연안 정지 관측 시계열 데이터 결측치 보정에 관한 실증연구: 주문진 관측소 중심으로 = An Empirical Study on the Correction of Missing Data in Coastal Stationary Observation Time Series Data: Focusing on Jumunjin Observatory

국문 초록 (Abstract)

해양의 수온 관측 자료는 결측 구간이 빈번하게 발생하기 때문에 관측 자료의 전처리 과정에서 결측 구간의 보정이 필수 적이다. 특히, 현장 시료의 채집과 분석에 기반한 관측소의 경우 주말 및 기상악화 시 반복적이고 주기적으로 결측이 발생하는 구조를 가진다. 본 연구에서는 연안정지 관측 데이터 중 수온의 결측치 보정을 위한 최적화된 방법을 모색하고자 통계적 방법인 다중 대치법(Multiple Imputation, MI), 회귀모델인 자기회귀 누적 이동평균(Auto-Regressive Integrated Moving Average, ARIMA) 모델 및 인공신경망 방법인 장단기 메모리(Long Short Term Memory, LSTM) 모델을 사용하였다. 주문진 관측소의 수온 데이터 중 대부분의 결측일은 주말이었다. 모델의 구현은 5일(평일)의 수온 자료를 이용하여 2일(주말)의 수온을 보정하는 방법을 사용하였다. 평균 제곱근 편차(Root Mean Square Error, RMSE)와 평균 절대 오차(Mean Absolute Error, MAE)를 사용하여 모델을 평가하였으며, 각각의 모델을 예측값과 실측값의 잔차를 이용하여 비교 분석하였다. 분석결과 장단기 메모리 모델이 다중 대치법 및 자기회귀 누적 이동평균 모델에 비해 상대적으로 좋은 성능을 보이는 것으로 확인되었다.

다국어 초록 (Multilingual Abstract)

The sea surface temperature (SST) is an important physical property that describes ocean characteristics. However, SST monitoring in harsh marine environments has a discontinuity problem in field observation using a research vessel. Therefore, correcting the missing data is essential in the preprocessing of the observation data because the missing data frequently occurs in the sea water temperature observation system. Especially, observation stations based on the collection and analysis of field samples repeatedly and periodically generate missing data during weekends and bad weather. In this study, a statistical method (Multiple Imputation, MI), a regression model (Auto-Regressive Integrated Moving Average, ARIMA), and an artificial neural network method (Long Short Term Memory, LSTM) were tested to find an optimized method for correcting the missing SST data among coastal stationary observation data. Most of the missing SST data at the Jumunjin observatory were from weekends. The models were implemented by correcting the SST for 2 days (weekends) based on SST data for 5 days (weekdays). Models were evaluated using Root Mean Square Error (RMSE) and Mean Absolute Error (MAE), and each model was compared using the residuals between predicted and measured values. Our study indicates that the LSTM model shows relatively better performance compared to MI and ARIMA.

참고문헌 (Reference)

• 1 조홍연 ; 이기섭 ; 이욱재, "해양모니터링 자료의 장기결측 보충 기법" 한국해안,해양공학회 33 (33): 333-344, 2021
• 2 박현우 ; 이승환 ; 이은주 ; 조윤상 ; 박영석 ; 이재후 ; 유동현, "조위관측소 자료 기반 단기 표층 수온 예측모형 연구" 한국데이터정보과학회 31 (31): 255-271, 2020
• 3 조홍연 ; 정신택 ; 고동휘 ; 손경표, "수온 관측 자료의 효율적인 이상 자료 탐지" 한국해안,해양공학회 26 (26): 285-291, 2014
• 4 신용탁 ; 김동훈 ; 김현재 ; 임채욱 ; 우승범, "다변수 Bidirectional RNN을 이용한 표층수온 결측 데이터 보간" 한국해안,해양공학회 34 (34): 109-118, 2022
• 5 조동철 ; 한희일, "기상 데이터에서 대기 오염도 요소의 결측치 보완 기법 제안" 한국인터넷방송통신학회 21 (21): 181-187, 2021
• 6 윤성철, "결측값의 대치법" 대한예방의학회 37 (37): 209-211, 2004
• 7 E. P. Box. George, "Time series analysis : forecasting and control" Holden Bay 1976
• 8 E. D. Kim, "Technical Trends of Time-Series Data Imputation" 36 (36): 145-153, 2021
• 9 A. A. Adebiyi, "Stock price prediction using the ARIMA model" 106-112, 2014
• 10 A. Graves, "Speech recognition with deep recurrent neural networks" 6645-6649, 2013
• 11 T. Chai, "Root mean square error(RMSE)or mean absolute error(MAE)?-Arguments against avoiding RMSE in the literature" 7 (7): 1247-1250, 2014
• 12 H. Y. Cho, "Pre-processing of the continuous monitoring data in the coastal environment" 342-3421, 2011
• 13 Alma Pedersen, "Missing data and multiple imputation in clinical epidemiological research" Informa UK Limited Volume 9 : 157-166, 2017
• 14 D. Lee, "Long short-term memory recurrent neural network"based acoustic model using connectionist temporal classification on a large-scale training corpus" 14 (14): 23-31, 2017
• 15 Haşim Sak, "Long short-term memory recurrent neural network architectures for large scale acoustic modeling" ISCA 2014
• 16 S. Hochreiter, "Long short-term memory" 9 (9): 1735-1780, 1977
• 17 I. J. Goodfellow, "Generative adversarial networks" 63 (63): 139-144, 2020