미세먼지 농도 예측 정확도는 미세먼지 문제의 심각성이 높아질수록 중요해지고 있으며, 더 정확한 미세먼지 농도를 예측하기 위해 선형 예측 모델, 비선형 예측 모델, 시계열 예측모델 등이 사용되고 있다. 최근에는 LSTM(Long Short Term Memory) 모델을 이용한 미세먼지 농도 예측 연구가 활발하게 진행되고 있다. LSTM은 ...
미세먼지 농도 예측 정확도는 미세먼지 문제의 심각성이 높아질수록 중요해지고 있으며, 더 정확한 미세먼지 농도를 예측하기 위해 선형 예측 모델, 비선형 예측 모델, 시계열 예측모델 등이 사용되고 있다. 최근에는 LSTM(Long Short Term Memory) 모델을 이용한 미세먼지 농도 예측 연구가 활발하게 진행되고 있다. LSTM은 뉴런 간 재귀하는 구조를 갖고 있어 시계열 데이터를 이용한 예측 모델의 학습에 강점을 갖고 있으며, 데이터의 입력과 출력 크기에 유연하여 여러 종류의 데이터를 이용한 미세먼지 농도 예측에 활용되고 있다. 이에 본 연구에서는 미세먼지 농도를 예측하기 위해 도시대기 측정망에서 측정한 미세먼지 데이터와 방재기상관측장비에서 관측한 기상 데이터를 시퀀스 데이터로 변환하여 사용하였으며, 예측 모델의 LSTM 레이어 구조에 따라 Vanilla LSTM 모델과 Stacked LSTM 모델로 구분하여 사용하였다. 강남구 데이터를 이용하여 시퀀스 데이터 종류에 따른 예측 정확도와 예측 모델 LSTM 레이어 구조에 따른 예측 정확도를 비교하였다. 비교결과 미세먼지 데이터와 기상 데이터를 변환한 AWS 시퀀스 데이터를 이용한 Stacked LSTM 모델이 가장 높은 예측 정확도를 보였으며, 이를 이용하여 서울시 25개 행정구를 대상으로 미세먼지 농도를 예측하고 정확도를 분석하였다. 분석결과 미세먼지는 양천구, 동작구, 중구, 동대문구 등에서 높은 예측 정확도를 보였으며, 초미세먼지는 중구, 노원구, 송파구, 강동구 등에서 높은 예측 정확도를 보였다. 이를 통해 예측 모델의 정확도가 미세먼지의 나쁨 및 매우나쁨 구간의 발생빈도가 낮고 최대농도가 낮을수록 높은 예측 정확도를 보이는 것을 확인하였다.
미세먼지 농도 예측 정확도는 미세먼지 문제의 심각성이 높아질수록 중요해지고 있으며, 더 정확한 미세먼지 농도를 예측하기 위해 선형 예측 모델, 비선형 예측 모델, 시계열 예측모델 등이 사용되고 있다. 최근에는 LSTM(Long Short Term Memory) 모델을 이용한 미세먼지 농도 예측 연구가 활발하게 진행되고 있다. LSTM은 뉴런 간 재귀하는 구조를 갖고 있어 시계열 데이터를 이용한 예측 모델의 학습에 강점을 갖고 있으며, 데이터의 입력과 출력 크기에 유연하여 여러 종류의 데이터를 이용한 미세먼지 농도 예측에 활용되고 있다. 이에 본 연구에서는 미세먼지 농도를 예측하기 위해 도시대기 측정망에서 측정한 미세먼지 데이터와 방재기상관측장비에서 관측한 기상 데이터를 시퀀스 데이터로 변환하여 사용하였으며, 예측 모델의 LSTM 레이어 구조에 따라 Vanilla LSTM 모델과 Stacked LSTM 모델로 구분하여 사용하였다. 강남구 데이터를 이용하여 시퀀스 데이터 종류에 따른 예측 정확도와 예측 모델 LSTM 레이어 구조에 따른 예측 정확도를 비교하였다. 비교결과 미세먼지 데이터와 기상 데이터를 변환한 AWS 시퀀스 데이터를 이용한 Stacked LSTM 모델이 가장 높은 예측 정확도를 보였으며, 이를 이용하여 서울시 25개 행정구를 대상으로 미세먼지 농도를 예측하고 정확도를 분석하였다. 분석결과 미세먼지는 양천구, 동작구, 중구, 동대문구 등에서 높은 예측 정확도를 보였으며, 초미세먼지는 중구, 노원구, 송파구, 강동구 등에서 높은 예측 정확도를 보였다. 이를 통해 예측 모델의 정확도가 미세먼지의 나쁨 및 매우나쁨 구간의 발생빈도가 낮고 최대농도가 낮을수록 높은 예측 정확도를 보이는 것을 확인하였다.
The prediction accuracy of the fine dust concentration is becoming more important as the severity of the fine dust problem becomes higher. In order to predict the more accurate fine dust concentration, a linear prediction model, a nonlinear prediction model and a time series prediction model are use...
The prediction accuracy of the fine dust concentration is becoming more important as the severity of the fine dust problem becomes higher. In order to predict the more accurate fine dust concentration, a linear prediction model, a nonlinear prediction model and a time series prediction model are used. In recent years, studies on the prediction of fine dust concentration using a LSTM (Long Short Term Memory) model have been actively conducted. In order to predict the concentration of fine dust, this study used the fine dust data measured from the city air quality monitoring stations and the meteorological data from the AWS(Automatic Weather System) to convert them to the sequence data. The LSTM layer structure of the prediction model was used for the Vanilla LSTM model And Stacked LSTM model. First, we compare the prediction accuracy according to the type of sequence data and the prediction accuracy according to the LSTM layer structure of the prediction model using Gangnam-gu data. As a result of comparison, the Stacked LSTM model using AWS sequence data obtained highest prediction accuracy. Second, analyzed the accuracy of fine dust concentration in Seoul city using Stacked LSTM model using AWS sequence data.
The prediction accuracy of the fine dust concentration is becoming more important as the severity of the fine dust problem becomes higher. In order to predict the more accurate fine dust concentration, a linear prediction model, a nonlinear prediction model and a time series prediction model are used. In recent years, studies on the prediction of fine dust concentration using a LSTM (Long Short Term Memory) model have been actively conducted. In order to predict the concentration of fine dust, this study used the fine dust data measured from the city air quality monitoring stations and the meteorological data from the AWS(Automatic Weather System) to convert them to the sequence data. The LSTM layer structure of the prediction model was used for the Vanilla LSTM model And Stacked LSTM model. First, we compare the prediction accuracy according to the type of sequence data and the prediction accuracy according to the LSTM layer structure of the prediction model using Gangnam-gu data. As a result of comparison, the Stacked LSTM model using AWS sequence data obtained highest prediction accuracy. Second, analyzed the accuracy of fine dust concentration in Seoul city using Stacked LSTM model using AWS sequence data.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.