[보고서]다중 사회기반시설 시스템의 재난 안전 관리를 위한 딥러닝-시스템다이내믹스 모델 개발과 복원력 평가 연구

박희경

[국가R&D연구보고서] 다중 사회기반시설 시스템의 재난 안전 관리를 위한 딥러닝-시스템다이내믹스 모델 개발과 복원력 평가 연구
Development of a Deep Learning-System Dynamics Model for Disaster Management of Multi-infrastructure Systems and Evaluation of Resilience 원문보기

보고서 정보
주관연구기관	한국과학기술원 Korea Advanced Institute of Science and Technology
연구책임자	박희경
보고서유형	최종보고서
발행국가	대한민국
언어	한국어
발행년월	2022-06
과제시작연도	2022
주관부처	교육부 Ministry of Education
연구관리전문기관	한국연구재단 National Research Foundation of Korea
등록번호	TRKO202300007185
과제고유번호	1345352807
사업명	개인기초연구(교육부)
DB 구축일자	2023-09-19
키워드	딥러닝.시스템다이내믹스.수렴교차사상.자기조직화지도.장단기메모리모델.Deep learning.System dynamics.Convergent cross mapping.Self-organizing map.Long short-term memory model.

초록 ▼

□ 연구개발 목표 및 내용
○ 최종 목표
복잡한 사회기반시설 시스템의 분석을 위한 딥러닝-시스템다이내믹스 모델 개발

○ 전체 내용
- 서로 다른 사회기반시설 사이의 상호의존성 모델링 및 분석
- ESN, GAN, Q-learning 등 딥러닝-시스템다이내믹스 결합을 위한 다양한 문헌 검토 및 모델 테스트
- Convergent cross mapping을 이용한 시계열 변수 사이의 인과관계 분석
- Self-organizing map에 기반한 인과관계가 유사한 변수들의 클러스터링
- 범위 민감도를 도입한 손실 함수 설계 및 LSTM 모델을 이용한 시계열 변수 예측
- 실제 사례(2019년 및 2020년 미세먼지 계절관리기간)를 통한 방법론 검증 및 우수성 입증

□ 연구개발성과
- 복잡한 다중 사회기반시설의 분석에 활용가능한 딥러닝-시스템다이내믹스 모델 (BBAUCS)을 개발함
- 인력배출 (박사학위 1명)
- 논문게재 (SCI급 2편)

□ 연구개발성과 활용계획 및 기대 효과
- 향후 지속적인 연구 및 타 분야 활용을 통해 방법론을 추가 검증하고 보완 계획
- 다양한 시계열 데이터가 포함된 시스템의 분석에서 유의미한 변수 선택 및 범위민감도가 필요한 예측에 방법론을 활용 가능할 것으로 기대됨.

(출처 : 요약문 2p)

목차 Contents

표지 ... 1
요 약 문 ... 2
목차 ... 3
표목차 ... 4
그림목차 ... 5
1. 연구개발과제의 개요 ... 7
가. 연구의 필요성 ... 7
나. 연구 목표 ... 8
2. 연구개발과제의 수행 과정 및 수행내용 ... 15
가. 딥러닝-시스템다이내믹스 모델 개발을 위한 문헌 검토 ... 15
나. 전력 공급 및 상수도 공급 시스템의 상호의존성 모델링 ... 17
다. 딥러닝 기반의 시스템다이내믹스 모델 생성기법 연구 ... 20
라. 딥러닝-시스템 다이내믹스 모델 개발을 위한 인과관계 정량화 기법 연구 ... 27
마. 딥러닝-시스템 다이내믹스 모델의 정책지렛대 개발 연구 ... 35
바. 딥러닝-시스템다이내믹스 모델(BBAUCS) 개발 및 검증 ... 44
사. 결론 ... 74
3. 연구개발과제의 수행 결과 및 목표 달성 정도 ... 78
4. 연구개발성과 및 관련 분야에 대한 기여 정도 ... 79
5. 연구개발성과의 관리 및 활용 계획 ... 80
6. 참고 문헌 ... 81
7. 부록 ... 83
끝페이지 ... 118

표/그림 (78)

표 연구 개념도 (연구개발계획서에 포함됨)
표 IDEF0 기법을 이용한 사회기반시설 간 상호 관계성 규명 예시 [4]
표 RNN을 이용한 CLD 생성 결과 예시, (위):실제 시스템의 CLD (아래): RNN으로 생성한 CLD [5]
표 시스템 복원력 평가 예시 ([11]로부터 재구성)
표 사회기반시설 모델링 변수들의 시스템다이내믹스 변환 예시
표 도시 내 에너지 및 상수도 공급의 상호의존성 SD 모델
표 GAN 모델의 기본 구조
표 GAN 모델에서 학습 과정에 따른 생성자 및 구분자의 distribution 변화 도식화 (파란 점선: 구분자, 초록 실선: 생성자, 검정 점선: 학습 데이 터 분포)
표 학습 데이터로 사용된 실제 분자구조(좌)와 GraphGAN 모델이 생성한 분자구조(우)
표 GraphGAN 모델에서 생성자의 학습
표 GraphGAN 모델에서 구분자의 학습
표 서울시 강동수도사업소의 상수도 공급망
표 ESN 모델 적용 대상 상수도 공급망 모식도
표 상수도 공급량 데이터 예시(2017.08.01.~2017.08.14., 시간 단위 데이터)
표 KD8, KDM3 상수관 유량의 인과 계수
표 ESN 모델을 통해 예측한 일일 상수도 공급량
표 실제 상수도 공급량 (그림 16과 비교)
표 그레인저 인과관계
표 시스템 변수의 재구축[22]
표 수렴 교차 사상의 인과 계수 정량화
표 인과관계 분석에 기반한 시스템 구조 추측의 예시 ([22]를 참고로 저자 작성)
표 Lotka-Volterra model
표 Lotka-Volterra 모델을 구현한 SD 모델
표 의도적인 노이즈가 추가된 포식자(위)와 피식자(아래)의 시뮬레이션 데이터
표 포식자와 피식자 변화량 사이에서 발견되는 높은 인과계수
표 피식자와 포식자 변화량 사이에서 발견되는 높은 인과계수
표 도시 내 사회기반시설 데이터 수집 현황
표 데이터들의 embedding dimension 계산 결과
표 데이터 사이의 causality 비교 결과
표 광산란 방식 IoT 미세먼지 센서를 탑재한 데이터 수집 장치
표 데이터 수집 장소 (대전보건환경연구원)
표 베타선 방식(검정) 및 광산란 방식(회색)으로 측정한 PM2.5 농도
표 국내 미세먼지 등급 기준 농도 [30]
표 대전 보건환경연구원 옥상에서 수집된 데이터 통계치
표 LSTM 모델의 학습 파라미터
표 LSTM 모델(좌) 및 input 구조(우)
표 LSTM 모델의 loss function에 주어진 Gaussian-weight 및 uniform weight
표 Gaussian-weighted loss function 적용 개념도
표 주어진 Gaussian-weight에 따른 밴드 내부의 보정 성능(RMSE)변화
표 가중치 유형에 따른 LSTM 모델의 PM2.5 농도 구간별 보정 성능(RMSE)
표 베타선 방식(주황), 광산란 방식(파랑) 및 보정값(초록)
표 가우시안 파라미터 변화에 따른 LSTM 모델의 예측력
표 CCM과 SOM을 결합한 변수 선택 방법 도식화
표 Deep-SD 모델로 개발된 빅데이터 예측 방법론(BBAUCS)
표 실제로 수집된 데이터 일부 (시작 부분)
표 실제 수집된 데이터 일부 (마지막 부분)
표 수집된 데이터별 센서 측정 지점
표 빅데이터 변수 간 인과계수 분석 결과 (2019년 계절관리기간 사례)
표 빅데이터 변수 간 인과계수 분석 결과 (2020년 계절관리기간 사례)
표 SOM 모델의 학습에 사용된 하이퍼파라미터
표 SOM모델의 학습 과정에서 이웃 뉴런 간 평균 거리의 변화 및 수렴
표 SOM 모델의 학습 결과 (P-matrix, 2019년 계절관리기간 사례)
표 SOM 모델의 학습 결과 (U-matrix, 2019년 계절관리기간 사례)
표 SOM 모델의 클러스터링 결과 (2019년 계절관리기간 사례)
표 2019년 계절관리기간 서울시 빅데이터 클러스터링 결과 (그림 38과 비교)
표 SOM 모델 뉴런의 학습 결과에 대한 각 변수들의 기여도(2019년 계절관리기간 사례)
표 SOM 모델의 학습 결과 (P-matrix, 2020년 계절관리기간 사례)
표 SOM 모델의 학습 결과 (U-matrix, 2020년 계절관리기간 사례)
표 SOM 모델의 클러스터링 결과 (2020년 계절관리기간 사례)
표 SOM 모델 뉴런의 학습 결과에 대한 각 변수들의 기여도(2020년 계절관리기간 사 례)
표 2020년 계절관리기간 서울시 빅데이터 클러스터링 결과 (그림 42과 비교)
표 손실 함수에 가해지는 가우시안 함수 형태의 가중치 수식
표 가우시안 형태의 가중치 그래프
표 밴드 내부의 오차 증폭 및 손실 함수 계산과 역전파 과정
표 학습에 따른 loss 변화 및 조기 종료 조건 설정 예시
표 은닉층의 뉴런 수에 따른 LSTM 모델의 성능 비교 결과
표 은닉층의 깊이에 따른 LSTM 모델의 성능 비교
표 LSTM 모델의 하이퍼파라미터
표 방법론 적용에 따른 예측력 비교 조건
표 방법론 적용에 따른 LSTM 모델의 예측력 비교
표 BBAUCS 적용에 따른 전체 테스트 셋에 대한 RMSE 비교
표 BBAUCS 적용에 따른 전체 테스트 셋에 대한 MAPE 비교
표 BBAUCS 적용에 따른 밴드 내부의 RMSE 비교
표 BBAUCS 적용에 따른 밴드 내부의 MAPE 비교
표 동적 가중치의 계수 변화에 따른 LSTM 모델의 RMSE 변화
표 동적 가중치의 계수 변화에 따른 LSTM 모델의 밴드 내부 RMSE 변화
표 동적 가중치의 계수 변화에 따른 LSTM 모델의 밴드 내부 RMSE` 변화
표 BBAUCS와 유사 방법론의 예측 성능 비교

참고문헌 (25)

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 보고서

해당 보고서가 속한 카테고리에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

과제명(ProjectTitle) :	-
연구책임자(Manager) :	-
과제기간(DetailSeriesProject) :	-
총연구비 (DetailSeriesProject) :	-
키워드(keyword) :	-
과제수행기간(LeadAgency) :	-
연구목표(Goal) :	-
연구내용(Abstract) :	-
기대효과(Effect) :	-

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 제목(한글), 저자명(한글), 발행일자, 전자원문, 초록(한글), 초록(영문) 관리번호, 제목(한글), 제목(영문), 저자명(한글), 저자명(영문), 주관연구기관(한글), 주관연구기관(영문), 발행일자, 총페이지수, 주관부처명, 과제시작일, 보고서번호, 과제종료일, 주제분류, 키워드(한글), 전자원문, 키워드(영문), 입수제어번호, 초록(한글), 초록(영문), 목차
저장형식	Text(ASCII format) Excel format
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