[논문]미세먼지 농도 예측을 위한 딥러닝 알고리즘별 성능 비교

조경우; 정용진; 오창헌

doi:10.12673/jant.2021.25.5.409

미세먼지 농도 예측을 위한 딥러닝 알고리즘별 성능 비교
Comparative Study of Performance of Deep Learning Algorithms in Particulate Matter Concentration Prediction 원문보기

한국항행학회논문지 = Journal of advanced navigation technology, v.25 no.5, 2021년, pp.409 - 414

조경우 (한국정보통신기술협회 AI시험검증팀) , 정용진 (한국기술교육대학교 전기전자통신공학과) , 오창헌 (한국기술교육대학교 전기전자통신공학과)

초록
AI-Helper

미세먼지에 대한 심각성이 사회적으로 대두됨에 따라 대중들은 미세먼지 예보에 대한 정보의 높은 신뢰성을 요구하고 있다. 이에 따라 다양한 신경망 알고리즘을 이용하여 미세먼지 예측을 위한 연구가 활발히 진행되고 있다. 본 논문에서는 미세먼지 예측을 위해 다양한 알고리즘으로 연구되고 있는 신경망 알고리즘들 중 대표적인 알고리즘들의 예측 성능 비교를 진행하였다. 신경망 알고리즘 중 DNN(deep neural network), RNN(recurrent neural network), LSTM(long short-term memory)을 이용하였으며, 하이퍼 파라미터 탐색을 이용하여 최적의 예측 모델을 설계하였다. 각 모델의 예측 성능 비교 분석 결과, 실제 값과 예측 값의 변화 추이는 전반적으로 좋은 성능을 보였다. RMSE와 정확도를 기준으로 한 분석에서는 DNN 예측 모델이 다른 예측 모델에 비해 예측 오차에 대한 안정성을 갖는 것을 확인하였다.

Abstract ▼ AI-Helper

The growing concerns on the emission of particulate matter has prompted a demand for highly reliable particulate matter forecasting. Currently, several studies on particulate matter prediction use various deep learning algorithms. In this study, we compared the predictive performances of typical neural networks used for particulate matter prediction. We used deep neural network(DNN), recurrent neural network, and long short-term memory algorithms to design an optimal predictive model on the basis of a hyperparameter search. The results of a comparative analysis of the predictive performances of the models indicate that the variation trend of the actual and predicted values generally showed a good performance. In the analysis based on the root mean square error and accuracy, the DNN-based prediction model showed a higher reliability for prediction errors compared with the other prediction models.

주제어

표/그림 (5)

그림 그림 1. 데이터셋 구조 Fig. 1. Structure of dataset
표 표 1. 주요 데이터 수집 Table. 1. Collected data
표 표 2. 하이퍼 파라미터 탐색 결과 Table. 2. Hyper parameter search result
그림 그림 2. 모델별 미세먼지 농도(PM₁₀) 예측 결과 Fig. 2. PM₁₀ prediction result
표 표 3. 모델별 예측 성능 비교 Table. 3. Prediction performance comparison

AI 본문요약
AI-Helper

제안 방법

미세먼지 농도를 예측하기 위해 많은 연구에 사용되고 있는 신경망 알고리즘을 이용하여 미세먼지 농도 예측에 적합한 알고리즘 선정을 위해 모델 별 성능 분석 및 평가를 진행하였다. 이를 위해 천안 지역에서 10년 간 측정한 기상 및 대기오염 물질 데이터를 수집하였다.
본 논문에서는 동일한 데이터를 이용하여 다양한 신경망 알고리즘을 통한 미세먼지 예측 모델을 구축한 후 알고리즘 별 성능 비교 분석을 진행하였다. DNN, RNN, LSTM 알고리즘을 사용하여 미세먼지 농도 예측을 위한 3가지 신경망 모델의 성능 평가를 위해 전체 정확도, AQI(air quality index) 기준의 세부 정확도, RMSE(root mean square error)를 이용하여 진행한다.
신경망 알고리즘을 이용하여 구축된 예측 모델들의 성능 비교를 위해 실제 값과 예측 값의 추세 변화를 확인하였다. 그리고 RMSE와 AQI 기준으로 구분하여 세부 예측 정확도를 확인하였다.
하이퍼 파라미터 탐색을 통해 도출된 최적의 값을 적용하여 각 모델의 설계를 진행하였으며, training set을 이용하여 각 모델의 학습을 진행하였다. 이후 test set을 이용하여 각 모델의 학습 결과인 예측 값을 통해 성능 평가를 진행하였다.

대상 데이터

예측 모델 설계 및 실험을 위해 사전 연구의 결과를 기반으로 데이터를 구성하였다. 데이터의 경우 천안시에서 2009년부터 2018년 동안 1시간 간격으로 측정한 데이터 중 표 1과 같이 주요 데이터를 선정하여 수집하였다. 수집된 데이터 중 환경 및 장비에 따라 측정이 되지 않은 데이터들이 존재였으며, 효율적인 학습을 위해 동일 시간의 모든 데이터를 제거하여 구성하였다.
데이터의 경우 천안시에서 2009년부터 2018년 동안 1시간 간격으로 측정한 데이터 중 표 1과 같이 주요 데이터를 선정하여 수집하였다. 수집된 데이터 중 환경 및 장비에 따라 측정이 되지 않은 데이터들이 존재였으며, 효율적인 학습을 위해 동일 시간의 모든 데이터를 제거하여 구성하였다.
이를 위해 천안 지역에서 10년 간 측정한 기상 및 대기오염 물질 데이터를 수집하였다. 수집한 데이터는 예측 모델의 학습에 사용하기 위해 training set, validation set, test set으로 구성하였다. 그리고 데이터의 특성이 서로 다를 경우 발생하는 학습 문제를 최소화하기 위해 전처리를 진행하였다.
예측 모델 설계 및 실험을 위해 사전 연구의 결과를 기반으로 데이터를 구성하였다. 데이터의 경우 천안시에서 2009년부터 2018년 동안 1시간 간격으로 측정한 데이터 중 표 1과 같이 주요 데이터를 선정하여 수집하였다.
미세먼지 농도를 예측하기 위해 많은 연구에 사용되고 있는 신경망 알고리즘을 이용하여 미세먼지 농도 예측에 적합한 알고리즘 선정을 위해 모델 별 성능 분석 및 평가를 진행하였다. 이를 위해 천안 지역에서 10년 간 측정한 기상 및 대기오염 물질 데이터를 수집하였다. 수집한 데이터는 예측 모델의 학습에 사용하기 위해 training set, validation set, test set으로 구성하였다.

데이터처리

본 논문에서는 동일한 데이터를 이용하여 다양한 신경망 알고리즘을 통한 미세먼지 예측 모델을 구축한 후 알고리즘 별 성능 비교 분석을 진행하였다. DNN, RNN, LSTM 알고리즘을 사용하여 미세먼지 농도 예측을 위한 3가지 신경망 모델의 성능 평가를 위해 전체 정확도, AQI(air quality index) 기준의 세부 정확도, RMSE(root mean square error)를 이용하여 진행한다.
신경망 알고리즘을 이용하여 구축된 예측 모델들의 성능 비교를 위해 실제 값과 예측 값의 추세 변화를 확인하였다. 그리고 RMSE와 AQI 기준으로 구분하여 세부 예측 정확도를 확인하였다. 각 모델을 통해 도출된 추세 변화의 경우 모델에 따른 큰 차이는 보이지 않았다.
이후 test set을 이용하여 각 모델의 학습 결과인 예측 값을 통해 성능 평가를 진행하였다. 성능 평가의 기준으로 RMSE를 사용하였으며, 세부 예측 정확도 파악을 위해 AQI 지수 별 정확도를 이용하였다.
하이퍼 파라미터 탐색을 통해 도출된 최적의 값을 적용하여 각 모델의 설계를 진행하였으며, training set을 이용하여 각 모델의 학습을 진행하였다. 이후 test set을 이용하여 각 모델의 학습 결과인 예측 값을 통해 성능 평가를 진행하였다. 성능 평가의 기준으로 RMSE를 사용하였으며, 세부 예측 정확도 파악을 위해 AQI 지수 별 정확도를 이용하였다.
예측 모델의 경우, 학습 강도에 따라 다양한 결과를 보이게 되며, 최적의 결과를 도출하기 위해 학습 강도와 관련된 여러 파라미터들의 최적화가 필요하다. 파라미터 최적화를 위해 하이퍼 파라미터 그리드를 사용하였으며 표 2는 상위 3순위에 해당하는 하이퍼 파라미터 탐색 결과이다. 이에 따라 1순위에 해당하는 파라미터를 적용하여 DNN 기반 예측 모델의 설계를 진행하였다.

이론/모형

풍향의 경우 16방위로 표현되는 범주형 데이터임에 따라 one-hot encoding을 통해 0과 1의 벡터형으로 변환하였으며, 그 외의 데이터는 각기 다른 스케일을 min max scaling을 이용하여 수치 표현의 범위를 0부터 1사이 값으로 변환하였다. 예측 모델의 성능 평가를 위해 사용될 신경망 알고리즘은 DNN, RNN, LSTM으로 최적의 예측 성능을 위해 각 알고리즘에 적용되는 파라미터의 최적 값이 필요하다. 이를 위해 하이퍼 파라미터 탐색을 통해 도출된 최적의 값을 적용하여 모델을 설계하였다.

성능/효과

AQI 지수 기준의 ‘좋음’ 수준 예측 정확도는 RNN 모델이 84.28%로 가장 높은 정확도를 보였으며, ‘보통’의 경우 93.14%로 DNN 모델이 가장 높은 정확도를 보였다
RMSE와 전체 정확도를 기준으로 DNN과 RNN을 비교할 경우, RNN이 DNN보다 예측의 정확도는 높으나 예측에 성공하지 못한 샘플들의 오차 범위가 DNN보다 큰 것을 확인할 수 있다. 이러한 경우 DNN이 RNN에 비해 오차 범위에 대해 보다 더 안정적이라 평가할 수 있다.
각 모델을 통해 도출된 추세 변화의 경우 모델에 따른 큰 차이는 보이지 않았다. 그러나 RMSE와 정확도를 이용한 성능 비교에서는 DNN이 다른 알고리즘보다 낮은 RMSE를 보이며 안정성 있는 예측 값을 보였으며, RNN의 경우 다른 알고리즘보다 안정성은 다소 떨어지나 높은 정확도를 보이는 것으로 확인하였다.
미세먼지 농도 예측에 있어 실제 값과 예측 값의 일치와 불일치에 대한 정확성도 중요하지만 넓은 농도 범위를 감안하였을 경우 오차범위가 적은 DNN 예측 모델이 적합하다 판단된다. 향후, 신경망 알고리즘과 불규칙적인 미세먼지 특성을 효율적으로 판단하기 위한 알고리즘의 연구를 진행할 계획이며, 이를 이용하여 보다 좋은 예측 성능의 모델 구축을 통해 신뢰성이 높은 예측 정보의 활용을 높일 수 있을 것으로 기대한다.

후속연구

가중치 관련 함수 중 활성화 함수와 최적화 함수는 안정성이 있는 ReLU와 adam을 사용하였다. 예측 모델의 경우, 학습 강도에 따라 다양한 결과를 보이게 되며, 최적의 결과를 도출하기 위해 학습 강도와 관련된 여러 파라미터들의 최적화가 필요하다. 파라미터 최적화를 위해 하이퍼 파라미터 그리드를 사용하였으며 표 2는 상위 3순위에 해당하는 하이퍼 파라미터 탐색 결과이다.
미세먼지 농도 예측에 있어 실제 값과 예측 값의 일치와 불일치에 대한 정확성도 중요하지만 넓은 농도 범위를 감안하였을 경우 오차범위가 적은 DNN 예측 모델이 적합하다 판단된다. 향후, 신경망 알고리즘과 불규칙적인 미세먼지 특성을 효율적으로 판단하기 위한 알고리즘의 연구를 진행할 계획이며, 이를 이용하여 보다 좋은 예측 성능의 모델 구축을 통해 신뢰성이 높은 예측 정보의 활용을 높일 수 있을 것으로 기대한다.

참고문헌 (17)

C. A. Pope III, and D. W. Dockery, "Health effects of fine particulate air pollution: line that connect," Journal of the Air & Waste Management Association, Vol. 56, No. 6, pp. 709-742, Jun. 2006.

상세보기
A. Valavanidis, K. Fiotakis, and T. Vlachogianni, "Airborne particulate matter and human health: toxicological assessment and importance of size and composition of particles for oxidative damage and carcinogenic mechanisms," Journal of Environmental Science and Health, Part C, Vol. 26, No. 4, pp. 339-362, Sep. 2008.

상세보기
J. O. Anderson, J. G. Thundiyil, and A. Stolbach, "Clearing the air: a review of the effects of particulate metter air pollution on human health," Journal of Medical Toxicology, Vol. 8, No. 2, pp. 166-175, Dec. 2012.

상세보기
K. H. Kim, E. Kabir, and S. Kabir, "A review on the human health impact of airborne particulate matter," Environment international, Vol. 74, pp. 136-143, Jan. 2015.

상세보기
N. J. Hime, G. B. Marks, and C. T. Cowie, "A comparison of the health effects of ambient particulate matter air pollution from five emission sources," International Journal of Environmental Research and Public Health, Vol. 15, No. 6, Jun. 2018.

상세보기
World Health Organization (WHO), "Health effects of particulate matter: policy implications for countries in eastern europe, caucasus and central asia," Regional Office for Europe, 2013.
K. H. Jeon, J. H. Lee, J. H. Park, H. J. Park, Y. H. Lee, M. S. Jung, H. S. Lee, K. P. Nam, J. S. Myoung, K. C. Choi, and T. H. Kim, "A study of data accuracy improvement for national air quality forecasting(III)," National Institute of Environmental Research, Dec. 2016.
Board of Adit and Inspection (BAI), "Weather forecast and earthquake notification system operation," International THE Board of Audit and Inspection of KOREA, Jul. 2017.
M. M. Dedovic, S. Avdakovic, I. Turkovic, N. Dautbasic, and T. Konjic, "Forecasting PM10 concentrations using neural networks and system for improving air quality," 2016 XI International Symposium on Telecommunications(BIHTEL), pp. 1-6, Oct. 2016.
Y. B. Lim, I. Aliyu, and C. G. Lim, "Air pollution matter prediction using recurrent neural networks with sequential data," Proceedings of the 2019 3rd International Conference on Intelligent Systems, Metaheuristics & Swarm Intelligence, pp. 40-44, Mar. 2019.
S. W. Kang, N. G. Kim, and B. D. Lee, "Fine dust forecast based on recurrent neural networks," 2019 21st International Conference on Advanced Communication Technology (ICACT), pp. 456-459, Feb. 2019
J. B. Ahn, and Y. M. Cha, "A comparison study of corrections using artificial neural network and multiple linear regression for dynamically downscaled winter temperature over south korea," Asia-Pacific Journal of Atmospheric Sciences, Vol. 41, pp. 401-413, Jun. 2005.
J. W. Oh, J. H. Song, K. H. Kim, and S. H. Jung, "Automatic composition using training capability of artificial neural networks and chord progression," Journal of Korea Multimedia Society, Vol. 18, No. 11, pp. 1358-1366, Nov. 2015.

원문보기 상세보기
W. Yahaya, K. Zaman, and A. Latip, "Prediction of energy consumption using recurrent neural networks (RNN) and nonlinear autoregressive neural network with external input (NARX)," Indonesian Journal of Electrical Engineering and Computer Science, Vol. 17, No. 3, pp. 1215-1223, Mar. 2020.

상세보기
S. Y. Yoo, J. C. Lee, J. H. Lee, H. J. Hwang, and S. S. Lee, "A study on time series data filtering of spar platform using recurrent neural network," Journal of the Korean Society of Marine Engineering, Vol. 43, No. 1, pp. 8-17, Jan. 2019.

상세보기
X. Wang, and H. C. Kim, "Text categorization with improved deep learning methods," Journal of information and communication convergence engineering, Vol. 16, No. 2, pp. 106-113, Jun. 2018.

원문보기 상세보기
C. H. Hwang, H. S. Kim, and H. K. Jung, "Detection and correction method of erroneous data using quantile pattern and LSTM", Journal of information and communication convergence engineering, Vol. 16, No. 4, pp. 242-247, Dec. 2018.

원문보기 상세보기

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