| 1 |
1
환경 계측 자료를 입력으로 수신하여 환경에 대한 모니터링 결과의 통합적인 해석 및 예측결과에 대한 데이터를 출력하는 환경 예측 모델을 구축(establish)하고, 구축된 상기 환경 예측 모델에 대응되는 단일(single) 또는 복수(multiple)의 훈련지표 값을 최적화하는 훈련지표 최적화 장치에 있어서,상기 환경 계측 자료의 데이터세트의 관측항목과 관측시간 해상도에 따른 데이터 매트릭스를 기반데이터세트로서 구성하고 정렬하는 전처리부;상기 정렬된 기반데이터세트에 대한 시간영역 해상도에 따른 다해상도 웨이블렛 해석을 통해 시간-주파수 영역에 대한 웨이블렛 에너지 분포 데이터를 도출하고, 상기 도출된 웨이블렛 에너지 분포 데이터에 차원 축소 기법을 적용하여 잠재 환경 구동력 후보군을 선정하며, 상기 선정된 잠재 환경 구동력 후보군에 대한 변동 특성(variability)을 추출하고, 상기 추출된 변동특성에 기초하여 동적 특성을 추출(extract) 및 계량화(quantification)하는 동적 특성 처리부; 상기 추출된 동적 특성에 기초하여 상기 환경 계측 자료에 대한 구동력을 식별 및 평가하고, 상기 평가 결과에 대응하여 상기 선정된 잠재 환경 구동력 후보군 중 핵심 특성치 그룹(key features group)을 선정하는 핵심 특성치 그룹 선정부 및 상기 선정된 핵심 특성치 그룹과 상기 환경 계측 자료에 기초하여 상기 환경 예측 모델을 구축하고, 구축된 상기 환경 예측 모델에 대응되는 복수의 훈련지표 값을 제어하는 지표 최적화부를 포함하고,상기 핵심 특성치 그룹 선정부는, 상기 선정된 잠재 환경 구동력 후보군의 잠재 환경 구동력과 상기 환경 계측 자료 간의 다해상도 상관성을 판단(determine)하고, 상기 다해상도 상관성의 판단을 통해 상기 잠재 환경 구동력과 상기 환경 계측 자료간 최대상관스케일을 선정하며, 상기 잠재 환경 구동력과 상기 환경 계측 자료 및 상기 선정된 최대상관스케일을 이용하여 상기 구동력을 식별하고, 상기 선정된 최대상관스케일의 결합에너지비율에 기초하여 상대적 기여도를 평가하며, 상기 평가된 상대적 기여도에 기초하여 상기 핵심 특성치 그룹을 선정하는 훈련지표 최적화 장치
|
| 2 |
2
제1항에 있어서, 상기 환경 계측 자료는, 실시간으로 계측되는 수문-환경 시계열 자료를 포함하고, 상기 수문-환경 시계열 자료는, 수문 기상 데이터, 하천 수위 데이터, 지하 수위 데이터, 수질 데이터, 온도 데이터, EC 데이터, 동위원소비율 데이터, 토양 가스 데이터 및 미세먼지 데이터 중 적어도 하나 이상의 환경 데이터를 포함하는 훈련지표 최적화 장치
|
| 3 |
3
제1항에 있어서, 상기 전처리부는, 상기 정렬된 기반데이터세트에 대한 시간영역 해상도 또는 시간관측 간격 별 결측자료를 보간 처리하고, 상기 보간 처리된 기반데이터세트의 자료를 다해상도필터 뱅크를 이용하여 노이즈 필터링하며, 상기 노이즈 필터링된 결과를 표준화 및 정규화 하는훈련지표 최적화 장치
|
| 4 |
4
삭제
|
| 5 |
5
제1항에 있어서, 상기 동적 특성 처리부는,상기 선정된 잠재 환경 구동력 후보군의 시간영역 해상도별 시간변화에 따른 상기 변동특성을 추출하고, 상기 추출된 변동특성에 기초하여 상기 동적 특성을 추출 및 계량화하는훈련지표 최적화 장치
|
| 6 |
6
제1항에 있어서, 상기 차원 축소 기법은, 주성분 분석(principle component analysis; PCA), 독립성분 분석(independent component analysis; ICA), 시계열 요인분석(time series factor analysis, TSFA), 경험적모드분석(empirical mode decomposition; EMD) 및 다해상도상태공간모델(multiresolution state-space model; MRSSM) 중 적어도 하나 이상의 기법을 포함하는 훈련지표 최적화 장치
|
| 7 |
7
제1항에 있어서, 상기 핵심 특성치 그룹 선정부는, 상기 잠재 환경 구동력과, 상기 환경 계측 자료간 다해상도 상관성을 판단하되, 상기 잠재 환경 구동력과 상기 환경 계측 자료간 시간지연 및 위상변화를 반영한 상관성 판단을 수행하는훈련지표 최적화 장치
|
| 8 |
8
제1항에 있어서, 상기 핵심 특성치 그룹 선정부는, 상기 잠재 환경 구동력과 상기 환경 계측 자료간 웨이블렛 에너지 비율과 상기 선정된 최대상관스케일의 상관관계를 이용하여 상기 구동력을 식별하고, 상기 선정된 최대상관스케일의 결합에너지비율과 차원축소모델의 설명력 지표간의 선형결합을 처리하여 상기 상대적 기여도를 평가하는훈련지표 최적화 장치
|
| 9 |
9
제1항에 있어서, 상기 핵심 특성치 그룹 선정부는,상기 선정된 잠재 환경 구동력 후보군 및 상기 핵심 특성치 그룹을 입력으로 수신하여 훈련 과정을 수행하는 사전 조정된 LSTM 네트워크(well-tuned LSTM networks)를 구축하고, 상기 사전 조정된 LSTM 네트워크로부터 출력되는 출력값을 이용하여 상기 잠재 환경 구동력을 검증하는훈련지표 최적화 장치
|
| 10 |
10
제1항에 있어서, 상기 지표 최적화부는상기 핵심 특성치 그룹과 상기 환경 계측 자료를 입력으로 하는 장단기기억네트워크(Long-short Term Memory Network) 모델을 구축하고, 구축된 상기 장단기기억네트워크 모델에 기초하여 상기 환경 예측 모델을 구축하며, 상기 선정된 최대상관스케일에 기초하여 상기 복수의 훈련지표 값을 사전 정량화(pre-quantification)하는훈련지표 최적화 장치
|
| 11 |
11
제10항에 있어서, 상기 지표 최적화부는,상기 환경 계측 자료로부터 측정되는 관측값과, 상기 장단기기억네트워크 모델로부터 예측되는 예측값에 대한 잔차검증 및 잔차의 다해상도해석을 수행하여 적어도 하나 이상의 상기 환경 예측 모델을 구축하되, 복합모델검증지표에 기초하여 상기 잔차검증 및 상기 잔차의 다해상도해석을 수행하고, 구축된 적어도 하나 이상의 상기 환경 예측 모델 중 어느 하나의 예측 모델 또는 둘 이상의 예측 모델이 결합한 결합 예측 모델(combined prediction model)에 기초하여 상기 사전 정량화된 복수의 훈련지표를 정량화하는훈련지표 최적화 장치
|
| 12 |
12
제11항에 있어서, 상기 지표 최적화부는,상기 정량화된 복수의 훈련지표 중 적어도 둘 이상의 훈련지표를 이용하는 최적훈련지표모형을 구성하는 훈련지표 최적화 장치
|
| 13 |
13
제1항에 있어서, 상기 복수의 훈련지표 값은,훈련기간(training period, T), 최소 배치 사이즈(minibatch size, mbs), 은닉층(hidden layers, HL)의 개수 및 최적 반복회수(epochs, E) 중 적어도 하나의 값을 포함하는훈련지표 최적화 장치
|
| 14 |
14
환경 계측 자료를 입력으로 수신하여 환경에 대한 모니터링 결과의 통합적인 해석 및 예측결과에 대한 데이터를 출력하는 환경 예측 모델을 구축(establish)하고, 구축된 상기 환경 예측 모델에 대응되는 단일(single) 또는 복수(multiple)의 훈련지표 값을 최적화하는 훈련지표 최적화 방법에 있어서,전처리부에서, 상기 환경 계측 자료의 데이터세트의 관측항목과 관측시간 해상도에 따른 데이터 매트릭스를 기반데이터세트로서 구성하고 정렬하는 단계;동적 특성 처리부에서, 상기 정렬된 기반데이터세트에 대한 시간영역 해상도에 따른 다해상도 웨이블렛 해석을 통해 시간-주파수 영역에 대한 웨이블렛 에너지 분포 데이터를 도출하고, 상기 도출된 웨이블렛 에너지 분포 데이터에 적용하여 잠재 환경 구동력 후보군을 선정하며, 상기 선정된 잠재 환경 구동력 후보군에 대한 변동 특성(variability)을 추출하고, 상기 추출된 변동특성에 기초하여 동적 특성을 추출(extract) 및 계량화(quantification)하는 단계;핵심 특성치 그룹 선정부에서, 상기 추출된 동적 특성에 기초하여 상기 환경 계측 자료에 대한 구동력을 식별 및 평가하고, 상기 평가 결과에 대응하여 상기 선정된 잠재 환경 구동력 후보군 중 핵심 특성치 그룹(key features group)을 선정하는 단계 및 지표 최적화부에서, 상기 선정된 핵심 특성치 그룹과 상기 환경 계측 자료에 기초하여 상기 환경 예측 모델을 구축하고, 구축된 상기 환경 예측 모델에 대응되는 복수의 훈련지표 값을 제어하는 단계를 포함하고,상기 핵심 특성치 그룹을 선정하는 단계는,상기 선정된 잠재 환경 구동력 후보군의 잠재 환경 구동력과 상기 환경 계측 자료 간의 다해상도 상관성을 판단(determine)하고, 상기 다해상도 상관성의 판단을 통해 상기 잠재 환경 구동력과 상기 환경 계측 자료간 최대상관스케일을 선정하며, 상기 잠재 환경 구동력과 상기 환경 계측 자료 및 상기 선정된 최대상관스케일을 이용하여 상기 구동력을 식별하고, 상기 선정된 최대상관스케일의 결합에너지비율에 기초하여 상대적 기여도를 평가하며, 상기 평가된 상대적 기여도에 기초하여 상기 핵심 특성치 그룹을 선정하는 훈련지표 최적화 방법
|
| 15 |
15
제14항에 있어서, 상기 동적 특성을 추출 및 계량화하는 단계는, 상기 선정된 잠재 환경 구동력 후보군의 시간영역 해상도별 시간변화에 따른 상기 변동특성을 추출하고, 상기 추출된 변동특성에 기초하여 상기 동적 특성을 추출 및 계량화하는 단계를 더 포함하는 훈련지표 최적화 방법
|
| 16 |
16
제15항에 있어서, 상기 핵심 특성치 그룹을 선정하는 단계는, 상기 잠재 환경 구동력과, 상기 환경 계측 자료 간 다해상도 상관성을 판단하되, 상기 잠재 환경 구동력과 상기 환경 계측 자료간 시간지연 및 위상변화를 반영한 상관성 판단을 수행하고, 상기 잠재 환경 구동력과 상기 환경 계측 자료간 웨이블렛 에너지 비율과 상기 선정된 최대상관스케일의 상관관계를 이용하여 상기 구동력을 식별하고, 상기 선정된 최대상관스케일의 결합에너지비율과 차원축소모델의 설명력 지표간의 선형결합을 처리하여 상기 상대적 기여도를 평가하는 훈련지표 최적화 방법
|
| 17 |
17
제14항에 있어서, 상기 복수의 훈련지표 값을 제어하는 단계는, 상기 핵심 특성치 그룹과 상기 환경 계측 자료를 입력으로 하는 장단기기억네트워크(Long-short Term Memory Network) 모델을 구축하고, 구축된 상기 장단기기억네트워크 모델에 기초하여 상기 환경 예측 모델을 구축하며, 상기 선정된 최대상관스케일에 기초하여 상기 복수의 훈련지표 값을 사전 정량화(pre-quantification)하는 단계;상기 환경 계측 자료로부터 측정되는 관측값과, 상기 장단기기억네트워크 모델로부터 예측되는 예측값에 대한 잔차검증 및 잔차의 다해상도해석을 수행하여 적어도 하나 이상의 상기 환경 예측 모델을 구축하되, 복합모델검증지표에 기초하여 상기 잔차검증 및 상기 잔차의 다해상도해석을 수행하고, 구축된 적어도 하나 이상의 상기 환경 예측 모델 중 어느 하나의 예측 모델 또는 둘 이상의 예측 모델이 결합한 결합 예측 모델(combined prediction model)에 기초하여 상기 사전 정량화된 복수의 훈련지표를 사후 정량화(post-quantification)하는 단계 및 상기 정량화된 복수의 훈련지표 중 적어도 둘 이상의 훈련지표를 이용하는 최적훈련지표모형을 구성하는 단계를 더 포함하는 훈련지표 최적화 방법
|
| 18 |
18
제14항에 있어서, 상기 복수의 훈련지표 값은,훈련기간(training period, T), 최소 배치 사이즈(minibatch size, mbs), 은닉층(hidden layers, HL)의 개수 및 최적 반복회수(epochs, E) 중 적어도 하나의 값을 포함하는훈련지표 최적화 방법
|
