KR20190121460A - A Method for Forecasting Fog Occurrence Using Neural Network - Google Patents

A Method for Forecasting Fog Occurrence Using Neural Network Download PDF

Info

Publication number
KR20190121460A
KR20190121460A KR1020180044784A KR20180044784A KR20190121460A KR 20190121460 A KR20190121460 A KR 20190121460A KR 1020180044784 A KR1020180044784 A KR 1020180044784A KR 20180044784 A KR20180044784 A KR 20180044784A KR 20190121460 A KR20190121460 A KR 20190121460A
Authority
KR
South Korea
Prior art keywords
neural network
fog
output
value
temperature
Prior art date
Application number
KR1020180044784A
Other languages
Korean (ko)
Inventor
이영미
오상율
이수정
Original Assignee
(주)에코브레인
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)에코브레인 filed Critical (주)에코브레인
Priority to KR1020180044784A priority Critical patent/KR20190121460A/en
Publication of KR20190121460A publication Critical patent/KR20190121460A/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

The present invention relates to a method for forecasting the occurrence of fog using a neural network. More specifically, the method enables accurate forecast of the occurrence of fog by constructing a neural network with the smallest error with the temperature, dew point temperature, humidity, wind speed, atmospheric pressure, solar radiation quantity, and the difference between the temperature and dew point temperature as input variables and a corrected value as an output value.

Description

신경망을 이용한 안개 발생 예측방법{A Method for Forecasting Fog Occurrence Using Neural Network}A Method for Forecasting Fog Occurrence Using Neural Network

본 발명은 안개 발생 예측방법에 관한 것으로, 더욱 상세하게는 기온, 노점온도, 습도, 풍속, 기압, 일사량, 기온과 노점온도의 차이를 입력변수로하고, 시정값을 출력값으로 하여 가장 작은 오차를 갖는 신경망을 구축하도록 함으로써, 정확한 안개 발생의 예측이 가능하도록 하는 신경망을 이용한 안개 발생 예측방법에 관한 것이다. The present invention relates to a fog generation prediction method, and more specifically, the difference between air temperature, dew point temperature, humidity, wind speed, air pressure, solar radiation, air temperature and dew point temperature as an input variable, and the correction value as an output value The present invention relates to a method for predicting fog generation using a neural network, which enables accurate prediction of fog generation by constructing a neural network.

안개는 지면이나 해면에 인접한 층에서 수증기가 응결하여 대기 중에 부유하는 현상으로 시정 1km 미만인 경우를 말하며, 시정과 일사를 차단하여 교통 및 각종 산업 활동과 농작물에 영향을 미치고, 대기오염을 가중시키는 등 인간 생활에 큰 영향을 미치고 있다. Fog is a phenomenon in which water vapor condenses on the ground or sea level and floats in the air, which is less than 1 km visibility.It blocks traffic and solar radiation, affecting traffic, various industrial activities and crops, and aggravates air pollution. It has a big impact on human life.

특히 고속도로나 공항 주변에서 발생하는 안개는 차량 및 항공기 운행 등에 장애를 발생시켜 각종 사고를 일으키는 원인으로 지적되고 있다. In particular, fog generated around highways or airports has been pointed out as causing various accidents by causing obstacles in vehicle and aircraft operation.

따라서, 안개의 발생을 이해하고 예측하기 위한 연구가 오래전부터 이어지고 있으나, 안개의 발생 메커니즘은 매우 다양하고 복잡하며, 지형 및 기상학적 요소 등 복합적인 요인에 의해 발생하므로 그 예측에 많은 어려움을 겪고 있다. Therefore, researches for understanding and predicting the occurrence of fog have been conducted for a long time, but the mechanism of generating fog is very diverse and complicated, and it is caused by complex factors such as topography and meteorological factors, and thus it is difficult to predict the fog. .

아래 특허문헌은 영상을 기반으로 안개 발생을 감지하는 방법에 관한 발명으로 안개의 발생 여부를 미리 예측하기 어려우며 좁은 시계로 인해 감지의 정확성도 떨어지는 문제가 있다. The following patent document relates to a method of detecting fog generation based on an image, and it is difficult to predict whether fog is generated in advance, and there is a problem in that accuracy of detection is also reduced due to a narrow field of view.

(특허문헌)(Patent literature)

등록특허공보 제10-0946749호(2010. 03. 03. 등록) "영상인식 및 이미지 학습 방법을 기반한 안개 감지 방법 및 그 시스템"Patent Registration No. 10-0946749 (registered March 03, 2010) "Fog detection method and system based on image recognition and image learning method"

본 발명은 상기와 같은 문제점을 해결하기 위해 안출된 것으로, The present invention has been made to solve the above problems,

본 발명은 기온, 노점온도, 습도, 풍속, 기압, 일사량, 기온과 노점온도의 차이를 입력변수로하고, 시정값을 출력값으로 하여 가장 작은 오차를 갖는 신경망을 구축하도록 함으로써, 정확한 안개 발생의 예측이 가능하도록 하는 신경망을 이용한 안개 발생 예측방법을 제공하는데 목적이 있다. The present invention uses the difference between air temperature, dew point temperature, humidity, wind speed, barometric pressure, insolation temperature, air temperature and dew point temperature as input variables, and establishes a neural network having the smallest error using the correction value as an output value, thereby predicting accurate fog generation. The purpose is to provide a fog generation prediction method using a neural network to enable this.

본 발명은 앞서 본 목적을 달성하기 위해서 다음과 같은 구성을 가진 실시예에 의해서 구현된다.The present invention is implemented by the embodiment having the following configuration to achieve the above object.

본 발명의 일 실시예에 따르면, 본 발명에 따른 신경망을 이용한 안개 발생 예측방법은 안개 발생을 예측하기 위한 신경망을 구축하는 신경망구축단계와, 안개 발생을 예측하고자 하는 시점의 기상정보를 수집하는 기상정보수집단계와, 수집된 기상정보를 구축된 신경망에 입력하여 안개 발생 여부를 출력하는 안개발생여부출력단계를 포함하고, 상기 신경망구축단계는 안개 발생을 예측하기 위한 변수를 신경망에 입력하는 변수입력단계와, 신경망에 임의의 가중치를 설정하는 가중치설정단계와, 입력된 변수와 가중치에 의해 신경망으로부터 시정값에 관한 정보가 출력되도록 하는 출력값산출단계와, 출력된 시정값과 실제 시정값을 비교하여 오차를 산정하는 오차산정단계와, 오차가 일정 범위 이하가 될 때까지 가중치를 갱신하는 가중치갱신단계를 포함하며, 상기 변수입력단계는 기온, 노점온도, 습도, 풍속, 기압, 일사량, 기온과 노점온도의 차이를 입력변수로 설정하는 것을 특징으로 한다.According to an embodiment of the present invention, the fog generation prediction method using a neural network according to the present invention is a neural network construction step for constructing a neural network for predicting the fog generation, and meteorological information collecting weather information of the time to predict the fog generation And a fog generation output step of outputting whether or not fog occurs by inputting collected information and collected weather information to the constructed neural network, and the neural network building step includes a variable input for inputting a variable for predicting fog generation to the neural network. Step, a weight setting step of setting an arbitrary weight to the neural network, an output value calculating step of outputting information on the correction value from the neural network based on the input variable and the weight, and comparing the output corrected value with the actual correction value An error calculating step of calculating an error, and a weight updating unit updating the weight until the error is below a certain range The included, and the variable input stage is characterized by setting the difference between the temperature, dew point, humidity, wind speed, air pressure, solar radiation, temperature and dew point temperature as input variables.

본 발명의 다른 실시예에 따르면, 본 발명에 따른 신경망을 이용한 안개 발생 예측방법에 있어서, 상기 신경망구축단계는 2개의 은닉층을 갖는 신경망을 형성하며, 2개의 은닉층은 각각 3개의 노드와 2개의 노드로 형성되도록 하는 것을 특징으로 한다.  According to another embodiment of the present invention, in the fog generation prediction method using the neural network according to the present invention, the neural network construction step forms a neural network having two hidden layers, each of the two hidden layers three nodes and two nodes Characterized in that it is formed.

본 발명의 또 다른 실시예에 따르면, 본 발명에 따른 신경망을 이용한 안개 발생 예측방법에 있어서, 상기 안개발생여부출력단계는 시정값이 일정 거리 이상인 경우를 안개가 발생하는 것으로 예측하며, 시정값이 일정 거리 미만인 경우를 안개가 발생하지 않는 것으로 예측하도록 하는 것을 특징으로 한다. According to another embodiment of the present invention, in the fog generation prediction method using the neural network according to the present invention, the fog generation output step is predicted that the fog occurs when the visibility value is a predetermined distance or more, the correction value is It is characterized in that the case is less than a certain distance to predict that the fog does not occur.

본 발명은 앞서 본 실시예와 하기에 설명할 구성과 결합, 사용관계에 의해 다음과 같은 효과를 얻을 수 있다.The present invention can obtain the following effects by the configuration, combination, and use relationship described above with the present embodiment.

본 발명은 기온, 노점온도, 습도, 풍속, 기압, 일사량, 기온과 노점온도의 차이를 입력변수로하고, 시정값을 출력값으로 하여 가장 작은 오차를 갖는 신경망을 구축하도록 함으로써, 정확한 안개 발생의 예측이 가능하도록 하는 효과가 있다. The present invention uses the difference between air temperature, dew point temperature, humidity, wind speed, barometric pressure, insolation temperature, air temperature and dew point temperature as input variables, and establishes a neural network having the smallest error using the correction value as an output value, thereby predicting accurate fog generation. There is an effect to make this possible.

도 1은 본 발명의 일 실시예에 따른 신경망을 이용한 안개 발생 예측방법을 나타내는 순서도
도 2는 도 1의 신경망구축단계의 과정을 나타내는 순서도
도 3은 신경망구축단계의 과정을 간략하게 나타내는 참고도
도 4는 도 2에 의해 구축되는 신경망을 나타내는 참고도
도 5는 안개 발생의 예측을 위해 신경망에 입력되는 변수의 지역적 기준을 나타내는 참고도
도 6은 본 발명의 일 실시예에 따른 신경망을 이용한 안개 발생 예측방법과 다른 통계분석기법에 의한 안개예측방법을 혼동행렬에 의해 평가한 결과를 나타내는 그래프1 is a flowchart illustrating a method of predicting fog generation using a neural network according to an embodiment of the present invention.
FIG. 2 is a flow chart showing the process of neural network building step of FIG.
3 is a reference diagram briefly showing a process of neural network construction step
4 is a reference diagram showing a neural network constructed by FIG.
5 is a reference diagram showing the local reference of the variables input to the neural network for the prediction of fog occurrence
6 is a graph illustrating a result of evaluating a fog generation prediction method using a neural network and a fog prediction method using another statistical analysis method using a confusion matrix according to an embodiment of the present invention.

이하에서는 본 발명에 따른 신경망을 이용한 안개 발생 예측방법의 바람직한 실시예들을 첨부된 도면을 참조하여 상세히 설명한다. 하기에서 본 발명을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하도록 한다. 명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.Hereinafter, exemplary embodiments of a fog generation prediction method using a neural network according to the present invention will be described in detail with reference to the accompanying drawings. In the following description of the present invention, if it is determined that a detailed description of a known function or configuration may unnecessarily obscure the subject matter of the present invention, the detailed description thereof will be omitted. Throughout the specification, when a part is said to "include" a certain component, it means that it may further include other components, without excluding other components unless specifically stated otherwise.

일반적으로 신경망은 경험을 통해 자기 자신의 규칙을 만들 수 있는 구조와 능력을 가진 인간의 두뇌를 모형화하여 문제 해결 능력을 갖게 한 수학적 모델의 하나로 입력층(11), 은닉층(13), 출력층(15)으로 구성되어 학습을 통해 최적화된다. 신경망의 각 층들은 하나 이상의 노드로 구성되며, 하나의 층에 속한 노드들의 출력은 층간 가중치를 통해서 확대 또는 감소되어 또 다른 층의 노드로 전달된다. 이때, 정보가 입력되는 층을 입력층(11)이라 하고 처리된 정보가 나타나는 층을 출력층(15)이라 하며, 입력층(11)과 출력층(15) 사이의 모든 층을 은닉층(13)이라 한다. 각 노드들에 입력되는 값은 전 층으로부터의 출력값과 층간 가중치를 곱한 값이며, 이러한 가중치를 조절하는 반복 과정을 통해 정확한 예측값을 출력할 수 있는 신경망을 구축할 수 있도록 하고, 이러한 과정을 학습 내지 훈련이라 한다. In general, a neural network is a mathematical model that has a problem-solving ability by modeling a human brain having a structure and ability to make its own rules through experience. The input layer (11), the hidden layer (13), and the output layer (15) ) Is optimized through learning. Each layer of the neural network is composed of one or more nodes, and the outputs of nodes belonging to one layer are enlarged or reduced through interlayer weights and transferred to nodes of another layer. At this time, the layer into which the information is input is called the input layer 11, and the layer on which the processed information appears is called the output layer 15, and all the layers between the input layer 11 and the output layer 15 are called the hidden layers 13. . The value inputted to each node is a value obtained by multiplying the output values from all layers by the interlayer weights, and iteratively adjusting the weights to construct a neural network that can output accurate prediction values. It is called training.

본 발명은 신경망을 이용한 안개 발생 예측방법에 관한 것으로, 안개 발생에 영향을 미치는 변수들을 이용하여 안개 발생 여부를 예측할 수 있는 신경망을 구축하도록 하며, 구축된 신경망을 이용하여 특정 시점의 안개 발생 여부를 예측할 수 있도록 한다. 이를 위해, 상기 안개 발생 예측방법은 안개 발생을 예측하기 위한 신경망을 구축하는 신경망구축단계(S1)와, 안개 발생을 예측하고 싶은 시점의 기상정보를 수집하는 기상정보수집단계(S2)와, 수집된 기상정보를 구축된 신경망(1)에 입력하여 안개 발생 여부를 출력하는 안개발생여부출력단계(S3)를 포함한다. The present invention relates to a fog generation prediction method using a neural network, and to build a neural network that can predict whether fog occurs by using the parameters affecting the fog generation, and to determine whether the fog occurs at a specific time using the constructed neural network Make it predictable. To this end, the fog generation prediction method is a neural network construction step (S1) for building a neural network for predicting the fog generation, weather information collection step (S2) and collecting the weather information of the point of time to predict the fog generation, and collecting And a fog generation output step (S3) of outputting whether or not fog is generated by inputting the weather information to the constructed neural network 1.

상기 신경망구축단계(S1)는 안개 발생에 영향을 미치는 입력 변수들을 이용하여 안개 발생을 예측하는 신경망을 구축하는 구성으로, 기온, 노점온도, 기온과 노점온도의 차이, 풍속, 풍향, 상대습도, 기압, 일사량을 입력변수로 하고, 목표물을 정확하게 인식할 수 있는 거리를 의미하는 시정값을 출력값으로 하여 안개 발생을 예측하는 신경망을 구축하도록 한다. 상기 신경망구축단계(S1)는 도 3에 도시된 바와 같이 신경망에 입력변수들을 입력하고, 임의의 가중치를 설정하여 시정값을 출력할 수 있도록 하며, 출력된 시정값과 실제 시정값과의 오차를 산정하여 오차를 줄이는 방향으로 가중치를 수정하고, 오차가 최소화될 때까지 가중치를 수정하는 과정을 반복하여 신경망을 최적화할 수 있도록 한다. 다시 말해, 상기 신경망구축단계(S1)는 과거 특정 시점의 기상정보를 바탕으로 기온, 노점온도, 기온과 노점온도의 차이, 풍속, 풍향, 상대습도, 기압, 일사량를 입력변수로 입력하고, 신경망을 통해 출력되는 시정값과 해당 시점의 실제 시정값을 비교하여 오차를 줄이는 방향으로 가중치의 수정이 이루어질 수 있도록 한다. 이를 위해, 상기 신경망구축단계(S1)는 도 2에 도시된 바와 같이 변수입력단계(S11), 가중치설정단계(S12), 출력값산출단계(S13), 오차산정단계(S14), 가중치갱신단계(S15)를 포함하도록 한다. The neural network building step (S1) is to construct a neural network for predicting the fog generation by using the input variables affecting the fog generation, temperature, dew point temperature, the difference between the air temperature and dew point temperature, wind speed, wind direction, relative humidity, Atmospheric pressure and insolation are used as input variables, and a correction value representing a distance that can accurately recognize a target is used as an output value. The neural network building step (S1) is to input the input variables to the neural network, as shown in Figure 3, to set a random weight to output a correction value, the error between the output correction value and the actual correction value The neural network can be optimized by repeating the process of modifying the weights in the direction of reducing the error by calculating the weight, and modifying the weights until the error is minimized. In other words, the neural network construction step (S1) inputs the temperature, dew point temperature, the difference between the air temperature and the dew point temperature, wind speed, wind direction, relative humidity, barometric pressure, solar radiation as input variables, and based on the weather information of a specific point in time. The correction value is adjusted in a direction of reducing the error by comparing the corrected value outputted through the actual corrected value at the corresponding time point. To this end, the neural network building step (S1) is a variable input step (S11), weight setting step (S12), output value calculation step (S13), error calculation step (S14), weight update step ( S15).

상기 변수입력단계(S11)는 안개 발생에 영향을 미치는 값들을 신경망의 입력변수로 입력되도록 하는 구성으로, 기온, 노점온도, 기온과 노점온도의 차이, 풍속, 풍향, 상대습도, 기압, 일사량을 입력변수로 설정하도록 한다. The variable input step (S11) is configured to input values affecting the generation of fog as an input variable of the neural network, the temperature, dew point temperature, the difference between the air temperature and dew point temperature, wind speed, wind direction, relative humidity, barometric pressure, solar radiation Set it as an input variable.

상기 가중치설정단계(S12)는 신경망 구축 초기에 층간 노드 사이의 상관관계를 의미하는 가중치를 설정하는 구성으로, 임의의 값을 설정하여 신경망에 의한 연산을 시작하도록 하며, 상기 오차산정단계(S14)에 의해 산정되는 오차에 따라 반복적인 갱신이 이루어져 최적화되도록 한다. The weight setting step (S12) is a configuration for setting a weight indicating a correlation between interlayer nodes at the beginning of neural network construction, by setting a random value to start the calculation by the neural network, the error calculation step (S14) Iterative update is made according to the error calculated by 되도록 to be optimized.

상기 출력값산출단계(S13)는 각 노드의 출력값과 가중치를 곱하여 합함으로써 다음 층 노드의 입력값을 산출하고, 입력층(11)에서 출력층(15)까지 이러한 과정이 반복되도록 하여 시정값에 해당하는 출력값을 산출하도록 한다. The output value calculating step (S13) calculates the input value of the next layer node by multiplying and summing the output value of each node and the weight, and repeating this process from the input layer 11 to the output layer 15 to correspond to the corrected value. Calculate the output value.

상기 오차산정단계(S14)는 상기 출력값산출단계(S13)에서 출력되는 시정값과 입력된 변수들에 해당하는 시점의 시정값을 비교하여 오차를 산정하는 구성으로, 산정된 오차에 따라 가중치가 갱신될 수 있도록 한다. The error calculating step (S14) is configured to calculate an error by comparing the corrected value output in the output value calculating step (S13) with the corrected values at the time points corresponding to the input variables, and the weight is updated according to the calculated error. To be possible.

상기 가중치갱신단계(S15)는 상기 오차산정단계(S14)에서 산정되는 오차에 따라 오차를 줄이는 방향으로 가중치를 수정하는 구성으로, 오차가 일정 범위 이내가 될 때까지 가중치를 갱신하도록 한다. 다시 말해, 오차가 일정 범위 밖인 경우 가중치를 수정하여 다시 출력값산출단계(S13)를 거치도록 하며, 실제 시정값과의 비교를 통해 다시 오차를 산정하고 가중치의 수정이 이루어지도록 한다. 이때, 상기 가중치갱신단계(S15)는 입력층, 은닉층, 출력층이 아닌 그 반대 방향으로 가중치를 갱신해 나가는 역전파 알고리즘을 사용하도록 할 수 있다. 또한, 상기 가중치갱신단계(S15)는 이러한 과정을 반복하는 횟수를 설정하여 해당 횟수만큼 학습이 이루어지도록 할 수 있으며, 바람직하게는 1×e9 만큼 반복이 이루어지도록 할 수 있다.The weight updating step (S15) is a configuration for modifying the weight in the direction of reducing the error in accordance with the error calculated in the error calculation step (S14), so as to update the weight until the error is within a certain range. In other words, if the error is out of a predetermined range, the weight is corrected to go through the output value calculation step (S13) again, and the error is again calculated through comparison with the actual corrected value and the weight is corrected. At this time, the weight updating step (S15) may be to use a back-propagation algorithm to update the weight in the opposite direction, not the input layer, hidden layer, output layer. In addition, the weight update step (S15) may be set to the number of times to repeat the process so that the learning is performed by the number of times, preferably 1 × e 9 may be repeated.

상기 신경망구축단계(S1)에 의한 신경망 구축과정을 좀 더 구체적으로 설명하면, 입력층의 입력노드들을 x1,…, xp, 출력층의 출력노드를 y, 은닉층의 은닉노드들을 z1,…,zq로 가정할 경우 은닉노드의 값 zk는 아래 [수학식 1]과 같이 표시될 수 있다. If a more detailed description of a neural network building process by the neural network construction step (S1), x of the input nodes of the input layer 1,. , x p , output nodes of the output layer y, hidden nodes of the hidden layer z 1 ,... Assuming that z is q , the hidden node value z k may be expressed as shown in Equation 1 below.

[수학식 1][Equation 1]

Figure pat00001
Figure pat00001

(k = 1,…,q)(k = 1,…, q)

이때, ωjk는 입력노드 j에서 은닉노드 k로 가는 연결줄(시냅스, synapse)에 붙은 계수, 즉 가중치이고, ω0k는 노드 k에 영향을 주는 상수항이며, f1(u)는 활성화 함수를 뜻한다. 활성화 함수는 로지스틱 함수, Hyperbolic tangent 함수, 무변환함수 등의 비선형함수가 사용될 수 있다. 이렇게 z1,…, zq가 정해지면 아래 [수학식 2]와 같이 이들과 bias(ω0k) 결합에 활성화 함수 f2를 취하여 출력변수 y를 출력하도록 한다. Where ω jk is the coefficient attached to the connecting line (synapse) from the input node j to the hidden node k, that is, the weight, ω 0k is a constant term affecting the node k, and f 1 (u) is an activation function. do. The activation function may be a nonlinear function such as a logistic function, a hyperbolic tangent function, or a transformless function. So z 1 ,… When z q is determined, the output function y is output by taking the activation function f 2 to the bias (ω 0k ) combination with them as shown in Equation 2 below.

[수학식 2][Equation 2]

Figure pat00002
Figure pat00002

그리고 이렇게 출력된 출력변수 y를 실제값과 비교하여 오차를 산출하며, 오차가 일점 범위 내가 될 때까지 가중치를 갱신하며 신경망을 학습시키거나 설정된 일정 횟수만큼 신경망을 학습시키도록 할 수 있다. The output variable y is then compared with an actual value to calculate an error. The weight is updated until the error is within a point range, and the neural network can be trained or the neural network can be trained a predetermined number of times.

도 4는 이러한 신경망의 학습 과정을 거쳐 도출된 안개 예측을 위한 신경망으로, 입력층(11)은 입력변수는 T2(기온), DT2(노점온도), RH(습도), WS10(풍속), WD(풍향), PRES(기압), RADI(일사량), T-DT(기온과 노점온도의 차)로 설정되어 입력노드 x1~x8에 각각 입력되었으며, 은닉층(13)은 제1은닉층(131)과 제2은닉층(132)으로 형성되어 제1은닉층(131)에는 z1,z2,z3의 3개 은닉노드가 형성되고 제2은닉층(132)에는 z4,z5의 2개 은닉노드가 형성되도록 하였으며, 출력층(15)에서는 출력노드 y1을 통해 시정값(VIS)이 출력되도록 하였다. 이렇게 출력된 시정값을 실제 시정값과 비교하여 오차를 산정하도록 하였으며, 오차를 줄이는 방향으로 가중치를 갱신하면서 1×e9회만큼 반복 학습시켜 최적의 가중치를 산출하도록 하였다. 4 is a neural network for fog prediction derived through the learning process of the neural network, and the input layer 11 has input variables such as T 2 (temperature), DT 2 (dew point temperature), RH (humidity), and WS10 (wind velocity). , WD (wind direction), PRES (atmospheric pressure), RADI (insolation), and T-DT (difference between air temperature and dew point temperature) were input to input nodes x 1 to x 8 respectively, and the hidden layer 13 is the first hidden layer. 131 and the second hidden layer 132, three hidden nodes of z 1 , z 2 , and z 3 are formed in the first hidden layer 131, and two of z 4 , z 5 are formed in the second hidden layer 132. The open hidden node is formed, and in the output layer 15, the correction value VIS is output through the output node y 1 . The error value was calculated by comparing the output correction value with the actual correction value, and the optimal weight was calculated by repeatedly learning 1 × e 9 times while updating the weight in the direction of reducing the error.

상기 기상정보수집단계(S2)는 상기 신경망구축단계(S1)에서 구축된 신경망을 이용하여 특정 시점의 안개 발생 여부를 예측하기 위해 기상정보를 수집하는 단계로, 기온, 노점온도, 습도, 풍속, 풍향, 기압, 일사량, 기온과 노점온도의 차에 관한 정보를 수집하도록 할 수 있다. 상기 기상정보수집단계(S2)는 기상청 서버 등의 정보를 이용하여 기상정보를 수집하도록 할 수 있으며, 일 예로 WRF(기상수치예보모델)을 이용하여 특정 시점의 기상정보를 예측하도록 하여 예측된 기상정보를 수집하도록 할 수 있고, 수집된 정보는 구축된 신경망에 입력변수로 입력되도록 한다. The weather information collection step (S2) is a step of collecting weather information to predict whether a fog occurs at a specific time using the neural network established in the neural network building step (S1), temperature, dew point temperature, humidity, wind speed, Information can be collected about wind direction, barometric pressure, solar radiation, and the difference between air temperature and dew point temperature. The weather information collection step (S2) may be to collect weather information using information, such as the meteorological office server, for example, predicted weather information by using the WRF (weather forecast model) to predict the weather information at a specific time Information can be collected, and the collected information can be entered as an input variable to the constructed neural network.

상기 안개발생여부출력단계(S3)는 상기 기상정보수집단계(S2)에서 수집된 기상정보를 신경망에 입력하여 안개의 발생 여부를 출력하도록 하는 구성으로, 신경망을 통해서는 시정값에 관한 정보가 출력되며, 예를 들어 시정값이 1km 이상인 경우에는 안개가 발생될 것으로 예측하고, 시정값이 1km 미만인 경우에는 안개가 발생하지 않는 것으로 예측할 수 있다. The fog generation output step (S3) is configured to input the weather information collected in the weather information collection step (S2) to the neural network to output whether the fog is generated, through the neural network to output information about the correction value For example, when the visibility value is 1km or more, it is predicted that fog is generated, and when the visibility value is less than 1km, it may be predicted that fog does not occur.

이하, 다음의 실시예에 의하여 신경망을 이용한 안개 발생 예측방법을 보다 상세히 설명하기로 한다. 하지만, 이들은 본 발명을 보다 상세하게 설명하기 위한 것일 뿐 본 발명의 권리범위가 이에 한정되는 것은 아니다. Hereinafter, a fog generation prediction method using a neural network will be described in more detail with reference to the following examples. However, these are only intended to describe the present invention in more detail, but the scope of the present invention is not limited thereto.

<실시예><Example>

1. 신경망의 구축을 위해 도 5에 도시된 바와 같은 지역적 기준에 따라 제주 각 지점의 3시간 간격 기상관측자료를 이용하였으며, 2005년1월1일 ~ 2014년12월31일까지의 기온, 노점온도, 기온과 노점온도의 차이, 풍속, 풍향, 상대습도, 기압, 일사량, 시정값을 이용하여 신경망을 1×e9 번 반복 학습시킴으로써 안개 발생 예측을 위한 신경망을 구축함1.We used weather observation data of 3 hours intervals at each point of Jeju according to the regional criteria as shown in Fig. 5 for the construction of neural networks, and the temperature and dew point from January 1, 2005 to December 31, 2014. The neural network for prediction of fog generation is constructed by repeatedly learning the neural network 1 × e 9 times using the difference between temperature, air temperature and dew point temperature, wind speed, wind direction, relative humidity, barometric pressure, solar radiation, and correction value.

2. 2015년1월1일~2015년12월31일까지의 기온, 노점온도, 기온과 노점온도의 차이, 풍속, 풍향, 상대습도, 기압, 일사량값을 도 4와 같이 구축된 신경망에 입력하고, 신경망을 통해 시정값을 출력하고 시정값이 1km 이상인 경우를 안개가 발생한 것으로 설정하고 1km 미만인 경우를 안개가 발생하지 않은 것으로 설정하도록 함2. Input the temperature, dew point temperature, difference between air temperature and dew point temperature, wind speed, wind direction, relative humidity, air pressure, and solar radiation value from January 1, 2015 to December 31, 2015 into the neural network constructed as shown in FIG. Output the corrected value through the neural network, and set the case where the corrected value is 1 km or more as fog and set the case where the value is less than 1 km as fog.

<비교예>Comparative Example

1. 안개발생을 예측하기 위한 의사결정나무(Tree Models), 조건부 추론 나무(Conditional Inference Tree), 랜덤 포레스트(Random Forest), 다항 로지스틱 회귀 분석(Multinomial Logistic Regression), 서포트 벡터 머신(SVM,Support Vector Machine)의 5가지 통계분석기법을 사용함.1.Tree Models, Conditional Inference Trees, Random Forests, Multinomial Logistic Regression, Support Vector Machines (SVM) Machine's five statistical analysis techniques.

2. 5가지의 통계분석기법은 실시예와 동일한 입력변수를 사용하여 2015년1월1일~2015년12월31일까지의 제주 각 지점의 안개 발생 여부를 예측함.2. Five statistical analysis techniques predict the occurrence of fog at each branch of Jeju from January 1, 2015 to December 31, 2015, using the same input parameters as in the example.

<안개 발생 여부 예측에 대한 모델 평가><Evaluation of Model for Predicting Fog Occurrence>

실시예 및 비교예에 의해 안개 발생 예측 방법을 평가 메트릭을 활용하여 평가하였으며, 평가 메트릭은 안개 발생 여부에 대한 분류를 Y,N으로 하여 실시예 및 비교예를 통한 예측값과 실제값의 발생빈도를 아래 [표 1]과 같은 혼동 행렬(Confusion Matrix)로부터 계산하였다. According to the Examples and Comparative Examples, the fog generation prediction method was evaluated by using an evaluation metric, and the evaluation metric was classified as Y and N for the occurrence of fog. It was calculated from the confusion matrix as shown in Table 1 below.

Observed Value(Y)Observed Value (Y) Observed Value(N)Observed Value (N) Predicted Value(Y)Predicted Value (Y) True Positive(TP)True Positive (TP) False Positive(FP)False Positive (FP) Predicted Value(N)Predicted Value (N) False Negative(FN)False Negative (FN) True Negative(TN)True Negative (TN)

아래 [표 2]는 혼동 행렬로부터 계산할 수 있는 대표적인 메트릭이며, 이러한 메트릭을 이용하여 비교예 및 실시예의 우수성을 평가하도록 하였다. Table 2 below is a representative metric that can be calculated from the confusion matrix, and these metrics were used to evaluate the superiority of the comparative examples and examples.

Figure pat00003
Figure pat00003

여기서 Precision은 Y로 예측된 것 중 실제로 Y인 경우의 비율이고 Accuracy는 전체 예측에서 옳은 예측의 비율을 나타낸다. Recall은 실제로 Y인 것들 중 예측이 Y로 된 경우의 비율이며, Specificity는 실제로 N인 것들 중 예측이 N으로 된 경우의 비율이고, FP Rate는 Y가 아닌데 Y로 예측된 비율로 이 값의 경우는 0에 가까울수록 모델이 우수하다고 볼 수 있다. 또한, F1 점수는 Precision과 Recall의 조화평균으로 한쪽만 클 때보다 두 값이 골고루 클 때 큰 값을 가지며, Kappa는 두 평가자의 평가가 얼마나 일치하는지 평가하는 값으로 두 평가자의 평가가 우연히 일치할 확률을 제외한 뒤의 점수를 나타낸다. Where Precision is the ratio of Y predicted to Y actually, and Accuracy represents the ratio of correct predictions to the overall prediction. Recall is the rate at which the prediction is Y out of those that are actually Y, Specificity is the rate at which the prediction is in N out of those that are actually N, and the FP Rate is not Y, but at this rate. The closer to 0, the better the model. In addition, the F1 score is a harmonic mean of Precision and Recall, which is larger when the two values are evenly larger than when only one side is large, and Kappa is a measure of how much the two evaluators' evaluations match. Score after excluding probabilities.

비교예 및 실시예에 의한 안개 발생 여부의 예측에 대해 혼동 행렬을 통해 평가한 결과는 도 6에 도시된 바와 같으며, Accuracy, Specificity에 있어서는 비교예의 서포트 벡터 머신(SVM)이 가장 높은 값을 보였으나, Recall, F1, Precision에서는 현저하게 낮은 모습을 보였고, 신경망(NM)에 의한 본 실시예가 Accuracy, Specificity에서 두번째로 높은 값을 보였고, Kappa, F1, Precision은 가장 높은 값을 보였으며, FP Rate는 낮은 값을 나타냈으므로, 종합적으로 본 실시예를 가장 우수한 모델로 평가할 수 있다. The results of the estimation of the fog caused by the comparative examples and the examples through the confusion matrix are shown in FIG. 6, and the support vector machine (SVM) of the comparative example showed the highest value in accuracy and specificity. B, Recall, F1, and Precision showed remarkably low, this example by Neural Network (NM) showed the second highest value in Accuracy, Specificity, Kappa, F1, Precision showed the highest value, FP Rate Since showed a low value, it can comprehensively evaluate this Example as the best model.

이상에서, 출원인은 본 발명의 다양한 실시예들을 설명하였지만, 이와 같은 실시예들은 본 발명의 기술적 사상을 구현하는 일 실시예일 뿐이며, 본 발명의 기술적 사상을 구현하는 한 어떠한 변경예 또는 수정예도 본 발명의 범위에 속하는 것으로 해석되어야 한다.In the above, the Applicant has described various embodiments of the present invention, but these embodiments are merely one embodiment for implementing the technical idea of the present invention, and any changes or modifications may be made to the present invention as long as the technical idea of the present invention is implemented. It should be interpreted as falling within the scope of.

S1: 신경망구축단계 S11: 변수입력단계 S12: 가중치설정단계
S13: 출력값산출단계 S14: 오차산정단계 S15: 가중치갱신단계
S2: 기상정보수집단계 S3: 안개발생여부출력단계
1: 신경망 11: 입력층 13: 은닉층
131: 제1은닉층 132: 제2은닉층 15: 출력층S1: Neural network construction step S11: Variable input step S12: Weight setting step
S13: output value calculation step S14: error calculation step S15: weight update step
S2: weather information collection step S3: fog generation output step
1: neural network 11: input layer 13: hidden layer
131: first hidden layer 132: second hidden layer 15: output layer

Claims (3)

안개 발생을 예측하기 위한 신경망을 구축하는 신경망구축단계와, 안개 발생을 예측하고자 하는 시점의 기상정보를 수집하는 기상정보수집단계와, 수집된 기상정보를 구축된 신경망에 입력하여 안개 발생 여부를 출력하는 안개발생여부출력단계를 포함하고,
상기 신경망구축단계는,
안개 발생을 예측하기 위한 변수를 신경망에 입력하는 변수입력단계와, 신경망에 임의의 가중치를 설정하는 가중치설정단계와, 입력된 변수와 가중치에 의해 신경망으로부터 시정값에 관한 정보가 출력되도록 하는 출력값산출단계와, 출력된 시정값과 실제 시정값을 비교하여 오차를 산정하는 오차산정단계와, 오차가 일정 범위 이하가 될 때까지 가중치를 갱신하는 가중치갱신단계를 포함하며,
상기 변수입력단계는 기온, 노점온도, 습도, 풍속, 기압, 일사량, 기온과 노점온도의 차이를 입력변수로 설정하는 것을 특징으로 하는 신경망을 이용한 안개 발생 예측방법. A neural network construction step for constructing neural networks for predicting fog occurrence, a meteorological information collection step for collecting weather information at the point of time to predict fog occurrence, and inputting the collected meteorological information into the constructed neural network and outputting whether fog is generated Including a fog generation output step
The neural network construction step,
A variable input step of inputting a variable for predicting fog generation to the neural network, a weight setting step of setting arbitrary weights to the neural network, and an output value calculation for outputting information on the correction value from the neural network by the input variables and weights A step of calculating an error by comparing the output corrected value with an actual corrected value, and a weight updating step of updating a weight until the error is less than a predetermined range,
The variable input step is a fog generation prediction method using a neural network, characterized in that for setting the temperature, dew point temperature, humidity, wind speed, air pressure, solar radiation, the difference between the air temperature and dew point temperature. 제 1 항에 있어서, 상기 신경망구축단계는
2개의 은닉층을 갖는 신경망을 형성하며,
2개의 은닉층은 각각 3개의 노드와 2개의 노드로 형성되도록 하는 것을 특징으로 하는 신경망을 이용한 안개 발생 예측방법. According to claim 1, wherein the neural network building step
Form a neural network with two hidden layers,
Fog generation prediction method using a neural network, characterized in that the two hidden layers are each formed of three nodes and two nodes. 제 2 항에 있어서, 상기 안개발생여부출력단계는
시정값이 일정 거리 이상인 경우를 안개가 발생하는 것으로 예측하며, 시정값이 일정 거리 미만인 경우를 안개가 발생하지 않는 것으로 예측하도록 하는 것을 특징으로 하는 신경망을 이용한 안개 발생 예측방법.





The method of claim 2, wherein the fog generation output step
A fog generation prediction method using a neural network, characterized in that it is predicted that the fog occurs when the corrected value is more than a certain distance, and that the fog does not occur when the corrected value is less than a certain distance.





KR1020180044784A 2018-04-18 2018-04-18 A Method for Forecasting Fog Occurrence Using Neural Network KR20190121460A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180044784A KR20190121460A (en) 2018-04-18 2018-04-18 A Method for Forecasting Fog Occurrence Using Neural Network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180044784A KR20190121460A (en) 2018-04-18 2018-04-18 A Method for Forecasting Fog Occurrence Using Neural Network

Publications (1)

Publication Number Publication Date
KR20190121460A true KR20190121460A (en) 2019-10-28

Family

ID=68422050

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180044784A KR20190121460A (en) 2018-04-18 2018-04-18 A Method for Forecasting Fog Occurrence Using Neural Network

Country Status (1)

Country Link
KR (1) KR20190121460A (en)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102122168B1 (en) * 2020-01-08 2020-06-11 (주)유에스티21 Selecting apparatus and selecting method for sea fog removing prediction model learning method and prediction apparatus and prediction method for sea fog removing
KR20210133718A (en) * 2020-04-29 2021-11-08 이화여자대학교 산학협력단 Method and apparatus for predicting seasonal climate based on mjo / bsiso index
US20220103762A1 (en) * 2020-09-30 2022-03-31 Canon Kabushiki Kaisha Imaging apparatus, imaging system, and imaging method
CN114511061A (en) * 2021-12-29 2022-05-17 青岛市气象台 Shoreside region sea fog visibility forecasting method based on depth neural network
CN116153095A (en) * 2023-04-20 2023-05-23 江西师范大学 Expressway mass fog early warning method based on edge calculation

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102122168B1 (en) * 2020-01-08 2020-06-11 (주)유에스티21 Selecting apparatus and selecting method for sea fog removing prediction model learning method and prediction apparatus and prediction method for sea fog removing
KR20210133718A (en) * 2020-04-29 2021-11-08 이화여자대학교 산학협력단 Method and apparatus for predicting seasonal climate based on mjo / bsiso index
US20220103762A1 (en) * 2020-09-30 2022-03-31 Canon Kabushiki Kaisha Imaging apparatus, imaging system, and imaging method
CN114511061A (en) * 2021-12-29 2022-05-17 青岛市气象台 Shoreside region sea fog visibility forecasting method based on depth neural network
CN116153095A (en) * 2023-04-20 2023-05-23 江西师范大学 Expressway mass fog early warning method based on edge calculation

Similar Documents

Publication Publication Date Title
KR20190121460A (en) A Method for Forecasting Fog Occurrence Using Neural Network
Sharma et al. Forecasting daily global solar irradiance generation using machine learning
CN108304668B (en) Flood prediction method combining hydrologic process data and historical prior data
Péron et al. The energy landscape predicts flight height and wind turbine collision hazard in three species of large soaring raptor
CN103514366B (en) Urban air quality concentration monitoring missing data recovering method
JP5723362B2 (en) Solar radiation intensity prediction system and photovoltaic power generation output prediction system
CN111639787A (en) Spatio-temporal data prediction method based on graph convolution network
Jalalkamali Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters
Das et al. Bayesian Network based modeling of regional rainfall from multiple local meteorological drivers
Putri et al. Learning Bayesian network for rainfall prediction modeling in urban area using remote sensing satellite data (case study: Jakarta, Indonesia)
CN114169434A (en) Load prediction method
CN114966233A (en) Lightning forecasting system and method based on deep neural network
Domańska et al. Explorative forecasting of air pollution
Jiang et al. Hybrid PSO and GA for neural network evolutionary in monthly rainfall forecasting
Leufen et al. Calculating the turbulent fluxes in the atmospheric surface layer with neural networks
Ramos et al. Comparison of Model Output Statistics and Neural Networks to Postprocess Wind Gusts
Yaseen et al. Artificial intelligence based flood forecasting for River Hunza at Danyor Station in Pakistan
CN111242347A (en) Bridge management and maintenance aid decision-making system based on historical weight updating
Velasco et al. Performance analysis of multilayer perceptron neural network models in week-ahead rainfall forecasting
CN115034159A (en) Power prediction method, device, storage medium and system for offshore wind farm
Metia et al. Air pollution prediction using Matérn function based extended fractional Kalman filtering
Sowmiyaa et al. An Insight into Fuzzy Logic Computation Technology and Its Applications in Agriculture and Meteorology
Astudillo et al. Predicting air quality using deep learning in Talca City, Chile
Abdelkader et al. On the Utilization of an Ensemble of Meta-Heuristics for Simulating Energy Consumption in Buildings
Fotouhi et al. A sensitivity analysis on the air quality index based on the pollutants concentrations in Tehran

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application