지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 우승범
- 발행연도
- 2023
- 저작권
- 인하대학교 논문은 저작권에 의해 보호받습니다.
이용수3
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
정점 표층 수온 관측 데이터 중 결측 구간의 데이터를 양방향 순환신경망(Bidirectional Recurrent Neural Network, BiRNN) 기법을 이용하여 보간하였다. 인공지능 기법 중 시계열 데이터에 일반적으로 활용되는 Recurrent Neural Networks(RNNs)은 결측 추정 위치까지의 시간 흐름 방향 또는 역방향으로만 추정하기 때문에 장기 결측 구간에는 추정 성능이 떨어진다. 반면, 본 연구에서는 결측 구간 전후의 양방향으로 추정을 하여 장기 결측 데이터에 대해서도 추정 성능을 높일 수 있다. 또한 관측점 주위의 가용한 모든 데이터(수온, 기온, 바람장, 기압, 습도)를 사용함으로써, 이들 상관관계로부터 보간 데이터를 함께 추정하도록 하여 보간 성능을 더욱 높이고자 하였다. 성능 검증을 위하여 통계 기반 모델인 Multivariate Imputation by Chained Equations(MICE)와 기계학습 기반의 Random Forest 모델, 그리고 Long Short-Term Memory(LSTM)을 이용한 RNN 모델과 비교하였다. 7일간의 장기 결측에 대한 보간에 대해서 BiRNN/통계 모델들의 평균 PCC값은 각각 0.796/0.612이며 평균 오차가 각각 0.348/0.644로 BiRNN 모델이 다른 모델보다 좋은 성능을 보인다. 결측 패턴을 나타내는 temporal decay factor를 적용함으로써 BiRNN 기법이 결측 구간이 길어질수록 보간 성능이 기존 방법보다 우수한 것으로 판단된다.
목차
제 1장 서론 1제 2장 연관된 모델 82.1 통계 기반 모델 82.1.1 Multiple Imputation by Chained Equations(MICE) 82.1.2 Autoregressive Integrated Moving Average(ARIMA) 92.2 데이터 기반 모델 102.2.1 K-Nearest Neighbor(KNN) 102.2.2 Random Forest(RF) 112.2.3 Recurrent Neural Networks(RNNs) 122.2.4 Bidirectional Recurrent Neural Network(BiRNN) 13제 3장 실험 방식 153.1 데이터셋 153.2 데이터셋 전처리 183.2.1 학습 데이터 전처리 183.2.2 결측 구간 시간 순서 결정 203.2.3 Normalization과 Standardization 213.2.4 json 데이터 생성 223.3 알고리즘 243.4 모델 평가 방법 27제 4장 결과 294.1 결측 구간별 비교 304.2 BRITS type 모델 비교 354.3 조위 데이터 추가 학습 모델 비교 40제 5장 결론 45References 47감사의 글 53
최근 본 자료
댓글(0)
0