건설 계측 데이터에 대한 통합 이상치 분석 시스템 개발
Development of Integrated Outlier Analysis System for Construction Monitoring Data
전 제 성† Jesung Jeon
Received: March 9th, 2020; Revised: March 26th, 2020; Accepted: April 21st, 2020
ABSTRACT : Outliers detection and elimination included in field monitoring datum are essential for effective foundation of unusual movement, long and short range forecast of stability and future behavior to various structures. Integrated outlier analysis system for assessing long term time series data was developed in this study. Outlier analysis could be conducted in two step of primary analysis targeted at single dataset and second multi datasets analysis using synthesis value. Integrated outlier analysis system presents basic information for evaluating stability and predicting movement of structure combined with real-time safety management platform. Field application results showed increased correlation between synthesis value including similar sort of sensor showing constant trend and each single dataset. Various monitoring data in case of showing different trend can be used to analyse outlier through correlation- weighted value.
Keywords : Monitoring, Instrumentation, Outlier, Data analysis, Data correction
요 지 : 구조물의 이상징후 판단 및 장단기 안정성, 장래 거동 등의 판단에 다양한 계측결과가 효율적으로 이용되기 위해서는 계측 데이터 내에 포함한 각종 이상치의 판정 및 제거가 필요하다. 본 연구에서는 장기 시계열 데이터에 대한 이상치 평가를 수행하기 위한 통합 이상치 분석 시스템을 개발하였다. 이상치 평가는 시계열 분석법에 의한 단일 데이터셋 대상의 1차 이상치 분석과 합성신 호 기반의 다중 데이터셋에 대한 2차 이상치 분석으로 구분하여 단계별로 수행되었다. 통합 이상치 분석 시스템은 구조물에 대한 종합 안전관리 플랫폼과 실시간 연동되어 구조물의 각종 안전성 평가 및 거동 예측 등을 위한 기초자료를 제공할 수 있도록 개발되 었다. 현장 적용을 통해 일정 경향을 보이는 동종의 다수 센서들의 합성신호와 개별 데이터셋 간의 상관성이 크게 증가함을 확인할 수 있었으며, 상관성에 대한 가중치 적용을 통해 차별 거동을 보이는 다양한 센서 계측치들도 모두 통합 이상치 분석에 활용될 수 있음을 확인 할 수 있었다.
주요어 : 모니터링, 계측기, 이상치, 데이터 분석, 데이터 보정 Journal of the Korean Geo-Environmental Society 21(5): 5～11. (May 2020) http://www.kges.or.kr
ISSN 1598-0820 (Print) ISSN 2714-1233 (Online) DOI https://doi.org/10.14481/jkges.2020.21.5.5
1. 서 론
건설관련 구조물의 시공 및 유지관리 단계에서 요구되는 다양한 거동감시와 이를 통한 안전성 평가 등은 가장 중요 하고 기본적인 과정으로 인식되고 있으며, 이를 위하여 최 근에는 다양한 IT기술을 응용한 구조물 모니터링 및 계측기 술이 개발, 적용되고 있다. 최근에는 이러한 계측기술을 바 탕으로 다양한 항목의 자동화 계측기가 구조물 안전관리에 활발히 적용되고 있다. 이러한 경우, 다양한 이종 계측기를 통해 생성된 전체적인 계측 데이터의 규모는 빅데이터 범주 에 속하는 방대한 규모로 확장되고 있다.
일정 기간 축척된 방대한 양의 계측 데이터에는 센서, 신
호처리장치, 케이블, 전력장치, 데이터 전송시스템, 외부요 인 등의 다양한 원인에 기인한 여러 형태의 오류 데이터가 포함될 수 밖에 없으며, 이러한 오류 데이터의 선별과 보정 과정을 거친 정상 데이터들만이 구조물 거동감시에 활용되 어야 한다(Williams et al., 2002; Sharma et al., 2010; Jeon, 2018). 건설분야가 아닌 IT, 산업공학, 교통공학, 환경공학, 금융분야 등에서는 시계열모형 및 회귀분석, 퍼지이론 등을 이용한 이상치 탐지기술(Lim et al., 2009; Ki et al., 2010;
Kang et al., 2012)이 활발히 연구되고 있다. 그러나, 건설분 야에서는 시계열 형태로 축적되는 방대한 규모의 계측 데이 터를 대상으로 한 이상치 판정 및 신뢰도 분석에 대한 연구 가 거의 전무한 실정이며, 대부분 계측 데이터의 시계열 패
Fig. 1. Assessment error of adjacent outlier in single data set 턴에 대한 기술자의 주관적 판단에 따른 분석이 일부 계측
항목을 대상으로 수행되고 있는 바, 구조물의 이상징후 판 단 및 장단기 안정성, 장래 거동 등의 판단에 계측결과가 효율적으로 이용되지 못하고 있는 실정이다. 본 연구에서는 건설관련 구조물에서 생성되는 단일 항목의 계측 데이터 및 다수 이종 계측 데이터들에 대한 이상치 분석기법을 이용하 여 오류 데이터의 선별 및 보정을 자동으로 수행할 수 있는 통합 데이터 분석 시스템을 개발하였다.
2. 시계열 데이터 이상치 분석 및 보정
2.1 단일 센서 시계열 데이터에 대한 이상치 평가 단일 센서에서 생성되는 시계열 데이터 대상의 이상치 평가에 관한 연구는 센서 네트워크 분야를 중심으로 활발히 진행되었다. 기존에 수행되었던 대표적 기법으로는 경시변 화량 및 변화율 활용(Ramanathan et al., 2006), 분포값의 평 균 및 분산 활용(Ni et al., 2009), 데이터의 평균 및 분산, 변 화도 활용, Rule-based 기법 활용(Ramanathan et al., 2006), 이동평균법 활용(Mourad & Bertrand-Krajewski, 2002), 회귀 분석 모델 활용(Kaitath, 1975; Lim et al., 2009) 등을 들 수 있다. 건설 구조물의 거동은 명확한 기간별 시계열 특성을 보 이지 않으며 갑작스런 하중 변화 및 불안정 요인 작용 등의 조건에서는 기존의 평상 시 거동과 매우 상이한 이상거동을 보이는 특징이 있는 바, 기존의 회귀분석 모델 및 학습이론의 적용은 매우 제한적으로 적용될 수 밖에 없는 특징이 있다.
본 연구에서는 단일 센서 데이터의 이상치 분석에 있어 Eq.
(1)과 같은 기존의 지수평활법을 적용하였다. 단, 특정 데이 터 개수를 포함하는 블록을 설정하여 블록 내에서의 최적 평활계수를 산정하여 적용하는 방식을 적용하였다.
≤ ≤ (1)
여기서, , 는 t 시점 및 t+1 시점에서의 예측값이 며 는 t 시점의 실측값이다. 는 특정 블록 내에서의 평 활계수를 나타낸다. 오류 데이터 판정은 기존의 오차율에 의한 신뢰구간 산정방식이 아닌 Eq. (2) 및 Eq. (3)과 같은 방식의 추정표준오차(Se : standard error of the estimate)를 적용하였다.
i f≥ → (2)
(3)여기서, 는 이상치 판정 계수, 는 추정표준오차, 은 계측 데이터의 개수를 나타낸다. 본 시계열 분석법을 적용 한 이상치 분석 시, 오류 강도가 큰 이상치 영향으로 인해 인접한 차시간 데이터가 무조건 이상치로 오판되는 현상이 관찰되었으며(Fig. 1), 이러한 현상을 고려하여 특정 데이터 가 이상치로 판명되었을 경우, 예측치로 이상 데이터를 교 체한 후 일련의 시계열 분석을 순차적으로 재수행하였다.
단일 센서 시계열 데이터에 대한 이상치 분석과 보정은 전 체적인 이상치 분석의 가장 기본 단계로서 큰 범위의 이상 치를 평가하고 보정하는데 이용되었다.
2.2 다수 센서 데이터에 대한 복합 이상치 평가 건설 중 또는 유지관리 과정에 있는 구조물들에는 각종 거동감시 목적의 계측센서 들이 다수 설치되는 것이 일반적 이다. 많은 수의 동종 센서들이 각기 다른 위치에 다수 설치 되게 되며, 동일 위치에서도 이종 센서들이 다수 설치된다.
이러한 조건에서 특정 외부요인에 의한 구조물의 불안전 거 동은 특정 센서만이 아닌 다양한 센서들에서 감지되는 것이 일반적이되 그 정도는 계측 위치와 종류에 따라 달라지게 된다. 특정 센서에서 생성된 단일 시계열 데이터셋 내의 특 정 이상치를 판단하고 보정하는데 있어, 동종 혹은 이종의 다수 데이터들을 동시에 활용한다면 이는 단일 데이터셋 내 의 데이터만을 이용하는 방식 대비 판단 정도와 효율성 측 면에서 매우 효과적 방법이 될 것이다(Kailath, 1975; Jeon et al., 2015). 동일 구조물 내 다양한 위치에서 획득된 센서 값들 간에는 상관분석을 통해 확인되는 상관성이 있으며 이 러한 상관성은 특정 데이터셋 내의 이상치 분석에 유용하게 활용될 수 있다. Jeon(2016; 2018)은 다수 센서에서 생상되 는 다양한 계측 데이터셋을 모두 이용하여 특정 데이터넷 내의 이상치 분석에 활용하는 통합 분석기법에 관한 연구를 수행하였다. 다양한 센서 관측치들 사이에는 일정 부분 상
Fig. 2. Composed signal value in moving dataset block (Jeon, 2018)
Fig. 3. F-distribution acceptance region 관성이 있으며, 이러한 각 데이터셋 마다의 상관계수를 가
중치로 적용하여 Eq. (2)와 같은 별도의 합성신호를 생성할 수 있다. 이러한 합성신호와 특정한 단일 데이터셋 간에는 더욱 상관성이 높아지게 됨을 확인할 수 있었으며, 이들 간 의 회귀분석 모델을 통해 특정 데이터셋 내의 이상치를 분 석할 수 있었다. 본 연구에서도 다수 계측 데이터셋에 대한 이상치 분석 시 적응적 합성신호 기반의 이상치 분석기법 (Adaptive Synthesis using Correlation-based Summation, ASCS) 을 적용하였으며, 이러한 기법은 전체 시계열 데이터 내에 서 블록을 이동시켜 가며 순차적으로 적용 되었다(Fig. 2).
× (4)
(5)
여기서, 는 임의 불록 내에 포함된 일자별 데이터들의 합성신호 값이며, 는 데이터셋 마다의 임의 블록 내 데이
터, 는 임의 블록 내의 분석 데이터셋(tar)과 다른 데
이터셋 과의 상호상관계수를 나타낸다. 은 특정 블록 내 n 번째 데이터에 대한 스튜던트 잔차(studentixed residual) 를 나타내며, 은 특정 블록 내 n 번째 데이터에 대한 잔차 를 나타낸다. 는 특정 블록 내 데이터들에 대한 오차평 균제곱(mean square error), 은 특정 블록 내 n 번째 데 이터에 대한 레버리지 값을 나타낸다.
3. 통합 이상치 분석 시스템
3.1 통합 이상치 분석 시스템 개발
본 연구에서는 단일 센서 데이터에 대한 시계열 이상치 평가 기법 및 다수 센서 데이터에 대한 다중 합성신호 기반
의 복합 이상치 평가 기법을 적용한 통합 이상치 분석 시스 템(Data Inspector)을 개발하였다. Fig. 4에서 볼 수 있듯이 통합 이상치 분석 시스템을 통한 이상치 평가와 보정은 각 각 2단계를 통해 수행되었다. 단일 센서 또는 다수 동종 센 서를 통해 생성되는 모든 시계열 데이터는 계측 항목별로 원시 데이터셋 DB에 저장되며 이들을 대상으로 단일 데이 터셋 별로 시계열 분석법(TSA)에 의한 1차 이상치 분석을 수행하게 된다. 1차 이상치 분석을 통해 각각의 단일 데이 터셋 내에 포함된 이상치 중, 오류 강도가 매우 큰 초기 이 상치를 탐지하고 이에 대한 예측치를 이용하여 데이터 보정 을 실시하게 된다. 이러한 1차 필터링 과정을 거친 데이터 들을 이용하여 합성신호 기반의 2차 이상치 분석(ASCS)을 수행하게 된다. 각각의 데이터셋을 이용하여 합성신호를 생 성하게 되며 합성신호 데이터셋과 특정 데이터셋간의 회귀 모델을 추정하게 된다. 이렇게 추정되 회귀모델은 유의성 평가 과정를 거치게 되는데, 유의하지 않은 회귀모델을 나 타내는 데이터셋은 단일 데이터셋을 대상으로한 시계열 분 석방법만을 적용하여 최종적인 이상치 평가와 보정을 실시 하도록 하였고, 유의한 회귀모델을 나타내는 데이터셋 들은 합성신호 기법를 활용한 다중분석 방법을 적용하여 최종적 인 이상치 평가와 보정을 수행하도록 하였다. 합성신호와 각 데이터셋들 간의 회귀모델에 대한 유의성 평가는 분산분 석(analysis of variance)을 통해 수행하였는데, Fig. 3과 같 이 통계량 산정 후 분포상 유의수준 에서의 임계치 를 통계량과 비교하여 임계치보다 크면 유의하다는 최종 평가를 하였다.
합성신호 데이터셋과 특정 데이터셋 간의 회귀모델 유의 성이 있다고 추정되는 것은 특정 데이터셋에 대한 이상치 분석 시 동종의 계측 데이터는 물론 이종의 계측 데이터도 모두 활용될 수 있음을 의미한다. 합성신호에 대한 회귀모 델 유의성이 확인된 경우는 관측치와 회귀모델 예측치의 차 이 즉, 잔차를 이용하여 최종적인 이상치를 판정하게 된다.
본 연구에서는 Eq. (3)과 같이 t 분포를 따르는 정규화 예측 잔차인 스튜던트 잔차를 사용하여 최종적인 이상치 판정을 수행하였다(Jeon, 2018). 전체적인 데이터셋의 이상치 보정
Fig. 4. Procedure for integrated outlier detection and correction in Data-Inspector system
은 크게 2단계를 통해 수행하였다.
시계열 분석법에 의해 큰 오류강도를 갖는 이상치로 판 정된 데이터는 시계열 분석법에 의한 예측치를 보정치로 대 체하는 1단계 보정 과정을 수행하였다. 1단계 보정 데이터 를 이용하여 합성 신호법을 적용하고, 이에 의한 이상치를 합성 신호법 상의 예측치로 대체하는 최종적인 2단계 보정 과정을 수행하였다.
본 연구에서의 통합 이상치 분석 시스템은 각각의 이상 치 분석기법과 보정기법을 포함하고 있으며, Fig. 5와 같이
데이터 입출력 및 각종 분석기능을 추가한 통합 플랫폼 탑 재용 이상치 분석 소프트웨어로서 파스칼 코드 기반의 Delphi XE8 프로그램을 이용하여 개발하였다. 통합 이상치 분석 시스템 내에는 동종 및 이종의 다양한 센서에서 생성된 시 계열 데이터셋을 대상으로 1단계 이상치 분석 시의 대상 데 이터셋 선택, 블록 크기, 구간별 최적 평활계수 선정 등에 대한 기능이 적용되어 있다. 2단계 이상치 분석 시는 합성 신호 생성 시의 유의 수준, 오차율, 블록 크기 선정 및 각 데이터셋과 합성신호간의 상관성 분석 등의 기능이 구현되
Fig. 5. Integrated outlier detection and correction software (Data Inspector)
Fig. 6. Filtering process for monitoring data
Fig. 7. Operating system of developed outlier analysis software
어 있다. 이상치 분석 결과에서는 각 데이터별 1단계 및 2 단계 분석을 통한 이상치 평가 결과와 함께 이들 단계별 이 상치 보정결과를 가시적으로 확인할 수 있다.
3.2 개발 시스템 운용
본 연구에서의 통합 이상치 분석 및 보정 시스템은 특정 건설 구조물에 대한 종합 안전관리 플랫폼에 탑재되어 Fig.
6 및 Fig. 7에서와 같이 실시간 구조물 모니터링, 모니터링 데이터에 대한 실시간 이상치 분석 및 보정 기능을 수행할 수 있도록 개발되었다. 비탈면, 댐, 제방, 옹벽, 교량, 터널 등 각종 구조물에서 실시간 수집된 계측 데이터들은 종합 안전관리 플랫폼 DB에 저장되며, 동종 및 이종의 각 센서 데이터들은 모니터링 DB에 자동 전송되어 통합 이상치 분 석 시스템이 가동된다. 개별 데이터셋에 대한 1차 이상치 분석과정 및 합성신호 기법에 의한 2차 이상치 분석과정을 거친 후, 이상치 제거와 보정이 완료된 데이터들은 다시 통 합 모니터링 시스템 DB에 별도 저장되며 이들은 최종적으 로 종합 안전관리 플랫폼으로 다시 전송되어 최종적인 모니 터링 데이터로서 표출된다. 이상치 제거와 보정이 완료된 데이터들은 각종 안전성 평가 및 예측 등의 기초자료로 활 용되게 된다.
4. 통합 이상치 분석 시스템 시험적용
합성신호 기반의 이상치 분석기법에 대한 성능평가와 검 증은 기 연구를 통해 수행되었다. Jeon(2018)은 시계열 모 델을 통해 생성된 데이터에 가상 오류 데이터를 포함시킨 인공 데이터 및 실 계측 데이터를 대상으로 합성신호 기반 의 이상치 분석기법에 대한 평가와 검증을 수행하였는데, 가상 오류 데이터의 백색잡음 표준편차가 1.0 이하이고 오 류 데이터의 강도가 7.5 이상에서는 이상치 판정 정확도가 80∼90%로 나타남을 제시하였다. 합성신호 생성에 많은 수 의 유사 시계열 모델이 사용될수록 그 판정 정확도는 증가 하였으며, 이는 실제 동종의 계측기가 많을수록 최종적인 합성신호 분석법의 이상치 판정 정확도가 높아짐을 의미한 다. 본 연구에서는 OO지역에 설치된 간극수압계 및 지중경 사계를 통해 취득된 실 계측 데이터를 대상으로 통합 이상 치 분석 시스템에 의한 이상치 평가 및 보정을 수행하였다.
간극수압계의 경우, OO지역 하천 인근의 옹벽 2개소 및 제방 9개소에 설치된 센서를 대상으로 하였으며, 총 22개월 간 취득된 계측결과를 이용하였다. 시계열 분석법에 의한 1 차 이상치 평가 및 합성신호 기반의 2차 이상치 평가에 적 용된 데이터셋은 11개이며, 전체 총 데이터수는 4,653개 이 다. Fig. 8은 특정 제방 내에 설치된 간극수압 데이터에 대 한 이상치 분석 결과로서, 특정 데이터셋 간 상관성 대비 각 데이터셋과 합성신호 간의 상관성이 매우 높아지는 것을
Fig. 8. Outlier analysis in measurement data for pore water pressure using Data Inspector software
Fig. 9. Outlier analysis in measurement data for horizontal displace- ment using Data Inspector software
확인할 수 있으며, 급변 데이터에 대한 1차 이상치 판정 및 합성신호 기법에 의한 2차 이상치 판정이 수행된 것을 확인 할 수 있다.
지중경사계의 경우, 대상지역 내에 설치된 다양한 심도 별 센서 계측결과에 대한 통합 분석을 실시하였다. 이상치 평가에 적용된 데이터셋은 36개이며, 계측기간 2개월 동안 의 전체 총 데이터수는 6,300개 이다. 하천수위 변동에 따
라 어느정도 일정 경향을 보이는 간극수압계와 달리, 지중 경사계는 각 심도별로 상이한 거동을 보이는 것이 일반적이 다. 이러한 차별 거동을 보이는 다양한 센서 계측치들을 모 두 통합하여 분석한다는 것이 논리적으로 모순으로 보이지 만, 합성신호 기법의 특성상 일정 기간 블록 내 다양한 데이 터셋의 서로간 상관성이 떨어질 경우, 상관성에 대한 가중 치 상수가 0에 가까워지며 그로 인해 그 영향은 합성신호에 서 제거되는 특성이 있는 바, 서로간 상관성이 떨어지는 데 이터셋에 대한 통합 분석이 가능하다. Fig. 9는 상이한 심도 에서의 센서별 수평변위량(cm)을 나타낸 것으로서, 시계열 분석법에 의한 1차 이상치 판정 및 각 센세별 거동 경향이 상이한 경우에도 합성신호 기법을 통한를 통한 2차 이상치 판정이 가능함을 확인할 수 있다.
5. 결 론
시공 중 또는 유지관리 단계의 구조물에 대한 이상징후 판단, 장단기 안정성 판단 및 장래 거동 예측 등에 있어 가 장 기본적으로 활용되는 자료는 다양한 항목의 계측 데이터 들이다. 시계열 형태로 일정 기간 축적된 방대한 계측 데이 터 내에는 다양한 원인에 기인한 이상 데이터들이 다수 포 함될 수밖에 없다. 동종 및 이종의 다양한 계측결과가 구조 물의 안전관리에 효율적으로 이용되기 위해서는 계측 데이 터 내에 포함한 각종 이상치의 판정 및 제거가 필요하다.
본 연구에서는 동종 및 이종 계측 데이터들에 대한 단계별 이상치 분석기법을 포함하는 통합 이상치 분석 시스템 및 운용기법을 개발하였으며 그 결과를 요약하면 다음과 같다.
(1) 단일 센서 데이터셋의 경우, 건설 구조물의 불규칙한 거동 특성상 기존의 반복적 회귀모델 및 학습이론을 적 용한 이상치 판정은 한계가 있었다.
(2) 시계열 모델을 적용하되 추정표준오차를 통한 기존 거 동 대비 순간적 급변동 데이터에 대한 1차 이상치 판정 이 가능하였다. 추정표준오차 적용 시 이용되는 이상치 판정계수는 오류 데이터의 강도에 따라 그 최적값이 달 라질 수 있으나, 실내 인공데이터 및 실 계측 데이터 적 용을 통해 3.0 적용이 적정함을 확인할 수 있었다.
(3) 이상치 판정에 있어 동종 혹은 이종의 다수 데이터들을 동시에 활용한다면 이는 단일 데이터셋 내의 데이터만 을 이용하는 방식 대비 판단 정도와 효율성 측면에서 매우 효과적 방법임을 확인할 수 있었으며, 각 데이터 셋 마다의 상관계수를 가중치로 적용한 합성신호 데이 터셋과 특정 단일 데이터셋들 간의 상관성이 높아지는
것을 확인할 수 있었다. 합성신호 데이터셋과 각 개별 데이터셋 간의 회귀모델을 구성한 뒤 최종적인 2차 이 상치 판정을 수행하였으며, 회귀모델의 유의성 판단 및 이상치 판정에 있어서는 F 통계량과 t-분포 활용이 적정 함을 확인할 수 있었다.
(4) 구조물별 다양한 동종 및 이종 계측 데이터들에 대한 단계별 이상치 분석이 가능하였으며, 이를 기반으로 한 통합 이상치 분석 시스템을 개발하였다. 개발 시스템은 각종 구조물의 포괄적 안전관리를 총괄하는 종합 플랫 폼과 연동되어 종합적인 실시간 계측 데이터 관리 및 제공이 가능하도록 개발되었으며, 현장 시험적용을 통 해 특정 외력조건에 유사한 거동을 보이는 다수 동종 계측기 및 차별 거동을 보이는 다수 이종 계측기 들에 대한 효율적 통합 이상치 분석이 가능함을 확인할 수 있었다. 단, 실시간 이상치 분석은 태풍, 호우, 지진과 같은 특정 이벤트 발생 시 그 운용을 제한하고 기존 시 계열 데이터를 활용한 이상치 판정을 수행하는 것이 효 과적이라 판단된다.
References
1. Jeon, J. S., Koo, J. K. and Park, C. M. (2015), Outlier detection in time series monitoring datasets using rule based and correlation analysis method, Journal of the Korean Geo-Environmental Society, Vol. 16, No. 5, pp. 43~53 (In Korean).
2. Jeon, J. S. (2016), Development of Outlier Evaluation Technique and Operation System for Monitoring Data, KSCE 2016 Con- vention, Jeju, Korea, pp. 355~356 (In Korean).
3. Jeon, J. S. (2018), Compound outlier assessment and verification for multiple field monitoring data, Journal of the Korean Geo- Environmental Society, Vol. 19, No. 1, pp. 5~14 (In Korean).
4. Kailath, T. (1975), Square-root algorithms for least-squares estimation, IEEE Trans. Automatic Control, Vol. 20, No. 4, pp. 487~497.
5. Kang, P. S., Kim, D. I., Lee, S. K., Doh, S. Y. and Cho, S. J.
(2012), Estimating the reliability of virtual metrology predictions in semiconductor manufacturing : a novelty detection-based approach, Journal of Korean Institute of Industrial Engineers, Vol. 38, No. 1, pp. 46~56 (In Korean).
6. Ki, Y. K., Ahn, G. H., Kim, E. J., Jeong, J. H., Bae, K. S.
and Lee, C. K. (2010), Error filtering algorithm for accurate travel speed measurement using UTIS, Journal of The Korea Institute of Intelligent Transport Systems, Vol. 9, No. 6, pp.
33~42 (In Korean).
7. Lim, H. S., Oh, C., Park, J. H. and Lee, G. W. (2009), Correction of erroneous individual vehicle speed data using locally weighted regression, Journal of Korean Society of Transportation, Vol. 27, No. 2, pp. 47~56 (In Korean).
8. Mourad, M. and Bertrand-Krajewski, J.-L. (2002), A method for automatic validation of long time series of data in urban hydrology, Water Science and Technology, Vol. 45, No. 4-5, pp. 263~270.
9. Ni, k., Ramanathan, N., Chehade, M., Balzano, L., Nair, S., Zahedi, S., Pottie, G., Hansen, M. and Srivastava, M. (2009), Sensor network data fault types, ACM Transactions on Sensor Networks, Vol. 5, No. 3, Article 25. pp. 1~29.
10. Ramanathan, N., Balzano, L., Burt, M., Estrin, D., Kohler, E., Harmon, T., Harvey, C., Jay, J., Rothenberg, S. and Srivastava, M. (2006), Rapid Deployment with Confidence: Calibration and Fault Detection in Environmental Sensor Networks. Tech.
Rep. 62, CENS. pp. 1~14.
11. Sharma, A. B., Golubchik, L. and Govindan, R. (2010), Sensor faults: detection methods and prevalence in real-world datasets, ACM Transactions on Sensor Networks, Vol. 6, No. 3, Article 23. pp. 1~39.
12. Williams, G. J., Baxter, R. A., He, H. X., Hawkins, S. and Gu, L. (2002), A Comparative Study of RNN for Outlier Detection in Data Mining, IEEE International Conference on Data-mining (ICDM’02), Maebashi City, Japan, CSIRO Technical Report CMIS-02/102. pp. 1~709.
