[논문]수자원분야에서의 기계학습 적용(4)

한건연; 김현일

수자원분야에서의 기계학습 적용(4) 원문보기

물과 미래 : 한국수자원학회지 = Water for future, v.52 no.12, 2019년, pp.38 - 49

한건연 (경북대학교 토목공학과) , 김현일 (경북대학교 토목공학과)

초록이 없습니다.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

딥러닝에 대한 명확하고 보편적인 정의는 없지만, 일반적으로 대용량의 자료를 다루며 다량의 뉴런 및 다중 레이어를 가진 신경망, 다양한 수준의 표현과 특징 및 개념 추상화 계증, 큰 원시 데이터에서 직접 작업을 수행하는 신경망 및 그 부속 알고리듬을 의미한다(Shen, 2018). 딥러닝 기법은 기존의 문제들을 해결하기 위한 개선된 자료 전처리 기술과 새로운 아키텍처를 이용하여 기울기 소실로 인한 과적합과 다량의 자료를 처리하지 못하는 문제점을 해결하고자 연구되었다. 딥러닝의 성공은 효과적인 신경망 구조, 고차원 데이터에 대한 접근성 개선, 입력 벡터에 대한 정규화의 발전 및 새로운 내부적인 연산기법의 개발 등으로 가능하게 되었다.

가설 설정

학습을 반복하면서 활성화 함수에 동일한 가중치의 전치된 값을 곱하고, 입력 레이어에서 다시 변환해서 활성 함수를 얻는다. 그 다음, 훈련 과정에서 재구성된 데이터와 입력 데이터의 차이를 최소화하기 위해 가중치를 조정한다.

제안 방법

, 2006). DBNe 제한된 볼츠만 머신(RBM, Ristricted Bolzmann Machine)의 적층구조로, 숨겨진 레이어에 대한 확률적 예측과 통계적 재구성을 통해 입력 본 포를 재구성하는 방법을 이용하여 학습을 진행한다. (그림 4.
한다. 제시된 연구에서는 장기 예측에 적절한 방법론을 제공하는 것을 목표로 하고 있는데, 아일랜드 새넌강의 유량 및 수위 매개변수를 추정하기 위해서 1983~2013년부터 30년간의 도시 규모 분석, 데이터 융합 및 지식 데이터 분석의 세 단계 프레임워크를 그림 4.8에서와 같이 구성하였고 이를 위해서 딥러닝 기반의 CNN를 적용하였다 (Assem et al., 2017).

대상 데이터

4에서 보는 바와 같이 유량 및 수위 자료의 시계열 특성을 활용하여 딥러닝 CNN를 구축하였고, 새넌강 3개 지점에서 예즉된 결과를 기존의 4 가지 시계열 예측 모델(ANN, SVM, WANN 및 WSVM)과 비교할때 그 성능면에서 우수함을 보여주었다. 모델에 대한 입력은 30년 동안의 일일 시계열 자료(1983~2013년)의 조합으로 구성되며, 관측된 데이터 세트 (최대온도, 최소온도, 유량, 수위)로 나눌 수 있다. 제안된 솔루션은 향후 수자원 담당자들이 유용하게 적용할 수 있어야 하는데, 직관적으로 충분히 긴 시간에 걸친 자료를 수집하여 분석하여야 장래의 하천 흐름과 수위에 대한 정확도를 높일 수 있었다.

이론/모형

입력 자료는 강우량, 지속시간 별 최대 강우량, 강우 강도, 강우 분포의 표준편차, 왜도, 첨도, 무강우시간 사용될 수 있으며, 목표값은 수치해석 기반 1차원 프로그램 의총 누가 월류량 결과이다. 1차원 해석 프로그램은 SWMM 모형을 통해 산정할 수 있다. 심층신경망의 학습을 위한 경사 하강법은 ADAM 기법을 사용하며, 이는 이상치를 포함한 비선형적인 문제를 다루는데 효과적인 것으로 나타난다(Kingma et al.
직관적으로 충분히 긴 시간에 걸친 자료를 수집하여 분석하여야 장래의 하천 흐름과 수위에 대한 정확도를 높일 수 있다. 이 연구에서는 그림 4.9어서 확인할 수 있는 DeepCNN 기법을 이용하여 이를 해결하였다.

성능/효과

CNN과 RNN을 함께 고려한 연구들도 다양하게 수행되고 있으며 DeepMind에서 발표한 WaveNete CNN구조를 이용하여 시계열 데이터를 분석하는 연구로, RNW과 같은 순환형 연결을 포함하지 않고 합성곱 연산을 통하여 시계열에 포함된 문맥정보를 효과적으로 추출할 수 있음을 보였다. CNN과 RNN을 순차적으로 연결하여영상으로부터 추출한 유효한 정보를 문장으로 기술하는 영상캡션 생성을 위한 모델도 개발되었으며, 영상데이터의 시계열인 동영상 분석을 위하여 Recurrent CNN과 같이 CNN 모듈에 순환형 연결을 추가한 모델이나, CNN으로부터 추출된 특징을 LSTM과 같은 RNN 모듈이 입력으로 주어 순차적 정보를 분석하는 모델이 개발되고 있다.
3과 같다. 예측 결과는SWMM 결과와 비교되며, 모의 결과와의 잔차를산정하였을 때에 CASE3 입력자료 조건에서 모의 결과와 가장 근사하게 예측 되었다. 이는 목표값에 대하여 비교적 높은 양의 상관관계를 나타내는 입력 자료조합이 딥러닝 모형의 학습에 적합한 것으로 나타났으며, 예측모형 구축 시에 자료 간의 상관성 분석이 사전에 실시되어야 함을 보여준다.
7에 나타나 있으며, 침수예측 결과는 2차원 홍수해석 모의결과와 비교 된다. 입력 자료 조건 별 침수예측 결과를 비교 하였을 때에 CASE 1, 2, 3에서 각각 침수면적의 적합도가 84.54%, 91.03%, 80.3%으로 나타났으며, 침수면적의 적합도는 침수예측결과와 2차원 해석결과에서 공통적으로 나타나는 침수 격자의 비율을 총 침수 격자 내에서 산정한 값이다. 총 누가 월류량을 예측하는 데에 CASE3에서 가장 잔차가 낮은 결과를 나타내었지만, 침수 지도의 예측 면에서 CASE2 입력 자료조건이 가장 적합하게 나타났다.
모델에 대한 입력은 30년 동안의 일일 시계열 자료(1983~2013년)의 조합으로 구성되며, 관측된 데이터 세트 (최대온도, 최소온도, 유량, 수위)로 나눌 수 있다. 제안된 솔루션은 향후 수자원 담당자들이 유용하게 적용할 수 있어야 하는데, 직관적으로 충분히 긴 시간에 걸친 자료를 수집하여 분석하여야 장래의 하천 흐름과 수위에 대한 정확도를 높일 수 있었다.
3%으로 나타났으며, 침수면적의 적합도는 침수예측결과와 2차원 해석결과에서 공통적으로 나타나는 침수 격자의 비율을 총 침수 격자 내에서 산정한 값이다. 총 누가 월류량을 예측하는 데에 CASE3에서 가장 잔차가 낮은 결과를 나타내었지만, 침수 지도의 예측 면에서 CASE2 입력 자료조건이 가장 적합하게 나타났다. 1-2차원이 연계된 홍수해석을 실시하는데 총 64분 소요되었지만, 딥러닝 기반 침수예측을 수행하는데 5초 내외로 산정되어 실시간 홍수 대응을 위한 기법으로 유용하게 사용될 수 있을 것으로 보인다.
표 4.4에서 보는 바와 같이 유량 및 수위 자료의 시계열 특성을 활용하여 딥러닝 CNN를 구축하였고, 새넌강 3개 지점에서 예즉된 결과를 기존의 4 가지 시계열 예측 모델(ANN, SVM, WANN 및 WSVM)과 비교할때 그 성능면에서 우수함을 보여주었다. 모델에 대한 입력은 30년 동안의 일일 시계열 자료(1983~2013년)의 조합으로 구성되며, 관측된 데이터 세트 (최대온도, 최소온도, 유량, 수위)로 나눌 수 있다.

후속연구

총 누가 월류량을 예측하는 데에 CASE3에서 가장 잔차가 낮은 결과를 나타내었지만, 침수 지도의 예측 면에서 CASE2 입력 자료조건이 가장 적합하게 나타났다. 1-2차원이 연계된 홍수해석을 실시하는데 총 64분 소요되었지만, 딥러닝 기반 침수예측을 수행하는데 5초 내외로 산정되어 실시간 홍수 대응을 위한 기법으로 유용하게 사용될 수 있을 것으로 보인다.
수리 . 수문학 분야에서는 비교적 점진적으로 확대 사용되고 있는 것으로 보이며, 딥러닝이 자료 추출, 이미지인식, 연속적인 자료에 대한 분석에 탁월한 것을감안하면 지속적으로 수자원 분야에 유용하게 응용될 수 있을 것으로 보인다.

참고문헌 (21)

Assem, H., Ghariba, S., Makrai, G., Johnson, P., Gill, L., and Pilla, F., (2017). Urban Water Flow and Water Level Prediction based on Deep Learning, Springer.
Granata, F., Gargano, R. and Marinis, G. (2016). Support Vector Regression for Rainfall-Runoff Modeling in Urban Drainage: A Comparison with the EPA's Storm Water Management Model. Water, Vol. 8, No. 3, doi:10.3390/w8030069.

상세보기
Greff, K., Srivastava, R.K., Koutnik, J., Steunebrink, B. R., and Schmidhuber, J. (2015). LSTM : A search space odyssey. Retrieved from https://arxiv.org.abs.1503.04069.
Glorot, X., Bordes, A., and Bengio, Y. (2011). Deep Sparse Rectifier Neural Networks. 14th International Conference on Artificial Inteligence and Statistics(AISTATS), Fort Lauderdale, FL, USA, Vol. 15.
Hinton, G.E., and Salakhutdinov, R.R. (2006). Reducing the Dimensionality of Data with Neural Networks. Science, Vol. 313, No. 5786, pp. 504-507.

상세보기
Hochreiter, S., Y. Bengio, P. Frasconi, and Schmidhuber, J. (2001). Gradient Flow in Recurrent Nets: the Difficulty of Learning Long-Term Dependencies, in A Field Guide to Dynamical Recurrent Neural Networks, edited by S. C. Kremer and J. F. Kolen, IEEE Press.
Huber, W.C., and Dickson, R.E. (1988). Storm Water Management Model. User's Manual ver. 4, U.S. EPA.
Hu, C., Wu, Q., Li, H., Jian, S., Li, N. and Lou, Z. (2018). Deep Learning with a Long Short-Term Memory Networks Approach for Rainfall-Runoff Simulation. Water, Vol. 10, No. 11, doi.org/10.3390/w10111543.

상세보기
Kim, H.I., Keum, H.J. and Han, K.Y. (2018). Application and Comparison of Dynamic Artificial Neural Networks for Urban Inundation Analysis. Journal of the Korean Society of Civil Engineers, Vol. 38, No. 5, pp. 671-683.
Kim, H.I., Lee,J.Y., Han,H.Y., and Jo,J.W.(2020) Applying Observed Rainfall and Deep Neural Network for Urban Flood Analysis, J.of Korea Society of Hazarrd Mitigation, Vol.20,No.1 Cacceptid for Publication).
Kingma, D.P., and Ba, J.L. (2015). ADAM : A Method for Stochastic Optimization. ICLR.
Li X., and Willems, P. (2018). A Data-Driven Hybrid Urban Flood Modeling Approach. EPiC Series in Engineering, HIC 2018, 13th International Conference on Hydroinformatics, Vol. 3, pp. 1193-1200.
Mozer, M.C. (2007). A Focused Backpropagation Algorithm for Temporal Pattern Recognition, in Complex Systems (3), edited by Y. Chauvin and D. E. Rumelhart, pp. 349-381, L. Erlbaum Associates Inc., Hillsdale, NJ.
Remesan, R., and Mathew, J. (2015). Hydrological Data Driven Modeling. Springer, Earth System Data and Models.
Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., and Salakhutdinov, R. (2014). Dropout: A Simple Way to Prevent Neural Network from Overfitting. Journal of Machine Learning Research, Vol. 15, pp. 1929-1958.
Seoul Metropolitan City. (2015). Comprehensive Plan for Storm and flood Damage Reduction. Korea, Vol. 1, Chapter 3, pp.374-375.
Shen, C. (2018). A Transdisciplinary Review of Deep Learning Research and Its Relevance for Water Resources Scientists. Water Resources Research, Vol. 54, doi:10.1029/2018WR022643.

상세보기
Son, A.L., Kim, B.H. and Han, K. Y. (2015). A study on prediction of inundation area considering road network in urban area. Journal of the Korean Society of Civil Eng., Vol. 35, No. 2, pp.307-318.

원문보기 상세보기
Srivastava, N., G. Hinton, A. Krizhevsky, I. Sutskever, and R. Salakhutdinov (2014). Dropout: A Simple Way to Prevent Neural Networks from Overfitting, J. Mach. Learn. Res., 15, 1929-1958.
Trottenberg, U., Oosterlee, C., and Schuller, A. (2000). Multigrid, Academic Press.
Zhou, J., Peng, T., Zhang, C. and Sun, N. (2018). Data Pre-Analysis and Ensemble of Various Artificial Neural Networks for Monthly Streamflow Forecasting. Water, Vol. 10, No. 5, doi:10.3390/w10050628.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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