[논문]규칙기반 초미세먼지 상태 추론

최락현; 강원석; 손창식

doi:10.14372/iemek.2018.13.4.179

규칙기반 초미세먼지 상태 추론
Particulate Matter (PM2.5) State Inference by Rule Induction 원문보기

대한임베디드공학회논문지 = IEMEK Journal of embedded systems and applications, v.13 no.4, 2018년, pp.179 - 185

최락현 (DGIST) , 강원석 (DGIST) , 손창식 (DGIST)

Abstract ▼ AI-Helper

Particulate Matter (PM2.5) has various adverse effects on health. Climate and industry activity and traffic volume are the main causes, especially in urban area. In order to construct an effective forecasting system, many measurement systems are required, but it is impossible in reality. Therefore, in this study, we propose a method to infer PM2.5 condition by using rule induction technique. The experimental results showed a classification accuracy of 71%.

주제어

AI 본문요약
AI-Helper

문제 정의

효과적인 예보 시스템을 구축하기 위해서는 다수의 측정망이 필요한데 현실적인 문제가 있어 초미세먼지상태 예측 연구의 필요성이 커지고 있다. 따라서 본 연구에서는 인공지능 분야의 지식획득 및 처리방법 중에 하나인 LEM1 규칙 생성 알고리즘을 활용하여 2016년 4월의 기상 데이터를 활용해 2017년 4월의 초미세먼지 상태를 추론 하는 접근방법을 제안하였다. 기존의 선행된 예보모델과의 간접적인 비교에서 3% 개선된 71%의 추론 정확도를 보여주었다.

가설 설정

현실적인 문제로 효과적인 예보시스템을 구축할 수 없으면 예측하는 연구 역시 병행되어져야 한다. 따라서 본 논문에서는 기후정보를 근거로 초미세먼지 상태를 예측할 수 있다고 가정 후 실험하였다. 초미세먼지 상태를 추론하기 위해서 인공지능 분야의 지식획득 및 처리방법 중에 하나인 LEM1 규칙 생성 알고리즘을 활용하였다.

제안 방법

또한 규칙생성 알고리즘으로는 훈련 데이터 셋에서 비일관적인 특성을 가진 패턴, 즉 동일한 입력 패턴에 대해서 서로 다른 출력을 포함하는 샘플의 데이터로부터 규칙을 유도할 수 있는 장점을 가진 LERS (Learning from Examples based on Rough Sets)의 global covering 기법인 LEM1 알고리즘 [12]을 이용하였다. LEM1은 소모적인 탐색(Greedy search) 전략을 사용하고 검색 공간이 모든 속성값 집합이다.
따라서 본 논문에서는 기후정보를 근거로 초미세먼지 상태를 예측할 수 있다고 가정 후 실험하였다. 초미세먼지 상태를 추론하기 위해서 인공지능 분야의 지식획득 및 처리방법 중에 하나인 LEM1 규칙 생성 알고리즘을 활용하였다. 본 연구에서 초미세먼지 상태를 추론하기 위한 흐름도는 그림 1과 같다.

대상 데이터

5 초미세먼지의 등급 (“좋음”, “보통”, “나쁨”, “매우나쁨”)을 사용하였다. 공기질이 측정된 위치는 한국환경정책평가연구원이 위치한 서울 은평구 진흥로 215번지이며, 2016년과 2017년 4월 한 달 동안 매시간 측정된 데이터 1440건의 데이터를 수집했다 [8]. 그 중 등급분류가 결측인 부분을 제외한 데이터를 본 실험에 활용하였다.
많은 기계학습 알고리즘들이 그렇듯 모든 수치 값으로 표현된 데이터 범주화해야 하며 이를 데이터 이산화 (Data discretization)라 한다. 실험에서 규칙 생성을 위한 이산화 과정에서는 2016년과 2017년 4월 기상 데이터를 모두 이용하였고, 초미세먼지 상태 추론을 위한 규칙은 훈련 데이터 셋으로 2016년 4월의 기상 데이터를, 실험 데이터 셋으로 2017년 4월의 기상 데이터를 이용하였다. 본 연구에서는 다중-클래스 ROC (Receiver operating characteristic) 분석방법 [9]을 이용하여 이산화과정을 수행하였다.

데이터처리

전체적인 흐름을 요약하면 File_Reader 모듈을 통해 훈련 데이터 셋을 로드하고, 이산화알고리즘을 통해 데이터의 구간 의미화를 진행한 후, Rule induction 모듈을 통해 규칙을 생성한다. 그 후 Classifier 모듈을 통해 테스트 데이터를 분류하고 Rule_evaluator 모듈의 confusion matrix로 산출된 규칙의 성능을 평가하였다. 알고리즘 선정이유와 각 모듈에 대한 설명은 다음과 같다.

이론/모형

실험에서 규칙 생성을 위한 이산화 과정에서는 2016년과 2017년 4월 기상 데이터를 모두 이용하였고, 초미세먼지 상태 추론을 위한 규칙은 훈련 데이터 셋으로 2016년 4월의 기상 데이터를, 실험 데이터 셋으로 2017년 4월의 기상 데이터를 이용하였다. 본 연구에서는 다중-클래스 ROC (Receiver operating characteristic) 분석방법 [9]을 이용하여 이산화과정을 수행하였다. MAD 알고리즘의 선정 이유는 2가지 대표적인 이산화 알고리즘 (즉 MDLP [10]와 Chimerge [11]) 보다 보편적으로 우수한 성능을 보여주며, 통계적 평가척도로서 ROC (Receiver Operating Characteristic)와 AUC (Area Under the ROC) 값을 사용하기 때문이다.

성능/효과

2017년 4월 초미세먼지의 전체 추론 정확도는 71%이었다. 선행연구 [3]에서 보고된 초미세먼지 예보모델 (WRF v3.3과 CMAQ v4.7.1 활용한 경우 68%)과 간접적인 성능을 비교해 볼 때, 본 연구에서 제안된 방법이 약 3% 개선된 결과를 보였다.
따라서 본 연구에서는 인공지능 분야의 지식획득 및 처리방법 중에 하나인 LEM1 규칙 생성 알고리즘을 활용하여 2016년 4월의 기상 데이터를 활용해 2017년 4월의 초미세먼지 상태를 추론 하는 접근방법을 제안하였다. 기존의 선행된 예보모델과의 간접적인 비교에서 3% 개선된 71%의 추론 정확도를 보여주었다. ;

후속연구

향후 연구에서는 다양한 지형 및 교통량 정보를 활용하여 각 지형의 기상정보를 통해 추론된 초미세먼지 상태를 지식기반 시스템으로 구축하고자 하며, 유사한 지형에 초미세먼지 측정 장치가 없는 장소에서도 근사적으로 추론할 수 있는 방안을 모색할 계획이다. ;

질의응답

핵심어	질문	논문에서 추출한 답변
	미세먼지와 초미세먼지의 원인은 무엇인가?	미세먼지와 초미세먼지의 원인은 자연적, 인위적 요인에 의해 발생하는데 특히 산업 활동, 화석연료 등의 인위적인 요인에 많이 발생된다고 보고 있다. 최근 연구 조사에 따르면 서울시에서 시행중인 미세먼지 저감 대책 사업 이전 2002년 2007년에 교통량 증가와 함께 미세먼지 농도 증가 확인 되었다[4].
	ID3와 구별되는 LEM1의 장점은?	이에 ID3와 같은 방식은 가지치기 (Pruning) 깊이에 따라 결과가 매우 복잡하고 이해하기 힘들 때가 있다. 반면에 LEM1은 한번에 하나의 클래스에 집중하여 산출된 규칙을 검토하는데 효과적이고 전역적 탐색을 통해 추가적인 특징선택 (Feature selection)과정을 필요로 하지 않는 장점을 가진다 [13].
	미세먼지는 인체에 어떤 영향을 미치는가?	2015년도부터 시행된 연간 대기환경기준을 보면 대부분의 지역에서 기준치를 초과하고 있다 [1]. 이런 미세먼지는 천식과 같은 호흡기, 폐질환 및 심혈관계 질환 등을 유발하여 건강에 나쁜 영향을 끼친다 [2]. 불행히도 건강에 영향을 끼치는 미세먼지 (PM10) 예보는2013년에 시작되었고 초미세먼지 (PM2.

참고문헌 (13)

J. Lee, Y. Kim, Y. Kim, “Spatial Panel Analysis for PM2.5 Concentrations in Korea,” Journal of the Korean Data and Information Science Society, Vol. 28, No. 1, pp. 473-481, 2017 (in Korean).
G. Choo, G. Lee, M. Jung, “Analysis of Empirical Multiple Linear Regression Models for the Production of PM2.5 Concentrations,” Journal of the Korean Earth Science Society, Vol. 38, No. 4, pp. 283-292, Aug. 2017 (in Korean).

원문보기 상세보기
G. Ghim, Y. Choi, S. Kim, C. Bae, J. Park H. Shin, “Model Performance Evaluation and Bias Correction Effect Analysis for Forecasting PM2.5 Concentrations,” Journal of Korean Society for Atmospheric Environment, Vol. 33, No. 1, pp. 11-18, 2017 (in Korean).

원문보기 상세보기
J. Park, Y. Choi, W. Jung, “Understanding on Regional Characteristics of Particular Matter in Seoul-Distribution of Concentration in Borough Spatial Area and Relation With the Number of Registered Vehicles,” Journal of Environmental Science International, Vol. 26, No. 1, pp. 55-65, 2017 (in Korean).

원문보기 상세보기
D.J. Jacob, D.A. Winner, “Effect of Climate Change on air Quality,” Journal of Atmospheric Environment, Vol. 43, No. 1, pp. 51-63, 2009.

상세보기
B. No, G. Choi, “Development of IoT-based PM2.5 Measuring Device,” Journal of the Korean Society of Safety, Vol. 32, No. 1, pp. 21-26, 2017 (in Korean).
"Korea Meteorological Administration," [Online]. Available on http://web.kma.go.kr/eng/index.jsp. [Accessed: 31-Jan-2018].
"Airkorea," [Online]. Available on http://www.airkorea.or.kr/index. [Accessed: 13-Oct-2017].
M. Kurtcephe, H.A. Guvenir, "A Discretization Method Based on Maximizing the Area Under ROC Curve," Journal of Pattern Recognition and Artificial Intelligence, Vol. 27, No. 1, 2013.
U. Fayyad, K. Irani, "Multi-Interval Discretization of Continuous-Valued Attributes for Classification Learning," 1993.
R. Kerber, "ChiMerge: Discretization of Numeric Attributes," Proceedings of the Tenth National Conference on Artificial Intelligence, pp. 123-128, 1992.
J.W. Grzymala-Busse, "Rule Induction," in Data Mining and Knowledge Discovery Handbook, Springer, pp. 277-294. 2005.
J.W. Grzymala-Busse, W.J. Grzymala-Busse, "Handling Missing Attribute Values," in Data Mining and Knowledge Discovery Handbook, Springer, 2009, pp. 33-51.

LOADING...

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증