[논문]순환 신경망을 이용한 미세먼지 AQI 지수 예측

정용진; 이종성; 오창헌

문제 정의

본 논문에서는 인공 신경망 알고리즘 중 순환 신경망을 이용하여 미세먼지 AQI 지수 예측을 위한 모델을 설계하였다. 10년간 천안시의 일평균 기상데이터, 대기오염 물질 데이터를 활용하였으며, 랜덤 탐색 방법을 통해 최적의 파라미터를 도출하여 예측 모델에 적용하였다.
본 논문에서는 인공신경망 알고리즘 중 지도학 습기반의 순환신경망을 사용하여 AQI 지수를 예측 하는 예측 모델을 설계한다[5]. 이를 위해 다수의 기상인자와 미세먼지 농도값을 이용하여 예측 모델을 설계하고 예측 모델의 실험 및 평가를 진행 한다.

제안 방법

본 논문에서는 인공 신경망 알고리즘 중 순환 신경망을 이용하여 미세먼지 AQI 지수 예측을 위한 모델을 설계하였다. 10년간 천안시의 일평균 기상데이터, 대기오염 물질 데이터를 활용하였으며, 랜덤 탐색 방법을 통해 최적의 파라미터를 도출하여 예측 모델에 적용하였다. 예측 모델을 통한 AQI 지수 실험 결과 나쁨과 매우 나쁨 수치에 대한 예측이 6%, 0%를 보였으며, 이는 학습 데이터 중 해당하는 수치의 양이 부족하여 생긴 문제로 판단된다.
기상 데이터는 온도, 습도, 평균 풍속, 최대 풍향으로 구성되며, 대기오염 물질 데이터는 O_3, NO₂, CO, SO_2, PM₁₀등의 물질로 구성하였다. 구성된 데이터를 이용하여 지도학습을 위해 AQI 지수를 종속 변수로 설정하였으며, 그 외의 나머지 데이터는 독립변수로 설정하여 사용하였다. 독립변수 중 최대 풍향의 경우 16방위의 범주형 데이터로서 하나의 벡터형 정수로 표현하기 위해 one-hot-encoding 을 진행하였으며, 각각의 데이터들이 가지는 특성 들의 범주를 일치시키기 위해 정규화를 진행하여 24개의 독립 변수로 재설정 하였다.
구성된 데이터를 이용하여 지도학습을 위해 AQI 지수를 종속 변수로 설정하였으며, 그 외의 나머지 데이터는 독립변수로 설정하여 사용하였다. 독립변수 중 최대 풍향의 경우 16방위의 범주형 데이터로서 하나의 벡터형 정수로 표현하기 위해 one-hot-encoding 을 진행하였으며, 각각의 데이터들이 가지는 특성 들의 범주를 일치시키기 위해 정규화를 진행하여 24개의 독립 변수로 재설정 하였다. 순환 신경망의 layer는 총 3개로 구성하였으며, 활성화 함수는 softmax를 사용하였고 최적화 함수는 adam을 사용하였다.
독립변수 중 최대 풍향의 경우 16방위의 범주형 데이터로서 하나의 벡터형 정수로 표현하기 위해 one-hot-encoding 을 진행하였으며, 각각의 데이터들이 가지는 특성 들의 범주를 일치시키기 위해 정규화를 진행하여 24개의 독립 변수로 재설정 하였다. 순환 신경망의 layer는 총 3개로 구성하였으며, 활성화 함수는 softmax를 사용하였고 최적화 함수는 adam을 사용하였다. 예측 모델의 파라미터는 학습 시 다양한 영향을 주며, 이로 인해 과대적합 및 과소적합의 문제를 야기한다.
예측 모델의 파라미터는 학습 시 다양한 영향을 주며, 이로 인해 과대적합 및 과소적합의 문제를 야기한다. 이러한 문제를 방지하기 위해 최적의 파라미터를 찾는 과정이 필요하며, 랜덤 탐색 방법을 사용하여 최종 파라미터를 표 1과 같이 설정하였다.
본 논문에서는 인공신경망 알고리즘 중 지도학 습기반의 순환신경망을 사용하여 AQI 지수를 예측 하는 예측 모델을 설계한다[5]. 이를 위해 다수의 기상인자와 미세먼지 농도값을 이용하여 예측 모델을 설계하고 예측 모델의 실험 및 평가를 진행 한다.

대상 데이터

기상 데이터는 온도, 습도, 평균 풍속, 최대 풍향으로 구성되며, 대기오염 물질 데이터는 O3, NO2, CO, SO2, PM10등의 물질로 구성하였다.
본 논문에서 설계한 예측 모델의 성능 평가를 위해 실제 미세먼지와 예측치의 AQI 지수 비교를 수행하였다. 모델 학습을 위해 전체 데이터 중 75%를 학습 데이터로 구성하였으며, 이 중 20%의 데이터는 학습을 검증하기 위한 데이터로 사용하 였다. 전체 데이터 중 남은 25%의 데이터는 모델 평가를 위해 사용하였다.
예측 모델 설계를 위해 순환 신경망에 대한 지도학습이 필요하며, 학습을 위한 데이터가 필요하다. 사용된 데이터는 천안 지역의 2009년 9월부터 2018년 9월에 해당하는 과거 10년간 일평균 기상데이터, 대기오염 물질 데이터를 활용하였다. 기상 데이터는 온도, 습도, 평균 풍속, 최대 풍향으로 구성되며, 대기오염 물질 데이터는 O_3, NO₂, CO, SO_2, PM₁₀등의 물질로 구성하였다.
모델 학습을 위해 전체 데이터 중 75%를 학습 데이터로 구성하였으며, 이 중 20%의 데이터는 학습을 검증하기 위한 데이터로 사용하 였다. 전체 데이터 중 남은 25%의 데이터는 모델 평가를 위해 사용하였다. 학습 횟수의 경우 학습 진행 중 결과에 대한 개선의 여지가 없을 때 학습을 종료시키는 EarlyStopping()을 이용하였다.

데이터처리

본 논문에서 설계한 예측 모델의 성능 평가를 위해 실제 미세먼지와 예측치의 AQI 지수 비교를 수행하였다. 모델 학습을 위해 전체 데이터 중 75%를 학습 데이터로 구성하였으며, 이 중 20%의 데이터는 학습을 검증하기 위한 데이터로 사용하 였다.

이론/모형

전체 데이터 중 남은 25%의 데이터는 모델 평가를 위해 사용하였다. 학습 횟수의 경우 학습 진행 중 결과에 대한 개선의 여지가 없을 때 학습을 종료시키는 EarlyStopping()을 이용하였다. 그림 1은 99회의 학습을 통한 모델의 loss 및 accuracy 그래프이다.

성능/효과

구축된 모델을 통해 25%의 데이터를 이용하여 미세먼지 농도의 AQI 지수 예측을 진행하였으며, 예측 시 loss와 accuracy의 평가 수치는 0.65, 0.77의 값을 나타내었다. 표 2는 최종 예측 결과와 실제 미세먼지 AQI 지수를 비교한 결과이다.
표 2는 최종 예측 결과와 실제 미세먼지 AQI 지수를 비교한 결과이다. 실험 결과 각 AQI 지수 중 보통 수치의 예측 정확도가 87%로 가장 높았으며, 매우 나쁨에 해당하는 수치의 예측은 전혀 이루어지지 않는 것을 확인하였다. 매우 나쁨과 같은 결과는 나쁨 수치에 해당하는 예측 결과에서도 보여주고 있다.
10년간 천안시의 일평균 기상데이터, 대기오염 물질 데이터를 활용하였으며, 랜덤 탐색 방법을 통해 최적의 파라미터를 도출하여 예측 모델에 적용하였다. 예측 모델을 통한 AQI 지수 실험 결과 나쁨과 매우 나쁨 수치에 대한 예측이 6%, 0%를 보였으며, 이는 학습 데이터 중 해당하는 수치의 양이 부족하여 생긴 문제로 판단된다. 또한 시계열 데이터의 예측을 위한 순환 신경망 알고리즘을 사용하였으나, 미세먼지의 경우 시계열 특성보다 외부 환경 및 다양한 변수에 대해 영향을 받는 불규칙적인 특성이 강한 데이터로서 순환 신경망을 이용하여 정확한 예측의 한계를 보이는 것으로 판단된다.

후속연구

또한 시계열 데이터의 예측을 위한 순환 신경망 알고리즘을 사용하였으나, 미세먼지의 경우 시계열 특성보다 외부 환경 및 다양한 변수에 대해 영향을 받는 불규칙적인 특성이 강한 데이터로서 순환 신경망을 이용하여 정확한 예측의 한계를 보이는 것으로 판단된다. 따라서 일평균 데이터보다 시간별 데이터를 활용함으로서 일정 수준 이상의 데이터양 확보와 외부 변수 추가 도입을 통해 예측 성능을 향상시킬 수 있을 것이며, 향후 다양한 알고리즘을 통한 예측 모델 성능 평가를 통해 미세먼지 AQI 지수 예측을 위한 최적의 알고리즘 선정을 진행할 것이다.

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

순환 신경망을 이용한 미세먼지 AQI 지수 예측
Prediction of Particulate Matter AQI using Recurrent Neural Networks 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

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

순환 신경망을 이용한 미세먼지 AQI 지수 예측 Prediction of Particulate Matter AQI using Recurrent Neural Networks 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

데이터처리

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

순환 신경망을 이용한 미세먼지 AQI 지수 예측
Prediction of Particulate Matter AQI using Recurrent Neural Networks 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper