LSTM 모형을 이용한 태양활동지표 F10.7 예측

A Prediction of Solar Activity Indicator F10.7 using LSTM Network

인공위성에 사용되는 재료가 우주에서 운용되는 동안 원자산소(atomic oxygen)에 의하여 발생하는 침식(erosion)에 중요한 영향을 미치는 태양활동의 지표 중 하나인 F10.7의 예측은 인공위성 최적 설계에 있어서 핵심 요소이다. 그 동안은 최악의 상황을 가정한 예측에 따라 설계하였으나, 인공위성 제작이 민간에게 전이되는 상황에서 이러한 지표의 예측에 통계적 방법뿐만 아니라 최신의 기계학습(machine learning) 기법들을 적용하는 연구를 진행하고 있다. 본 논문에서는 F10.7을 예측하는 방법으로 LSTM(long short-term memory) 네트워크를 적용하였다. 특별히 본 논문에서는 전체 자료를 일반적으로 기계학습에서 사용하고 있는 학습 자료(training set), 검증 자료(validation set), 평가 자료(test set)로 나누는 대신, 학습 자료의 크기가 줄어드는 것을 피하기 위하여 검증용 자료를 사용하지 않으면서 과적합 이전에 학습 과정을 멈추는 방안을 제안하였다. 또한 한 개의 시점을 예측하는 것과 12개의 시점을 한번에 예측하는 방법을 함께 제안한다. LSTM 네트워크를 이용한 예측은 모수적 예측 방법인 자기회귀이동평균(ARIMA) 모형보다 더 안정적이고 12개월을 한번에 예측하는 것이 보다 경쟁력 있는 결과를 보여주었다.

The prediction of F10.7, which is an indicator showing the solar activity, influencing seriously on atomic oxygen erosion of satellite surface coating materials is one of the key issues in the satellite design. It has been actively conducted recently using not only statistical but machine learning techniques. In this paper, we study a method for using a long short-term memory (LSTM) network in predicting F10.7 data. We suggest a method of model validation to solve the over-fitting problem without extracting a validation sample out of the whole data set which does not reduce the size of the training data set. Also we show that predicting 12 points together at a time provides less forecasting error (RMSE, MAPE) than predicting one point at a time. The results from using LSTM network show more stable and competitively better forecasting performance than those from parametric long range dependent time series model autoregressive integrated moving average (ARIMA) model.