Informer-based Temperature Prediction Using Time Periodic Information

Abstract

본 논문에서는 AWS (Automatic Weather Station) 관측 데이터와 LDAPS (Local Data Assimilation and Prediction System) 수치예보모델을 입력으로 사용하고 시간 주 기 정보를 추가적으로 적용하는 Informer 모델 기반 기온 예측 방법을 제안한다. 제안된 방법은 AWS와 시간 주기 정보를 입력으로 하는 Informer 모델과 LDAPS를 입력으로 하는 CNN-BLSTM모델[1]을 활용하여 특징추출을 진행하고, 고유의 심층 신경망 구조를 통해 일련의 융합과정을 거쳐 특정 시간 이후의 기온을 예측한다. 이전 연구의 문제점은 기온 예측에 있어, 시간의 정보를 학습에 활용하지 않았고, LSTM의 장기의존성 문제를 해결하지 못해 예측 시간이 길어 질 수록 성능이 하락하는 현상에 대한 대안을 제시 하지 않았다. 따라서, 본 논문은 시간 주기 정보를 생성해 모델의 입력으로 사용함으로써 시간 정보를 학습에 반영하고, transformer 기반 모델 Informer 를 LSTM을 대체하는 방법을 제안해 장기 의존성을 극복할 수 있는 대안을 제시하였다. 본 논문은 6시간부터 336시간까지 다양한 기간의 중단기 기온 예측 정확도를 향상 시키는 것을 목표로 한다. 여러 가지 실험을 통해 제안한 시간 주기 정보가 기온 예측의 성능 향상에 도움이 된다는 사실을 증명하였다. 또한 Informer 구조를 활용함으로써 성능 향상을 이끌 수 있었다.|In this paper, we propose an Informer model-based temperature prediction method that uses AWS (Automatic Weather Station) observation data and LDAPS (Local Data Assimilation and Prediction System) which is one of the numerical weather prediction model as inputs and applies time period information. The proposed method performs feature extraction using the Informer model with AWS and time period information as inputs and CNN-BLSTM backbone model [1] with LDAPS as inputs. Then, it predicts the temperature after a specific time period through a series of fusion processes. The problem of the previous study was that time information was not used in the training process, and it did not solve the long-term dependency problem of LSTM, so it did not suggest an alternative to the phenomenon that the performance deteriorates as he prediction time increases. Therefore, this paper reflects time information in learning by generating time period information and using it as an input to the model. It proposes a method to replace LSTM with a transformer-based model Informer, thereby suggesting an alternative to overcome long-term dependency problem. This paper aims to improve the accuracy of long-short-term temperature prediction for various periods from 6 hours to 336 hours. Through multiple experiments, it has been proven that the proposed time period information helps improve the performance of temperature prediction. In addition, it was possible to lead to performance improvement by utilizing Informer.