Dynamical prediction of meteorological factors using the long short-term memory network and the deep neural network on Korean cities

Abstract

본 논문에서는 한국의 10 개 광역시 (서울, 대전, 대구, 부산, 인천, 광주, 포항, 목포, 통영, 전주)의 신경망을 이용하여 두 가지 기상 요인 (온도, 습도)의 동적 예측을 연구하고 분석한다. 기상청에서 연도를 봄, 여름, 가을, 겨울로 구분 한 7 년 (2014 ~ 2020)의 평균 온도 및 평균 습도 시계열 데이터를 추출했다. 우리는 인공 신경망 (ANN), 심층 신경망 (DNN), 최적 학습기계 (ELM), 장단기 기억망 (LSTM), 장단기 기억-핍홀 연결망 (LSTM-PC)과 같은 다섯 가지 신경망 알고리즘을 컴퓨터 시뮬레이션으로 다룬다. 인공 신경망, 심층 신경망, 장단기 기억망 및 장단기 기억-핍홀 연결망은 2500, 5000, 7500번 학습한다. 비학습 모델인 최저 학습기계는 2500, 5000, 7500개의 예측 모델에서 생성된 온도 및 습도 값을 평균하여 예측값을 얻는데 사용한다. 5개의 학습률 (0.1, 0.3, 0.5, 0.7 및 0.9)은 인공 신경망 및 심층 신경망의 출력을 적용하는 데 사용되며, 다른 5개의 학습률 (0.001, 0.003, 0.005, 0.007 및 0.009)은 장단기 기억망 및 장단기 기억-핍홀 연결망에 적용된다. 컴퓨터 시뮬레이션은 4개의 경우에 대해 수행한다. 2일의 온도와 습도인 T_(t-1), T_t, H_(t-1), H_t를 입력하여 다음날의 온도 (시험1)와 습도 (시험2)를 예측하고, 3일의 온도와 습도인 T_(t-2), T_(t-1), T_t, H_(t-2), H_(t-1), H_t를 입력하여 다음날의 온도 (시험3)와 습도 (시험4)를 예측한다. 5개의 인공 신경망 모델에서 예측 정확성을 위해 시뮬레이션을 통하여 평균 제곱근 오차 (RMSE), 평균 절대비 오차 (MAPE), 평균 절대 오차 (MAE) 및 테일유 (Theil’s-U) 통계를 구한 후 결과를 비교 고찰한다. 특히, 온도 예측을 위한 컴퓨터 시뮬레이션에서 봄은 통영에서 인공 신경망이 시험3 (6개의 입력 노드가 있는 입력층에서 예측된 온도)의 5000번 학습에 대해, 여름은 통영에서 장단기 기억망이 시험3의 5000번 학습에 대해, 가을은 부산에서 장단기 기억-핍홀 연결망이 시험1 (4개의 입력 노드가 있는 입력층에서 예측된 온도)의 5000번 학습에 대해, 겨울은 대구에서 인공 신경망이 시험1의 2500번 학습에 대해 가장 작은 평균 제곱근 오차 값을 보여준다. 온도 예측에서는 장단기 기억망 모델을 적용했을 때 통영의 여름에서 0.866으로 평균 제곱근 오차 값이 가장 작았다. 습도 예측에 대해서는, 봄은 통영에서 장단기 기억-핍홀 연결망이 시험4 (6개의 입력 노드가 있는 입력층에서 예측된 습도)의 7500번 학습에 대해, 여름은 목포에서 장단기 기억망이 시험4의 2500번 학습에 대해, 가을은 목포에서 장단기 기억망이 시험2 (4개의 입력 노드가 있는 입력층에서 예측된 습도)의 7500번 학습에 대해, 겨울은 목포에서 인공 신경망이 시험4의 7500번 학습에 대해 가장 작은 평균 제곱근 오차 값을 보여준다. 습도 예측에서는 장단기 기억망 모델을 적용했을 때 목포의 여름에서 5.732로 평균 제곱근 오차 값이 가장 작았다. 온도와 습도 두 예측에서 모두 여름에서 장단기 기억망 모델이 가장 좋은 성능을 보였다.