Recommended
Recommended
More Related Content
Similar to Posco ai challenge with RSCNN
Similar to Posco ai challenge with RSCNN (20)
Posco ai challenge with RSCNN
- 1. Swell Prediction using RSCNN 선박 하역부두 너울성 파도 발생시점 예측 2018. 9. 19. 제 로 콜 라 대표 : 조용우 팀원 : 한규수 I. 개요 II. 개발 내용 III. 결과 및 기대효과
- 2. Ⅰ. 개요 ✓ 참여 동기 ✓ 문제 분석
- 3. I. 개요 - 참여 동기 처음 접해보는 도메인 다른 사람들은 어떻게 문제를 푸는지 내 방법이 좋은 방법인지
- 4. Ⅰ. 개요 ✓ 참여 동기 ✓ 문제 분석
- 5. I. 개요 – 문제 시간 단위로 너울성 파도 예측
- 6. I. 개요 – 문제 해결 But 주어진 데이터는 일 단위 시간 단위의 데이터 수집
- 7. I. 개요 – 문제 해결 이전 8시간 동안의 예측인자로 너울성 파도 유무 예측 • Many Feature • RSCNN Ensemble Model
- 8. Ⅱ. 개발 내용 ✓ 학습 데이터 ✓ 데이터 전처리 ✓ 알고리즘
- 9. Ⅱ. 개발 내용 – 학습 데이터 • 2014 ~ 2017 • 7개 관측소 • 총 47개의 예측인자 사용 초기 데이터
- 10. Ⅱ. 개발 내용 – 학습 데이터 • 2014 ~ 2017 • 33개 관측소 • 총 248개의 예측인자 사용 최종 데이터
- 11. Ⅱ. 개발 내용 – 학습 데이터 연관성이 낮은 예측 인자 제거 예측 성능 감소 데이터 연관성 분석 모든 예측인자 사용
- 12. Ⅱ. 개발 내용 – 학습 데이터 사용한 예측인자(Feature)
- 13. Ⅱ. 개발 내용 ✓ 학습 데이터 ✓ 데이터 전처리 ✓ 알고리즘
- 14. 결측 데이터 처리 • 2014~2015 관측소 미운영으로 인한 데이터 결측 가까이 있는 관측소의 데이터를 넣어 줌 • 강수량 데이터 결측 0 mm 인 경우이므로 0 으로 처리 • 그 외 데이터 결측 선형 보간(Linear Interpolation)을 이용하여 처리 Ⅱ. 개발 내용 – 데이터 전처리
- 15. SWELL 데이터 Encoding Ⅱ. 개발 내용 – 데이터 전처리
- 16. Ⅱ. 개발 내용 – 데이터 전처리 방향 데이터 (풍향, 파향) Encoding
- 17. 데이터 정규화 예측 인자 사이의 Scale을 맞춤 𝑺𝒕𝒂𝒏𝒅𝒂𝒓𝒅𝒊𝒛𝒆𝒅 𝑥𝑖𝑗 = 𝑥𝑖𝑗 − ҧ𝑥𝑖 𝑠𝑖 Ⅱ. 개발 내용 – 데이터 전처리
- 18. Under Sampling Ⅱ. 개발 내용 – 데이터 전처리 • 2014 ~ 2017 기간동안 “기상 불량 없음” 이 대다수 하루 종일 “기상 불량 없음” 인 날은 학습에서 제외
- 19. Over Sampling Ⅱ. 개발 내용 – 데이터 전처리 • Swell 데이터 값이 변하는 시점에 예측 정확도 낮음 • 데이터 추가
- 20. Ⅱ. 개발 내용 ✓ 학습 데이터 ✓ 데이터 전처리 ✓ 알고리즘
- 21. Ⅱ. 개발 내용 – 알고리즘 예측 모델의 전체 구조
- 22. Ⅱ. 개발 내용 – 알고리즘 예측 모델의 전체 구조 𝐷 𝑆, 𝐿 = − 𝑖 𝐿𝑖 𝑙𝑜𝑔(𝑆𝑖) Softmax Cross Entropy Loss
- 23. Ⅱ. 개발 내용 – 알고리즘 예측 모델의 전체 구조 이 부분을 중점적으로 변경해가며 성능 개선 진행
- 24. Ⅱ. 개발 내용 – 알고리즘 Dense Net
- 25. Ⅱ. 개발 내용 – 알고리즘 RSCNN
- 26. Ⅱ. 개발 내용 – 알고리즘 RSCNN 모델마다 서로 다른 Feature 묶음 생성
- 27. Ⅱ. 개발 내용 – 알고리즘 RSCNN Feature간의 관계를 다양한 연산(kernel)으로 반영
- 28. Ⅱ. 개발 내용 – 알고리즘 RSCNN 시계열 연관성 반영
- 29. Ⅱ. 개발 내용 – 알고리즘 그 외 모델들 • Bidirectional RNN(Vanilla, LSTM, GRU, NAS) • Region based CNN (관측소 별 Convolution) • CNN + RNN
- 30. Ⅱ. 개발 내용 – 알고리즘 Ensemble 모델의 Randomness에 기인한 Variance를 낮춤
- 31. Ⅲ. 결과 및 기대효과 - 결과 𝑆𝑐𝑜𝑟𝑒 = 𝑇𝑁 + 2𝑇𝑃 − 𝐹𝑃 − 2𝐹𝑁 # 𝑜𝑓 𝑑𝑎𝑡𝑎 Score 너울성 파도가 발생한 시점을 맞춘 경우 = TP 너울성 파도가 발생하지 않은 시점을 맞춘 경우 = TN 너울성 파도가 발생한 시점을 틀린 경우 = FN 너울성 파도가 발생하지 않은 시점을 틀린 경우 = FP
- 32. Ⅲ. 결과 및 기대효과 - 결과 Train Stats Train : Validation : Test = 70% : 15% : 15%
- 33. Ⅲ. 결과 및 기대효과 - 결과 모델 별 성능
- 34. Ⅲ. 결과 및 기대효과 - 결과
- 35. Ⅲ. 결과 및 기대효과 - 기대효과 ✓ 너울성 파도 발생 시점을 높은 정확도 예측 작업 효율 증대 ✓ 범용성 높은 모델 연관관계가 복잡한 임의의 데이터에 효과적
- 36. Q & A