표제지
요약
목차
제1장 서론 9
1.1. 연구 배경 및 목적 9
1.2. 연구 범위 및 방법 11
제2장 관련연구 12
2.1. LSTM(long short-term memory) 모델 12
2.2. LSTM(long short-term memory)을 이용한 시정 예측방법 14
2.3. LSTM(long short-term memory)을 이용한 하천수위 예측방법 16
제3장 LSTM(long short-term memory)을 이용한 기상데이터 예측방법 18
3.1. 해양시정 예측방법 19
3.1.1. 덕적도 기상데이터 전처리 및 분석 19
3.1.2. 시정 영향인자 선정 20
3.1.3. LSTM(long short-term memory)을 이용한 시정예측 21
3.2. 하천수위 예측방법 22
3.2.1. 금강 하천수위 데이터 전처리 및 분석 22
3.2.2. 수위 영향인자 선정 23
3.2.3. LSTM(long short-term memory)을 이용한 하천수위 예측 24
제4장 실험 및 평가 25
4.1. 해양시정 예측실험 및 평가 25
4.1.1. 실험 25
4.1.2. 모델검증 및 기존연구 비교 31
4.2. 하천수위 예측실험 및 평가 34
4.2.1. 실험 34
4.2.2. 모델검증 및 비교 36
4.3. 기존연구와 비교·분석 38
제5장 결론 40
참고문헌 41
Abstract 44
〈표 2-1〉 기존 시정예측 영향인자 15
〈표 2-2〉 기존 하천수위 예측 영향인자 17
〈표 3-1〉 시정 영향인자 21
〈표 3-2〉 하천수위 영향 인자 24
〈표 4-1〉 실험 환경 26
〈표 4-2〉 히든레이어, 히든노드에 따른 RMSE(root mean square error) 31
〈표 4-3〉 시정관측 보고 단위 33
〈표 4-4〉 해수면온도, 해기차 여부에 따른 RMSE(root mean square error) 33
〈표 4-5〉 학습횟수에 따른 지점별 RMSE(root mean square error) 36
〈표 4-6〉 해양시정 기존 방법과 제안한 방법 비교 38
〈표 4-7〉 하천수위 기존 방법과 제안한 방법 비교 39
〈그림 2-1〉 RNN(recurrent neural network) 구조 12
〈그림 2-2〉 LSTM(long short-term memory) 구조 13
〈그림 3-1〉 연구 절차도 18
〈그림 3-2〉 덕적도 위치 19
〈그림 3-3〉 월별 평균 시정 20
〈그림 3-4〉 하천수위·강수량 관측소 22
〈그림 3-5〉 2013-2018년 월 평균 수위 23
〈그림 4-1〉 학습횟수 증가에 따른 손실값 그래프 26
〈그림 4-2〉 전체기간 예측 결과 (실제: 파란색, 예측: 붉은색) 27
〈그림 4-3〉 1분기 예측 결과 28
〈그림 4-4〉 2분기 예측 결과 28
〈그림 4-5〉 3분기 예측 결과 29
〈그림 4-6〉 4분기 예측 결과 29
〈그림 4-7〉 7월 2일 시정변화 30
〈그림 4-8〉 7월 실제-예측값 비교 32
〈그림 4-9〉 실제-예측값 비교 (파란색:실제, 붉은색:예측) 34
〈그림 4-10〉 최대수위 기록일 (18.8.26.-27.) 실제-예측값 비교 35
〈그림 4-11〉 학습횟수에 따른 RMSE(root mean square error) 36
〈그림 4-12〉 실제-예측값 비교 37