PURPOSES : Traffic volume, an important basic data in the field of road traffic, is collected from traffic survey equipment installed at certain locations, which sometimes results in missing traffic volume data and abnormal detection. Therefore, this study presents various missing correction techniques using traffic characteristic analysis to obtain accurate traffic volume statistics. METHODS : The fundamental premise behind the development of a traffic volume correction and prediction model is to set the corrected data as the reference value, and the traffic volume correction and prediction process for the outliers and missing values in the raw data were performed based on the set values. RESULTS : The simulation results confirmed that the algorithm combining seasonal composition, quantile AD, and aggregation techniques showed a detection performance of more than 91% compared with actual values. CONCLUSIONS : Raw data collected due to difficulties faced by traffic survey equipment will result in missing traffic volume data and abnormal detection. If these abnormal data are used without appropriate corrections, it is difficult to accurately predict traffic demand. Therefore, it is necessary to improve the accuracy of demand prediction through characteristic analysis and the correction of missing data or outliers in the traffic data.

인공위성은 최첨단 기술로써 시공간적 관측제약이 적어 해양 사고에 효과적 대응과 해양 변동 특성 분석 등으로 각국의 국가 기관들이 위성 정보를 활용하고 있다. 하지만 고해상도 위성 관측 기반 해수면 온도 자료(Operational Sea Surface Temperature and Sea Ice Analysis, OSTIA)는 위성의 기기적, 또는 지리적 오류와 구름으로 인해 낮게 관측되거나 공백으로 처리되며 이를 복원하기까지 수 시간이 소요된다. 본 연구는 최신 딥러닝 기반 알고리즘인 LaMa 기법을 활용하여 결측된 OSTIA 자료를 복원하고, 그 성능을 기존에 이용되어 온 세 가지 영상처리 기법들의 성능과 비교하여 평가하였다. 결정계수(R²)와 평균절대오차(MAE) 값을 이용하여 각 기법의 위성 영상 복원 성 능을 평가한 결과, LaMa 알고리즘을 적용하였을 때의 R²과 MAE 값이 각각 0.9 이상, 0.5℃ 이하로, 기존에 사용되어 온 쌍 선형보간법, 쌍 삼차보간법, DeepFill v1 기법을 적용한 것보다 더 우수한 성능을 보였다. 향후에는 현업 위성 자료 제공 시스템에 LaMa 기법을 적용하여 그 가능성을 평가해 보고자 한다.

PURPOSES : Despite the availability of larger traffic data and more advanced data collection methods, the problem of missing data is yet to be solved. Imputing missing data to ensure data quality and reliability of statistics has always been challenging. Missing data are imputed via several existing methods, such as autoregressive integrated moving average, exponential smoothing, and interpolation. However, these methods are complicated and results in significant errors. METHODS : A deep-learning method was applied in this study to impute traffic volume data of the South Korean national highway. Traffic data were trained using the long short-term memory method, which is a suitable deep-learning method for time series analysis. RESULTS : Three cases were proposed to estimate the traffic volume. In the first case, which represented the general conditions, the mean absolute percentage error (MAPE) was 12.7%. The second estimation case, which was based on the opposite traffic flow, exhibited a MAPE of 17%~18%. The third case, which was estimated using adjacent-section data, had a MAPE of 18.2%. CONCLUSIONS : Deep learning may be a suitable alternative data imputation method based on the limited site and data. However, its application depends on the specific situation. Furthermore, deep-learning models can be improved using an ensemble method, batch-size, or through model-structure optimization.

본 연구에서는 결측된 일교통량의 대체를 위하여 교통공학에서 많이 활용되고 있는 기존의 선형내삽법에 공간상관성 기법을 고려한 새로운 선형내삽법을 제안하였다. 일교통량과 같이 시간적 특성을 지닌 자료를 공간위에 배치하여 공간적 상관성을 고려할 수 있도록 하였다. 공간상관성을 측정하기 위하여 일교통량의 순환성을 감안하여 같은 주의 요일간 상관성과 주별 같은 요일의 상관성을 나타내는 지표로서 Moran Index를 사용하였다. 실제 분석을 위하여 한국건설기술연구원에서 제공한 2004년 11월의 28일간의 일교통량 자료를 4×7 격자 형태로 배치하여 일별 교통량자료를 공간화 시켜 공간 상관성을 살펴보았으며, 여러 가지 통계적 지표를 통하여 공간 선형내삽법의 우수성을 확인하였다.

Agricultural meteorological information is an important resource that affects farmersʼ income, food security, and agricultural conditions. Thus, such data are used in various fields that are responsible for planning, enforcing, and evaluating agricultural policies. The meteorological information obtained from automatic weather observation systems operated by rural development agencies contains missing values owing to temporary mechanical or communication deficiencies. It is known that missing values lead to reduction in the reliability and validity of the model. In this study, the hierarchical Bayesian spatio–temporal model suggests replacements for missing values because the meteorological information includes spatio–temporal correlation. The prior distribution is very important in the Bayesian approach. However, we found a problem where the spatial decay parameter was not converged through the trace plot. A suitable spatial decay parameter, estimated on the bias of root–mean–square error (RMSE), which was determined to be the difference between the predicted and observed values. The latitude, longitude, and altitude were considered as covariates. The estimated spatial decay parameters were 0.041 and 0.039, for the spatio-temporal model with latitude and longitude and for latitude, longitude, and altitude, respectively. The posterior distributions were stable after the spatial decay parameter was fixed. root mean square error (RMSE), mean absolute error (MAE), mean absolute percentage error (MAPE), and bias were calculated for model validation. Finally, the missing values were generated using the independent Gaussian process model.

The interpolation of missing AIS data can be used for recovering the lost data of a ship’s state which is then able to produce useful information for VTS stations or other ships. Previous research has introduced some interpolating methods however there are some problems with regard to missing AIS data. This paper proposes one new method which includes linear interpolation, cubic Hermit interpolation and an identification mechanism to overcome some of those limitations, first AIS data regarding ship position, COG, SOG and HDG is divided into separate time series, then the characteristic of the missing data is investigated into through using an identification mechanism, an appropriate interpolation is selected to fit all the time series which matches the characteristics. Numerical experiments are carried out using real AIS data to validate the algorithm of this approach and the results are compared with the previous method, after which the actual missing area is suggested to be interpolated by the proposed method. The interpolation results show this approach can be applied well in practice.

This paper proposed a new method for estimating missing values in time series rainfall data. The proposed method integrated the two most widely used estimation methods, general linear model(GLM) and ordinary kriging(OK), by taking a weighted average of covariance matrices derived from each of the two methods. The proposed method was cross-validated using daily rainfall data at thirteen rain gauges in the Hyeong-san River basin. The goodness-of-fit of the proposed method was higher than those of GLM and OK, which can be attributed to the weighting algorithm that was designed to minimize errors caused by violations of assumptions of the two existing methods. This result suggests that the proposed method is more accurate in missing values in time series rainfall data, especially in a region where the assumptions of existing methods are not met, i.e., rainfall varies by season and topography is heterogeneous.

본 연구에서는 미계측 강수자료를 생성하여 공간 해석함으로써 제주도의 정확한 수문총량을 산정하였다. 미계측 강수자료는 본 연구에서 제시된 수정된 다중회귀선형 모형으로 생성하였으며 공간강수량은 PRISM을 적용하여 구하였다. 수정된 다중선형회귀 모형에 의한 미계측 강수자료의 추정 값들은 기존의 강수 패턴과 유사한 양상을 나타내어 모형의 정확도가 우수한 것으로 나타났으며, 공간강수량의 해석 결과는 Case 1(원자료)과 Case 2(미계측 강수자료를 보완한 자료)의 연평균 강수량이 약 1.5%의 미미한 차이를 나타내었으나 고도별 연평균 강수량 차이는 최대 37.4%가 증가하는 것으로 산정되었다. 따라서 본 연구에서 제안한 미계측 관측 자료 생성방법은 현재 관측소의 밀도가 낮은 곳과 국지적으로 강수량의 변화가 큰 곳에서의 수문총량의 산정시 유용할 것으로 판단된다.

The purpose of this research is to understand the change of runoff characteristics by estimated spatial rainfall. Therefore, this paper largely composed of two parts. First, we compared the simulated result according to estimation method, ID(Inverse Distance Method, ID2(Inverse Square Distance Method), and Kr(General Covariance Kriging Method), after letting miss rainfall data to the observed data. Second, we reviewed the runoff characteristics of the distributed runoff model according to the estimated spatial rainfall. On the basis of Yuseong water level station, we select the target basin as Gabchun watershed. We assumed 1 point or 2 point of the 6 rainfall gauge stations in watershed were missed. We applied the spatial rainfall distributed by Kr to Hy-GIS GRM, distributed runoff model. When 1 point rainfall data is missed, Kr is superior to others in point rainfall estimation and runoff estimation of Hy-GIS GRM. However, in case rainfall data of 2 points is missed, all of three methods did not give suitable result for them. In conclusion, Kr showed better applicability than other estimated methods if rainfall’s data less than 2 points is missed.

지구 온난화의 영향에 따른 기상 이변이 전세계적으로 급증하고 있다. 이에 따라 우리나라를 포함한 많은 나라에서 홍수예보 시스템과 수문자료를 저장하는 시스템을 운영하고 있다. 본 연구의 목적은 이러한 시스템에서 운영하고 있는 결측우량 보정방법을 알아보고 더 효과적인 보정방법을 찾아내어 제시하기 위함이다. 이를 위해 한강권역 194개 TM 우량관측소 10분 자료 이용하였다. 보정방법은 실시간 우량자료 보정시스템에서 사용이 용이한 산술 평균법, 역거리 가중법

강우자료는 수문 해석에 있어 가장 기본이 되는 입력 자료이며, 다양한 원인에 의해 결측이 발생된다. 본 연구에서는 복잡한 자연현상 문제 해결에 그 응용성이 입증된 신경망 기법을 이용하여 결측 처리된 강우를 추정하기 위해서 소양강댐 유역 12개 강우량 관측소를 대상으로 신경망 모형을 구축하였으며, 모형의 성능 평가를 위해 실무에서 가장 많이 사용되고 있는 우량 보정 방법인 역거리법(RDS)과 산술평균법(AMM)으로 추정한 값과 비교하여 신경망을 이용한 추

한강 하구부의 3개 지점에서 수중 계류방식으로 약 5개월에 걸쳐 탁도를 관측하였다. 이 과정에서 관측기기의 한계로 인해 탁도 자료의 결측치가 발생하였고, 이를 효율적으로 보완하기 위해 본 연구에서는 새로운 결측치 보완기법을 개발하였다. 개발된 기법은 시계열 자료가 단일주기와 상이한 진폭을 갖는다는 가정하에, 각 사이클의 면적비율을 통해 결측치를 보완하는 방법이다. 이 기법을 결측되지 않은 정상적인 자료로 검증해 보면, 첨두치가 약간 과소 산정되는 경향이