[논문]미세먼지 위험 단계 예측을 위한 1-D CRNN 모델 설계

이기혁; 황우성; 최명렬

doi:10.14400/jdc.2021.19.2.215

초록
AI-Helper

최근 국내 미세먼지 발생의 증가에 따라 발생하는 인체에 유해한 영향을 줄이기 위하여, 미세먼지 수치를 예측하고 사전 조치를 취할 수 있도록 돕는 기술이 필요해지고 있다. 본 논문에서는 국내 미세먼지 위험 수준을 예측하기 위한 1D Convolutional to Recurrent Neural Network (1-D CRNN) 모델을 제안한다. 제안 된 모델은 딥러닝 신경망의 CNN과 RNN을 결합한 구조이며, 다른 종류의 데이터로 구성된 시계열 데이터 세트에서 데이터 예측을 수행 할 수 있다. 데이터 예측을 위해 국내·외 미세먼지, 풍향, 풍속 데이터를 사용한다. 제안된 모델은 약 76%(부분 최대 84%)의 정확도를 달성했으며, 일반 RNN 모델(53%)보다 정확한 예측 결과를 얻었을 수 있었다. 제안된 모델은 향후 여러 개의 시계열 데이터 세트를 고려해야 하는 데이터 예측 모델 학습 및 실험을 목표로 한다.

Abstract ▼ AI-Helper

In order to reduce the harmful effects on the human body caused by the recent increase in the generation of fine dust in Korea, there is a need for technology to help predict the level of fine dust and take precautions. In this paper, we propose a 1D Convolutional-Recurrent Neural Network (1-D CRNN)...

In order to reduce the harmful effects on the human body caused by the recent increase in the generation of fine dust in Korea, there is a need for technology to help predict the level of fine dust and take precautions. In this paper, we propose a 1D Convolutional-Recurrent Neural Network (1-D CRNN) model to predict the level of fine dust in Korea. The proposed model is a structure that combines the CNN and the RNN, and uses domestic and foreign fine dust, wind direction, and wind speed data for data prediction. The proposed model achieved an accuracy of about 76%(Partial up to 84%). The proposed model aims to data prediction model for time series data sets that need to consider various data in the future.

주제어

표/그림 (5)

그림 Fig. 1. 1-D CRNN Model architecture diagram
그림 Fig. 2. Graph of loss function result
표 Table 1. Data categories used for each model
표 Table 2. PM prediction accuracy for each model
그림 Fig. 3. Graph of PM prediction for each model

참고문헌 (16)

H. S. Kim, Kim, D. S., Kim, H., & Yi, S. M. (2012). Relationship between mortality and fine particles during Asian dust, smog-Asian dust, and smog days in Korea. International journal of environmental health research, 22(6). 518-530.

상세보기
Y. P. Kim. (2006). (Invited paper)Air Pollution in Seoul Caused by Aerosols KOSAE, 22(5), 535-553.
Jeon, S., & Son, Y. S. (2018). Prediction of fine dust PM 10 using a deep neural network model. The Korean Journal of Applied Statistics, 31(2), 265-28

원문보기 상세보기
Kim, H. S., Kim, D. S., Kim, H., & Yi, S. M. (2012). Relationship between mortality and fine particles during Asian dust, smog-Asian dust, and smog days in Korea. International journal of environmental health research, 22(6). 518-530.

상세보기
Graves, A., & Schmidhuber, J. (2009). Offline handwriting recognition with multidimensional recurrent neural networks. In Advances in neural information processing systems, 545-552.
LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278-2324.

상세보기
Hinton, G. E., Osindero, S., & Teh, Y. W. (2006). A fast learning algorithm for deep belief nets. Neural computation, 18(7), 1527-1554.

상세보기
Montgomery, D. C., Peck, E. A., & Vining, G. G. (2012). Introduction to linear regression analysis (Vol. 821). Hoboken : John Wiley & Sons.
T. Y. Kim. (2019). Python Deep Learning Keras with Blocks. Seoul : Digital books.
Greff, K., Srivastava, R. K., Koutnik, J., Steunebrink, B. R., & Schmidhuber, J. (2016). LSTM: A search space odyssey. IEEE transactions on neural networks and learning systems, 28(10), 2222-2232.

상세보기
Christoffersen, P., & Jacobs, K. (2004). The importance of the loss function in option valuation. Journal of Financial Economics, 72(2), 291-318.

상세보기
Kingma, D. P., & Ba, J. (2014). Adam: A method for stochastic optimization.ar Xiv preprint arXiv, 1412.6980.
S. A. Park, & H. J. Shin. (2017). Analysis of the Factors Influencing PM2.5 in Korea : Focusing on Seasonal Factors. Journal of Environmental Policy and Administration, 25(1), 227-248.

상세보기
Korea Meteological Office. (2019). Yellow dust observation. Korea Meteorological Agency, Weather Data Opening Portal. https://data.kma.go.kr/data/climate/selectDustRltmList.do?pgmNo68
young-0. Beijing Air Quality: pm2.5. monthly comparison. http://www.young-0.com/airquality/
D. Y. Wi. (2017.11.2.) Fine dust prediction accuracy, actually only 50%. Electimes, No. 3345, p. 12.

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

미세먼지 위험 단계 예측을 위한 1-D CRNN 모델 설계
Design of a 1-D CRNN Model for Prediction of Fine Dust Risk Level 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (5)

표/그림 (5)

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

미세먼지 위험 단계 예측을 위한 1-D CRNN 모델 설계 Design of a 1-D CRNN Model for Prediction of Fine Dust Risk Level 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (5) 모든 표/그림 보기

표/그림 (5) 슬라이드로 보기

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

최명렬 (46)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

미세먼지 위험 단계 예측을 위한 1-D CRNN 모델 설계
Design of a 1-D CRNN Model for Prediction of Fine Dust Risk Level 원문보기

초록
AI-Helper

표/그림 (5)

표/그림 (5)