WO2023101417A1 - 딥러닝 기반의 강수량 예측 방법 - Google Patents

딥러닝 기반의 강수량 예측 방법 Download PDF

Info

Publication number
WO2023101417A1
WO2023101417A1 PCT/KR2022/019207 KR2022019207W WO2023101417A1 WO 2023101417 A1 WO2023101417 A1 WO 2023101417A1 KR 2022019207 W KR2022019207 W KR 2022019207W WO 2023101417 A1 WO2023101417 A1 WO 2023101417A1
Authority
WO
WIPO (PCT)
Prior art keywords
precipitation
scale
value
neural network
pixel
Prior art date
Application number
PCT/KR2022/019207
Other languages
English (en)
French (fr)
Inventor
차금강
Original Assignee
주식회사 에스아이에이
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 에스아이에이 filed Critical 주식회사 에스아이에이
Publication of WO2023101417A1 publication Critical patent/WO2023101417A1/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
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • 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

Definitions

  • the present invention relates to an image processing method, and more particularly, to a technique for predicting precipitation at a future time point based on an image through deep learning.
  • Korean Patent Registration No. 10-2056805 (2019.12.17) discloses a data analysis-based precipitation prediction device and method.
  • the present disclosure has been made in response to the above-described background art, to provide a method for converting the scale of precipitation values appearing in an image so that prediction of precipitation at a future time point can be treated as a classification problem rather than regression.
  • the purpose is to provide a method for converting the scale of precipitation values appearing in an image so that prediction of precipitation at a future time point can be treated as a classification problem rather than regression.
  • a deep learning-based precipitation prediction method performed by a computing device for realizing the above object is disclosed.
  • the method may include converting a scale of a precipitation value of a pixel included in a precipitation image; and predicting the amount of precipitation at a future time point for the pixel based on the precipitation value of the scale-converted pixel by using a neural network model.
  • converting the scale of precipitation values of pixels included in the precipitation image may include: concatenating the precipitation image in a time order; and adjusting a precipitation value of a pixel included in each of the precipitation images connected in the chronological order based on a scale conversion function.
  • the scale conversion function may be a logarithmic function for discretizing a precipitation value of a pixel included in each of the precipitation images connected in the chronological order.
  • the step of adjusting the precipitation value of a pixel included in each of the precipitation images connected in chronological order based on the scale conversion function may include the precipitation value of a pixel included in each of the precipitation images connected in chronological order. approximating to a predetermined input variable of the scale conversion function; determining a class corresponding to an output of the scale conversion function based on a precipitation value approximated as an input variable of the scale conversion function; and changing a precipitation value of a pixel included in each of the precipitation images connected in the chronological order into the determined class.
  • the step of predicting the amount of precipitation at a future point in time for the pixel based on the precipitation value of the scale-transformed pixel using the neural network model is adjusted based on the scale conversion function using the neural network model. estimating a precipitation value at a future time point for the pixel based on the obtained precipitation value; and converting a scale of the precipitation value at the estimated future time point based on the scale conversion function.
  • the step of converting the scale of the estimated future precipitation value based on the scale conversion function may include matching the estimated precipitation value at a future time point to a class corresponding to an output of the scale conversion function. doing; calculating an input variable of the scale conversion function based on a precipitation value at a future point matched to the class; and changing the estimated precipitation value at a future time point into the calculated input variable.
  • the neural network model may be pretrained to generate a single precipitation image at a future time point by receiving precipitation images concatenated in chronological order.
  • a computer program stored in a computer readable storage medium is disclosed according to an embodiment of the present disclosure for realizing the above object.
  • the computer program is executed on one or more processors, the following operations for predicting precipitation based on deep learning are performed, and the operations are: converting a scale of a precipitation value of a pixel included in a precipitation image. ; and predicting the amount of precipitation at a future time point for the pixel based on the precipitation value of the scale-converted pixel by using a neural network model.
  • a computing device for predicting precipitation based on deep learning may include a processor including at least one core; a memory containing program codes executable by the processor; and a network unit receiving a precipitation image.
  • the processor converts the scale of the precipitation value of the pixel included in the precipitation image, and predicts the amount of precipitation at a future time point for the pixel based on the precipitation value of the scale-converted pixel using a neural network model.
  • the present disclosure provides a method for accurately predicting the amount of precipitation at a future time point while sufficiently reflecting the actual distribution of the amount of rainfall at the past time point in the prediction by discretizing the precipitation value through scale conversion of the precipitation value having a continuous range value. can do.
  • FIG. 1 is a block diagram of a computing device according to an embodiment of the present disclosure.
  • FIG. 2 is a schematic diagram showing a neural network according to an embodiment of the present disclosure.
  • FIG. 3 is a block diagram illustrating an operation process for predicting precipitation of a computing device according to an embodiment of the present disclosure.
  • FIG. 4 is a conceptual diagram illustrating a pre-processing process of an image according to an embodiment of the present disclosure.
  • FIG. 5 is a graph illustrating a process of converting a scale of a precipitation value based on a scale function according to an embodiment of the present disclosure.
  • FIG. 6 is a conceptual diagram illustrating a precipitation estimation process and a partial post-processing process according to an embodiment of the present disclosure.
  • FIG. 7 is a conceptual diagram illustrating some post-processing processes according to an embodiment of the present disclosure.
  • FIG. 8 is a graph illustrating a process of converting a scale of a predicted value based on a scale function according to an embodiment of the present disclosure.
  • FIG. 9 is a flowchart illustrating a method for predicting precipitation based on deep learning according to an embodiment of the present disclosure.
  • FIG. 10 is a schematic diagram of a computing environment according to one embodiment of the present disclosure.
  • a component may be, but is not limited to, a procedure, processor, object, thread of execution, program, and/or computer running on a processor.
  • an application running on a computing device and a computing device may be components.
  • One or more components may reside within a processor and/or thread of execution.
  • a component can be localized within a single computer.
  • a component may be distributed between two or more computers. Also, these components can execute from various computer readable media having various data structures stored thereon.
  • Components may be connected, for example, via signals with one or more packets of data (e.g., data and/or signals from one component interacting with another component in a local system, distributed system) to other systems and over a network such as the Internet. data being transmitted) may communicate via local and/or remote processes.
  • packets of data e.g., data and/or signals from one component interacting with another component in a local system, distributed system
  • a network such as the Internet. data being transmitted
  • the term “or” is intended to mean an inclusive “or” rather than an exclusive “or”. That is, unless otherwise specified or clear from the context, “X employs A or B” is intended to mean one of the natural inclusive substitutions. That is, X uses A; X uses B; Or, if X uses both A and B, "X uses either A or B" may apply to either of these cases. Also, the term “and/or” as used herein should be understood to refer to and include all possible combinations of one or more of the listed related items.
  • image used throughout the detailed description and claims of the present disclosure may refer to multidimensional data composed of discrete image elements (eg, pixels in a two-dimensional image).
  • image can be a term referring to a visible object (eg, displayed on a video screen) or a digital representation of that object (eg, a file corresponding to a pixel output of a back).
  • FIG. 1 is a block diagram of a computing device according to an embodiment of the present disclosure.
  • the configuration of the computing device 100 shown in FIG. 1 is only a simplified example.
  • the computing device 100 may include other components for performing a computing environment of the computing device 100, and only some of the disclosed components may constitute the computing device 100.
  • the computing device 100 may include a processor 110 , a memory 130 , and a network unit 150 .
  • the processor 110 may include one or more cores, and includes a central processing unit (CPU), a general purpose graphics processing unit (GPGPU), and a tensor processing unit (TPU) of a computing device. unit), data analysis, and processors for deep learning.
  • the processor 110 may read a computer program stored in the memory 130 and process data for machine learning according to an embodiment of the present disclosure. According to an embodiment of the present disclosure, the processor 110 may perform an operation for learning a neural network.
  • the processor 110 is used for neural network learning, such as processing input data for learning in deep learning (DL), extracting features from input data, calculating errors, and updating neural network weights using backpropagation. calculations can be performed.
  • DL deep learning
  • At least one of the CPU, GPGPU, and TPU of the processor 110 may process learning of the neural network.
  • the CPU and GPGPU can process learning of neural networks and data classification using neural networks.
  • the neural network learning and data classification using the neural network may be processed by using processors of a plurality of computing devices together.
  • a computer program executed in a computing device according to an embodiment of the present disclosure may be a CPU, GPGPU or TPU executable program.
  • the processor 110 may predict the amount of precipitation at a future time point based on the precipitation image using a neural network model.
  • the processor 110 may generate a precipitation image expressing the amount of precipitation at a future time point by inputting the precipitation image to the neural network model.
  • the precipitation image corresponding to the input of the neural network model may be a time series image arranged in chronological order. Therefore, the future time point predicted by the neural network model can be understood as an arbitrary point in time after the last time point of the time-series image.
  • the future time point predicted by the neural network model may be any time point after t, including t+1.
  • An arbitrary point in time may be a point in time determined in advance in the learning process of the neural network model.
  • an arbitrary viewpoint may be selectively determined based on a user input.
  • the processor 110 may convert a scale of a precipitation value of a pixel included in the precipitation image.
  • the precipitation value of the pixel included in the precipitation image is used as an input to the neural network model without scale conversion, values close to 0 are obtained because the range represented by the precipitation value representing the amount of precipitation is not uniform for each pixel included in the precipitation image. There is a high probability of the dominant outcome occurring.
  • the processor 110 may perform scale conversion to adjust precipitation values representing various distributions to have values within a uniform range.
  • the processor 110 may estimate a precipitation value at a future time by converting the scale of the precipitation value for each pixel existing in the precipitation image and inputting the scale-converted precipitation value to the neural network model.
  • the processor 110 may convert the scale of the predicted value by the neural network model. Since the scale has been transformed to improve the prediction performance of the neural network model, the processor 110 may convert the scale of the precipitation value at a future time point predicted by the neural network model to be close to the original distribution represented by the precipitation value representing the amount of precipitation. . That is, the operation of converting the scale of the predicted value may be understood as an operation of restoring the scale-converted precipitation value at a future time to the original scale indicated by the precipitation value.
  • the memory 130 may store any type of information generated or determined by the processor 110 and any type of information received by the network unit 150 .
  • the memory 130 is a flash memory type, a hard disk type, a multimedia card micro type, or a card type memory (eg, SD or XD memory, etc.), RAM (Random Access Memory, RAM), SRAM (Static Random Access Memory), ROM (Read-Only Memory, ROM), EEPROM (Electrically Erasable Programmable Read-Only Memory), PROM (Programmable Read-Only Memory) -Only Memory), a magnetic memory, a magnetic disk, and an optical disk may include at least one type of storage medium.
  • the computing device 100 may operate in relation to a web storage that performs a storage function of the memory 130 on the Internet.
  • the above description of the memory is only an example, and the present disclosure is not limited thereto.
  • the network unit 150 may use any type of known wired or wireless communication system.
  • the network unit 150 may receive a precipitation image from an external system.
  • the network unit 150 may receive a precipitation image from a database of a weather observation system.
  • the precipitation image may be training data or inference data of a neural network model.
  • the precipitation image may be an image obtained by processing information about precipitation measured based on satellite radar, ground observation equipment, and the like.
  • the precipitation image may be understood as an image representing precipitation in a single channel rather than a general color image having three RGB channels.
  • a precipitation image may be understood as an image including a precipitation value representing precipitation recorded through satellite radar or direct observation as meta information of a single channel.
  • the network unit 150 may transmit and receive information processed by the processor 110, a user interface, and the like through communication with other terminals.
  • the network unit 150 may provide a user interface generated by the processor 110 to a client (eg, a user terminal).
  • the network unit 150 may receive an external input of a user authorized as a client and transmit it to the processor 110 .
  • the processor 110 may process operations such as outputting, correcting, changing, adding, and the like of information provided through the user interface based on the user's external input received from the network unit 150 .
  • the computing device 100 may include an input unit and an output unit.
  • An input unit may include keys and/or buttons on a user interface or physical keys and/or buttons for receiving a user input.
  • a computer program for controlling a display according to embodiments of the present disclosure may be executed according to a user input through an input unit.
  • the input unit may receive a signal by detecting a user's button manipulation or touch input, or may receive a user's voice or motion through a camera or microphone and convert it into an input signal.
  • speech recognition technology or motion recognition technology may be used.
  • the input unit may be implemented as an external input device connected to the computing device 100 .
  • the input device may be at least one of a touch pad, a touch pen, a keyboard, or a mouse for receiving a user input, but this is only an example and the present disclosure is not limited thereto.
  • the input unit may recognize a user touch input.
  • the input unit may have the same configuration as the output unit.
  • the input unit may include a touch screen implemented to receive a user's selection input.
  • the touch screen may use any one of a contact capacitive method, an infrared light sensing method, a surface ultrasonic (SAW) method, a piezoelectric method, and a resistive film method.
  • SAW surface ultrasonic
  • the input unit configured as a touch screen may include a touch sensor.
  • the touch sensor may be configured to convert a change in pressure applied to a specific region of the input unit or capacitance generated in a specific region of the input unit into an electrical input signal.
  • the touch sensor may be configured to detect not only the touched position and area, but also the pressure upon touch.
  • the corresponding signal(s) are sent to the touch controller.
  • the touch controller processes the signal(s) and then sends corresponding data to processor 110. Accordingly, the processor 110 can recognize which area of the input unit has been touched.
  • the output unit may output any type of information generated or determined by the processor 110, a user interface, and any type of information received by the network unit 150.
  • the output unit may include a liquid crystal display (LCD), a thin film transistor-liquid crystal display (TFT LCD), an organic light-emitting diode (OLED), and a flexible display. display) and a 3D display.
  • LCD liquid crystal display
  • TFT LCD thin film transistor-liquid crystal display
  • OLED organic light-emitting diode
  • a 3D display a 3D display.
  • Some of these display modules may be of a transparent type or a light transmissive type so that the outside can be seen through them. This may be referred to as a transparent display module, and a representative example of the transparent display module is TOLED (Transparent OLED) and the like.
  • the computing device 100 may include a server as a computing system that transmits and receives information through communication with a client.
  • the client may be any type of terminal capable of accessing the server.
  • the computing device 100 that is a server may receive a precipitation image from a satellite system, predict precipitation at a future point in time, and provide a user interface related to the prediction result to a user terminal.
  • the user terminal may output a user interface received from the computing device 100 as a server, and receive or process information through interaction with the user.
  • the computing device 100 may include any type of terminal that receives data resources generated by any server and performs additional information processing.
  • FIG. 2 is a schematic diagram showing a neural network according to an embodiment of the present disclosure.
  • a neural network model may include a neural network for predicting precipitation.
  • a neural network may consist of a set of interconnected computational units, which may generally be referred to as nodes. These nodes may also be referred to as neurons.
  • a neural network includes one or more nodes. Nodes (or neurons) constituting neural networks may be interconnected by one or more links.
  • one or more nodes connected through a link may form a relative relationship of an input node and an output node.
  • the concept of an input node and an output node is relative, and any node in an output node relationship with one node may have an input node relationship with another node, and vice versa.
  • an input node to output node relationship may be created around a link. More than one output node can be connected to one input node through a link, and vice versa.
  • the value of data of the output node may be determined based on data input to the input node.
  • a link interconnecting an input node and an output node may have a weight.
  • the weight may be variable, and may be changed by a user or an algorithm in order to perform a function desired by the neural network. For example, when one or more input nodes are interconnected by respective links to one output node, the output node is set to a link corresponding to values input to input nodes connected to the output node and respective input nodes.
  • An output node value may be determined based on the weight.
  • one or more nodes are interconnected through one or more links to form an input node and output node relationship in the neural network.
  • Characteristics of the neural network may be determined according to the number of nodes and links in the neural network, an association between the nodes and links, and a weight value assigned to each link. For example, when there are two neural networks having the same number of nodes and links and different weight values of the links, the two neural networks may be recognized as different from each other.
  • a neural network may be composed of a set of one or more nodes.
  • a subset of nodes constituting a neural network may constitute a layer.
  • Some of the nodes constituting the neural network may form one layer based on distances from the first input node.
  • a set of nodes having a distance of n from the first input node may constitute n layers.
  • the distance from the first input node may be defined by the minimum number of links that must be passed through to reach the corresponding node from the first input node.
  • the definition of such a layer is arbitrary for explanation, and the order of a layer in a neural network may be defined in a method different from the above.
  • a layer of nodes may be defined by a distance from a final output node.
  • An initial input node may refer to one or more nodes to which data is directly input without going through a link in relation to other nodes among nodes in the neural network.
  • it may mean nodes that do not have other input nodes connected by a link.
  • the final output node may refer to one or more nodes that do not have an output node in relation to other nodes among nodes in the neural network.
  • the hidden node may refer to nodes constituting the neural network other than the first input node and the last output node.
  • the number of nodes in the input layer may be the same as the number of nodes in the output layer, and the number of nodes decreases and then increases again as the number of nodes progresses from the input layer to the hidden layer.
  • the neural network according to another embodiment of the present disclosure may be a neural network in which the number of nodes of the input layer may be less than the number of nodes of the output layer and the number of nodes decreases as the number of nodes increases from the input layer to the hidden layer. there is.
  • the neural network according to another embodiment of the present disclosure is a neural network in which the number of nodes in the input layer may be greater than the number of nodes in the output layer, and the number of nodes increases as the number of nodes increases from the input layer to the hidden layer.
  • a neural network according to another embodiment of the present disclosure may be a neural network in the form of a combination of the aforementioned neural networks.
  • a deep neural network may refer to a neural network including a plurality of hidden layers in addition to an input layer and an output layer. Deep neural networks allow you to uncover latent structures in your data. In other words, it can identify the latent structure of a photo, text, video, sound, or music (e.g., what objects are in the photo, what the content and emotion of the text are, what the content and emotion of the audio are, etc.). .
  • Deep neural networks include convolutional neural networks (CNNs), recurrent neural networks (RNNs), auto encoders, generative adversarial networks (GANs), restricted boltzmann machines (RBMs), It may include a deep belief network (DBN), a Q network, a U network, a Siamese network, a Generative Adversarial Network (GAN), and the like.
  • CNNs convolutional neural networks
  • RNNs recurrent neural networks
  • GANs generative adversarial networks
  • RBMs restricted boltzmann machines
  • It may include a deep belief network (DBN), a Q network, a U network, a Siamese network, a Generative Adversarial Network (GAN), and the like.
  • DNN deep belief network
  • Q network Q network
  • U network a network
  • Siamese network a Generative Adversarial Network
  • GAN Generative Adversarial Network
  • a neural network may include an autoencoder.
  • An autoencoder may be a type of artificial neural network for outputting output data similar to input data.
  • An auto-encoder may include at least one hidden layer, and an odd number of hidden layers may be disposed between input and output layers. The number of nodes of each layer may be reduced from the number of nodes of the input layer to an intermediate layer called the bottleneck layer (encoding), and then expanded symmetrically with the reduction from the bottleneck layer to the output layer (symmetrical to the input layer).
  • Autoencoders can perform non-linear dimensionality reduction. The number of input layers and output layers may correspond to dimensions after preprocessing of input data.
  • the number of hidden layer nodes included in the encoder may decrease as the distance from the input layer increases. If the number of nodes in the bottleneck layer (the layer with the fewest nodes located between the encoder and decoder) is too small, a sufficient amount of information may not be conveyed, so more than a certain number (e.g., more than half of the input layer, etc.) ) may be maintained.
  • the neural network may be trained using at least one of supervised learning, unsupervised learning, semi supervised learning, and reinforcement learning. Learning of the neural network may be a process of applying knowledge for the neural network to perform a specific operation to the neural network.
  • a neural network can be trained in a way that minimizes errors in output.
  • the learning data is repeatedly input into the neural network, the output of the neural network for the learning data and the error of the target are calculated, and the error of the neural network is back-propagated from the output layer of the neural network to the input layer in the direction of reducing the error ( Backpropagation is the process of updating the weight of each node in the neural network.
  • the learning data in which the correct answer is labeled is used for each learning data (ie, the labeled learning data), and in the case of comparative teacher learning, the correct answer may not be labeled in each learning data.
  • learning data in the case of teacher learning regarding data classification may be data in which each learning data is labeled with a category.
  • Labeled training data is input to the neural network, and an error can be calculated by comparing the output (category) of the neural network and the label of the training data.
  • an error may be calculated by comparing input learning data with a neural network output. The calculated error is back-propagated in a reverse direction (ie, from the output layer to the input layer) in the neural network, and the connection weight of each node of each layer of the neural network may be updated according to the back-propagation. The amount of change in the connection weight of each updated node may be determined according to a learning rate.
  • the neural network's computation of input data and backpropagation of errors can constitute a learning cycle (epoch).
  • the learning rate may be applied differently according to the number of iterations of the learning cycle of the neural network. For example, a high learning rate may be used in the early stages of neural network training to increase efficiency by allowing the neural network to quickly obtain a certain level of performance, and a low learning rate may be used in the late stage to increase accuracy.
  • training data may be a subset of real data (ie, data to be processed using the trained neural network), and therefore, the error for the training data decreases but the error for the actual data increases. There may be learning cycles.
  • Overfitting is a phenomenon in which errors for actual data increase due to excessive learning on training data. For example, a phenomenon in which a neural network that has learned a cat by showing a yellow cat does not recognize that it is a cat when it sees a cat other than yellow may be a type of overfitting. Overfitting can act as a cause of increasing the error of machine learning algorithms.
  • Various optimization methods can be used to prevent such overfitting. To prevent overfitting, methods such as increasing the training data, regularization, inactivating some nodes in the network during the learning process, dropout, and using a batch normalization layer are available. can be applied
  • FIG. 3 is a block diagram illustrating an operation process for predicting precipitation of a computing device according to an embodiment of the present disclosure
  • FIGS. 4 to 8 are conceptual views.
  • the processor 110 of the computing device 100 performs scale conversion based on a precipitation image 11 to generate a first scale conversion image 12 .
  • It may include a third module 230 for generating a second scale prediction image 14 by performing scale transformation on the base.
  • the processor 110 may convert a scale of precipitation values of pixels included in the precipitation image 11 through the first module 210 and generate a first scale-converted image 12 .
  • the processor 110 estimates a precipitation value at a future time point for a pixel based on the precipitation value included in the first scale-converted image 12 to generate a first scale prediction image 13.
  • the processor 110 may convert the scale of the precipitation value of the future time included in the first scale prediction image 13 through the third module 230 and generate the second scale prediction image 14. .
  • the precipitation image 11 corresponding to the input data of the first module 210 may be a single image or a time series image composed of a plurality of images.
  • the precipitation image 11 may be a time series image including a precipitation image at time t-2, a precipitation image at time t-1, and a precipitation image at time t.
  • the precipitation image 11 may be a time series image in which a plurality of precipitation images are concatenated in chronological order.
  • the processor 110 connects the precipitation images in order of time t-2, time t-1, and time t to obtain a time series
  • a precipitation image 11 that is an image may be generated, and the precipitation image 11 generated as a time series image may be input to the first module 210 .
  • the first module 210 may convert a scale of precipitation values of pixels included in the precipitation image 11 .
  • the first module 210 may convert the scale of the precipitation value for each pixel included in the precipitation image 11 based on the scale conversion function.
  • the first module 210 may receive the precipitation image 11, adjust the scale of precipitation values for each pixel existing in the precipitation image 11, and generate a first scale-converted image 12 by reflecting the scale.
  • the scale conversion by the first module 210 may be understood as an operation of discretizing the precipitation value of each pixel having a continuous distribution through a scale conversion function and classifying it into a predetermined class. For example, referring to FIG.
  • the first module 210 inputs a precipitation image 21 in which precipitation images at time t-3, time t-2, time t-1, and time t are connected in chronological order. You can check the precipitation value for each pixel.
  • the first module 210 may generate the scale-converted image 22 by adjusting the precipitation value for each pixel identified in the precipitation image 21 based on the scale-conversion function.
  • the first module 210 may adjust a precipitation value of a pixel included in each of the precipitation images connected in chronological order based on the scale conversion function.
  • the scale conversion function may be a logarithmic function for discretizing a precipitation value of a pixel included in each of the precipitation images connected in chronological order.
  • the first module 210 may adjust precipitation values for each pixel by converting the precipitation values of pixels included in each of the precipitation images into a logarithmic scale through a scale conversion function and classifying them into equally divided classes.
  • the logarithmic function has the advantage of richly expressing values distributed near 0 by classifying values distributed at points close to 0 into dense intervals. Therefore, the first module 210 effectively solves the problem that values close to 0 dominate in the prediction result by enriching the expression for precipitation values close to 0 included in the precipitation image through the scale conversion function, which is a logarithmic function.
  • the first module 210 may approximate a precipitation value of a pixel included in each of the precipitation images connected in chronological order with a predetermined input variable of the scale conversion function.
  • the first module 210 may approximate the precipitation value of a pixel to one of predetermined input variables of the scale conversion function.
  • approximation may be understood as a process of matching a precipitation value of a specific pixel to an input variable having a value closest to the precipitation value of a specific pixel.
  • the first module 210 converts the precipitation value for each pixel to six predetermined input variables 31, 32, 33, 34, 35, 36).
  • the first module 210 may change the precipitation value having a value of 1.53 to a value corresponding to the nearest second input variable 32 .
  • the first module 210 may perform the above-described approximation for all pixels present in each of the precipitation images connected in chronological order.
  • the first module 210 may determine a class corresponding to the output of the scale conversion function based on the approximated precipitation value as an input variable of the scale conversion function.
  • the first module 210 may calculate a precipitation value approximated as an input variable of the scale conversion function with a scale conversion function, and output a class corresponding to an output of the equally divided scale conversion function.
  • the first module 210 may change a precipitation value of a pixel included in each of the precipitation images connected in chronological order into a class determined through operation of a scale conversion function. For example, referring to FIG. 5, the first module 210 may extract the approximated precipitation value into one of six classes defined as the output variable 40 of the scale conversion function by inputting the scale conversion function. there is.
  • Each of the six input variables 31, 32, 33, 34, 35, and 36 may correspond to class 0 to class 5 corresponding to the output variable 40 through the input-output relationship defined by the scale conversion function.
  • the first module 210 changes to a value corresponding to the second input variable 32
  • the class defined as class 1 can be determined by inputting the precipitation value to the scale conversion function.
  • the first module 210 may change the precipitation value of a specific pixel having a value of 1.53 to a value indicated by class 1.
  • specific numerical values related to the input/output variables of the scale conversion function described with reference to FIG. 5 are only examples, and may be configured in various ways within a range understandable by those skilled in the art.
  • the second module 220 may predict the amount of precipitation at a future time point for each pixel based on the precipitation value of the pixel whose scale is converted through the first module 210 .
  • the second module 220 may estimate a precipitation value of a pixel corresponding to a future time point based on the precipitation value for each pixel adjusted based on the scale conversion function.
  • the second module 220 receives the first scale-converted image 12 generated through the first module 210, estimates a precipitation value at a future point in time, and generates a first scale prediction image 13 reflecting this.
  • the second module 220 may correspond to a neural network model for predicting precipitation. For example, referring to FIG.
  • the neural network model 300 corresponding to the second module 220 receives the scale conversion image 22 generated through the first module 210 and calculates a future time point t+1
  • a precipitation value representing the amount of precipitation at a point in time may be estimated for each pixel.
  • the neural network model 300 may generate a probability map 23 reflecting the estimated value at time t+1 based on the estimated precipitation value for each pixel at time t+1.
  • the neural network model 300 may generate a predicted precipitation image 24 representing a precipitation value at time t+1 based on the probability map 23 reflecting the estimated value at time t+1.
  • the scale conversion image 22 may be a time series precipitation image having a plurality of timesteps
  • the predicted precipitation image 24 may be a single precipitation image representing a distribution of precipitation at a specific future time point.
  • the neural network model 300 may be pre-trained to generate a single precipitation image at a future time point by receiving precipitation images connected in chronological order. Accordingly, the neural network model 300 may be a model based on semantic segmentation that outputs a single image by taking a plurality of images as inputs.
  • the third module 230 may convert the scale of the precipitation value of the pixel estimated through the second module 220 .
  • the third module 230 may convert the scale of the prediction value for each pixel included in the first scale prediction image 13 based on the scale conversion function.
  • the third module 230 receives the first scale prediction image 13 generated through the second module 220, adjusts the scale of the predicted value for each pixel existing in the first scale prediction image 13, and reflects it.
  • the second scale-converted image 14, which is the final output image can be generated.
  • the scale conversion by the third module 230 may be understood as processing the predicted value into a value that can sufficiently represent the actual amount of precipitation by inversely transforming the predicted value for each pixel having a discrete distribution through a scale conversion function.
  • the third module 230 may receive the predicted precipitation image 24 generated through the second module 220 and check a predicted value for each pixel.
  • the third module 230 may generate the final output image 25 by adjusting the predicted value for each pixel identified in the predicted precipitation image 24 based on the scale conversion function.
  • the third module 230 may adjust the precipitation value at a future time point estimated through the second module 220 based on the scale conversion function.
  • the scale conversion function may be a logarithmic function used for scale conversion of the first module 220 .
  • the third module 230 inversely transforms the precipitation value of each pixel included in each of the precipitation images into a logarithmic scale through a scale conversion function and derives one of the input variables of the scale conversion function to actually measure the precipitation value for each pixel at a future time point. It can be adjusted to be as close to the value as possible.
  • the third module 230 may match the precipitation value of a pixel at a future point estimated through the second module 220 to a class corresponding to an output of the scale conversion function. For example, referring to FIG. 8 , the third module 230 may determine a prediction value for each pixel as one of six classes defined as the output variable 50 of the scale conversion function. Assuming that the predicted value of a specific pixel estimated through the second module 220 is 1, the third module 230 may determine class 1 corresponding to 1 as an output variable of the scale conversion function for the inverse transform operation.
  • the third module 230 may calculate an input variable of the scale conversion function based on the precipitation value at a future time point matched to the class.
  • the third module 230 may calculate one of predetermined input variables of the scale conversion function by inversely calculating the precipitation value at a future point in time matched with the output variable of the scale conversion function with the scale conversion function.
  • the third module 230 may change the precipitation value at a future time point into an input variable of the calculated scale conversion function. For example, referring to FIG. 8 , the third module 230 inputs a prediction value matched to a class as an output of a scale conversion function, and preliminarily among variables 60 existing on the x-axis defined through the scale conversion function.
  • One of the six determined input variables 61, 62, 63, 64, 65, and 66 may be derived. Each of the six input variables 61, 62, 63, 64, 65, and 66 may correspond to class 0 to class 5 corresponding to the output variable 50 through the input-output relationship defined by the scale conversion function. If the predicted value having a value of 1 is matched to class 1 through the above-described class matching, the third module 230 inputs the precipitation value matched to class 1 as a scale conversion function and converts the predicted value to the second input variable 62. It can be changed to the corresponding value of 0.6.
  • the precipitation value for each pixel at a future time which has been converted to a logarithmic scale, can be adjusted to a value close to the distribution of the measured value.
  • the specific numerical values related to the input/output variables of the scale conversion function described with reference to FIG. 8 are only examples, and may be configured in various ways within a range understandable by those skilled in the art.
  • FIG. 9 is a flowchart illustrating a method for predicting precipitation based on deep learning according to an embodiment of the present disclosure.
  • the computing device 100 may convert a scale of a precipitation value of each pixel existing in a precipitation image.
  • the computing device 100 may receive a plurality of precipitation images corresponding to a past time point prior to a future time point at which the amount of precipitation is to be predicted.
  • the computing device 100 may generate a time-series image by connecting a plurality of precipitation images corresponding to past time points in chronological order.
  • the computing device 100 may adjust the precipitation value for each pixel included in the time series image based on the scale conversion function. Specifically, the computing device 100 may approximate the precipitation value of pixels included in the time-series image as a predetermined input variable of the scale conversion function.
  • the computing device 100 may determine a class corresponding to an output of the scale conversion function based on a precipitation value approximated as an input variable of the scale conversion function.
  • the computing device 100 may adjust the precipitation value of each pixel included in the time-series image by changing the precipitation value of the pixel included in the time-series image to a previously determined class.
  • the computing device 100 may estimate a precipitation value at a future time point for each pixel based on the precipitation value whose scale is converted through step S100, using a neural network model.
  • the neural network model may be a model pretrained to receive a time-series image composed of a plurality of precipitation images and output a single precipitation image in which a predicted value is reflected.
  • the neural network model may be a model of a U-net structure.
  • the structure of the neural network model of the present disclosure is not limited to the above-described example and may be configured in various ways within a scope understandable by those skilled in the art.
  • the computing device 100 may re-convert the scale of the precipitation value at a future point in time for each pixel estimated through step S200. For example, the computing device 100 may convert the scale of the precipitation value at a future point estimated through step S200 based on the scale conversion function. Specifically, the computing device 100 may match a precipitation value at a future point in time with a class corresponding to an output of the scale conversion function. The computing device 100 may calculate an input variable of the scale conversion function based on a precipitation value at a future time point matched to a class. The computing device 100 may convert the scale of the precipitation value at a future time point by changing the precipitation value at the future time point to the previously calculated input variable.
  • the scale conversion of step S300 may be understood as a process of inversely calculating the scale conversion of step S100.
  • FIG. 10 is a simplified and general schematic diagram of an exemplary computing environment in which embodiments of the present disclosure may be implemented.
  • program modules include routines, programs, components, data structures, etc. that perform particular tasks or implement particular abstract data types.
  • methods of the present disclosure can be applied to single-processor or multiprocessor computer systems, minicomputers, mainframe computers as well as personal computers, handheld computing devices, microprocessor-based or programmable consumer electronics, and the like ( It will be appreciated that each of these may be implemented with other computer system configurations, including those that may be operative in connection with one or more associated devices.
  • the described embodiments of the present disclosure may also be practiced in distributed computing environments where certain tasks are performed by remote processing devices that are linked through a communications network.
  • program modules may be located in both local and remote memory storage devices.
  • Computers typically include a variety of computer readable media.
  • Computer readable media can be any medium that can be accessed by a computer, including volatile and nonvolatile media, transitory and non-transitory media, removable and non-transitory media. Includes removable media.
  • Computer readable media may include computer readable storage media and computer readable transmission media.
  • Computer readable storage media are volatile and nonvolatile media, transitory and non-transitory, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data.
  • Computer readable storage media may include RAM, ROM, EEPROM, flash memory or other memory technology, CD-ROM, digital video disk (DVD) or other optical disk storage device, magnetic cassette, magnetic tape, magnetic disk storage device or other magnetic storage device. device, or any other medium that can be accessed by a computer and used to store desired information.
  • a computer readable transmission medium typically embodies computer readable instructions, data structures, program modules or other data in a modulated data signal such as a carrier wave or other transport mechanism. Including all information delivery media.
  • modulated data signal means a signal that has one or more of its characteristics set or changed so as to encode information within the signal.
  • computer readable transmission media includes wired media such as a wired network or direct-wired connection, and wireless media such as acoustic, RF, infrared, and other wireless media. Combinations of any of the above are also intended to be included within the scope of computer readable transmission media.
  • System bus 1108 couples system components, including but not limited to system memory 1106 , to processing unit 1104 .
  • Processing unit 1104 may be any of a variety of commercially available processors. Dual processor and other multiprocessor architectures may also be used as the processing unit 1104.
  • System bus 1108 may be any of several types of bus structures that may additionally be interconnected to a memory bus, a peripheral bus, and a local bus using any of a variety of commercial bus architectures.
  • System memory 1106 includes read only memory (ROM) 1110 and random access memory (RAM) 1112 .
  • ROM read only memory
  • RAM random access memory
  • a basic input/output system (BIOS) is stored in non-volatile memory 1110, such as ROM, EPROM, or EEPROM, and is a basic set of information that helps transfer information between components within computer 1102, such as during startup. contains routines.
  • RAM 1112 may also include high-speed RAM, such as static RAM, for caching data.
  • the computer 1102 may also include an internal hard disk drive (HDD) 1114 (eg, EIDE, SATA) - the internal hard disk drive 1114 may also be configured for external use within a suitable chassis (not shown).
  • HDD hard disk drive
  • FDD magnetic floppy disk drive
  • optical disk drive 1120 e.g., a CD-ROM
  • the hard disk drive 1114, magnetic disk drive 1116, and optical disk drive 1120 are connected to the system bus 1108 by a hard disk drive interface 1124, magnetic disk drive interface 1126, and optical drive interface 1128, respectively.
  • the interface 1124 for external drive implementation includes at least one or both of Universal Serial Bus (USB) and IEEE 1394 interface technologies.
  • drives and their associated computer readable media provide non-volatile storage of data, data structures, computer executable instructions, and the like.
  • drives and media correspond to storing any data in a suitable digital format.
  • computer readable media refers to HDDs, removable magnetic disks, and removable optical media such as CDs or DVDs, those skilled in the art can use zip drives, magnetic cassettes, flash memory cards, cartridges, etc. It will be appreciated that other tangible media readable by the computer, such as the like, may also be used in the exemplary operating environment and any such media may include computer executable instructions for performing the methods of the present disclosure.
  • a number of program modules may be stored on the drive and RAM 1112, including an operating system 1130, one or more application programs 1132, other program modules 1134, and program data 1136. All or portions of the operating system, applications, modules and/or data may also be cached in RAM 1112. It will be appreciated that the present disclosure may be implemented in a variety of commercially available operating systems or combinations of operating systems.
  • a user may enter commands and information into the computer 1102 through one or more wired/wireless input devices, such as a keyboard 1138 and a pointing device such as a mouse 1140.
  • Other input devices may include a microphone, IR remote control, joystick, game pad, stylus pen, touch screen, and the like.
  • an input device interface 1142 that is connected to the system bus 1108, a parallel port, IEEE 1394 serial port, game port, USB port, IR interface, may be connected by other interfaces such as the like.
  • a monitor 1144 or other type of display device is also connected to the system bus 1108 through an interface such as a video adapter 1146.
  • computers typically include other peripheral output devices (not shown) such as speakers, printers, and the like.
  • Computer 1102 may operate in a networked environment using logical connections to one or more remote computers, such as remote computer(s) 1148 via wired and/or wireless communications.
  • Remote computer(s) 1148 may be a workstation, computing device computer, router, personal computer, handheld computer, microprocessor-based entertainment device, peer device, or other common network node, and generally includes It includes many or all of the components described for, but for simplicity, only memory storage device 1150 is shown.
  • the logical connections shown include wired/wireless connections to a local area network (LAN) 1152 and/or a larger network, such as a wide area network (WAN) 1154 .
  • LAN and WAN networking environments are common in offices and corporations and facilitate enterprise-wide computer networks, such as intranets, all of which can be connected to worldwide computer networks, such as the Internet.
  • computer 1102 When used in a LAN networking environment, computer 1102 connects to local network 1152 through wired and/or wireless communication network interfaces or adapters 1156. Adapter 1156 may facilitate wired or wireless communications to LAN 1152, which also includes a wireless access point installed therein to communicate with wireless adapter 1156.
  • computer 1102 When used in a WAN networking environment, computer 1102 may include a modem 1158, be connected to a communicating computing device on WAN 1154, or establish communications over WAN 1154, such as over the Internet. have other means.
  • a modem 1158 which may be internal or external and a wired or wireless device, is connected to the system bus 1108 through a serial port interface 1142.
  • program modules described for computer 1102, or portions thereof may be stored on remote memory/storage device 1150. It will be appreciated that the network connections shown are exemplary and other means of establishing a communication link between computers may be used.
  • Computer 1102 is any wireless device or entity that is deployed and operating in wireless communication, eg, printers, scanners, desktop and/or portable computers, portable data assistants (PDAs), communication satellites, wireless detectable tags associated with It operates to communicate with arbitrary equipment or places and telephones.
  • wireless communication eg, printers, scanners, desktop and/or portable computers, portable data assistants (PDAs), communication satellites, wireless detectable tags associated with It operates to communicate with arbitrary equipment or places and telephones.
  • PDAs portable data assistants
  • communication satellites e.g., a wireless detectable tags associated with It operates to communicate with arbitrary equipment or places and telephones.
  • the communication may be a predefined structure as in conventional networks or simply an ad hoc communication between at least two devices.
  • Wi-Fi Wireless Fidelity
  • Wi-Fi is a wireless technology, such as a cell phone, that allows such devices, eg, computers, to transmit and receive data both indoors and outdoors, i.e. anywhere within coverage of a base station.
  • Wi-Fi networks use a radio technology called IEEE 802.11 (a, b, g, etc.) to provide secure, reliable, and high-speed wireless connections.
  • Wi-Fi can be used to connect computers to each other, to the Internet, and to wired networks (using IEEE 802.3 or Ethernet).
  • Wi-Fi networks can operate in the unlicensed 2.4 and 5 GHz radio bands, for example, at 11 Mbps (802.11a) or 54 Mbps (802.11b) data rates, or in products that include both bands (dual band) .
  • a computer readable medium storing a data structure is disclosed.
  • Data structure can refer to the organization, management, and storage of data that enables efficient access and modification of data.
  • Data structure may refer to the organization of data to solve a specific problem (eg, data retrieval, data storage, data modification in the shortest time).
  • a data structure may be defined as a physical or logical relationship between data elements designed to support a specific data processing function.
  • a logical relationship between data elements may include a connection relationship between user-defined data elements.
  • a physical relationship between data elements may include an actual relationship between data elements physically stored in a computer-readable storage medium (eg, a persistent storage device).
  • the data structure may specifically include a set of data, a relationship between data, and a function or command applicable to the data.
  • a computing device can perform calculations while using minimal resources of the computing device. Specifically, the computing device can increase the efficiency of operation, reading, insertion, deletion, comparison, exchange, and search through an effectively designed data structure.
  • the data structure can be divided into a linear data structure and a non-linear data structure according to the shape of the data structure.
  • a linear data structure may be a structure in which only one data is connected after one data.
  • Linear data structures may include lists, stacks, queues, and decks.
  • a list may refer to a series of data sets in which order exists internally.
  • the list may include a linked list.
  • a linked list may be a data structure in which data are connected in such a way that each data is connected in a single line with a pointer. In a linked list, a pointer can contain information about connection to the next or previous data.
  • a linked list can be expressed as a singly linked list, a doubly linked list, or a circular linked list depending on the form.
  • a stack can be a data enumeration structure that allows limited access to data.
  • a stack can be a linear data structure in which data can be processed (eg, inserted or deleted) at only one end of the data structure.
  • the data stored in the stack may be a LIFO-Last in First Out (Last in First Out) data structure.
  • a queue is a data listing structure that allows limited access to data, and unlike a stack, it can be a data structure (FIFO-First in First Out) in which data stored later comes out later.
  • a deck can be a data structure that can handle data from either end of the data structure.
  • the nonlinear data structure may be a structure in which a plurality of data are connected after one data.
  • the non-linear data structure may include a graph data structure.
  • a graph data structure can be defined as a vertex and an edge, and an edge can include a line connecting two different vertices.
  • a graph data structure may include a tree data structure.
  • the tree data structure may be a data structure in which one path connects two different vertices among a plurality of vertices included in the tree. That is, it may be a data structure that does not form a loop in a graph data structure.
  • the data structure may include a neural network. And the data structure including the neural network may be stored in a computer readable medium.
  • the data structure including the neural network may also include preprocessed data for processing by the neural network, data input to the neural network, weights of the neural network, hyperparameters of the neural network, data obtained from the neural network, activation function associated with each node or layer of the neural network, and neural network It may include a loss function for learning of .
  • a data structure including a neural network may include any of the components described above.
  • the data structure including the neural network includes preprocessed data for processing by the neural network, data input to the neural network, weights of the neural network, hyperparameters of the neural network, data obtained from the neural network, activation function associated with each node or layer of the neural network, and neural network. It may be configured to include all or any combination thereof, such as a loss function for learning of .
  • the data structure comprising the neural network may include any other information that determines the characteristics of the neural network.
  • the data structure may include all types of data used or generated in the computational process of the neural network, but is not limited to the above.
  • a computer readable medium may include a computer readable recording medium and/or a computer readable transmission medium.
  • a neural network may consist of a set of interconnected computational units, which may generally be referred to as nodes. These nodes may also be referred to as neurons.
  • a neural network includes at least one or more nodes.
  • the data structure may include data input to the neural network.
  • a data structure including data input to the neural network may be stored in a computer readable medium.
  • Data input to the neural network may include training data input during a neural network learning process and/or input data input to a neural network that has been trained.
  • Data input to the neural network may include pre-processed data and/or data subject to pre-processing.
  • Pre-processing may include a data processing process for inputting data to a neural network.
  • the data structure may include data subject to pre-processing and data generated by pre-processing.
  • the data structure may include the weights of the neural network.
  • weights and parameters may be used in the same meaning.
  • a data structure including weights of a neural network may be stored in a computer readable medium.
  • a neural network may include a plurality of weights.
  • the weight may be variable, and may be changed by a user or an algorithm in order to perform a function desired by the neural network. For example, when one or more input nodes are interconnected by respective links to one output node, the output node is set to a link corresponding to values input to input nodes connected to the output node and respective input nodes.
  • a data value output from an output node may be determined based on the weight.
  • the weights may include weights that are varied during neural network training and/or weights for which neural network training has been completed.
  • the variable weight in the neural network learning process may include a weight at the time the learning cycle starts and/or a variable weight during the learning cycle.
  • the weights for which neural network learning has been completed may include weights for which learning cycles have been completed.
  • the data structure including the weights of the neural network may include a data structure including weights that are variable during the neural network learning process and/or weights for which neural network learning is completed. Therefore, it is assumed that the above-described weights and/or combinations of weights are included in the data structure including the weights of the neural network.
  • the foregoing data structure is only an example, and the present disclosure is not limited thereto.
  • the data structure including the weights of the neural network may be stored in a computer readable storage medium (eg, a memory or a hard disk) after going through a serialization process.
  • Serialization can be the process of converting a data structure into a form that can be stored on the same or another computing device and later reconstructed and used.
  • a computing device may serialize data structures to transmit and receive data over a network.
  • the data structure including the weights of the serialized neural network may be reconstructed on the same computing device or another computing device through deserialization.
  • the data structure including the weights of the neural network is not limited to serialization.
  • the data structure including the weights of the neural network is a data structure for increasing the efficiency of operation while minimizing the resource of the computing device (for example, B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree).
  • the resource of the computing device for example, B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree.
  • the data structure may include hyper-parameters of the neural network.
  • the data structure including the hyperparameters of the neural network may be stored in a computer readable medium.
  • a hyperparameter may be a variable variable by a user. Hyperparameters include, for example, learning rate, cost function, number of learning cycle iterations, weight initialization (eg, setting the range of weight values to be targeted for weight initialization), hidden unit number (eg, the number of hidden layers and the number of nodes in the hidden layer).
  • weight initialization eg, setting the range of weight values to be targeted for weight initialization
  • hidden unit number eg, the number of hidden layers and the number of nodes in the hidden layer.
  • Various embodiments presented herein may be implemented as a method, apparatus, or article of manufacture using standard programming and/or engineering techniques.
  • article of manufacture includes a computer program, carrier, or media accessible from any computer-readable storage device.
  • computer-readable storage media include magnetic storage devices (eg, hard disks, floppy disks, magnetic strips, etc.), optical disks (eg, CDs, DVDs, etc.), smart cards, and flash memory devices (eg, EEPROM, cards, sticks, key drives, etc.), but are not limited thereto.
  • various storage media presented herein include one or more devices and/or other machine-readable media for storing information.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Environmental Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Hydrology & Water Resources (AREA)
  • Image Analysis (AREA)

Abstract

본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 딥러닝 기반의 강수량 예측 방법이 개시된다. 상기 방법은, 강수 이미지에 포함된 픽셀의 강수값에 대한 스케일을 변환하는 단계; 및 신경망 모델을 사용하여, 상기 스케일이 변환된 픽셀의 강수값을 기초로 상기 픽셀에 대한 미래 시점의 강수량을 예측하는 단계를 포함할 수 있다.

Description

딥러닝 기반의 강수량 예측 방법
본 발명은 이미지 처리 방법에 관한 것으로, 보다 구체적으로 딥러닝을 통해 이미지를 기반으로 미래 시점의 강수량을 예측하는 기술에 관한 것이다.
이미지를 기반으로 미래 시점의 강수량을 예측하려는 기존의 알고리즘은 대부분 이미지를 구성하는 각 픽셀에 대한 딥러닝 기반의 회귀(regression) 분석을 통해 예측을 수행하고 있다. 하지만, 강수량을 나타내는 강수값은 0 내지 300 정도의 범위값으로 이미지에 구성되기 때문에, 픽셀 별로 각 강수값이 나타내는 범위가 이미지에서 균일하게 나타나지 않는다. 따라서, 기존의 알고리즘을 통해 예측을 수행하는 경우, 예측 결과로 0에 가까운 값들이 지배적으로 많이 나타나는 현상이 나타난다는 문제가 발생한다.
대한민국 등록특허 제10-2056805호(2019.12.17)는 데이터 분석 기반의 강수량 예측 장치 및 방법에 관하여 개시한다.
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 미래 시점의 강수량을 예측을 회귀가 아닌 분류(classification) 문제로 처리할 수 있도록, 이미지에 나타나는 강수값의 스케일을 변환하는 방법을 제공하는 것을 목적으로 한다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨팅 장치에 의해 수행되는 딥러닝 기반의 강수량 예측 방법이 개시된다. 상기 방법은, 강수 이미지에 포함된 픽셀의 강수값에 대한 스케일을 변환하는 단계; 및 신경망 모델을 사용하여, 상기 스케일이 변환된 픽셀의 강수값을 기초로 상기 픽셀에 대한 미래 시점의 강수량을 예측하는 단계를 포함할 수 있다.
대안적으로, 상기 강수 이미지에 포함된 픽셀의 강수값에 대한 스케일을 변환하는 단계는, 상기 강수 이미지를 시간 순으로 연결(concatenation)하는 단계; 및 스케일 변환 함수를 기초로, 상기 시간 순으로 연결된 강수 이미지들 각각에 포함된 픽셀의 강수값을 조정하는 단계를 포함할 수 있다.
대안적으로, 상기 스케일 변환 함수는, 상기 시간 순으로 연결된 강수 이미지들 각각에 포함된 픽셀의 강수값을 이산화(discretization) 하기 위한 로그 함수일 수 있다.
대안적으로, 상기 스케일 변환 함수를 기초로, 상기 시간 순으로 연결된 강수 이미지들 각각에 포함된 픽셀의 강수값을 조정하는 단계는, 상기 시간 순으로 연결된 강수 이미지들 각각에 포함된 픽셀의 강수값을 상기 스케일 변환 함수의 미리 결정된 입력 변수로 근사화(approximation) 하는 단계; 상기 스케일 변환 함수의 입력 변수로 근사화 된 강수값을 기초로, 상기 스케일 변환 함수의 출력에 대응되는 클래스를 결정하는 단계; 및 상기 시간 순으로 연결된 강수 이미지들 각각에 포함된 픽셀의 강수값을 상기 결정된 클래스로 변경하는 단계를 포함할 수 있다.
대안적으로, 신경망 모델을 사용하여, 상기 스케일이 변환된 픽셀의 강수값을 기초로 상기 픽셀에 대한 미래 시점의 강수량을 예측하는 단계는, 신경망 모델을 사용하여, 상기 스케일 변환 함수를 기초로 조정된 강수값을 기초로, 상기 픽셀에 대한 미래 시점의 강수값을 추정하는 단계; 및 상기 스케일 변환 함수를 기초로, 상기 추정된 미래 시점의 강수값에 대한 스케일을 변환하는 단계를 포함할 수 있다.
대안적으로, 상기 스케일 변환 함수를 기초로, 상기 추정된 미래 시점의 강수값에 대한 스케일을 변환하는 단계는, 상기 추정된 미래 시점의 강수값을 상기 스케일 변환 함수의 출력에 대응되는 클래스에 매칭하는 단계; 상기 클래스에 매칭된 미래 시점의 강수값을 기초로, 상기 스케일 변환 함수의 입력 변수를 산출하는 단계; 및 상기 추정된 미래 시점의 강수값을 상기 산출된 입력 변수로 변경하는 단계를 포함할 수 있다.
대안적으로, 상기 신경망 모델은, 시간 순으로 연결(concatenation)된 강수 이미지들을 입력받아 미래 시점의 단일 강수 이미지를 생성하도록 사전 학습될 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 딥러닝 기반으로 강수량 예측을 수행하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 강수 이미지에 포함된 픽셀의 강수값에 대한 스케일을 변환하는 동작; 및 신경망 모델을 사용하여, 상기 스케일이 변환된 픽셀의 강수값을 기초로 상기 픽셀에 대한 미래 시점의 강수량을 예측하는 동작을 포함할 수 있다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 딥러닝을 기반으로 강수량 예측을 수행하는 컴퓨팅 장치가 개시된다. 상기 장치는, 적어도 하나의 코어를 포함하는 프로세서; 상기 프로세서에서 실행 가능한 프로그램 코드들을 포함하는 메모리; 및 강수 이미지를 수신하는 네트워크부를 포함할 수 있다. 이때, 상기 프로세서는, 상기 강수 이미지에 포함된 픽셀의 강수값에 대한 스케일을 변환하고, 신경망 모델을 사용하여 상기 스케일이 변환된 픽셀의 강수값을 기초로 상기 픽셀에 대한 미래 시점의 강수량을 예측할 수 있다.
본 개시는 연속적인 범위값을 갖는 강수값의 스케일 변환을 통해 강수값을 이산화(discretization) 함으로써, 과거 시점의 강수량의 실제 분포를 예측에 충분히 반영하면서 미래 시점의 강수량을 정확히 예측할 수 있는 방법을 제공할 수 있다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개략도이다.
도 3은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 강수량 예측을 위한 연산 과정을 나타낸 블록 구성도이다.
도 4는 본 개시의 일 실시예에 따른 이미지의 전처리 과정을 나타낸 개념도이다.
도 5는 본 개시의 일 실시예에 따른 스케일 함수를 기초로 강수값의 스케일이 변환되는 과정을 나타낸 그래프이다.
도 6은 본 개시의 일 실시예에 따른 강수량 예측 과정 및 후처리 일부 과정을 나타낸 개념도이다.
도 7은 본 개시의 일 실시예에 따른 후처리 일부 과정을 나타낸 개념도이다.
도 8은 본 개시의 일 실시예에 따른 스케일 함수를 기초로 예측값의 스케일이 변환되는 과정을 나타낸 그래프이다.
도 9는 본 개시의 일 실시예에 따른 딥러닝 기반의 강수량 예측 방법을 나타낸 순서도이다.
도 10은 본 개시의 일 실시예에 따른 컴퓨팅 환경의 개략도이다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
그리고, "A 또는 B 중 적어도 하나" 라는 용어는, "A만을 포함하는 경우", "B 만을 포함하는 경우", "A와 B의 구성으로 조합된 경우" 를 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이다. 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예 들로 한정되는 것이 아니다. 본 발명은 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.
한편, 본 개시의 상세한 설명 및 청구항들에 걸쳐 이용된 "이미지" 라는 용어는 이산적 영상 요소들(예컨대, 2차원 영상에 있어서는 픽셀)로 구성된 다차원 데이터를 지칭할 수 있다. 달리 말하자면, "이미지" 는 (예컨대, 비디오 화면에 표시된) 눈으로 볼 수 있는 대상 또는 (예컨대, 등의 픽셀 출력에 대응되는 파일과 같은) 그 대상의 디지털 표현물을 지칭하는 용어일 수 있다.
도 1은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 블록 구성도이다.
도 1에 도시된 컴퓨팅 장치(100)의 구성은 간략화 하여 나타낸 예시일 뿐이다. 본 개시의 일 실시예에서 컴퓨팅 장치(100)는 컴퓨팅 장치(100)의 컴퓨팅 환경을 수행하기 위한 다른 구성들이 포함될 수 있고, 개시된 구성들 중 일부만이 컴퓨팅 장치(100)를 구성할 수도 있다.
컴퓨팅 장치(100)는 프로세서(110), 메모리(130), 네트워크부(150)를 포함할 수 있다.
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(110)는 메모리(130)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 기계 학습을 위한 데이터 처리를 수행할 수 있다. 본 개시의 일실시예에 따라 프로세서(110)는 신경망의 학습을 위한 연산을 수행할 수 있다. 프로세서(110)는 딥러닝(DL: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피처 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(110)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 신경망의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 신경망의 학습, 신경망을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서를 함께 사용하여 신경망의 학습, 신경망을 이용한 데이터 분류를 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(110)는 신경망 모델을 사용하여 강수 이미지를 기초로 미래 시점의 강수량을 예측할 수 있다. 프로세서(110)는 강수 이미지를 신경망 모델에 입력하여 미래 시점의 강수량을 표현하는 강수 이미지를 생성할 수 있다. 이때, 신경망 모델의 입력에 해당하는 강수 이미지는 시간 순으로 정렬된 시계열 이미지일 수 있다. 따라서, 신경망 모델이 예측하는 미래 시점은 시계열 이미지의 최종 시점 이후의 임의의 시점으로 이해될 수 있다. 예를 들어, 복수의 강수 이미지들이 정렬된 시계열 이미지의 최종 시점이 t라고 하면, 신경망 모델이 예측하는 미래 시점은 t 이후의 t+1을 포함한 임의의 시점일 수 있다. 임의의 시점은 신경망 모델의 학습 과정에서 미리 결정된 시점일 수 있다. 다만, 임의의 시점은 사용자 입력에 기반하여 선택적으로 결정될 수도 있다.
한편, 프로세서(110)는 강수 이미지에 포함된 픽셀의 강수값의 스케일을 변환할 수 있다. 스케일 변환 없이 강수 이미지에 포함된 픽셀의 강수값을 그대로 신경망 모델의 입력으로 사용하는 경우, 강수량을 표현하는 강수값이 나타내는 범위가 강수 이미지에 포함된 픽셀 별로 균일하지 않기 때문에, 0에 가까운 값들이 지배적으로 많이 나타나는 결과가 발생할 확률이 높아진다. 따라서, 이러한 문제를 해결하고 신경망 모델의 예측 성능을 향상시키기 위해, 프로세서(110)는 다양한 분포를 나타내는 강수값이 균일한 범위 내 값을 갖도록 조정하는 스케일 변환을 수행할 수 있다. 다시 말해서, 프로세서(110)는 강수 이미지에 존재하는 픽셀 별로 강수값의 스케일을 변환하고, 스케일이 변환된 강수값을 신경망 모델에 입력하여 미래 시점의 강수값을 추정할 수 있다.
프로세서(110)는 신경망 모델에 의한 예측값의 스케일을 변환할 수 있다. 신경망 모델의 예측 성능을 향상시키기 위해 스케일이 변환된 상태이므로, 프로세서(110)는 신경망 모델이 예측한 미래 시점의 강수값이 강수량을 표현하는 강수값이 나타내는 원래 분포에 가깝게 스케일을 변환할 수 있다. 즉, 예측값의 스케일을 변환하는 작업은 스케일이 변환된 미래 시점의 강수값을 강수값이 나타내는 원래 스케일로 복원하는 작업으로 이해될 수 있다. 상술한 스케일 변환 작업들을 통해 강수 이미지에 포함된 0과 가까운 강수값에 대한 표현을 풍부하게 만들어 예측 결과에 0에 가까운 값들이 지배적으로 많이 나타나는 문제를 효과적으로 해결할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보 및 네트워크부(150)가 수신한 임의의 형태의 정보를 저장할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(130)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(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), 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. 컴퓨팅 장치(100)는 인터넷(internet) 상에서 상기 메모리(130)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따른 네트워크부(150)는 임의의 형태의 공지된 유무선 통신 시스템을 사용할 수 있다.
네트워크부(150)는 강수 이미지를 외부 시스템으로부터 수신할 수 있다. 예를 들어, 네트워크부(150)는 강수 이미지를 기상 관측 시스템의 데이터베이스 등으로부터 수신할 수 있다. 강수 이미지는 신경망 모델의 학습용 데이터 또는 추론용 데이터일 수 있다. 강수 이미지는 인공위성의 레이더, 지상 관측 장비 등을 기반으로 측정된 강수량에 관한 정보가 가공된 이미지일 수 있다. 구체적으로, 강수 이미지는 RGB의 3채널을 갖는 일반적인 컬러 이미지가 아닌 단일 채널의 강수량을 나타내는 이미지로 이해될 수 있다. 강수 이미지는 위성 레이더 혹은 직접 관측 등을 통해 기록된 강수량을 나타내는 강수값이 단일 채널의 메타 정보로 포함된 이미지로 이해될 수 있다.
또한, 네트워크부(150)는 프로세서(110)에 의해 처리된 정보, 사용자 인터페이스 등을 타 단말과의 통신을 통해 송수신할 수 있다. 예를 들어, 네트워크부(150)는 프로세서(110)에 의해 생성된 사용자 인터페이스를 클라이언트(e.g. 사용자 단말)로 제공할 수 있다. 또한, 네트워크부(150)는 클라이언트로 인가된 사용자의 외부 입력을 수신하여 프로세서(110)로 전달할 수 있다. 이때, 프로세서(110)는 네트워크부(150)로부터 전달받은 사용자의 외부 입력을 기초로 사용자 인터페이스를 통해 제공되는 정보의 출력, 수정, 변경, 추가 등의 동작을 처리할 수 있다.
도 1에는 도시되지 않았으나, 컴퓨팅 장치(100)는 입력부 및 출력부를 포함할 수도 있다.
본 개시의 추가적인 실시예에 따른 입력부는 사용자 입력을 수신 받기 위한 사용자 인터페이스 상의 키 및/또는 버튼들, 또는 물리적인 키 및/또는 버튼들을 구비할 수 있다. 입력부를 통한 사용자 입력에 따라 본 개시의 실시예들에 따른 디스플레이를 제어하기 위한 컴퓨터 프로그램이 실행될 수 있다.
입력부는 사용자의 버튼 조작 또는 터치 입력을 감지하여 신호를 수신하거나, 카메라 또는 마이크로폰을 통하여 사용자 등의 음성 또는 동작을 수신하여 이를 입력 신호로 변환할 수도 있다. 이를 위해 음성 인식(speech recognition) 기술 또는 동작 인식(motion recognition) 기술들이 사용될 수 있다.
입력부는 컴퓨팅 장치(100)와 연결된 외부 입력 장비로서 구현될 수도 있다. 예를 들어, 입력 장비는 사용자 입력을 수신하기 위한 터치 패드, 터치 펜, 키보드 또는 마우스 중 적어도 하나일 수 있으나, 이는 예시일 뿐이며 본 개시는 이에 제한되는 것은 아니다.
입력부는 사용자 터치 입력을 인식할 수 있다. 본 개시의 일 실시예에 따른 입력부는 출력부와 동일한 구성일 수도 있다. 입력부는 사용자의 선택 입력을 수신하도록 구현되는 터치 스크린으로 구성될 수 있다. 터치 스크린은 접촉식 정전용량 방식, 적외선 광 감지 방식, 표면 초음파(SAW) 방식, 압전 방식, 저항막 방식 중 어느 하나의 방식이 사용될 수 있다. 전술한 터치 스크린에 대한 자세한 기재는 본 발명의 일 실시예에 따른 예시일 뿐이며, 다양한 터치 스크린 패널이 컴퓨팅 장치(100)에 채용될 수 있다. 터치 스크린으로 구성된 입력부는 터치 센서를 포함할 수 있다. 터치 센서는 입력부의 특정 부위에 가해진 압력 또는 입력부의 특정 부위에 발생하는 정전 용량 등의 변화를 전기적인 입력신호로 변환하도록 구성될 수 있다. 터치 센서는 터치 되는 위치 및 면적 뿐만 아니라, 터치 시의 압력까지도 검출할 수 있도록 구성될 수 있다. 터치 센서에 대한 터치 입력이 있는 경우, 그에 대응하는 신호(들)는 터치 제어기로 보내진다. 터치 제어기는 그 신호(들)를 처리한 다음 대응하는 데이터를 프로세서(110)로 전송한다. 이로써, 프로세서(110)는 입력부의 어느 영역이 터치 되었는지 여부 등을 인식할 수 있게 된다.
본 개시의 추가적인 실시예에 따른 출력부는 프로세서(110)가 생성하거나 결정한 임의의 형태의 정보, 사용자 인터페이스(user interface) 및 네트워크부(150)가 수신한 임의의 형태의 정보를 출력할 수 있다.
예를 들어, 출력부는 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉서블 디스플레이(flexible display), 3차원 디스플레이(3D display) 중에서 적어도 하나를 포함할 수 있다. 이들 중 일부 디스플레이 모듈은 그를 통해 외부를 볼 수 있도록 투명형 또는 광 투과형으로 구성될 수 있다. 이는 투명 디스플레이 모듈이라 지칭될 수 있는데, 상기 투명 디스플레이 모듈의 대표적인 예로는 TOLED(Transparent OLED) 등이 있다.
한편, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 클라이언트와 통신을 통해 정보를 송수신하는 컴퓨팅 시스템으로서 서버를 포함할 수 있다. 이때, 클라이언트는 서버에 엑세스(access)할 수 있는 임의의 형태의 단말일 수 있다. 예를 들어, 서버인 컴퓨팅 장치(100)는 인공위성 시스템으로부터 강수 이미지를 수신하여 미래 시점의 강수량 예측을 수행하고, 예측 결과에 관한 사용자 인터페이스를 사용자 단말로 제공할 수 있다. 이때, 사용자 단말은 서버인 컴퓨팅 장치(100)로부터 수신한 사용자 인터페이스를 출력하고, 사용자와의 상호 작용을 통해 정보를 입력 받거나 처리할 수 있다.
추가적인 실시예에서, 컴퓨팅 장치(100)는 임의의 서버에서 생성된 데이터 리소스를 전달받아 추가적인 정보 처리를 수행하는 임의의 형태의 단말을 포함할 수도 있다.
도 2는 본 개시의 일 실시예에 따른 신경망을 나타낸 개략도이다.
본 개시의 일 실시예에 따른 신경망 모델은 강수량 예측을 수행하기 위한 신경망을 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드의 데이터는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 링크는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들의 집합으로 구성될 수 있다. 신경망을 구성하는 노드들의 부분 집합은 레이어(layer)를 구성할 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들을 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다.
본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 신경망(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 신경망을 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 신경망은 컨볼루션 신경망(CNN: convolutional neural network), 리커런트 신경망(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 신경망의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 신경망은 오토 인코더(autoencoder)를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 오토 인코더는 비선형 차원 감소를 수행할 수 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 차원과 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
신경망은 교사 학습, 비교사 학습(unsupervised learning), 반교사 학습(semi supervised learning), 또는 강화 학습 중 적어도 하나의 방식으로 학습될 수 있다. 신경망의 학습은 신경망이 특정한 동작을 수행하기 위한 지식을 신경망에 적용하는 과정일 수 있다.
신경망은 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 신경망의 학습에서 반복적으로 학습 데이터를 신경망에 입력시키고 학습 데이터에 대한 신경망의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 신경망의 에러를 신경망의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 신경망의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링 되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 신경망에 입력되고, 신경망의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 신경망 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 신경망에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 신경망의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 신경망의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 신경망의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 신경망의 학습 초기에는 높은 학습률을 사용하여 신경망이 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
신경망의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 신경망을 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 신경망이 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤러라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
도 3은 본 개시의 일 실시예에 따른 컴퓨팅 장치의 강수량 예측을 위한 연산 과정을 나타낸 블록 구성도이고, 도 4 내지 도 8은 개념도이다.
도 3을 참조하면, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)의 프로세서(110)는 강수 이미지(11)를 기초로 스케일 변환을 수행하여 제 1 스케일 변환 이미지(12)를 생성하는 제 1 모듈(210), 제 1 스케일 변환(12) 이미지를 기초로 강수값 추정을 수행하여 제 1 스케일 예측 이미지(13)를 생성하는 제 2 모듈(220), 제 1 스케일 예측 이미지(13)를 기초로 스케일 변환을 수행하여 제 2 스케일 예측 이미지(14)를 생성하는 제 3 모듈(230)을 포함할 수 있다. 프로세서(110)는 제 1 모듈(210)을 통해, 강수 이미지(11)에 포함된 픽셀의 강수값에 대한 스케일을 변환하고, 제 1 스케일 변환 이미지(12)를 생성할 수 있다. 프로세서(110)는 제 2 모듈(220)을 통해, 제 1 스케일 변환 이미지(12)에 포함된 강수값을 기초로 픽셀에 대한 미래 시점의 강수값을 추정하여 제 1 스케일 예측 이미지(13)를 생성할 수 있다. 프로세서(110)는 제 3 모듈(230)을 통해, 제 1 스케일 예측 이미지(13)에 포함된 미래 시점의 강수값에 대한 스케일을 변환하고, 제 2 스케일 예측 이미지(14)를 생성할 수 있다.
제 1 모듈(210)의 입력 데이터에 해당하는 강수 이미지(11)는 단일 이미지일 수도 있고, 복수의 이미지들로 구성된 시계열 이미지일 수도 있다. 예를 들어, 강수 이미지(11)는 t-2 시점의 강수 이미지, t-1 시점의 강수 이미지, 및 t 시점의 강수 이미지를 모두 포함하는 시계열 이미지일 수 있다. 이때, 강수 이미지(11)는 복수의 강수 이미지들이 시간 순으로 연결(concatenation)된 시계열 이미지일 수 있다. 다시 말해서, t-2 시점, t-1 시점, 및 t 시점의 강수 이미지들이 수신되면, 프로세서(110)는 강수 이미지들을 t-2 시점, t-1 시점, 및 t 시점의 순서대로 연결하여 시계열 이미지인 강수 이미지(11)를 생성하고, 시계열 이미지로 생성된 강수 이미지(11)를 제 1 모듈(210)로 입력할 수 있다.
제 1 모듈(210)은 강수 이미지(11)에 포함된 픽셀의 강수값에 대한 스케일을 변환할 수 있다. 제 1 모듈(210)은 스케일 변환 함수를 기초로 강수 이미지(11)에 포함된 픽셀 별 강수값의 스케일을 변환할 수 있다. 제 1 모듈(210)은 강수 이미지(11)를 입력받아 강수 이미지(11)에 존재하는 픽셀 별 강수값의 스케일을 조정하고, 이를 반영하여 제 1 스케일 변환 이미지(12)를 생성할 수 있다. 이때, 제 1 모듈(210)에 의한 스케일 변환은 연속적인 분포를 갖는 픽셀 별 강수값을 스케일 변환 함수를 통해 이산화(discretization) 하여 소정의 클래스로 분류하는 작업으로 이해될 수 있다. 예를 들어, 도 4를 참조하면, 제 1 모듈(210)은 t-3 시점, t-2 시점, t-1 시점, 및 t 시점의 강수 이미지가 시간 순으로 연결된 강수 이미지(21)를 입력받아 픽셀 별 강수값을 확인할 수 있다. 제 1 모듈(210)은 스케일 변환 함수를 기초로 강수 이미지(21)에서 확인된 픽셀 별 강수값을 조정함으로써, 스케일 변환 이미지(22)를 생성할 수 있다.
구체적으로, 제 1 모듈(210)은 스케일 변환 함수를 기초로 시간 순으로 연결된 강수 이미지들 각각에 포함된 픽셀의 강수값을 조정할 수 있다. 이때, 스케일 변환 함수는 시간 순으로 연결된 강수 이미지들 각각에 포함된 픽셀의 강수값을 이산화하기 위한 로그 함수일 수 있다. 제 1 모듈(210)은 스케일 변환 함수를 통해 강수 이미지들 각각에 포함된 픽셀의 강수값을 로그 스케일로 변환하고 균등하게 분할된 클래스로 분류함으로써, 픽셀 별 강수값을 조정할 수 있다. 로그 함수는 0에 가까운 지점에 분포하는 값을 조밀한 간격으로 분류할 수 있어서 0과 가까운 지점에 분포하는 값을 풍부하게 표현할 수 있다는 장점을 가진다. 따라서, 제 1 모듈(210)은 로그 함수인 스케일 변환 함수를 통해 강수 이미지에 포함된 0과 가까운 강수값에 대한 표현을 풍부하게 만들어 예측 결과에 0에 가까운 값들이 지배적으로 많이 나타나는 문제를 효과적으로 해결할 수 있다.
제 1 모듈(210)은 시간 순으로 연결된 강수 이미지들 각각에 포함된 픽셀의 강수값을 스케일 변환 함수의 미리 결정된 입력 변수로 근사화(approximation) 할 수 있다. 제 1 모듈(210)은 픽셀의 강수값이 스케일 변환 함수의 미리 결정된 입력 변수 중 어느 하나로 근사화 할 수 있다. 이때, 근사화는 특정 픽셀의 강수값을 특정 픽셀의 강수값과 가장 인접한 값을 갖는 입력 변수에 매칭시키는 과정으로 이해될 수 있다. 예를 들어, 도 5를 참조하면, 제 1 모듈(210)은 픽셀 별 강수값을 스케일 변환 함수를 통해 정의되는 x축 상에 존재하는 변수(30) 중에서 미리 결정된 6개의 입력 변수들(31, 32, 33, 34, 35, 36) 중 하나에 매칭할 수 있다. 특정 픽셀의 강수값이 1.53이라고 가정하면, 제 1 모듈(210)은 1.53의 값을 갖는 강수값을 가장 인접한 제 2 입력 변수(32)에 해당하는 값으로 변경할 수 있다. 제 1 모듈(210)은 시간 순으로 연결된 강수 이미지들 각각에 존재하는 모든 픽셀들에 대하여 상술한 근사화를 수행할 수 있다.
제 1 모듈(210)은 스케일 변환 함수의 입력 변수로 근사화 된 강수값을 기초로, 스케일 변환 함수의 출력에 대응되는 클래스를 결정할 수 있다. 제 1 모듈(210)은 스케일 변환 함수의 입력 변수로 근사화 된 강수값을 스케일 변환 함수로 연산하여 균등하게 분할된 스케일 변환 함수의 출력에 대응하는 클래스를 출력할 수 있다. 그리고, 제 1 모듈(210)은 시간 순으로 연결된 강수 이미지들 각각에 포함된 픽셀의 강수값을 스케일 변환 함수의 연산을 통해 결정된 클래스로 변경할 수 있다. 예를 들어, 도 5를 참조하면, 제 1 모듈(210)은 근사화 된 강수값을 스케일 변환 함수에 입력하여 스케일 변환 함수의 출력 변수(40)로 정의된 6개의 클래스들 중 어느 하나로 추출할 수 있다. 스케일 변환 함수에 의해 정의되는 입출력 관계를 통해 6개의 입력 변수들(31, 32, 33, 34, 35, 36) 각각은 출력 변수(40)에 해당하는 class 0 내지 class 5에 대응될 수 있다. 상술한 근사화를 통해 1.53의 값을 갖는 강수값이 가장 인접한 제 2 입력 변수(32)에 해당하는 값으로 변경되면, 제 1 모듈(210)은 제 2 입력 변수(32)에 해당하는 값으로 변경된 강수값을 스케일 변환 함수로 입력하여 class 1으로 정의된 클래스를 결정할 수 있다. 이와 같은 클래스 결정을 위한 스케일 변환 함수의 연산이 완료되면, 제 1 모듈(210)은 1.53의 값을 갖는 특정 픽셀의 강수값을 class 1이 나타내는 값으로 변경할 수 있다. 한편, 도 5를 참조하여 설명한 스케일 변환 함수의 입출력 변수와 관련된 구체적인 수치는 하나의 예시에 불과하며, 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
제 2 모듈(220)은 제 1 모듈(210)을 통해 스케일이 변환된 픽셀의 강수값을 기초로 각 픽셀에 대한 미래 시점의 강수량을 예측할 수 있다. 제 2 모듈(220)은 스케일 변환 함수를 기초로 조정된 픽셀 별 강수값을 기초로 미래 시점에 해당하는 픽셀의 강수값을 추정할 수 있다. 제 2 모듈(220)은 제 1 모듈(210)을 통해 생성된 제 1 스케일 변환 이미지(12)를 입력받아 미래 시점의 강수값을 추정하고, 이를 반영한 제 1 스케일 예측 이미지(13)를 생성할 수 있다. 이때, 제 2 모듈(220)은 강수량 예측을 수행하기 위한 신경망 모델에 대응될 수 있다. 예를 들어, 도 6을 참조하면, 제 2 모듈(220)에 대응되는 신경망 모델(300)은 제 1 모듈(210)을 통해 생성된 스케일 변환 이미지(22)를 입력받아 미래 시점인 t+1 시점의 강수량을 나타내는 강수값을 각 픽셀 별로 추정할 수 있다. 신경망 모델(300)은 추정된 t+1 시점의 픽셀 별 강수값을 기초로 t+1 시점의 추정값을 반영한 확률 맵(23)을 생성할 수 있다. 신경망 모델(300)은 t+1 시점의 추정값을 반영한 확률 맵(23)을 기초로 t+1 시점의 강수값을 나타내는 예측 강수 이미지(24)를 생성할 수 있다. 이때, 스케일 변환 이미지(22)는 복수의 타임스텝(timestep)을 갖는 시계열 강수 이미지이고, 예측 강수 이미지(24)는 특정 미래 시점의 강수량 분포를 나타내는 단일 강수 이미지일 수 있다. 따라서, 신경망 모델(300)은 시간 순으로 연결된 강수 이미지들을 입력받아 미래 시점의 단일 강수 이미지를 생성하도록 사전 학습될 수 있다. 따라서, 신경망 모델(300)은 복수의 이미지를 입력으로 하여 단일 이미지를 출력하는 의미론적 분할(semantic segmentation) 기반의 모델일 수 있다.
제 3 모듈(230)은 제 2 모듈(220)을 통해 추정된 픽셀의 강수값에 대한 스케일을 변환할 수 있다. 제 3 모듈(230)은 스케일 변환 함수를 기초로 제 1 스케일 예측 이미지(13)에 포함된 픽셀 별 예측값의 스케일을 변환할 수 있다. 제 3 모듈(230)은 제 2 모듈(220)을 통해 생성된 제 1 스케일 예측 이미지(13)를 입력받아 제 1 스케일 예측 이미지(13)에 존재하는 픽셀 별 예측값의 스케일을 조정하고, 이를 반영하여 최종 출력 이미지인 제 2 스케일 변환 이미지(14)를 생성할 수 있다. 이때, 제 3 모듈(230)에 의한 스케일 변환은 이산적 분포를 갖는 픽셀 별 예측값을 스케일 변환 함수를 통해 역변환함으로써, 예측값을 실제 강수량을 충분히 표현할 수 있는 값으로 가공하는 작업으로 이해될 수 있다. 예를 들어, 도 7를 참조하면, 제 3 모듈(230)은 제 2 모듈(220)을 통해 생성된 예측 강수 이미지(24)를 입력받아 픽셀 별 예측값을 확인할 수 있다. 제 3 모듈(230)은 스케일 변환 함수를 기초로 예측 강수 이미지(24)에서 확인된 픽셀 별 예측값을 조정함으로써, 최종 출력 이미지(25)를 생성할 수 있다.
구체적으로, 제 3 모듈(230)은 스케일 변환 함수를 기초로 제 2 모듈(220)을 통해 추정된 미래 시점의 강수값을 조정할 수 있다. 이때, 스케일 변환 함수는 제 1 모듈(220)의 스케일 변환에 사용된 로그 함수일 수 있다. 제 3 모듈(230)은 스케일 변환 함수를 통해 강수 이미지들 각각에 포함된 픽셀의 강수값을 로그 스케일로 역변환하고 스케일 변환 함수의 입력 변수들 중 하나로 도출함으로써, 미래 시점의 픽셀 별 강수값을 실측값에 최대한 가깝도록 조정할 수 있다.
제 3 모듈(230)은 제 2 모듈(220)을 통해 추정된 미래 시점의 픽셀의 강수값을 스케일 변환 함수의 출력에 대응되는 클래스에 매칭할 수 있다. 예를 들어, 도 8을 참조하면, 제 3 모듈(230)은 픽셀 별 예측값을 스케일 변환 함수의 출력 변수(50)로 정의된 6개의 클래스 중 어느 하나로 결정할 수 있다. 제 2 모듈(220)을 통해 추정된 특정 픽셀의 예측값이 1이라고 가정하면, 제 3 모듈(230)은 1에 해당하는 class 1을 역변환 연산을 위한 스케일 변환 함수의 출력 변수로 결정할 수 있다.
제 3 모듈(230)은 클래스에 매칭된 미래 시점의 강수값을 기초로, 스케일 변환 함수의 입력 변수를 산출할 수 있다. 제 3 모듈(230)은 스케일 변환 함수의 출력 변수에 매칭된 미래 시점의 강수값을 스케일 변환 함수로 역연산하여 스케일 변환 함수의 미리 결정된 입력 변수 중 어느 하나를 산출할 수 있다. 그리고, 제 3 모듈(230)은 미래 시점의 강수값을 산출된 스케일 변환 함수의 입력 변수로 변경할 수 있다. 예를 들어, 도 8을 참조하면, 제 3 모듈(230)은 클래스에 매칭된 예측값을 스케일 변환 함수의 출력으로 입력하여 스케일 변환 함수를 통해 정의되는 x축 상에 존재하는 변수(60) 중에서 미리 결정된 6개의 입력 변수들(61, 62, 63, 64, 65, 66) 중 하나를 도출할 수 있다. 스케일 변환 함수에 의해 정의되는 입출력 관계를 통해 6개의 입력 변수들(61, 62, 63, 64, 65, 66) 각각은 출력 변수(50)에 해당하는 class 0 내지 class 5에 대응될 수 있다. 상술한 클래스 매칭을 통해 1의 값을 갖는 예측값이 class 1에 매칭되면, 제 3 모듈(230)은 class 1에 매칭된 강수값을 스케일 변환 함수로 입력하여 예측값을 제 2 입력 변수(62)에 해당하는 값 0.6으로 변경할 수 있다. 이와 같은 스케일 변환 함수의 역연산을 통해 로그 스케일로 변환되었던 미래 시점의 픽셀 별 강수값을 실측값의 분포에 가까운 값으로 조정할 수 있다. 한편, 도 8를 참조하여 설명한 스케일 변환 함수의 입출력 변수와 관련된 구체적인 수치는 하나의 예시에 불과하며, 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
도 9는 본 개시의 일 실시예에 따른 딥러닝 기반의 강수량 예측 방법을 나타낸 순서도이다.
도 9를 참조하면, S100 단계에서, 본 개시의 일 실시예에 따른 컴퓨팅 장치(100)는 강수 이미지에 존재하는 픽셀 각각의 강수값의 스케일을 변환할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 강수량을 예측하고자 하는 미래 시점 이전의 과거 시점에 해당하는 복수의 강수 이미지들을 수신할 수 있다. 컴퓨팅 장치(100)는 과거 시점에 해당하는 복수의 강수 이미지들을 시간 순으로 연결하여 시계열 이미지를 생성할 수 있다. 컴퓨팅 장치(100)는 스케일 변환 함수를 기초로, 시계열 이미지에 포함된 픽셀 별 강수값을 조정할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 시계열 이미지에 포함된 픽셀의 강수값을 스케일 변환 함수의 미리 결정된 입력 변수로 근사화(approximation)할 수 있다. 컴퓨팅 장치(100)는 스케일 변환 함수의 입력 변수로 근사화 된 강수값을 기초로, 스케일 변환 함수의 출력에 대응되는 클래스를 결정할 수 있다. 컴퓨팅 장치(100)는 시계열 이미지에 포함된 픽셀의 강수값을 앞서 결정된 클래스로 변경함으로써, 시계열 이미지에 포함된 픽셀 별 강수값을 조정할 수 있다.
S200 단계에서, 컴퓨팅 장치(100)는 신경망 모델을 사용하여, S100 단계를 통해 스케일이 변환된 강수값을 기초로 픽셀 각각에 대한 미래 시점의 강수값을 추정할 수 있다. 이때, 신경망 모델은 복수의 강수 이미지들로 구성된 시계열 이미지를 입력받아 예측값이 반영된 단일 강수 이미지를 출력하도록 사전 학습된 모델일 수 있다. 예를 들어, 신경망 모델은 U-net 구조의 모델일 수 있다. 다만, 본 개시의 신경망 모델의 구조는 상술한 예시에 한정되지 않고 당업자가 이해 가능한 범주에서 다양하게 구성될 수 있다.
S300 단계에서, 컴퓨팅 장치(100)는 S200 단계를 통해 추정된 픽셀 각각에 대한 미래 시점의 강수값의 스케일을 다시 변환할 수 있다. 예를 들어, 컴퓨팅 장치(100)는 스케일 변환 함수를 기초로, S200 단계를 통해 추정된 미래 시점의 강수값에 대한 스케일을 변환할 수 있다. 구체적으로, 컴퓨팅 장치(100)는 미래 시점의 강수값을 상기 스케일 변환 함수의 출력에 대응되는 클래스에 매칭할 수 있다. 컴퓨팅 장치(100)는 클래스에 매칭된 미래 시점의 강수값을 기초로, 스케일 변환 함수의 입력 변수를 산출할 수 있다. 컴퓨팅 장치(100)는 미래 시점의 강수값을 앞서 산출된 입력 변수로 변경함으로써, 미래 시점의 강수값에 대한 스케일을 변환할 수 있다. S300 단계의 스케일 변환은 S100 단계의 스케일 변환을 역연산하는 과정으로 이해될 수 있다.
도 10은 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도이다.
본 개시가 일반적으로 컴퓨팅 장치에 의해 구현될 수 있는 것으로 전술되었지만, 당업자라면 본 개시가 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어 및/또는 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로써 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드(handheld) 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘 다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터 등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇 가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)－이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음－, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘 다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 컴퓨팅 디바이스 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 컴퓨팅 디바이스에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a, b, g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
한편, 본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자 정의 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 영구 저장 장치)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실함수 등을 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 의한 처리를 위하여 전처리된 데이터, 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드에서 출력되는 데이터 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 정보 및 신호들이 임의의 다양한 상이한 기술들 및 기법들을 이용하여 표현될 수 있다는 것을 이해할 것이다. 예를 들어, 위의 설명에서 참조될 수 있는 데이터, 지시들, 명령들, 정보, 신호들, 비트들, 심볼들 및 칩들은 전압들, 전류들, 전자기파들, 자기장들 또는 입자들, 광학장들 또는 입자들, 또는 이들의 임의의 결합에 의해 표현될 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 소프트웨어로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 제조 물품은 임의의 컴퓨터-판독가능 저장장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (9)

  1. 적어도 하나의 프로세서를 포함하는 컴퓨팅 장치에 의해 수행되는 딥러닝 기반의 강수량 예측 방법으로서,
    강수 이미지에 포함된 픽셀의 강수값에 대한 스케일을 변환하는 단계; 및
    신경망 모델을 사용하여, 상기 스케일이 변환된 픽셀의 강수값을 기초로 상기 픽셀에 대한 미래 시점의 강수량을 예측하는 단계;
    를 포함하는,
    방법.
  2. 제 1 항에 있어서,
    상기 강수 이미지에 포함된 픽셀의 강수값에 대한 스케일을 변환하는 단계는,
    상기 강수 이미지를 시간 순으로 연결(concatenation)하는 단계; 및
    스케일 변환 함수를 기초로, 상기 시간 순으로 연결된 강수 이미지들 각각에 포함된 픽셀의 강수값을 조정하는 단계;
    를 포함하는,
    방법.
  3. 제 2 항에 있어서,
    상기 스케일 변환 함수는,
    상기 시간 순으로 연결된 강수 이미지들 각각에 포함된 픽셀의 강수값을 이산화(discretization) 하기 위한 로그 함수인,
    방법.
  4. 제 2 항에 있어서,
    상기 스케일 변환 함수를 기초로, 상기 시간 순으로 연결된 강수 이미지들 각각에 포함된 픽셀의 강수값을 조정하는 단계는,
    상기 시간 순으로 연결된 강수 이미지들 각각에 포함된 픽셀의 강수값을 상기 스케일 변환 함수의 미리 결정된 입력 변수로 근사화(approximation) 하는 단계;
    상기 스케일 변환 함수의 입력 변수로 근사화 된 강수값을 기초로, 상기 스케일 변환 함수의 출력에 대응되는 클래스를 결정하는 단계; 및
    상기 시간 순으로 연결된 강수 이미지들 각각에 포함된 픽셀의 강수값을 상기 결정된 클래스로 변경하는 단계;
    를 포함하는,
    방법.
  5. 제 2 항에 있어서,
    신경망 모델을 사용하여, 상기 스케일이 변환된 픽셀의 강수값을 기초로 상기 픽셀에 대한 미래 시점의 강수량을 예측하는 단계는,
    신경망 모델을 사용하여, 상기 스케일 변환 함수를 기초로 조정된 강수값을 기초로, 상기 픽셀에 대한 미래 시점의 강수값을 추정하는 단계; 및
    상기 스케일 변환 함수를 기초로, 상기 추정된 미래 시점의 강수값에 대한 스케일을 변환하는 단계;
    를 포함하는,
    방법.
  6. 제 5 항에 있어서,
    상기 스케일 변환 함수를 기초로, 상기 추정된 미래 시점의 강수값에 대한 스케일을 변환하는 단계는,
    상기 추정된 미래 시점의 강수값을 상기 스케일 변환 함수의 출력에 대응되는 클래스에 매칭하는 단계;
    상기 클래스에 매칭된 미래 시점의 강수값을 기초로, 상기 스케일 변환 함수의 입력 변수를 산출하는 단계; 및
    상기 추정된 미래 시점의 강수값을 상기 산출된 입력 변수로 변경하는 단계;
    를 포함하는,
    방법.
  7. 제 1 항에 있어서,
    상기 신경망 모델은,
    시간 순으로 연결(concatenation)된 강수 이미지들을 입력받아 미래 시점의 단일 강수 이미지를 생성하도록 사전 학습된,
    방법.
  8. 컴퓨터 판독가능 저장 매체 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 딥러닝을 기반으로 강수량 예측을 수행하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    강수 이미지에 포함된 픽셀의 강수값에 대한 스케일을 변환하는 동작; 및
    신경망 모델을 사용하여, 상기 스케일이 변환된 픽셀의 강수값을 기초로 상기 픽셀에 대한 미래 시점의 강수량을 예측하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장매체에 저장된 컴퓨터 프로그램.
  9. 딥러닝을 기반으로 강수량 예측을 수행하는 컴퓨팅 장치로서,
    적어도 하나의 코어를 포함하는 프로세서;
    상기 프로세서에서 실행 가능한 프로그램 코드들을 포함하는 메모리; 및
    강수 이미지를 수신하는 네트워크부;
    를 포함하고,
    상기 프로세서는,
    상기 강수 이미지에 포함된 픽셀의 강수값에 대한 스케일을 변환하고,
    신경망 모델을 사용하여, 상기 스케일이 변환된 픽셀의 강수값을 기초로 상기 픽셀에 대한 미래 시점의 강수량을 예측하는,
    장치.
PCT/KR2022/019207 2021-12-02 2022-11-30 딥러닝 기반의 강수량 예측 방법 WO2023101417A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2021-0170689 2021-12-02
KR1020210170689A KR102457893B1 (ko) 2021-12-02 2021-12-02 딥러닝 기반의 강수량 예측 방법

Publications (1)

Publication Number Publication Date
WO2023101417A1 true WO2023101417A1 (ko) 2023-06-08

Family

ID=83805796

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2022/019207 WO2023101417A1 (ko) 2021-12-02 2022-11-30 딥러닝 기반의 강수량 예측 방법

Country Status (2)

Country Link
KR (1) KR102457893B1 (ko)
WO (1) WO2023101417A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102457893B1 (ko) * 2021-12-02 2022-10-24 주식회사 에스아이에이 딥러닝 기반의 강수량 예측 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10288674A (ja) * 1997-04-16 1998-10-27 Nippon Telegr & Teleph Corp <Ntt> 降水パターン変化予測方法および装置
KR20170140662A (ko) * 2016-06-13 2017-12-21 주식회사 바이텍코리아 영상 처리를 이용한 강수 관측 시스템, 및 방법
KR102308751B1 (ko) * 2021-02-19 2021-10-05 주식회사 에스아이에이 딥러닝 기반의 강수량 예측 방법
KR102457893B1 (ko) * 2021-12-02 2022-10-24 주식회사 에스아이에이 딥러닝 기반의 강수량 예측 방법

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10025983B2 (en) * 2015-09-21 2018-07-17 The Climate Corporation Ponding water detection on satellite imagery
KR101858339B1 (ko) * 2016-04-18 2018-06-28 주식회사 월드텍 카메라를 이용한 기상관측 장치 및 이를 제어하는 방법
CN113196287A (zh) * 2018-12-21 2021-07-30 克莱米特公司 应季田地级产量预报
KR20200087347A (ko) * 2018-12-31 2020-07-21 부산대학교 산학협력단 Tsn을 이용한 도로 감시 카메라 영상의 강우량 인식방법 및 장치
KR102063358B1 (ko) * 2019-10-22 2020-03-02 (주)한국해양기상기술 고해상도 기상기후데이터를 생성하기 위한 학습 방법 및 테스트 방법, 이를 이용한 테스트 방법 및 테스트 장치
BR112022020352A2 (pt) * 2020-04-08 2022-11-22 Basf Agro Trademarks Gmbh Método para estimar a distribuição de precipitação para uma região geográfica, usos de dados de distribuição de precipitação, equipamento agrícola, sistema para estimar a distribuição de precipitação para uma região geográfica e elemento de programa de computador

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10288674A (ja) * 1997-04-16 1998-10-27 Nippon Telegr & Teleph Corp <Ntt> 降水パターン変化予測方法および装置
KR20170140662A (ko) * 2016-06-13 2017-12-21 주식회사 바이텍코리아 영상 처리를 이용한 강수 관측 시스템, 및 방법
KR102308751B1 (ko) * 2021-02-19 2021-10-05 주식회사 에스아이에이 딥러닝 기반의 강수량 예측 방법
KR102457893B1 (ko) * 2021-12-02 2022-10-24 주식회사 에스아이에이 딥러닝 기반의 강수량 예측 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
LI, ZHUN; HYEON, JONGHWAN; CHOI, HO-JIN: "Rainfall Recognition from Road Surveillance Videos Using TSN", JOURNAL OF KOREAN SOCIETY FOR ATMOSPHERIC ENVIRONMENT, vol. 34, no. 5, 1 October 2018 (2018-10-01), pages 735 - 747, XP009546786, ISSN: 1598-7132, DOI: 10.5572/KOSAE.2018.34.5.735 *

Also Published As

Publication number Publication date
KR102457893B1 (ko) 2022-10-24

Similar Documents

Publication Publication Date Title
WO2022164230A1 (ko) 심전도 신호 기반의 만성질환 예측 방법
KR102313626B1 (ko) 신경망을 학습시키는 방법
KR102283523B1 (ko) 인공지능 서비스를 제공하기 위한 방법
KR20210107584A (ko) 학습 데이터 관리 방법
WO2022119162A1 (ko) 의료 영상 기반의 질환 예측 방법
KR102478076B1 (ko) 음성 인식 오류 검출을 위해 학습 데이터를 생성하기 위한 방법
WO2022265292A1 (ko) 비정상 데이터 검출 방법 및 장치
WO2022255564A1 (ko) 생체신호 분석 방법
WO2023101417A1 (ko) 딥러닝 기반의 강수량 예측 방법
KR20210074269A (ko) 입력 데이터의 처리를 위한 최적의 어노말리 감지 모델 결정 방법
WO2023027277A1 (ko) 신경망 모델의 다양성을 위한 학습 방법
WO2023027279A1 (ko) 화학구조 내부 원자의 키나아제 결합여부 예측 방법
KR102437396B1 (ko) 모델 학습 방법
KR102364882B1 (ko) 객체 검출 방법
KR20220003989A (ko) 피처 셋 정보에 기초한 전이 학습 방법
KR20220029366A (ko) 모델 학습 방법
WO2023027280A1 (ko) 항원 결정기 후보 도출 방법
WO2023027278A1 (ko) 커리큘럼 기반의 능동적 학습 방법
WO2023120766A1 (ko) 인공신경망 기반의 특성 곡선 예측 방법
KR20220057268A (ko) 신경망을 이용한 특허 문서 분류 방법, 장치 및 컴퓨터 프로그램
WO2023008811A2 (ko) 신경망 모델을 이용한 마스크 착용 얼굴 이미지 복원 방법
KR102437285B1 (ko) 모호한 라벨을 이용한 객체 예측 모델 학습 방법
WO2022050578A1 (ko) 질환 판단 방법
WO2023177138A1 (ko) 게임 런칭 전 사전예약 접속 규모를 예측하는 방법 및 장치
WO2022164133A1 (ko) 의료 영상의 병변 평가 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22901775

Country of ref document: EP

Kind code of ref document: A1