[논문]딥러닝 기반 침수 수위 예측: 미국 텍사스 트리니티강 사례연구

트란 광 카이; 송사광

doi:10.5626/jok.2017.44.6.607

초록
AI-Helper

도시에서 홍수 피해를 방지하기 위한 침수를 예측하기 위해 본 논문에서는 딥러닝(Deep Learning) 기법을 적용한다. 딥러닝 기법 중 시계열 데이터 분석에 적합한 Recurrent Neural Networks (RNNs)을 활용하여 강의 수위 관측 데이터를 학습하고 침수 가능성을 예측하였다. 예측 정확도 검증을 위해 사용한 데이터는 미국의 트리니티강의 데이터로, 학습을 위해 2013 년부터 2015 년까지 데이터를 사용하였고 평가 데이터로는 2016 년 데이터를 사용하였다. 입력은 16개의 레코드로 구성된 15분단위의 시계열 데이터를 사용하였고, 출력으로는 30분과 60분 후의 강의 수위 예측 정보이다. 실험에 사용한 딥러닝 모델들은 표준 RNN, RNN-BPTT(Back Propagation Through Time), LSTM(Long Short-Term Memory)을 사용했는데, 그 중 LSTM의 NE(Nash Efficiency)가 0.98을 넘는 정확도로 기존 연구에 비해 매우 높은 성능 향상을 보였고, 표준 RNN과 RNN-BPTT에 비해서도 좋은 성능을 보였다.

Abstract ▼ AI-Helper

This paper presents an attempt to apply Deep Learning technology to solve the problem of forecasting floods in urban areas. We employ Recurrent Neural Networks (RNNs), which are suitable for analyzing time series data, to learn observed data of river water and to predict the water level. To test the...

This paper presents an attempt to apply Deep Learning technology to solve the problem of forecasting floods in urban areas. We employ Recurrent Neural Networks (RNNs), which are suitable for analyzing time series data, to learn observed data of river water and to predict the water level. To test the model, we use water observation data of a station in the Trinity river, Texas, the U.S., with data from 2013 to 2015 for training and data in 2016 for testing. Input of the neural networks is a 16-record-length sequence of 15-minute-interval time-series data, and output is the predicted value of the water level at the next 30 minutes and 60 minutes. In the experiment, we compare three Deep Learning models including standard RNN, RNN trained with Back Propagation Through Time (RNN-BPTT), and Long Short-Term Memory (LSTM). The prediction quality of LSTM can obtain Nash Efficiency exceeding 0.98, while the standard RNN and RNN-BPTT also provide very high accuracy.

Keyword

참고문헌 (13)

B. Bazartseren, G. Hildebrandt, K. P. Holz, "Shortterm water level prediction using neural networks and neuro-fuzzy approach," Neurocomputing, Vol. 55, No. 3, pp. 439-450, 2003.

상세보기
F. J. Chang, P. A. Chen, Y. R. Lu, E. Huang, K. Y. Chang, "Real-time Multi-Step-Ahead Water Level Forecasting by Recurrent Neural Networks for Urban Flood Control," Journal of Hydrology, Vol. 517, pp. 836-846, 2014.

상세보기
A. Graves, J. Schmidhuber, "Framewise Phoneme Classification with Bidirectional LSTM and Other Neural Network Architectures," Neural Networks, Vol. 18, No. 5, pp. 602-610, 2005.

상세보기
K. Greff, R. K. Srivastava, J. Koutnik, B. R. Steunebrink, J. Schmidhuber, "LSTM: A Search Space Odyssey," IEEE Transactions on Neural Networks and Learning Systems, Vol. PP, Issue 99, 2016.
Z. He, X. Wen, H. Liu, J. Du, "A Comparative Study of Artificial Neural Network, Adaptive Neuro Fuzzy Inference System and Support Vector Machine for Forecasting River Flow in the Semiarid Mountain Region," Journal of Hydrology, Vol. 509, pp. 379-386, 2014.

상세보기
N.Q. Hung, M.S. Babel, S. Weesakul, N.K. Tripathi, "An Artificial Neural Network Model for Rainfall Forecasting in Bangkok, Thailand," Hydrology and Earth System Sciences, Vol. 13, No. 8, pp. 1413-1425, 2009.

상세보기
S. Hochreiter, J. Schmidhuber, "Long Short Term Memory," Neural Computation, Vol. 9, No. 8, pp. 1735-1780, 1997.

상세보기
S. Hochreiter, "The Vanishing Gradient Problem During Learning Recurrent Neural Nets and Problem Solutions," International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, Vol. 6, No. 02, pp. 107-116, 1998.

상세보기
Y. LeCun, Y. Bengio, G. Hinton, "Deep Learning," Nature, Vol. 521, No. 7553, pp. 436-444, 2015.

상세보기
D. E. Rumelhart, G. Hinton, R. J. Williams, "Learning Representations by Back-propagating Errors," Cognitive Modeling, Vol. 5, No. 3, p. 213-220, 1988.
P. J. Werbos, "Backpropagation Through Time: What It Does and How To Do It," Proc. of the IEEE, Vol. 78, No. 10, pp. 1550-1560, 1990.

상세보기
Theano [Online]. Available: http://deeplearning.net/software/theano/ (last accessed: Sep. 2016)
USGS-WaterWatch [Online]. Available: http://waterwatch.usgs.gov/index.php?mflood&rtx&wmap (last accessed: Sep. 2016)

이 논문을 인용한 문헌

저자의 다른 논문 :

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

[국내논문] 딥러닝 기반 침수 수위 예측: 미국 텍사스 트리니티강 사례연구
Water Level Forecasting based on Deep Learning: A Use Case of Trinity River-Texas-The United States

초록
AI-Helper

Abstract ▼ AI-Helper

Keyword

참고문헌 (13)

이 논문을 인용한 문헌

저자의 다른 논문 :

활용도 분석정보

활용도 Top5 논문

관련 콘텐츠

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 딥러닝 기반 침수 수위 예측: 미국 텍사스 트리니티강 사례연구 Water Level Forecasting based on Deep Learning: A Use Case of Trinity River-Texas-The United States

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

Keyword

참고문헌 (13)

이 논문을 인용한 문헌

저자의 다른 논문 :

송사광 (23)

활용도 분석정보

활용도 Top5 논문 더보기

관련 콘텐츠

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 딥러닝 기반 침수 수위 예측: 미국 텍사스 트리니티강 사례연구
Water Level Forecasting based on Deep Learning: A Use Case of Trinity River-Texas-The United States

초록
AI-Helper

활용도 Top5 논문