본 연구에서는 support vector regression (SVR) 및 매개변수최적화 알고리즘을 이용한 하천수위 예측모델을 구축하고 이를 실제 유역에 적용하여 모델 효율성을 평가하였다. 여기서, SVR은 하천수위를 예측하기 위한 예측모델로서 채택되었으며, 커널함수 (Kernel function)로서는 radial basis function (RBF)을 선택하였다. 최적화 알고리즘은 SVR의 최적 매개변수 (C?, cost parameter or regularization parameter; ${\gamma}$, RBF parameter; ${\epsilon}$, insensitive loss function parameter)를 탐색하기 위하여 적용되었다. 매개변수 최적화 알고리즘으로는 grid search (GS), genetic algorithm (GA), particle swarm optimization (PSO), artificial bee colony (ABC) 알고리즘을 채택하였으며, 비교분석을 통해 최적화 알고리즘의 적용성을 평가하였다. 또한 SVR과 최적화 알고리즘을 결합한 모델 (SVR-GS, SVR-GA, SVR-PSO, SVR-ABC)은 기존에 수자원 분야에서 널리 적용되어온 신경망(Artificial neural network, ANN) 및 뉴로퍼지 (Adaptive neuro-fuzzy inference system, ANFIS) 모델과 비교하였다. 그 결과, 모델 효율성 측면에서 SVR-GS, SVR-GA, SVR-PSO 및 SVR-ABC는 ANN보다 우수한 결과를 나타내었으며, ANFIS와는 비슷한 결과를 나타내었다. 또한 SVR-GA, SVR-PSO 및 SVR-ABC는 SVR-GS보다 상대적으로 우수한 결과를 나타내었으며, 모델 효율성 측면에서 SVR-PSO 및 SVR-ABC는 가장 우수한 모델 성능을 나타내었다. 따라서 본 연구에서 적용한 매개변수 최적화 알고리즘은 SVR의 매개변수를 최적화하는데 효과적임을 확인할 수 있었다. SVR과 최적화 알고리즘을 이용한 하천수위 예측모델은 기존의 ANN 및 ANFIS 모델과 더불어 하천수위 예측을 위한 효과적인 도구로 사용될 수 있을 것으로 판단된다.
본 연구에서는 support vector regression (SVR) 및 매개변수 최적화 알고리즘을 이용한 하천수위 예측모델을 구축하고 이를 실제 유역에 적용하여 모델 효율성을 평가하였다. 여기서, SVR은 하천수위를 예측하기 위한 예측모델로서 채택되었으며, 커널함수 (Kernel function)로서는 radial basis function (RBF)을 선택하였다. 최적화 알고리즘은 SVR의 최적 매개변수 (C?, cost parameter or regularization parameter; ${\gamma}$, RBF parameter; ${\epsilon}$, insensitive loss function parameter)를 탐색하기 위하여 적용되었다. 매개변수 최적화 알고리즘으로는 grid search (GS), genetic algorithm (GA), particle swarm optimization (PSO), artificial bee colony (ABC) 알고리즘을 채택하였으며, 비교분석을 통해 최적화 알고리즘의 적용성을 평가하였다. 또한 SVR과 최적화 알고리즘을 결합한 모델 (SVR-GS, SVR-GA, SVR-PSO, SVR-ABC)은 기존에 수자원 분야에서 널리 적용되어온 신경망(Artificial neural network, ANN) 및 뉴로퍼지 (Adaptive neuro-fuzzy inference system, ANFIS) 모델과 비교하였다. 그 결과, 모델 효율성 측면에서 SVR-GS, SVR-GA, SVR-PSO 및 SVR-ABC는 ANN보다 우수한 결과를 나타내었으며, ANFIS와는 비슷한 결과를 나타내었다. 또한 SVR-GA, SVR-PSO 및 SVR-ABC는 SVR-GS보다 상대적으로 우수한 결과를 나타내었으며, 모델 효율성 측면에서 SVR-PSO 및 SVR-ABC는 가장 우수한 모델 성능을 나타내었다. 따라서 본 연구에서 적용한 매개변수 최적화 알고리즘은 SVR의 매개변수를 최적화하는데 효과적임을 확인할 수 있었다. SVR과 최적화 알고리즘을 이용한 하천수위 예측모델은 기존의 ANN 및 ANFIS 모델과 더불어 하천수위 예측을 위한 효과적인 도구로 사용될 수 있을 것으로 판단된다.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
따라서 SVMs의 최적 매개변수를 효과적으로 결정하기 위하여 매개변수 최적화 알고리즘 (Optimization algorithm)을 적용하는 것이 필수적이다. 따라서 본 연구에서는 효과적인 하천수위 예측을 위하여 SVR 및 매개변수 최적화 알고리즘을 이용한 하천수위 예측모델을 구축하고, 이를 실제 유역 (안동댐 유역, 도산 수위관측소 지점, 일수위 자료 적용)에 적용하여 모델 효율성을 평가하였다.
제안 방법
최적화 알고리즘은 SVR의 최적 매개변수(C, cost parameter or regularization parameter; γ, RBF parameter; ∊, insensitive loss function parameter)를 탐색하기 위하여 적용되었다. SVR과 최적화 알고리즘을 결합한 모델 (SVR-GS, SVR-GA, SVR-PSO, SVR-ABC)의 적용성을 평가하기 위하여 기존에 널리 적용되어온 신경망 (ANN) 및 뉴로퍼지 (ANFIS) 모델과 모델 효율성을 비교하였다. Table 1은 모델 효율성 평가지표를 비교한 것이고, Figure 2는 관측치와 예측치에 대한 산점도를 나타내고 있다.
본 연구에서는 하천수위 예측을 위하여 SVR 및 매개변수 최적화 알고리즘 (GS, GA, PSO, ABC)을 이용한 하천수위 예측모델을 구축하고 이를 실제 유역 (안동댐 유역, 도산 수위관측소 지점, 일수위 자료 적용)에 적용하여 모델 효율성을 평가하였다. 그 결과 SVR-PSO 및 SVR-ABC는 비교모델 중 가장 우수한 모델 성능을 나타내었으며, 이로부터 본 연구에서 적용한 매개변수 최적화 알고리즘은 SVR의 매개변수를 최적화하는데 효과적임을 확인할 수 있었다.
대상 데이터
하천수위 예측을 위한 SVR 및 매개변수 최적화 알고리즘의 적용성 평가를 위해 안동댐 유역의 도산 수위관측소에 대한 일수위 자료 (Training data, 2002-2010; testing data, 2011-2013)를 적용하였다. SVR의 커널함수 (Kernel function)로서는 radial basis function (RBF)을 선택하였다.
이론/모형
하천수위 예측을 위한 SVR 및 매개변수 최적화 알고리즘의 적용성 평가를 위해 안동댐 유역의 도산 수위관측소에 대한 일수위 자료 (Training data, 2002-2010; testing data, 2011-2013)를 적용하였다. SVR의 커널함수 (Kernel function)로서는 radial basis function (RBF)을 선택하였다. 최적화 알고리즘은 SVR의 최적 매개변수(C, cost parameter or regularization parameter; γ, RBF parameter; ∊, insensitive loss function parameter)를 탐색하기 위하여 적용되었다.
최적화 알고리즘은 SVR의 최적 매개변수(C, cost parameter or regularization parameter; γ, RBF parameter; ∊, insensitive loss function parameter)를 탐색하기 위하여 적용되었다.
성능/효과
Table 1과 Figure 2로부터 모델 효율성 측면에서 SVR-GS, SVR-GA, SVR-PSO 및 SVR-ABC는 ANN에 비해 우수한 결과를 나타내었으며, ANFIS와는 비슷한 결과를 나타내었다. SVR-GA, SVR-PSO 및 SVR-ABC는 SVR-GS보다 상대적으로 우수한 결과를 나타내었으며, 모델 효율성 측면에서 SVR-PSO 및 SVR-ABC는 비교모델 중 가장 우수한 모델 성능을 나타내었다.
본 연구에서는 하천수위 예측을 위하여 SVR 및 매개변수 최적화 알고리즘 (GS, GA, PSO, ABC)을 이용한 하천수위 예측모델을 구축하고 이를 실제 유역 (안동댐 유역, 도산 수위관측소 지점, 일수위 자료 적용)에 적용하여 모델 효율성을 평가하였다. 그 결과 SVR-PSO 및 SVR-ABC는 비교모델 중 가장 우수한 모델 성능을 나타내었으며, 이로부터 본 연구에서 적용한 매개변수 최적화 알고리즘은 SVR의 매개변수를 최적화하는데 효과적임을 확인할 수 있었다. SVR과 최적화 알고리즘을 이용한 하천수위 예측모델은 기존의 ANN 및 ANFIS 모델과 더불어 하천수위 예측을 위한 효과적인 도구로 사용될 수 있을 것으로 판단된다.
후속연구
그 결과 SVR-PSO 및 SVR-ABC는 비교모델 중 가장 우수한 모델 성능을 나타내었으며, 이로부터 본 연구에서 적용한 매개변수 최적화 알고리즘은 SVR의 매개변수를 최적화하는데 효과적임을 확인할 수 있었다. SVR과 최적화 알고리즘을 이용한 하천수위 예측모델은 기존의 ANN 및 ANFIS 모델과 더불어 하천수위 예측을 위한 효과적인 도구로 사용될 수 있을 것으로 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.