생성형 적대 신경망(GAN)을 활용한 대청댐 유입량 시계열 데이터 증강의 적용성 검토

Assessing the Use of Generative Adversarial Networks (GAN) for Augmenting Daecheong Dam Inflow Time-Series Data

본 연구는 생성형 적대 신경망(Generative Adversarial Network, GAN)을 활용한 시계열 데이터 증강 기법을 대청댐 유입량 예측에 적용하여 효과를 검토하였다. 2013년부터 2021년까지의 대청댐 유입량 및 관련 기상, 유량 및 수위 자료 총 3,287건을 학습 데이터로 사용하고, GAN을 통해 추가로 1,096건의 합성 데이터를 생성함으로써 최종 4,383건의 학습 데이터를 확보하였다. 이후 2022년 대청댐 유입량 예측을 위해 Multi-Layer Perceptron (MLP)을 적용하였으며, 학습 및 예측 성능은 평균제곱오차(MSE)로 평가하였다. 그 결과, GAN으로 증강한 데이터를 포함했을 때의 예측 MSE는 3440.20 (m3/s)2로, 원본 데이터만 사용했을 때의 MSE인 6975.97 (m3/s)2에 비해 크게 향상되었다. 본 연구를 통해 GAN을 활용한 시계열 데이터 증강이 데이터가 부족한 홍수기에 대한 예측 안정성을 높이고, 이를 바탕으로 수자원 분야에서의 활용 가능성을 검토할 수 있을 것으로 기대된다.

This study examined the effectiveness of time-series data augmentation using a Generateve Adversarial Network (GAN) in predicting inflow to the Daecheong Dam. A total of 3,287 observation records from 2013 to 2021, including dam inflow and meteorological, hydrological, and hydraulic variables, were used as the training data. In addition, 1,096 synthetic samples were generated using the GAN, resulting in 4,383 training samples. A multilayer perceptron (MLP) was applied to predict the 2022 inflow, and model performance was evaluated using the mean squared error (MSE). The results showed that the MSE decreased significantly from 6,975.97 (m3/s)2 when usign only observation data to 3,440.20 (m3/s)2 when GAN-augmented data were included. These findings indicate that GAN-based time-series data augmentation can enhance the prediction stability during data-scarce flood periods and suggest its potential applicability in the field of water resource management.