가설적 모델의 기계학습을 이용한 연속시간 동적시스템 모델링 프레임워크 = Modeling Framework for Continuous Dynamic Systems Using Machine Learning of Hypothetical Model

국문 초록 (Abstract)

본 논문은 실제 시스템의 빅데이터가 확보되었고 시스템에 대한 정보를 일부 알고 있을 때 파라미터를 가진 그레이박스 혹은 블랙박스 형태의 가설모델을 설정하고 기계학습을 통해 모델을 자동 생성하는 기법을 제안하였다. 제안된 프레임워크를 구현하고 다양한 가설모델에 대한 실험을 통해 학습된 모델의 정합도와 가설모델의 학습에 소요되는 비용에 대해 분석하였다. 실험결과 제안된 가설모델 기반 기계학습 기법으로 상미분방정식으로 기술될 수 있은 연속시스템의 그레이박스 혹은 화이트박스 가설모델과 주어진 빅데이터를 이용하여 모델링을 했을 때 상당히 좋은 성능과 정확도를 보인 모델을 찾아낼 수 있음을 확인하였다. 이 기법은 최근 생성된 빅데이터를 이용하여 디지털트윈 모델의 일치성을 자동 갱신하거나 새로운 입력에 대한 출력을 예측하는 목적으로도 잘 활용될 수 있을 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

This paper proposes a method of automatically generating a model through a machine learning technique by setting a hypothetical model in the form of a gray box or black box with unknown parameters, when the big data of the actual system is given. We implements the proposed framework and conducts experiments to find an appropriate model among various hypothesis models and compares the cost and fitness of them. As a result we find that the proposed framework works well with continuous systems that could be modeled with ordinary differential equation. This technique is expected to be used well for the purpose of automatically updating the consistency of the digital twin model or predicting the output for new inputs using recently generated big data.

목차 (Table of Contents)

• 1. 서론
• 2. 가설모델 기계학습 프레임워크
• 3. 연속시스템 기계학습 실험결과
• 4. 결론
• References