[논문]기상환경데이터와 머신러닝을 활용한 미세먼지농도 예측 모델

임준묵

doi:10.9716/kits.2019.18.1.173

기상환경데이터와 머신러닝을 활용한 미세먼지농도 예측 모델
An Estimation Model of Fine Dust Concentration Using Meteorological Environment Data and Machine Learning 원문보기

한국IT서비스학회지 = Journal of Information Technology Services, v.18 no.1, 2019년, pp.173 - 186

Abstract ▼ AI-Helper

Recently, as the amount of fine dust has risen rapidly, our interest is increasing day by day. It is virtually impossible to remove fine dust. However, it is best to predict the concentration of fine dust and minimize exposure to it. In this study, we developed a mathematical model that can predict the concentration of fine dust using various information related to the weather and air quality, which is provided in real time in 'Air Korea (http://www.airkorea.or.kr/)' and 'Weather Data Open Portal (https://data.kma.go.kr/).' In the mathematical model, various domestic seasonal variables and atmospheric state variables are extracted by multiple regression analysis. The parameters that have significant influence on the fine dust concentration are extracted, and using ANN (Artificial Neural Network) and SVM (Support Vector Machine), which are machine learning techniques, we proposed a prediction model. The proposed model can verify its effectiveness by using past dust and weather big data.

주제어

표/그림 (15)

그림 Weather Data Station Location Map (https://data.kma.go.kr/)
그림 Location of fine Dust Meter Station (http://www.airkorea.or.kr/)
표 Weather Related Data(https://data.kma.go.kr/)
표 Fine Dust Related Data(Air Korea)
표 Multiple Regression Analysis
그림 Estimation and Actual Value Distribution According to Regression Equation
표 Multi-Collinearity Analysis Result
표 Multi-Regression Analysis Result of Fine Dust Estimation
표 Accuracy of Multiple Regression Analysis Prediction Model
표 Result of Fine Dust Prediction by SVM
표 Accuracy of SVM Prediction Model
그림 ANN Model for Prediction of Fine Dust Concentration
표 Result of Fine Dust Prediction by ANN
표 Accuracy of ANN Prediction Model
표 Accuracy Comparison of Multiple Regression, SVM, and ANN Prediction Models

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

미세먼지 및 대기질 관련 빅데이터는 에어코리 아(Air Korea) 홈페이지에서 수집하였으며, 우리 나라의 대표적인 지역 중 한 군데를 지정하여 수집하였다. 데이터의 수집은 다양한 곳의 데이터를 수집하여 활용하는 것이 모델의 정확도를 높이는 데는 효과가 있을 것이지만, 그 양이 워낙 방대하여 예측모델 알고리즘의 학습을 수행하는 데 시간상의 물리적인 한계가 있을 것으로 판단되고, 수집된 자료가 미세먼지농도의 예측을 위해 제안하는 모델의 학습과 성과평가를 위해서 사용하는 것이 목적이므로 한 군데만의 자료를 가지고 충분한 성과가 도출되는지를 알아보는 것에 한정하기로 한다.
따라서 본 연구에서도 가장 적합한 은닉층의 노드 수를 정하기 위해서 사전실험을 수행하였다. 사전 실험결과로부터 은닉층의 노드 수가 7인 경우에 가장 높은 정확도를 보여, ANN의 본 모델에서도 은닉층의 노드 수를 7로 하였다.
본 연구에서는 에어코리아의 대기질 및 미세먼지 농도 측정치와 기상자료개방포털에서 실시간으로 제공하는 기상관련 다양한 정보를 활용하여 국내 계절성 변수들과 대기상태 변수들을 다중회귀 분석(multiple regression analysis)을 통해 미세 먼지농도에 유의한 영향을 미치는 변수를 추출하고, 그 변수들을 토대로 머신러닝(machine learning) 기법인 ANN(Artificial Neural Network)과 SVM (Support Vector Machine)을 사용하여 미세먼지 농도를 예측할 수 있는 모델을 제안한다.
위에서 살펴본 바와 같이 범주형 데이터의 분류 능력이 뛰어난 SVM을 활용하여 미세먼지의 범주형 예측을 수행하고자 한다.

제안 방법

kr/)에서 제공하는 기상자료 데이터는 종관기상관측장비(ASOS :　 Automated Synoptic Observing System)에 의한 자동관측과 목측에 의한 수동관측으로 실시된다. [Figure 1]과 같이 현재 전국에 94소를 운영하고 있고 지상 부근의 대기상태를 실시간으로 관측하기 위한 기본 장비로서 기온, 습도, 풍향, 풍속, 기압, 강수량, 일조, 일사, 지면온도, 초상온도, 지중온도를 매분 관측한다. 수동관측요소는 적설, 구름, 기타 일기현상 등이며, 실시간, 매 정시 또는 3시간 간격으로 관측한다.
고려하는 예측모델로는 앞의 문헌 연구(Joun et al., 2017; Oh et al., 2016)에서 살펴본 바와 같이 SVM(Support Vector Machine) 및 ANN(Artificial Neural Network)의 머신러닝기법이 다른 기법들에 비해서 상대적으로 우수한 성능을 보이는 것으로 실험적으로 밝혀졌으므로 같은 기법을 사용하기로 한다. 다만, 기상자료와 대기질 자료 등의 매우 많은 인자를 사용하므로 모델의 유의 인자를 선별하는 방법으로 다중선형회귀분석의 방법을 추가적으로 활용하기로 한다.
다시 말해, 초평면의 기울기인 gamma 값과 과적합에 따른 비용 cost의 최적조합을 결정하여 과적합 되지 않는 SVM 모델을 만들 수 있다. 따라서 과적합과 과소적합을 일으키지 않는 (cost, gamma) 값의 최적 조합이 중요한데, 본 연구에서는 R의 튜닝함수(tune.svm())와 사전실험을 통해서 결정하 였다. 튜닝을 위해 gamma값은 2^-1∼2¹을 cost 값은 2^-2~2^-5 을 사용하였고, 실험결과 (gamma, cost) = (0.
하지만 현재까지 우리나라의 미세먼지 측정소는 기상자료 측정소에 비해서 [Figure 2]에서 살펴본 바와 같이 매우 불규칙하게 설치되어 있고, 측정소가 설치되지 않은 장소가 많아서 예측에 어려움이 많다. 따라서본 연구에서는 기상자료개방포털로부터 실시간으로 얻을 수 있는 16개의 다양한 기상자료와 에어코 리아로부터 얻을 수 있는 4개의 대기질 관련 자료를 모두 수집하여, 모델의 입력변수로 활용한다.
수집된 기상관측자료는 기온, 강수량, 풍속, 풍향, 습도, 증기압, 이슬점온도, 현지기압, 해면기압, 일조, 일사, 전운량, 중하층운량, 최저운고, 시정, 지면온도의 16가지 자료이다. 미세먼지 관련 자료와 수집기간은 2014년 1월 1일 00시부터 2017년 9월 30일 00시 까지로 미세먼지관련 자료와 연월일시가 일치하도록 하였다. [Table 2]는 기상자료개방포털에서 일시별로 수집한 자료의 종류와 측정단위를 보여준다.
미세먼지관련 빅데이터와 기상관련 빅데이터는 서로 다른 테이블에 존재하는데, 우선 공통되는 날짜(년-월-일-시)를 키(key)로 하여 하나로 결합 하였고, 미세먼지(PM10)를 종속변수로 하고 나머지 미세먼지관련자료(4), 기상자료(16), 날짜(월-시)(2)의 총 22개의 측정값을 독립변수로 설정하 였다.
미세먼지에 대한 측정값 (PM10)은 앞에서 언급한 기준에 따라 ‘매우나쁨’, ‘나쁨’, ‘보통’, ‘좋음’의 네 가지 범주로 구분하여 사용하였다.
앞에서 기상자료를 활용하여 미세먼지농도를 예측하기 위한 모델로 다중회귀분석, SVM, ANN의세 가지를 활용하였고, 2,784개의 시험자료에 대해서 각각 예측을 수행하고 정확도를 평가하였다.
출력층은 최종 예측변수인 미세먼지(PM10)을 고려하여 1개의 노드로 구성하였다. 에어코리아에서 처음에 주어지는 미세먼지(PM10)값은 단위가 (㎍/㎥)인 실수 값이므로, 그대로 실수 값으로 사용 하였으며 다만 ANN의 출력 값 특성을 고려하여 0～1사이의 표준화된 값으로 변환하여 사용하였다.
위에서 얻어진 ANN 예측모델을 활용하여 2,784 개의 시험자료에 대해서 예측을 수행하였고 요약 하면 [Table 9]와 같다.
이제 최종적으로 남은 13개의 독립변수(O₃ , CO, SO₂, 강수량, 풍속, 풍향, 일조, 일사, 전운량, 중하층 운량, 최저운고, 시정, 달(월))을 대상으로 종속변수 (PM10)에 대한 다중회귀분석을 수행하였다.
입력층의 각 노드에는 다중회귀분석에서 독립변 수로 결정되었던 13개의 변수(O₃, CO, SO₂, 강수량, 풍속, 풍향, 일조, 일사, 전운량, 중하층운량, 최저운 고, 시정, 달(월))를 사용하였고, 각 입력 노드(node) 에 각 기상자료 값을 할당하였다. 입력층으로 입력 되는 학습자료는 다중회귀분석에서 사용하였던 자료와 같은 자료를 사용하였으며, 또한 SVM에서와 마찬가지로 0～1사이의 표준화된 값을 사용하였다.
일반적으로 ANN은 [입력층(input layer)-은닉 층(hidden layer)-출력층(output layer)]으로 구성 되는데 본 연구에서도 3층의 다층모형을 사용하였 다. 입력층의 각 노드에는 다중회귀분석에서 독립변 수로 결정되었던 13개의 변수(O₃, CO, SO₂, 강수량, 풍속, 풍향, 일조, 일사, 전운량, 중하층운량, 최저운 고, 시정, 달(월))를 사용하였고, 각 입력 노드(node) 에 각 기상자료 값을 할당하였다. 입력층으로 입력 되는 학습자료는 다중회귀분석에서 사용하였던 자료와 같은 자료를 사용하였으며, 또한 SVM에서와 마찬가지로 0～1사이의 표준화된 값을 사용하였다.
제안 모델은 과거의 미세먼지 및 기상데이터를 활용하여 그 효과성을 검증할 것이다.
출력층은 최종 예측변수인 미세먼지(PM10)을 고려하여 1개의 노드로 구성하였다. 에어코리아에서 처음에 주어지는 미세먼지(PM10)값은 단위가 (㎍/㎥)인 실수 값이므로, 그대로 실수 값으로 사용 하였으며 다만 ANN의 출력 값 특성을 고려하여 0～1사이의 표준화된 값으로 변환하여 사용하였다.
하지만 예측에 있어서 시간적인 요소는 매우 중요하므로 제안하는 모델에 측정한 데이터의 해당 월과 시를 입력변수로 포함시켜 예측에 있어서 계절성과 시간적인 요인을 포함하도록 한다.
구성된 ANN에 대해서 30,000개의 학습자료를 사용하여 ANN의 weight 값들을 훈련시켰다. 학습 에서는 R프로그램의 neuralnet() 패키지를 사용하 였으며, 은닉층의 노드 수는 7로 하였다. 학습 후최종적으로 얻어진 ANN 미세먼지 예측모델과 입력층, 은닉층, 출력층간의 각 아크(arc)에 대한 가중치 최종값을 [Figure 4]에서 확인할 수 있다.

대상 데이터

SVM의 실행을 위해서 R 프로그램의 e1071 패키기를 사용하였다. Soft margin SVM 방법을 선택하였고, 커널은 비선형 함수인 다양한 형태의 데이터에서 가장 잘 수행되는 Gaussian RBF(Radial Basis Function) 커널인 ‘radial’을 선택했다(Liu et al.
구성된 ANN에 대해서 30,000개의 학습자료를 사용하여 ANN의 weight 값들을 훈련시켰다. 학습 에서는 R프로그램의 neuralnet() 패키지를 사용하 였으며, 은닉층의 노드 수는 7로 하였다.
기상자료개방포털(https://data.kma.go.kr/)에서 제공하는 기상자료 데이터는 종관기상관측장비(ASOS :　 Automated Synoptic Observing System)에 의한 자동관측과 목측에 의한 수동관측으로 실시된다. [Figure 1]과 같이 현재 전국에 94소를 운영하고 있고 지상 부근의 대기상태를 실시간으로 관측하기 위한 기본 장비로서 기온, 습도, 풍향, 풍속, 기압, 강수량, 일조, 일사, 지면온도, 초상온도, 지중온도를 매분 관측한다.
년-월-일-시에 따라 수집된 총 자료의 수는 32,784개의 자료이다. 이 중에서 임의로 30,000개의 자료를 추출하여 훈련을 위한 자료로 사용하였 고, 나머지 2,784개의 자료는 예측모형의 정확도를 평가하기 위한 시험자료로 사용하였다.
미세먼지 및 대기질 관련 빅데이터는 에어코리 아(Air Korea) 홈페이지에서 수집하였으며, 우리 나라의 대표적인 지역 중 한 군데를 지정하여 수집하였다. 데이터의 수집은 다양한 곳의 데이터를 수집하여 활용하는 것이 모델의 정확도를 높이는 데는 효과가 있을 것이지만, 그 양이 워낙 방대하여 예측모델 알고리즘의 학습을 수행하는 데 시간상의 물리적인 한계가 있을 것으로 판단되고, 수집된 자료가 미세먼지농도의 예측을 위해 제안하는 모델의 학습과 성과평가를 위해서 사용하는 것이 목적이므로 한 군데만의 자료를 가지고 충분한 성과가 도출되는지를 알아보는 것에 한정하기로 한다.
본 연구에서는 미세먼지 농도의 예측을 위해서 미세먼지 농도와 상관관계가 매우 높을 것으로 밝혀진 기상자료와 대기질 관련 환경자료를 활용하 였다.
여기서 미세 먼지(PM10)는 (㎍/㎥)으로 측정되지만 일반적으로 다음과 같이 4가지 범주((좋음(0～30 이하), 보통 (31～80 이하), 나쁨(81～150 이하), 매우나쁨(151 초과))로 나누어 사용한다. 수집기간은 2014년 1월 1일 00시부터 2017년 9월 30일 00시까지의 1시간 단위로 측정한 3년 9개월간의 자료이다.
따라서 서울기상관측소로부터 측정된 기상관련 자료를 ‘기상자료개방포털’로부터 얻을 수 있다. 수집된 기상관측자료는 기온, 강수량, 풍속, 풍향, 습도, 증기압, 이슬점온도, 현지기압, 해면기압, 일조, 일사, 전운량, 중하층운량, 최저운고, 시정, 지면온도의 16가지 자료이다. 미세먼지 관련 자료와 수집기간은 2014년 1월 1일 00시부터 2017년 9월 30일 00시 까지로 미세먼지관련 자료와 연월일시가 일치하도록 하였다.
년-월-일-시에 따라 수집된 총 자료의 수는 32,784개의 자료이다. 이 중에서 임의로 30,000개의 자료를 추출하여 훈련을 위한 자료로 사용하였 고, 나머지 2,784개의 자료는 예측모형의 정확도를 평가하기 위한 시험자료로 사용하였다.
지정한 장소는 서울시 종로구 종로 169(종묘주 차장 앞)이며 수집한 자료는 미세먼지(PM10), 오존 (O₃), 이산화질소(NO₂), 일산화탄소(CO), 아황산 가스(SO₂)의 다섯 가지 측정값이다. 여기서 미세 먼지(PM10)는 (㎍/㎥)으로 측정되지만 일반적으로 다음과 같이 4가지 범주((좋음(0～30 이하), 보통 (31～80 이하), 나쁨(81～150 이하), 매우나쁨(151 초과))로 나누어 사용한다.

데이터처리

제 4장에서는 머신러닝과 관련된 미세먼지 예측모델로 다중회귀 분석, SVM(Support Vector Machine) 및 ANN (Artificial　Neural　Network)을 활용한 미세먼지 예측모델을 도출하였다. 마지막으로 제시한 3가지 모델의 결과를 비교하고 결론을 도출하였다.
정밀도와 민감도를 종합(조화평균)하여 보여주는 F-measure를 중심으로 다중회귀, SVM, ANN 모델의 정확도를 비교하기로 한다.
튜닝을 위해 gamma값은 2-1∼21을 cost 값은 2-2~2-5 을 사용하였고, 실험결과 (gamma, cost) = (0.5, 1.0)에서 최적의 결과를 보여줌을 확인하고 SVM 예측에서 매개변수로 사용하였다.

이론/모형

Soft margin SVM 방법을 선택하였고, 커널은 비선형 함수인 다양한 형태의 데이터에서 가장 잘 수행되는 Gaussian RBF(Radial Basis Function) 커널인 ‘radial’을 선택했다(Liu et al., 2015).
본 절에서는 미세먼지의 예측을 위해서 ANN 기법을 사용하였다.
본 절에서는 미세먼지의 예측을 위해서 SVM(Support Vector Machine)기법을 사용하였다.
예측을 위한 모델로는 다중회귀분석, SVM, ANN 을 사용하였다. 각 예측모델에 대해서 시험자료를 바탕으로 예측을 수행한 결과 예측 정확도는 ‘보 통/좋음’의 범주에서 다중회귀 : SVM : ANN = 95.

성능/효과

각 예측모델에 대해서 시험자료를 바탕으로 예측을 수행한 결과 예측 정확도는 ‘보 통/좋음’의 범주에서 다중회귀 : SVM : ANN = 95.8% : 96.2% : 96.2%를 얻어 세 모델 모두 95% 이상의 매우 높은 정확도를 보임을 확인할 수 있었다.
일반적으로, 다중공선성 값이 5 이상이면 해당 변수가 다른 변수와 상관관계가 높아 변수의 회귀 계수 추정을 어렵게 하여 위험하며, 10 이상이면 ‘매우위험’이라고 알려져 있다(Tofallis, 2016). 따라서 다중공선성 결과값이 10을 넘는 기온, 습도, 증기압, 이슬점온도, 지면온도의 5개변수를 2차적 으로 제거하였고, 5를 넘는 NO₂와 SO₂는 피어슨의 상관계수값이 0.9를 넘는 것으로 조사되어 다중공선성값이 더 높은 NO₂를 제거하였다.
와 같다. 따라서, 정밀도 측면에서는 종합적으로 ANN 을 사용한 예측모델이 가장 정밀도를 보임을 알 수있다.
로 나타나 모델간의 차이도 상당히 크고, 정확도 측면에서도 SVM과 다중회귀는 매우 낮은 반면, ANN은 55.9%로 상대적으로 높게 나타났다.
반면에 ‘나쁨/매우나쁨’의 범주에서는 다중 회귀 : SVM : ANN = 40.2% : 35.4% : 55.9%를 보여 세 모델 모두 높지 않은 정확도를 보였으나 ANN 모델의 경우가 상대적으로 높은(55.9%) 정확도를 보였다.
따라서 본 연구에서도 가장 적합한 은닉층의 노드 수를 정하기 위해서 사전실험을 수행하였다. 사전 실험결과로부터 은닉층의 노드 수가 7인 경우에 가장 높은 정확도를 보여, ANN의 본 모델에서도 은닉층의 노드 수를 7로 하였다.
9%) 정확도를 보였다. 종합적으로 볼 때, 기상환경자료와 머신러닝기법 중의 하나인 ANN을 활용한 미세먼지 예측모델은 매우 효과가 높은 것으로 판단 된다.
종합적으로 볼 때, 미세먼지와 대기질관련 자료를 사용하고 예측 알고리즘으로 ANN을 사용한 미세먼지 예측모델이 가장 높은 정확도를 보임을 실험의 결과를 통해서 알 수 있다.
회귀식의 정확도를 평가하기 위해 MAPE(mean absolute percentage error) 값을 계산한 결과 47.25를 얻었다. MAPE 값이 50 이하로 매우 합리적인 예측이 되고 있음을 알 수 있다(Tofallis, 2016).

후속연구

, 2016)에서 살펴본 바와 같이 SVM(Support Vector Machine) 및 ANN(Artificial Neural Network)의 머신러닝기법이 다른 기법들에 비해서 상대적으로 우수한 성능을 보이는 것으로 실험적으로 밝혀졌으므로 같은 기법을 사용하기로 한다. 다만, 기상자료와 대기질 자료 등의 매우 많은 인자를 사용하므로 모델의 유의 인자를 선별하는 방법으로 다중선형회귀분석의 방법을 추가적으로 활용하기로 한다.
다만, 본 연구의 결과비교에서 살펴본 바와 같이 예측모델의 한계로 나타난 ‘나쁨/매우나쁨’의 범주에서는 정확도가 높지 않은 편으로 해당범주의 예측율을 높이기 위한 모델의 보완이 추가적으로 요구된다.
또한 시간적 물리적 제약으로 인해 특정 장소에서만의 기상환경자료를 활용하여 모델을 학습하고 시험하였으나, 모델의 정확도를 보다더 높이기 위해서는 다양한 곳의 기상환경데이터를 확보하여 학습할 수 있도록 하여야 할 것이다. 더불어 약 3년간의 기상환경데이터를 확보하여 예측에 활용하였으나 머신러닝과 빅데이터분석의 장점을 충분히 활용하기 위해서 확보가능한 과거의 충분한 데이터를 확보하여 학습에 활용하면 ‘나쁨/ 매우나쁨’의 범주예측에서 나타난 정확도의 한계를 극복할 수 있을 것으로 판단된다.
일반적으로 미세먼지농도에 큰 영향을 미치는 요소는 기상데이터및 대기환경데이터를 들 수 있는데, 이 데이터들은 방대한 양의 빅데이터로 기존의 일반적인 통계기법 으로 예측할 경우 그 정확도가 낮아질 수 있는 단점이 있었다. 또한 본 연구에서 제안한 미세먼지농도 예측모델은 국외적인 요인이나 기타 환경적인 요인을 고려하지 않고, 손쉽게 획득이 가능한 기상및 대기환경자료만을 가지고도 미세먼지의 예측을 효과적으로 수행할 수 있음을 보이고 있어 실무적 활용도가 매우 높을 것으로 판단된다.
다만, 본 연구의 결과비교에서 살펴본 바와 같이 예측모델의 한계로 나타난 ‘나쁨/매우나쁨’의 범주에서는 정확도가 높지 않은 편으로 해당범주의 예측율을 높이기 위한 모델의 보완이 추가적으로 요구된다. 또한 시간적 물리적 제약으로 인해 특정 장소에서만의 기상환경자료를 활용하여 모델을 학습하고 시험하였으나, 모델의 정확도를 보다더 높이기 위해서는 다양한 곳의 기상환경데이터를 확보하여 학습할 수 있도록 하여야 할 것이다. 더불어 약 3년간의 기상환경데이터를 확보하여 예측에 활용하였으나 머신러닝과 빅데이터분석의 장점을 충분히 활용하기 위해서 확보가능한 과거의 충분한 데이터를 확보하여 학습에 활용하면 ‘나쁨/ 매우나쁨’의 범주예측에서 나타난 정확도의 한계를 극복할 수 있을 것으로 판단된다.
측정소를 모든 곳에 설치하기에는 어려운 것이 현실이다. 하지만 기상자료개방포털에서 제공하는 기상자료데이터는 전국에 골고루 위치하고 있기 때문에 기상자료를 기반으로 한 미세먼지농도를 예측 하는 수리모델을 개발하게 된다면 관측재원(측정 소)이 없는 곳에서도 미세먼지 농도를 예측 할 수있기 때문에 미세먼지에 의한 피해를 예방하는데 도움이 될 것이다.
, 2016)은 5개의 기상인자(일기유형, 기온, 상대습도, 풍속, 풍향)만을 고려하고 머신러닝 기법을 활용하여 미세먼지를 예측 하는 모형을 제시하였는데, Multilayer Perceptron (MLP) 알고리즘이 가장 좋은 성능을 나타냄을 보였다. 하지만 사용한 기상인자의 정보가 한정되어 있고, 미세먼지 농도와 직접적으로 관련이 있는 대기질의 자료를 배제하여 정확성에 한계를 보였다.
, 2010). 하지만 주어진 예보시스템에서는 오늘의 미세먼지측정치와 기상자료를 바탕으로 내일의 미세먼지를 예측하는 것으로서, 미세먼지의 측정치가 없는 지역에 대한 예측은 원천적으로 불가 능하여, 본 연구에서 지향하는 모든 지역에서의 미세먼지농도 예측을 위한 모형에 직접적으로 활용 하는 데는 한계가 있다.

참고문헌 (14)

Cha, J.W. and J.Y. Kim, "Development of Data Mining Algorithm for Implementation of Fine Dust Numerical Prediction Model", Journal of the Korea Institute of Information and Communication Engineering, Vol.22, No.4, 2018, 595-601.
Cortes, C. and V. Vapnik, "Support-vector networks", Machine Learning, Vol.20, No.3, 1995, 273-297.

상세보기
Hagan, M.T., H.B. Demuth, M.H. Beale, and O. Jesus, Neural Network Design (2nd Edition), Martin Hagan, 2014.
Joun, S.W., J.Y. Choi, and J.H. Bae, "Performance Comparison of Algorithms for the Prediction of Fine Dust Concentration", Proceedings of Korea Computer Congress, The Korean Institute of Information Scientists and Engineers, No.12, 2017, 775-777.
Kang, T.C. and H.B. Kang, "Machine Learningbased Estimation of the Concentration of Fine Particulate Matter Using Domain Adaptation Method", Journal of Korea Multimedia Society, Vol.20, No.8, 2017, 1208-1215.
Koo, Y.S., H.Y. Yun, H.Y. Kwon, and S.H. Yu, "A Development of PM10 Forecasting System", Journal of Korean Society for Atmospheric Environment, Vol.26, No.6, 2010, 666-682.
Lee, J.G., Multivariate Analysis and Data Mining with R, Hwangso Academy, 2016.
Lee, M.H., Korea-China collaborative study to abate trans-boundary air pollution(II), National Institute of Environmental Research, Research Report, 2016. 6.
Liu, Z., M.J. Zuo, X. Zhao, and H. Xu, "An Analytical Approach to Fast Parameter Selection of Gaussian RBF Kernel for Support Vector Machine", Journal of Information Science and Engineering, Vol.31, No.2, 2015, 691-710.

상세보기
Oh, B.D., J.H. Park, and Y.S. Kim, "Prediction of the concentration of PM10 using Machine-Learning", Proceedings of The Korean Institute of Information Scientists and Engineers Winter Conferences, No.12, 2016, 1674-1676.
Oh, J.M., H.S. Shin, Y.S. Shin, and H.C. Jeong, "Forecasting the Particulate Matter in Seoul using a Univariate Time Series Approach", Journal of the Korean Data Analysis Society, Vol.19, No.5, 2017, 2457-2468.
Shin, E.K., J. Kim, and Y. Choi, "A Study on the Data Model Design of Fine Dust Related Disease", Journal of The Korea Society of Information Technology Policy & Management, Vol.10, No.1, 2018, 655-659.
Shin, M.K., C.D. Lee, H.S. Ha, C.S. Choe, and Y.H. Kim, "The Influence of Meteorological Factors on PM10 Concentration in Incheon", Journal of Korean Society for Atmospheric Environment, Vol.23, No.3, 2007, 322-331.
Tofallis, C., "A Better Measure of Relative Prediction Accuracy for Model Selection and Model Estimation", Journal of the Operational Research Society, Vol.66, No.8, 2016, 1352-1362.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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