[논문]DNN과 LSTM 기반의 대기질 예측 모델 성능 비교 연구

조성재; 김준석; 김성희; 윤주상

[국내논문] DNN과 LSTM 기반의 대기질 예측 모델 성능 비교 연구
A Comparative Study on the Performance of Air Quality Prediction Model Based on DNN and LSTM 원문보기

조성재 (동의대학교 응용소프트웨어공학과) , 김준석 (동의대학교 산업 ICT기술공학과) , 김성희 (동의대학교 산업 ICT기술공학과) , 윤주상 (동의대학교 산업 ICT기술공학과)

최근 인공지능을 활용한 대기질 예측 모델 개발 연구가 활발히 진행 중이다. 특히 시계열 데이터 기반 예측 시스템 개발에 장점을 가진 DNN, LSTM 알고리즘을 활용한 다양한 예측 시스템이 제안되고 있다. 본 논문에서는 LSTM을 활용한 모델과 Fully-Connected 기반의 DNN 모델을 활용한 대기질 예측 시스템을 개발하고 두 모델의 예측 정확도를 비교한다. 성능 평가 결과를 보면 LSTM 모델이 DNN 모델보다 모든 면에서 좋은 결과를 보여줬다. 그리고 이산화황(SO₂), 이산화질소(NO₂), 초미세먼지 (PM_2.5)에 대해서는 그 차이가 두드러지게 나타났다.

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

문제 정의

이 외에도 많은 연구에서 다양한 알고리즘을 적용한 대기질 예측 모델이 제안되고 있지만 사용된 알고리즘에 따른 예측 정확도를 비교하는 연구 결과는 아직 제안되어 있지 않다. 본 논문은 기존 시계열 데이터 학습을 위해 사용되는 대표적 알고리즘인 DNN과 LSTM 알고리즘을 활용한 대기질 예측 모델을 개발하고 두 예측 모델의 대기질 예측 정확도를 비교 분석할 것이다.

제안 방법

DNN모델은 [1]논문에서 사용된 구현 방법을 기반으로 했으며, 일부 수정을 거쳤다. 모델은 입력층과 3개의 은닉층 그리고 출력층으로 설계되고, Keras의 Sequential Model과 Dense Layer로 구현했다.
LSTM 모델은 기본적으로 입력층, 은닉층, 출력층 3계층 구조를 갖지만, 미세먼지(PM₁₀)와 초미세먼지(PM_2.5)에 대해서는 예측 정확도를 높이고자 은닉층을 한 층 늘린 4계층으로 설계했다. 그리고 3계층 모델의 은닉층에는 4개의 LSTM 유닛을 할당했고, 4계층 모델의 은닉층에는 각각 256, 128개의 LSTM 유닛을 할당했다.
DNN모델은 [1]논문에서 사용된 구현 방법을 기반으로 했으며, 일부 수정을 거쳤다. 모델은 입력층과 3개의 은닉층 그리고 출력층으로 설계되고, Keras의 Sequential Model과 Dense Layer로 구현했다. 각 은닉층에 할당되는 노드의 개수는 각각의 대기오염물질에 따라 100 ^~ 400 개가 할당된다.
모델의 구현은 Keras의 Sequential Model과 LSTM layer를 활용해 구현했다. 모델의 입력으로는 각각의 물질에 대해 직전 100시간 동안의 시간대별 연속 관측 자료가 적용되고 예측 결과는 입력 데이터로부터 한 시간 후의 대기오염물질 농도를 나타내도록 했다.
각 은닉층에 할당되는 노드의 개수는 각각의 대기오염물질에 따라 100 ^~ 400 개가 할당된다. 모델의 입력으로는 대기오염물질 6종의 농도자료와 기상자료 4종이 사용되고 예측 결과는 입력 시간으로부터 한 시간 후의 대기오염물질 농도를 나타내도록 했다.
생성된 모델이 일정한 성능을 보이는지 확인하기 위해 입력데이터에 대해 총 10회의 예측을 진행했고, 그 결과 산출된 IOA, ME(bias), NRMSE 값의 평균을 에 제시했다.

대상 데이터

5)에 대해서는 예측 정확도를 높이고자 은닉층을 한 층 늘린 4계층으로 설계했다. 그리고 3계층 모델의 은닉층에는 4개의 LSTM 유닛을 할당했고, 4계층 모델의 은닉층에는 각각 256, 128개의 LSTM 유닛을 할당했다. 모델의 구현은 Keras의 Sequential Model과 LSTM layer를 활용해 구현했다.
대기질 예측 모델에 사용된 학습데이터는 한국환경공단 에어코리아에서 제공하는 대기오염물질의 시간대별 농도자료 6종(SO2, CO, O3, NO2, PM10, PM2.5) 및 기상청 기상자료개방포털에서 제공하는 기상자료 4종(온도, 습도, 풍향, 풍속)으로 서울 중구 지역의 3년간(2016.01.01 ~ 2018.12.31.)의 데이터를 사용했다.
모델의 성능을 평가하기 위해 사용된 검증데이터는 학습 과정에서 사용되지 않은 데이터로 서울 중구 지역의 3개월간(2019.01.01. ~ 2019.03.31.) 데이터다.
[1]에서는 완전연결신경망을 기반으로 하는 대기질 예측 모델을 제안했다. 학습을 위한 데이터는 대기오염물질의 시간대별 농도자료 6종(SO₂, CO, O₃, NO₂, PM₁₀, PM_2.5)과 이와 상응하는 시간대의 기상정보(온도, 습도, 풍향, 풍속) 4종을 활용한 10종이 활용됐으며, 총 3년간의 연속 시간별 데이터가 학습에 사용되었다. 그 결과 각각의 대기오염물질 농도에 대한 예측 정확도는 75% ^~ 88%를 보였다.

데이터처리

모델의 예측 결과를 실제 관측값과 비교하기 위해 각각의 대기오염물질에 대해 IOA(index of agreement), ME(bias) NRMSE(Normalized RMSE) 값을 산출하여 표로 정리하여 나타냈다. 비교에 사용된 수식은 논문[1]의 모델 검증 과정에서 사용된 수식이다.

이론/모형

그리고 3계층 모델의 은닉층에는 4개의 LSTM 유닛을 할당했고, 4계층 모델의 은닉층에는 각각 256, 128개의 LSTM 유닛을 할당했다. 모델의 구현은 Keras의 Sequential Model과 LSTM layer를 활용해 구현했다. 모델의 입력으로는 각각의 물질에 대해 직전 100시간 동안의 시간대별 연속 관측 자료가 적용되고 예측 결과는 입력 데이터로부터 한 시간 후의 대기오염물질 농도를 나타내도록 했다.

성능/효과

5)과 이와 상응하는 시간대의 기상정보(온도, 습도, 풍향, 풍속) 4종을 활용한 10종이 활용됐으며, 총 3년간의 연속 시간별 데이터가 학습에 사용되었다. 그 결과 각각의 대기오염물질 농도에 대한 예측 정확도는 75% ^~ 88%를 보였다.
모델의 성능 평가 결과 모든 지표에서 LSTM 기반 모델이 DNN 기반 모델 보다 좋은 결과를 보였다. 특히 이산화황(SO₂), 이산화질소(NO₂), 초미세먼지(PM_2.
IOA 값이 1에 근접할수록 관측값과 모델의 예측값이 시계열에 대해 일치함을 뜻한다. 모든 경우에서 LSTM의 IOA 값이 DNN에 비해 높게 나타났고, 특히 이산화황(SO₂)에서 그 차이가 두드러지게 나타났다
NRMSE는 RMSE 값을 관측 평균으로 나누어 백분율로 나타낸 것이다. 모든 경우에서 LSTM이 DNN에 비해 낮았고 이산화황(SO₂), 오존(O₃), 이산화질소(NO₂), 초미세먼지(PM_2.5) 큰 차이를 보였다.

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

[국내논문] DNN과 LSTM 기반의 대기질 예측 모델 성능 비교 연구
A Comparative Study on the Performance of Air Quality Prediction Model Based on DNN and LSTM 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] DNN과 LSTM 기반의 대기질 예측 모델 성능 비교 연구 A Comparative Study on the Performance of Air Quality Prediction Model Based on DNN and LSTM 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] DNN과 LSTM 기반의 대기질 예측 모델 성능 비교 연구
A Comparative Study on the Performance of Air Quality Prediction Model Based on DNN and LSTM 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper