1 |
1
미세먼지의 시간에 따른 농도 시계열 데이터(Series data)의 비선형 동적 특성(nonlinear dynamics)을 위상 공간 분석(Phase space analysis)을 통해 분석하여 비선형 예측 모델의 구조를 결정하는 단계;상기 결정된 비선형 예측 모델의 구조를 이용하여 커널 함수(Kernel function)를 갖는 글로벌 추정 모델을 생성하는 단계; 상기 농도 시계열 데이터를 이용하여 상기 생성된 글로벌 추정 모델(global estimation model)을 학습시키는 단계; 및 상기 학습시킨 글로벌 추정 모델을 이용하여 미세먼지의 제1 농도 예측 값을 결정하는 단계를 포함하고, 상기 비선형 예측 모델의 구조를 결정하는 단계는, 미세먼지의 농도 시계열 데이터의 비선형 동적 특성에 대한 위상 공간 분석을 통해 예측 단계(prediction step)에 대한 임베딩 차원(Embedding dimension)과 지연 시간을 계산하여 비선형 예측 모델의 구조를 결정하는, 미세먼지의 농도 예측 방법
|
2 |
2
삭제
|
3 |
3
제1항에 있어서, 상기 비선형 예측 모델의 구조를 결정하는 단계는, 미세먼지의 농도 시계열 데이터와 예측 단계(prediction step)으로부터 목표 함수의 평활도 척도 값을 계산하는 단계; 및 상기 계산된 평활도 척도 값이 기설정된 척도 값보다 큰 경우의 임베딩 차원과 지연 시간을 계산하여 예측 모델의 임베딩 차원과 지연 시간으로 결정하는 단계를 포함하는 미세먼지의 농도 예측 방법
|
4 |
4
제3항에 있어서, 상기 평활도 척도 값을 계산하는 단계는, 목표 함수의 평활도 척도 값을 농도 시계열 데이터의 그래디언트의 평균으로 계산하는 미세먼지의 농도 예측 방법
|
5 |
5
제1항에 있어서, 상기 글로벌 추정 모델을 생성하는 단계는, 상기 계산된 임베딩 차원 및 지연 시간을 이용하여 가우시안 커널 함수를 갖는 글로벌 추정 모델을 생성하는 미세먼지의 농도 예측 방법
|
6 |
6
제1항에 있어서, 상기 생성된 글로벌 추정 모델을 학습시키는 단계는, 상기 농도 시계열 데이터에 대한 증분 학습(incremental learning)을 이용하여 상기 생성된 글로벌 추정 모델을 학습시키는 미세먼지의 농도 예측 방법
|
7 |
7
제1항에 있어서, 상기 생성된 글로벌 추정 모델을 학습시키는 단계는, 가우시안 커널 함수의 증분 학습의 정지 기준(stopping criteria)으로 사용된 시계열 데이터의 잡음 분산(noise variance)에 대한 신뢰구간을 검사하여 적어도 하나의 가우시안 커널 함수의 최적의 개수를 결정하는 미세먼지의 농도 예측 방법
|
8 |
8
제1항에 있어서, 상기 미세먼지의 농도 시계열 데이터와 상기 미세먼지의 제1 농도 예측 값 간의 상기 학습된 글로벌 추정 모델의 오차를 로컬 추정 모델(Local estimation model)을 통해 보상하여 제2 농도 예측 값을 결정하는 단계를 더 포함하는 미세먼지의 농도 예측 방법
|
9 |
9
제8항에 있어서,상기 제2 농도 예측 값을 결정하는 단계는, 상기 미세먼지의 농도 시계열 데이터와 상기 미세먼지의 제1 농도 예측 값 간의 상기 학습된 글로벌 추정 모델의 오차와 상기 오차에 해당하는 적어도 하나의 오차 벡터를 수집하는 미세먼지의 농도 예측 방법
|
10 |
10
제9항에 있어서,상기 제2 농도 예측 값을 결정하는 단계는, 상기 수집된 오차 벡터에 대해 평균 제곱 오차가 최소가 되도록 로컬 추정 모델의 가중치를 업데이트하는 미세먼지의 농도 예측 방법
|
11 |
11
대기 오염의 시간에 따른 농도 시계열 데이터(Series data)의 비선형 동적 특성(nonlinear dynamics)을 위상 공간 분석(Phase space analysis)을 통해 분석하여 비선형 예측 모델의 구조를 결정하는 모델 구조 결정부;상기 결정된 비선형 예측 모델의 구조를 이용하여 커널 함수(Kernel function)를 갖는 글로벌 추정 모델을 생성하는 모델 생성부; 상기 농도 시계열 데이터를 이용하여 상기 생성된 글로벌 추정 모델(global estimation model)을 학습시키는 모델 학습부; 및 상기 학습시킨 글로벌 추정 모델을 이용하여 미세먼지의 제1 농도 예측 값을 결정하는 제1 농도 예측부를 포함하고, 상기 모델 구조 결정부는, 미세먼지의 농도 시계열 데이터의 비선형 동적 특성에 대한 위상 공간 분석을 통해 예측 단계(prediction step)에 대한 임베딩 차원(Embedding dimension)과 지연 시간을 계산하여 비선형 예측 모델의 구조를 결정하는, 미세먼지의 농도 예측 장치
|
12 |
12
삭제
|
13 |
13
제11항에 있어서, 상기 모델 구조 결정부는, 미세먼지의 농도 시계열 데이터와 예측 단계(prediction step)으로부터 목표 함수의 평활도 척도 값을 계산하는 평활도 척도 계산부; 및 상기 계산된 평활도 척도 값이 기설정된 척도 값보다 큰 경우의 임베딩 차원과 지연 시간을 계산하여 예측 모델의 임베딩 차원과 지연 시간으로 결정하는 차원 및 시간 결정부를 포함하는 미세먼지의 농도 예측 장치
|
14 |
14
제13항에 있어서, 상기 차원 및 시간 결정부는, 목표 함수의 평활도 척도 값을 농도 시계열 데이터의 그래디언트의 평균으로 계산하는 미세먼지의 농도 예측 장치
|
15 |
15
제11항에 있어서, 상기 모델 생성부는, 상기 계산된 임베딩 차원 및 지연 시간을 이용하여 가우시안 커널 함수를 갖는 글로벌 추정 모델을 생성하는 미세먼지의 농도 예측 장치
|
16 |
16
제11항에 있어서, 상기 모델 학습부는, 상기 농도 시계열 데이터에 대한 증분 학습(incremental learning)을 이용하여 상기 생성된 글로벌 추정 모델을 학습시키는 미세먼지의 농도 예측 장치
|
17 |
17
제11항에 있어서, 상기 모델 학습부는, 가우시안 커널 함수의 증분 학습의 정지 기준(stopping criteria)으로 사용된 시계열 데이터의 잡음 분산(noise variance)에 대한 신뢰구간을 검사하여 적어도 하나의 가우시안 커널 함수의 최적의 개수를 결정하는 미세먼지의 농도 예측 장치
|
18 |
18
제11항에 있어서, 상기 미세먼지의 농도 시계열 데이터와 상기 미세먼지의 제1 농도 예측 값 간의 상기 학습된 글로벌 추정 모델의 오차를 로컬 추정 모델(Local estimation model)을 통해 보상하여 제2 농도 예측 값을 결정하는 제2 농도 예측부를 더 포함하는 미세먼지의 농도 예측 장치
|
19 |
19
제18항에 있어서,상기 제2 농도 예측부는, 상기 미세먼지의 농도 시계열 데이터와 상기 미세먼지의 제1 농도 예측 값 간의 상기 학습된 글로벌 추정 모델의 오차와 상기 오차에 해당하는 적어도 하나의 오차 벡터를 수집하는 미세먼지의 농도 예측 장치
|
20 |
20
제19항에 있어서,상기 제2 농도 예측부는, 상기 수집된 오차 벡터에 대해 평균 제곱 오차가 최소가 되도록 로컬 추정 모델의 가중치를 업데이트하는 미세먼지의 농도 예측 장치
|