http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
서용원,서일원,신재현,Seo, Yongwon,Seo, Il Won,Shin, Jaehyun 대한토목학회 2014 대한토목학회논문집 Vol.34 No.5
본 연구에서는 하도의 수면곡선을 작성하고 통수능을 평가하기 위해서 하도구간 사이의 배수위 영향 및 유출을 고려할 수 있는 수리거동곡선 모형을 개발하고 이를 낙동강 하도구간에 적용하여 그 적용성을 검토하였다. 본 모형 적용 결과, 수리거동곡선에 의한 수위 모의 결과가 기존 수위관측소 자료와 비교하여 잘 부합하는 것을 알 수 있었으며 널리 이용되고 있는 범용 모형인 HEC-RAS의 모의 결과와도 유사하게 나타나는 것으로 드러났다. 대상구간 내 하나의 수위 관측소를 미계측 지점으로 가정하여 본 모형에 의한 수위예측치를 관측수위와 비교한 결과, 홍수기와 같이 시간에 따른 유량 변화가 크게 나타날 경우 상승기에는 과소 예측을 하고 하강기에는 과대 예측을 하는 것으로 나타났다. 개선책으로서 관측 지점과 예측 지점간의 홍수파 도달시간을 고려했을 경우, 수리거동곡선을 이용한 미계측 지점의 수위 예측 정확도가 크게 향상되는 것으로 나타났다. This paper presents a hydraulic performance graph model in which the flow carrying capacity of a channel system was determined by accounting the interacting backwater effect among channel reaches and incoming lateral flow. The method utilizes hydraulic performance graphs (HPGs), and the method is applied to a natural channel Nakdong River to examine its applicability. This research shows that estimation results using HPG are close to records from the stage station and the results from a widely-accepted model, HEC-RAS. Assuming that a water level gage site is ungaged, water level estimations by HPGs compared with observation show that with a flood event, the HPGs underestimate in the water level ascension phase, but in the recession phase they overestimate results. The accuracy of estimation with HPGs was greatly improved by considering the time difference of flooding between the observation and estimation locations.
서용원,박준형,이동섭,김영오,Seo, Yongwon,Park, Junehyeong,Rhee, Dong Sop,Kim, Young-Oh 대한토목학회 2013 대한토목학회논문집 Vol.33 No.4
본 연구에서는 폭함수(width function)에 기초한 단위도법(WFIUH)을 이용하는 수문곡선 산정방법에 대하여 소개하고 실제 유역(청미천)에 적용하여 그 적용성을 검토하였다. 기존 집중형 모형과 비교하여 WFIUH는 매개변수를 물리적으로 결정할 수 있는 특징이 있으며 준분포형 모형으로 유역특성 및 강우의 시공간적 변동성을 수문곡선 산정에 반영할 수 있는 장점이 있다. 공간적으로 균등한 강우를 가정하여 청미천 유역에 적용한 결과 관측치와 잘 일치하는 것을 알 수 있었으며 범용 모형인 HEC-1와 비교하여 유사한 결과를 보이는 것으로 나타났다. 또한 이동강우에 대한 간단한 검토사례를 통해 WFIUH를 이용하여 강우이동이 수문곡선의 모양과 첨두유량에 미치는 영향을 평가할 수 있는 것을 보였다. This paper examines the applicability of the Width Function Instantaneous Unit Hydrograph (WFIUH) with a case study of Cheongmi River in South Korea. The parameter values of WFIUH can be physically determined compared to the lumped hydrologic models, which are typically accompanied by parameter estimation procedures with gage records. Assuming uniformly distributed rainfall, the hydrographs obtained with the WFIUH show good agreement with observed data and also the results from HEC-1. A simple investigation of the effect from the rainstorm movement with the WFIUH demonstrates the ability of the proposed model and the need to consider the rainstorm movement effect on the resulting hydrographs for prediction purposes.
시계열 예측을 위한 딥러닝 모형의 교차 검증 방법 비교 연구
서용원(Yongwon Seo),백창룡(Changryong Baek) 한국데이터정보과학회 2024 한국데이터정보과학회지 Vol.35 No.3
본 논문에서는 딥러닝 모델을 이용해 시계열 데이터 예측을 진행하는 경우 활용될 수 있는 교차 검증 방법들을 비교 연구하였다. 시계열 자료의 교차 검증 방법은 시간에 대한 의존성을 보존해야 하기에 자료를 몇 개의 블록으로 나눈 뒤 블록을 임의로 배치하는 방법을 사용하고 있다. 블록을 나누고 배치하는 방법에 따라 소위 TS, KF 그리고 RW 방법론이 널리 쓰이는데, 본 논문은 교차 검증법에 따른 딥러닝 모형의 예측력을 비교하여 시계열 교차 검증법에 대한 장단점을 파악하고자 한다. 각기 다른 특성을 보인 국제 유가, 다우존스 실현 변동성, 전력사용량, 초미세먼지 자료를 이용하여 예측력을 비교한 결과 특정한 교차 방법이 다른 방법론에 비하여 절대적인 우위를 차지하지는 않았다. 하지만 KF 방법의 경우 정상시계열의 특징을 가진 데이터에 대해 좋은 성능을 보였고, 이상 데이터를 포함하고 있는 경우 강건한 결과를 주었다. TS 방법은 주기성을 가지는 자료에서 좋은 성능을 보인 반면 RW 방법은 학습에 필요한 시간이 짧아 계사 시간에 이점이 있었다. In this paper, we compared cross-validation methods for time series data prediction using deep learning models. These methods preserve time dependencies by dividing data into blocks and shuffling them randomly. Commonly used block division and shuffling methods include TS(Time series split), KF (KFold) and RW (Rolling window). This paper aims to assess the predictive performance of deep learning models under different cross-validation techniques and identify the strengths and weaknesses of these methods. We evaluated predictive performance using international oil prices, Dow Jones realized volatility, electricity consumption, and PM2.5 data. The results showed that no single cross-validation method outperformed uniformly over others. However, the KF method performed well on stationary time series data and was robust against anomalies. The TS method performed well on data with periodicity, while the RW method offered computational advantages due to shorter training times.