랜덤 포레스트를 활용한 지역별 하루 단위 감염병 발생 예측

문재욱(Jaeuk Moon),정승원(Seungwon Jung),김형준(Hyungjoon Kim),황인준(Eenjun Hwang) 한국정보과학회 2019 한국정보과학회 학술발표논문집 Vol.2019 No.12

병렬-직렬 구조 공진탱크를 적용한 25kW급 LLC 공진형 컨버터 설계

문재욱(Jaewook Moon),이장원(Jangwon Lee),신유진(Yujin Shin),이상문(Sangmun Lee),조영훈(Younghoon Cho) 전력전자학회 2021 전력전자학술대회 논문집 Vol.2021 No.7

감염병의 예측 시점에 따른 변수 중요도 변화 연구

정승원,문재욱,심종화,황인준 한국정보과학회 2020 데이타베이스 연구 Vol.36 No.3

In order to cope with infectious diseases, it is important to accurately predict the number of patients who will suffer from them. The traditional approach for this was to construct a mathematical model that considers the characteristics of infectious diseases, so prior knowledge about their characteristics is required. Recently, machine learning-based approach based on relevant data such as weather and past occurrences has drawn much attention. Although this approach is free from the limitation of the traditional approach, the input variables should be selected so that good prediction performance can be achieved. However, the importance of each input changes depending on when the prediction point is. In this paper, we propose a random forest-based prediction model for analyzing the change of variable importances according to the prediction point. To do this, we first collect and pre-process relevant data for the analysis. Then, we train a random forest and obtain the variable importances while changing the prediction point. To evaluate the effectiveness of our approach, we conducted various experiments for domestic infectious diseases and classified them into three clusters. Then, we extracted features from each cluster, such as important input variables and major changes. 감염병의 효과적 대응을 위해서는, 감염병 환자 수에 대한 정확한 사전 예측이 중요하다. 이를 위해, 감염병의 특성을 고려한 수학적 모델링 접근법이 주류를 이루고 있으나, 감염병의 특성에 관한 사전 지식이요구되는 한계점이 있다. 최근에는 기상이나 과거 발생 데이터와 같은 감염 관련 자료를 활용한 기계학습기반 예측 모델이 주목을 받고 있다. 이 방법은 기존 방식보다 제약이 덜하나, 높은 예측 정확도를 위해서는입력 변수로 사용할 요소들에 대한 신중한 선택이 요구된다. 하지만, 각 요소의 중요성은 예측 시점에 따라달라질 수 있어, 선택이 쉽지 않으며, 이를 해결하기 위한 연구 또한 부족한 실정이다. 이에 본 논문에서는랜덤 포레스트 기반 감염병 예측 모델을 구성하여, 예측 시점 변화에 따른 변수 중요도 변화를 분석하는 연구를 수행한다. 먼저, 감염병 발생 정보, 기상 정보 등 관련 자료를 수집하고 전처리하여 데이터셋을 구성한다. 구성된 데이터셋을 기반으로 예측 시점을 변화시키면서 랜덤 포레스트를 학습시키고 변수 중요도를 분석한다. 국내 발생 감염병을 대상으로 실험을 수행한 결과, 변수 중요도 변화 양상과 감염병의 발생 패턴에 따라감염병을 세 가지 유형으로 분류할 수 있었으며, 유형마다 중요 입력 변수, 주요 변화 양상 등을 분석할 수있었다.

BiLSTM 기반의 설명 가능한 태양광 발전량 예측 기법

박성우,정승민,문재욱,황인준 한국정보처리학회 2022 정보처리학회논문지. 소프트웨어 및 데이터 공학 Vol.11 No.8

Recently, the resource depletion and climate change problem caused by the massive usage of fossil fuels for electric power generationhas become a critical issue worldwide. According to this issue, interest in renewable energy resources that can replace fossil fuels isincreasing. Especially, photovoltaic power has gaining much attention because there is no risk of resource exhaustion compared to otherenergy resources and there are low restrictions on installation of photovoltaic system. In order to use the power generated by thephotovoltaic system efficiently, a more accurate photovoltaic power forecasting model is required. So far, even though many machinelearning and deep learning-based photovoltaic power forecasting models have been proposed, they showed limited success in terms ofinterpretability. Deep learning-based forecasting models have the disadvantage of being difficult to explain how the forecasting resultsare derived. To solve this problem, many studies are being conducted on explainable artificial intelligence technique. The reliability ofthe model can be secured if it is possible to interpret how the model derives the results. Also, the model can be improved to increasethe forecasting accuracy based on the analysis results. Therefore, in this paper, we propose an explainable photovoltaic power forecastingscheme based on BiLSTM (Bidirectional Long Short-Term Memory) and SHAP (SHapley Additive exPlanations). 최근 화석연료의 무분별한 사용으로 인한 자원고갈 문제 및 기후변화 문제 등이 심각해짐에 따라 화석연료를 대체할 수 있는 신재생에너지에대한 관심이 증가하고 있다. 특히 신재생에너지 중 태양광 에너지는 다른 신재생에너지원에 비해 고갈될 염려가 적고, 공간적인 제약이 크지 않아전국적으로 수요가 증가하고 있다. 태양광 발전 시스템에서 생산된 전력을 효율적으로 사용하기 위해서는 보다 정확한 태양광 발전량 예측 모델이필요하다. 이를 위하여 다양한 기계학습 및 심층학습 기반의 태양광 발전량 예측 모델이 제안되었지만, 심층학습 기반의 예측 모델은 모델 내부에서일어나는 의사결정 과정을 해석하기가 어렵다는 단점을 보유하고 있다. 이러한 문제를 해결하기 위하여 설명 가능한 인공지능 기술이 많은 주목을받고 있다. 설명 가능한 인공지능 기술을 통하여 예측 모델의 결과 도출 과정을 해석할 수 있다면 모델의 신뢰성을 확보할 수 있을 뿐만 아니라해석된 도출 결과를 바탕으로 모델을 개선하여 성능 향상을 기대할 수도 있다. 이에 본 논문에서는 BiLSTM(Bidirectional Long Short-Term Memory)을 사용하여 모델을 구성하고, 모델에서 어떻게 예측값이 도출되었는지를 SHAP(SHapley Additive exPlanations)을 통하여 설명하는 설명 가능한태양광 발전량 예측 기법을 제안한다.

Attention LSTM과 SHAP을 사용한 설명 가능한 COVID-19 확진자 수 예측 기법

노윤아,정승원,문재욱,황인준 한국정보과학회 2021 데이타베이스 연구 Vol.37 No.2

Due to the spread of COVID-19, many losses are being reported worldwide. In order to establish effective countermeasures to prevent the spread of COVID-19, it is necessary to accurately predict the extent of the spread of COVID-19. However, due to the recent introduction of vaccines, a forecasting model suitable for the changed diffusion pattern is needed, and although the forecasting accuracy has been improved through a machine learning-based approach, the model does not provide sufficient confidence due to the lack of explanatory properties of the model. Therefore, in this paper, we propose an explainable forecasting scheme that forecasts the number of COVID-19 confirmed cases using an Attention LSTM(Long Short-Term Memory) model and explains the analysis results using SHAP(SHapley Additive exPlanations). Changes due to introduction of vaccines were reflected by collecting various data related to COVID-19, including vaccination data, and using it as an input variable for the Attention LSTM model. Through comparative experiments with various models, we demonstrated the excellent forecasting performance of the proposed model and the explanatory capacity of the SHAP for the results. COVID-19의 확산으로 인해 세계적으로 많은 손실이 보고되고 있다. 효과적인 확산 방지 대책을 수립하기 위해서는 COVID-19 확산 정도의 정확한 예측이 필요하며, 이를 위해 확산 초기부터 기계적 접근법이나 기계학습 기반 접근법 등을 활용한 기법들이 제안되어왔다. 그러나 최근 백신 도입으로 인하여 변화된 확산 패턴에 적합한 예측 모델이 필요하며, 기계학습 기반 접근법을 통해 예측 정확도는 높아졌으나 모델의 설명성이 부족하여 충분한 신뢰를 주지 못하는 실정이다. 이에, 본 논문에서는 Attention LSTM(Long Short-Term Memory) 모델을 사용하여 COVID-19 확진자 수를 예측하고, 그 결과를 SHAP(SHapley Additive exPlanations)을 통하여 분석하는 설명 가능한 COVID-19 확진자 수 예측 기법을 제안한다. 백신 접종 데이터를 포함한 COVID-19 관련 다양한 데이터를 수집하고, Attention LSTM 모델의 입력 변수로 사용함으로써 백신 도입으로 인한 변화를 반영하였다. 다양한 모델과의 비교 실험을 통하여 제안한 모델의 우수한 예측 성능을 보였으며, SHAP을 통해 예측 결과에 대한 설명 가능성을 입증하였다.

태양광 주기성에 적합한 시간 변수를 반영한 SHAP 기반의 태양광 발전량 예측

정원용,박성우,문재욱,황인준 한국정보과학회 2022 정보과학회 컴퓨팅의 실제 논문지 Vol.28 No.3

Recently, environmental pollution caused by massive usage of fossil fuels in electric power production has become a critical issue in the world. According to this issue, the proportion of solar energy is expanding due to its high business potential among renewable energies, and various works have been proposed to precisely predict solar power generation for efficient energy management and stable power supply. However, previous works include data of night time when solar power is not generated, and this method leads to low forecasting accuracy. Also, they have limitations in explaining how the forecasting results are derived. To solve these problems, we propose a solar power generation forecasting scheme based on explainable AI(Artificial Intelligence) reflecting time period patterns of the sun. We selected time pattern variables showing high correlation with solar power generation and transformed them into a pattern reflecting the solar cycle. We then excluded data of night time and compared the performances of various machine learning models. Experimental results proved that utilizing LightGBM with only daytime input variables showed the best forecasting performance, and solar radiation had the most significant influence among the input variables. 최근, 전력생산 과정에서 환경 오염을 발생시키는 화력 발전의 의존도를 줄이고자 신재생에너지 중 높은 사업성을 가진 태양광 발전의 비율을 증가시키고 있다. 따라서 효율적인 에너지 운용과 안정적인 전력 공급을 위해 태양광 발전량을 정확하게 예측하는 다양한 연구가 수행되고 있다. 하지만 기존의 태양광 발전량 예측 연구들은 발전량이 없는 밤 시간대의 데이터도 함께 사용하여 정확도가 낮고 기계학습을 통해 예측된 값의 도출 과정을 설명하기 어려웠다. 이에, 본 논문에서는 태양광의 시간 패턴을 반영한 설명가능한 인공지능 기반의 태양광 발전량 예측 기법을 제안한다. 본 기법에서는 태양광 발전량과 높은 상관관계를 갖는 시간 변수를 선택하고 주기성을 반영하는 형태로 변형하여 사용했으며, 밤 시간대 데이터를 제외하고 학습했다. 실험 결과, 낮 시간대 데이터를 사용한 LightGBM의 성능이 가장 뛰어난 것과, LightGBM을 설명가능한 인공지능으로 해석했을 때 일사량의 영향이 가장 큰 것을 확인했다.

PCC 기반 기상 변수 유사도를 고려한 제로 샷 태양광 발전율 예측 기법

김동준,박성우,문재욱,황인준 한국정보과학회 2023 정보과학회논문지 Vol.50 No.7

화력 발전은 저렴한 단가로 인해 국내외에서 큰 비중을 차지하는 발전 방식이다. 그러나 보건 및 환경 문제를 야기하는 다량의 유해 물질들을 배출한다는 단점 때문에 이를 대체할 발전원으로 신재생 에너지가 주목 받고 있다. 태양광 발전은 유지보수가 용이하다는 등의 장점들 때문에 신재생 에너지 중에서 가장 많은 관심을 받고 있다. 변동성이 강한 태양광 발전의 불확실성을 개선하고 안정적으로 전력을 공급하기 위한 다양한 태양광 발전량 예측 연구가 진행되고 있지만, 기존 연구들은 충분한 양의 과거 발전량 데이터가 존재할 때에만 수행이 가능하다는 한계점이 존재한다. 이에 본 논문은 과거 데이터가 부족한 콜드스타트 문제를 해결하기 위해 기상 유사도를 활용하여 유사한 지역의 과거 데이터를 활용하는 제로샷 학습 기반의 태양광 발전 효율 예측 기법을 제안한다. 성능 비교 결과, 제안 기법이 그러지 않은 경우보다 좋은 성능을 보였고, 그중에서도 한시간 기준 제안 기법이 가장 우수한 예측 성능을 보였다.

기상 데이터 불균형 문제를 고려한 CTGAN 오버샘플링 기반의 태양광 발전량 예측 기법

이재승(Jaeseung Lee),문재욱(Jaeuk Moon),박성우(Sungwoo Park),황인준(Eenjun Hwang) 한국정보과학회 2022 한국정보과학회 학술발표논문집 Vol.2022 No.12

LightGBM을 사용한 SHAP 기반의 설명 가능한 인플루엔자 발생 예측

박성우(Sungwoo Park),문재욱(Jaeuk Moon),정승원(Seungwon Jung),정승민(Seungmin Jung),황인준(Eenjun Hwang) 한국정보과학회 2020 한국정보과학회 학술발표논문집 Vol.2020 No.12

MAML 기반의 VGG를 사용한 동물 소리 분류 기법

황준하(Junha Hwang),문재욱(Jaeuk Moon),김은빈(Eunbeen Kim),황인준(Eenjun Hwang) 한국정보과학회 2023 한국정보과학회 학술발표논문집 Vol.2023 No.6