KR20220159746A - 태풍의 경로를 결정하는 방법 및 이를 수행하는 장치 - Google Patents

태풍의 경로를 결정하는 방법 및 이를 수행하는 장치 Download PDF

Info

Publication number
KR20220159746A
KR20220159746A KR1020210067742A KR20210067742A KR20220159746A KR 20220159746 A KR20220159746 A KR 20220159746A KR 1020210067742 A KR1020210067742 A KR 1020210067742A KR 20210067742 A KR20210067742 A KR 20210067742A KR 20220159746 A KR20220159746 A KR 20220159746A
Authority
KR
South Korea
Prior art keywords
typhoon
information
course
predicted
electronic device
Prior art date
Application number
KR1020210067742A
Other languages
English (en)
Inventor
차동현
김경민
Original Assignee
울산과학기술원
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 울산과학기술원 filed Critical 울산과학기술원
Priority to KR1020210067742A priority Critical patent/KR20220159746A/ko
Publication of KR20220159746A publication Critical patent/KR20220159746A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/08—Investigating strength properties of solid materials by application of mechanical stress by applying steady tensile or compressive forces
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0454—
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2201/00—Weather detection, monitoring or forecasting for establishing the amount of global warming

Landscapes

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

Abstract

본 개시는 전자 장치가 태풍의 진로를 결정하는 방법 및 이를 수행하는 전자 장치에 관한 것이다. 일 실시 예에 의하면 전자 장치가 태풍의 진로를 결정하는 방법은 외부 디바이스로부터 태풍 환경 정보를 획득하는 단계; 상기 획득된 태풍 환경 정보를 수치 모델에 입력함으로써, 상기 태풍 환경 정보에 따른 태풍의 예상 중심 위치에 관한 제1 태풍 진로 정보를 획득하는 단계; 상기 제1 태풍 진로 정보가 입력되면, 상기 제1 태풍 진로 정보에 따른 태풍의 예상 중심 위치 정보들을 출력하는 인공 지능 모델에, 상기 제1 태풍 진로 정보를 입력함으로써, 상기 인공 지능 모델로부터 상기 태풍의 예상 중심 위치 정보들을 획득하는 단계; 상기 제1 태풍 진로 정보에 기초하여, 상기 예상 중심 위치 정보들 중 소정의 중심 위치 정보를 식별하는 단계; 및 상기 식별된 중심 위치 정보에 기초하여 상기 태풍 환경 정보에 따른 태풍의 제2 태풍 진로 정보를 결정하는 단계; 를 포함할 수 있다.

Description

태풍의 경로를 결정하는 방법 및 이를 수행하는 장치 {METHOD AND APPRATUS FOR DETERMINING THE PATH OF A TYPHOON}
본 개시는 태풍의 진로를 결정하는 방법 및 장치에 관한 것이다. 보다 상세하게는 수치모델 및 인공 지능 모델을 이용하여 태풍의 진로를 결정하는 방법 및 장치에 관한 것이다.
수치 모델과 통계 모델을 활용한 기상학적 특성과 요인을 예측하기 위한 기술들이 활발하게 연구되고 있다. 그러나, 수치모델 또는 통계모델을 활용한 기상 연구의 정확도는 여전히 한계가 있다.
인공지능 시스템은 기존 시스템과 달리 기계가 스스로 학습하고 입력 자료를 판단할 수 있는 시스템을 의미한다. 기존 시스템과 달리 인공 지능 시스템은, 기계학습 및 기계학습을 활용한 요소 기술들로 구성되며, 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘에 따라 학습될 수 있다.
수치 모델 또는 통계모델을 활용한 기상학적 특성과 요인의 예측 정확도의 한계를 극복하기 위해, 인공 지능 기술을 함께 활용한 기상학적 특성 및 요인을 예측하기 위한 기술 개발이 요구되고 있다.
한국공개특허 제2021-0028992호
일 실시 예에 따르면, 전자 장치가 태풍의 진로를 결정하는 방법 및 이를 수행하는 전자 장치가 제공될 수 있다.
일 실시 예에 의하면, 수치 모델 및 인공 지능 모델을 이용하여 태풍의 진로를 결정하는 방법 및 이를 수행하는 전자 장치가 제공될 수 있다.
상술한 기술적 과제를 달성하기 위한 본 개시의 일 실시 예에 따라, 전자 장치가 태풍의 진로를 결정하는 방법은 외부 디바이스로부터 태풍 환경 정보를 획득하는 단계; 상기 획득된 태풍 환경 정보를 수치 모델에 입력함으로써, 상기 태풍 환경 정보에 따른 태풍의 예상 중심 위치에 관한 제1 태풍 진로 정보를 획득하는 단계; 상기 제1 태풍 진로 정보가 입력되면, 상기 제1 태풍 진로 정보에 따른 태풍의 예상 중심 위치 정보들을 출력하는 인공 지능 모델에, 상기 제1 태풍 진로 정보를 입력함으로써, 상기 인공 지능 모델로부터 상기 태풍의 예상 중심 위치 정보들을 획득하는 단계; 상기 제1 태풍 진로 정보에 기초하여, 상기 예상 중심 위치 정보들 중 소정의 중심 위치 정보를 식별하는 단계; 및 상기 식별된 중심 위치 정보에 기초하여 상기 태풍 환경 정보에 따른 태풍의 제2 태풍 진로 정보를 결정하는 단계; 를 포함할 수 있다.
상술한 기술적 과제를 달성하기 위한 또 다른 실시 예에 의하면, 태풍의 진로를 결정하는 전자 장치는 네트워크 인터페이스; 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고, 상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써, 외부 디바이스로부터 태풍 환경 정보를 획득하고, 상기 획득된 태풍 환경 정보를 수치 모델에 입력함으로써, 상기 태풍 환경 정보에 따른 태풍의 예상 중심 위치에 관한 제1 태풍 진로 정보를 획득하고, 상기 제1 태풍 진로 정보가 입력되면, 상기 제1 태풍 진로 정보에 따른 태풍의 예상 중심 위치 정보들을 출력하는 인공 지능 모델에, 상기 제1 태풍 진로 정보를 입력함으로써, 상기 인공 지능 모델로부터 상기 태풍의 예상 중심 위치 정보들을 획득하고, 상기 제1 태풍 진로 정보에 기초하여, 상기 예상 중심 위치 정보들 중 소정의 중심 위치 정보를 식별하고, 상기 식별된 중심 위치 정보에 기초하여 상기 태풍 환경 정보에 따른 태풍의 제2 태풍 진로 정보를 결정할 수 있다.
또한, 상기 기술적 과제를 해결하기 위한 본 개시의 또 다른 실시 예에 따라, 전자 장치가 태풍의 진로를 결정하는 방법에 있어서, 외부 디바이스로부터 태풍 환경 정보를 획득하는 단계; 상기 획득된 태풍 환경 정보를 수치 모델에 입력함으로써, 상기 태풍 환경 정보에 따른 태풍의 예상 중심 위치에 관한 제1 태풍 진로 정보를 획득하는 단계; 상기 제1 태풍 진로 정보가 입력되면, 상기 제1 태풍 진로 정보에 따른 태풍의 예상 중심 위치 정보들을 출력하는 인공 지능 모델에, 상기 제1 태풍 진로 정보를 입력함으로써, 상기 인공 지능 모델로부터 상기 태풍의 예상 중심 위치 정보들을 획득하는 단계; 상기 제1 태풍 진로 정보에 기초하여, 상기 예상 중심 위치 정보들 중 소정의 중심 위치 정보를 식별하는 단계; 및 상기 식별된 중심 위치 정보에 기초하여 상기 태풍 환경 정보에 따른 태풍의 제2 태풍 진로 정보를 결정하는 단계; 를 포함하는, 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체 가 제공될 수 있다.
일 실시 예에 의하면, 태풍의 진로를 효과적으로 결정할 수 있다.
일 실시 예에 의하면, 수치 모델 및 인공지능 모델을 함께 활용하여 태풍 진로의 예측 정확도를 더 향상시킬 수 있다.
도 1은 일 실시 예에 따른 전자 장치가 태풍의 진로를 결정하는 과정을 개략적으로 설명하기 위한 도면이다.
도 2는 일 실시 예에 따른 전자 장치가 태풍의 진로를 결정하는 방법의 흐름도이다.
도 3은 일 실시 예에 따른 전자 장치가 수치 모델을 활용하여 태풍의 진로를 산출하는 과정을 설명하기 위한 도면이다.
도 4는 일 실시 예에 따른 전자 장치가 수치 모델 결과에 인공 지능 모델을 적용하는 과정을 설명하기 위한 도면이다.
도 5는 일 실시 예에 따른 전자 장치 태풍 진로를 결정하기 위해 이용하는 인공 지능 모델을 학습시키는 과정을 설명하기 위한 도면이다.
도 6은 또 다른 실시 예에 따라 전자 장치가 태풍의 진로를 결정하는 과정을 설명하기 위한 도면이다.
도 7은 일 실시 예에 따라 전자 장치가 인공 지능 모델을 이용하여 태풍의 최종 위치를 결정하는 과정을 설명하기 위한 도면이다.
도 8은 일 실시 예에 따라 전자 장치가 인공 지능 모델을 학습시키기 위해 태풍 학습 정보를 처리하는 과정을 설명하기 위한 도면이다.
도 9는 일 실시 예에 따라 전자 장치가 인공 지능 모델의 출력 값들 중 소정의 출력 값들을 선택하는 과정을 설명하기 위한 도면이다.
도 10은 일 실시 예에 따라 전자 장치가 태풍의 진로를 최종적으로 결정하는 과정을 설명하기 위한 도면이다.
도 11은 일 실시 예에 따른 전자 장치의 블록도이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 본 개시에 대해 구체적으로 설명하기로 한다.
본 개시에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
또한, 본 명세서에서, 어떤 막(또는 층)이 다른 막(또는 층) 또는 기판 상에 있다고 언급되는 경우에 그것은 다른 막(또는 층) 또는 기판 상에 직접 형성될 수 있거나 또는 그들 사이에 제 3의 막(또는 층)이 개재될 수도 있다 또한, 도면들에 있어서, 구성들의 크기 및 두께 등은 명확성을 위하여 과장된 것이다. 본 명세서의 다양한 실시예들에서 제1, 제2, 제3 등의 용어가 다양한 영역, 막들(또는 층들) 등을 기술하기 위해서 사용되었지만, 이들 영역, 막들이 이 같은 용어들에 의해서 한정되어서는 안 된다. 이들 용어들은 단지 어느 소정 영역 또는 막(또는 층)을 다른 영역 또는 막(또는 층)과 구별시키기 위해서 사용되었을 뿐이다. 따라서, 어느 한 실시예에의 제1막질로 언급된 막질이 다른 실시예에서는 제2막질로 언급될 수도 있다. 여기에 설명되고 예시되는 각 실시예는 그것의 상보적인 실시예도 포함한다. 본 명세서에서 '및/또는' 이란 표현은 전후에 나열된 구성요소들 중 적어도 하나를 포함하는 의미로 사용된다. 명세서 전체에 걸쳐서 동일한 참조번호로 표시된 부분들은 동일한 구성요소들을 나타낸다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다. 또한, 명세서에 기재된 "...부", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다.
아래에서는 첨부한 도면을 참고하여 본 개시의 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
도 1은 일 실시 예에 따른 전자 장치가 태풍의 진로를 결정하는 과정을 개략적으로 설명하기 위한 도면이다.
일 실시 예에 의하면, 전자 장치(1000)는 태풍과 관련된 태풍 환경 정보(110)를 획득하고, 획득된 태풍 환경 정보에 수치 모델(120) 및 인공 지능 모델(140)을 적용함으로써, 태풍 환경 정보를 분석할 수 있다. 전자 장치(1000)는 수치 모델(120) 및 인공 지능 모델(140)을 이용하여 태풍 환경 정보를 분석함으로써, 태풍 진로 정보(162)를 최종적으로 결정할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)가 획득하는 태풍 환경 정보(110)는 진로를 결정하고자 하는 대상 태풍에 대한 태풍 종류 정보, 태풍 반경 정보, 소정의 태풍 반경에서의 바람 정보, 기압 정보, 온도 정보, 발생 위치 정보 또는 상기 대상 태풍이 이동하는 지형 정보 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니며, 기타 태풍과 관련된 기상 정보들을 더 포함할 수도 있다.
일 실시 예에 의하면, 전자 장치(1000)는 수치 모델을 태풍 환경 정보에 적용함으로써 획득된 수치 모델 결과를 인공 지능 모델에 다시 입력할 수 있다. 전자 장치(1000)는 수치 모델 결과를 인공 지능 모델(140)에 적용함으로써 수치 모델 결과상 나타나는 소정의 기간 동안의 태풍 진로의 오차를 줄일 수 있다. 전자 장치(1000)는 수치 모델 결과에 기초하여, 인공 지능 모델의 출력 값 중 일부의 결과 값을 필터링할 수 있고, 필터링 결과에 따라 태풍 진로를 더 정확하게 결정할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 하나 이상의 인스트럭션을 저장하는 메모리, 상기 하나 이상의 인스트럭션을 실행함으로써 태풍 진로를 결정하는 적어도 하나의 프로세서 및 전자 장치로 송신되거나, 전자 장치로부터 수신될 데이터들을 처리하는 네트워크 인터페이스를 포함할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 네트워크 인터페이스를 통하여 적어도 하나의 서버(2000)와 연결될 수 있다. 예를 들어, 전자 장치(1000)는 서버(2000)와 연동함으로써 태풍의 진로를 결정할 수도 있다.
일 실시 예에 의하면, 전자 장치(1000)는 날씨 수치 모델, Weather Research and Forecasting 모델 및 적어도 하나의 인공 지능 모델을 메모리에 저장할 수 있다. 전자 장치(1000)는 수치 모델 및 인공 지능 모델을 함께 이용하여 태풍의 진로를 더 정확하게 결정할 수 있다. 또한, 일 실시 예에 의하면, 전자 장치(1000)의 메모리에 저장된 인공 지능 모델은 적어도 하나의 신경망 모델을 포함할 수도 있다. 일 실시 예에 의하면, 인공 지능 모델(140)은 예상 위도 정보(152)를 출력하는 제1 신경망 모델(142) 및 예상 경도 정보(154)를 출력하는 제2 신경망 모델을 포함할 수도 있다.
일 실시 예에 의하면 전자 장치(1000)가 이용하는 인공 신경망은 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN (Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM (Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다.
일 실시 예에 의하면, 전자 장치(1000)가 이용하는 인공 신경망은 1개의 입력층, 2개의 은닉층 및 1개의 출력층을 포함할 수 있고, 2개의 은닉층에 대한 뉴런 개수는 각 은닉층마다 10-30개 사이로 2개씩 간격으로 비교하여 최적의 성능을 나타낼 때까지 변경될 수 있다. 일 실시 예에 의하면, 전자 장치(1000)각 최종 태풍의 위치에 대한 정보를 위도 및 경도 좌표로 결정할 수 있다. 전자 장치(1000)는 태풍의 최종 위치에 대한 위치 정보로써 위도 정보 및 경도 정보를 각각 출력하는 2개의 인공 지능 모델을 각각 학습 시킬 수 있으며, 학습된 2개의 인공 지능 모델을 저장할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 기상 정보, 태풍 환경 정보등을 획득하고, 이를 분석할 수 있는 컴퓨팅 장치일 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 AI 프로그램이 탑재되고 음성 인식 기능을 포함하는 스마트폰, 태블릿 PC, 스마트 TV, 휴대폰, 미디어 플레이어, 서버, 마이크로 서버, 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다.
또한, 일 실시 예에 의하면, 서버(2000) 또는 전자 장치(1000)를 연결하는 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망 및 이들의 상호 조합을 포함하고, 도 1에 도시된 각 네트워크 구성 주체가 서로 원활하게 통신을 할 수 있도록 하는 포괄적인 의미의 데이터 통신망이며, 유선 인터넷, 무선 인터넷 및 모바일 무선 통신망을 포함할 수 있다.
도 2는 일 실시 예에 따른 전자 장치가 태풍의 진로를 결정하는 방법의 흐름도이다.
S210에서, 전자 장치(1000)는 외부 디바이스로부터 태풍 환경 정보를 획득할 수 있다. 일 실시 예에 의하면, 태풍 환경 정보는 태풍 정보, 태풍 반경에서의 바람 성분 등의 정보를 포함할 수 있다. 또 다른 실시 예에 의하면, 태풍 환경 정보는 진로를 결정하고자 하는 대상 태풍에 대한 태풍 종류 정보, 태풍 반경 정보, 소정의 태풍 반경에서의 바람 정보, 기압 정보, 온도 정보, 발생 위치 정보 또는 상기 대상 태풍이 이동하는 지형 정보 중 적어도 하나를 포함할 수도 있다. 일 실시 예에 의하면, 전자 장치(1000)는 특정 지역을 선택하는 사용자 입력을 획득하고, 획득된 사용자 입력에 따른 특정 지역에 대한 태풍 환경 정보만을 획득할 수도 있다.
예를 들어, 전자 장치(1000)는 북서태평양에서 6월과 11월 사이에 발생한 열대 폭풍 이상의 강도를 가진 태풍에 대한 정보를 태풍 환경 정보로 획득할 수도 있다. 일 실시 예에 의하면, 전자 장치(1000)가 태풍 환경 정보를 획득하는 외부 디바이스는, 기상청 서버와 같이 태풍과 관련된 기상 정보들이 저장되는 서버 장치 또는 데이터 베이스일 수 있다.
S220에서, 전자 장치(1000)는 S210에서 획득된 태풍 환경 정보를 수치 모델에 입력함으로써, 태풍 환경 정보에 따른 태풍의 예상 중심 위치에 관한 제1 태풍 진로 정보를 획득할 수 있다. 예를 들어, 수치 모델은 날씨 수치 모델로써, 포트란 프로그램 언어 기반으로 구축된 컴퓨터 모델일 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 수치 모델을 이용하여 소정의 기간 동안의 태풍의 진로를, 소정의 시간 간격 별로 결정할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)는 예측 대상이 되는 태풍 모니터링 기간을 3일로 결정하고, 3일 동안의 결정 대상 태풍의 관찰 간격을 6시간으로 결정할 수 있다. 전자 장치(1000)는 3일을 6시간 간격으로 나눔으로써 12 스텝을 생성하고, 12 스텝 별 태풍의 중심 위치를 시간의 흐름에 따라 연결함으로써 태풍 진로를 결정할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 수치 모델을 이용하여 12 스텝 별, 3일동안의 태풍 진로를 결정함과 함께, 스텝 별 태풍의 중심 위치 및 해당 중심 위치 주변의 기압, 바람 세기, 온도 등의 정보를 시간 별로 식별할 수도 있다. 본 개시에 따른 전자 장치(1000)는 상기 결정된 태풍 진로, 태풍 중심 위치, 해당 중심 위치 주변의 기압, 바람 세기, 온도 등의 정보를 시간 별로 정렬함으로써 제1 태풍 진로 정보를 생성할 수 있다.
또 다른 실시 예에 의하면, 전자 장치(1000)는 상기 소정의 스텝 별 태풍의 중심 위치 후보들을 결정하고, 상기 시간의 흐름에 따른 태풍의 중심 위치에서 소정의 영역에 대한 바람 정보를 제1 태풍 진로 정보로 획득할 수도 있다.
S230에서, 전자 장치(1000)는 제1 태풍 진로 정보가 입력되면, 제1 태풍 진로 정보에 따른 태풍의 예상 중심 위치 정보들을 출력하는 인공 지능 모델에, 상기 제1 태풍 진로를 입력함으로써, 인공 지능 모델로부터 태풍의 예상 중심 위치 정보들을 획득할 수 있다. 예를 들어, 전자 장치(1000)는 태풍 학습 정보에 기초하여 미리 학습된 인공 지능 모델에 수치 모델 결과로써 획득된 제1 태풍 진로 정보를 입력함으로써, 대상 태풍의 예상 중심 위치로 예상되는 복수의 후보 예상 중심 위치 정보들을 획득할 수 있다.
S240에서, 전자 장치(1000)는 수치 모델 결과에서 획득된 제1 태풍 진로 정보에 기초하여, 인공 지능 모델로부터 획득된 복수의 예상 중심위치 정보들 중 소정의 중심 위치 정보를 식별할 수 있다. 예를 들어, 전자 장치(1000)는 인공 지능 모델로부터 출력된 중심 위치 정보들을 모두 활용하는 것이 아니라, 수치 모델 결과인 제1 태풍 진로 정보에 기초하여, 인공 지능 모델로부터 출력된 중심 위치 정보들 중 일부를 필터링할 수 있다.
S250에서, 전자 장치(1000)는 복수의 중심 위치 정보들 중, 식별된 소정의 중심 위치 정보에 기초하여 태풍 환경 정보에 따른 태풍의 제2 태풍 진로를 결정할 수 있다. 예를 들어, 전자 장치(1000)는 S240에서 필터링 되고 남은, 인공 지능 모델의 출력 값에 기초하여, 최종 태풍의 중심 위치를, 제2 태풍 진로 정보로 결정할 수 있다.
도 3은 일 실시 예에 따른 전자 장치가 수치 모델을 활용하여 태풍의 진로를 산출하는 과정을 설명하기 위한 도면이다.
S310에서, 전자 장치(1000)는 태풍 환경 정보를 수치 모델에 입력함으로써, 기 설정된 시간 동안, 소정의 시간 간격으로 태풍의 중심 위치 후보들을 획득할 수 있다. 예를 들어, 전자 장치(1000)는 3일 동안, 6시간 간격으로 스텝들을 구분 생성하고, 생성된 스텝 별 태풍의 중심 위치 들을 중심 위치 후보들로써 획득할 수 있다.
S320에서, 전자 장치(1000)는 상기 기 설정된 시간 동안, 소정의 시간의 흐름에 따른 태풍의 중심 위치 후보들을 정렬할 수 있다. 예를 들어, 전자 장치(1000)는 스텝 별로 태풍의 중심 위치들을 식별하고, 시간의 흐름에 따라 스텝들을 정렬함으로써, 시간의 흐름에 따른 태풍의 중심 위치들을 정렬할 수 있다.
S330에서, 전자 장치(1000)는 정렬된 태풍의 중심 위치 후보들이 나타내는 경로를 제1 태풍 진로 정보로 획득할 수 있다.
도 4는 일 실시 예에 따른 전자 장치가 수치 모델 결과에 인공 지능 모델을 적용하는 과정을 설명하기 위한 도면이다.
S410에서, 전자 장치(1000)는 제1 태풍 진로 정보가 입력되면, 제1 태풍 진로 정보에 따른 태풍의 예상 위도 정보를 출력하는 제1 인공 신경망 모델로부터 태풍의 예상 위도 정보들을 획득할 수 있다. 예를 들어, 제1 인공 신경망 모델은, 태풍 학습 정보에 의해 학습됨으로써, 소정의 태풍 환경 정보가 입력되면, 현재 시점으로부터 기 설정된 시간이 경과한 시점에서 해당 태풍의 위치 정보들 중, 위도 정보를 출력하도록 미리 학습된 신경망 모델일 수 있다.
S420에서, 전자 장치(1000)는 제1 태풍 진로 정보가 입력되면, 제1 태풍 진로 정보에 따른 태풍의 예상 경도 정보를 출력하는 제2 인공 신경망 모델로부터 태풍의 예상 경도 정보들을 획득할 수 있다. 예를 들어, 제2 인공 신경망 모델은, 태풍 학습 정보에 의해 학습됨으로써, 소정의 태풍 환경 정보가 입력되면, 현재 시점으로부터 기 설정된 시간이 경과한 시점에서 해당 태풍의 위치 정보들 중, 경도 정보를 출력하도록 미리 학습된 신경망 모델일 수 있다.
S430에서, 전자 장치(1000)는 제1 인공 신경망 모델 및 상기 제2 인공 신경망 모델 각각으로부터 획득된 예상 위도 정보들 및 상기 예상 경도 정보들을 태풍의 예상 중심 위치 정보들로 획득할 수 있다. 예를 들어, 전자 장치(1000)는 제1 인공 신경망 모델 및 제2 인공 신경망 모델 각각으로부터 획득된 예상 위도 정보 및 예상 경도 정보들을 매칭함으로써, 태풍의 예상 중심 위치 정보를 생성할 수 있다.
도 5는 일 실시 예에 따른 전자 장치 태풍 진로를 결정하기 위해 이용하는 인공 지능 모델을 학습시키는 과정을 설명하기 위한 도면이다.
S510에서, 전자 장치(1000)는 인공 지능 모델을 학습시키기 위한 태풍 학습 정보를 획득할 수 있다. 예를 들어, 전자 장치(1000)는 전자 장치와 연결되는 기상청 서버, 데이터 베이스 등에 액세스함으로써 태풍 학습 정보를 획득할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 세계기상기구(WMO)의 관리 서버 내지 데이터 베이스, 북서태평양 지역특별기상센터(RSMC)의 서버 내지 데이터 베이스로부터 과거 태풍의 이동 경로, 태풍 반경, 태풍 이동 속도, 태풍의 중심 위치를 기준으로 소정의 반경 내 바람 세기, 온도, 습도 정보들을 태풍 학습 정보로 획득할 수도 있다. 또한, 일 실시 예에 의하면, 태풍 학습 정보는 과거의 태풍 환경 정보가 수치 모델에 입력됨에 따라 도출되는 수치 모델 결과 정보를 포함할 수도 있다.
S520에서, 전자 장치(1000)는 태풍 학습 정보상에 나타나는 태풍의 중심 위치를 중심으로 포함하는 바람 측정 영역을 결정할 수 있다. 예를 들어, 전자 장치(1000)는 태풍 학습 정보상에 나타나는 소정의 지역 정보 및 시간 정보에 따른 태풍을 식별하고, 식별된 태풍의 중심 위치로부터 소정의 반경을 대각선으로 가지는 사각형 형태의 바람 측정 영역을 식별할 수 있다. 일 실시 예에 의하면, 바람 측정 영역은 한 변의 길이가 500Km에 대응될 수 있다.
S530에서, 전자 장치(1000)는 바람 측정 영역 내 바람의 방향 및 세기를 나타내는 바람 벡터의 수직 성분 및 상기 바람 벡터의 수평 성분을 식별할 수 있다. 예를 들어, 전자 장치(1000)가 획득한 태풍 학습 정보에는, 바람 측정 영역 내 바람의 방향, 세기에 대한 정보들이 포함될 수 있다. 전자 장치(1000)는 바람 측정 영역 내 바람의 방향 및 세기를 나타내는 바람 벡터를 식별하고, 식별된 바람 벡터의 수직 성분 및 수평 성분을 구분하여 식별할 수 있다.
S540에서, 전자 장치(1000)는 바람 벡터의 수직 성분 및 바람 벡터의 수평 성분에 기초하여 인공 지능 모델을 학습시킬 수 있다. 예를 들어, 전자 장치(1000)는 바람 측정 영역 내 바람 벡터의 수직 성분의 평균 값 및 바람 벡터의 수평 성분의 평균 값을 결정한 후, 바람 벡터의 수직 성분의 평균 값 및 바람 벡터의 수평 성분의 평균 값을 각각에 기초하여, 제1 인공 신경망 모델 및 제2 인공 신경망 모델을 각각 학습시킬 수 있다.
도 6은 또 다른 실시 예에 따라 전자 장치가 태풍의 진로를 결정하는 과정을 설명하기 위한 도면이다.
S610에서, 전자 장치(1000)는 태풍 사례를 선정할 수 있다. 예를 들어, 전자 장치(1000)는 사용자 입력에 기초하여, 전자 장치와 연결된 외부 디바이스로부터 태풍 환경 정보를 획득하고, 획득된 태풍 환경 정보 내 소정의 태풍 사례를 식별할 수 있다.
S620에서, 전자 장치(1000)는 식별된 태풍 사례에 대한 정보를 수치 모델에 입력함으로써, 수치 모델로부터 수치 모델 결과를 획득할 수 있다. 예를 들어, 전자 장치(1000)는 태풍 환경 정보에 수치 모델을 적용함으로써 수치 모델에 따른 시뮬레이션 결과를 수치 모델 결과로 획득할 수 있다.
S630에서, 전자 장치(1000)는 수치 모델 결과에 기초하여 태풍 진로를 산출할 수 있다. 예를 들어, 전자 장치(1000)는 수치 모델 결과에 기초하여, 소정의 기간 동안, 소정의 시간 간격으로 산출된 스텝 별 태풍의 예상 중심 위치 후보들을 획득하고, 획득된 예상 중심 위치 후보들에 기초하여 태풍 진로를 산출할 수 있다.
S640에서, 전자 장치(1000)는 수치 모델 결과를 통해 산출된 태풍 진로 정보에 인공 신경망을 적용할 수 있다. 예를 들어, 전자 장치(1000)는 태풍의 위치를 위도 및 경도로 각각 출력하는 복수의 인공 신경망 모델에 S630에서 산출된 태풍 진로 정보를 입력함으로써, 기 설정된 시간이 경과한 시점에서 예상되는 태풍의 중심 위치 정보들을 획득할 수 있다.
S650에서, 전자 장치(1000)는 인공 신경망 모델의 출력 값들 중 일부의 인공 신경망 결과를 구별할 수 있다. 보다 상세하게는, 전자 장치(1000)는 수치 모델 결과에 기초하여, 인공 신경망 모델의 출력 값들 중 소정의 출력 값들을 선택할 수 있다. 일 실시 예에 의하면, 전자 장치(1000)는 수치 모델 결과로부터 도출되는, 태풍의 예상 중심 위치들을 포함하는 제2 후보 영역을 결정하고, 인공 신경망 모델 결과로부터 도출되는, 태풍의 예상 중심 위치들을 포함하는 제1 후보 영역을 결정하며, 제1 후보 영역 및 제2 후보 영역이 중복되는 영역에 포함되는 인공 신경망 모델 결과에 따른 예상 중심 위치들을 선택할 수 있다.
S660에서, 전자 장치(1000)는 인공 신경망 모델의 결과 중, 선택된 소정의 출력 값들을 이용하여 최종 태풍 진로를 산출할 수 있다. 예를 들어, 전자 장치(1000)는 인공 신경망 모델 결과 값들 중, 상기 중복 영역에 포함되는 인공 신경망 모델 결과 값을 이용하여 최종 태풍 진로를 산출할 수 있다.
도 7은 일 실시 예에 따라 전자 장치가 인공 지능 모델을 이용하여 태풍의 최종 위치를 결정하는 과정을 설명하기 위한 도면이다.
일 실시 예에 의하면, 전자 장치(1000)가 이용하는 인공 지능 모델(740)은 신경망 기반의 모델일 수 있다. 예를 들어, 전자 장치(1000)가 이용하는 인공 지능 모델(740)은 태풍 정보(710), 바람 성분(720), 수치 모델 결과(730)를 획득하고, 획득된 태풍 정보(710), 바람 성분(720) 및 수치 모델 결과(730)에 따른 출력 값으로 최종 태풍의 위치(750)를 출력할 수 있다.
전자 장치(1000)가 이용하는 인공 지능 모델은 태풍 학습 정보에 포함된, 태풍 정보(예컨대 태풍 종류, 태풍 크기, 태풍 반경, 태풍 발생 위치 등), 바람 성분, 수치 모델 결과(730)에 기초하여 미리 학습될 수 있고, 실제 태풍 환경 정보에 포함된 태풍 정보, 바람 성분, 수치 모델 결과가 입력되면, 인공 지능 모델의 출력 값으로 최종 태풍의 위치(750)를 출력할 수 있다.
도 8은 일 실시 예에 따라 전자 장치가 인공 지능 모델을 학습시키기 위해 태풍 학습 정보를 처리하는 과정을 설명하기 위한 도면이다.
전자 장치(1000)는 태풍 학습 정보(810)상에 나타나는 태풍의 중심 위치를 중심으로 포함하는 바람 측정 영역(820)을 결정할 수 있다. 예를 들어, 전자 장치(1000)는 태풍 학습 정보(810)상에 나타나는 소정의 지역 정보 및 시간 정보에 따른 태풍을 식별하고, 식별된 태풍의 중심 위치로부터 소정의 반경을 대각선으로 가지는 사각형 형태의 바람 측정 영역(820)을 식별할 수 있다. 일 실시 예에 의하면, 바람 측정 영역은 한 변의 길이가 500Km에 대응될 수 있다.
전자 장치(1000)는 바람 측정 영역 내 바람의 방향 및 세기를 나타내는 바람 벡터의 수직 성분 및 상기 바람 벡터의 수평 성분을 식별할 수 있다. 또 다른 실시 예에 의하면, 전자 장치(1000)는 바람 측정 영역 내 바람의 방향 및 세기를 나타내는 바람 벡터의 U성분 및 V 성분을 획득할 수 있다. 일 실시 예에 의하면, 바람 벡터의 U 성분 및 V성분은 서로 수직하는 벡터 내 임의 방향의 성분 쌍일 수 있다.
전자 장치(1000)는 바람 측정 영역 내 식별되는 바람 벡터들의 서로 수직인 성분 쌍을 구분하고, 바람 측정 영역 내 위치하는 바람 터의 성분 별 평균 값을 결정할 수 있다. 예를 들어, 전자 장치(1000)는 바람 측정 영역 내 바람 벡터의 수직 성분의 평균 값 및 바람 벡터의 수평 성분의 평균 값을 결정한 후, 바람 벡터의 수직 성분의 평균 값 및 바람 벡터의 수평 성분의 평균 값 각각에 기초하여, 제1 인공 신경망 모델 및 제2 인공 신경망 모델을 각각 학습시킬 수 있다.
도 9는 일 실시 예에 따라 전자 장치가 인공 지능 모델의 출력 값들 중 소정의 출력 값들을 선택하는 과정을 설명하기 위한 도면이다.
일 실시 예에 의하면, 전자 장치(1000)는 수치 모델 결과 및 인공 지능 모델의 결과 모두를 이용하여 태풍의 최종 위치 또는 태풍의 최종 위치를 포함하는 최종 태풍 진로를 산출할 수 있다.
예를 들어, 도 9를 참조하면, 전자 장치(1000)는 인공 지능 모델로부터 출력된 예상 중심 위치들(912, 914, 918, 916)을 포함하는 제1 후보 영역(910)을 결정할 수 있다. 전자 장치(1000)는 인공 지능 모델로부터 출력되는 예상 중심 위치들 중 가장 최외곽에 있는 중심 위치를 모두 포함하는 사각 영역을 제1 후보 영역(910)으로 결정할 수 있다. 또한, 일 실시 예에 의하면, 전자 장치(1000)는 제1 후보 영역에 포함된 예상 태풍의 중심 위치들의 위도 및 경도 별 평균 값을 결정하고, 위도 평균 값 및 경도 평균 값에 기초하여, 제1 후보 영역에 포함된 예상 태풍의 중심 위치들의 평균 중심 위치(920)를 결정할 수도 있다.
또한, 전자 장치(1000)는 수치 모델 결과로부터 출력된 태풍의 예상 중심 위치(942)를 중심 좌표로 포함하는 제2 후보 영역(940)을 결정할 수 있다. 또 다른 실시 예에 의하면, 전자 장치(1000)는 수치 모델로부터 출력된 제1 태풍 진로 정보에 기초하여, 수치 모델에 따른 태풍의 예상 중심 위치를 중심으로 포함하는 제2 후보 영역을 결정할 수도 있다.
전자 장치(1000)는 제2 후보 영역 및 제1 후보 영역이 중복되는 중복 영역(930)을 식별할 수 있다. 전자 장치(1000)는 인공 지능 모델로부터 출력된 태풍의 예상 중심 위치들 중, 중복 영역(930)에 포함된 예상 중심 위치들을 식별할 수 있다.
일 실시 예에 의하면, 제1 후보 영역(910) 및 제2 후보 영역(940)은 사각 형태로 형성되고, 제1 후보 영역(910) 및 제2 후보 영역(940)의 가로 경계는 인공 지능 모델 및 수치 모델의 평균 경도 오차를 나타낼 수 있다. 또한, 제1 후보 영역(910) 및 제2 후보 영역(940)의 세로 경계는 인공 지능 모델 및 수치 모델의 평균 위도 오차를 나타낼 수 있다.
전자 장치(1000)는 중복 영역(930)에 포함된 태풍의 예상 중심 위치들의 평균 값을 결정할 수 있다. 예를 들어, 전자 장치(1000)는 인공 지능 모델의 출력 값으로써, 중복 영역(930)에 위치하는 예상 중심 위치들 중, 중복 영역에 포함된 예상 중심 위치들의 위도 및 경도 각각의 평균 값을 결정할 수 있다. 전자 장치(1000)는 중복 영역 내 태풍의 예상 중심 위치들의 위도 평균 값 및 경도 평균 값에 기초하여, 중복 영역(930)에 포함된 태풍의 예상 중심 위치들의 평균 중심 위치를 결정할 수 있다. 전자 장치(1000)는 중복 영역(930)에 포함된 평균 중심 위치를 기 설정된 시간이 경과한 시점에서의 최종 태풍의 예상 중심 위치로 결정할 수 있다. 또한, 전자 장치(1000)는 기 설정된 시간이 경과한 시점에서의 최종 태풍의 예상 중심 위치를 제2 태풍 진로로 결정할 수도 있다.
도 10은 일 실시 예에 따라 전자 장치가 태풍의 진로를 최종적으로 결정하는 과정을 설명하기 위한 도면이다.
도 10을 참조하면, 실제 태풍이 이동한 경로상의 태풍의 중심 위치들(1002), 전자 장치(1000)가 수치 모델 결과를 이용하여 예측한 태풍의 중심 위치들(1004), 인공 지능 모델을 이용하여 예측한 태풍의 중심 위치들(1006)이 함께 도시된다. 도 10을 참조하면, 전자 장치(1000)는 인공 지능 모델 결과로써 획득된 태풍의 중심 위치들을 포함하는 제1 후보 영역과, 수치 모델 결과에 따라 결정된 제2 후보 영역을 식별한 후, 인공 지능 모델로부터 출력된 태풍의 예상 중심 위치들 중, 제1 후보 영역 및 제2 후보 영역이 중복되는 영역 내에 위치하는, 태풍의 예상 중심 위치들의 평균 값을 최종 태풍의 중심 위치(1010)로 결정함으로써, 더 정확하게 태풍의 중심 위치를 결정할 수 있다.
도 11은 일 실시 예에 따른 전자 장치의 블록도이다.
일 실시 예에 의하면, 전자 장치(1000)는 프로세서(1400), 네트워크 인터페이스(1500) 및 메모리(1700)를 포함할 수 있다. 그러나, 도시된 구성 요소가 모두 필수구성요소인 것은 아니고, 도시된 구성 요소보다 많은 구성 요소에 의해 전자 장치(1000)가 구현될 수도 있고, 그보다 적은 구성 요소에 의해서도 전자 장치(1000)는 구현될 수도 있다.
프로세서(1400)는, 통상적으로 전자 장치(1000)의 전반적인 동작을 제어한다. 일 실시 예에 의하면, 본 개시에 따른 프로세서(1400)는 메모리(1700)에 저장된 프로그램들을 실행함으로써, 도 1 내지 도 10에 기재된 전자 장치(1000)의 기능을 수행할 수 있다. 또한, 프로세서(1400)는 하나 또는 복수의 프로세서로 구성될 수 있고, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU와 같은 그래픽 전용 프로세서를 포함할 수 있다. 프로세서(1400)는 메모리에 저장된 인스트럭션을 실행함으로써 태풍의 진로를 결정하기 위한 기타 처리 장치를 포함할 수 있다.
일 실시 예에 의하면, 전자 장치(1000)가 태풍의 최종 진로를 결정하기 위해 이용하는 적어도 하나의 프로세서 중 적어도 일부는 전자 장치(1000)와 연결된 다른 외부 디바이스 또는 서버에 탑재될 수도 있다.
일 실시 예에 의하면, 프로세서(1400)는 메모리(1700)에 저장된 하나 이상의 인스트럭션을 수행함으로써, 상기 전자 장치와 연결된 외부 디바이스로부터 태풍 환경 정보, 태풍 학습 정보들을 획득하고, 획득된 태풍 환경 정보 또는 태풍 학습 정보에 기초하여 태풍의 진로를 결정할 수 있다.
일 실시 예에 의하면, 프로세서(1400)는 상기 하나 이상의 인스트럭션을 실행함으로써, 외부 디바이스로부터 태풍 환경 정보를 획득하고, 상기 획득된 태풍 환경 정보를 수치 모델에 입력함으로써, 상기 태풍 환경 정보에 따른 태풍의 예상 중심 위치에 관한 제1 태풍 진로 정보를 획득하고, 상기 제1 태풍 진로 정보가 입력되면, 상기 제1 태풍 진로 정보에 따른 태풍의 예상 중심 위치 정보들을 출력하는 인공 지능 모델에, 상기 제1 태풍 진로 정보를 입력함으로써, 상기 인공 지능 모델로부터 상기 태풍의 예상 중심 위치 정보들을 획득하고, 상기 제1 태풍 진로 정보에 기초하여, 상기 예상 중심 위치 정보들 중 소정의 중심 위치 정보를 식별하고, 상기 식별된 중심 위치 정보에 기초하여 상기 태풍 환경 정보에 따른 태풍의 제2 태풍 진로 정보를 결정할 수 있다.
일 실시 예에 의하면, 프로세서(1400)는 진로를 결정하고자 하는 대상 태풍에 대한 태풍 종류 정보, 태풍 반경 정보, 소정의 태풍 반경에서의 바람 정보, 기압 정보, 온도 정보, 발생 위치 정보 또는 상기 대상 태풍이 이동하는 지형 정보 중 적어도 하나를 상기 태풍 환경 정보로 획득할 수 있다.
일 실시 예에 의하면, 프로세서(1400)는 상기 태풍 환경 정보를 상기 수치 모델에 입력함으로써, 기 설정된 시간 동안, 소정의 시간 간격으로 태풍의 중심 위치 후보들을 획득하고, 상기 기 설정된 시간 동안, 시간의 흐름에 따른 상기 태풍의 중심 위치 후보들을 정렬하고, 상기 정렬된 태풍의 중심 위치 후보들이 나타내는 경로를 상기 제1 태풍 진로 정보로 획득할 수 있다.
일 실시 예에 의하면, 프로세서(1400)는 상기 시간의 흐름에 따른 상기 태풍의 중심 위치 후보들 및 상기 시간의 흐름에 따른 태풍의 중심 위치에서 소정의 영역에 대한 바람 정보를 상기 제1 태풍 진로 정보로 획득할 수 있다.
일 실시 예에 의하면, 프로세서(1400)는 상기 제1 태풍 진로 정보가 입력되면, 상기 제1 태풍 진로 정보에 따른 태풍의 예상 위도 정보를 출력하는 제1 인공 신경망 모델로부터, 상기 태풍의 예상 위도 정보들을 획득하고, 상기 제1 태풍 진로 정보가 입력되면, 상기 제1 태풍 진로 정보에 따른 태풍의 예상 경도 정보를 출력하는 제2 인공 신경망 모델로부터, 상기 태풍의 예상 경도 정보들을 획득하고, 상기 제1 인공 신경망 모델 및 상기 제2 인공 신경망 모델 각각으로부터 획득된 예상 위도 정보들 및 상기 예상 경도 정보들을 상기 태풍의 예상 중심 위치 정보들로 획득할 수 있다.
일 실시 예에 의하면, 프로세서(1400)는 상기 인공 지능 모델을 학습시키기 위한 태풍 학습 정보를 획득하고, 상기 획득된 태풍 학습 정보상에 나타나는 태풍의 중심 위치를 중심으로 포함하는 바람 측정 영역을 결정하고, 상기 결정된 바람 측정 영역 내 바람의 방향 및 세기를 나타내는 바람 벡터의 수직 성분 및 상기 바람 벡터의 수평 성분을 식별하고, 상기 식별된 바람 벡터의 수직 성분 및 상기 바람 벡터의 수평 성분에 기초하여 상기 인공 지능 모델을 학습시킬 수 있다.
일 실시 예에 의하면, 프로세서(1400)는 상기 태풍 학습 정보를 상기 수치 모델에 입력함으로써, 태풍 학습 진로 정보를 획득하고, 상기 태풍 학습 정보, 상기 태풍 학습 진로 정보, 상기 식별된 바람 벡터의 수직 성분 및 상기 바람 벡터의 수평 성분에 기초하여 상기 인공 지능 모델을 학습시킬 수 있다.
일 실시 예에 의하면, 프로세서(1400)는 상기 인공 지능 모델로부터 출력된 상기 예상 중심 위치들을 모두 포함하는 제1 후보 영역을 결정하고, 상기 수치 모델로부터 출력된 상기 제1 태풍 진로 정보에 기초하여, 상기 수치 모델에 따른 태풍의 예상 중심 위치를 중심으로 포함하는 제2 후보 영역을 결정하고, 상기 제1 후보 영역 및 상기 제2 후보 영역이 중복되는 중복 영역을 식별하고, 상기 인공 지능 모델로부터 출력된 예상 중심 위치들 중, 상기 중복 영역에 포함된 예상 중심 위치들을 식별할 수 있다.
메모리(1700)는, 프로세서(1400)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 전자 장치(1000)로 입력되거나 전자 장치(1000)로부터 출력되는 데이터를 저장할 수도 있다. 또한, 메모리(1700)는 수치 모델, 날씨 수치 모델, 인공 지능 모델, 인공 신경망 모델, 태풍 환경 정보, 태풍 학습 정보들을 저장할 수 있다. 일 실시 예에 의하면, 메모리(1700)는 신경망 모델의 구성으로써, 신경망을 구성하는 레이어들, 레이어들에 포함된 노드들 및 레이어들의 연결 강도에 관한 가중치들에 대한 정보를 저장할 수 있다.
일 실시 예에 의하면, 메모리(1700)는 메모리에 기 저장된 수치 모델, 인공 지능 모델이 수정 및 갱신되는 경우 수정 및 갱신된 수치 모델 및 인공 지능 모델을 저장할 수도 있다. 메모리(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
그러나, 이에 한정되는 것은 아니며, 기타 태풍의 위치를 예측하기 위한 인공 지능 모델에 대한 정보를 저장하기 위한 기타 저장 매체일 수 있다.
네트워크 인터페이스(1500)는 전자 장치(1000)가 외부 디바이스 또는 서버와 송수신하는 데이터를 전달할 수 있다. 예를 들어, 전자 장치(1000)는 네트워크 인터페이스를 통하여 외부 디바이스, 서버(기상청 서버, 지역특별 기상 센터 서버 등)로부터 태풍과 관련된 데이터들을 획득할 수 있다. 또한, 네트워크 인터페이스(1500)는 태풍의 예상 중심 위치가 결정되면, 결정된 예상 중심 위치에 대한 위도 및 경도 정보를 전자 장치와 연결된 다른 디바이스로 전송할 수도 있다.
일 실시예에 따른 상술한 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 개시를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.
또한, 상기 일 실시 예에 다른 방법을 수행하도록 하는 프로그램이 저장된 기록매체를 포함하는 컴퓨터 프로그램 장치가 제공될 수 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상에서 본 개시의 실시예에 대하여 상세하게 설명하였지만 본 개시의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 개시의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 개시의 권리범위에 속한다

Claims (20)

  1. 전자 장치가 태풍의 진로를 결정하는 방법에 있어서,
    외부 디바이스로부터 태풍 환경 정보를 획득하는 단계;
    상기 획득된 태풍 환경 정보를 수치 모델에 입력함으로써, 상기 태풍 환경 정보에 따른 태풍의 예상 중심 위치에 관한 제1 태풍 진로 정보를 획득하는 단계;
    상기 제1 태풍 진로 정보가 입력되면, 상기 제1 태풍 진로 정보에 따른 태풍의 예상 중심 위치 정보들을 출력하는 인공 지능 모델에, 상기 제1 태풍 진로 정보를 입력함으로써, 상기 인공 지능 모델로부터 상기 태풍의 예상 중심 위치 정보들을 획득하는 단계;
    상기 제1 태풍 진로 정보에 기초하여, 상기 예상 중심 위치 정보들 중 소정의 중심 위치 정보를 식별하는 단계; 및
    상기 식별된 중심 위치 정보에 기초하여 상기 태풍 환경 정보에 따른 태풍의 제2 태풍 진로 정보를 결정하는 단계; 를 포함하는, 방법.
  2. 제1항에 있어서, 상기 태풍 환경 정보를 획득하는 단계는
    진로를 결정하고자 하는 대상 태풍에 대한 태풍 종류 정보, 태풍 반경 정보, 소정의 태풍 반경에서의 바람 정보, 기압 정보, 온도 정보, 발생 위치 정보 또는 상기 대상 태풍이 이동하는 지형 정보 중 적어도 하나를 상기 태풍 환경 정보로 획득하는 단계; 를 포함하는, 방법.
  3. 제1항에 있어서, 상기 제1 태풍 진로 정보를 획득하는 단계는
    상기 태풍 환경 정보를 상기 수치 모델에 입력함으로써, 기 설정된 시간 동안, 소정의 시간 간격으로 태풍의 중심 위치 후보들을 획득하는 단계;
    상기 기 설정된 시간 동안, 시간의 흐름에 따른 상기 태풍의 중심 위치 후보들을 정렬하는 단계; 및
    상기 정렬된 태풍의 중심 위치 후보들이 나타내는 경로를 상기 제1 태풍 진로 정보로 획득하는 단계; 를 포함하는, 방법.
  4. 제1항에 있어서, 상기 제1 태풍 진로 정보를 획득하는 단계는
    상기 시간의 흐름에 따른 상기 태풍의 중심 위치 후보들 및 상기 시간의 흐름에 따른 태풍의 중심 위치에서 소정의 영역에 대한 바람 정보를 상기 제1 태풍 진로 정보로 획득하는 단계; 를 포함하는, 방법.
  5. 제1항에 있어서, 상기 태풍의 예상 중심 위치 정보들을 획득하는 단계는
    상기 제1 태풍 진로 정보가 입력되면, 상기 제1 태풍 진로 정보에 따른 태풍의 예상 위도 정보를 출력하는 제1 인공 신경망 모델로부터, 상기 태풍의 예상 위도 정보들을 획득하는 단계;
    상기 제1 태풍 진로 정보가 입력되면, 상기 제1 태풍 진로 정보에 따른 태풍의 예상 경도 정보를 출력하는 제2 인공 신경망 모델로부터, 상기 태풍의 예상 경도 정보들을 획득하는 단계; 및
    상기 제1 인공 신경망 모델 및 상기 제2 인공 신경망 모델 각각으로부터 획득된 예상 위도 정보들 및 상기 예상 경도 정보들을 상기 태풍의 예상 중심 위치 정보들로 획득하는 단계; 를 포함하는, 방법.
  6. 제1항에 있어서, 상기 방법은
    상기 인공 지능 모델을 학습시키기 위한 태풍 학습 정보를 획득하는 단계;
    상기 획득된 태풍 학습 정보상에 나타나는 태풍의 중심 위치를 중심으로 포함하는 바람 측정 영역을 결정하는 단계;
    상기 결정된 바람 측정 영역 내 바람의 방향 및 세기를 나타내는 바람 벡터의 수직 성분 및 상기 바람 벡터의 수평 성분을 식별하는 단계;
    상기 식별된 바람 벡터의 수직 성분 및 상기 바람 벡터의 수평 성분에 기초하여 상기 인공 지능 모델을 학습시키는 단계; 를 더 포함하는, 방법.
  7. 제6항에 있어서, 상기 방법은
    상기 태풍 학습 정보를 상기 수치 모델에 입력함으로써, 태풍 학습 진로 정보를 획득하는 단계; 를 더 포함하고,
    상기 인공 지능 모델을 학습시키는 단계는,
    상기 태풍 학습 정보, 상기 태풍 학습 진로 정보, 상기 식별된 바람 벡터의 수직 성분 및 상기 바람 벡터의 수평 성분에 기초하여 상기 인공 지능 모델을 학습시키는 단계; 를 포함하는, 방법.
  8. 제1항에 있어서, 상기 예상 중심 위치 정보들 중 소정의 중심 위치 정보를 식별하는 단계는,
    상기 인공 지능 모델로부터 출력된 상기 예상 중심 위치들을 모두 포함하는 제1 후보 영역을 결정하는 단계;
    상기 수치 모델로부터 출력된 상기 제1 태풍 진로 정보에 기초하여, 상기 수치 모델에 따른 태풍의 예상 중심 위치를 중심으로 포함하는 제2 후보 영역을 결정하는 단계;
    상기 제1 후보 영역 및 상기 제2 후보 영역이 중복되는 중복 영역을 식별하는 단계; 및
    상기 인공 지능 모델로부터 출력된 예상 중심 위치들 중, 상기 중복 영역에 포함된 예상 중심 위치들을 식별하는 단계; 를 포함하는, 방법.
  9. 제8항에 있어서,
    상기 제1 후보 영역 및 상기 제2 후보 영역은 사각형태로 형성되고,
    상기 제1 후보 영역 및 상기 제2 후보 영역의 가로 경계는 상기 인공 지능 모델 및 상기 수치 모델의 평균 경도 오차를 나타내며,
    상기 제1 후보 영역 및 상기 제2 후보 영역의 세로 경계는 상기 인공 지능 모델 및 상기 수치 모델의 평균 위도 오차를 나타내는 것을 특징으로 하는, 방법.
  10. 제8항에 있어서, 상기 제2 태풍 진로 정보를 결정하는 단계는
    상기 중복 영역에 포함된 예상 중심 위치들의 평균 위치 값을 결정하는 단계;
    상기 결정된 평균 위치 값을 상기 태풍 환경 정보에 따른 상기 태풍의 최종 예상 중심 위치로 결정하는 단계; 및
    상기 예상 중심 위치에 기초하여 상기 제2 태풍 진로 정보를 결정하는 단계; 를 포함하는, 방법.
  11. 태풍의 진로를 결정하는 전자 장치에 있어서,
    네트워크 인터페이스;
    하나 이상의 인스트럭션을 저장하는 메모리; 및
    상기 하나 이상의 인스트럭션을 실행하는 적어도 하나의 프로세서; 를 포함하고,
    상기 적어도 하나의 프로세서는 상기 하나 이상의 인스트럭션을 실행함으로써,
    외부 디바이스로부터 태풍 환경 정보를 획득하고,
    상기 획득된 태풍 환경 정보를 수치 모델에 입력함으로써, 상기 태풍 환경 정보에 따른 태풍의 예상 중심 위치에 관한 제1 태풍 진로 정보를 획득하고,
    상기 제1 태풍 진로 정보가 입력되면, 상기 제1 태풍 진로 정보에 따른 태풍의 예상 중심 위치 정보들을 출력하는 인공 지능 모델에, 상기 제1 태풍 진로 정보를 입력함으로써, 상기 인공 지능 모델로부터 상기 태풍의 예상 중심 위치 정보들을 획득하고,
    상기 제1 태풍 진로 정보에 기초하여, 상기 예상 중심 위치 정보들 중 소정의 중심 위치 정보를 식별하고,
    상기 식별된 중심 위치 정보에 기초하여 상기 태풍 환경 정보에 따른 태풍의 제2 태풍 진로 정보를 결정하는, 전자 장치.
  12. 제11항에 있어서, 상기 적어도 하나의 프로세서는
    진로를 결정하고자 하는 대상 태풍에 대한 태풍 종류 정보, 태풍 반경 정보, 소정의 태풍 반경에서의 바람 정보, 기압 정보, 온도 정보, 발생 위치 정보 또는 상기 대상 태풍이 이동하는 지형 정보 중 적어도 하나를 상기 태풍 환경 정보로 획득하는, 전자 장치.
  13. 제11항에 있어서, 상기 적어도 하나의 프로세서는
    상기 태풍 환경 정보를 상기 수치 모델에 입력함으로써, 기 설정된 시간 동안, 소정의 시간 간격으로 태풍의 중심 위치 후보들을 획득하고,
    상기 기 설정된 시간 동안, 시간의 흐름에 따른 상기 태풍의 중심 위치 후보들을 정렬하고,
    상기 정렬된 태풍의 중심 위치 후보들이 나타내는 경로를 상기 제1 태풍 진로 정보로 획득하는, 전자 장치.
  14. 제11항에 있어서, 상기 적어도 하나의 프로세서는
    상기 시간의 흐름에 따른 상기 태풍의 중심 위치 후보들 및 상기 시간의 흐름에 따른 태풍의 중심 위치에서 소정의 영역에 대한 바람 정보를 상기 제1 태풍 진로 정보로 획득하는, 전자 장치.
  15. 제11항에 있어서, 상기 적어도 하나의 프로세서는
    상기 제1 태풍 진로 정보가 입력되면, 상기 제1 태풍 진로 정보에 따른 태풍의 예상 위도 정보를 출력하는 제1 인공 신경망 모델로부터, 상기 태풍의 예상 위도 정보들을 획득하고,
    상기 제1 태풍 진로 정보가 입력되면, 상기 제1 태풍 진로 정보에 따른 태풍의 예상 경도 정보를 출력하는 제2 인공 신경망 모델로부터, 상기 태풍의 예상 경도 정보들을 획득하고,
    상기 제1 인공 신경망 모델 및 상기 제2 인공 신경망 모델 각각으로부터 획득된 예상 위도 정보들 및 상기 예상 경도 정보들을 상기 태풍의 예상 중심 위치 정보들로 획득하는, 전자 장치.
  16. 제11항에 있어서, 상기 적어도 하나의 프로세서는
    상기 인공 지능 모델을 학습시키기 위한 태풍 학습 정보를 획득하고,
    상기 획득된 태풍 학습 정보상에 나타나는 태풍의 중심 위치를 중심으로 포함하는 바람 측정 영역을 결정하고,
    상기 결정된 바람 측정 영역 내 바람의 방향 및 세기를 나타내는 바람 벡터의 수직 성분 및 상기 바람 벡터의 수평 성분을 식별하고,
    상기 식별된 바람 벡터의 수직 성분 및 상기 바람 벡터의 수평 성분에 기초하여 상기 인공 지능 모델을 학습시키는, 전자 장치.
  17. 제16항에 있어서, 상기 적어도 하나의 프로세서는
    상기 태풍 학습 정보를 상기 수치 모델에 입력함으로써, 태풍 학습 진로 정보를 획득하고,
    상기 태풍 학습 정보, 상기 태풍 학습 진로 정보, 상기 식별된 바람 벡터의 수직 성분 및 상기 바람 벡터의 수평 성분에 기초하여 상기 인공 지능 모델을 학습시키는, 전자 장치.
  18. 제11항에 있어서, 상기 적어도 하나의 프로세서는
    상기 인공 지능 모델로부터 출력된 상기 예상 중심 위치들을 모두 포함하는 제1 후보 영역을 결정하고,
    상기 수치 모델로부터 출력된 상기 제1 태풍 진로 정보에 기초하여, 상기 수치 모델에 따른 태풍의 예상 중심 위치를 중심으로 포함하는 제2 후보 영역을 결정하고,
    상기 제1 후보 영역 및 상기 제2 후보 영역이 중복되는 중복 영역을 식별하고,
    상기 인공 지능 모델로부터 출력된 예상 중심 위치들 중, 상기 중복 영역에 포함된 예상 중심 위치들을 식별하는, 전자 장치.
  19. 제18항에 있어서,
    상기 제1 후보 영역 및 상기 제2 후보 영역은 사각형태로 형성되고,
    상기 제1 후보 영역 및 상기 제2 후보 영역의 가로 경계는 상기 인공 지능 모델 및 상기 수치 모델의 평균 경도 오차를 나타내며,
    상기 제1 후보 영역 및 상기 제2 후보 영역의 세로 경계는 상기 인공 지능 모델 및 상기 수치 모델의 평균 위도 오차를 나타내는 것을 특징으로 하는, 전자 장치.
  20. 전자 장치가 태풍의 진로를 결정하는 방법에 있어서,
    외부 디바이스로부터 태풍 환경 정보를 획득하는 단계;
    상기 획득된 태풍 환경 정보를 수치 모델에 입력함으로써, 상기 태풍 환경 정보에 따른 태풍의 예상 중심 위치에 관한 제1 태풍 진로 정보를 획득하는 단계;
    상기 제1 태풍 진로 정보가 입력되면, 상기 제1 태풍 진로 정보에 따른 태풍의 예상 중심 위치 정보들을 출력하는 인공 지능 모델에, 상기 제1 태풍 진로 정보를 입력함으로써, 상기 인공 지능 모델로부터 상기 태풍의 예상 중심 위치 정보들을 획득하는 단계;
    상기 제1 태풍 진로 정보에 기초하여, 상기 예상 중심 위치 정보들 중 소정의 중심 위치 정보를 식별하는 단계; 및
    상기 식별된 중심 위치 정보에 기초하여 상기 태풍 환경 정보에 따른 태풍의 제2 태풍 진로 정보를 결정하는 단계; 를 포함하는, 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체.
KR1020210067742A 2021-05-26 2021-05-26 태풍의 경로를 결정하는 방법 및 이를 수행하는 장치 KR20220159746A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210067742A KR20220159746A (ko) 2021-05-26 2021-05-26 태풍의 경로를 결정하는 방법 및 이를 수행하는 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210067742A KR20220159746A (ko) 2021-05-26 2021-05-26 태풍의 경로를 결정하는 방법 및 이를 수행하는 장치

Publications (1)

Publication Number Publication Date
KR20220159746A true KR20220159746A (ko) 2022-12-05

Family

ID=84391863

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210067742A KR20220159746A (ko) 2021-05-26 2021-05-26 태풍의 경로를 결정하는 방법 및 이를 수행하는 장치

Country Status (1)

Country Link
KR (1) KR20220159746A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116224469A (zh) * 2023-05-09 2023-06-06 国家卫星气象中心(国家空间天气监测预警中心) 用于具有快速成像仪的卫星的观测系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210028992A (ko) 2019-09-05 2021-03-15 포항공과대학교 산학협력단 생성적 적대 신경망을 이용한 태풍의 경로 예측 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210028992A (ko) 2019-09-05 2021-03-15 포항공과대학교 산학협력단 생성적 적대 신경망을 이용한 태풍의 경로 예측 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116224469A (zh) * 2023-05-09 2023-06-06 国家卫星气象中心(国家空间天气监测预警中心) 用于具有快速成像仪的卫星的观测系统
CN116224469B (zh) * 2023-05-09 2024-03-15 国家卫星气象中心(国家空间天气监测预警中心) 用于具有快速成像仪的卫星的台风观测系统

Similar Documents

Publication Publication Date Title
Zhang et al. Temperature Forecasting via Convolutional Recurrent Neural Networks Based on Time‐Series Data
US10475442B2 (en) Method and device for recognition and method and device for constructing recognition model
CN111091196B (zh) 客流数据确定方法、装置、计算机设备和存储介质
CN106709588B (zh) 预测模型构建方法和设备以及实时预测方法和设备
Wu et al. Applications of machine learning to wind engineering
CN111542841A (zh) 一种内容识别的系统和方法
KR102308751B1 (ko) 딥러닝 기반의 강수량 예측 방법
CN111052128B (zh) 用于检测和定位视频中的对象的描述符学习方法
KR102425572B1 (ko) 지역 및 계절에 대한 특성이 반영된 농도측정모델 및 농도추정모델을 이용한 미세먼지농도 측정 방법, 장치 및 프로그램
CN112668238B (zh) 一种降雨量处理方法、装置、设备和存储介质
US11830090B2 (en) Methods and systems for an enhanced energy grid system
US11620819B2 (en) Method for scheduling of shooting satellite images based on deep learning
Fernandes et al. Traffic flow forecasting on data-scarce environments using ARIMA and LSTM networks
Demertzis et al. A machine hearing framework for real-time streaming analytics using Lambda architecture
Ha et al. Error Correction of Meteorological Data Obtained with Mini‐AWSs Based on Machine Learning
CN116964588A (zh) 一种目标检测方法、目标检测模型训练方法及装置
CN114925938A (zh) 一种基于自适应svm模型的电能表运行状态预测方法、装置
KR20220159746A (ko) 태풍의 경로를 결정하는 방법 및 이를 수행하는 장치
Nian et al. The identification and prediction of mesoscale eddy variation via memory in memory with scheduled sampling for sea level anomaly
KR102333428B1 (ko) 인공지능 모델을 이용한 어군 탐지 방법, 장치 및 컴퓨터프로그램
Suparta et al. Modeling of precipitable water vapor using an adaptive neuro-fuzzy inference system in the absence of the GPS network
CN110119511A (zh) 文章热点得分的预测方法、介质、装置和计算设备
CN116629338B (zh) 一种模型数据的处理方法、相关装置、设备以及存储介质
CN117494871A (zh) 一种考虑船舶交互影响的船舶轨迹预测方法
CN116703466A (zh) 基于改进灰狼算法的系统访问量预测方法及其相关设备

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application