[논문]물 사용량 예측을 위한 선형 모형과 딥러닝 알고리즘의 비교 분석

김종성; 김동현; 왕원준; 이하늘; 이명진; 김형수

doi:10.3741/jkwra.2021.54.s-1.1083

물 사용량 예측을 위한 선형 모형과 딥러닝 알고리즘의 비교 분석
Comparative analysis of linear model and deep learning algorithm for water usage prediction 원문보기

Journal of Korea Water Resources Association = 한국수자원학회논문집, v.54 no.12 suppl., 2021년, pp.1083 - 1093

김종성 (인하대학교 수자원시스템 연구소) , 김동현 (인하대학교 사회인프라공학과) , 왕원준 (인하대학교 사회인프라공학과) , 이하늘 (인하대학교 사회인프라공학과) , 이명진 (인하대학교 수자원시스템 연구소) , 김형수 (인하대학교 사회인프라공학과)

초록
AI-Helper

물 사용량 예측은 최적의 용수 공급 운영 방안을 수립하고 전력 소비량 절감을 위하여 꼭 필요한 과정이라고 할 수 있다. 그러나 수용가 단위의 물 사용량은 용도, 사용자의 패턴, 날씨 등의 다양한 요인으로 인해 변화하는 비선형적 특성을 지니고 있다. 따라서 본 연구에서는 비선형적인 수용가 단위의 물 사용량을 예측하기 위하여 다양한 기법들을 연계한 KWD 프레임워크를 제안하고자 하였다. 즉, 먼저 개별 수용가 마다 용도에 따른 유사한 패턴을 파악하기 위해 K-means (K) 군집분석을 수행하였고, 잡음성분을 제거함으로써 핵심적인 주기패턴을 파악하기 위해 Wavelet (W) 방법을 적용하였다. 또한 비선형적 특성을 학습시키기 위해 Deep learning (D) 알고리즘을 적용하였다. 그리고 기존의 선형 시계열 모형인 ARMA 모형과 비교하여 KWD 프레임워크의 성능을 분석하였다. 그 결과 제안된 모형의 상관성은 92%, ARMA 모형은 약 39%로 KWD 프레임워크가 2배 이상의 성능을 가지는 것으로 분석되었다. 따라서 본 연구에서 제안한 방법을 활용할 경우 정확한 물 사용량 예측이 가능해질 것이며, 상황에 따른 최적의 공급 방안을 수립할 수 있을 것이다.

Abstract ▼ AI-Helper

It is an essential to predict water usage for establishing an optimal supply operation plan and reducing power consumption. However, the water usage by consumer has a non-linear characteristics due to various factors such as user type, usage pattern, and weather condition. Therefore, in order to predict the water consumption, we proposed the methodology linking various techniques that can consider non-linear characteristics of water use and we called it as KWD framework. Say, K-means (K) cluster analysis was performed to classify similar patterns according to usage of each individual consumer; then Wavelet (W) transform was applied to derive main periodic pattern of the usage by removing noise components; also, Deep (D) learning algorithm was used for trying to do learning of non-linear characteristics of water usage. The performance of a proposed framework or model was analyzed by comparing with the ARMA model, which is a linear time series model. As a result, the proposed model showed the correlation of 92% and ARMA model showed about 39%. Therefore, we had known that the performance of the proposed model was better than a linear time series model and KWD framework could be used for other nonlinear time series which has similar pattern with water usage. Therefore, if the KWD framework is used, it will be possible to accurately predict water usage and establish an optimal supply plan every the various event.

주제어

표/그림 (18)

그림 Fig. 1. The concept of discrete wavelet transformation
그림 Fig. 2. The structure of deep neural network
그림 Fig. 3. The process for water usage prediction
그림 Fig. 4. Study area
그림 Fig. 5. Calinsku-Harabasz and WSS Index
표 Table 1. The data type of variables
그림 Fig. 6. The result of K-means clustering
그림 Fig. 7. Decomposition of water usage time series using DWT
표 Table 2. Average value of diameter and total water usage for each group
그림 Fig. 8. Comparison of raw and denoised time series
그림 Fig. 9. Box plots of input data
그림 Fig. 10. The result of optimization (training)
그림 Fig. 11. the structure of optimal ARMA Model using stepwise
그림 Fig. 12. Time series of training result
표 Table 3. The parameter of DNN model
그림 Fig. 13. Time series of test result
표 Table 4. Evaluation for each model (training data)
표 Table 5. Evaluation for each model (test data)

참고문헌 (21)

Abbaszadeh, P. (2016). "Improving hydrological process modeling using optimized threshold-based wavelet de-noising technique." Water Resources Management, Vol. 30, No. 5, pp. 1701-1721.

상세보기
Altunkaynak, A., and Nigussie, T.A. (2017). "Monthly water consumption prediction using season algorithm and wavelet transform-based models." Journal of Water Resources Planning and Management, Vol. 143, No. 6, 04017011.

상세보기
Alvisi, S., Franchini, M., and Marinelli, A. (2007). "A short-term, pattern-based model for water-demand forecasting." Journal of Hydroinformatics, Vol. 9, No. 1, pp. 39-50.

상세보기
Arthur, D., and Vassilvitskii, S. (2006). "How slow is the k-means method?." Proceedings of The Twenty-second Annual Symposium on Computational Geometry, ACM, New York, NY, U.S., pp. 144-153.
Atsalakis, G., Minoudaki, C., Markatos, N., Stamou, A., Beltrao, J., and Panagopoulos, T. (2007). "Daily irrigation water demand prediction using adaptive neuro-fuzzy inferences systems (anfis)." Proceeding 3rd IASME/WSEAS International Conference on Energy, Environment, Ecosystems and Sustainable Development, WSEAS, Agios Nikolaos, Greece.
Choi, G.S., Yu, C., Jin, R.M., Yu, S.K., and Chun, M.G. (2009). "Short-term water demand forecasting algorithm using AR model and MLP." Journal of Korean Institute of Intelligent Systems, Vol. 19, No. 5, pp.713-719.

원문보기 상세보기
Choi, J.H., and Kim, J.B. (2018). "Analysis of water consumption data from smart water meter using machine learning and deep learning algorithms." Journal of the Institute of Electronics and Information Engineers, Vol. 55, No. 7, pp. 31-39.

상세보기
Chun, B., Lee, T., Kim, S., Kim, J., Jang, K., Chun, J., Jang, W.S., Shin, Y. (2020). "Estimation of DNN-based Soil moisture at mountainous regions." Journal of The Korean Society of Agricultural Engineers, Vol. 62, No. 5, pp. 93-103.

원문보기 상세보기
Firat, M., Turan, M.E., and Yurdusev, M.A. (2010). "Comparative analysis of neural network techniques for predicting water consumption time series." Journal of hydrology, Vol. 384, No. 1-2, pp. 46-51.

상세보기
Han, S.M., Hwang, G.S., Choe, S.Y., and Park, J.W. (2014). "A study on classifying algorithm of disaster recovery resources using statistical method." Journal of Korean Society of Hazard Mitigation, Vol. 14, No. 1, pp. 49-58.

원문보기 상세보기
Intelligence, G.W., Yearbook, I.D., Summit, G.W., and Card, R. (2011). "Global water intelligence." Global Water Intelligence, Vol. 12, No. 10, pp. 1-72.
Kim, D., Kim, J., Kwak, J., Necesito, I.V., Kim, J., and Kim, H.S. (2020a). "Development of water level prediction models using deep neural network in mountain wetlands." Journal of Wetlands Research, Vol. 22, No. 2, pp. 106-112.

원문보기 상세보기
Kim, D., Kim, J., Wang, W., Lee, J., Jung, J., and Kim, H.S. (2020b). "Analysis of morphological characteristics of collapsed reservoirs in Korea." Journal of the Korean Society of Hazard Mitigation, Vol. 20, No. 5, pp. 207-216.

상세보기
Koo, J.Y., Yu, M.J., Kim, S.G., Shim, M.H., and Akira, K. (2005). "Estimation of long-term water demand by principal component and cluster analysis and practical application." Journal of Korean Society of Environmental Engineers, Vol. 27, No. 8, pp. 870-876.
Kwon, H.H., Kim, M.J., and Kim, O.G. (2012). "A development of water demand forecasting model based on Wavelet transform and Support vector machine." Journal of Korea Water Resources Association, Vol. 45, No. 11, pp. 1187-1199.

원문보기 상세보기
Kwon, S., Kim, S., Tak, O., and Jeong, H. (2017). "A study on the clustering method of row and multiplex housing in Seoul using K-means clustering algorithm and hedonic model." Journal of Intelligence and Information Systems, Vol. 23, No. 3, pp. 95-118.

원문보기 상세보기
Kyoung, M.S., Kim, S.D., Kim, B.K. and Kim, H.S. (2007). "Construction of hydrological drought severity-area-duration curves using cluster analysis." Journal of the Korean Society of Civil Engineers, Vol. 27, No. 3B, pp. 267-276.
Lee, D., Kim, J., and Kim, H. (2009). "Statistical analysis on non-household unit water use for business categories." Journal of the Korean Society of Civil Engineers, Vol. 29, No. 4B, pp. 385-396.
Nam, W.H., Kim, T., Hong, E.M., Hayes, M.J., and Svoboda, M.D. (2015). "Water supply risk assessment of agricultural reservoirs using irrigation vulnerability model and cluster analysis." Journal of the Korean Society of Agricultural Engineers, Vol. 57, No. 1, pp. 59-67.

원문보기 상세보기
Tabesh, M., and Dini, M. (2009). "Fuzzy and Neuro- fuzzy models for short-term water demand forecasting in Tehran." Iranian Journal of Science & Technology, Vol. 33, No. B1, pp. 61-77.
Yoo, Y., Lee, M., Lee, T., Kim, S., and Kim, H.S. (2019). "Decomposition of wave components in sea level data using discrete wavelet transform." Journal of Wetlands Research, Vol. 21, No. 4, pp. 365-373.

원문보기 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