는 기상영상정보를 추출하는, 기상영상정보 분류모듈(810); 를 더 포함할 수 있다. In addition, the meteorological image information includes satellite photo information or weather radar image information transmitted from the Meteorological Agency public data server 700, and the artificial intelligence calculation server 800 transmits the weather image information in units of target cells. a meteorological image information classification module 810 that divides and extracts weather image information corresponding to the region of the N-th target cell 10-N; may further include.

또한, 상기 인공지능 연산서버(800)는, 상기 제N 대상셀(10-N)에 대한 제1 시점의 강우정보와 상기 기상영상정보를 상기 인공지능모델(801)에 입력함으로써, 상기 제N 대상셀(10-N)의 제2 시점에 대한 예측강우정보를 연산하는, 예측강우정보 연산모듈(820); 및 상기 기상청 공공데이터서버(700)로부터 전송된 상기 제2 시점에 대한 측정강우정보 및 기상영상정보를 기반으로, 상기 예측강우정보 연산모듈(820)로부터 전송된 제2 시점에 대한 예측강우정보의 정확도를 평가하는, 예측강우정보 평가모듈(830); 을 더 포함할 수 있다. In addition, the artificial intelligence operation server 800, by inputting the rainfall information and the weather image information of the first time point for the N-th target cell 10-N into the artificial intelligence model 801, the N-th a predicted rainfall information calculation module 820 for calculating predicted rainfall information for a second time point of the target cell 10-N; And based on the measured rainfall information and the meteorological image information for the second time transmitted from the Meteorological Agency public data server 700, the predicted rainfall information for the second time transmitted from the predicted rainfall information calculation module 820 of Predicted rainfall information evaluation module 830 to evaluate the accuracy; may further include.

또한, 상기 인공지능 연산서버(800)는, 상기 예측강우정보 평가모듈(830)의 정확도를 기반으로, 상기 인공지능모델(801)에 포함된 파라미터를 수정하는 인공지능모델 수정모듈(840); 을 더 포함하며, 상기 인공지능모델 수정모듈(840)은, 상기 인공지능모델 생성모듈(810)과 연동되어 상기 인공지능모델(801)을 고도화시킬 수 있다. In addition, the artificial intelligence computation server 800, based on the accuracy of the prediction rainfall information evaluation module 830, an artificial intelligence model correction module 840 for correcting the parameters included in the artificial intelligence model 801; It further includes, and the artificial intelligence model modification module 840 may be linked with the artificial intelligence model generation module 810 to upgrade the artificial intelligence model 801 .

또한, 상기 인공지능모델 생성모듈(810)은, CNN 신경망 및 RNN 신경망을 융합한 인공지능모델을 생성하며, 상기 RNN 신경망은, 상기 기상청 공공데이터서버(700)로부터 전송된 기상영상정보를 기반으로, 기상변화 패턴정보를 학습할 수 있다. In addition, the artificial intelligence model generation module 810 generates an artificial intelligence model that is a fusion of a CNN neural network and an RNN neural network, and the RNN neural network is based on the weather image information transmitted from the public data server 700 of the Korea Meteorological Administration. , it is possible to learn weather change pattern information.

또한, 상기 CNN 신경망은, 상기 제N 대상셀(10-N)의 위도정보, 경도정보, 고도정보 및 시간정보 중 적어도 하나를 고려하여, 인공지능모델을 생성시킬 수 있다. In addition, the CNN neural network may generate an artificial intelligence model in consideration of at least one of latitude information, longitude information, altitude information, and time information of the N-th target cell 10-N.

또한, 상기 RNN 신경망은 LSTM(long short term memory) 방식일 수 있다. In addition, the RNN neural network may be a long short term memory (LSTM) method.

또한, 상기 전파정보수집모듈(30)은, 제N 대상셀(10-N)에 위치한 사용자단말기(40) 및 상기 제N 대상셀(10-N)에 대응되는 제N 무선기지국(20-N)으로부터 송수신되는 전파정보를 모두 수집하며, 상기 인공지능 연산서버(800)는, 상기 사용자단말기(40)로부터 수집된 전파세기정보를 기반으로 연산된, 상기 제N 대상셀(10-N)에 대한 제1 강우정보와 상기 제N 무선기지국(20-N)으로부터 수집된 전파세기정보를 기반으로 연산된 제2 강우정보를 비교하는 강우정보 비교모듈(850); 을 더 포함하고, 상기 강우정보 연산서버(100)는, 상기 강우정보 비교모듈(850)으로부터 취득된 비교정보를 기반으로 하여, 상기 기상영상정보를 미리 설정된 방식으로 더 고려함으로써, 상기 제N 대상셀(10-N)에 대한 강우정보를 보정할 수 있다. In addition, the radio wave information collection module 30, the user terminal 40 located in the N-th target cell (10-N) and the N-th radio base station (20-N) corresponding to the N-th target cell (10-N) ) collects all of the radio wave information transmitted and received from, and the artificial intelligence calculation server 800 is calculated based on the radio wave intensity information collected from the user terminal 40. In the N-th target cell 10-N a rainfall information comparison module 850 for comparing the first rainfall information for the second rainfall information calculated based on the radio intensity information collected from the N-th wireless base station 20-N; Further comprising, the rainfall information calculation server 100, based on the comparison information obtained from the rainfall information comparison module 850, by further considering the weather image information in a preset manner, the N-th target Rainfall information for the cell 10-N may be corrected.

한편, 본 발명은 전술한 강우확률정보 제공 시스템을 이용한 강우확률정보 제공 방법으로서, (a) 기상청 공공데이터서버(700)로부터 기상영상정보를 전송받는 단계(S210); (b) 기상영상정보 분류모듈(810)에 의해, 상기 기상영상정보를 대상셀 단위로 구분하여, 상기 제N 대상셀(10-N)의 영역에 대응되는 기상영상정보를 추출하는 단계(S220); (c) 상기 (b) 단계에서 추출된 기상영상정보 및 상기 전파정보수집모듈(30)에 의해 수집된 상기 제N 대상셀(10-N)에 대한 전파세기정보를 학습정보로 하여, 인공지능모델(801)을 생성하는 단계(S230); (d) 상기 제N 대상셀(10-N)에 대한 제1 시점의 강우정보와 상기 기상영상정보를 상기 인공지능모델(801)에 입력함으로써, 상기 제N 대상셀(10-N)의 제2 시점에 대한 예측강우정보가 연산되는 단계(S240); 및 (e) 상기 기상청 공공데이터서버(700)로부터 전송된 상기 제2 시점에 대한 측정강우정보 및 기상영상정보를 기반으로, 상기 (d) 단계에서 연산된 상기 제2 시점에 대한 예측강우정보의 정확도를 평가하는 단계(S250); 를 포함하는, 방법을 제공한다. Meanwhile, the present invention provides a method for providing rainfall probability information using the above-described rainfall probability information providing system, comprising the steps of: (a) receiving weather image information from the Meteorological Administration public data server 700 (S210); (b) classifying the weather image information in units of target cells by the weather image information classification module 810, and extracting weather image information corresponding to the area of the N-th target cell 10-N (S220) ); (c) using the weather image information extracted in step (b) and the radio wave intensity information for the N-th target cell 10-N collected by the radio wave information collection module 30 as learning information, artificial intelligence generating a model 801 (S230); (d) by inputting the rainfall information and the weather image information of the first time point for the N-th target cell 10-N into the artificial intelligence model 801, the N-th target cell 10-N A step of calculating the predicted rainfall information for the two time points (S240); and (e) the predicted rainfall information for the second time point calculated in step (d) based on the measured rainfall information and the meteorological image information for the second time point transmitted from the Meteorological Agency public data server 700. evaluating the accuracy (S250); It provides a method comprising:

또한, 상기 (c) 단계는, 과거정보DB(210)로부터 로딩된 상기 제N 대상셀(10-N)에 대한 과거 전파정보 히스토리, 기상정보 히스토리 및 기상영상정보를 학습정보로 더 포함할 수 있다. In addition, in step (c), the past radio information history, weather information history, and weather image information for the N-th target cell 10-N loaded from the past information DB 210 may be further included as learning information. have.

또한, 상기 (e) 단계 이후, (f) 상기 (e) 단계에서의 연산된 정확도를 기반으로, 상기 인공지능모델(801)에 포함된 파라미터를 수정함으로써, 상기 (c) 단계에서 생성된 상기 인공지능모델(801)을 고도화시키는 단계(S260); 를 더 포함할 수 있다. In addition, after step (e), (f) based on the calculated accuracy in step (e), by modifying the parameters included in the artificial intelligence model 801, the generated in step (c) upgrading the artificial intelligence model 801 (S260); may further include.

본 발명은 사용자에게 정확한 내 주변 실시간 기상 정보 서비스를 제공하며, 전파세기정보 뿐만 아니라, 기상청으로부터 제공되는 기상영상정보를 이용하여 실시간 전국 소규모 지역단위의 강우정보를 제공할 수 있는 효과를 발휘한다. The present invention provides an accurate real-time meteorological information service around me and exhibits the effect of providing real-time nationwide small-scale regional unit rainfall information using not only radio wave intensity information but also meteorological image information provided from the Korea Meteorological Administration.

또한, 머신러닝을 이용하여 연산된 강우정보를 보정함으로써, 사용자에게 보다 정확한 강우정보를 제공함과 동시에, 공간적으로도, 더욱 세분화시킬 수 있는 효과를 발휘한다. In addition, by correcting the rainfall information calculated using machine learning, more accurate rainfall information is provided to the user and, at the same time, spatially, it exhibits the effect of further subdivision.

도 1은 본 발명에 따른 강우확률정보 제공 시스템의 전체 구성도이다.
도 2는 본 발명에 따른 강우확률정보 제공 시스템에서, 상관계수 및 상관지수를 산출하는 과정을 개략적으로 도시하는 개념도이다.
도 3은 본 발명의 기준DB와 변경DB를 이용하여 외부 API서버로 정보를 강우정보를 송신하는 과정을 개략적으로 도시하는 개념도이다.
도 4는 본 발명을 이용하여 사용자단말기에 대상셀 단위로 기상정보를 제공하는 UI의 일 예시를 도시한다.
도 5는 사용자단말기를 통해 위치정보 및 전파세기정보가 수집되는 UI의 일 예시를 도시한다.
도 6은 본 발명에 따른 강우확률정보 제공 시스템의 인공지능 연산서버를 이용하는 과정을 개략적으로 도시하는 개념도이다.
도 7은 도 6의 인공지능 연산서버의 전체 구성도이다.
도 8은 본 발명의 예측강우정보 평가모듈을 이용하여 결과값의 정확도를 평가하는 과정을 개략적으로 도시하는 개념도이다.
도 9는 본 발명의 LSTM(Long Short Term Memory) 모델의 개략적인 모식도이다.
도 10은 본 발명의 CNN 신경망 및 RNN 신경망을 융합한 Siamese Network의 개략적인 모식도이다.
도 11은 본 발명에 따른 강우확률정보 제공 시스템의 인공지능 연산서버를 이용하는 방법의 순서도이다. 1 is an overall configuration diagram of a system for providing rainfall probability information according to the present invention.
2 is a conceptual diagram schematically illustrating a process of calculating a correlation coefficient and a correlation index in the rainfall probability information providing system according to the present invention.
3 is a conceptual diagram schematically illustrating a process of transmitting rainfall information to an external API server using a reference DB and a change DB of the present invention.
4 shows an example of a UI for providing weather information in units of target cells to a user terminal using the present invention.
5 illustrates an example of a UI in which location information and radio wave strength information are collected through a user terminal.
6 is a conceptual diagram schematically illustrating a process of using the artificial intelligence calculation server of the rainfall probability information providing system according to the present invention.
7 is an overall configuration diagram of the artificial intelligence computation server of FIG.
8 is a conceptual diagram schematically illustrating a process of evaluating the accuracy of a result value using the prediction rainfall information evaluation module of the present invention.
9 is a schematic schematic diagram of a Long Short Term Memory (LSTM) model of the present invention.
10 is a schematic diagram of a Siamese Network in which the CNN neural network and the RNN neural network of the present invention are fused.
11 is a flowchart of a method using an artificial intelligence calculation server of the rainfall probability information providing system according to the present invention.

이하에서는, 도면을 참고하여 본 발명에 따른 강우확률정보 제공 시스템을 설명한다. 본원에서 '무선전파신호'라는 용어는 일 예로 마이크로파(microwave)를 의미하며, '강우정보'라는 용어는 강우확률 및 강우량을 포함하는 개념임을 미리 명시한다. 또한, 이하에서 사용되는 '사용자단말기'는 스마트폰, 스마트테블릿 등을 포함할 뿐만 아니라, 사물인터넷 기반의 IoT 기기들 역시, 무선네트워크망을 통해 무선전파신호를 송수신하는 바, 이러한 IoT 기기들도 포함되는 광의의 개념이다. Hereinafter, a system for providing rainfall probability information according to the present invention will be described with reference to the drawings. As used herein, the term 'radio signal' refers to microwaves as an example, and the term 'rainfall information' specifies in advance that it is a concept including rainfall probability and rainfall amount. In addition, the 'user terminal' used hereinafter includes a smart phone, a smart tablet, etc., as well as IoT devices based on the Internet of Things, which transmit and receive wireless radio signals through a wireless network, such IoT devices It is a concept in a broad sense that also includes

도 1을 참조하여, 본 발명의 원리를 보다 구체적으로 설명한다. 1, the principle of the present invention will be described in more detail.

본 발명은 강우정보연산서버(100), 과거정보DB(210) 및 강우정보정확도 검증서버(300)를 포함한다. The present invention includes a rainfall information calculation server 100 , a past information DB 210 , and a rainfall information accuracy verification server 300 .

먼저, 강우정보연산서버(100)는 제N 대상셀(10-N)의 현재 기상정보 및 사용자단말기(40)의 현재 전파정보를 미리 설정된 방식으로 이용하여, 사용자단말기(40)의 현재 전파세기정보에 대응되는 제N 대상셀(10-N)의 강우정보를 연산하도록 구성된다. 이 때, 강우정보 연산서버(100)는 사용자단말기(40)에서 송수신되는 무선전파신호의 강우감쇠를 기반으로, 제N 대상셀(10-N)의 강우정보를 연산한다. 사용자단말기(40)는 무선기지국과 무선전파신호를 송수신하도록 구성되며, 송수신 과정에서 발생되는 무선전파신호의 강우감쇠를 역으로 연산하여 해당 대상셀의 강우정보를 도출하도록 구성된다. 이 때, ITU-R 국제 표준을 활용하여 강우에 의한 감쇠계수를 산정할 수 있다. 여기서, 전파정보를 수집하는 사용자단말기(40)는 스마트폰, 스마트테블릿, IoT 기기 뿐만 아니라, 이동통신 무선네트워크를 사용하는 단말기 일체를 포함하는 개념이다. First, the rainfall information calculation server 100 uses the current weather information of the N-th target cell 10-N and the current radio wave information of the user terminal 40 in a preset manner, and the current radio intensity of the user terminal 40 It is configured to calculate rainfall information of the N-th target cell 10-N corresponding to the information. At this time, the rainfall information calculation server 100 calculates rainfall information of the N-th target cell 10-N based on the rainfall attenuation of the radio wave signal transmitted and received from the user terminal 40 . The user terminal 40 is configured to transmit and receive radio wave signals to and from the radio base station, and inversely calculate rainfall attenuation of radio wave signals generated in the transmission/reception process to derive rainfall information of the corresponding target cell. At this time, the attenuation coefficient due to rainfall can be calculated using the ITU-R international standard. Here, the user terminal 40 that collects radio wave information is a concept including not only a smart phone, a smart tablet, an IoT device, but also all terminals using a mobile communication wireless network.

무선전파신호는 대기 중의 입자에 의해 간섭을 받는 바, 대기 중에 물방울 입자가 많은 경우에는 이에 의한 간섭에 의해 전파세기가 상대적으로 감소하는 현상이 발생된다. 이러한 현상을 역으로 연산함으로써, 대기 중의 물방울 입자를 판단하여, 최종적으로 강우정보를 도출한다. 여기서, 강우정보는 확률정보로 제공되는 것이 바람직하며, 0% 내지 100%로 제공될 수 있다. 강우정보에서 100%는 현재 비 또는 눈이 내리는 상태를 의미한다. 다만, 대상셀마다 지형적 특성, 기후적 특성 등이 다소 상이할 수 있는 바, 해당 대상셀에 대한 과거정보를 기반으로 강우정보를 도출하는 것이 바람직하다. A radio wave signal is interfered with by particles in the air, and when there are many water droplet particles in the air, the radio wave strength is relatively decreased due to the interference. By calculating this phenomenon inversely, water droplet particles in the atmosphere are determined, and rainfall information is finally derived. Here, the rainfall information is preferably provided as probability information, and may be provided as 0% to 100%. In the rainfall information, 100% means that it is currently raining or snowing. However, since topographical characteristics and climatic characteristics may be slightly different for each target cell, it is preferable to derive rainfall information based on past information on the target cell.

과거정보DB(210)는 제N 대상셀(10-N)에 대한 과거의 전파정보 히스토리 및 기상정보 히스토리가 시간 별로 상호 매칭된 과거정보세트로 미리 저장된다. 도 2에는 이러한 과거정보세트의 일 예시가 도시된다. 예를 들어, 과거정보세트는 시간정보/전파세기정보/전파감쇠정보/강우정보/대기온도/대기습도/지형정보 등을 포함한 다양한 인자들로 구성된 그룹이다. 뿐만 아니라, 기상청 레이다,인공위성 영상정보, 대기압, 풍속, 풍향 항목 등을 더 포함할 수 있다. The past information DB 210 is pre-stored as a past information set in which the past radio information history and weather information history for the N-th target cell 10-N are matched with each other by time. 2 shows an example of such a past information set. For example, the past information set is a group composed of various factors including time information/radio strength information/radio attenuation information/rainfall information/air temperature/air humidity/geography information. In addition, it may further include items such as Meteorological Agency radar, satellite image information, atmospheric pressure, wind speed, wind direction.

시간정보를 포함함으로써, 동일한 시점(또는 시간)에 대해 모두 매칭된 상태로 저장되는 것이다. 여기서, 강우정보는 실측된 정보를 의미할 수 있다. 즉, 기상청으로부터 제공된 실제의 강우상태를 의미할 수 있으며, 비 또는 눈이 내린 경우, 강수량 또는 강설량까지 포함하여 제공되는 것이 바람직하다. 과거정보DB(210)에 저장된 정보들을 구체적으로 적용하는 방식은 후술하도록 한다. By including time information, they are all stored in a matched state for the same time point (or time). Here, the rainfall information may mean actually measured information. That is, it may mean the actual rainfall state provided by the Korea Meteorological Administration, and in case of rain or snow, it is preferable to include the amount of precipitation or snowfall. A method of specifically applying the information stored in the past information DB 210 will be described later.

본 발명은 다수의 DB를 포함하며, 전술한 과거정보DB(210) 역시, 통합데이터베이스에 포함될 수 있다. 즉, 후술하는 다수의 DB는 기능적으로 이를 구분한 것이며, 물리적으로는 하나의 통합데이터베이스로 형성될 수 있다. The present invention includes a plurality of DBs, and the above-described past information DB 210 may also be included in the integrated database. That is, a plurality of DBs to be described later are functionally divided, and may be physically formed as one integrated database.

통합데이터베이스는 제1 강우확률정보DB(221) 및 제2 강우확률정보DB(222)를 포함한다. 제1 강우확률정보DB(221)는 강우정보연산서버(100)에 의해 도출된 최종강우정보(제M 최종강우정보를 의미하며, 이는 시계열적으로 증가하는 바, 한 주기가 지나면, 제M+1 최종강우정보가 생성됨)가 실시간 저장된다. 제2 강우확률정보DB(222)는 예측강우정보가 저장된다. 본 발명은 현재 시점에 대한 최종강우정보를 제공할 뿐만 아니라, 현재 시점 이후 소정의 시간까지의 예측강우정보 역시 함께 제공할 수 있다. 이를 위해, 강우정보연산서버(100)는 강우예보 연산부(160)를 포함한다. 제1 강우확률정보 DB(221)에 저장된 현재에 대한 최종강우정보를 미리 결정된 방식으로 분석함으로써, 현재로부터 미리 설정된 시간까지의 예측강우정보를 예측하는 것이다. 즉, 생성된 현재에 대한 최종강우정보를 빅데이터 분석을 수행함으로써, 최대 6시간까지의 예측강우정보를 생성할 수 있다. 물론, 상기 시간은 설계자의 설정에 따라, 더 커질 수 있다. The integrated database includes a first rainfall probability information DB 221 and a second rainfall probability information DB 222 . The first rainfall probability information DB 221 is the final rainfall information (meaning M-th final rainfall information) derived by the rainfall information calculation server 100, which increases in time series, and when one cycle passes, the M-th 1 The final rainfall information is created) is saved in real time. The second rainfall probability information DB 222 stores predicted rainfall information. The present invention can provide not only the final rainfall information for the current time, but also the predicted rainfall information from the current time to a predetermined time. To this end, the rainfall information calculation server 100 includes a rainfall forecast calculation unit 160 . By analyzing the final rainfall information for the present stored in the first rainfall probability information DB 221 in a predetermined manner, predicted rainfall information from the present to a preset time is predicted. That is, by performing big data analysis of the generated final rainfall information for the present, it is possible to generate predicted rainfall information for up to 6 hours. Of course, the time may be larger depending on the designer's setting.

강우정보정확도 검증서버(300)는 제2 강우확률정보 DB(222)에 저장된 상기 예측강우정보의 정확도를 검증한다. 여기서, 강우정보정확도 검증서버(300)는 예측강우정보의 신뢰도를 향상시키기 위해, 복수의 검증을 수행하도록 구성된다. The rainfall information accuracy verification server 300 verifies the accuracy of the predicted rainfall information stored in the second rainfall probability information DB 222 . Here, the rainfall information accuracy verification server 300 is configured to perform a plurality of verifications in order to improve the reliability of the predicted rainfall information.

먼저, 제1 정확도검증부(310)는 제1 강우확률정보DB(221)에 업데이트되는 제K 시간의 최종강우정보 및 예측강우정보 중 제K 시간의 강우정보를 포함하는 예측강우정보를 비교하되, 머신러닝방식을 이용하여 예측강우정보의 정확도를 검증하도록 구성된다. 즉, 제K 시간보다 이전에 연산된 예측강우정보를 대상으로 하는 것이며, 다수의 예측강우정보들 중에서, 제K 시간에 대한 예측정보가 포함된 예측강우정보만 그 대상이 될 수 있다. 만약, 제K 시간의 최종강우정보(즉, 현재 시점의 최종강우정보를 의미함)와 과거에 연산된 예측강우정보 중 동일 시점인 제K 시간에 대한 예측값을 포함하는 경우, 이들을 비교한 후, 오차가 미리 설정된 범위를 벗어나면, 오차가 크게 발생된 이유를 파악하고, 이를 보정하기 위함이다. 보정 대상이 되는 인자는 머신러닝방식의 빅데이터 분석을 통해 판단될 수 있다. First, the first accuracy verification unit 310 compares the predicted rainfall information including the K-time rainfall information among the K-th time final rainfall information and the predicted rainfall information updated in the first rainfall probability information DB 221, but , is configured to verify the accuracy of predicted rainfall information using a machine learning method. That is, the predicted rainfall information calculated before the K-th time is targeted, and among a plurality of predicted rainfall information, only the predicted rainfall information including the prediction information for the K-th time may be the target. If the final rainfall information of the Kth time (that is, the final rainfall information of the current time) and the predicted rainfall information calculated in the past include the predicted value for the Kth time, which is the same time, after comparing them, When the error is out of a preset range, the reason for the large error is identified and corrected. Factors to be corrected can be determined through machine learning big data analysis.

제2 정확도검증부(320)는 제K 시간의 실제 측정된 측정강우정보 및 예측강우정보 중 상기 제K 시간의 강우정보를 포함하는 예측강우정보를 비교하되, 머신러닝방식을 이용하여 예측강우정보의 정확도를 검증한다. 전술한 제1 정확도검증부(310)와 그 원리는 동일하나, 비교의 객체가 실제 측정된 측정강우정보라는 점에서 차이가 있다. 전술한 제1 정확도검증부(310)에서의 최종강우정보는 연산된 값이나, 제2 정확도검증부(320)는 실제의 값을 사용하여 비교하는 것이다. The second accuracy verification unit 320 compares the predicted rainfall information including the K-th time rainfall information among the measured rainfall information and the predicted rainfall information of the K-th time, and predicts rainfall information using a machine learning method. verify the accuracy of Although the principle is the same as that of the first accuracy verification unit 310 described above, there is a difference in that the object of comparison is actually measured rainfall information. The final rainfall information in the above-described first accuracy verification unit 310 is a calculated value, but the second accuracy verification unit 320 compares using an actual value.

이를 위해, 강우정보정확도 검증서버(300)는 검증용 샘플DB(330)를 더 포함한다. 제1 및 제2 강우확률정보DB(221, 222)로부터 전송되는 모든 정보들을 대상으로 할 수도 있으나, 서버에 과부하가 인가되는 문제가 발생될 수 있는 바, 일부의 샘플정보들만 선별하여, 이들을 머신러닝방식으로 분석한다. To this end, the rainfall information accuracy verification server 300 further includes a sample DB 330 for verification. All information transmitted from the first and second rainfall probability information DBs 221 and 222 may be targeted, but a problem of overloading the server may occur. Analyze by running method.

도 2를 참고하여, '최종강우정보'를 연산하는 과정을 설명한다. A process of calculating 'final rainfall information' will be described with reference to FIG. 2 .

강우정보 연산서버(100)는, 제N 대상셀(10-N)의 현재 전파세기정보(즉, 사용자단말기(40)로부터 수집된 전파세기정보를 의미함)에 대응되는 특정시간의 과거정보세트를 로딩하되, 제N 대상셀(10-N)의 현재 기상정보를 기반으로, 과거정보세트를 미리 설정된 방식으로 보정함으로써, 제N 대상셀(10-N)의 강우정보를 연산하도록 구성된다. The rainfall information calculation server 100 is a set of past information of a specific time corresponding to the current radio intensity information (that is, the radio intensity information collected from the user terminal 40) of the N-th target cell 10-N. is configured to calculate rainfall information of the N-th target cell 10-N by correcting the past information set in a preset manner based on the current weather information of the N-th target cell 10-N.

이를 위해, 강우정보 연산서버(100)는 기능적으로 구분된 상관계수 연산부(120), 예비강우정보 연산부(130), 상관지수 연산부(140) 및 최종강우정보 연산부(150)를 포함한다. 또한, 그 전제로 기상정보입력부(110)를 포함한다. To this end, the rainfall information calculation server 100 includes a functionally divided correlation coefficient calculation unit 120 , a preliminary rainfall information calculation unit 130 , a correlation index calculation unit 140 , and a final rainfall information calculation unit 150 . In addition, the premise includes a weather information input unit 110 .

기상정보입력부(110)는 제N 대상셀(10-N)의 현재 기상정보 및 대기정보가 입력되며, 대기정보는 대기온도, 대기습도 및 대기풍속을 포함하며, 대기압 및 풍향 항목 등을 더 포함할 수 있다. 기상정보입력부(110)는 기상청 서버로부터 공급받을 수 있다. The weather information input unit 110 receives current weather information and atmospheric information of the N-th target cell 10-N, and the atmospheric information includes atmospheric temperature, atmospheric humidity, and atmospheric wind speed, and further includes atmospheric pressure and wind direction items. can do. The weather information input unit 110 may be supplied from a server of the Korea Meteorological Administration.

상관계수 연산부(120)는 과거정보DB(210)로부터 로딩된 제N 무선기지국(20-n)의 전파세기정보 및 제N 대상셀(10-N)의 강우정보를 이용하여, 제N 대상셀(10-N)에 대한 전파세기정보 및 강우정보 사이의 상관계수를 도출하도록 구성된다. 여기서, 상관계수는 강우정보생성 프로그램을 통해 자동으로 연산될 수 있으며, 상기 프로그램은 다중 회귀분석을 이용할 수 있다. 과거정보DB(210)에는 제N 대상셀(10-N)에 대한 많은 정보들이 저장되는 바, 이들을 이용하여 전파세기정보 및 강우정보 사이의 관계를 도출하는 것이다. 여기서, 상관계수를 도출하면, 전파세기정보를 입력할 경우, 1차적으로 현재의 제N 대상셀(10-N)에 대한 강우정보(후술하는 '예비강우정보'를 의미함)가 연산될 수 있다. The correlation coefficient calculating unit 120 uses the radio wave intensity information of the N-th radio base station 20-n loaded from the past information DB 210 and the rainfall information of the N-th target cell 10-N, the N-th target cell It is configured to derive the correlation coefficient between the radio intensity information and the rainfall information for (10-N). Here, the correlation coefficient may be automatically calculated through a rainfall information generation program, and the program may use multiple regression analysis. A lot of information about the N-th target cell 10-N is stored in the past information DB 210 , and a relationship between the radio intensity information and the rainfall information is derived using these bars. Here, when the correlation coefficient is derived, when radio intensity information is input, rainfall information (meaning 'preliminary rainfall information' to be described later) for the current N-th target cell 10-N can be calculated. have.

예비강우정보 연산부(130)는 현재의 전파세기정보에 상관계수를 미리 설정된 방식으로 반영하여, 현재의 제N 대상셀(10-N)에 대한 예비강우정보를 도출함으로써, 예비강우정보를 생성한다. 또한, 이들에 현재 대기정보를 더 포함하는 예비강우정보세트를 생성한다. 즉, 예비강우정보세트는 '전파세기정보/(예비)강우정보/대기정보'를 포함한다. 이 때, 과거정보DB(210)로부터 예비강우정보세트의 전파세기정보 및 (예비)강우정보와 대응되는 과거정보세트를 검색하여 로딩한다. 이는 상관지수 연산부(140)에서 수행되며, 과거정보세트는 특정시간에서의 대기정보를 포함하는 바, 현재 대기정보 및 상기 특정시간에서의 대기정보의 비교를 통해 보정이 필요한 상관지수를 도출하도록 구성된다. 여기서, 상관지수는 제N 대상셀(10-N)의 지형정보를 더 반영하여 산출되며, 지형정보는 산악, 도심, 평지 및 해안 중 적어도 어느 하나를 선택하도록 구성된다. 지형적 특성에 따라, 전파의 송수신 특성 역시 달라질 수 있는 바, 이들을 반영함으로써, 연산의 정확도를 증대시킬 수 있다. The preliminary rainfall information calculating unit 130 generates preliminary rainfall information by reflecting the correlation coefficient in the current radio intensity information in a preset manner, and deriving preliminary rainfall information for the current N-th target cell 10-N. . In addition, a preliminary rainfall information set further including current atmospheric information is generated in these. That is, the preliminary rainfall information set includes 'radio intensity information/(preliminary) rainfall information/atmospheric information'. At this time, the past information set corresponding to the radio wave intensity information and (preliminary) rainfall information of the preliminary rainfall information set is retrieved from the past information DB 210 and loaded. This is performed by the correlation index calculating unit 140, and the past information set includes waiting information at a specific time, and is configured to derive a correlation index that needs correction through comparison of the current waiting information and the waiting information at the specific time. do. Here, the correlation index is calculated by further reflecting the topographic information of the N-th target cell 10-N, and the topographic information is configured to select at least one of a mountain, a city center, a flat land, and a coast. Since the transmission/reception characteristics of radio waves may also vary according to the topographical characteristics, by reflecting them, it is possible to increase the calculation accuracy.

최종강우정보 연산부(150)는 현재 대기정보를 기준으로 하여, 과거정보세트의 대기정보를 상기 상관지수를 이용하여 보정함으로써, 현재에 대한 최종강우정보를 도출하도록 구성되며, 전술한 바와 같이, 최종강우정보는 제1 강우확률정보DB(221)로 전송되어 저장된다. The final rainfall information calculating unit 150 is configured to derive final rainfall information for the present by correcting the atmospheric information of the past information set using the correlation index based on the current atmospheric information, and as described above, the final rainfall information The rainfall information is transmitted to and stored in the first rainfall probability information DB 221 .

즉, 제N 대상셀(10-N)에 대한 전파세기정보 및 강우정보 사이의 상관관계는 표준 상관지수로 변환하여, 무선기지국 전파세기정보를 입력하면 실시간 해당 무선기지국 위치의 강우 수준을 수치로 자동 계산할 수 있다. That is, the correlation between the radio wave intensity information and the rainfall information for the N-th target cell (10-N) is converted into a standard correlation index, and when the radio base station radio wave intensity information is input, the rainfall level at the location of the radio base station in real time is converted to a numerical value. can be calculated automatically.

제1 및 제2 정확도검증부(310, 320)는, 제K 시간의 강우정보를 포함하는 예측강우정보와, 제1 강우확률정보DB(221)에 업데이트되는 제K시간의 최종강우정보 또는 제K시간의 실제 측정된 측정강우정보 사이의 오차를 상관계수 연산부(140)로 전송하도록 구성되며, 상관계수 연산부(140)에서는 상기의 오차를 기반으로, 상관계수를 미리 설정된 방식으로 보정하도록 구성된다. 즉, 과거정보DB(210)는 고정된 개념이 아니라, 시간의 흐름에 따라, 누적되는 개념인 바, 누적된 과거정보세트가 점차 많아지면서, 상관계수 역시 보정이 필요할 수 있으며, 상관계수의 보정을 통해, 강우정보 연산의 정확성을 증대시킬 수 있다. The first and second accuracy verification units 310 and 320 include predicted rainfall information including rainfall information of the K-th time, and final rainfall information or the K-th time that is updated in the first rainfall probability information DB 221 . It is configured to transmit the error between the measured rainfall information actually measured for K time to the correlation coefficient calculating unit 140, and the correlation coefficient calculating unit 140 is configured to correct the correlation coefficient in a preset manner based on the above error. . That is, the past information DB 210 is not a fixed concept, but a concept that is accumulated over time. As the accumulated past information set gradually increases, the correlation coefficient may also need to be corrected, and correction of the correlation coefficient Through this, it is possible to increase the accuracy of the rainfall information calculation.

강우정보정확도 검증서버(300)는, 제1 및 제2 강우확률정보DB(310, 320)에 각각 저장된, 최종강우정보 및 예측강우정보를 과거정보DB(210)로 전송함으로써, 과거정보DB(210)를 업데이트하며, 상관계수 연산부(140)는, 업데이트된 상기 과거정보DB(210)를 이용하여 상관계수를 미리 설정된 방식으로 보정하도록 구성된다. 상관계수의 보정에 따라, 상관지수 역시 함께 보정될 수 있다. The rainfall information accuracy verification server 300 transmits the final rainfall information and the predicted rainfall information stored in the first and second rainfall probability information DBs 310 and 320, respectively, to the past information DB 210, so that the past information DB ( 210), the correlation coefficient calculating unit 140 is configured to correct the correlation coefficient in a preset manner using the updated past information DB 210 . According to the correction of the correlation coefficient, the correlation index may also be corrected.

도 3은 본 발명의 기준DB와 변경DB를 이용하여 외부 API서버로 정보를 강우정보를 송신하는 과정을 개략적으로 도시하는 개념도이다. 도 3을 참조하면, 본 발명에 따른 강우확률정보 제공 시스템은 기준DB(231), 변경DB(232) 및 강우정보 연동서버(610)를 포함한다. 3 is a conceptual diagram schematically illustrating a process of transmitting rainfall information to an external API server using a reference DB and a change DB of the present invention. Referring to FIG. 3 , the rainfall probability information providing system according to the present invention includes a reference DB 231 , a change DB 232 , and a rainfall information interworking server 610 .

기준DB(231) 및 변경DB(232)는 미리 설정된 시간을 주기로, 상기 제1 및 제2 강우확률정보DB(310, 320)로부터 최종강우정보 및 예측강우정보를 전송받아 업데이트하도록 구성된다. 강우정보 연동서버(610)는 기준DB(231) 및 변경DB(232)와 외부 API서버(500)를 중계하여 연동하도록 구성된다. The reference DB 231 and the change DB 232 are configured to receive and update the final rainfall information and the predicted rainfall information from the first and second rainfall probability information DBs 310 and 320 at a preset time period. The rainfall information interworking server 610 is configured to relay the reference DB 231 and the change DB 232 and the external API server 500 to interwork.

변경DB(232)는, 기준DB(231)에 저장된 최종강우정보 및 예측강우정보와 정합성을 검증하되, 기준DB(231)의 최종강우정보 및 예측강우정보의 변경정보가 있을 경우, 변경정보를 구분하여 저장할 수 있다. 부연하여 설명하면, 외부 API서버(500) 연동을 통한 실시간 정보요청은 외부 API서버(500)로 분산 처리하여 안정적으로 운영할 수 있다. 기상청 기상예보정보, 이동통신 무선기지국의 실시간 전파세기정보 분석을 통해 이미 생성한 예측강우정보를 지속적으로 업데이트하며, 업데이트는 2개의 DB서버(기준DB(231), 변경DB(232))에 동시 전송한다. 특정 위치 및 시간에 따른 예측강우정보 신규요청은 기준DB(231)를 통해 처리하며, 일정 시간내 동일 조건의 예측강우정보 요청 시에는 강우 예측강우정보 변경사항을 체크한 후, 변경DB(232)에서 변경된 정보만 처리한다. 또한, 기준DB(231)와 변경DB(232)는 실시간 정보의 Sync를 실행하여 최신 정보 상태를 유지하도록 구성될 수 있다. The change DB 232 verifies the consistency with the final rainfall information and the predicted rainfall information stored in the reference DB 231, but if there is change information of the final rainfall information and the predicted rainfall information of the reference DB 231, change information can be stored separately. In other words, real-time information requests through interworking with the external API server 500 can be distributed and processed to the external API server 500 for stable operation. The weather forecast information of the Korea Meteorological Administration and the real-time radio intensity information analysis of the mobile communication base station continuously updates the predicted rainfall information that has already been generated, and the update is simultaneously performed on two DB servers (reference DB 231, change DB 232). send. A new request for forecast rainfall information according to a specific location and time is processed through the reference DB 231, and when requesting forecast rainfall information under the same conditions within a certain period of time, after checking changes in rainfall forecast rainfall information, change DB 232 Only the changed information is processed. In addition, the reference DB 231 and the change DB 232 may be configured to perform synchronization of real-time information to maintain the latest information state.

도 4는 본 발명을 이용하여 사용자단말기에 대상셀 단위로 기상정보를 제공하는 UI의 일 예시를 도시하며, 도 5는 사용자단말기를 통해 위치정보 및 전파세기정보가 수집되는 UI의 일 예시를 도시한다. 4 shows an example of a UI for providing weather information in units of target cells to a user terminal using the present invention, and FIG. 5 shows an example of a UI in which location information and radio wave strength information are collected through the user terminal do.

구체적으로, 최종강우정보를 전자지도 위에 표시하며, 사용자단말기로 서비스에 접속하면 사용자 위치정보를 추출하여 해당 위치에 가장 가까운 무선기지국 좌표를 전자지도 중심 위치로 설정하도록 구성될 수 있다. 사용자 위치를 중심으로 전자지도 위에 주변 무선기지국 반경을 벌집 모양으로 구분하여 표시하고, 각 벌집 영역 안에 해당 무선기지국 전파 세기로부터 생성한 최종강우정보(강우 확률 데이터 수치)를 가지고 각 강우 확률의 수치를 구간별로 색깔로 구분하여 표시를 한다. 일 예시로, 강우 확률 데이터는 0%~100%의 값으로 생성되는 바, 이를 총 5가지 색깔(빨강> 주황>노랑>초록>파랑)로 구간을 나누어 표시하며 확률이 클수록 빨강을 값이 작을수록 파랑으로 표시한다. 색상은 투명하게 하여 배경의 전자 지도가 일정 수준까지 같이 확인할 수 있어야 한다.Specifically, the final rainfall information is displayed on the electronic map, and when the service is accessed with a user terminal, the user location information is extracted and the coordinates of the wireless base station closest to the corresponding location can be configured as the central location of the electronic map. The radius of the wireless base station is divided and displayed in a honeycomb shape on the electronic map centered on the user's location, and the numerical value of each rainfall probability is calculated with the final rainfall information (rainfall probability data value) generated from the radio wave intensity of the wireless base station in each honeycomb area. Each section is marked by color. As an example, rainfall probability data is generated with a value of 0% to 100%, which is divided into five colors (Red> Orange> Yellow> Green> Blue) and displayed in sections. The higher the probability, the smaller the value of red. are displayed in blue. The color should be transparent so that the electronic map in the background can be checked to a certain level.

사용자가 서비스를 통해 특정 무선기지국의 강우 확률 정보 표시 영역을 선택하면 해당 위치에 대한 강우 확률 수치가 표시된다. 전자지도 아래에 강우 예보 시간별 조회 기능을 이용해서 사용자는 최대 6시간까지의 강우 확률 정보 서비스를 확인 할 수 있고 특정 시간을 선택하면 전자지도의 무선기지국 각 벌집 모양 영역의 색상도 예보 생성 데이터에 따라 변한다.When the user selects the rainfall probability information display area of a specific wireless base station through the service, the rainfall probability value for the location is displayed. By using the rainfall forecast hourly inquiry function under the electronic map, the user can check the rainfall probability information service for up to 6 hours. If a specific time is selected, the color of each honeycomb-shaped area of the wireless base station of the electronic map is also displayed according to the forecast generation data. change

사용자가 특정 위치(무선기지국)을 선택하여 알림 기능을 설정하거나, 사용자 현위치 기준 일정 시간 주기별 알림 기능을 설정하면, 해당 시간에 맞춰 생성 강우 확률 정보와 일정 시간 후 예보 정보를 알림 메시지로 자동 발송한다. 알림 메시지의 예시는 다음과 같다. When the user selects a specific location (wireless base station) and sets the notification function, or sets the notification function for a certain period of time based on the user's current location, the generated rainfall probability information and the forecast information after a certain period of time are automatically sent as a notification message. send it out An example of a notification message is as follows.

"서초구 주흥5길, 비올 확률이 85%입니다. 1시간 후 비올 확률이 93%로 올라갈 예정입니다. 외출 시 우산을 준비하세요.""There is a 85% chance of rain on Juheung 5-gil, Seocho-gu. The probability of rain is expected to rise to 93% in an hour. Bring an umbrella when you go out."

이하에서는, 도 6 및 7을 참조하여, 본 발명에 따른 강우확률정보 제공 시스템의 인공지능 연산서버를 이용하는 과정을 설명한다. Hereinafter, with reference to FIGS. 6 and 7, a process of using the artificial intelligence calculation server of the rainfall probability information providing system according to the present invention will be described.

본 발명은 전파정보수집모듈(30), 강우정보 연산서버(100) 및 인공지능 연산서버(800)로 구성된다. 한편, 전술한 내용과 중복되는 구성 및 설명은 생략한다. The present invention consists of a radio wave information collection module 30 , a rainfall information calculation server 100 , and an artificial intelligence calculation server 800 . Meanwhile, configurations and descriptions overlapping with those described above will be omitted.

전파정보수집모듈(30)은 제N 대상셀(10-N)에 위치한 사용자단말기(40) 또는 상기 제N 대상셀(10-N)에 대응되는 제N 무선기지국(20-N)으로부터 송수신되는 전파정보를 수집하도록 구성되는 바, 사용자단말기(40) 및 무선기지국으로부터 송수신되는 모든 전파정보를 수집하도록 구성될 수 있다. The radio wave information collection module 30 is transmitted and received from the user terminal 40 located in the N-th target cell 10-N or the N-th wireless base station 20-N corresponding to the N-th target cell 10-N Since it is configured to collect radio wave information, it may be configured to collect all radio wave information transmitted and received from the user terminal 40 and the wireless base station.

인공지능 연산서버(800)는 기상청 공공데이터서버(700)로부터 기상영상정보를 전송받고, 상기 기상영상정보를 이용하여 학습된 인공지능모델(801)을 포함한다. 여기서, 인공지능 연산서버(800)는 인공지능모델(801)을 이용하여, 강우정보 연산서버(100)로부터 연산된 상기 제N 대상셀(10-N)에 대한 강우정보를 보정하도록 구성된다. 즉, 인공지능 기계학습을 통해 모델을 생성하고, 1차적으로 연산된 강우정보를 추가로 보정함으로써, 더욱 정확한 강우정보를 사용자에게 제공하는 효과가 있다. The artificial intelligence calculation server 800 receives weather image information from the Meteorological Agency public data server 700 and includes an artificial intelligence model 801 learned using the weather image information. Here, the artificial intelligence calculation server 800 is configured to correct the rainfall information for the N-th target cell 10-N calculated from the rainfall information calculation server 100 using the artificial intelligence model 801 . That is, there is an effect of providing more accurate rainfall information to the user by creating a model through artificial intelligence machine learning and additionally correcting the rainfall information calculated primarily.

인공지능 연산서버(800)는 인공지능모델(801), 인공지능모델 생성모듈(810), 기상영상정보 분류모듈(860), 예측강우정보 연산모듈(820), 예측강우정보 평가모듈(830), 인공지능모델 수정모듈(840), 강우정보 비교모듈(850)로 구성된다. The artificial intelligence computation server 800 includes an artificial intelligence model 801, an artificial intelligence model generation module 810, a weather image information classification module 860, a forecast rainfall information computation module 820, and a forecast rainfall information evaluation module 830. , an artificial intelligence model correction module 840 , and a rainfall information comparison module 850 .

먼저, 인공지능모델 생성모듈(810)은 과거정보DB(210)로부터 로딩된 상기 제N 대상셀(10-N)에 대한 과거 전파정보 히스토리, 기상정보 히스토리 및 기상영상정보를 학습정보로 하여, 인공지능모델(801)을 생성한다. 여기서, 인공지능모델(801)은, CNN(Convolutional Neural Network) 방식을 기반으로 생성될 수 있고, 인공지능모델(801)에 의해, 보정된 상기 제N 대상셀(10-N)에 대한 보정강우정보는 과거DB(210)로 업데이트되도록 구성된다. 보정강우정보를 업데이트함으로써, 인공지능모델(801)을 더욱 고도화시킬 수 있다. First, the artificial intelligence model generation module 810 uses the past radio information history, weather information history and weather image information for the N-th target cell 10-N loaded from the past information DB 210 as learning information, An artificial intelligence model 801 is generated. Here, the artificial intelligence model 801 may be generated based on a CNN (Convolutional Neural Network) method, and corrected rainfall for the N-th target cell 10-N corrected by the artificial intelligence model 801 . The information is configured to be updated to the past DB (210). By updating the corrected rainfall information, the artificial intelligence model 801 can be further advanced.

기상영상정보 분류모듈(860)은 기상영상정보를 대상셀 단위로 구분하여, 제N 대상셀(10-N)의 영역에 대응되는 기상영상정보를 추출하도록 구성된다. 여기서, 기상영상정보는 기상관측자료를 의미할 수 있다. The weather image information classification module 860 is configured to classify the weather image information in units of target cells, and extract the weather image information corresponding to the area of the N-th target cell 10-N. Here, the meteorological image information may mean weather observation data.

예측강우정보 연산모듈(820)은 제N 대상셀(10-N)에 대한 제1 시점의 강우정보와 기상영상정보를 인공지능모델(801)에 입력함으로써, 상기 제N 대상셀(10-N)의 제2 시점에 대한 예측강우정보를 연산하도록 구성된다. 도 14를 참조하면, 제2 시점은 제1 시점의 미래 시간을 의미한다. 이는 예측강우정보 내지 기상예보의 정확성을 판단하기 위함이며, 정확도가 낮은 경우에는 이를 다시 인공지능모델(801)에 반영하여 고도화시키기 위함이다. The predicted rainfall information calculation module 820 inputs the rainfall information and weather image information of the first time point for the N-th target cell 10-N into the artificial intelligence model 801, so that the N-th target cell 10-N ) is configured to calculate the predicted rainfall information for the second time point. Referring to FIG. 14 , the second time point means a future time of the first time point. This is to determine the accuracy of the predicted rainfall information or the weather forecast, and if the accuracy is low, it is reflected in the artificial intelligence model 801 again to upgrade it.

예측강우정보 평가모듈(830)은 기상청 공공데이터서버(700)로부터 전송된 제2 시점에 대한 측정강우정보 및 기상영상정보를 기반으로, 예측강우정보 연산모듈(820)로부터 전송된 제2 시점에 대한 예측강우정보의 정확도를 평가하도록 구성된다. 정확한 평가를 위해서는 예측값과 예측값을 비교하는 것이 아니라, 상기와 같이, 실측값 및 예측값을 비교함으로써, 예측값의 정확도를 판단할 수 있다. The predicted rainfall information evaluation module 830 is based on the measured rainfall information and the meteorological image information for the second time point transmitted from the Meteorological Administration public data server 700, at the second time point transmitted from the predicted rainfall information calculation module 820 It is configured to evaluate the accuracy of predicted rainfall information for For accurate evaluation, the accuracy of the predicted value may be determined by comparing the actual value and the predicted value as described above, rather than comparing the predicted value and the predicted value.

인공지능모델 수정모듈(840)은 예측강우정보 평가모듈(830)의 정확도를 기반으로, 인공지능모델(801)에 포함된 파라미터를 수정하도록 구성된다. 파라미터는 설계자에 의해 미리 설정될 수도 있으나, 머신러닝 학습과정에서 추가될 수도 있다. 여기서, 인공지능모델 수정모듈(840)은, 인공지능모델 생성모듈(810)과 연동되어 상기 인공지능모델(801)을 고도화시키도록 구성된다. The artificial intelligence model correction module 840 is configured to correct the parameters included in the artificial intelligence model 801 based on the accuracy of the prediction rainfall information evaluation module 830 . The parameter may be preset by the designer, but may be added during the machine learning learning process. Here, the artificial intelligence model modification module 840 is configured to advance the artificial intelligence model 801 by interworking with the artificial intelligence model generation module 810 .

도 9는 RNN 신경망 중 LSTM(long short term memory) 방식을 개략적으로 도시한다. LSTM의 설계시, 최적의 노드 수, Epoch, 배치 크기, 하이퍼 파라미터를 찾아 기본 모델 구축함으로써, LSTM 모델을 이용하여 추출된 기상변화 패턴 데이터 머신러닝을 수행하여 기상예보를 생성하고 실제 측정된 기상 정보 및 분석 작업 진행할 수 있다. 또한, 관측소 위치정보 및 지리적 특성을 추가로 입력하여 기계학습을 수행하고 생성된 예측강우정보와 기존에 생성된 강우정보를 비교하여 성능평가를 수행할 수 있다. 이 때, K 근접 이웃 알고리즘을 통해 무선통신기지국과 유클리드 거리가 가장 낮은 K개의 기지국에서 수집한 데이터를 기계학습 모델에 추가하여 예측강우정보를 생성하고 기존 강우정보들과 비교를 통해 성능평가 수행할 수도 있다. 9 schematically illustrates a long short term memory (LSTM) scheme among RNN neural networks. When designing an LSTM, by building a basic model by finding the optimal number of nodes, epoch, batch size, and hyperparameters, machine learning is performed on the weather change pattern data extracted using the LSTM model to generate a weather forecast and actually measured weather information and analysis may proceed. In addition, it is possible to perform machine learning by additionally inputting observatory location information and geographic characteristics, and perform performance evaluation by comparing the generated predicted rainfall information with the previously generated rainfall information. At this time, the predicted rainfall information is generated by adding the data collected from the K base stations with the lowest Euclidean distance to the wireless communication base station through the K nearest neighbor algorithm to the machine learning model, and performance evaluation is performed by comparing it with the existing rainfall information. may be

도 10에 도시된 바와 같이, 본 발명에서는 CNN 신경망 및 RNN 신경망을 융합한 인공지능모델을 생성할 수 있다. 이 때, RNN 신경망은, 기상청 공공데이터서버(700)로부터 전송된 기상영상정보를 기반으로, 기상변화 패턴정보를 학습하도록 구성될 수 있다. 여기서, LSTM은 RNN(Recurrent Neural Network)의 일종으로 학습을 할 때 현재 입력값 뿐만 아니라 이전에 들어온 입력값을 고려하기 때문에 시계열 데이터 학습에 적합하다. RNN은 역전파(Backpropagation)라는 방법을 통해 학습을 하며 만약 그래디언트가 너무 작아져 학습이 잘 안 되는 문제가 발생하며, 이를 해결하기 위해 LSTM이 도입된다. LSTM은 셀스테이트라는 개념을 도입하여 그 내부에 있는 게이트들을 통해 어떤 정보를 기억하고 어떤 정보를 버릴지 추가적인 학습을 가능하게 하여 강우정보 내지 기상정보 생성 후 평가 과정에서 입력 값을 조정하여 예측 결과에 어떠한 영향을 주는지 확인이 용이한 장점을 갖는다. As shown in FIG. 10 , in the present invention, an artificial intelligence model that converges a CNN neural network and an RNN neural network can be generated. At this time, the RNN neural network may be configured to learn weather change pattern information based on the weather image information transmitted from the Meteorological Agency public data server 700 . Here, the LSTM is a type of Recurrent Neural Network (RNN) and is suitable for learning time series data because it considers not only the current input value but also the previous input value when learning. RNN learns through a method called backpropagation, and if the gradient is too small, a problem of poor learning occurs, and LSTM is introduced to solve this problem. LSTM introduces the concept of cell state and enables additional learning about what information to remember and what information to discard through the gates inside it. It has the advantage that it is easy to check whether it has an effect.

여기서, CNN 신경망은, 제N 대상셀(10-N)의 위도정보, 경도정보, 고도정보 및 시간정보 중 적어도 하나를 고려하여, 인공지능모델을 생성시킬 수 있다. 더욱 다양한 인자들을 반영함으로써, 보다 정교한 인공지능모델을 형성할 수 있다. Here, the CNN neural network may generate an artificial intelligence model in consideration of at least one of latitude information, longitude information, altitude information, and time information of the N-th target cell 10-N. By reflecting more diverse factors, a more sophisticated artificial intelligence model can be formed.

한편, 본 발명의 일 예시로써, 전파세기정보를 활용한 기상예보 AI 알고리즘은 LSTM 모델을 사용하며, 기상청으로부터 제공된 기상영상정보를 활용한 기상예보 고도화 AI 알고리즘은 CNN과 LSTM을 융합하여 사용할 수 있다. 즉, 본 발명의 바람직한 일 실시예에서는, 전파세기정보를 활용하는 것은 LSTM 모델을 사용하고, 기상영상정보를 활용하는 것은 CNN 및 LSTM을 융합한 알고리즘을 사용할 수 있다. On the other hand, as an example of the present invention, the weather forecast AI algorithm using radio wave strength information uses the LSTM model, and the weather forecast advanced AI algorithm using the weather image information provided by the Korea Meteorological Administration can be used by converging CNN and LSTM. . That is, in a preferred embodiment of the present invention, the LSTM model may be used to utilize the radio wave intensity information, and the fusion algorithm of CNN and LSTM may be used to utilize the weather image information.

강우정보 비교모듈(850)은 사용자단말기(40)로부터 수집된 전파세기정보를 기반으로 연산된, 제N 대상셀(10-N)에 대한 제1 강우정보와 제N 무선기지국(20-N)으로부터 수집된 전파세기정보를 기반으로 연산된 제2 강우정보를 비교하도록 구성된다. 즉, 사용자단말기(40) 및 무선기지국으로부터 취득된 정보를 상호 비교함으로써, 보다 정확한 값을 도출할 수 있다. 이 때, 강우정보 연산서버(100)는, 강우정보 비교모듈(850)으로부터 취득된 비교정보를 기반으로 하여, 기상영상정보를 미리 설정된 방식으로 더 고려함으로써, 제N 대상셀(10-N)에 대한 강우정보를 보정할 수 있다. 예를 들어, 사용자단말기(40)의 수집정보의 개수가 부족할 경우, 무선기지국 정보를 더욱 반영함으써, 정확도를 향상시킬 수 있다. The rainfall information comparison module 850 is calculated based on the radio wave intensity information collected from the user terminal 40, the first rainfall information for the N-th target cell 10-N and the N-th wireless base station 20-N. It is configured to compare the calculated second rainfall information based on the radio intensity information collected from. That is, by comparing the information obtained from the user terminal 40 and the wireless base station with each other, a more accurate value can be derived. At this time, the rainfall information calculation server 100, based on the comparison information obtained from the rainfall information comparison module 850, further considers the meteorological image information in a preset manner, so that the N-th target cell 10-N It is possible to correct rainfall information for For example, when the number of collected information of the user terminal 40 is insufficient, by further reflecting the wireless base station information, the accuracy can be improved.

이하에서는, 전술한 인공지능 연산서버를 이용한 방법을 설명한다. Hereinafter, a method using the aforementioned artificial intelligence computation server will be described.

본 방법은 단계(S210) 내지 단계(S250)를 포함한다. The method includes steps S210 to S250.

단계(S210)는 기상청 공공데이터서버(700)로부터 기상영상정보를 전송받는 단계이다. Step S210 is a step of receiving meteorological image information from the public data server 700 of the Korea Meteorological Administration.

단계(S220)는 기상영상정보 분류모듈(810)에 의해, 상기 기상영상정보를 대상셀 단위로 구분하여, 상기 제N 대상셀(10-N)의 영역에 대응되는 기상영상정보를 추출하는 단계이다. Step S220 is a step of classifying the weather image information by the target cell unit by the weather image information classification module 810, and extracting the weather image information corresponding to the area of the N-th target cell 10-N. to be.

단계(S230)는 단계(S220)에서 추출된 기상영상정보 및 상기 전파정보수집모듈(30)에 의해 수집된 상기 제N 대상셀(10-N)에 대한 전파세기정보를 학습정보로 하여, 인공지능모델(801)을 생성하는 단계이다. In step S230, the weather image information extracted in step S220 and the radio wave intensity information for the N-th target cell 10-N collected by the radio wave information collection module 30 are used as learning information, This is a step of generating the intelligent model 801 .

단계(S240)는 제N 대상셀(10-N)에 대한 제1 시점의 강우정보와 상기 기상영상정보를 상기 인공지능모델(801)에 입력함으로써, 상기 제N 대상셀(10-N)의 제2 시점에 대한 예측강우정보가 연산되는 단계이다. Step S240 is performed by inputting the rainfall information and the weather image information of the first time point for the N-th target cell 10-N into the artificial intelligence model 801, so that the N-th target cell 10-N This is a step in which predicted rainfall information for the second time point is calculated.

단계(S250)는 기상청 공공데이터서버(700)로부터 전송된 상기 제2 시점에 대한 측정강우정보 및 기상영상정보를 기반으로, 상기 (d) 단계에서 연산된 상기 제2 시점에 대한 예측강우정보의 정확도를 평가하는 단계이다. Step (S250) is based on the measured rainfall information and meteorological image information for the second time point transmitted from the Meteorological Administration public data server 700, the predicted rainfall information for the second time point calculated in the step (d). This is the step to evaluate the accuracy.

한편, 본 발명은 사용자단말기(40)로 서비스 조회시 사용자 위치정보에 해당하는 무선기지국 또는 행정주소 인근 무선기지국 주변 강우정보를 표시하며, 사용자가 예보 시간을 선택하여 조회할 경우 해당 수치를 변환하여 전자지도 위에 표시할 수도 있다. 또한, 사용자단말기(40)는 인터넷이 지원되는 데스크탑PC, 노트북PC, 스마트폰, 태블릿PC, 스마트TV와 이와 유사한 기능을 제공하여 기상 정보 서비스를 이용할 수 있는 모든 장치를 포함한다. On the other hand, the present invention displays rainfall information around a wireless base station or an administrative address nearby wireless base station corresponding to the user location information when inquiring a service with the user terminal 40, and when the user selects and inquires the forecast time, the numerical value is converted to It can also be displayed on an electronic map. In addition, the user terminal 40 includes a desktop PC, a notebook PC, a smart phone, a tablet PC, a smart TV and all devices that can use the weather information service by providing similar functions to the Internet.

이상, 본 명세서에는 본 발명을 당업자가 용이하게 이해하고 재현할 수 있도록 도면에 도시한 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당업자라면 본 발명의 실시예로부터 다양한 변형 및 균등한 타 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 보호범위는 특허청구범위에 의해서 정해져야 할 것이다. In the above, the present specification has been described with reference to the embodiments shown in the drawings so that those skilled in the art can easily understand and reproduce the present invention, but these are merely exemplary, and those skilled in the art can make various modifications and equivalent other modifications from the embodiments of the present invention. It will be appreciated that embodiments are possible. Therefore, the protection scope of the present invention should be defined by the claims.

40: 사용자단말기
100: 강우정보 연산서버
110: 기상정보입력부
120: 상관계수 연산부
130: 예비강우정보 연산부
140: 상관지수 연산부
150: 최종강우정보 연산부
160: 강우예보 연산부
210: 과거정보DB
221: 제1 강우확률정보DB
222: 제2 강우확률정보DB
300: 강우정보정확도 검증서버
310: 제1 정확도검증부
320: 제2 정확도검증부
400: 사용자단말기
500: 외부 API서버
610: 강우정보 연동서버
700: 기상청 공공데이터서버
800: 인공지능 연산서버
801: 인공지능모델
810: 인공지능모델 생성모듈
820: 예측강우정보 연산모듈
830: 예측강우정보 평가모듈
840: 인공지능모델 수정모듈
850: 강우정보 비교모듈
860: 기상영상정보 분류모듈40: user terminal
100: rainfall information calculation server
110: weather information input unit
120: correlation coefficient calculator
130: preliminary rainfall information calculation unit
140: correlation index calculation unit
150: final rainfall information calculation unit
160: rainfall forecast calculation unit
210: past information DB
221: first rainfall probability information DB
222: second rainfall probability information DB
300: rainfall information accuracy verification server
310: first accuracy verification unit
320: second accuracy verification unit
400: user terminal
500: external API server
610: rainfall information interworking server
700: Meteorological Agency public data server
800: artificial intelligence computation server
801: artificial intelligence model
810: artificial intelligence model generation module
820: Predicted rainfall information calculation module
830: Prediction rainfall information evaluation module
840: artificial intelligence model modification module
850: rainfall information comparison module
860: weather image information classification module

Claims (11)

무선전파신호를 이용하여 대상셀에 대한 강우정보를 제공하는 시스템으로서,
대상지역은 소정의 크기를 갖는 상기 대상셀 단위로 미리 구획되고,
제N 대상셀(10-N)에 위치한 사용자단말기(40) 또는 상기 제N 대상셀(10-N)에 대응되는 제N 무선기지국(20-N)으로부터 송수신되는 전파정보를 수집하는 전파정보수집모듈(30)로서, 상기 전파정보는 무선전파신호의 전파세기정보를 포함하는, 전파정보수집모듈(30);
상기 제N 대상셀(10-N)의 현재 기상정보 및 상기 전파정보수집모듈(30)로부터 수집된 현재 전파정보를 미리 설정된 방식으로 이용하되, 무선전파신호의 강우감쇠를 기반으로, 상기 제N 대상셀(10-N)에 대한 강우정보를 연산하는, 강우정보 연산서버(100); 및
기상청 공공데이터서버(700)로부터 기상영상정보를 전송받고, 상기 기상영상정보를 이용하여 학습된 인공지능모델(801)을 포함하는, 인공지능 연산서버(800); 를 포함하며,
상기 인공지능 연산서버(800)는,
상기 인공지능모델(801)을 이용하여, 상기 강우정보 연산서버(100)로부터 연산된 상기 제N 대상셀(10-N)에 대한 강우정보를 보정하는,
강우확률정보 제공 시스템.
A system that provides rainfall information for a target cell using a radio wave signal,
The target area is partitioned in advance in units of the target cell having a predetermined size,
Radio wave information collection for collecting radio wave information transmitted and received from the user terminal 40 located in the N-th target cell 10-N or the N-th wireless base station 20-N corresponding to the N-th target cell 10-N A module (30), wherein the radio wave information includes radio wave intensity information of a radio wave signal, a radio wave information collection module (30);
The current weather information of the N-th target cell 10-N and the current radio information collected from the radio wave information collection module 30 are used in a preset manner, but based on the rainfall attenuation of the radio wave signal, the N-th a rainfall information calculation server 100 that calculates rainfall information for the target cell 10-N; and
An artificial intelligence calculation server 800 that receives weather image information from the Korea Meteorological Administration public data server 700 and includes an artificial intelligence model 801 learned using the weather image information; includes,
The artificial intelligence computation server 800,
Correcting rainfall information for the N-th target cell 10-N calculated from the rainfall information calculation server 100 using the artificial intelligence model 801,
Rain probability information provision system.
 청구항 1에 있어서,
상기 제N 대상셀(10-N)에 대응되는 과거 전파정보 히스토리, 상기 제N 대상셀(10-N)의 기상정보 히스토리 및 기상영상정보 히스토리가 시간 별로 상호 매칭된 과거정보세트로 미리 저장되는 과거정보DB(210); 를 더 포함하며,
상기 인공지능 연산서버(800)는,
상기 과거정보DB(210)로부터 로딩된 상기 제N 대상셀(10-N)에 대한 과거 전파정보 히스토리, 기상정보 히스토리 및 기상영상정보를 학습정보로 하여, 상기 인공지능모델(801)을 생성하는, 인공지능모델 생성모듈(810); 을 포함하고,
상기 인공지능모델(801)은,
CNN(Convolutional Neural Network) 방식을 기반으로 생성되며,
상기 인공지능모델(801)에 의해, 보정된 상기 제N 대상셀(10-N)에 대한 보정강우정보는 상기 과거DB(210)로 저장되는,
강우확률정보 제공 시스템.
The method according to claim 1,
The past radio information history corresponding to the N-th target cell 10-N, the weather information history and the weather image information history of the N-th target cell 10-N are stored in advance as a set of past information matched with each other by time Past information DB (210); further comprising,
The artificial intelligence computation server 800,
Creating the artificial intelligence model 801 by using the past radio information history, weather information history and weather image information for the N-th target cell 10-N loaded from the past information DB 210 as learning information , artificial intelligence model generation module 810; including,
The artificial intelligence model 801,
It is created based on the CNN (Convolutional Neural Network) method,
The corrected rainfall information for the N-th target cell 10-N corrected by the artificial intelligence model 801 is stored in the past DB 210,
Rain probability information provision system.
 청구항 2에 있어서,
상기 기상영상정보는,
상기 기상청 공공데이터서버(700)로부터 전송된 위성사진정보 또는 기상레이더 영상정보를 포함하며,
상기 인공지능 연산서버(800)는,
상기 기상영상정보를 대상셀 단위로 구분하여, 상기 제N 대상셀(10-N)의 영역에 대응되는 기상영상정보를 추출하는, 기상영상정보 분류모듈(810); 를 더 포함하는,
강우확률정보 제공 시스템.
3. The method according to claim 2,
The weather image information is
It includes satellite photo information or weather radar image information transmitted from the Meteorological Agency public data server 700,
The artificial intelligence computation server 800,
a weather image information classification module 810 for classifying the weather image information in units of target cells and extracting weather image information corresponding to the area of the N-th target cell 10-N; further comprising,
Rain probability information provision system.
 청구항 2에 있어서,
상기 인공지능 연산서버(800)는,
상기 제N 대상셀(10-N)에 대한 제1 시점의 강우정보와 상기 기상영상정보를 상기 인공지능모델(801)에 입력함으로써, 상기 제N 대상셀(10-N)의 제2 시점에 대한 예측강우정보를 연산하는, 예측강우정보 연산모듈(820); 및
상기 기상청 공공데이터서버(700)로부터 전송된 상기 제2 시점에 대한 측정강우정보 및 기상영상정보를 기반으로, 상기 예측강우정보 연산모듈(820)로부터 전송된 제2 시점에 대한 예측강우정보의 정확도를 평가하는, 예측강우정보 평가모듈(830); 을 더 포함하는,
강우확률정보 제공 시스템.
3. The method according to claim 2,
The artificial intelligence computation server 800,
By inputting the rainfall information and the weather image information of the first time point for the N-th target cell 10-N into the artificial intelligence model 801, at the second time point of the N-th target cell 10-N The predicted rainfall information calculation module 820, which calculates the predicted rainfall information for; and
Based on the measured rainfall information and the meteorological image information for the second time transmitted from the Meteorological Agency public data server 700, the accuracy of the predicted rainfall information for the second time transmitted from the predicted rainfall information calculation module 820 Evaluating the predicted rainfall information evaluation module (830); further comprising,
Rain probability information provision system.
 청구항 4에 있어서,
상기 인공지능 연산서버(800)는,
상기 예측강우정보 평가모듈(830)의 정확도를 기반으로, 상기 인공지능모델(801)에 포함된 파라미터를 수정하는 인공지능모델 수정모듈(840); 을 더 포함하며,
상기 인공지능모델 수정모듈(840)은,
상기 인공지능모델 생성모듈(810)과 연동되어 상기 인공지능모델(801)을 고도화시키는,
강우확률정보 제공 시스템.
5. The method according to claim 4,
The artificial intelligence computation server 800,
an artificial intelligence model correction module 840 for correcting parameters included in the artificial intelligence model 801 based on the accuracy of the prediction rainfall information evaluation module 830; further comprising,
The artificial intelligence model correction module 840,
Interlocking with the artificial intelligence model generation module 810 to upgrade the artificial intelligence model 801,
Rain probability information provision system.
 청구항 2에 있어서,
상기 인공지능모델 생성모듈(810)은,
CNN 신경망 및 RNN 신경망을 융합한 인공지능모델을 생성하며,
상기 RNN 신경망은,
상기 기상청 공공데이터서버(700)로부터 전송된 기상영상정보를 기반으로, 기상변화 패턴정보를 학습하는,
강우확률정보 제공 시스템.
3. The method according to claim 2,
The artificial intelligence model generation module 810,
Creates an artificial intelligence model that converges CNN neural network and RNN neural network,
The RNN neural network is
Learning weather change pattern information based on the weather image information transmitted from the Meteorological Agency public data server 700,
Rain probability information provision system.
 청구항 6에 있어서,
상기 CNN 신경망은,
상기 제N 대상셀(10-N)의 위도정보, 경도정보, 고도정보 및 시간정보 중 적어도 하나를 고려하여, 인공지능모델을 생성시키는,
강우확률정보 제공 시스템.
7. The method of claim 6,
The CNN neural network is
generating an artificial intelligence model in consideration of at least one of latitude information, longitude information, altitude information, and time information of the N-th target cell (10-N),
Rain probability information provision system.
 청구항 6에 있어서,
상기 RNN 신경망은 LSTM(long short term memory) 방식인,
강우확률정보 제공 시스템.
7. The method of claim 6,
The RNN neural network is a long short term memory (LSTM) method,
Rain probability information provision system.
 청구항 1 내지 8 중 어느 한 항에 따른 강우확률정보 제공 시스템을 이용한 강우확률정보 제공 방법으로서,
(a) 기상청 공공데이터서버(700)로부터 기상영상정보를 전송받는 단계(S210);
(b) 기상영상정보 분류모듈(810)에 의해, 상기 기상영상정보를 대상셀 단위로 구분하여, 상기 제N 대상셀(10-N)의 영역에 대응되는 기상영상정보를 추출하는 단계(S220);
(c) 상기 (b) 단계에서 추출된 기상영상정보 및 상기 전파정보수집모듈(30)에 의해 수집된 상기 제N 대상셀(10-N)에 대한 전파세기정보를 학습정보로 하여, 인공지능모델(801)을 생성하는 단계(S230);
(d) 상기 제N 대상셀(10-N)에 대한 제1 시점의 강우정보와 상기 기상영상정보를 상기 인공지능모델(801)에 입력함으로써, 상기 제N 대상셀(10-N)의 제2 시점에 대한 예측강우정보가 연산되는 단계(S240); 및
(e) 상기 기상청 공공데이터서버(700)로부터 전송된 상기 제2 시점에 대한 측정강우정보 및 기상영상정보를 기반으로, 상기 (d) 단계에서 연산된 상기 제2 시점에 대한 예측강우정보의 정확도를 평가하는 단계(S250); 를 포함하는,
방법.
A method for providing rainfall probability information using the system for providing rainfall probability information according to any one of claims 1 to 8, comprising:
(a) receiving the weather image information from the Meteorological Agency public data server 700 (S210);
(b) the meteorological image information classification module 810 divides the meteorological image information into target cells, and extracts the meteorological image information corresponding to the area of the N-th target cell 10-N (S220) );
(c) using the weather image information extracted in step (b) and the radio wave intensity information for the N-th target cell 10-N collected by the radio wave information collection module 30 as learning information, artificial intelligence generating a model 801 (S230);
(d) by inputting the rainfall information and the weather image information of the first time point for the N-th target cell 10-N into the artificial intelligence model 801, the N-th target cell 10-N A step of calculating the predicted rainfall information for the two time points (S240); and
(e) Accuracy of predicted rainfall information for the second time point calculated in step (d) based on the measured rainfall information and meteorological image information for the second time point transmitted from the Meteorological Administration public data server 700 evaluating (S250); containing,
Way.
 청구항 9에 있어서,
상기 (c) 단계는,
과거정보DB(210)로부터 로딩된 상기 제N 대상셀(10-N)에 대한 과거 전파정보 히스토리, 기상정보 히스토리 및 기상영상정보를 학습정보로 더 포함하는,
방법.
10. The method of claim 9,
Step (c) is,
Past radio information history, weather information history and weather image information for the N-th target cell (10-N) loaded from the past information DB (210) further comprising as learning information,
Way.
 청구항 9에 있어서,
상기 (e) 단계 이후,
(f) 상기 (e) 단계에서의 연산된 정확도를 기반으로, 상기 인공지능모델(801)에 포함된 파라미터를 수정함으로써, 상기 (c) 단계에서 생성된 상기 인공지능모델(801)을 고도화시키는 단계(S260); 를 더 포함하는,
방법.

10. The method of claim 9,
After step (e),
(f) upgrading the artificial intelligence model 801 generated in the step (c) by modifying the parameters included in the artificial intelligence model 801 based on the accuracy calculated in the step (e) step (S260); further comprising,
Way.
KR1020200187316A 2020-12-30 2020-12-30 A system for providing rainfall probability information using meteorological image information provided by the Meteorological Agency based on machine learning and a method using the same KR102432397B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200187316A KR102432397B1 (en) 2020-12-30 2020-12-30 A system for providing rainfall probability information using meteorological image information provided by the Meteorological Agency based on machine learning and a method using the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200187316A KR102432397B1 (en) 2020-12-30 2020-12-30 A system for providing rainfall probability information using meteorological image information provided by the Meteorological Agency based on machine learning and a method using the same

Publications (2)

Publication Number Publication Date
KR20220095624A true KR20220095624A (en) 2022-07-07
KR102432397B1 KR102432397B1 (en) 2022-08-12

Family

ID=82397943

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200187316A KR102432397B1 (en) 2020-12-30 2020-12-30 A system for providing rainfall probability information using meteorological image information provided by the Meteorological Agency based on machine learning and a method using the same

Country Status (1)

Country Link
KR (1) KR102432397B1 (en)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117008219A (en) * 2023-10-07 2023-11-07 武汉大水云科技有限公司 Rainfall measurement method, device, equipment and storage medium based on artificial intelligence
CN117950088A (en) * 2024-03-26 2024-04-30 南京满星数据科技有限公司 Multi-mode-based precipitation prediction data fusion correction method

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102609569B1 (en) * 2023-06-30 2023-12-05 경북대학교 산학협력단 Apparatus and method to predict rainfall based on machine learning using dual polarization radar data

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10268065A (en) * 1997-03-24 1998-10-09 Nippon Hoso Kyokai <Nhk> Rainfall prediction method and rainfall decrease alert device
JP2001066377A (en) * 1999-08-26 2001-03-16 Mitsubishi Electric Corp Weather system
KR101016557B1 (en) * 2009-04-11 2011-02-24 김준규 Oneself weather data transmitter and weather data reception indication method of net radio structure and system
WO2013124853A1 (en) * 2012-02-23 2013-08-29 Ramot At Tel-Aviv University Ltd. System and method for identifying a hydrometeor
EP2688223A1 (en) * 2012-07-19 2014-01-22 Universita Degli Studi Di Genova System and method for monitoring a territory
CN104656163A (en) * 2015-02-04 2015-05-27 中国人民解放军理工大学 Rainfall distribution and dynamic measurement method based on big-data mobile communication network
KR101915665B1 (en) * 2018-01-22 2018-11-06 부경대학교 산학협력단 Monitoring system for rainy and monitoring method using same by microwave attenuation character due to rainfall
US20180348402A1 (en) * 2016-06-24 2018-12-06 Climacell Inc. Real-time precipitation forecasting system
US20190049626A1 (en) * 2017-08-14 2019-02-14 Ramot At Tel-Aviv University Ltd. Relating rain intensity and dynamic range in commercial microwave links
WO2019126707A1 (en) * 2017-12-21 2019-06-27 Climacell Inc. Improved real-time weather forecasting system
US20190340940A1 (en) * 2017-11-03 2019-11-07 Climacell Inc. Improved real-time weather forecasting for transportation systems
JP2019211342A (en) * 2018-06-05 2019-12-12 株式会社東芝 Weather analyzer, weather analysis method, and program

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10268065A (en) * 1997-03-24 1998-10-09 Nippon Hoso Kyokai <Nhk> Rainfall prediction method and rainfall decrease alert device
JP2001066377A (en) * 1999-08-26 2001-03-16 Mitsubishi Electric Corp Weather system
KR101016557B1 (en) * 2009-04-11 2011-02-24 김준규 Oneself weather data transmitter and weather data reception indication method of net radio structure and system
WO2013124853A1 (en) * 2012-02-23 2013-08-29 Ramot At Tel-Aviv University Ltd. System and method for identifying a hydrometeor
EP2688223A1 (en) * 2012-07-19 2014-01-22 Universita Degli Studi Di Genova System and method for monitoring a territory
CN104656163A (en) * 2015-02-04 2015-05-27 中国人民解放军理工大学 Rainfall distribution and dynamic measurement method based on big-data mobile communication network
US20180348402A1 (en) * 2016-06-24 2018-12-06 Climacell Inc. Real-time precipitation forecasting system
US20190049626A1 (en) * 2017-08-14 2019-02-14 Ramot At Tel-Aviv University Ltd. Relating rain intensity and dynamic range in commercial microwave links
US20190340940A1 (en) * 2017-11-03 2019-11-07 Climacell Inc. Improved real-time weather forecasting for transportation systems
WO2019126707A1 (en) * 2017-12-21 2019-06-27 Climacell Inc. Improved real-time weather forecasting system
KR101915665B1 (en) * 2018-01-22 2018-11-06 부경대학교 산학협력단 Monitoring system for rainy and monitoring method using same by microwave attenuation character due to rainfall
JP2019211342A (en) * 2018-06-05 2019-12-12 株式会社東芝 Weather analyzer, weather analysis method, and program

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117008219A (en) * 2023-10-07 2023-11-07 武汉大水云科技有限公司 Rainfall measurement method, device, equipment and storage medium based on artificial intelligence
CN117008219B (en) * 2023-10-07 2024-01-16 武汉大水云科技有限公司 Rainfall measurement method, device, equipment and storage medium based on artificial intelligence
CN117950088A (en) * 2024-03-26 2024-04-30 南京满星数据科技有限公司 Multi-mode-based precipitation prediction data fusion correction method

Also Published As

Publication number Publication date
KR102432397B1 (en) 2022-08-12

Similar Documents

Publication Publication Date Title
KR102432397B1 (en) A system for providing rainfall probability information using meteorological image information provided by the Meteorological Agency based on machine learning and a method using the same
CN110197218B (en) Thunderstorm strong wind grade prediction classification method based on multi-source convolution neural network
US6393294B1 (en) Location determination using RF fingerprinting
US6944465B2 (en) Estimating the location of a mobile unit based on the elimination of improbable locations
CN108227041B (en) Horizontal visibility forecasting method based on site measured data and mode result
JP5123897B2 (en) Indoor / outdoor determination apparatus and indoor / outdoor determination method
CN112561191B (en) Prediction model training method, prediction device, prediction apparatus, prediction program, and program
CN111461410B (en) Air quality prediction method and device based on transfer learning
CN111414974B (en) Microwave link rain measurement network topological structure optimization method based on communication base station
KR20220111578A (en) A system for providing rainfall probability information using meteorological image information provided by the Meteorological Agency based on machine learning and a method using the same
WO2021076084A1 (en) A system providing prediction of communication channel parameters
ENETWILD‐consortium et al. Validation and inference of high‐resolution information (downscaling) of ENETWILD abundance model for wild boar
Kumah et al. Near real-time estimation of high spatiotemporal resolution rainfall from cloud top properties of the MSG satellite and commercial microwave link rainfall intensities
Bellucci et al. Implementing the Dynamap system in the suburban area of Rome
CN114513805A (en) Wireless modeling method and system
KR20220072671A (en) Rainfall probability information providing system using microwave information of personal wireless mobile and method using the same
KR20220095621A (en) Rainfall Probability Information Providing System Converging Microwave Information with Weather Information in Mobile Base Station and Method using the same
KR20220095622A (en) Rainfall probability information providing system using microwave information of personal wireless mobile and method using the same
CN109784225B (en) Geographical space mode identification method based on reachable space
US20220217557A1 (en) Method for predicting a signal and/or service quality and associated device
CN117882419A (en) Method and device for determining the overground coverage of a mobile telecommunication network
Yang et al. Wireless base stations planning based on GIS and genetic algorithms
CN116167509B (en) Air temperature prediction method, air temperature prediction device, storage medium and electronic equipment
Primawan Optimizing WLAN access point placement using geospatial technique
KR102119121B1 (en) Mrthod for calibrating loss of radio-propagation using clutter-morphology calibrating factor based on measurement data

Legal Events

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