[논문 리뷰] A precise machine learning aided algorithm for land subsidence or upheave prediction from GNSS time series

Mostafa Kiani Shahvandi|arXiv (Cornell University)|2020. 06. 06.

Landslides and related hazards참고 문헌 19인용 수 4

한 줄 요약

이 논문은 GNSS 위치 시간 시리즈를 사용하여 지반 침하 또는 상승을 예측하는 기계학습 기반 알고리즘을 제시한다. 데이터는 tidal 및 대기 신호를 제거하고 국지 좌표계로 변환하여 전처리되며, 8종의 기계학습 모델을 적용한다. 가우시안 프로세스(GP)가 다른 모델들을 능가하여 14개의 실제 GNSS 시간 시리즈에서 평균 2cm, 최대 4mm의 예측 정확도를 달성한다.

ABSTRACT

This paper is aimed at the problem of predicting the land subsidence or upheave in an area, using GNSS position time series. Since machine learning algorithms have presented themselves as strong prediction tools in different fields of science, we employ them to predict the next values of the GNSS position time series. For this reason, we present an algorithm that takes advantage of the machine learning algorithms for the prediction of positions in a GNSS time series. The proposed algorithm has two steps-preprocessing and prediction. In the preprocessing phase, the periodic tidal and atmospheric signals in the time series are removed and coordinates are transferred to the local coordinate system. In the prediction phase, eight different machine learning algorithms are used, namely, multilayer perceptron, Bayesian neural network, radial basis functions, Gaussian processes, k-nearest neighbor, generalized regression neural network, classification and regression trees, and support vector regression. We show the superiority of the Gaussian processes algorithm, compared to other methods, in 14 different real GNSS time series studies. The proposed algorithm can achieve up to 4 millimeters in accuracy, with the average accuracy as 2 centimeters across all time series.

연구 동기 및 목표

• GNSS 위치 시간 시리즈를 사용하여 지반 침하 또는 상승을 정밀하게 예측하는 방법을 개발하기 위해.
• GNSS 데이터에서 주기적인 대기 및 조수 신호를 제거하여 예측 정확도를 향상시키기 위해.
• 다양한 기계학습 알고리즘의 성능을 평가하고 비교하여 GNSS 시간 시리즈 추세 예측에 활용하기 위해.
• 기계학습, 특히 가우시안 프로세스가 기존의 통계적 방법인 Theta보다 현저히 뛰어나다는 것을 입증하기 위해.
• 지구과학자들과 지측 연구자들이 지표면 변형을 예측할 수 있도록 강력하고 이식 가능한 프레임워크를 제공하기 위해.

제안 방법

• 전처리 단계에서는 주어진 주파수에서 정의된 정현파 성분의 최소 제곱 피팅을 기반으로 한 매개수 모델을 사용하여 주기적인 조수 및 대기 신호를 제거한다.
• 시간 시리즈를 국지 좌표계로 변환하여 예측의 일관성 향상과 노이즈 감소를 도모한다.
• 8종의 기계학습 모델을 적용한다: 다층 퍼셉트론, 베이지안 신경망, 라디얼 기저 함수, 가우시안 프로세스, k-최근접 이웃, 일반화 회귀 신경망, 분류 및 회귀 트리, 서포트 벡터 회귀.
• 주기적 신호 모델은 $ y_k^p = \sum_{i=1}^m a_i \cos(2\pi f_i t_k) + b_i \sin(2\pi f_i t_k) $로 정의되며, 표 1의 주파수(예: 0.5, 1, 14, 30, 180.1, 359.5일)를 기반으로 한다.
• 계수 $ a_i $ 및 $ b_i $ 는 훈련 데이터를 사용하여 선형 최소 제곱법으로 추정되며, 피팅된 신호는 원본 데이터에서 빼어 추세 성분만 분리한다.
• 예측은 전처리된, 추세가 제거된 시간 시리즈에 대해 지도 학습을 통해 수행되며, MASE, MAE, RMSE 지표를 사용해 성능을 평가한다.

실험 결과

연구 질문

• RQ1 기계학습 모델은 기존의 통계적 방법에 비해 GNSS 시간 시리즈에서 지반 침하 또는 상승 예측 정확도를 향상시킬 수 있는가?
• RQ2 다양한 지리적 및 기후 조건에서 GNSS 위치 시간 시리즈 예측에 가장 우수한 성능을 보이는 기계학습 알고리즘은 무엇인가?
• RQ3 주기적인 대기 및 조수 신호 제거가 GNSS 기반 침하/상승 모델링의 예측 정확도에 어떤 영향을 미치는가?
• RQ4 데이터 연속성(지속적 대비 비지속적 시간 시리즈)이 예측 성능에 어떤 영향을 미치는가?
• RQ5 다양한 데이터 품질과 환경 조건을 가진 다수의 GNSS 기지국에 일반화 가능한 통합 전처리 및 예측 파이프라인을 개발할 수 있는가?

주요 결과

• 가우시안 프로세스(GP)는 14개의 GNSS 시간 시리즈에서 평균 RMSE 0.0221 mm, 평균 MASE 0.0229를 기록하여 가장 높은 예측 정확도를 달성했다.
• GP 모델은 개별 시간 시리즈에서 최대 4mm의 정확도를 확보하여 다른 기계학습 모델과 기존의 Theta 방법보다 뚜렷이 뛰어났다.
• Theta 통계적 방법은 매우 열악한 성능을 보였으며, 평균 RMSE 23.9242 mm, 평균 MASE 72.2209를 기록하여 이 작업에 적합하지 않음을 확인했다.
• 라디얼 기저 함수(RBF) 네트워크는 가장 낮은 정확도를 보였으며, 평균 RMSE 1525.0325 mm, 평균 MASE 1848.7074를 기록하여 GNSS 시간 시리즈 예측에 부적합함을 시사했다.
• 지속적인 시간 시리즈에서는 예측 정확도가 높았으며, 데이터 연속성이 유지될 경우 밀리미터 수준의 정확도를 확보할 수 있었고, 반면 비지속적 데이터의 경우 정확도가 센티미터 수준으로 떨어졌다.
• 제안된 알고리즘은 기계학습, 특히 GP가 GNSS 데이터에서 지반 침하 또는 상승을 예측하는 데 매우 효과적인 도구임을 입증하며, 전통적인 통계적 접근 방식에 대한 강력한 대안을 제공한다.