[논문]시계열 자료의 예측을 위한 자료 기반 신경망 모델에 관한 연구: 한강대교 수위예측 적용

유형주; 이승오; 최서혜; 박문형

doi:10.21729/ksds.2019.12.2.73

시계열 자료의 예측을 위한 자료 기반 신경망 모델에 관한 연구: 한강대교 수위예측 적용
A Study on the Data Driven Neural Network Model for the Prediction of Time Series Data: Application of Water Surface Elevation Forecasting in Hangang River Bridge 원문보기

한국방재안전학회논문집 = Journal of Korean Society of Disaster and Security, v.12 no.2, 2019년, pp.73 - 82

유형주 (홍익대학교 토목공학과) , 이승오 (홍익대학교 토목공학과) , 최서혜 (한국건설기술연구원 국토연구보전 본부) , 박문형 (한국건설기술연구원 국토연구보전 본부)

초록
AI-Helper

최근 이상기후로 인한 집중호우에 따른 하천변 사회기반시설의 침수피해가 증가하고 있으며, 침수 가능성 여부에 대한 신속한 예 경보가 필요한 실정이다. 일반적인 홍수 예 경보는 하천수위를 이용하고 있으며, 수치모형을 이용하여 하천수위를 예측하는 연구가 대부분이었다. 그러나 수치모형을 이용한 하천수위 예측은 결과가 정확한 반면 수치모의 시간이 오래 소요된다는 한계점이 있어 최근에는 인공신경망 등을 적용한 자료기반의 수위예측 모형이 많이 이용되고 있다. 하지만 기존의 인공신경망을 활용한 수위예측 연구는 시간적 매개변수를 고려하지 못하였다는 한계점이 존재한다. 본 연구에서는 시간적 매개변수(Time delay= 2시간)를 고려한 NARX 신경망 모형을 사용하여 한강대교의 수위를 예측하였다. 또한 NARX 모형의 적합성을 판단하기 위하여 인공신경망(ANN) 모형과, 순환신경망(RNN)모형의 결과와 비교하였다. 2009년에서 2018년까지 10년간의 수문자료를 이용하여 70%를 학습시키고 검정과 평가에 15%를 사용하여 2018년의 한강대교 3시간 후 수위를 예측한 결과 평균제곱근오차(RMSE)의 경우 ANN, RNN, NARX model이 각각 0.20 m, 0.11 m, 0.09 m, 평균절대오차(MAE)의 경우, 각각 0.12 m, 0.06 m, 0.05 m, 첨두수위 오차(Peak Error)는 각각 1.56 m, 0.55 m, 0.10 m로 나타났다. 연구 대상지역에 대한 시간적 매개변수를 고려한 예측 결과의 오차분석을 통하여 NARX 신경망 모형을 사용하는 것이 수위예측 모형 구축이 가장 적합한 것으로 나타났다. 이는 NARX 신경망 모형이 과거의 입력자료를 고려함으로써 시계열 자료의 변동 추세도 학습 할 수 있으며, 또한 모형 내 활성함수를 쌍곡선탄젠트(Hyperbolic tangent) 및 Rectified Linear Unit(ReLU) 함수를 사용하여 고수위 예측 시에도 정확한 예측 값을 도출할 수 있기 때문이다. 그러나 NARX 신경망 모형은 시퀀스 길이가 길어짐에 따라 기울기 소실문제(Vanishing gradient)가 발생하는 한계점이 있어 향후에는 이를 보완한 LSTM(Long Short Term Model)모형을 이용하여 수위예측의 정확도를 검토하고자 한다.

Abstract ▼ AI-Helper

Recently, as the occurrence frequency of sudden floods due to climate change increased, the flood damage on riverside social infrastructures was extended so that there has been a threat of overflow. Therefore, a rapid prediction of potential flooding in riverside social infrastructure is necessary for administrators. However, most current flood forecasting models including hydraulic model have limitations which are the high accuracy of numerical results but longer simulation time. To alleviate such limitation, data driven models using artificial neural network have been widely used. However, there is a limitation that the existing models can not consider the time-series parameters. In this study the water surface elevation of the Hangang River bridge was predicted using the NARX model considering the time-series parameter. And the results of the ANN and RNN models are compared with the NARX model to determine the suitability of NARX model. Using the 10-year hydrological data from 2009 to 2018, 70% of the hydrological data were used for learning and 15% was used for testing and evaluation respectively. As a result of predicting the water surface elevation after 3 hours from the Hangang River bridge in 2018, the ANN, RNN and NARX models for RMSE were 0.20 m, 0.11 m, and 0.09 m, respectively, and 0.12 m, 0.06 m, and 0.05 m for MAE, and 1.56 m, 0.55 m and 0.10 m for peak errors respectively. By analyzing the error of the prediction results considering the time-series parameters, the NARX model is most suitable for predicting water surface elevation. This is because the NARX model can learn the trend of the time series data and also can derive the accurate prediction value even in the high water surface elevation prediction by using the hyperbolic tangent and Rectified Linear Unit function as an activation function. However, the NARX model has a limit to generate a vanishing gradient as the sequence length becomes longer. In the future, the accuracy of the water surface elevation prediction will be examined by using the LSTM model.

주제어

표/그림 (10)

그림 Fig. 1. Structure of ANN model
그림 Fig. 2. Structure of NARX model
그림 Fig. 3. The tidal level at Incheon and water surface elevation at Hangang RIver Bridge in July 2011
그림 Fig. 4. Discrete fourier transform of water surface elevation, tidal level and precipitation in July 2011
그림 Fig. 5. Hidden layer sensitivity analysis result
그림 Fig. 6. Time delay sensitivity analysis result
표 Table 1. Input data characteristics
표 Table 2. Model setup
표 Table 3. Comparison of accuracy about ANN, RNN, and NARX model
그림 Fig. 7. The water surface elevation distribution (left) and scatter plot (right) according to neural network model

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 구축된 입력 자료를 ANN, RNN 및 NARX 모형을 통하여 학습시킨 후 예측 출력 결과 자료에 대한 통계분석을 통하여 모형의 정확도를 비교하고자 한다. 모형의 정확도 판단 지표로는 평균제곱근오차(Root Mean Square Error, RMSE)와 평균절대오차(Mean Absolute Error, MAE)를 사용하였으며, 각각의 오차 산정 식은 Eqs.
다만, 본 연구에서 사용한 순환신경망 모형 및 NARX 모형은 입력자료의 길이(Sequence Length)가 길 경우 기울기 소실(Vanishing gradient)문제가 발생하여 정확한 예측을 수행할 수 없다는 한계점이 있다. 이에 향후에는 NARX 모형의 기울기소실(Vanishing gradient) 문제를 해결한 Long-Short Term Method(LSTM)을 이용하고자 한다. 또한 다양한 활성함수(Activation function) 및 비용함수(Cost Function)를 고려하여 최적의 모형을 구축한다면 보다 정확도 높은 예측결과를 도출 할 수 있을 것으로 기대된다.

제안 방법

상관관계를 분석한 결과, 조위자료는 수위자료와 상관관계가 없는 것으로 확인된 반면, 강수량은 수위와 양의 상관관계를 가지는 것을 확인하여 수위 예측 시 강수량 자료만 이용하였다. NARX 모형에 사용되는 매개변수는 시간지연(Time delay)과 은닉층(Hidden Layer)의 개수가 있어 각각의 변수에 대하여 민감도 분석을 수행하였다. 최적의 값을 도출하기 위하여 매개변수 별 정확도 및 모의 소요시간을 비교하였고, 시간지연 2시간, 은닉층 7개일 때 가장 정확한 수위 예측이 가능하다고 확인하였다.
하천변 사회기반시설 침수에 가장 큰 영향을 미치는 하천수위는 조위, 강수량, 하천 유량 등 다양한 인자들에 의해 영향을 받을 수 있으며, 본 연구에서는 다양한 영향인자 중 한강대교 수위와 직접적으로 관련이 있는 인자는 인공신경망 모델 학습시 노이즈를 발생 시킬 수 있다고 판단하였다. 따라서 노이즈를 발생시킬 수 있는 하천 유량 자료는 제외하고 조위 자료와 강수량 자료에 대하여 상관성 분석을 수행하였다.
시간지연(Time Delay)의 경우, 2시간 이후부터는 평균제곱근 오차 값은 수렴하는 경향을 보인 반면, 예측 소요시간은 약2배 증가되는 것을 확인할 수 있다. 따라서 시간지연의 최적값은 2시간으로 판단하여 본 모의에서 최적값을 적용하여 한강대교 수위 예측을 수행하였다. Table 2는 본 모의수행 시에 사용하였던 변수 및 인자 들을 정리하였다.
따라서 본 연구에서는 시간 지연(Time delay)의 매개변수를 고려한 비선형 자기회귀 신경망 모형(Nonlinear Auto Regressive eXogenous model, NARX)을 사용하였다. 또한 다양한 수문 입력 자료를 사용하기 보다는 강수량 및 하천의 수위만을 사용하여 예측 모형을 구축하였다. 수위예측 시 NARX 모형의 적합성을 판단하기 위하여 인공신경망(Artificial Neural Network, ANN), 순환신경망(Recurrent Neural Network, RNN) NARX model을 이용하여 한강대교의 3시간 후 수위를 예측한 후 각각의 모형의 정확도를 비교하였다.
최적의 값을 도출하기 위하여 매개변수 별 정확도 및 모의 소요시간을 비교하였고, 시간지연 2시간, 은닉층 7개일 때 가장 정확한 수위 예측이 가능하다고 확인하였다. 민감도 분석을 통하여 산정된 최적 값을 통하여 인공신경망(ANN), 순환신경망(RNN) 및NARX 모형별 수위예측을 수행하였다. 입력자료의 경우, 70%를 학습에 검정과 평가에 각각 15%를 사용하여 각각의 모형의 평균제곱근오차와 평균절대오차를 비교하였다.
023로 두 인자는 상관관계가 없다는 것을 확인할 수 있었다. 반면, 강수량인자의 경우 수위와 Pearson 상관계수가 0.25로 약한 양의 상관관계를 가지는 것을 확인할 수 있어 최종적으로 수위예측을 위하여 강수량 자료를 활용하기로 하였다. 그러나 홍수피해의 조기예측을 위해서는 일강수량이 아닌 시강수량을 사용해야하고 이는 매끄러운 변화가 아닌 거친 변화를 보인다.
따라서 이를 그대로 사용해서 미분방정식 기반모델에 의거한 예측에 심각한 오류를 만들 수 있다. 보통 제어시스템이나 통계분야에선 이를 필터링하여서 사용하는데, 본연구에서는 3시간동안의 누적강우량을 사용하는 방식으로 필터링하였다.
Deep Learning Toolbox는 GUI(Graphic User Interface)를 제공하여 입력자료와 예측변량을 설정한 후모형 변수(Variable)로 은닉층(Hidden Layer) 개수와 시간지연(Time Delay)값을 설정하여 학습 및 예측을 수행한다. 본 연구에서의 예측 변량은 3시간 후의 수위이며, 민감도 분석을 통하여 은닉층 개수와 시간지연의 최적 값을 도출하였다(Fig. 5, Fig. 6).
또한 다양한 수문 입력 자료를 사용하기 보다는 강수량 및 하천의 수위만을 사용하여 예측 모형을 구축하였다. 수위예측 시 NARX 모형의 적합성을 판단하기 위하여 인공신경망(Artificial Neural Network, ANN), 순환신경망(Recurrent Neural Network, RNN) NARX model을 이용하여 한강대교의 3시간 후 수위를 예측한 후 각각의 모형의 정확도를 비교하였다.
예측변량은 한강대교의 3시간 후의 수위이며, 과거 10년간의 서울시 강수량, 인천 조위, 한강대교 수위자료를 수집하여 입력자료로 활용하였다. 수위예측 알고리즘 적용에 앞서 강수량, 수위 자료는 결측치가 존재하나, 결측치가 발생한 기간이 대부분 비강우시기 또는 동절기여서 각각의 자료 별 유의성을 위해 보간작업을 수행하였으며, 인자간의 상관관계를 분석하였다. 상관관계를 분석한 결과, 조위자료는 수위자료와 상관관계가 없는 것으로 확인된 반면, 강수량은 수위와 양의 상관관계를 가지는 것을 확인하여 수위 예측 시 강수량 자료만 이용하였다.
각각의 자료에는 결측치(Missing value)가 존재하였는데, 수위자료의 결측치는 주로 동절기에 있었다. 이 시기는 수위의 변동이 조위변화밖에 없어 선형보간(Linear Interpolation)을 수행하였다. 강수량 자료의 결측치는 비강우시기에 존재하여 이는 ‘0’으로 간주하였다.
전술한 바와 같이 본 연구에서는 NARX 모형의 수위예측 적합성 여부를 판단하기 위해서 기존에 주로 사용되는 인공신경망 모형(Artificial Neural Network model, ANN)과 순환신경망 모형(Recurrent Neural Network model, RNN)의 결과와 NARX 모형의 결과를 비교하였다. 입력자료를 분할하여 학습에 70%, 검정과 평가에 각각 15%씩 사용하여 한강대교 수위를 예측하고 그 성능을 평가하였다. Table 3은 각 모형의 평균제곱근오차(RMSE)와 평균절대오차(MAE), 첨두수위 오차(Peak Error) 및 결정계수(R²) 분석결과를 나타내고 있다.
전술한 바와 같이 본 연구에서는 NARX 모형의 수위예측 적합성 여부를 판단하기 위해서 기존에 주로 사용되는 인공신경망 모형(Artificial Neural Network model, ANN)과 순환신경망 모형(Recurrent Neural Network model, RNN)의 결과와 NARX 모형의 결과를 비교하였다. 입력자료를 분할하여 학습에 70%, 검정과 평가에 각각 15%씩 사용하여 한강대교 수위를 예측하고 그 성능을 평가하였다.
위 그래프는 2011년 7월의 조위와 한강대교의 수위를 도시한 것이다. 해당 시기는 중부권에 집중호우가 있었던 시기로, Fig. 3을 통하여 수위와 조위가 진동하고 있는 양상을 확인하였으며 정량적인 주파수 분석을 위하여 이산푸리에 변환(Discrete Fourier Transform, DFT)을 수행하였다.

대상 데이터

본 연구에서 NARX model을 통하여 수위예측시 학습에 사용된 자료는 과거 10년간(2009~2018년) 한강대교의 수위자료(관측지점: 경도 126° 57' 24'', 위도 37° 30' 52'')와 서울시의 강수량자료(관측지점: 경도 126° 57' 57.6'', 위도 37° 34'15.6'')로, 수위자료는 한강홍수통제소에서, 강수량자료는 기상청의 기상정보공개포털에서 확보하였다.
수위예측 알고리즘 적용에 앞서 강수량, 수위 자료는 결측치가 존재하나, 결측치가 발생한 기간이 대부분 비강우시기 또는 동절기여서 각각의 자료 별 유의성을 위해 보간작업을 수행하였으며, 인자간의 상관관계를 분석하였다. 상관관계를 분석한 결과, 조위자료는 수위자료와 상관관계가 없는 것으로 확인된 반면, 강수량은 수위와 양의 상관관계를 가지는 것을 확인하여 수위 예측 시 강수량 자료만 이용하였다. NARX 모형에 사용되는 매개변수는 시간지연(Time delay)과 은닉층(Hidden Layer)의 개수가 있어 각각의 변수에 대하여 민감도 분석을 수행하였다.
본 연구에서는 자료기반의 수위예측 알고리즘을 개발하기 위하여 인공신경망(ANN), 순환신경망(RNN) 및 NARX 모형을 활용하였다. 예측변량은 한강대교의 3시간 후의 수위이며, 과거 10년간의 서울시 강수량, 인천 조위, 한강대교 수위자료를 수집하여 입력자료로 활용하였다. 수위예측 알고리즘 적용에 앞서 강수량, 수위 자료는 결측치가 존재하나, 결측치가 발생한 기간이 대부분 비강우시기 또는 동절기여서 각각의 자료 별 유의성을 위해 보간작업을 수행하였으며, 인자간의 상관관계를 분석하였다.

데이터처리

본 연구에서는 구축된 입력 자료를 ANN, RNN 및 NARX 모형을 통하여 학습시킨 후 예측 출력 결과 자료에 대한 통계분석을 통하여 모형의 정확도를 비교하고자 한다. 모형의 정확도 판단 지표로는 평균제곱근오차(Root Mean Square Error, RMSE)와 평균절대오차(Mean Absolute Error, MAE)를 사용하였으며, 각각의 오차 산정 식은 Eqs. (2), (3)과 같다.
민감도 분석을 통하여 산정된 최적 값을 통하여 인공신경망(ANN), 순환신경망(RNN) 및NARX 모형별 수위예측을 수행하였다. 입력자료의 경우, 70%를 학습에 검정과 평가에 각각 15%를 사용하여 각각의 모형의 평균제곱근오차와 평균절대오차를 비교하였다. 그 결과 현재의 값만을 사용하는 인공신경망 모형의 경우 3시간 후 수위의 예측정확도는 평균제곱근오차는 0.
추가적으로 두 인자를 평균0, 분산1로 표준화 후 Pearson’s 상관계수(correlation coefficient)를 구하여 정량적으로 상관관계를 검토하였다.

이론/모형

NARX model을 이용하여 수위예측을 수행하기 위하여 Matlab(Mathworks, version R2019a)에서 제공하는 Deep Learning Toolbox를 활용하였다. Deep Learning Toolbox는 GUI(Graphic User Interface)를 제공하여 입력자료와 예측변량을 설정한 후모형 변수(Variable)로 은닉층(Hidden Layer) 개수와 시간지연(Time Delay)값을 설정하여 학습 및 예측을 수행한다.
따라서 본 연구에서는 시간 지연(Time delay)의 매개변수를 고려한 비선형 자기회귀 신경망 모형(Nonlinear Auto Regressive eXogenous model, NARX)을 사용하였다. 또한 다양한 수문 입력 자료를 사용하기 보다는 강수량 및 하천의 수위만을 사용하여 예측 모형을 구축하였다.
본 연구에서는 자료기반의 수위예측 알고리즘을 개발하기 위하여 인공신경망(ANN), 순환신경망(RNN) 및 NARX 모형을 활용하였다. 예측변량은 한강대교의 3시간 후의 수위이며, 과거 10년간의 서울시 강수량, 인천 조위, 한강대교 수위자료를 수집하여 입력자료로 활용하였다.
본 연구에서는 하천의 수위예측을 위한 인공신경망으로서 외생변수를 활용한 비선형 자기회귀 신경망 모형(Nonlinear Auto-Regressive eXogenous model, NARX)을 사용하였다. 기존의 인공신경망(Artificial Neural Network) 모형은 Fig.

성능/효과

RMSE와 MAE 모두 실제 관측 값과 예측 결과의 오차를 정량화하여 나타낸 지표로 값이 ‘0’에 가까울수록 실측값과 유사하게 재현된다는 것을 판단할 수 있다.
추가적으로 두 인자를 평균0, 분산1로 표준화 후 Pearson’s 상관계수(correlation coefficient)를 구하여 정량적으로 상관관계를 검토하였다. 그 결과 수위와 조위인자의 Pearson 상관계수는 0.023로 두 인자는 상관관계가 없다는 것을 확인할 수 있었다. 반면, 강수량인자의 경우 수위와 Pearson 상관계수가 0.
Table 3은 각 모형의 평균제곱근오차(RMSE)와 평균절대오차(MAE), 첨두수위 오차(Peak Error) 및 결정계수(R²) 분석결과를 나타내고 있다. 그 결과 외부입력을 재귀시키는 순환신경망 모형이 인공신경망 모형보다 높은 정확도를 보였고, 출력결과도 함께 재귀시키는 NARX 모형이 가장 높은 예측 정확도를 보여주는 것을 확인하였다.
입력자료의 경우, 70%를 학습에 검정과 평가에 각각 15%를 사용하여 각각의 모형의 평균제곱근오차와 평균절대오차를 비교하였다. 그 결과 현재의 값만을 사용하는 인공신경망 모형의 경우 3시간 후 수위의 예측정확도는 평균제곱근오차는 0.20 m, 평균절대오차는 0.12 m이며, 첨두수위의 오차(Peak error)는 1.56 m로 실측수위와 다소 상이한 예측결과를 나타내었다. 이에 반면 과거의 입력자료를 고려하는 순환신경망 모형의 경우 예측 정확도는 평균제곱근오차는 0.
55m로 인공신경망 모형보다 정확도 높은 것을 확인하였다. 그리고 과거의 출력을 함께 재귀시키는 NARX 모형이 평균제곱근오차 0.09 m, 절대평균오차 0.05 m 첨두수위 오차 0.10 m로 실측수위와 가장 유사한 예측결과를 나타내었다. 따라서 과거의 입력자료를 고려함으로써 시계열 자료의 변동 추세를 학습하며, 쌍곡선탄젠트(Hyperbolic tangent) 함수 및 Rectified Linear Unit(ReLU) 함수를 활성함수로 사용하는 NARX 모형이 본 연구대상인 한강대교의 수위를 예측할 때 가장 적합한인공신경망 모델이라고 판단하였다.
10 m로 실측수위와 가장 유사한 예측결과를 나타내었다. 따라서 과거의 입력자료를 고려함으로써 시계열 자료의 변동 추세를 학습하며, 쌍곡선탄젠트(Hyperbolic tangent) 함수 및 Rectified Linear Unit(ReLU) 함수를 활성함수로 사용하는 NARX 모형이 본 연구대상인 한강대교의 수위를 예측할 때 가장 적합한인공신경망 모델이라고 판단하였다. 다만, 본 연구에서 사용한 순환신경망 모형 및 NARX 모형은 입력자료의 길이(Sequence Length)가 길 경우 기울기 소실(Vanishing gradient)문제가 발생하여 정확한 예측을 수행할 수 없다는 한계점이 있다.
56 m로 실측수위와 다소 상이한 예측결과를 나타내었다. 이에 반면 과거의 입력자료를 고려하는 순환신경망 모형의 경우 예측 정확도는 평균제곱근오차는 0.20 m에서 0.11 m로 평균절대오차는 0.12 m에서 0.06 m로 오차가 감소하였으며, 첨두수위의 오차도 0.55m로 인공신경망 모형보다 정확도 높은 것을 확인하였다. 그리고 과거의 출력을 함께 재귀시키는 NARX 모형이 평균제곱근오차 0.
NARX 모형에 사용되는 매개변수는 시간지연(Time delay)과 은닉층(Hidden Layer)의 개수가 있어 각각의 변수에 대하여 민감도 분석을 수행하였다. 최적의 값을 도출하기 위하여 매개변수 별 정확도 및 모의 소요시간을 비교하였고, 시간지연 2시간, 은닉층 7개일 때 가장 정확한 수위 예측이 가능하다고 확인하였다. 민감도 분석을 통하여 산정된 최적 값을 통하여 인공신경망(ANN), 순환신경망(RNN) 및NARX 모형별 수위예측을 수행하였다.
하천변 사회기반시설 침수에 가장 큰 영향을 미치는 하천수위는 조위, 강수량, 하천 유량 등 다양한 인자들에 의해 영향을 받을 수 있으며, 본 연구에서는 다양한 영향인자 중 한강대교 수위와 직접적으로 관련이 있는 인자는 인공신경망 모델 학습시 노이즈를 발생 시킬 수 있다고 판단하였다. 따라서 노이즈를 발생시킬 수 있는 하천 유량 자료는 제외하고 조위 자료와 강수량 자료에 대하여 상관성 분석을 수행하였다.

후속연구

따라서 과거의 입력자료를 고려함으로써 시계열 자료의 변동 추세를 학습하며, 쌍곡선탄젠트(Hyperbolic tangent) 함수 및 Rectified Linear Unit(ReLU) 함수를 활성함수로 사용하는 NARX 모형이 본 연구대상인 한강대교의 수위를 예측할 때 가장 적합한인공신경망 모델이라고 판단하였다. 다만, 본 연구에서 사용한 순환신경망 모형 및 NARX 모형은 입력자료의 길이(Sequence Length)가 길 경우 기울기 소실(Vanishing gradient)문제가 발생하여 정확한 예측을 수행할 수 없다는 한계점이 있다. 이에 향후에는 NARX 모형의 기울기소실(Vanishing gradient) 문제를 해결한 Long-Short Term Method(LSTM)을 이용하고자 한다.
이에 향후에는 NARX 모형의 기울기소실(Vanishing gradient) 문제를 해결한 Long-Short Term Method(LSTM)을 이용하고자 한다. 또한 다양한 활성함수(Activation function) 및 비용함수(Cost Function)를 고려하여 최적의 모형을 구축한다면 보다 정확도 높은 예측결과를 도출 할 수 있을 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	NARX 모형의 특성은 무엇인가?	반면에, NARX 모형은 일반적인 인공신경망 구조와 달리 학습 시 도출되는 결과 출력 값이 다시 입력층의 입력 값으로 들어가 학습에 이용되는 피드백 구조를 가지고 있는 특징이 있어 자기상관성을 가지는 시계열(Time series)형태의 자료를 예측하는데 적합하다(Shen et al., 2013).
	하천변사회기반시설의 침수피해가 증가하는 이유는 무엇인가?	최근 이상기후로 인하여 국지성 집중호우의 발생빈도가 증가함에 따라 하천수위가 급격하게 상승하고 이로 인한 하천변사회기반시설의 침수피해가 증가하고 있다(Korea Meteorological Administration, 2017; Seoul Metropolitan Government,2016). 따라서 사회기반시설의 침수 가능성 여부에 대한 신속한 예·경보가 필요한 실정이다.
	기존의 수치모형의 한계를 극복하기 위해 현재 어떤 방법이 많이 사용되고 있는가?	이에 최근에는 방대한 양의 자료 수집이 가능해지고, 빅데이터 처리 기술이 발달함에 따라 인공신경망(Artificial Neural Network)등을 적용한 자료기반의 수위예측 모델이 많은 연구에서 사용되었다. Thirumalaiah and Deo(1998)은 신경망 모형의 3가지 알고리즘을 이용하여 홍수기 시 홍수위를 예측하고 분석을 통하여 종속상관알고리즘이 우수한 예측결과를 도출함을 확인하였으며, Chen et al.

저자의 다른 논문 :

LOADING...

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