1 |
1
딥러닝 기반의 지하수위 정상 범위 확률론적 예측 장치를 이용한 지하수위 정상 범위 확률론적 예측 방법에 있어서,과거 관측 데이터를 학습하여 현재 지하수위를 예측하는 예측 모델을 생성하는 단계;상기 생성된 예측 모델에 학습하였던 과거 관측 데이터의 시점을 입력하여 현재 지하수위를 예측하는 단계;상기 예측된 현재 지하수위에 랜덤 재추출(Resampling)을 이용한 앙상블 예측 기법을 적용하여 지하수위 정상 범위를 확률론적으로 예측하는 단계;상기 확률론적으로 예측된 정상 범위에 분산 기법을 적용하여 최종 지하수위 정상 범위를 도출하는 단계; 및상기 도출된 정상 범위를 이용하여 이상치(outlier)를 판별하는 단계를 포함하는 지하수위 정상 범위 확률론적 예측 방법
|
2 |
2
제1항에 있어서,상기 예측 모델을 생성하는 단계는,딥러닝 신경망을 구비하여 이전 단계 정보를 메모리 셀에 저장하여 다음 단계로 전달하는 LSTM(Long Short-Term Memory model)모델 네트워크를 형성하고, 랜덤 재추출을 이용한 앙상블 예측 단계가 포함된 예측 모델을 생성하는 지하수위 정상 범위 확률론적 예측 방법
|
3 |
3
제1항에 있어서,상기 과거 관측 데이터는 계측 및 센서 장비로부터 취득된 일 단위 지하수위 데이터 및 일 단위 강수 데이터를 포함하는 지하수위 정상 범위 확률론적 예측 방법
|
4 |
4
제1항에 있어서,상기 확률론적으로 예측하는 단계는,상기 앙상블 예측 기법을 적용하여 상기 예측 모델로 예측 가능한 지하수위 확률 분포를 예측하는 값들을 재추출하여 상기 지하수위 정상 범위를 확률론적으로 예측하는 지하수위 정상 범위 확률론적 예측 방법
|
5 |
5
제1항에 있어서,상기 최종 지하수위 정상 범위를 도출하는 단계는,상기 확률론적으로 예측된 정상 범위에 3-표준 편차(3-σ) 기법 및 사분 범위(1
|
6 |
6
제1항에 있어서,상기 이상치를 판별하는 단계는,상기 도출된 최종 지하수위 정상 범위에 속하지 않는 값을 이상치로 판별하는 지하수위 정상 범위 확률론적 예측 방법
|
7 |
7
과거 관측 데이터를 학습하여 현재 지하수위를 예측하는 예측 모델을 생성하는 예측 모델 생성부;상기 생성된 예측 모델에 학습하였던 과거 관측 데이터의 시점을 입력하여 현재 지하수위를 예측하고, 상기 예측된 현재 지하수위에 랜덤 재추출(Resampling)을 이용한 앙상블 예측 기법을 적용하여 지하수위 정상 범위를 확률론적으로 예측하는 정상 범위 예측부;상기 확률론적으로 예측된 정상 범위에 분산 기법을 적용하여 최종 지하수위 정상 범위를 도출하는 정상 범위 도출부; 및상기 도출된 정상 범위를 이용하여 이상치(outlier)를 판별하는 이상치 판별부를 포함하는 딥러닝 기반 지하수위 정상 범위 확률론적 예측 장치
|
8 |
8
제7항에 있어서,상기 예측 모델 생성부는,딥러닝 신경망을 구비하여 이전 단계 정보를 메모리 셀에 저장하여 다음 단계로 전달하는 LSTM(Long Short-Term Memory model)모델 네트워크를 형성하고, 랜덤 재추출을 이용한 앙상블 예측 단계가 포함된 예측 모델을 생성하는 딥러닝 기반의 지하수위 정상 범위 확률론적 예측 장치
|
9 |
9
제7항에 있어서,상기 과거 관측 데이터는 계측 및 센서 장비로부터 취득된 일 단위 지하수위 데이터 및 일 단위 강수 데이터를 포함하는 딥러닝 기반의 지하수위 정상 범위 확률론적 예측 장치
|
10 |
10
제7항에 있어서,상기 정상 범위 예측부는,상기 앙상블 예측 기법을 적용하여 상기 예측 모델로 예측 가능한 지하수위 확률 분포를 예측하는 값들을 재추출하여 상기 지하수위 정상 범위를 확률론적으로 예측하는 딥러닝 기반의 지하수위 정상 범위 확률론적 예측 장치
|
11 |
11
제7항에 있어서,상기 정상 범위 도출부는,상기 확률론적으로 예측된 정상 범위에 3-표준 편차(3-σ) 기법 및 사분 범위(1
|
12 |
12
제7항에 있어서,상기 이상치 판별부는,상기 도출된 최종 지하수위 정상 범위에 속하지 않는 값을 이상치로 판별하는 딥러닝 기반의 지하수위 정상 범위 확률론적 예측 장치
|