| 1 |
1
인공 지능 모델을 이용한 기후 지수 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 방법으로서,합성곱에 기반한 잔차 학습 신경망에 전 지구의 해수면 온도(sea surface temperature; SST)와 해수 열용량(heat contents; HC) 데이터를 입력하는 단계;상기 신경망에서 상기 SST 및 HC 데이터로부터 관심 대상인 타겟 지역의 관심 기간에 해당하는 소정 기후 지수(climate index)를 예측하고, 상기 기후 지수의 예측값을 시간적 또는 공간적으로 평균화하여 특징을 추출하며, 관측된 기후 지수와 추론을 통해 예측된 기후 지수 사이의 오차가 최소화되도록 반복 추론을 수행하는 단계;상기 신경망의 학습 가중치를 포함하는 완전 연결 레이어(fully-connected layer) 전후에 드롭아웃 레이어를 적용하는 몬테카를로 드롭아웃(Monte-carlo dropout) 기법을 활용하여, 반복 추론을 통해 예측된 기후 지수 결과의 편차를 연산하여 불확실성(uncertainty)을 계산하는 단계;계층별 관련도 전파 (layer-wise relevance propagation; LRP) 기법을 활용하여 상기 기후 지수를 상기 잔차 학습 신경망의 각 계층별로 재분배함으로써, 입력된 SST 및 HC 데이터의 상기 기후 지수에 대한 기여도 맵(relevance map)을 반복 추론마다 획득하고, 획득된 기여도 맵의 평균으로서 최종 기여도 맵을 계산하는 단계; 및상기 기후 지수와 함께 상기 불확실성 및 최종 기여도 맵을 제공하는 단계를 포함하는 것을 특징으로 하는, 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 방법
|
| 2 |
2
제1항에 있어서, 상기 해수면 온도와 해수 열용량 데이터를 입력하는 단계는,전지구의 해수면 상태를 관찰 기간 및 관찰 영역별로 분리하여 관찰하는 관찰 윈도우를 설정하는 것;상기 관찰 윈도우에 해당하는 SST 맵 및 HC 맵을 구성하는 것; 및구성된 SST 맵 및 HC 맵을 시공간 행렬로 조합하는 것을 포함하는 것을 특징으로 하는, 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 방법
|
| 3 |
3
제2항에 있어서,상기 SST 맵 및 HC 맵은, 상기 관찰 윈도우에 해당하는 데이터의 최대값, 최소값, 평균, 및 표준 편차 중 적어도 하나를 사용하여 정규화되는 것을 특징으로 하는, 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 방법
|
| 4 |
4
제1항에 있어서,상기 반복 추론을 수행하는 단계는,(1, 1, 1) 커널 사이즈를 사용하는 합성곱 레이어를 적용하여 학습되는 특징의 수를 증가시키는 것;Leaky relu를 포함하는 비선형 변환을 위한 활성화 함수 및 소정 커널 사이즈를 사용하는 합성곱 레이어를 두 번 적용하는 잔차 학습 경로에서 잔차를 학습하는 것; 및잔차 학습 경로의 출력을 다운샘플링하여 상기 기후 지수를 포함하는 특징 맵을 추출하는 것을 포함하고,상기 특징 맵은 (시간, 위도, 경도) 차원으로서 정의되는 것을 특징으로 하는, 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 방법
|
| 5 |
5
제4항에 있어서, 상기 특징 맵은,상기 잔차 학습 경로의 마지막 합성곱 레이어의 스트라이드를 (1, 2, 2)로 설정하고, 상기 마지막 합성곱 레이어를 사용하여 상기 특징 맵의 공간 해상도를 감소시킴으로써 추출되는 것을 특징으로 하는, 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 방법
|
| 6 |
6
제5항에 있어서, 상기 특징 맵은,잔차 학습 경로의 마지막 합성곱 레이어의 스트라이드를 (2, 2, 2)로 설정하고, 상기 마지막 합성곱 레이어를 사용하여 상기 특징 맵을 시공간적으로 압축함으로써 추출되는 것을 특징으로 하는, 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 방법
|
| 7 |
7
제5항에 있어서,상기 커널 사이즈, 상기 잔차 학습 경로에 포함되는 잔차 학습 모듈의 개수, 및 상기 완전 연결 레이어의 개수는 상기 SST 및 HC 데이터의 크기 및 관찰 윈도우의 길이에 따라 변경되는 것을 특징으로 하는, 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 방법
|
| 8 |
8
제1항에 있어서,상기 드롭아웃 레이어에 적용되는 드롭아웃 레이트는 고정되고,상기 드롭아웃 레이트는 베이지안 최적화(Bayesian optimization) 및 격자 검색(grid search) 중 적어도 하나를 사용하거나 실험적으로 학습되는 것을 특징으로 하는, 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 방법
|
| 9 |
9
제1항에 있어서,상기 최종 기여도 맵을 계산하는 단계는,순방향 전파를 통해 기후 지수의 예측값을 계산하는 것,상기 신경망의 마지막 레이어로부터 순방향으로 전파할 기여도를 계산하는 것,상기 순방향 전파에 해당하는 그레디언트를 계산하는 것, 및역방향 전파를 통해 전파된 그레디언트 및 특징 값으로부터 기여도를 계산하는 것을 포함하는 것을 특징으로 하는, 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 방법
|
| 10 |
10
제1항에 있어서, 상기 기후 지수는 해수면 온도, 엘니뇨, 라니냐, Nino3
|
| 11 |
11
인공 지능 모델을 이용한 기후 지수 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 시스템으로서,합성곱에 기반한 잔차 학습 신경망을 활용하여, 전 지구의 해수면 온도(SST)와 해수 열용량(HC) 데이터를 입력받는 인터페이스부;상기 인터페이스부로부터 수신된 상기 SST 및 HC 데이터로부터 관심 대상인 타겟 지역의 관심 기간에 해당하는 소정 기후 지수를 반복하여 예측하며, 예측된 기후 지수의 예측값을 평균하여 기후 지수를 특징으로서 추출하고, 실제 SST 및 HC 데이터의 평균값과 추출된 특징 사이의 오차를 최소화하도록 반복 추론을 수행하는, 기후 지수 학습부; 및상기 기후 지수를 디스플레이하는 디스플레이부를 포함하고,상기 기후 지수 학습부는,상기 신경망의 완전 연결 레이어 전후에 드롭아웃 레이어를 적용하는 몬테카를로 드롭아웃 기법을 활용하여, 반복 추론을 통해 예측된 결과의 편차를 연산하여 불확실성을 계산하는 불확실성 계산부; 및계층별 관련도 전파 (LRP) 기법을 활용하여 상기 기후 지수를 상기 잔차 학습 신경망의 각 계층별로 재분배함으로써, 입력된 SST 및 HC 데이터의 상기 기후 지수에 대한 기여도 맵을 반복 추론마다 획득하고, 획득된 기여도 맵의 평균으로서 최종 기여도 맵을 계산하는 기여도 계산부를 포함하며,상기 디스플레이부는,상기 기후 지수와 함께 상기 불확실성 및 최종 기여도 맵을 제공하는 것을 특징으로 하는, 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 시스템
|
| 12 |
12
제11항에 있어서, 상기 기후 지수 학습부는,전지구의 해수면 상태를 관찰 기간 및 관찰 영역별로 분리하여 관찰하는 관찰 윈도우를 설정하고,상기 관찰 윈도우에 해당하는 SST 맵 및 HC 맵을 구성하며,구성된 SST 맵 및 HC 맵을 시공간 행렬로 조합하도록 구성되는 것을 특징으로 하는, 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 시스템
|
| 13 |
13
제12항에 있어서,상기 기후 지수 학습부는,상기 관찰 윈도우에 해당하는 데이터의 최대값, 최소값, 평균, 및 표준 편차 중 적어도 하나를 사용하여 상기 SST 맵 및 HC 맵을 정규화하도록 더 구성되는 것을 특징으로 하는, 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 시스템
|
| 14 |
14
제11항에 있어서,상기 기후 지수 학습부는,(1, 1, 1) 커널 사이즈를 사용하는 합성곱 레이어를 적용하여 학습되는 특징의 수를 증가시키고,Leaky relu를 포함하는 비선형 변환을 위한 활성화 함수 및 소정 커널 사이즈를 사용하는 합성곱 레이어를 두 번 적용하는 잔차 학습 경로에서 잔차를 학습하며,잔차 학습 경로의 출력을 다운샘플링하여 상기 기후 지수를 포함하는 특징 맵을 추출하도록 구성되고,상기 특징 맵은 (시간, 위도, 경도) 차원으로서 정의되는 것을 특징으로 하는, 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 시스템
|
| 15 |
15
제14항에 있어서, 상기 기후 지수 학습부는,상기 잔차 학습 경로의 마지막 합성곱 레이어의 스트라이드를 (1, 2, 2)로 설정하고, 상기 마지막 합성곱 레이어를 사용하여 상기 특징 맵의 공간 해상도를 감소시킴으로써 상기 특징 맵을 추출하도록 더 구성되는 것을 특징으로 하는, 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 시스템
|
| 16 |
16
제15항에 있어서, 상기 기후 지수 학습부는,잔차 학습 경로의 마지막 합성곱 레이어의 스트라이드를 (2, 2, 2)로 설정하고, 상기 마지막 합성곱 레이어를 사용하여 상기 특징 맵을 시공간적으로 압축함으로써 상기 특징 맵을 추출하도록 더 구성되는 것을 특징으로 하는, 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 시스템
|
| 17 |
17
제15항에 있어서,상기 커널 사이즈, 상기 잔차 학습 경로에 포함되는 잔차 학습 모듈의 개수, 및 상기 완전 연결 레이어의 개수는 상기 SST 및 HC 데이터의 크기 및 관찰 윈도우의 길이에 따라 변경되는 것을 특징으로 하는, 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 시스템
|
| 18 |
18
제11항에 있어서,상기 불확실성 계산부는, 상기 드롭아웃 레이어에 적용되는 드롭아웃 레이트를 고정하고,상기 드롭아웃 레이트를 베이지안 최적화 및 격자 검색 중 적어도 하나를 사용하거나 실험적으로 학습하도록 구성되는 것을 특징으로 하는, 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 시스템
|
| 19 |
19
제11항에 있어서,상기 기여도 계산부는,순방향 전파를 통해 기후 지수의 예측값을 계산하고,상기 신경망의 마지막 레이어로부터 순방향으로 전파할 기여도를 계산하며,상기 순방향 전파에 해당하는 그레디언트를 계산하고,역방향 전파를 통해 전파된 그레디언트 및 특징 값으로부터 기여도를 계산하도록 구성되는 것을 특징으로 하는, 예측 결과에 대한 불확실성과 기여도를 제공하는 기후 지수 예측 시스템
|
| 20 |
20
제11항에 있어서,상기 기후 지수는 해수면 온도, 엘니뇨, 라니냐, Nino3
|
