| 1 |
1
제1 장치로부터 수집된 소정 공간의 실측 특성값을 포함하는 하나 이상의 제1 프레임 및 상기 제1 장치와 다른 제2 장치로부터 수집된 상기 소정 공간의 예측 특성값을 포함하는 하나 이상의 제2 프레임이 소정의 타임 주기로 입력되는 입력부; 및특정 시점(T) 이전의 경우, 상기 제1 프레임에 포함된 실측 특성값 및 상기 제2 프레임에 포함된 예측 특성값을 이용하여 딥러닝 모델의 연산 정확도를 향상시키며, 특정 시점(T) 이후의 경우, 상기 딥러닝 모델을 이용하여 상기 특정 시점(T) 이후의 프레임에 포함된 특성값을 예측하는 프로세서를 포함하며,상기 프로세서는,상기 특정 시점(T)의 제1 프레임을 입력으로 하여 상기 딥러닝 모델의 연산 수행에 의해 제1 미래 시점(T+1)의 제1 프레임으로 출력하고,출력된 제1 미래 시점(T+1)의 제1 프레임을 입력으로 하여 상기 딥러닝 모델의 연산 수행에 의해 제2 미래 시점(T+2)의 제1 프레임으로 출력하는 것을 소정 타임 구간동안 제N 미래 시점(T+N)까지 반복하며,상기 소정 타임 구간 동안에 출력된 제1 프레임 각각의 시점에 대응되는 제2 프레임을 입력으로 상기 딥러닝 모델의 연산 수행에 의해 제1 미래 시점(T+1) 내지 제N 미래시점(T+N)의 제2 프레임을 출력하고,상기 소정 타임 구간에 대응되는 제1 프레임의 특성값을 출력된 상기 제2 프레임에 포함된 예측 특성값에 기초하여 보정하는, 공간의 특성값 예측 장치
|
| 2 |
2
삭제
|
| 3 |
3
제1항에 있어서,상기 딥러닝 모델은,제1 서브 네트워크 모델, 상기 제1 서브 네트워크 모델로부터 연산에 관한 정보를 제공받는 제2 서브 네트워크 모델 및 제3 서브 네트워크 모델을 포함하며,상기 프로세서는,상기 특정 시점(T) 이전의 실측 특성값을 포함하는 하나 이상의 제1 프레임을 입력 프레임으로 입력받아 상기 제1 서브 네트워크 모델의 연산을 수행하여 출력 프레임을 출력하고, 상기 출력 프레임과 상기 입력 프레임을 비교하여 상기 제1 서브 네트워크 모델의 연산 정확도를 향상시키는, 공간의 특성값 예측 장치
|
| 4 |
4
제3항에 있어서,상기 프로세서는,상기 특정 시점(T)의 실측 특성값을 포함하는 제1 프레임을 상기 제1 서브 네트워크 모델의 연산을 수행하여 제1 미래 시점(T+1)의 제1 프레임을 출력하고, 출력된 제1 미래 시점(T+1)의 제1 프레임을 상기 제2 서브 네트워크 모델의 연산에 의해 제2 미래 시점(T+2)의 제1 프레임으로 출력하며, 출력된 제2 미래 시점(T+2)의 제1 프레임을 상기 제2 서브 네트워크 모델의 연산에 의해 제3 미래 시점(T+3)의 제1 프레임으로 출력하며, 출력된 제3 미래 시점(T+3)의 제1 프레임을 상기 제2 서브 네트워크 모델의 연산에 의해 제4 미래 시점(T+4)의 제1 프레임으로 출력하는 것을 상기 소정 타임 구간동안 상기 제N 미래 시점(T+N)까지 반복하는, 공간의 특성값 예측 장치
|
| 5 |
5
제4항에 있어서,상기 프로세서는,상기 소정 타임 구간 동안의 제1 미래시점(T+1) 내지 제N 미래시점(T+N)에 출력된 제1 프레임 각각에 대응되는 제2 프레임을 상기 제3 서브 네트워크 모델의 입력으로 하여, 제3 서브 네트워크 모델의 연산을 수행하고, 출력된 제2 프레임의 예측 특성값에 기초하여 제1 프레임의 특성값을 보정하는, 공간의 특성값 예측 장치
|
| 6 |
6
제5항에 있어서,상기 제1 서브 네트워크 모델, 제2 서브 네트워크 모델 및 제3 서브 네트워크 모델은 상기 프레임에 포함된 특성값을 추상화 정보로 압축하는 복수의 컴프레션(Compression) 레이어를 포함하며, 추상화 정보를 프레임에 포함된 특성값으로 압축을 푸는 복수의 디컴프레션(Decompression) 레이어를 포함하는, 공간의 특성값 예측 장치
|
| 7 |
7
제6항에 있어서,상기 프로세서는,상기 제1 서브 네트워크 모델의 컴프레션 레이어에 포함된 특정 상태값을, 상기 제1 서브 네트워크 모델의 컴프레션 레이어에 대응되는 상기 제2 서브 네트워크 모델 및 제3 서브 네트워크 모델의 디컴프레션 레이어로 제공하는, 공간의 특성값 예측 장치
|
| 8 |
8
제1항에 있어서,상기 소정 공간은 복수의 영역으로 분할되고,상기 프로세서는,상기 분할된 영역 중 일부 이상의 분할 영역에 대한 실측 특성값을 타임순으로 수집하고, 상기 실측 특성값이 수집된 분할 영역 및 상기 실측 특성값이 수집되지 않은 분할 영역에 대한 예측 특성값을 타임순으로 수집하는, 공간의 특성값 예측 장치
|
| 9 |
9
제1항에 있어서,상기 실측 특성값 및 예측 특성값은 상기 소정 공간의 강수 정보를 나타내는 수치인, 공간의 특성값 예측 장치
|
| 10 |
10
프로세서에 의해 수행되는 공간의 특성값 예측 방법으로,제1 장치로부터 수집된 소정 공간의 실측 특성값을 포함하는 하나 이상의 제1 프레임 및 상기 제1 장치와 다른 제2 장치로부터 수집된 상기 소정 공간의 예측 특성값을 포함하는 하나 이상의 제2 프레임이 소정의 타임 주기로 입력되는 단계; 특정 시점(T) 이전의 경우, 상기 제1 프레임에 포함된 실측 특성값 및 상기 제2 프레임에 포함된 예측 특성값을 이용하여 딥러닝 모델의 연산 정확도를 향상시키는 단계; 및특정 시점(T) 이후의 경우, 상기 딥러닝 모델을 이용하여 상기 특정 시점(T) 이후의 프레임에 포함된 특성값을 예측하는 단계를 포함하며,상기 프로세서는,상기 특정 시점(T)의 제1 프레임을 입력으로 하여 상기 딥러닝 모델의 연산 수행에 의해 제1 미래 시점(T+1)의 제1 프레임으로 출력하고,출력된 제1 미래 시점(T+1)의 제1 프레임을 입력으로 하여 상기 딥러닝 모델의 연산 수행에 의해 제2 미래 시점(T+2)의 제1 프레임으로 출력하는 것을 소정 타임 구간동안 제N 미래 시점(T+N)까지 반복하며,상기 소정 타임 구간 동안에 출력된 제1 프레임 각각의 시점에 대응되는 제2 프레임을 입력으로 상기 딥러닝 모델의 연산 수행에 의해 제1 미래 시점(T+1) 내지 제N 미래시점(T+N)의 제2 프레임을 출력하고,상기 소정 타임 구간에 대응되는 제1 프레임의 특성값을 출력된 상기 제2 프레임에 포함된 예측 특성값에 기초하여 보정하는, 공간의 특성값 예측 방법
|
| 11 |
11
컴퓨터 상에서 수행하기 위한 프로그램을 기록한 비일시적 컴퓨터 판독 가능한 기록 매체에서 상기 프로그램은, 프로세서에 의한 실행 시, 상기 프로세서가, 제1 장치로부터 수집된 소정 공간의 실측 특성값을 포함하는 하나 이상의 제1 프레임 및 상기 제1 장치와 다른 제2 장치로부터 수집된 상기 소정 공간의 예측 특성값을 포함하는 하나 이상의 제2 프레임이 소정의 타임 주기로 입력되는 동작, 특정 시점(T) 이전의 경우 상기 제1 프레임에 포함된 실측 특성값 및 상기 제2 프레임에 포함된 예측 특성값을 이용하여 딥러닝 모델의 연산 정확도를 향상시키는 동작 및 특정 시점(T) 이후의 경우, 상기 딥러닝 모델을 이용하여 상기 특정 시점(T) 이후의 프레임에 포함된 특성값을 예측하는 동작을 수행하도록 하는 실행 가능한 명령을 포함하며,상기 프로세서는,상기 특정 시점(T)의 제1 프레임을 입력으로 하여 상기 딥러닝 모델의 연산 수행에 의해 제1 미래 시점(T+1)의 제1 프레임으로 출력하고,출력된 제1 미래 시점(T+1)의 제1 프레임을 입력으로 하여 상기 딥러닝 모델의 연산 수행에 의해 제2 미래 시점(T+2)의 제1 프레임으로 출력하는 것을 소정 타임 구간동안 제N 미래 시점(T+N)까지 반복하며,상기 소정 타임 구간 동안에 출력된 제1 프레임 각각의 시점에 대응되는 제2 프레임을 입력으로 상기 딥러닝 모델의 연산 수행에 의해 제1 미래 시점(T+1) 내지 제N 미래시점(T+N)의 제2 프레임을 출력하고,상기 소정 타임 구간에 대응되는 제1 프레임의 특성값을 출력된 상기 제2 프레임에 포함된 예측 특성값에 기초하여 보정하는, 비일시적 컴퓨터 판독 가능한 기록 매체
|
