[논문]인공 신경망을 이용한 미세먼지 예측 모델

정용진; 조경우; 강철규; 오창헌

인공 신경망을 이용한 미세먼지 예측 모델
Particulate Matter Prediction Model using Artificial Neural Network 원문보기

정용진 (한국기술교육대학교) , 조경우 (한국기술교육대학교) , 강철규 (한국기술교육대학교) , 오창헌

미세먼지에 대한 이슈가 확산됨에 따라 미세먼지에 대한 정보를 실시간으로 제공하는 서비스가 많아지고 있다. 그러나 미세먼지를 수집하기 위한 센서 노드의 결함이 발생할 경우 해당하는 서비스를 제공하지 못하는 경우가 발생한다. 이러한 문제를 해결하기 위해서는 미세먼지의 예측과 추론이 필요하다. 본 논문에서는 미세먼지를 예측하기 위해 과거의 미세먼지 및 기상 데이터를 기반으로 신경망 알고리즘을 이용하여 미세먼지 예측 모델을 설계한다. 또한 설계된 모델의 입력 데이터를 다양화하여 학습함으로써 예측 결과를 비교한다.

As the issue of particulate matter spreads, services for providing particulate matter information in real time are increasing. However, when a sensor node for collecting particulate matter is defective, a corresponding service may not be provided. To solve these problems, it is necessary to predict and deduce particulate matter. In this paper, a particulate matter prediction model is designed using artificial neural network algorithm based on past particulate matter and meteorological data to predict particulate matter. Also, the prediction results are compared by learning the input data of the model in the design stage.

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

문제 정의

따라서 본 논문에서는 미세먼지를 예측하기 위해 인공 신경망을 활용하여 예측 모델을 설계한다. 이를 위해 미세먼지에 영향을 미치는 기상 데이터와 미세먼지 농도를 학습 데이터로 활용한다.

제안 방법

이를 위해 미세먼지에 영향을 미치는 기상 데이터와 미세먼지 농도를 학습 데이터로 활용한다. 또한 예측 지역 인근 측정소의 미세먼지 농도 데이터를 활용, 입력 데이터를 다양화하여 학습함으로써 예측 결과를 비교한다.
본 논문에서는 미세먼지를 예측하기 위해 인공신경망을 활용, 기상데이터와 예측 지역의 미세먼지 농도만을 학습한 모델과 인근 지역 미세먼지농도를 추가로 함께 학습한 두 가지 모델을 설계하여 예측을 수행하였다. 예측 결과 예측 지역의 미세먼지 농도만을 학습한 모델의 경우 예측 정확성의 한계를 보여주었으며, 인근 지역의 미세먼지농도를 함께 학습한 모델의 경우 전반적으로 예측의 정확도가 상승한 것을 확인 할 수 있었다.
또한 학습 데이터의 정규화를 위해 MinMaxScaler를 사용하였다. 학습 횟수의 경우 전체 데이터를 100개씩 나누어 총 100회의 학습을 진행하였으며, 예측 지역의 미세먼지 농도만을 학습한 경우와 인근 지역의 미세먼지 농도를 함께 학습한 경우와의 예측 성능을 비교하였다.

대상 데이터

이러한 연구 결과를 바탕으로 학습 데이터의 경우 천안시 병천면의 기상 데이터, 미세먼지 농도의 1년간의 과거 데이터를 사용하였다. 또한 미세먼지 농도 입력 변수의 개수에 따른 예측 성능을 평가하기 위해 약 20km 반경 측정소(성황, 백석, 오창) 세 곳의 미세먼지 측정값을 추가하여 총 8,404건의 학습 데이터를 사용하였다. 표 1은 학습에 사용된 데이터 셋의 예시이다.
인공 신경망을 이용하여 미세먼지를 예측하기 위해 선행된 여러 연구에서는 공통적으로 온도, 습도, 풍향, 풍속의 기상 데이터를 필수 입력 데이터로 사용하고 있다 [5-9]. 이러한 연구 결과를 바탕으로 학습 데이터의 경우 천안시 병천면의 기상 데이터, 미세먼지 농도의 1년간의 과거 데이터를 사용하였다. 또한 미세먼지 농도 입력 변수의 개수에 따른 예측 성능을 평가하기 위해 약 20km 반경 측정소(성황, 백석, 오창) 세 곳의 미세먼지 측정값을 추가하여 총 8,404건의 학습 데이터를 사용하였다.
따라서 본 논문에서는 미세먼지를 예측하기 위해 인공 신경망을 활용하여 예측 모델을 설계한다. 이를 위해 미세먼지에 영향을 미치는 기상 데이터와 미세먼지 농도를 학습 데이터로 활용한다. 또한 예측 지역 인근 측정소의 미세먼지 농도 데이터를 활용, 입력 데이터를 다양화하여 학습함으로써 예측 결과를 비교한다.

이론/모형

미세먼지 예측을 위한 인공 신경망 모델의 경우 1개의 은닉 계층으로 설계하였으며 최적화 함수로는 Adam gradient, 활성화 함수는 ReUL을 사용하였다. 또한 학습 데이터의 정규화를 위해 MinMaxScaler를 사용하였다. 학습 횟수의 경우 전체 데이터를 100개씩 나누어 총 100회의 학습을 진행하였으며, 예측 지역의 미세먼지 농도만을 학습한 경우와 인근 지역의 미세먼지 농도를 함께 학습한 경우와의 예측 성능을 비교하였다.
미세먼지 예측을 위한 인공 신경망 모델의 경우 1개의 은닉 계층으로 설계하였으며 최적화 함수로는 Adam gradient, 활성화 함수는 ReUL을 사용하였다. 또한 학습 데이터의 정규화를 위해 MinMaxScaler를 사용하였다.
인공 신경망의 구조는 입력 계층, 은닉 계층,출력 계층으로 구성되며, 은닉 계층을 한 개 이상 포함할 수 있다. 본 논문에서는 미세먼지에 대한 예측 모델을 설계하기 위해 회귀 ANN을 이용한다.

성능/효과

그림 a와 b를 통해 미세먼지 예측 모델을 비교한 결과 모델 학습 과정에서 기상 데이터와 예측지역의 미세먼지 농도만 사용하여 진행할 경우 예측 정확성의 한계를 보여주고 있는 것을 확인하였다. 기상 데이터, 예측 지역의 미세먼지 농도 데이터와 함께 인근 지역의 미세먼지 농도 데이터를 추가하여 학습한 결과 전반적으로 예측의 정확도가 상승한 것을 확인 할 수 있다.
그림 a와 b를 통해 미세먼지 예측 모델을 비교한 결과 모델 학습 과정에서 기상 데이터와 예측지역의 미세먼지 농도만 사용하여 진행할 경우 예측 정확성의 한계를 보여주고 있는 것을 확인하였다. 기상 데이터, 예측 지역의 미세먼지 농도 데이터와 함께 인근 지역의 미세먼지 농도 데이터를 추가하여 학습한 결과 전반적으로 예측의 정확도가 상승한 것을 확인 할 수 있다.
본 논문에서는 미세먼지를 예측하기 위해 인공신경망을 활용, 기상데이터와 예측 지역의 미세먼지 농도만을 학습한 모델과 인근 지역 미세먼지농도를 추가로 함께 학습한 두 가지 모델을 설계하여 예측을 수행하였다. 예측 결과 예측 지역의 미세먼지 농도만을 학습한 모델의 경우 예측 정확성의 한계를 보여주었으며, 인근 지역의 미세먼지농도를 함께 학습한 모델의 경우 전반적으로 예측의 정확도가 상승한 것을 확인 할 수 있었다.

후속연구

향후 최적화된 학습 데이터를 이용하여 다양한 모델 설계를 진행함으로서 미세먼지 예측을 위한 최적의 모델 설계를 진행할 계획이다.

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

인공 신경망을 이용한 미세먼지 예측 모델
Particulate Matter Prediction Model using Artificial Neural Network 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

인공 신경망을 이용한 미세먼지 예측 모델 Particulate Matter Prediction Model using Artificial Neural Network 원문보기

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

Abstract ▼ AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

인공 신경망을 이용한 미세먼지 예측 모델
Particulate Matter Prediction Model using Artificial Neural Network 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper