[논문]딥러닝 알고리즘 기반의 초미세먼지(PM2.5) 예측 성능 비교 분석

김영희; 장관종

doi:10.22156/cs4smb.2021.11.03.007

초록
AI-Helper

본 연구는 딥러닝(Deep Learning) 알고리즘 GAN 모델을 기반으로 초미세먼지(PM2.5) 인공지능 예측시스템을 개발한다. 실험 데이터는 시계열 축으로 생성된 온도, 습도, 풍속, 기압의 기상변화와 SO2, CO, O3, NO2, PM10와 같은 대기오염물질 농도와 밀접한 관련이 있다. 데이터 특성상, 현재시간 농도가 이전시간 농도에 영향을 받기 때문에 반복지도학습(Recursive Supervised Learning) 예측 모델을 적용하였다. 기존 모델인 CNN, LSTM의 정확도(Accuracy)를 비교분석을 위해 관측값(Observation Value)과 예측값(Prediction Value)간의 차이를 분석하고 시각화했다. 성능분석 결과 제안하는 GAN이 LSTM 대비 평가항목 RMSE, MAPE, IOA에서 각각 15.8%, 10.9%, 5.5%로 향상된 것을 확인하였다.

Abstract ▼ AI-Helper

This study develops an artificial intelligence prediction system for Fine particulate Matter(PM2.5) based on the deep learning algorithm GAN model. The experimental data are closely related to the changes in temperature, humidity, wind speed, and atmospheric pressure generated by the time series axi...

This study develops an artificial intelligence prediction system for Fine particulate Matter(PM2.5) based on the deep learning algorithm GAN model. The experimental data are closely related to the changes in temperature, humidity, wind speed, and atmospheric pressure generated by the time series axis and the concentration of air pollutants such as SO2, CO, O3, NO2, and PM10. Due to the characteristics of the data, since the concentration at the current time is affected by the concentration at the previous time, a predictive model for recursive supervised learning was applied. For comparative analysis of the accuracy of the existing models, CNN and LSTM, the difference between observation value and prediction value was analyzed and visualized. As a result of performance analysis, it was confirmed that the proposed GAN improved to 15.8%, 10.9%, and 5.5% in the evaluation items RMSE, MAPE, and IOA compared to LSTM, respectively.

주제어

표/그림 (12)

그림 Fig. 1. CNN architecture for time series prediction
그림 Fig. 2. LSTM Cell
그림 Fig. 3 Time series data seasonality plot
표 Table 1. Sample Data
표 Table 2. ADF Results
그림 Fig. 4. Iterated prediction procedure
그림 Fig. 5. CNN accuracy plot
그림 Fig. 6. LSTM accuracy plot
표 Table 3. Deep Learning Model Layout
표 Table 4. Deep Learning Model Parameters
표 Fig. 7. GAN accuracy plot
표 Table 5. Deep Learning Model Performance

AI 본문요약
AI-Helper

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

문제 정의

이를 임의적인 방법으로 데이터를 복구하였을 시 추후 결과도출에 미치는 영향을 클 수 있다. 본 논문에서는 해당지역을 1일(24시) 평균값으로 하는 선형보간법(liner interpolation)으로데이터를 보정하였다. Table 1.
본 논문은 이러한 문제들을 인공신경망으로 해결하기 위하여 시간대별로 변화하는 기상 조건과 대기오염물질, 미세먼지(PM10) 농도를 기반으로 초미세먼지 (PM2.5) 농도 변화을 예측하기 위하여 CNN(Convolution Neural Networks), LSTM(Long Short-Term Memory), GAN(Generative Adversarial Networks) 등의 모델에 대한 학습 정확도와 성능 등을 비교 분석하였다. 정확도 분석은 관측값와 예측값간의 차이를 시각화하였으며, 성능평가는 RMSE(Root Mean Square Error), MAPE(Mean Absolute Percentage Error), IOA(Index of Agreement) 등의 지표를 사용하였다.
본 논문은 인공지능을 활용한 예측 분야의 선행연구로서, 다양한 Deep Learning을 비교분석하였다. 연구 결과 기존 CNN, LSTM 모델보다 PM2.

가설 설정

(ⅲ) Max Pooling Layer는 Convolution Layer의 출력데이터를 입력으로 받아서 출력 데이터의 크기를 줄이거나 특정 데이터를 강조한 Feature를 생성한다. (ⅳ) Fully Connected Layer는 모든 Feature들이 평평하게 모든 뉴런에 연결된다. (ⅴ) Output Layer는 output을 내보낸다.
여기서 함수 는 deterministic function, 는 noise or random error이며, 입력변수()와는 서로 독립적이고 기댓값 확률(평균)은 를 가정한다. 데이터를 학습한다는 것은 training set _____ _에서 (3)의 모델함수 ^_{을 적용하여}_{를 만들어} 내는 과정이다.

대상 데이터

본 논문에서는 대기오염물질데이터는 airkorea.or.kr 에서 인천검단지역을 대상으로 2019년 01월 1일부터 2019년 12월 31일까지 1일(24시)의 시간단위로 총 8, 760건과 기상데이터는 data.kma.go.kr에서 인천 종관기상관측(ASOS)자료를 2019년 01월부터 2019년 12월 31일까지 1일(24시)의 시간단위로 총 8, 760건을 대상으로 시계열 데이터를 수집하였다. 해당 데이터들은 수집과정에서 수집센서의 고장과 수리 등으로 인해 손실된 데이터들이 존재하였다.

데이터처리

5) 농도 변화을 예측하기 위하여 CNN(Convolution Neural Networks), LSTM(Long Short-Term Memory), GAN(Generative Adversarial Networks) 등의 모델에 대한 학습 정확도와 성능 등을 비교 분석하였다. 정확도 분석은 관측값와 예측값간의 차이를 시각화하였으며, 성능평가는 RMSE(Root Mean Square Error), MAPE(Mean Absolute Percentage Error), IOA(Index of Agreement) 등의 지표를 사용하였다.

이론/모형

모든 시계열 데이터들은 평균(mean), 분산(variance), 자기상관(autocorrelation) 이 시간에 따라 일정해야 하는 것이다. 시계열데이터의 stationarity를 확인하는 방법은 여러가지 있지만, 본 논문에서는 공개 SW Eviews으로 ADF(Augmented Dickey-Fuller) 방법을 사용했다.

성능/효과

Table 5에서처럼 모델성능의 우선순위는 CNN, LSTM과 GAN 순이며, GANe LSTM 보다 RMSE(3.17354, 15.8%) MAPE(0.13492, 10.9%), IOA(0.99500, 5.4%) 등으로 각각 향상되었다.
연구 결과 기존 CNN, LSTM 모델보다 PM2.5에 가장 적합한 GAN의 모델이 성능평가 지표상 가장 우수한 것으로 나타났다. 다만, GAN의 관측값와 예측값의 특정 구간에서 차이(difference)가 높게 나타나는 것은 향후 개선해야 할 문제이다.

후속연구

5에 가장 적합한 GAN의 모델이 성능평가 지표상 가장 우수한 것으로 나타났다. 다만, GAN의 관측값와 예측값의 특정 구간에서 차이(difference)가 높게 나타나는 것은 향후 개선해야 할 문제이다. 또한, Table 5.

참고문헌 (17)

H. G. Yoo et al. (2020). Impact of Meteorological Conditions on the PM2.5 and PM10 concentrations in Seoul. Journal of Climate Change Research, 11(5-2), 521-528. DOI : 10.15531/KSCCR.2020.11.5.521

상세보기
S. H. Lee et al. (2019, 4). Characteristics of PM2.5 in Gwangju Evaluated by Factor Analysis. Journal of Environmental Science International, 28(4), 413-422 DOI : 10.5322/JESI.2019.28.4.413

원문보기 상세보기
S. J. Oh, J. W. Koo & U. M. Kim. (2017). Concentration Prediction Technique Based on Locality of Fine Dust Generation. The Institute of Electronics and Information Engineers, 1357-1360
A. Chaloulakou, G. Grivas & N. Spyrellis. (2003). Neural Network and multiple regression model for PM10 prediction in Athens: A comparative assessment. Journal of the Air & Waste Management Association, 53(10), 1183-1190.

상세보기
M. M. Dedovic, S. Avadakovic, I. Turkovic, N. Dautbasic & T. Konjic. (2016). Forecasting PM10 concentrations using neural networks and system for improving air quality. Proceeding of 2016 XI International Symposium on Telecommunications, 1-6.
D. J. Lim, T. H. Kim, R. Lee & H. M. Jung. (2017). LSTM-based Particulate Matter prediction for efficient road scattering dust removal path proposal. Korea Information Processing Society, 24(2), 1258-1261.
K. P. Ra, M. C. Kim, M. J. Kim, S. T. Lim & Y. G. Sim. (2019). A Study on The Prediction of The Fine-Dust Concentration Using RNN/LSTM. The Institute of Electronics and Information Engineers, 1400-1405.
K. W. Cho, Y. J. Jung, C. G. Kang & C. H. Oh. (2019). Conformity Assessment of Machine Learning Algorithm for Particulate Matter Prediction. The Korea Institute of Information and Communication Engineering, 23(1), 20-26.
I. H. Shin, Y. H. Moon & Y. J. Lee. (2019). Deep Learning Models for Fine Dust Prediction in Smart Cities. Journal of Computing Science and Engineering, 397-399
Y. Bengio, P. Simard & P. Frasconi. (1994). Learning long-term dependencies with gradient descent is difficult. Neural Networks, IEEE Transactions on, 5(2), 157-166.

상세보기
J. Y. Choi, D. H. Lee, J. Y. Kim & K. M. Jung. (2019), Air pollution prediction using deep learning based model. Journal of Computing Science and Engineering. 859-861.
C. J. Huang, P. H. Kuo. (2018). A Deep CNN-LSTM Model for Particulate Matter (PM2.5) Forecasting in Smart Cities. Sensors, 18(7):2220

상세보기
K. Zhang, G. Zhong, J. Dong, S. Wang & Y. Wang. (2019). Stock Market Prediction Based on Generative Adversarial Network. Procedia Computer Science, 147. 400-406. DOI:10.1016/j.procs.2019.01.256.

상세보기
K. W. Cho, Y. J. Jung, J. S. Lee & C. H. Oh. (2019). PM10 Particulate Matters Concentration Prediction using LSTM. The Korea Institute of Information and Communication Engineering, 23(2), 632-634
I. Goodfellow et al. (2014). Generative adversarial nets. Advances in Neural Information Processing Systems 27, Montreal, Quebec, Canada, 2672-2680.
Y. J. Lee, K. H. Seok. (2018). A study on the performance of generative adversarial networks. The Korean Data and Information Science Society, 29(5), 1155-1167.
I. Gulrajani, F. Ahmed, M. Arjovsky, V. Dumoulin & A. Courville, (2017). Imporved Training of Wasserstein GANs. arXiv preprint arXiv:1704.00028.

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

딥러닝 알고리즘 기반의 초미세먼지(PM2.5) 예측 성능 비교 분석
Comparison and analysis of prediction performance of fine particulate matter(PM2.5) based on deep learning algorithm 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (12)

표/그림 (12)

AI 본문요약
AI-Helper

문제 정의

가설 설정

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (17)

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

딥러닝 알고리즘 기반의 초미세먼지(PM2.5) 예측 성능 비교 분석 Comparison and analysis of prediction performance of fine particulate matter(PM2.5) based on deep learning algorithm 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (12) 모든 표/그림 보기

표/그림 (12) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

참고문헌 (17)

이 논문을 인용한 문헌

저자의 다른 논문 :

김영희 (22)

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

딥러닝 알고리즘 기반의 초미세먼지(PM2.5) 예측 성능 비교 분석
Comparison and analysis of prediction performance of fine particulate matter(PM2.5) based on deep learning algorithm 원문보기

초록
AI-Helper

표/그림 (12)

표/그림 (12)

AI 본문요약
AI-Helper