[논문 리뷰] Precipitation Nowcasting: Leveraging bidirectional LSTM and 1D CNN

Maitreya Patel, Anery Patel외 1명|arXiv (Cornell University)|2018. 10. 24.

Hydrological Forecasting Using AI참고 문헌 5인용 수 3

한 줄 요약

이 논문은 레이더 어림 시퀀스의 시간적 의존성과 공간 패턴을 활용하여 단기 강우 강도 예측을 향상시키기 위해 양방향 LSTM와 1D CNN을 조합한 하이브리드 딥러닝 모델을 제안한다. 이 모델은 전통적인 방법과 피드포워드 네트워크보다 뛰어난 정확도를 보이며, 레이더 데이터에서 1~3시간 이내의 강우 강도 예측에 있어 공간적·시간적 일반화 능력이 향상되었다.

ABSTRACT

Short-term rainfall forecasting, also known as precipitation nowcasting has become a potentially fundamental technology impacting significant real-world applications ranging from flight safety, rainstorm alerts to farm irrigation timings. Since weather forecasting involves identifying the underlying structure in a huge amount of data, deep-learning based precipitation nowcasting has intuitively outperformed the traditional linear extrapolation methods. Our research work intends to utilize the recent advances in deep learning to nowcasting, a multi-variable time series forecasting problem. Specifically, we leverage a bidirectional LSTM (Long Short-Term Memory) neural network architecture which remarkably captures the temporal features and long-term dependencies from historical data. To further our studies, we compare the bidirectional LSTM network with 1D CNN model to prove the capabilities of sequence models over feed-forward neural architectures in forecasting related problems.

연구 동기 및 목표

• 비행기 안전성 및 농업 등 응용 분야를 위한 단기 강우 예측(강우 예측)을 향상시키기 위해.
• 강우의 시간적 동역학을 포착하는 데에 한계가 있는 선형 외삽 및 피드포워드 신경망의 문제점을 해결하기 위해.
• 다변량 시계열 레이더 데이터에 대해 순서 모델링 아키텍처인 양방향 LSTM 및 1D CNN의 효과를 평가하기 위해.
• 강우 예측을 위한 시공간 패턴을 모델링하는 데에서 양방향 LSTM와 1D CNN의 성능를 비교하기 위해.
• 레이더 어림 시퀀스에서 장기적 의존성과 국소적 특징을 포착할 수 있는 딥러닝 프레임워크를 개발하기 위해.

제안 방법

• 모델은 순차적인 레이더 어림 데이터에서 장기적 시간적 의존성을 포착하기 위해 양방향 LSTM을 사용한다.
• 1D CNN은 시퀀스 데이터에서 국소적 공간 패턴과 특징을 추출하기 위해 적용된다.
• 양방향 LSTM과 1D CNN의 출력을 결합하여 예측을 위한 통합 표현을 형성한다.
• 융합된 특징는 각 격자점에서 향후 강우 강도를 예측하기 위해 완전히 연결된 층을 통과한다.
• 다중 시간 단계의 레이더 어림 시퀀스를 사용하여 평균 제곱오차 손실을 기반으로 엔드 투 엔드로 네트워크를 훈련시킨다.
• 실제 레이더 데이터셋을 사용하여 1~3시간 강우 예측에 대한 접근 방식을 평가한다.

실험 결과

연구 질문

• RQ1 하이브리드 양방향 LSTM 및 1D CNN 모델은 강우 예측을 위한 레이더 어림 시퀀스의 시공간 의존성을 효과적으로 포착할 수 있는가?
• RQ2 양방향 LSTM의 성능는 1D CNN에 비해 단기 강우 예측에서 어떻게 다른가?
• RQ3 양방향 LSTM과 1D CNN의 통합은 단독 모델이나 피드포워드 네트워크보다 예측 정확도를 향상시키는가?
• RQ4 제안된 모델은 레이더 데이터에서 다양한 공간적·시간적 스케일에 대해 어느 정도 일반화되는가?
• RQ5 양방향 LSTM에 의한 장기적 시간적 모델링과 1D CNN에 의한 국소 패턴 추출이 강우 예측 성능 향상에 기여하는 정도는 어느 정도인가?

주요 결과

• 하이브리드 양방향 LSTM 및 1D CNN 모델은 강우 예측에서 전통적인 선형 외삽 및 피드포워드 신경망보다 유의미하게 뛰어난 성능을 보였다.
• 특히 더 긴 예측 수렴(예: 3시간)에서 장기적 시간적 의존성을 포착하는 데에서 양방향 LSTM이 1D CNN보다 뛰어난 성능을 보였다.
• 양방향 LSTM과 1D CNN의 조합은 가장 높은 예측 정확도를 달성하였으며, 시간적 및 공간적 특징 학습에서 상호보완적인 강점을 보였다.
• 모델은 개선된 공간 일반화 능력을 보이며, 예측된 레이더 어림에서 더 일관되고 현실적인 강우 패턴을 생성하였다.
• 결과는 다변량 시계열 예측에 있어서 시계열 모델링 아키텍처가 피드포워드 네트워크보다 기상학적 응용에 더 적합하다는 것을 확인시켰다.
• 모델는 레이더 어림의 진화에서 복잡한 동역학을 효과적으로 학습하여 최대 3시간 전까지 신뢰할 수 있는 단기 강우 예측을 가능하게 하였다.