[논문 리뷰] Stream-Flow Forecasting of Small Rivers Based on LSTM

Youchuan Hu, Le Yan외 2명|arXiv (Cornell University)|2020. 01. 16.

Hydrological Forecasting Using AI참고 문헌 25인용 수 46

한 줄 요약

본 논문은 LSTM 모델을 사용해 중국 톈시(Tunxi)의 작은 강에서 6시간 앞의 유량을 예측하고 SVR 및 MLP와 비교하여 더 높은 정확도와 안정성을 보임을 보여준다.

ABSTRACT

Stream-flow forecasting for small rivers has always been of great importance, yet comparatively challenging due to the special features of rivers with smaller volume. Artificial Intelligence (AI) methods have been employed in this area for long, but improvement of forecast quality is still on the way. In this paper, we tried to provide a new method to do the forecast using the Long-Short Term Memory (LSTM) deep learning model, which aims in the field of time-series data. Utilizing LSTM, we collected the stream flow data from one hydrologic station in Tunxi, China, and precipitation data from 11 rainfall stations around to forecast the stream flow data from that hydrologic station 6 hours in the future. We evaluated the prediction results using three criteria: root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination (R^2). By comparing LSTM's prediction with predictions of Support Vector Regression (SVR) and Multilayer Perceptions (MLP) models, we showed that LSTM has better performance, achieving RMSE of 82.007, MAE of 27.752, and R^2 of 0.970. We also did extended experiments on LSTM model, discussing influence factors of its performance.

연구 동기 및 목표

• 높은 변동성과 제한된 용량을 가진 소형 하천에 대한 정확한 홍수 예측의 필요성을 강조한다.
• 과거 유량 및 강수 데이터 사용의 LSTM 기반 시계열 예측 프레임워크를 제안한다.
• 정확도와 안정성의 향상을 평가하기 위해 LSTM의 성능을 SVR 및 MLP와 비교한다.
• 소형 하천의 예측 정확도에 미치는 입력 데이터 효과와 모델 매개변수를 조사한다.

제안 방법

• 64개의 은닉 유닛을 가진 Keras로 구현된 LSTM을 사용한다.
• 역사 12시간(Q 및 P1–P11)을 감독 형식으로 변환해 t+6시간의 Q를 예측한다.
• MinMaxScaler로 데이터를 정규화하고 약 70%를 학습용, 약 30%를 테스트용으로 나눈다.
• LSTM을 SVR(RBF 커널, C=0.095, gamma=0.165) 및 MLP(숨은 층 하나)와 비교한다.
• RMSE, MAE, R2를 사용해 평가한다.
• 성능 요인을 연구하기 위해 입력 데이터 조합, 예측 수평, 인코더 히스토리 스텝의 조합을 실험한다.

실험 결과

연구 질문

• RQ1 LSTM이 SVR 및 MLP와 비교해 소형 하천의 6시간 앞 유량 예측을 향상시킬 수 있는가?
• RQ2 역사 유량 및 강수 유형의 입력 데이터 조합이 예측 정확도에 어떤 영향을 미치는가?
• RQ3 예측 수평과 인코더 히스토리 스텝이 모델 성능에 미치는 영향은 무엇인가?
• RQ4 이 설정에서 LSTM의 정확도와 학습 효율의 균형을 위한 최적의 매개변수 선택은 무엇인가?

주요 결과

• LSTM은 RMSE 82.007, MAE 27.752, R2 0.970을 달성하여 SVR 및 MLP를 능가한다.
• LSTM은 다른 모델들보다 더 안정적인 예측을 제공하고, 거짓 양상 피크가 적고 피크 예측이 더 우수하다.
• 과거 유량 데이터가 결정적이며, 강수 데이터가 정확도를 추가로 향상시키고, 강수 데이터는 유익하나 유형 조합의 영향은 제한적이다.
• 인코더 히스토리 스텝이 약 12–14시간이고 6시간 예측 수평이 더 나은 정확도를 보이며, 더 긴 수평은 정확도를 감소시킨다.