| 1 |
1
컴퓨팅 장치에 의해 수행되는 방법에 있어서,강우 데이터 및 기상 수치 모델 데이터를 이용하여 일련의 연속된 프레임으로 구성된 학습 데이터를 생성하는 단계;상기 학습 데이터를 인코더-디코더(encoder-decoder) 구조의 신경망에 적용하여 강수 예측 모델을 생성하는 단계; 및예측 대상 데이터를 상기 강수 예측 모델에 입력하여 강수 예측 정보를 출력하는 단계를 포함하는,강수 예측 방법
|
| 2 |
2
제1 항에 있어서,상기 강우 데이터는, 강우 레이더 합성 영상인,강수 예측 방법
|
| 3 |
3
제2 항에 있어서,상기 강우 데이터 및 기상 수치 모델 데이터를 이용하여 일련의 연속된 프레임으로 구성된 학습 데이터를 생성하는 단계는,상기 강우 레이더 합성영상 및 기상 수치 모델 데이터 간 서로 다른 공간 격자 및 시간 해상도를 일치시키는 단계를 포함하는,강수 예측 방법
|
| 4 |
4
제3 항에 있어서,상기 강우 레이더 합성영상 및 기상 수치 모델 데이터 간 서로 다른 공간 격자 및 시간 해상도를 일치시키는 단계는,상기 강우 레이더 합성영상을 시간 적분을 통해 시간당 강수량 데이터로 변환하는 단계; 및상기 기상 수치 모델 데이터를 상기 강우 레이더 합성영상과 동일한 공간 격자 구조로 내삽(interpolation)하는 단계를 포함하는,강수 예측 방법
|
| 5 |
5
제1 항에 있어서,상기 강우 데이터 및 기상 수치 모델 데이터를 이용하여 일련의 연속된 프레임으로 구성된 학습 데이터를 생성하는 단계는,제1 기간의 연속된 프레임으로 구성된 다차원 배열을 생성하여 학습 데이터로 구성하는 단계를 포함하고,상기 다차원 배열은, 프레임수, 공간 격자수, 및 입력 변수의 수에 기초하여 생성되는,강수 예측 방법
|
| 6 |
6
제5 항에 있어서,상기 제1 기간의 연속된 프레임으로 구성된 다차원 배열을 생성하여 학습 데이터로 구성하는 단계는,전체 공간 격자수 중 강우값이 기준치 이상인 공간 격자수가 소정 비율 이상인 프레임을 학습 데이터로 사용하는 단계를 포함하는,강수 예측 방법
|
| 7 |
7
제5 항에 있어서,상기 제1 기간의 연속된 프레임으로 구성된 다차원 배열을 생성하여 학습 데이터로 구성하는 단계는,상기 제1 기간의 연속된 프레임 중 전반부에 해당하는 제2 기간의 프레임을 입력 시퀀스로 구성하고, 후반부에 해당하는 제3 기간의 프레임을 출력 시퀀스로 구성하는 단계를 포함하는,강수 예측 방법
|
| 8 |
8
제7 항에 있어서,상기 학습 데이터를 인코더-디코더(encoder-decoder) 구조의 신경망에 적용하여 강수 예측 모델을 생성하는 단계는,상기 입력 시퀀스를 상기 인코더를 통해 압축하여 피처들(features)을 추출하는 단계; 및상기 압축된 피처들을 상기 디코더를 통해 상기 출력 시퀀스에 부합하는 상세 정보로 복원하는 단계를 포함하는
|
| 9 |
9
제1 항에 있어서,상기 학습 데이터를 인코더-디코더(encoder-decoder) 구조의 신경망에 적용하여 강수 예측 모델을 생성하는 단계는,상기 신경망을 학습하는 과정에서 손실 함수(loss function)로서 MSE(Mean Squared Error), MAE(Mean Absolute Error), Balanced MSE(Mean Squared Error), Balanced MAE(Mean Absolute Error), 및 SSIM(Scale Structural Similarity) 중 적어도 하나를 사용하는 단계를 포함하는,강수 예측 방법
|
| 10 |
10
제1 항에 있어서,상기 학습 데이터를 인코더-디코더(encoder-decoder) 구조의 신경망에 적용하여 강수 예측 모델을 생성하는 단계는,상기 학습 데이터에 포함된 데이터의 종류에 따라 분기한 구조의 신경망을 구성하는 단계를 포함하는,강수 예측 방법
|
| 11 |
11
제1 항에 있어서,상기 학습 데이터를 인코더-디코더(encoder-decoder) 구조의 신경망에 적용하여 강수 예측 모델을 생성하는 단계는,생성자(Generator) 및 구분자(Discriminator)로 구성된 생성적 대립 신경망(GAN: Generative Adversarial Network)을 상기 인코더-디코더 구조의 신경망에 추가하는 단계를 포함하는,강수 예측 방법
|
| 12 |
12
제11 항에 있어서,상기 생성자(Generator) 및 상기 구분자(Discriminator)로 구성된 생성적 대립 신경망(GAN: Generative Adversarial Network)을 상기 인코더-디코더 구조의 신경망에 추가하는 단계는,상기 디코더에서 출력되는 예측 정보를 상기 생성자의 출력 정보로 사용하는 단계; 및상기 생성자의 출력 정보와 실제 강수 정보를 상기 구분자에 입력하여, 상기 출력 정보에 대한 정확도를 판단하는 단계를 포함하는,강수 예측 방법
|
| 13 |
13
컴퓨터로 하여금 제1 항 내지 제12 항 중 어느 한 항의 방법을 수행하도록 하는 컴퓨터 프로그램이 저장된, 컴퓨터 판독 가능한 비일시적 기록 매체
|
| 14 |
14
컴퓨팅 장치에 의해 수행되는 방법에 있어서,서버로부터 강수 예측 모델에 관한 정보를 수신하는 단계;사용자 입력에 의해 예측 대상 데이터를 획득하는 단계;상기 예측 대상 데이터를 상기 강수 예측 모델에 입력하는 단계; 및상기 강수 예측 모델로부터 강수 예측 정보를 출력하는 단계를 포함하고,상기 강수 예측 모델은, 강우 데이터 및 기상 수치 모델 데이터를 이용한 일련의 연속된 프레임으로 구성된 학습 데이터를 이용하여 인코더-디코더(encoder-decoder) 구조의 신경망을 학습하여 생성된 것인,강수 예측 방법
|
| 15 |
15
제14 항에 있어서,상기 학습 데이터는, 제1 기간의 연속된 프레임으로 구성된 다차원 배열을 생성하여 구성되고,상기 다차원 배열은, 프레임수, 공간 격자수, 및 입력 변수의 수에 기초하여 생성되는,강수 예측 방법
|
| 16 |
16
제14 항에 있어서,상기 강수 예측 모델은, 생성자(Generator) 및 구분자(Discriminator)로 구성된 생성적 대립 신경망(GAN: Generative Adversarial Network)을 상기 인코더-디코더 구조의 신경망에 추가하여 학습함에 의해 생성된 것인,강수 예측 방법
|
| 17 |
17
외부 서버와 통신하는 통신부;상기 외부 서버로부터 수집된 강우 데이터 및 기상 수치 모델 데이터를 이용하여 일련의 연속된 프레임으로 구성된 학습 데이터를 생성하고, 상기 학습 데이터를 인코더-디코더(encoder-decoder) 구조의 신경망에 적용하여 강수 예측 모델을 생성하는 학습부; 및예측 대상 데이터를 상기 강수 예측 모델에 입력하여 강수 예측 정보를 출력하는 예측부를 포함하는,강수 예측 장치
|
| 18 |
18
하나 이상의 프로세서;외부장치와 통신하는 통신 인터페이스;상기 프로세서에 의하여 수행되는 컴퓨터 프로그램을 로드(load)하는 메모리; 및상기 컴퓨터 프로그램을 저장하는 스토리지를 포함하되,상기 컴퓨터 프로그램은,상기 외부장치로부터 강수 예측 모델에 관한 정보를 수신하는 동작,사용자 입력에 의해 예측 대상 데이터를 획득하는 동작,상기 예측 대상 데이터를 상기 강수 예측 모델에 입력하는 동작, 및상기 강수 예측 모델로부터 강수 예측 정보를 출력하는 동작을 수행하기 위한 인스트럭션들(instructions)을 포함하고, 상기 강수 예측 모델은, 강우 데이터 및 기상 수치 모델 데이터를 이용한 일련의 연속된 프레임으로 구성된 학습 데이터를 이용하여 인코더-디코더(encoder-decoder) 구조의 신경망을 학습하여 생성된 것인,강수 예측 장치
|
