知財求人 - 知財ポータルサイト「IP Force」
特表2024-546212サイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システムおよび方法
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2024-12-19
(54)【発明の名称】サイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システムおよび方法
(51)【国際特許分類】
G06T 7/00 20170101AFI20241212BHJP
G06V 10/82 20220101ALI20241212BHJP
G01W 1/10 20060101ALI20241212BHJP
【ＦＩ】
G06T7/00 350C
G06V10/82
G01W1/10 P
G01W1/10 T
【審査請求】有
【予備審査請求】未請求
(21)【出願番号】P 2023515300
(86)(22)【出願日】2023-01-20
(85)【翻訳文提出日】2023-03-07
(86)【国際出願番号】 KR2023001038
(87)【国際公開番号】W WO2024111747
(87)【国際公開日】2024-05-30
(31)【優先権主張番号】10-2022-0160458
(32)【優先日】2022-11-25
(33)【優先権主張国・地域又は機関】KR
(31)【優先権主張番号】10-2023-0003325
(32)【優先日】2023-01-10
(33)【優先権主張国・地域又は機関】KR
(81)【指定国・地域】
(71)【出願人】
【識別番号】522228252
【氏名又は名称】大韓民国 気象庁長
【氏名又は名称原語表記】ＫＯＲＥＡ ＭＥＴＥＯＲＯＬＯＧＩＣＡＬ ＡＤＭＩＮＩＳＴＲＡＴＩＯＮ
【住所又は居所原語表記】６１，Ｙｅｏｕｉｄａｅｂａｎｇ－ｒｏ １６－ｇｉｌ，Ｄｏｎｇｊａｋ－ｇｕ Ｓｅｏｕｌ ０７０６２，Ｒｅｐｕｂｌｉｃ ｏｆ Ｋｏｒｅａ
(74)【代理人】
【識別番号】100130111
【弁理士】
【氏名又は名称】新保 斉
(72)【発明者】
【氏名】チェ、ジェ ホ
(72)【発明者】
【氏名】キム、ユ ラ
(72)【発明者】
【氏名】キム、グァン ホ
(72)【発明者】
【氏名】ジョン、ソン ファ
(72)【発明者】
【氏名】チョ、イク ヒョン
【テーマコード（参考）】
5L096
【Ｆターム（参考）】
5L096BA08
5L096CA18
5L096DA01
5L096EA03
5L096GA19
5L096GA30
5L096HA11
5L096KA04
(57)【要約】
サイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システムは、関心地域の第１時間の降水量情報を含む入力合成ハイブリッド高度面降水量（ＨＳＲ：ｈｙｂｒｉｄ ｓｕｒｆａｃｅ ｒａｉｎｆａｌｌ）イメージを受信する入力部；第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ：Ｃｙｃｌｅ－Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ）および前記第１サイクル敵対的生成ネットワークに相補的な第２サイクル敵対的生成ネットワークを利用して前記入力合成ＨＳＲイメージに基づいて前記関心地域の前記第１時間より未来の時間である第２時間の降水量情報を含む結果合成ＨＳＲイメージを生成するサイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）；および前記結果合成ＨＳＲイメージを前記関心地域の実況予報（Ｎｏｗｃａｓｔｉｎｇ）イメージとして出力する出力部；を含む。本発明に係るサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システムおよび方法は、ピクセル損失をサイクル敵対的生成ネットワークに適用することによって時間的因果関係に対する剛健性を確保することができる。
【選択図】 図２
【選択図】 図２
【特許請求の範囲】
【請求項1】
関心地域の第１時間の降水量情報を含む入力合成ハイブリッド高度面降水量（ＨＳＲ：ｈｙｂｒｉｄ ｓｕｒｆａｃｅ ｒａｉｎｆａｌｌ）イメージを受信する入力部；前記入力合成ＨＳＲイメージに基づいて前記関心地域の前記第１時間より未来の時間である第２時間の降水量情報を含む結果合成ＨＳＲイメージを生成するサイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）；および、
前記結果合成ＨＳＲイメージを前記関心地域の実況予報（Ｎｏｗｃａｓｔｉｎｇ）イメージとして出力する出力部；を含む
ことを特徴とするサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システム。
【請求項2】
前記サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は、第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ：Ｃｙｃｌｅ－Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ）および前記第１サイクル敵対的生成ネットワークに相補的な第２サイクル敵対的生成ネットワークを含み、
前記第１サイクル敵対的生成ネットワークと前記第２サイクル敵対的生成ネットワークはそれぞれ時間的に順行する順行イメージマッピング（ｍａｐｐｉｎｇ）と時間的に逆行する逆行イメージマッピングを遂行する
請求項１に記載のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システム。
【請求項3】
前記第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は、前記第１時間の前記入力合成ＨＳＲイメージに基づいて前記第２時間の第１予測合成ＨＳＲイメージの予測マッピングを学習する順行生成子（ｆｏｒｗａｒｄ ｇｅｎｅｒａｔｏｒ）；
前記第２時間の前記第１予測合成ＨＳＲイメージに基づいて前記第１時間の第１サイクル予測合成ＨＳＲイメージの予測マッピングを学習する逆行生成子（ｂａｃｋｗａｒｄ ｇｅｎｅｒａｔｏｒ）；
前記順行生成子の予測マッピングの正確度を評価し、前記入力合成ＨＳＲイメージと前記第１予測合成ＨＳＲイメージを判別する順行判別子；および、
前記逆行生成子の予測マッピングの正確度を評価し、前記第１予測合成ＨＳＲイメージと前記第１サイクル予測合成ＨＳＲイメージを判別する逆行判別子（ｂａｃｋｗａｒｄ ｄｉｓｃｒｉｍｉｎａｔｏｒ）；を含む
請求項２に記載のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システム。
【請求項4】
前記第２サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は、前記逆行生成子を利用して前記第２時間の前記第１予測合成ＨＳＲイメージに第１ピクセル損失関数（ｐｉｘｅｌ ｌｏｓｓ）が適用された相補的第１予測合成ＨＳＲイメージに基づいて前記第１時間の前記入力合成ＨＳＲイメージに対応する相補的入力合成ＨＳＲイメージの予測マッピングを学習し、前記入力合成ＨＳＲイメージと前記相補的入力合成ＨＳＲイメージは第２ピクセル損失関数が適用された相補的関係を有し、
前記順行生成子を利用して前記第１時間の前記相補的入力合成ＨＳＲイメージに基づいて前記第２時間の第２サイクル予測合成ＨＳＲイメージの予測マッピングを学習し、
前記順行判別子を利用して前記順行生成子の予測マッピングの正確度を評価し、前記相補的入力合成ＨＳＲイメージと前記第２サイクル予測合成ＨＳＲイメージを判別し、
前記逆行判別子を利用して前記逆行生成子の予測マッピングの正確度を評価し、前記相補的第１予測合成ＨＳＲイメージと前記相補的入力合成ＨＳＲイメージを判別するように構成された
請求項３に記載のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システム。
【請求項5】
前記第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は第１サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）を適用して前記第１サイクル予測合成ＨＳＲイメージが前記入力合成ＨＳＲイメージにマッチングされるように学習され、前記順行判別子は順行敵対的損失関数（ｆｏｒｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記第１予測合成ＨＳＲイメージを前記入力合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習され、
前記逆行判別子は逆行敵対的損失関数（ｂａｃｋｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記第１サイクル予測合成ＨＳＲイメージを前記第１予測合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習される
請求項４に記載のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システム。
【請求項6】
前記第２サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は第２サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）を適用して前記第２サイクル予測合成ＨＳＲイメージが前記相補的第１予測合成ＨＳＲイメージにマッチングされるように学習され、前記順行判別子は前記順行敵対的損失関数（ｆｏｒｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記第２サイクル予測合成ＨＳＲイメージを前記相補的入力合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習され、
前記逆行判別子は逆行敵対的損失関数（ｂａｃｋｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記相補的入力合成ＨＳＲイメージを前記相補的第１予測合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習される
請求項５に記載のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システム。
【請求項7】
前記サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は前記第１ピクセル損失関数および前記第２ピクセル損失関数が予め決定された基準ピクセル損失関数値に収束し、前記第１サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）および前記第２サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）が予め決定されたサイクル一貫性損失関数値に収束するように学習される時の前記第１予測合成ＨＳＲイメージまたは前記相補的第１予測合成ＨＳＲイメージまたは前記第２サイクル予測合成ＨＳＲイメージを前記結果合成ＨＳＲイメージで出力する請求項６に記載のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システム。
【請求項8】
前記順行生成子および前記逆行生成子は、前記入力合成ＨＳＲイメージの大きさを減少させ、前記入力合成ＨＳＲイメージから複数の特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）を抽出するエンコーダ；
前記特徴マップを再調整（ｒｅｃａｌｉｂｒａｔｉｏｎ）する複数のＳＥ－残差ブロック（ＳＥ－ｒｅｓｉｄｕａｌ ｂｌｏｃｋ）；
前記エンコーダで減少した前記入力合成ＨＳＲイメージの大きさを復元するデコーダ；を含む
請求項３に記載のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システム。
【請求項9】
前記順行判別子および前記逆行判別子はパッチ（ｐａｔｃｈ）単位で判別を遂行するパッチ敵対的生成ネットワーク（Ｐａｔｃｈ－ＧＡＮ）のアーキテクチャを使う請求項８に記載のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システム。
【請求項10】
関心地域の第１時間の降水量情報を含む入力合成ハイブリッド高度面降水量（ＨＳＲ：ｈｙｂｒｉｄ ｓｕｒｆａｃｅ ｒａｉｎｆａｌｌ）イメージを受信する入力データ受信段階；前記入力合成ＨＳＲイメージに基づいて前記関心地域の前記第１時間より未来の時間である第２時間の降水量情報を含む結果合成ＨＳＲイメージを生成するサイクル敵対的生成ネットワーク実行段階；および、
前記結果合成ＨＳＲイメージを前記関心地域の実況予報（Ｎｏｗｃａｓｔｉｎｇ）イメージとして出力する出力段階；を含む
ことを特徴とするサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報方法。
【請求項11】
前記サイクル敵対的生成ネットワークは、第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）および前記第１サイクル敵対的生成ネットワークに相補的な第２サイクル敵対的生成ネットワークを含み、
前記第１サイクル敵対的生成ネットワークと前記第２サイクル敵対的生成ネットワークはそれぞれ時間的に順行する順行イメージマッピング（ｍａｐｐｉｎｇ）と時間的に逆行する逆行イメージマッピングを遂行する
請求項１０に記載のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報方法。
【請求項12】
前記第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は、順行生成子（ｆｏｒｗａｒｄ ｇｅｎｅｒａｔｏｒ）を利用して前記第１時間の前記入力合成ＨＳＲイメージに基づいて前記第２時間の第１予測合成ＨＳＲイメージの予測マッピングを学習する順行イメージマッピング段階；
逆行生成子（ｂａｃｋｗａｒｄ ｇｅｎｅｒａｔｏｒ）を利用して前記第２時間の前記第１予測合成ＨＳＲイメージに基づいて前記第１時間の第１サイクル予測合成ＨＳＲイメージの予測マッピングを学習する逆行イメージマッピング段階；
順行判別子を利用して前記順行生成子の予測マッピングの正確度を評価し、前記入力合成ＨＳＲイメージと前記第１予測合成ＨＳＲイメージを判別する順行判別段階；および、
逆行判別子を利用して前記逆行生成子の予測マッピングの正確度を評価し、前記第１予測合成ＨＳＲイメージと前記第１サイクル予測合成ＨＳＲイメージを判別する逆行判別段階；を実行する
請求項１１に記載のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報方法。
【請求項13】
前記第２サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は、前記逆行生成子を利用して前記第２時間の前記第１予測合成ＨＳＲイメージに第１ピクセル損失関数（ｐｉｘｅｌ ｌｏｓｓ）が適用された相補的第１予測合成ＨＳＲイメージに基づいて前記第１時間の前記入力合成ＨＳＲイメージに対応する相補的入力合成ＨＳＲイメージの予測マッピングを学習し、前記入力合成ＨＳＲイメージと前記相補的入力合成ＨＳＲイメージは第２ピクセル損失関数が適用された相補的関係を維持し、
前記順行生成子を利用して前記第１時間の前記相補的入力合成ＨＳＲイメージに基づいて前記第２時間の第２サイクル予測合成ＨＳＲイメージを予測マッピングを学習し、
前記順行判別子を利用して前記順行生成子の予測マッピングの正確度を評価し、前記相補的入力合成ＨＳＲイメージと前記第２サイクル予測合成ＨＳＲイメージを判別し、
前記逆行判別子を利用して前記逆行生成子の予測マッピングの正確度を評価し、前記相補的第１予測合成ＨＳＲイメージと前記相補的入力合成ＨＳＲイメージを判別するように構成された
請求項１２に記載のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報方法。
【請求項14】
前記第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は第１サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）を適用して前記第１サイクル予測合成ＨＳＲイメージが前記入力合成ＨＳＲイメージにマッチングされるように学習され、前記順行判別子は順行敵対的損失関数（ｆｏｒｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記第１予測合成ＨＳＲイメージを前記入力合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習され、
前記逆行判別子は逆行敵対的損失関数（ｂａｃｋｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記第１サイクル予測合成ＨＳＲイメージを前記第１予測合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習される
請求項１３に記載のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報方法。
【請求項15】
前記第２サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は第２サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）を適用して前記第２サイクル予測合成ＨＳＲイメージが前記相補的第１予測合成ＨＳＲイメージにマッチングされるように学習され、前記順行判別子は前記順行敵対的損失関数（ｆｏｒｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記第２サイクル予測合成ＨＳＲイメージを前記相補的入力合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習され、
前記逆行判別子は逆行敵対的損失関数（ｂａｃｋｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記相補的入力合成ＨＳＲイメージを前記相補的第１予測合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習される
請求項１４に記載のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報方法。
【請求項16】
前記サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は前記第１ピクセル損失関数および前記第２ピクセル損失関数が予め決定された基準ピクセル損失関数値に収束し、前記第１サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）および前記第２サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）が予め決定されたサイクル一貫性損失関数値に収束するように学習される時の前記第１予測合成ＨＳＲイメージまたは前記相補的第１予測合成ＨＳＲイメージまたは前記第２サイクル予測合成ＨＳＲイメージを前記結果合成ＨＳＲイメージで出力する請求項１５に記載のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報方法。
【請求項17】
前記順行生成子および前記逆行生成子は、エンコーダを利用して前記入力合成ＨＳＲイメージの大きさを減少させ、前記入力合成ＨＳＲイメージから複数の特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）を抽出するエンコーディング段階；
複数のＳＥ－残差ブロック（ＳＥ－ｒｅｓｉｄｕａｌ ｂｌｏｃｋ）を利用して前記特徴マップを再調整（ｒｅｃａｌｉｂｒａｔｉｏｎ）する再調整段階；
デコーダを利用して前記エンコーダで減少した前記入力合成ＨＳＲイメージの大きさを復元するデコーディング段階；を実行するように構成された
請求項１２に記載のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報方法。
【請求項18】
前記順行判別子および前記逆行判別子はパッチ敵対的生成ネットワーク（Ｐａｔｃｈ－ＧＡＮ）のアーキテクチャを使ってパッチ（ｐａｔｃｈ）単位で判別を遂行することを特徴とする請求項１７に記載のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は降水量実況予報システムおよび方法に関し、さらに詳細には、サイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システムおよび方法に関する。
【背景技術】
【0002】
昔から雨は人間の生活に密接な影響を与えた。そのため、降水量の予測はいつも世間の人の関心事であった。気象学的観点からで降水量を予測しようとする試みが多かった。一例として、数値的気象予測（ＮＷＰ：ｎｕｍｅｒｉｃａｌ ｗｅａｔｈｅｒ ｐｒｅｄｉｃｔｉｏｎ）モデルがあった。ＮＷＰモデルは広範囲な時間にかけて良好な定量的降水量予測を支援する。しかし、ＮＷＰモデルは予測の初期段階で対流規模構造を開発するため、初期の数時間の間正確性を保障することができなかった。このような制限をスピンアップ問題（ｓｐｉｎ－ｕｐ ｐｒｏｂｌｅｍ）という。これを解決するために、短期的な予測に焦点を合わせる実況予報（Ｎｏｗｃａｓｔｉｎｇ）の重要性が大きくなった。
【0003】
気象学において実況予報は、一般的にこれから約２時間以内に天気を正確に予測する模型または予測をいう。特に、降水量実況予報は一般的に気象レーダー観測に基づく。多様な定量的降水量予測（ＱＰＦ：ｑｕａｎｔｉｔａｔｉｖｅ ｐｒｅｃｉｐｉｔａｔｉｏｎ ｆｏｒｅｃａｓｔ）モデルが存在するが、完璧な降水量予測は常に難しい問題である。
【0004】
また、従来の降水量実況予報は広範囲な地域を対象にして、使用者が関心がある局所地域の実況天気を予報するには限界があった。
【0005】
したがって、従来の降水量実況予報に基づいて局地的大雨などに効果的に備えることができない問題があった。
【0006】
人工知能を降水量実況予報に使おうとする試みが増加している。しかし、局所地域の局地的大雨などに対する信頼性のある降水量実況予報装置が必要である。
【0007】
使用者が所望する局所地域の望む時間帯のリアルタイム性天気情報の獲得のためのシステムに対する要求がある。
【先行技術文献】
【特許文献】
【0008】
【特許文献1】韓国登録特許公報１０－２４５７４７０（２０２２．１０．１８）
【発明の概要】
【発明が解決しようとする課題】
【0009】
本発明は、サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ：ｃｙｃｌｅ－ｃｏｎｓｉｓｔｅｎｔ ａｄｖｅｒｓａｒｉａｌ ｎｅｔｗｏｒｋ）を時系列ドメイン（ｔｉｍｅ－ｓｅｒｉｅｓ ｄｏｍａｉｎ）で拡張して信頼性のある地域別降水量実況予報システムおよび方法を提供する。
【0010】
本発明の課題は以上で言及した課題に制限されず、言及されていないさらに他の課題は下記の記載から当業者に明確に理解され得る。
【課題を解決するための手段】
【0011】
本発明の一実施例に係るサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システムは、
関心地域の第１時間の降水量情報を含む入力合成ハイブリッド高度面降水量（ＨＳＲ：ｈｙｂｒｉｄ ｓｕｒｆａｃｅ ｒａｉｎｆａｌｌ）イメージを受信する入力部；
前記入力合成ＨＳＲイメージに基づいて前記関心地域の前記第１時間より未来の時間である第２時間の降水量情報を含む結果合成ＨＳＲイメージを生成するサイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）；および
前記結果合成ＨＳＲイメージを前記関心地域の実況予報（Ｎｏｗｃａｓｔｉｎｇ）イメージとして出力する出力部；を含む。
関心地域の第１時間の降水量情報を含む入力合成ハイブリッド高度面降水量（ＨＳＲ：ｈｙｂｒｉｄ ｓｕｒｆａｃｅ ｒａｉｎｆａｌｌ）イメージを受信する入力部；
前記入力合成ＨＳＲイメージに基づいて前記関心地域の前記第１時間より未来の時間である第２時間の降水量情報を含む結果合成ＨＳＲイメージを生成するサイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）；および
前記結果合成ＨＳＲイメージを前記関心地域の実況予報（Ｎｏｗｃａｓｔｉｎｇ）イメージとして出力する出力部；を含む。
【0012】
好ましくは、
前記サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は、
第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ：：Ｃｙｃｌｅ－Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ）および前記第１サイクル敵対的生成ネットワークに相補的な第２サイクル敵対的生成ネットワークを含み、
前記第１サイクル敵対的生成ネットワークと前記第２サイクル敵対的生成ネットワークはそれぞれ時間的に順行する順行イメージマッピング（ｍａｐｐｉｎｇ）と時間的に逆行する逆行イメージマッピングを遂行する。
前記サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は、
第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ：：Ｃｙｃｌｅ－Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ）および前記第１サイクル敵対的生成ネットワークに相補的な第２サイクル敵対的生成ネットワークを含み、
前記第１サイクル敵対的生成ネットワークと前記第２サイクル敵対的生成ネットワークはそれぞれ時間的に順行する順行イメージマッピング（ｍａｐｐｉｎｇ）と時間的に逆行する逆行イメージマッピングを遂行する。
【0013】
好ましくは、
前記第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は、
前記第１時間の前記入力合成ＨＳＲイメージに基づいて前記第２時間の第１予測合成ＨＳＲイメージの予測マッピングを学習する順行生成子（ｆｏｒｗａｒｄ ｇｅｎｅｒａｔｏｒ）；
前記第２時間の前記第１予測合成ＨＳＲイメージに基づいて前記第１時間の第１サイクル予測合成ＨＳＲイメージの予測マッピングを学習する逆行生成子（ｂａｃｋｗａｒｄ ｇｅｎｅｒａｔｏｒ）；
前記順行生成子の予測マッピングの正確度を評価し、前記入力合成ＨＳＲイメージと前記第１予測合成ＨＳＲイメージを判別する順行判別子（ｆｏｒｗａｒｄ ｄｉｓｃｒｉｍｉｎａｔｏｒ）；および
前記逆行生成子の予測マッピングの正確度を評価し、前記第１予測合成ＨＳＲイメージと前記第１サイクル予測合成ＨＳＲイメージを判別する逆行判別子（ｂａｃｋｗａｒｄ ｄｉｓｃｒｉｍｉｎａｔｏｒ）；を含む。
前記第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は、
前記第１時間の前記入力合成ＨＳＲイメージに基づいて前記第２時間の第１予測合成ＨＳＲイメージの予測マッピングを学習する順行生成子（ｆｏｒｗａｒｄ ｇｅｎｅｒａｔｏｒ）；
前記第２時間の前記第１予測合成ＨＳＲイメージに基づいて前記第１時間の第１サイクル予測合成ＨＳＲイメージの予測マッピングを学習する逆行生成子（ｂａｃｋｗａｒｄ ｇｅｎｅｒａｔｏｒ）；
前記順行生成子の予測マッピングの正確度を評価し、前記入力合成ＨＳＲイメージと前記第１予測合成ＨＳＲイメージを判別する順行判別子（ｆｏｒｗａｒｄ ｄｉｓｃｒｉｍｉｎａｔｏｒ）；および
前記逆行生成子の予測マッピングの正確度を評価し、前記第１予測合成ＨＳＲイメージと前記第１サイクル予測合成ＨＳＲイメージを判別する逆行判別子（ｂａｃｋｗａｒｄ ｄｉｓｃｒｉｍｉｎａｔｏｒ）；を含む。
【0014】
好ましくは、
前記第２サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は、
前記逆行生成子を利用して前記第２時間の前記第１予測合成ＨＳＲイメージに第１ピクセル損失関数（ｐｉｘｅｌ ｌｏｓｓ）が適用された相補的第１予測合成ＨＳＲイメージに基づいて前記第１時間の前記入力合成ＨＳＲイメージに対応する相補的入力合成ＨＳＲイメージの予測マッピングを学習し、前記入力合成ＨＳＲイメージと前記相補的入力合成ＨＳＲイメージは第２ピクセル損失関数が適用された相補的関係を有し、
前記第２サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は、
前記逆行生成子を利用して前記第２時間の前記第１予測合成ＨＳＲイメージに第１ピクセル損失関数（ｐｉｘｅｌ ｌｏｓｓ）が適用された相補的第１予測合成ＨＳＲイメージに基づいて前記第１時間の前記入力合成ＨＳＲイメージに対応する相補的入力合成ＨＳＲイメージの予測マッピングを学習し、前記入力合成ＨＳＲイメージと前記相補的入力合成ＨＳＲイメージは第２ピクセル損失関数が適用された相補的関係を有し、
【0015】
前記順行生成子を利用して前記第１時間の前記相補的入力合成ＨＳＲイメージに基づいて前記第２時間の第２サイクル予測合成ＨＳＲイメージの予測マッピングを学習し、
前記順行判別子を利用して前記順行生成子の予測マッピングの正確度を評価し、前記相補的入力合成ＨＳＲイメージと前記第２サイクル予測合成ＨＳＲイメージを判別し、
前記逆行判別子を利用して前記逆行生成子の予測マッピングの正確度を評価し、前記相補的第１予測合成ＨＳＲイメージと前記相補的入力合成ＨＳＲイメージを判別するように構成される。
前記順行判別子を利用して前記順行生成子の予測マッピングの正確度を評価し、前記相補的入力合成ＨＳＲイメージと前記第２サイクル予測合成ＨＳＲイメージを判別し、
前記逆行判別子を利用して前記逆行生成子の予測マッピングの正確度を評価し、前記相補的第１予測合成ＨＳＲイメージと前記相補的入力合成ＨＳＲイメージを判別するように構成される。
【0016】
好ましくは、
前記第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は第１サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）を適用して前記第１サイクル予測合成ＨＳＲイメージが前記入力合成ＨＳＲイメージにマッチングされるように学習され、
前記順行判別子は順行敵対的損失関数（ｆｏｒｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記第１予測合成ＨＳＲイメージを前記入力合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習され、
前記逆行判別子は逆行敵対的損失関数（ｂａｃｋｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記第１サイクル予測合成ＨＳＲイメージを前記第１予測合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習される。
前記第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は第１サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）を適用して前記第１サイクル予測合成ＨＳＲイメージが前記入力合成ＨＳＲイメージにマッチングされるように学習され、
前記順行判別子は順行敵対的損失関数（ｆｏｒｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記第１予測合成ＨＳＲイメージを前記入力合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習され、
前記逆行判別子は逆行敵対的損失関数（ｂａｃｋｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記第１サイクル予測合成ＨＳＲイメージを前記第１予測合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習される。
【0017】
好ましくは、
前記第２サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は第２サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）を適用して前記第２サイクル予測合成ＨＳＲイメージが前記相補的第１予測合成ＨＳＲイメージにマッチングされるように学習され、
前記順行判別子は前記順行敵対的損失関数（ｆｏｒｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記第２サイクル予測合成ＨＳＲイメージを前記相補的入力合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習され、
前記逆行判別子は逆行敵対的損失関数（ｂａｃｋｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記相補的入力合成ＨＳＲイメージを前記相補的第１予測合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習される。
前記第２サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は第２サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）を適用して前記第２サイクル予測合成ＨＳＲイメージが前記相補的第１予測合成ＨＳＲイメージにマッチングされるように学習され、
前記順行判別子は前記順行敵対的損失関数（ｆｏｒｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記第２サイクル予測合成ＨＳＲイメージを前記相補的入力合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習され、
前記逆行判別子は逆行敵対的損失関数（ｂａｃｋｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記相補的入力合成ＨＳＲイメージを前記相補的第１予測合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習される。
【0018】
好ましくは、
前記サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は前記第１ピクセル損失関数および前記第２ピクセル損失関数が予め決定された基準ピクセル損失関数値に収束し、前記第１サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）および前記第２サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）が予め決定されたサイクル一貫性損失関数値に収束するように学習される時の前記第１予測合成ＨＳＲイメージまたは前記相補的第１予測合成ＨＳＲイメージまたは前記第２サイクル予測合成ＨＳＲイメージを前記結果合成ＨＳＲイメージで出力する。
前記サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は前記第１ピクセル損失関数および前記第２ピクセル損失関数が予め決定された基準ピクセル損失関数値に収束し、前記第１サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）および前記第２サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）が予め決定されたサイクル一貫性損失関数値に収束するように学習される時の前記第１予測合成ＨＳＲイメージまたは前記相補的第１予測合成ＨＳＲイメージまたは前記第２サイクル予測合成ＨＳＲイメージを前記結果合成ＨＳＲイメージで出力する。
【0019】
好ましくは、
前記順行生成子および前記逆行生成子は、
前記入力合成ＨＳＲイメージの大きさを減少させ、前記入力合成ＨＳＲイメージから複数の特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）を抽出するエンコーダ；
前記特徴マップを再調整（ｒｅｃａｌｉｂｒａｔｉｏｎ）する複数のＳＥ－残差ブロック（ＳＥ－ｒｅｓｉｄｕａｌ ｂｌｏｃｋ）；
前記エンコーダで減少した前記入力合成ＨＳＲイメージの大きさを復元するデコーダ；を含む。
前記順行生成子および前記逆行生成子は、
前記入力合成ＨＳＲイメージの大きさを減少させ、前記入力合成ＨＳＲイメージから複数の特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）を抽出するエンコーダ；
前記特徴マップを再調整（ｒｅｃａｌｉｂｒａｔｉｏｎ）する複数のＳＥ－残差ブロック（ＳＥ－ｒｅｓｉｄｕａｌ ｂｌｏｃｋ）；
前記エンコーダで減少した前記入力合成ＨＳＲイメージの大きさを復元するデコーダ；を含む。
【0020】
好ましくは、
前記順行判別子および前記逆行判別子はパッチ（ｐａｔｃｈ）単位で判別を遂行するパッチ敵対的生成ネットワーク（Ｐａｔｃｈ－ＧＡＮ）のアーキテクチャを使う。
前記順行判別子および前記逆行判別子はパッチ（ｐａｔｃｈ）単位で判別を遂行するパッチ敵対的生成ネットワーク（Ｐａｔｃｈ－ＧＡＮ）のアーキテクチャを使う。
【0021】
本発明の他の実施例に係るサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報方法は、
関心地域の第１時間の降水量情報を含む入力合成ハイブリッド高度面降水量（ＨＳＲ：ｈｙｂｒｉｄ ｓｕｒｆａｃｅ ｒａｉｎｆａｌｌ）イメージを受信する入力データ受信段階；
前記入力合成ＨＳＲイメージに基づいて前記関心地域の前記第１時間より未来の時間である第２時間の降水量情報を含む結果合成ＨＳＲイメージを生成するサイクル敵対的生成ネットワーク実行段階；および
前記結果合成ＨＳＲイメージを前記関心地域の実況予報（Ｎｏｗｃａｓｔｉｎｇ）イメージとして出力する出力段階；を含む。
関心地域の第１時間の降水量情報を含む入力合成ハイブリッド高度面降水量（ＨＳＲ：ｈｙｂｒｉｄ ｓｕｒｆａｃｅ ｒａｉｎｆａｌｌ）イメージを受信する入力データ受信段階；
前記入力合成ＨＳＲイメージに基づいて前記関心地域の前記第１時間より未来の時間である第２時間の降水量情報を含む結果合成ＨＳＲイメージを生成するサイクル敵対的生成ネットワーク実行段階；および
前記結果合成ＨＳＲイメージを前記関心地域の実況予報（Ｎｏｗｃａｓｔｉｎｇ）イメージとして出力する出力段階；を含む。
【0022】
好ましくは、
前記サイクル敵対的生成ネットワークは、
第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）および前記第１サイクル敵対的生成ネットワークに相補的な第２サイクル敵対的生成ネットワークを含み、
前記第１サイクル敵対的生成ネットワークと前記第２サイクル敵対的生成ネットワークはそれぞれ時間的に順行する順行イメージマッピング（ｍａｐｐｉｎｇ）と時間的に逆行する逆行イメージマッピングを遂行する。
前記サイクル敵対的生成ネットワークは、
第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）および前記第１サイクル敵対的生成ネットワークに相補的な第２サイクル敵対的生成ネットワークを含み、
前記第１サイクル敵対的生成ネットワークと前記第２サイクル敵対的生成ネットワークはそれぞれ時間的に順行する順行イメージマッピング（ｍａｐｐｉｎｇ）と時間的に逆行する逆行イメージマッピングを遂行する。
【0023】
好ましくは、
前記第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は、
順行生成子（ｆｏｒｗａｒｄ ｇｅｎｅｒａｔｏｒ）を利用して前記第１時間の前記入力合成ＨＳＲイメージに基づいて前記第２時間の第１予測合成ＨＳＲイメージの予測マッピングを学習する順行イメージマッピング段階；
逆行生成子（ｂａｃｋｗａｒｄ ｇｅｎｅｒａｔｏｒ）を利用して前記第２時間の前記第１予測合成ＨＳＲイメージに基づいて前記第１時間の第１サイクル予測合成ＨＳＲイメージの予測マッピングを学習する逆行イメージマッピング段階；
順行判別子を利用して前記順行生成子の予測マッピングの正確度を評価し、前記入力合成ＨＳＲイメージと前記第１予測合成ＨＳＲイメージを判別する順行判別段階；および
逆行判別子を利用して前記逆行生成子の予測マッピングの正確度を評価し、前記第１予測合成ＨＳＲイメージと前記第１サイクル予測合成ＨＳＲイメージを判別する逆行判別段階；を実行する。
前記第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は、
順行生成子（ｆｏｒｗａｒｄ ｇｅｎｅｒａｔｏｒ）を利用して前記第１時間の前記入力合成ＨＳＲイメージに基づいて前記第２時間の第１予測合成ＨＳＲイメージの予測マッピングを学習する順行イメージマッピング段階；
逆行生成子（ｂａｃｋｗａｒｄ ｇｅｎｅｒａｔｏｒ）を利用して前記第２時間の前記第１予測合成ＨＳＲイメージに基づいて前記第１時間の第１サイクル予測合成ＨＳＲイメージの予測マッピングを学習する逆行イメージマッピング段階；
順行判別子を利用して前記順行生成子の予測マッピングの正確度を評価し、前記入力合成ＨＳＲイメージと前記第１予測合成ＨＳＲイメージを判別する順行判別段階；および
逆行判別子を利用して前記逆行生成子の予測マッピングの正確度を評価し、前記第１予測合成ＨＳＲイメージと前記第１サイクル予測合成ＨＳＲイメージを判別する逆行判別段階；を実行する。
【0024】
好ましくは、
前記第２サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は、
前記逆行生成子を利用して前記第２時間の前記第１予測合成ＨＳＲイメージに第１ピクセル損失関数（ｐｉｘｅｌ ｌｏｓｓ）が適用された相補的第１予測合成ＨＳＲイメージに基づいて前記第１時間の前記入力合成ＨＳＲイメージに対応する相補的入力合成ＨＳＲイメージの予測マッピングを学習し、前記入力合成ＨＳＲイメージと前記相補的入力合成ＨＳＲイメージは第２ピクセル損失関数が適用された相補的関係を維持し、
前記第２サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は、
前記逆行生成子を利用して前記第２時間の前記第１予測合成ＨＳＲイメージに第１ピクセル損失関数（ｐｉｘｅｌ ｌｏｓｓ）が適用された相補的第１予測合成ＨＳＲイメージに基づいて前記第１時間の前記入力合成ＨＳＲイメージに対応する相補的入力合成ＨＳＲイメージの予測マッピングを学習し、前記入力合成ＨＳＲイメージと前記相補的入力合成ＨＳＲイメージは第２ピクセル損失関数が適用された相補的関係を維持し、
【0025】
前記順行生成子を利用して前記第１時間の前記相補的入力合成ＨＳＲイメージに基づいて前記第２時間の第２サイクル予測合成ＨＳＲイメージの予測マッピングを学習し、
前記順行判別子を利用して前記順行生成子の予測マッピングの正確度を評価し、前記相補的入力合成ＨＳＲイメージと前記第２サイクル予測合成ＨＳＲイメージを判別し、
前記逆行判別子を利用して前記逆行生成子の予測マッピングの正確度を評価し、前記相補的第１予測合成ＨＳＲイメージと前記相補的入力合成ＨＳＲイメージを判別するように構成される。
前記順行判別子を利用して前記順行生成子の予測マッピングの正確度を評価し、前記相補的入力合成ＨＳＲイメージと前記第２サイクル予測合成ＨＳＲイメージを判別し、
前記逆行判別子を利用して前記逆行生成子の予測マッピングの正確度を評価し、前記相補的第１予測合成ＨＳＲイメージと前記相補的入力合成ＨＳＲイメージを判別するように構成される。
【0026】
好ましくは、
前記第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は第１サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）を適用して前記第１サイクル予測合成ＨＳＲイメージが前記入力合成ＨＳＲイメージにマッチングされるように学習され、
前記順行判別子は順行敵対的損失関数（ｆｏｒｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記第１予測合成ＨＳＲイメージを前記入力合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習され、
前記逆行判別子は逆行敵対的損失関数（ｂａｃｋｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記第１サイクル予測合成ＨＳＲイメージを前記第１予測合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習される。
前記第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は第１サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）を適用して前記第１サイクル予測合成ＨＳＲイメージが前記入力合成ＨＳＲイメージにマッチングされるように学習され、
前記順行判別子は順行敵対的損失関数（ｆｏｒｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記第１予測合成ＨＳＲイメージを前記入力合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習され、
前記逆行判別子は逆行敵対的損失関数（ｂａｃｋｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記第１サイクル予測合成ＨＳＲイメージを前記第１予測合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習される。
【0027】
好ましくは、
前記第２サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は第２サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）を適用して前記第２サイクル予測合成ＨＳＲイメージが前記相補的第１予測合成ＨＳＲイメージにマッチングされるように学習され、
前記順行判別子は前記順行敵対的損失関数（ｆｏｒｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記第２サイクル予測合成ＨＳＲイメージを前記相補的入力合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習され、
前記逆行判別子は逆行敵対的損失関数（ｂａｃｋｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記相補的入力合成ＨＳＲイメージを前記相補的第１予測合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習される。
前記第２サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は第２サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）を適用して前記第２サイクル予測合成ＨＳＲイメージが前記相補的第１予測合成ＨＳＲイメージにマッチングされるように学習され、
前記順行判別子は前記順行敵対的損失関数（ｆｏｒｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記第２サイクル予測合成ＨＳＲイメージを前記相補的入力合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習され、
前記逆行判別子は逆行敵対的損失関数（ｂａｃｋｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して前記相補的入力合成ＨＳＲイメージを前記相補的第１予測合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習される。
【0028】
好ましくは、
前記サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は前記第１ピクセル損失関数および前記第２ピクセル損失関数が予め決定された基準ピクセル損失関数値に収束し、前記第１サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）および前記第２サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）が予め決定されたサイクル一貫性損失関数値に収束するように学習される時の前記第１予測合成ＨＳＲイメージまたは前記相補的第１予測合成ＨＳＲイメージまたは前記第２サイクル予測合成ＨＳＲイメージを前記結果合成ＨＳＲイメージで出力する。
前記サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は前記第１ピクセル損失関数および前記第２ピクセル損失関数が予め決定された基準ピクセル損失関数値に収束し、前記第１サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）および前記第２サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）が予め決定されたサイクル一貫性損失関数値に収束するように学習される時の前記第１予測合成ＨＳＲイメージまたは前記相補的第１予測合成ＨＳＲイメージまたは前記第２サイクル予測合成ＨＳＲイメージを前記結果合成ＨＳＲイメージで出力する。
【0029】
好ましくは、
前記順行生成子および前記逆行生成子は
エンコーダを利用して前記入力合成ＨＳＲイメージの大きさを減少させ、前記入力合成ＨＳＲイメージから複数の特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）を抽出するエンコーディング段階；
複数のＳＥ－残差ブロック（ＳＥ－ｒｅｓｉｄｕａｌ ｂｌｏｃｋ）を利用して前記特徴マップを再調整（ｒｅｃａｌｉｂｒａｔｉｏｎ）する再調整段階；
デコーダを利用して前記エンコーダで減少した前記入力合成ＨＳＲイメージの大きさを復元するデコーディング段階；を実行するように構成される。
前記順行生成子および前記逆行生成子は
エンコーダを利用して前記入力合成ＨＳＲイメージの大きさを減少させ、前記入力合成ＨＳＲイメージから複数の特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）を抽出するエンコーディング段階；
複数のＳＥ－残差ブロック（ＳＥ－ｒｅｓｉｄｕａｌ ｂｌｏｃｋ）を利用して前記特徴マップを再調整（ｒｅｃａｌｉｂｒａｔｉｏｎ）する再調整段階；
デコーダを利用して前記エンコーダで減少した前記入力合成ＨＳＲイメージの大きさを復元するデコーディング段階；を実行するように構成される。
【0030】
好ましくは、
前記順行判別子および前記逆行判別子はパッチ敵対的生成ネットワーク（Ｐａｔｃｈ－ＧＡＮ）のアーキテクチャを使ってパッチ（ｐａｔｃｈ）単位で判別を遂行することを特徴とする。
前記順行判別子および前記逆行判別子はパッチ敵対的生成ネットワーク（Ｐａｔｃｈ－ＧＡＮ）のアーキテクチャを使ってパッチ（ｐａｔｃｈ）単位で判別を遂行することを特徴とする。
【0031】
その他実施例の具体的な事項は詳細な説明および図面に含まれている。
【発明の効果】
【0032】
本発明に係るサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システムおよび方法は、定性的および定量的評価のすべてにおいて向上した降水量実況予報を可能にする。
【0033】
本発明に係るサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システムおよび方法は、ピクセル損失をサイクル敵対的生成ネットワークに適用することによって時間的因果関係に対する剛健性を確保することができる。
【0034】
ただし、本発明の効果は以上で言及した効果に制限されず、言及されていないさらに他の効果は下記の記載から当業者に明確に理解され得る。
【図面の簡単な説明】
【0035】
【図1】本発明の一実施例に係るサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システムの概略図を図示した図面である。
【図2】本発明のサイクル敵対的生成ネットワークの学習のための概略図を図示した図面である。
【図3】本発明の合成ハイブリッド高度面降水量（ＨＳＲ：ｈｙｂｒｉｄ ｓｕｒｆａｃｅ ｒａｉｎｆａｌｌ）データの生成を説明する概略図である。
【図4】本発明の順行生成子（ｆｏｒｗａｒｄ ｇｅｎｅｒａｔｏｒ）と逆行生成子（ｂａｃｋｗａｒｄ ｇｅｎｅｒａｔｏｒ）のネットワークアーキテクチャを図示した図面である。
【図5】本発明の順行判別子（ｆｏｒｗａｒｄ ｄｉｓｃｒｉｍｉｎａｔｏｒ）と逆行判別子（ｂａｃｋｗａｒｄ ｇｅｎｅｒａｔｏｒ）のネットワークアーキテクチャを図示した図面である。
【図6】本発明の一実施例に係るサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報方法の概略図を図示した図面である。
【図7】本発明のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システムおよび方法の定性的評価結果を示す図面である。
【図8】本発明のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システムおよび方法の定性的評価結果を示す表である。
【図9】本発明の多様な実施例に係る装置および／またはシステムを具現できる例示的なコンピューティング装置を図示した図面である。
【発明を実施するための形態】
【0036】
本発明の利点および特徴、そしてそれらを達成する方法は、添付される図面と共に詳細に後述されている実施例を参照すると明確になる。本発明は以下で開示される実施例に限定されるものではなく、互いに異なる多様な形態で具現され得、ただし本実施例は本発明の開示を完全なものとし、本発明が属する技術分野で通常の知識を有する者に発明の範疇を完全に知らせるために提供されるものであり、本発明は請求項の範疇によって定義されるのみである。明細書全体に亘って同一の参照符号は同一の構成要素を指し示す。
【0037】
本明細書で記述する実施例は、本発明の理想的な例示図である断面図および／または平面図を参照して説明される。図面において、構成の厚さは技術的内容の効果的な説明のために誇張されたものである。したがって、図面で例示された構成は概略的な属性を有し、図面で例示された構成の形状は構成の特定の形態を例示するためのものであって、発明の範疇を制限するためのものではない。本明細書の多様な実施例において、第１、第２、第３等の用語が多様な構成要素を記述するために使われたが、これらの構成要素がこのような用語によって限定されない。これらの用語は、単に或る構成要素を他の構成要素と区別させるために使われただけである。ここに説明され例示される実施例はその相補的な実施例も含む。
【0038】
本明細書で使われた用語は実施例を説明するためのものであり、本発明を制限しようとするものではない。本明細書で、単数型は文面で特に言及しない限り複数型も含む。明細書で使われる「含む（ｃｏｍｐｒｉｓｅｓ）」および／または「含む（ｃｏｍｐｒｉｓｉｎｇ）」は言及された構成要素、段階、動作および／または素子に一つ以上の他の構成要素、段階、動作および／または素子の存在または追加を排除しない。
【0039】
他の定義がない限り、本明細書で使われるすべての用語（技術および科学的用語を含む）は、本発明が属する技術分野で通常の知識を有する者に共通して理解され得る意味で使われ得る。また、一般的に使われる辞書に定義されている用語は明白に特に定義されていない限り、理想的にまたは過度に解釈されない。
【0040】
以下、図面を参照して、本発明の概念およびこれに従う実施例について詳細に説明することにする。
【0041】
本発明の一実施例に係るサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システムおよび方法は、二つのドメイン間の関係を全単射（ｂｉｊｅｃｔｉｏｎ）と仮定するサイクル敵対的生成ネットワーク（ＣｙｃｌｅＧＡＮ）を利用する。
特に、サイクル敵対的生成ネットワークを時系列的ドメイン（ｔｉｍｅ－ｓｅｒｉｅｓ ｄｏｍａｉｎ）で拡張して適用することによって、現在の降水量情報を含むイメージに基づいて未来時間の降水量情報を含むイメージを予測することができる。
特に、サイクル敵対的生成ネットワークを時系列的ドメイン（ｔｉｍｅ－ｓｅｒｉｅｓ ｄｏｍａｉｎ）で拡張して適用することによって、現在の降水量情報を含むイメージに基づいて未来時間の降水量情報を含むイメージを予測することができる。
【0042】
サイクル敵対的生成ネットワークはサイクル一貫性損失を使ってペアリングされないイメージ対イメージ変換を可能にする。
【0043】
図１は、本発明の一実施例に係るサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システムの概略図を図示した図面である。
【0044】
本発明の一実施例に係るサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システム１００は、入力部１１０、サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）１２０および出力部１３０を含む。
【0045】
入力部１１０は関心地域の第１時間の降水量情報を含む入力合成ハイブリッド高度面降水量（ＨＳＲ：ｈｙｂｒｉｄ ｓｕｒｆａｃｅ ｒａｉｎｆａｌｌ）イメージを受信する。
【0046】
サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ：Ｃｙｃｌｅ－Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ）１２０は、第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）および第１サイクル敵対的生成ネットワークに相補的な第２サイクル敵対的生成ネットワークを含む。
【0047】
第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）および第２サイクル敵対的生成ネットワークを利用して、入力合成ＨＳＲイメージに基づいて関心地域の第２時間の降水量情報を含む結果合成ＨＳＲイメージを生成する。
【0048】
第２時間は第１時間より未来の時間であり、一例として、１０分の間隔で最大２時間まで可能である。
【0049】
出力部１３０は結果合成ＨＳＲイメージを関心地域の実況予報（Ｎｏｗｃａｓｔｉｎｇ）イメージとして出力する。
【0050】
第１サイクル敵対的生成ネットワークと第２サイクル敵対的生成ネットワークは、それぞれ時間的に順行する順行イメージマッピング（ｍａｐｐｉｎｇ）と時間的に逆行する逆行イメージマッピングを遂行して時間的因果関係をより剛健にすることができる。
【0051】
図２は、本発明のサイクル敵対的生成ネットワークの学習のための概略図を図示した図面である。
【0052】
明確で簡潔な説明のために順行生成子（Ｇｅｎｅｒａｔｏｒｆｏｒｗａｒｄ）２２３－１、２２３－２、逆行生成子（Ｇｅｎｅｒａｔｏｒｂａｃｋｗａｒｄ）２２４－１、２２４－２、順行判別子（Ｄｉｓｃｒｉｍｉｎａｔｏｒ（ｔｉ＋ｓｔｅｐ））２２５、逆行判別子（Ｄｉｓｃｒｉｍｉｎａｔｏｒ（ｔｉ））２２６をそれぞれＧｆ、Ｇｂ、Ｄ（ｔｉ＋ｓｔｅｐ）、Ｄ（ｔｉ）で表記する。２個の生成器（ＧｆおよびＧｂ）と２個の判別器（Ｄ（ｔｉ＋ｓｔｅｐ）およびＤ（ｔｉ））は二つのサイクル２２１、２２２を通じて学習される。ＧｆとＧｂは入力ＨＳＲから次の時間段階と以前時間段階の合成ハイブリッド高度面降水量（ＨＳＲ）をそれぞれ生成する。
【0053】
Ｄ（ｔｉ＋ｓｔｅｐ）はＧｆによって生成された偽物のＨＳＲと本物のＨＳＲを判別する。同様に、Ｄ（ｔｉ）はＧｂで生成された偽物のＨＳＲと本物のＨＳＲを判別する。
【0054】
サイクル１（Ｃｙｃｌｅ １）２２１は本物のＨＳＲ（ｔｉ）で一段階（ｏｎｅ－ｓｔｅｐ）偽物の未来ＨＳＲ（ｔｉ＋ｓｔｅｐ）ｆａｋｅを生成し、生成された偽物の未来ＨＳＲ（ｔｉ＋ｓｔｅｐ）ｆａｋｅから再びサイクル（ｃｙｃｌｅｄ）ＨＳＲ（ｔｉ）ｃｙｃｌｅｄを生成する。
【0055】
【0056】
サイクル（Ｃｙｃｌｅ ２）２２２は本物のＨＳＲ（ｔｉ＋ｓｔｅｐ）から一段階偽物の過去ＨＳＲ（ｔｉ）ｆａｋｅを生成し、生成された偽物の過去ＨＳＲ（ｔｉ）ｆａｋｅから再びサイクルＨＳＲ（ｔｉ＋ｓｔｅｐ）Ｃｙｃｌｅｄを生成する。
【0057】
【0058】
図２に図示された学習モデルの最終目標は、本物、偽物およびサイクルＨＳＲを同一にさせることである。
【0059】
【0060】
第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）２２１は順行生成子（ｆｏｒｗａｒｄ ｇｅｎｅｒａｔｏｒ）２２３－１、逆行生成子（ｂａｃｋｗａｒｄ ｇｅｎｅｒａｔｏｒ）２２４－１、順行判別子（ｆｏｒｗａｒｄ ｄｉｓｃｒｉｍｉｎａｔｏｒ）２２５および逆行判別子（ｂａｃｋｗａｒｄ ｄｉｓｃｒｉｍｉｎａｔｏｒ）２２６を含む。
【0061】
順行生成子（ｆｏｒｗａｒｄ ｇｅｎｅｒａｔｏｒ）２２３－１は第１時間の入力合成ＨＳＲイメージ２５０に基づいて第２時間の第１予測合成ＨＳＲイメージ２５２の予測マッピングを学習する。
【0062】
第２時間は第１時間より未来の時間である。
【0063】
逆行生成子（ｂａｃｋｗａｒｄ ｇｅｎｅｒａｔｏｒ）２２４－１は第２時間の第１予測合成ＨＳＲイメージ２５２に基づいて第１時間の第１サイクル予測合成ＨＳＲイメージ２５４の予測マッピングを学習する。
【0064】
順行判別子（ｆｏｒｗａｒｄ ｄｉｓｃｒｉｍｉｎａｔｏｒ）２２５は順行生成子２２３－１の予測マッピングの正確度を評価し、入力合成ＨＳＲイメージ２５０と第１予測合成ＨＳＲイメージ２５２を判別する。
【0065】
逆行判別子（ｂａｃｋｗａｒｄ ｄｉｓｃｒｉｍｉｎａｔｏｒ）２２６は逆行生成子２２４－１の予測マッピングの正確度を評価し、第１予測合成ＨＳＲイメージ２５２と第１サイクル予測合成ＨＳＲイメージ２５４を判別する。
【0066】
第２サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）２２２は逆行生成子２２４－２、順行生成子２２３－２、順行判別子２２５および逆行判別子２２６を含む。
【0067】
逆行生成子２２４－２は第２時間の第１予測合成ＨＳＲイメージ２５２に第１ピクセル損失関数（ｐｉｘｅｌ ｌｏｓｓ）（順行ピクセル損失（ｐｉｘｅｌ ｌｏｓｓ ｆｏｒｗａｒｄ））が適用された相補的第１予測合成ＨＳＲイメージ２５６に基づいて第１時間の入力合成ＨＳＲイメージ２５０に対応する相補的入力合成ＨＳＲイメージ２５８の予測マッピングを学習する。入力合成ＨＳＲイメージ２５０と相補的入力合成ＨＳＲイメージ２５８は第２ピクセル損失関数（逆行ピクセル損失（ｐｉｘｅｌ ｌｏｓｓ ｂａｃｋｗａｒｄ）が適用された相補的関係を有する。
【0068】
順行生成子２２３－２は第１時間の相補的入力合成ＨＳＲイメージ２５８に基づいて第２時間の第２サイクル予測合成ＨＳＲイメージ２６０の予測マッピングを学習する。
【0069】
順行判別子２２５は順行生成子２２３－２の予測マッピングの正確度を評価し、相補的入力合成ＨＳＲイメージ２５８と第２サイクル予測合成ＨＳＲイメージ２６０を判別する。
【0070】
逆行判別子２２６は逆行生成子２２４－２の予測マッピングの正確度を評価し、相補的第１予測合成ＨＳＲイメージ２５６と相補的入力合成ＨＳＲイメージ２５８を判別する。
【0071】
本願発明の第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）２２１の順行生成子２２３－１と第２サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）２２２の順行生成子２２３－２は、同一のネットワークアーキテクチャを有する。
【0072】
本願発明の第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）２２１の逆行生成子２２４－１と第２サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）２２２の逆行生成子２２４－２は、同一のネットワークアーキテクチャを有する。
【0073】
一実施例に係る本願発明の順行生成子と逆行生成子は、同一のネットワークアーキテクチャを有する。
【0074】
本願発明の第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）２２１の順行判別子２２５、逆行判別子２２６と第２サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）２２２の順行判別子２２５、逆行判別子２２６は、同一のネットワークアーキテクチャを有する。
【0075】
一実施例に係る本願発明の順行判別子と逆行判別子は、同一のネットワークアーキテクチャを有する。
【0076】
本願発明の第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）２２１は、第１サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）を適用して第１サイクル予測合成ＨＳＲイメージ２５４が入力合成ＨＳＲイメージ２５０にマッチングされるように学習される。
【0077】
順行判別子２２５は、順行敵対的損失関数（ｆｏｒｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して第１予測合成ＨＳＲイメージ２５２を入力合成ＨＳＲイメージ２５０に誤認して判断できる確率を高めるように学習される。
【0078】
逆行判別子２２６は、逆行敵対的損失関数（ｂａｃｋｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して第１サイクル予測合成ＨＳＲイメージ２５４を第１予測合成ＨＳＲイメージ２５２に誤認して判断できる確率を高めるように学習される。
【0079】
第２サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）２２２は、第２サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）を適用して第２サイクル予測合成ＨＳＲイメージ２６０が相補的第１予測合成ＨＳＲイメージ２５６にマッチングされるように学習される。
【0080】
順行判別子２２５は、順行敵対的損失関数（ｆｏｒｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して第２サイクル予測合成ＨＳＲイメージ２６０を相補的入力合成ＨＳＲイメージ２５８に誤認して判断できる確率を高めるように学習される。
【0081】
逆行判別子２２６は、逆行敵対的損失関数（ｂａｃｋｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して相補的入力合成ＨＳＲイメージ２５８を相補的第１予測合成ＨＳＲイメージ２５６に誤認して判断できる確率を高めるように学習される。
【0082】
サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）１２０は第１ピクセル損失関数および第２ピクセル損失関数が予め決定された基準ピクセル損失関数値に収束し、第１サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）および第２サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）が予め決定されたサイクル一貫性損失関数値に収束するように学習される時の第１予測合成ＨＳＲイメージまたは相補的第１予測合成ＨＳＲイメージまたは第２サイクル予測合成ＨＳＲイメージを結果合成ＨＳＲイメージで出力する。
【0083】
出力部１３０は、結果合成ＨＳＲイメージを関心地域の実況予報（Ｎｏｗｃａｓｔｉｎｇ）イメージとして出力する。
【0084】
図２に図示された通り、降水量実況予報のための学習モデルは２個のサイクル（Ｃｙｃｌｅ １、Ｃｙｃｌｅ ２）で構成され、合成ハイブリッド高度面降水量（ＨＳＲ）を入力データとして使う。図２に図示された通り、本発明のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システムは、総４個の互いに異なるネットワークが二サイクルで学習される。
【0085】
順行生成子（Ｇｅｎｅｒａｔｏｒｆｏｒｗａｒｄ）と逆行生成子（Ｇｅｎｅｒａｔｏｒｂａｃｋｗａｒｄ）はそれぞれ現在から未来に、未来から現在にイメージマッピングを学習させる。イメージマッピングを遂行することによって未来の降水量情報を含むイメージを予測する。
【0086】
順行判別器（ｔｉ＋ｓｔｅｐ）と逆行判別器（ｔｉ）は順行生成子（Ｇｅｎｅｒａｔｏｒｆｏｒｗａｒｄ）と逆行生成子（Ｇｅｎｅｒａｔｏｒｂａｃｋｗａｒｄ）のマッピング正確度を評価する。
【0087】
モデルに対する入力として使われる入力データＨＳＲｉは数式（１）のように表示される。
【0088】
【数1】
【0089】
【0090】
【数2】
【0091】
ここで、下付き文字の偽物（ｆａｋｅ）およびサイクル（ｃｙｃｌｅｄ）はそれぞれ本物（ｒｅａｌ）と偽物（ｆａｋｅ）から生成されたデータを示す。ＧｆおよびＧｂは図２の順行生成子（Ｇｅｎｅｒａｔｏｒｆｏｒｗａｒｄ）と逆行生成子（Ｇｅｎｅｒａｔｏｒｂａｃｋｗａｒｄ）を示す。
【0092】
知られている未来で現在を予測し、予測された現在で再び未来を予測するサイクル２は数式（３）のように表示される：
【0093】
【数3】
【0094】
数式（３）での変数は数式（２）での変数と同じである。追加して、
サイクル判別子（ｔｉ＋ｓｔｅｐ）および逆行判別子（ｔｉ）はそれぞれＤ（ｔｉ＋ｓｔｅｐ）およびＤ（ｔｉ）で表示される。
サイクル判別子（ｔｉ＋ｓｔｅｐ）および逆行判別子（ｔｉ）はそれぞれＤ（ｔｉ＋ｓｔｅｐ）およびＤ（ｔｉ）で表示される。
【0095】
【0096】
【数4】
【0097】
【0098】
【数5】
【0099】
本願発明のサイクル敵対的生成ネットワークはＨＳＲｉを入力として受信し、これをＨＳＲ（ｔｉ）ｒｅａｌおよびＨＳＲ（ｔｉ＋ｓｔｅｐ）ｒｅａｌをそれぞれサイクル１およびサイクル２に分配する。サイクル１とサイクル２の相補的な最適化を通じて、学習モデルは強力な時間的因果関係（ｔｅｍｐｏｒａｌ ｃａｕｓａｌｉｔｙ）を獲得することができる。
【0100】
本願発明のサイクル敵対的生成ネットワークは３種類の損失関数すなわち、敵対的損失関数（ａｄｖｅｒｓａｒｉａｌ ｌｏｓｓ）、サイクル一貫性損失関数（ｃｙｃｌｅ－ｃｏｎｓｉｓｔｅｎｃｙ ｌｏｓｓ）、ピクセル損失関数（ｐｉｘｅｌ ｌｏｓｓ）を適用することによって最適化され得る。
【0101】
本願発明のサイクル敵対的生成ネットワークは、ＨＳＲ（ｔｉ＋ｓｔｅｐ）ｒｅａｌとＨＳＲ（ｔｉ＋ｓｔｅｐ）ｆａｋｅの分布を一致させるために敵対的損失を適用する（順行敵対的損失）。
【0102】
同様に、ＨＳＲ（ｔｉ）ｒｅａｌとＨＳＲ（ｔｉ）ｆａｋｅの分布を一致させるための敵対的損失も適用する（逆行敵対的損失）。
【0103】
本発明はＬＳＧＡＮの敵対的損失を採択し、２個の相補的なサイクルで拡張する。
【0104】
すなわち、本願発明のサイクル敵対的生成ネットワークの敵対的損失は数式（１２）～数式（１５）のように表現される：
【0105】
【数6】
【0106】
ここで、ｐ（ｔｉ＋ｓｔｅｐ）およびｐ（ｔｉ）はそれぞれＨＳＲ（ｔｉ＋ｓｔｅｐ）ｒｅａｌおよびＨＳＲ（ｔｉ）ｒｅａｌの分布を示す。
【0107】
本願発明のサイクル敵対的生成ネットワークはサイクル一貫性損失を時系列領域に適用して時間的因果関係を剛健にした。サイクル一貫性損失は数式（１６）および数式（１７）を充足するのに使われる。
【0108】
【数7】
【0109】
したがって、サイクル一貫性損失関数は数式（１８）のように表現され得る：
【0110】
【数8】
【0111】
本願発明のサイクル敵対的生成ネットワークは次の条件を満足させるために敵対的損失と共にピクセル損失を適用する。
【0112】
【数9】
【0113】
【0114】
【数10】
【0115】
ここで、ｐ（ｔｉ）およびｐ（ｔｉ＋ｓｔｅｐ）はそれぞれＨＳＲ（ｔｉ）ｒｅａｌとＨＳＲ（ｔｉ＋ｓｔｅｐ）ｒｅａｌの分布を示す。
【0116】
性能の向上のために、従来のサイクル敵対的生成ネットワーク（ＣｙｃｌｅＧＡＮ）で追加に採択したアイデンティティ損失（ｉｄｅｎｔｉｔｙ ｌｏｓｓ）を適用した。しかし、本願発明ではアイデンティティ損失を適用することができないが、それは、時間的因果関係（ｔｅｍｐｏｒａｌ ｃａｕｓａｌｉｔｙ）を破るためである。例えば、本願発明の先行生成子（Ｇｆ）は常に現在から未来へのマッピングでなければならないが、アイデンティティ損失（ｉｄｅｎｔｉｔｙ ｌｏｓｓ）が追加されると、現在から現在へのマッピングを示すこともできる。本願発明はアイデンティティ損失の代わりにピクセル損失を追加して、順行生成子（Ｇｆ）および逆行生成子（Ｇｂ）が時間的変化をキャプチャーすることを助ける。
【0117】
数式（１２）－（１５）、（１８）、（２１）、および（２２）により、全体目的関数（ｏｂｊｅｃｔｉｖｅ ｆｕｎｃｔｉｏｎ）は次の通りである：
【0118】
【数11】
【0119】
【0120】
【数12】
【0121】
数式（２７）および（２８）の目標は、サイクル１およびサイクルの時間的因果関係を保障する。
【0122】
図３は、本発明の合成ハイブリッド高度面降水量（ＨＳＲ：ｈｙｂｒｉｄ ｓｕｒｆａｃｅ ｒａｉｎｆａｌｌ）データの生成を説明する概略図である。
【0123】
図３に図示された通り、合成ハイブリッド高度面降水量（ＨＳＲ）データは気象レーダー（３１０）から各水平距離で地面に最も近接し、非気象エコー（ｅｃｈｏ）およびビーム遮断の影響を少なく受けるビームの反射率を選択する。非気象エコーには鳥エコー、地上エコー、チャフ（ｃｈａｆｆ）エコーなどが含まれ、これは降水量推定の主な障害物である。
【0124】
収集された反射率データは、地域的特性を考慮した反射率－降雨量方程式を通じてＨＳＲデータに変換される。ＨＳＲデータは現在韓国の気象予報に活用されている。
【0125】
図４は、本発明の順行生成子（ｆｏｒｗａｒｄ ｇｅｎｅｒａｔｏｒ）と逆行生成子（ｂａｃｋｗａｒｄ ｇｅｎｅｒａｔｏｒ）のネットワークアーキテクチャを図示した図面である。
【0126】
一実施例に係る本願発明の順行生成子と逆行生成子は、同一のネットワークアーキテクチャを有する。
【0127】
一実施例に係る本願発明の順行判別子と逆行判別子は、同一のネットワークアーキテクチャを有する。
【0128】
順行生成子２２３および逆行生成子２２４を含む生成子ネットワーク４１０は、図４に図示されたように構成され得る。
【0129】
生成子ネットワーク４１０はエンコーダ４２１、複数のＳＥ－残差ブロック（ＳＥ－ｒｅｓｉｄｕａｌ ｂｌｏｃｋ）４２３およびデコーダ４２４を含む。
【0130】
エンコーダ４２１は入力合成ＨＳＲイメージの大きさを減少させ、入力合成ＨＳＲイメージから複数の特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）を抽出する。
【0131】
ＳＥ－残差ブロック（ＳＥ－ｒｅｓｉｄｕａｌ ｂｌｏｃｋ）４２３は複数個で構成され得、例えば、１６個の残差ブロックを含むことができる。ＳＥ－残差ブロック（ＳＥ－ｒｅｓｉｄｕａｌ ｂｌｏｃｋ）４２３は特徴マップを再調整（ｒｅｃａｌｉｂｒａｔｉｏｎ）する。ＳＥ－残差ブロックは生成器ネットワークの核心部分であって、残差ブロックとＳＥ－ブロックの組み合わせである。剛健性のために、残差ブロックにドロップアウト層（ｄｒｏｐｏｕｔ ｌａｙｅｒ）を追加する。本願発明は少数の残余ブロックを使うので、本来のＲｅｓＮｅｔの設計政策によるボトルネックブロックを使わない。
【0132】
デコーダ４２４はエンコーダ４２１で減少した入力合成ＨＳＲイメージの大きさを復元する。出力直前の畳み込み層（ｃｏｎｖｏｌｕｔｉｏｎ ｌａｙｅｒ）は微細な大きさ調整（ｆｉｎｅ ｒｅｓｉｚｉｎｇ）のためのものであり、ｔａｎｈは最終活性化関数として使われる。
【0133】
図５は、本発明の順行判別子（ｆｏｒｗａｒｄ ｄｉｓｃｒｉｍｉｎａｔｏｒ）と逆行判別子（ｂａｃｋｗａｒｄ ｇｅｎｅｒａｔｏｒ）のネットワークアーキテクチャを図示した図面である。
【0134】
順行判別子および逆行判別子は、パッチ（ｐａｔｃｈ）単位で判別を遂行するパッチ敵対的生成ネットワーク（Ｐａｔｃｈ－ＧＡＮ）のアーキテクチャを使う。
【0135】
判別子ネットワークは出力データパッチが本物なのか偽物なのかを分類する。パッチ単位判別子は全体データ判別子より軽い。一実施例として、本発明の判別子ネットワークは３１×３１パッチの大きさを使う。入力データの大きさによりパッチの大きさを柔軟に変更できることは当業者に自明である。
【0136】
図６は、本発明の一実施例に係るサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報方法の概略図を図示した図面である。
【0137】
本発明の他の実施例に係るサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報方法（６００）は、関心地域の第１時間の降水量情報を含む入力合成ハイブリッド高度面降水量（ＨＳＲ：ｈｙｂｒｉｄ ｓｕｒｆａｃｅ ｒａｉｎｆａｌｌ）イメージを受信する入力データ受信段階（Ｓ６１０）を含む。
【0138】
入力合成ＨＳＲイメージに基づいて関心地域の第１時間より未来の時間である第２時間の降水量情報を含む結果合成ＨＳＲイメージを生成するサイクル敵対的生成ネットワーク実行段階（Ｓ６２０）を含む。
【0139】
結果合成ＨＳＲイメージを前記関心地域の実況予報（Ｎｏｗｃａｓｔｉｎｇ）イメージとして出力する出力段階（Ｓ６３０）を含む。
【0140】
本願発明のサイクル敵対的生成ネットワークは、第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）および第１サイクル敵対的生成ネットワークに相補的な第２サイクル敵対的生成ネットワークを含む。
【0141】
サイクル敵対的生成ネットワークの第１サイクル敵対的生成ネットワークと第２サイクル敵対的生成ネットワークは、それぞれ時間的に順行する順行イメージマッピング（ｍａｐｐｉｎｇ）と時間的に逆行する逆行イメージマッピングを遂行する。
【0142】
第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は、
順行生成子（ｆｏｒｗａｒｄ ｇｅｎｅｒａｔｏｒ）を利用して第１時間の入力合成ＨＳＲイメージに基づいて第２時間の第１予測合成ＨＳＲイメージの予測マッピングを学習する順行イメージマッピング段階；
逆行生成子（ｂａｃｋｗａｒｄ ｇｅｎｅｒａｔｏｒ）を利用して第２時間の第１予測合成ＨＳＲイメージに基づいて第１時間の第１サイクル予測合成ＨＳＲイメージの予測マッピングを学習する逆行イメージマッピング段階；
順行判別子を利用して順行生成子の予測マッピングの正確度を評価し、入力合成ＨＳＲイメージと第１予測合成ＨＳＲイメージを判別する順行判別段階；および
逆行判別子を利用して逆行生成子の予測マッピングの正確度を評価し、第１予測合成ＨＳＲイメージと第１サイクル予測合成ＨＳＲイメージを判別する逆行判別段階；を実行する。
順行生成子（ｆｏｒｗａｒｄ ｇｅｎｅｒａｔｏｒ）を利用して第１時間の入力合成ＨＳＲイメージに基づいて第２時間の第１予測合成ＨＳＲイメージの予測マッピングを学習する順行イメージマッピング段階；
逆行生成子（ｂａｃｋｗａｒｄ ｇｅｎｅｒａｔｏｒ）を利用して第２時間の第１予測合成ＨＳＲイメージに基づいて第１時間の第１サイクル予測合成ＨＳＲイメージの予測マッピングを学習する逆行イメージマッピング段階；
順行判別子を利用して順行生成子の予測マッピングの正確度を評価し、入力合成ＨＳＲイメージと第１予測合成ＨＳＲイメージを判別する順行判別段階；および
逆行判別子を利用して逆行生成子の予測マッピングの正確度を評価し、第１予測合成ＨＳＲイメージと第１サイクル予測合成ＨＳＲイメージを判別する逆行判別段階；を実行する。
【0143】
第２サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は、
逆行生成子を利用して第２時間の第１予測合成ＨＳＲイメージに第１ピクセル損失関数（ｐｉｘｅｌ ｌｏｓｓ）が適用された相補的第１予測合成ＨＳＲイメージに基づいて第１時間の入力合成ＨＳＲイメージに対応する相補的入力合成ＨＳＲイメージの予測マッピングを学習し、入力合成ＨＳＲイメージと相補的入力合成ＨＳＲイメージは第２ピクセル損失関数が適用された相補的関係を維持し、
逆行生成子を利用して第２時間の第１予測合成ＨＳＲイメージに第１ピクセル損失関数（ｐｉｘｅｌ ｌｏｓｓ）が適用された相補的第１予測合成ＨＳＲイメージに基づいて第１時間の入力合成ＨＳＲイメージに対応する相補的入力合成ＨＳＲイメージの予測マッピングを学習し、入力合成ＨＳＲイメージと相補的入力合成ＨＳＲイメージは第２ピクセル損失関数が適用された相補的関係を維持し、
【0144】
順行生成子を利用して第１時間の前記相補的入力合成ＨＳＲイメージに基づいて前記第２時間の第２サイクル予測合成ＨＳＲイメージの予測マッピングを学習し、
順行判別子を利用して順行生成子の予測マッピングの正確度を評価し、相補的入力合成ＨＳＲイメージと前記第２サイクル予測合成ＨＳＲイメージを判別し、
逆行判別子を利用して逆行生成子の予測マッピングの正確度を評価し、相補的第１予測合成ＨＳＲイメージと相補的入力合成ＨＳＲイメージを判別するように構成される。
順行判別子を利用して順行生成子の予測マッピングの正確度を評価し、相補的入力合成ＨＳＲイメージと前記第２サイクル予測合成ＨＳＲイメージを判別し、
逆行判別子を利用して逆行生成子の予測マッピングの正確度を評価し、相補的第１予測合成ＨＳＲイメージと相補的入力合成ＨＳＲイメージを判別するように構成される。
【0145】
第１サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は、第１サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）を適用して第１サイクル予測合成ＨＳＲイメージが入力合成ＨＳＲイメージにマッチングされるように学習される。
【0146】
順行判別子は、順行敵対的損失関数（ｆｏｒｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して第１予測合成ＨＳＲイメージを入力合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習される。
【0147】
逆行判別子は、逆行敵対的損失関数（ｂａｃｋｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して第１サイクル予測合成ＨＳＲイメージを第１予測合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習される。
【0148】
第２サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は、第２サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）を適用して第２サイクル予測合成ＨＳＲイメージが相補的第１予測合成ＨＳＲイメージにマッチングされるように学習される。
【0149】
順行判別子は、順行敵対的損失関数（ｆｏｒｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して第２サイクル予測合成ＨＳＲイメージを相補的入力合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習される。
【0150】
逆行判別子は、逆行敵対的損失関数（ｂａｃｋｗａｒｄ Ａｄｖｅｒｓａｒｉａｌ Ｌｏｓｓ）を適用して相補的入力合成ＨＳＲイメージを相補的第１予測合成ＨＳＲイメージに誤認して判断できる確率を高めるように学習される。
【0151】
サイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）は、第１ピクセル損失関数および第２ピクセル損失関数が予め決定された基準ピクセル損失関数値に収束し、第１サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）および第２サイクル一貫性損失関数（Ｃｙｃｌｅ－Ｃｏｎｓｉｓｔｅｎｃｙ Ｌｏｓｓ）が予め決定されたサイクル一貫性損失関数値に収束するように学習される時の第１予測合成ＨＳＲイメージまたは相補的第１予測合成ＨＳＲイメージまたは第２サイクル予測合成ＨＳＲイメージを前記結果合成ＨＳＲイメージで出力する。
【0152】
本願発明のサイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）の順行生成子および前記逆行生成子は、
エンコーダを利用して入力合成ＨＳＲイメージの大きさを減少させ、入力合成ＨＳＲイメージから複数の特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）を抽出するエンコーディング段階；
複数のＳＥ－残差ブロック（ＳＥ－ｒｅｓｉｄｕａｌ ｂｌｏｃｋ）を利用して特徴マップを再調整（ｒｅｃａｌｉｂｒａｔｉｏｎ）する再調整段階；
デコーダを利用してエンコーダで減少した入力合成ＨＳＲイメージの大きさを復元するデコーディング段階；を実行するように構成される。
エンコーダを利用して入力合成ＨＳＲイメージの大きさを減少させ、入力合成ＨＳＲイメージから複数の特徴マップ（ｆｅａｔｕｒｅ ｍａｐ）を抽出するエンコーディング段階；
複数のＳＥ－残差ブロック（ＳＥ－ｒｅｓｉｄｕａｌ ｂｌｏｃｋ）を利用して特徴マップを再調整（ｒｅｃａｌｉｂｒａｔｉｏｎ）する再調整段階；
デコーダを利用してエンコーダで減少した入力合成ＨＳＲイメージの大きさを復元するデコーディング段階；を実行するように構成される。
【0153】
本願発明のサイクル敵対的生成ネットワーク（Ｃｙｃｌｅ－ＧＡＮ）の順行判別子および逆行判別子は、パッチ敵対的生成ネットワーク（Ｐａｔｃｈ－ＧＡＮ）のアーキテクチャを使ってパッチ（ｐａｔｃｈ）単位で判別を遂行することを特徴とする。
【0154】
図７は、本発明のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システムおよび方法の定性的評価結果を示す図面である。
【0155】
図７は、定性的評価のために既存の２つのモデルと比較した。一番目はＱＰＦモデルであるＭＡＰＬＥである。二番目はＲＮＮに基づいたＣｏｎｖＬＳＴＭである。
【0156】
二つのモデルはいずれも現在気象レーダー運営体系に使われており、実生活で十分に検証された方法である。
【0157】
定性的評価のためにＣＳＩをメトリック（ｍｅｔｒｉｃ）として使う。
【0158】
図７に図示された通り、ＣＳＩ基盤の定性的評価の実験結果で、本願発明のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報方法がすべての時点で最も高い点数を保障した。
【0159】
本願発明の方法のＣＳＩは２時間のリードタイム（ｌｅａｄ ｔｉｍｅ）の間、既存の二つのモデルのＣＳＩに比べて相対的に均一に維持されたことを確認することができる。
【0160】
特に、本願発明のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報方法は、ＭＡＰＬＥよりレーダーエコの消滅をさらによく予測したし、ＣｏｎｖＬＳＴＭよりレーダーエコの細部事項をさらによく予測した。
【0161】
図８は、本発明のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システムおよび方法の定性的評価結果を示す表である。
【0162】
図８に図示された表を見ると、定量的評価のためにＰＳＮＲとＳＳＩＭをメトリックとして使う。
【0163】
表１に示されたように、提案する方法は予測の最初の１０分を除いてはＰＳＮＲとＳＳＩＭすべてにおいて最も良い点数を得た。
【0164】
図７と図８を見ると、本発明のサイクル敵対的生成ネットワークの拡張に基づいた地域別降水量実況予報システムおよび方法は、従来の方法に比べてＣＳＩ、ＰＳＮＲおよびＳＳＩＭはいずれもさらに高いことを確認することができる。
【0165】
図９は、本発明の多様な実施例に係る装置および／またはシステムを具現できる例示的なコンピューティング装置を図示した図面である。
【0166】
図９を参照して、本開示のいくつかの実施例に係る装置を具現できる例示的なコンピューティング装置９００をより具体的に説明することにする。
【0167】
コンピューティング装置９００は一つ以上のプロセッサ９１０、バス９５０、通信インターフェース９７０、プロセッサ９１０によって遂行されるコンピュータプログラム９９１をロード（ｌｏａｄ）するメモリ９３０と、コンピュータプログラム９９１を保存するストレージ９９０を含むことができる。ただし、図９には本開示の実施例に関連する構成要素のみが図示されている。
【0168】
したがって、本開示が属した技術分野の通常の技術者であれば、図９に図示された構成要素の他に他の汎用的な構成要素がさらに含まれ得ることが分かる。
【0169】
プロセッサ９１０はコンピューティング装置９００の各構成の全般的な動作を制御する。プロセッサ９１０はＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｏｒ Ｕｎｉｔ）、ＭＣＵ（Ｍｉｃｒｏ Ｃｏｎｔｒｏｌｌｅｒ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）または本開示の技術分野に広く知られている任意の形態のプロセッサを含んで構成され得る。また、プロセッサ９１０は本開示の実施例に係る方法を実行するための少なくとも一つのアプリケーションまたはプログラムに対する演算を遂行できる。コンピューティング装置９００は一つ以上のプロセッサを具備することができる。コンピューティング装置９００は人工知能（ＡＩ）を指し示し得る。
【0170】
メモリ９３０は各種データ、命令および／または情報を保存する。メモリ９３０は本開示の実施例に係る方法を実行するために、ストレージ９９０から一つ以上のプログラム９９１をロードすることができる。メモリ９３０はＲＡＭのような揮発性メモリで具現され得るが、本開示の技術的範囲はこれに限定されるものではない。
【0171】
バス９５０はコンピューティング装置９００の構成要素間の通信機能を提供する。バス９５０はアドレスバス（Ａｄｄｒｅｓｓ Ｂｕｓ）、データバス（Ｄａｔａ Ｂｕｓ）および制御バス（Ｃｏｎｔｒｏｌ Ｂｕｓ）等の多様な形態のバスで具現され得る。
【0172】
通信インターフェース９７０はコンピューティング装置９００の有線／無線インターネット通信を支援する。また、通信インターフェース９７０はインターネット通信以外の多様な通信方式を支援することもできる。このために、通信インターフェース９７０は本開示の技術分野に広く知られている通信モジュールを含んで構成され得る。
【0173】
いくつかの実施例によると、通信インターフェース９７０は省略されてもよい。
【0174】
ストレージ９９０は一つ以上のプログラム９９１と各種データを非臨時的に保存することができる。
【0175】
ストレージ９９０はＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、フラッシュメモリなどのような不揮発性メモリ、ハードディスク、着脱型ディスク、または本開示が属する技術分野で広く知られている任意の形態のコンピュータで読み取り可能な記録媒体を含んで構成され得る。
【0176】
コンピュータプログラム９９１はメモリ９３０にロードされる時、プロセッサ９１０に本開示の多様な実施例に係る方法／動作を遂行するようにする一つ以上の命令を含むことができる。すなわち、プロセッサ９１０は前記一つ以上の命令を実行することによって、本開示の多様な実施例に係る方法／動作を遂行できる。
【0177】
以上、本発明の好ましい実施例について図示し説明したが、本発明は前述した特定の実施例に限定されず、特許請求の範囲で請求する本発明の要旨を逸脱することなく当該発明が属する技術分野で通常の知識を有する者によって多様な変形実施が可能であることは言うまでもなく、このような変形実施は本発明の技術的思想や展望から個別的に理解されてはならない。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【国際調査報告】