[논문]증강형 딥러닝 기반 미세먼지 예측 시스템

장성봉

doi:10.17703/jcct.2023.9.6.301

증강형 딥러닝 기반 미세먼지 예측 시스템
Dust Prediction System based on Incremental Deep Learning 원문보기

Journal of the convergence on culture technology : JCCT = 문화기술의 융합, v.9 no.6, 2023년, pp.301 - 307

장성봉 (금오공과대학교 산학협력단)

초록
AI-Helper

딥러닝은 심층신경망(Deep Neural Network)을 구축하고 대량의 훈련 데이터를 수집한 후, 구축된 신경망을 오랫동안 학습 시켜야 한다. 만약, 학습이 제대로 진행되지 않거나 과적합이 발생하면, 학습은 실패하게 된다. 현재까지 개발되고 있는 딥러닝 도구들을 사용할 경우, 훈련데이터 수집과 학습에 많은 시간이 소요된다. 하지만, 모바일 환경의 급격한 도래와 센서 데이터의 증가로 인해, 신경망 학습에 걸리는 시간을 획기적으로 줄일 수 있는 실시간 증강형 딥러닝 기술에 대한 요구가 급격하게 증가하고 있다. 본 연구에서는 미세먼지 센서를 장착한 아두이노 시스템을 사용하여 실시간 증강형 딥러닝 시스템을 구현 하였다. 구현된 시스템에서는 미세먼지 데이터를 5초마다 측정하고 최대 120개가 축적이 되면, 기존에 축적된 데이터와 새로이 축적된 데이터를 데이터셋으로 사용하여 학습을 수행하도록 하였다. 학습 수행을 위한 신경망은 입력층 1개, 은닉층 1개, 출력등 1개로 구성하였다. 구현된 시스템에 대한 성능을 평가하기 위해 학습 시간과 평균 제곱근 오차(root mean square error, RMSE)를 측정 하였다. 실험 결과, 평균 학습 오차는 0.04053796이었으며, 학습주기당(1 에포크) 평균 학습 시간은 3,447 초 정도의 시간이 걸렸다.

Abstract ▼ AI-Helper

Deep learning requires building a deep neural network, collecting a large amount of training data, and then training the built neural network for a long time. If training does not proceed properly or overfitting occurs, training will fail. When using deep learning tools that have been developed so far, it takes a lot of time to collect training data and learn. However, due to the rapid advent of the mobile environment and the increase in sensor data, the demand for real-time deep learning technology that can dramatically reduce the time required for neural network learning is rapidly increasing. In this study, a real-time deep learning system was implemented using an Arduino system equipped with a fine dust sensor. In the implemented system, fine dust data is measured every 30 seconds, and when up to 120 are accumulated, learning is performed using the previously accumulated data and the newly accumulated data as a dataset. The neural network for learning was composed of one input layer, one hidden layer, and one output. To evaluate the performance of the implemented system, learning time and root mean square error (RMSE) were measured. As a result of the experiment, the average learning error was 0.04053796, and the average learning time of one epoch was about 3,447 seconds.

주제어

표/그림 (7)

그림 그림 1. 실험을 위한 하드웨어 구성 Figure 1. Hardwares for experiment
그림 그림 2. 증강된 데이터를 사용한 딥러닝 과정 Figure 2. Incremental and real-ti,me deep learning process
표 표 1. 실험에서 사용된 딥러닝 파라미터 Table 1. Deep learning parameters for experiment
그림 그림 3. 실시간 딥러닝을 위한 심층 신경망 모델 Figure 3. Deep learning model forreal-ti,me deep learning
그림 그림 4. 증강형 딥러닝 코드 작성, 컴파일, 업로드 화면 Figure 4. Screen for editing, compiling, and uploading incremental deep learning codes
그림 그림 5. 증강 데이터 수집과 학습 결과 출력 화면 Figure 5. Screen for displaying incremental data collection and learning results
표 표 2. 실험 결과 Table 2. Experiment results

참고문헌 (15)

S.-H. Kim, C. Lee, C.-H. Youn, "An Accelerated？Edge Cloud System for Energy Data Stream？Processing Based on Adaptive Incremental Deep？Learning Scheme," IEEE Access, Vol.8,？pp.19534-195358,2020(DOI: 10.1109/ACCESS.2020.3033771)？

상세보기
Y. Cao, M. Jia, P. Ding, X. Zhao, Y. Ding,？"Incremental Learning for Remaining Useful Life？Prediction via Temporal Cascade Broad Learning？System With Newly Acquired Data," IEEE？Transactions on Industrial Informatics, Vol. 19, No.？4, pp. 6234-6245, 2023(DOI:10.1109/TII.2022.3201977)？

상세보기
X. Wang, J. Zhou, J. Fan, "IDUDL: Incremental？Double Unsupervised Deep Learning Model for？Marine Aquaculture SAR Images Segmentation,"？IEEE Transactions on Geoscience and Remote？Sensing, Vol. 60, 2022(DOI: 10.1109/TGRS.2022.3203071)？

상세보기
M. Data, M. Aritsugi, "T-DFNN: An Incremental？Learning Algorithm for Intrusion Detection？Systems," IEEE Access, Vol. 9, pp.？154156-154171, 2021(DOI: 10.1109/ACCESS.2021.3127985)？

상세보기
Y. Xiang, Y. Miao, J. Chen, Q. Xuan, "Efficient？Incremental Learning Using Dynamic Correction？Vector," IEEE Transactions on Geoscience and？Remote Sensing, Vol. 8, pp. 2309-23099,？2020(DOI:10.1109/ACCESS.2019.2963461)？

상세보기
M. Masana, X. Liu, B. Twardowski, M. Menta, A.？D. Bagdanov, J. V. D. Weijer, "Class-Incremental？Learning: Survey and Performance Evaluation on？Image Classification," IEEE Transactions on？Pattern Analysis and Machine Intelligence, Vol. 45,？No.5, pp. 5513-5533, 2023(DOI:10.1109/TPAMI.2022.3213473)？
Y. Li and M. Zhang, "Online Real-Time Analysis？of Data Streams Based on an Incremental？High-Order Deep Learning Model," IEEE Access,？Vol. 6, pp. 77615 - 77623, 2018(DOI:10.1109/ACCESS.2018.2883666)？

상세보기
Z. Chen, M. I. AlHajri, M. Wu, N. T. Ali, R. M.？Shubair, "A Novel Real-Time Deep Learning？Approach for Indoor Localization Based on RF？Environment Identification," IEEE Sensors Letters,？Vol. 4, No. 6, pp.735-740, 2020(DOI:10.1109/LSENS.2020.2991145)？

상세보기
M. Baharani, M. Biglarbegian, B. Parkhideh, H.？Tabkhi, "Survey of deep learning software？tools,"Real-Time Deep Learning at the Edge for？Scalable Reliability Modeling of Si-MOSFET？Power Electronics Converters," IEEE Internet of？Things Journal, Vol. 4, No. 6, pp. 7375-7385,？2019(DOI: 10.1109/JIOT.2019.2896174).？
G. A. Tahir and C. K. Loo, "An Open-Ended？Continual Learning for Food Recognition Using？Class Incremental Extreme Learning Machines,"？IEEE Access, Vol.8, pp. 82328-82346, 2020？(DOI: 10.1109/ACCESS.2020.2991810)？

상세보기
A. A. Darem, F. A. Ghaleb, A. A. Al-Hashmi, J.？H. Abawajy, S. M. Alanazi, A. Y. Al-Rezami, "？An Adaptive Behavioral-Based Incremental Batch？Learning Malware Variants Detection Model？Using Concept Drift Detection and Sequential？Deep Learning," IEEE Access, Vol.9, pp. 97180-97196, 2021(DOI:10.1109/ACCESS.2021.3093366)？

상세보기
S. Younan and M. Abu-Elkheir, "Deep？Incremental Learning for Personalized Human？Activity Recognition on Edge Devices," IEEE？Canadian Journal of Electrical and Computer？Engineering, Vol.45, No.3, pp. 215-221,？2022(DOI:10.1109/ICJECE.2022.3199227)？

상세보기
Q. Zhang, L. T. Yang, Z. Chen, P. Li,？"Incremental Deep Computation Model for？Wireless Big Data Feature Learning," IEEE？Transactions on Big Data, Vol. 6, No. 2, pp.？248-257,2020(DOI: 10.1109/TBDATA.2019.2903092)？

상세보기
X. Li, S. Dong, Q. Su, M. Yu, X. Li, "Adaptive？Threshold Hierarchical Incremental Learning？Method," IEEE Access, Vol. 11, pp.12285 -12293,？2023(DOI: 10.1109/ACCESS.2023.3242688)？

상세보기
L. Guan, Y. Wu, "AReduce the Difficulty of？Incremental Learning With Self-Supervised Learning," IEEE Access, Vol. 9, pp. 128540-128549,？2021(DOI: 10.1109/ACCESS.2021.3112745)？

상세보기

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