미세먼지 예측을 위한 딥러닝 기반 농도별 분리 예측 모델 :A Concentration-classified Prediction Model based on Deep Learning for Particulate Matters

조경우

추천

검색

자료유형: 학위논문

저자정보: 조경우 (한국기술교육대학교, 한국기술교육대학교 일반대학원)

지도교수: 오창헌

발행연도: 2020

저작권: 한국기술교육대학교 논문은 저작권에 의해 보호받습니다.

이용수16

이 논문의 연구 히스토리 (2)

2020

미세먼지 예측을 위한 딥러닝 기반 농도별 분리 예측 모델

조경우 전기전자통신공학과 2020.01 학위논문

2019

미세먼지 예측 정확도 향상을 위한 다층 퍼셉트론 기반 농도별 분리 예측 모델

조경우 , 정용진 , 이종성 외 1명 한국정보통신학회 종합학술대회 논문집 2019.10 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

본 논문에서는 기계 학습을 사용한 미세먼지 예측 모델의 저농도 미세 먼지 과대 예측 현상과 고농도 미세먼지 예보정확도 향상을 위해 미세먼지 저농도, 고농도를 분류하는 분류 모델과 미세먼지 농도를 예측하는 저농도, 고농도 예측 모델의 세 모델을 결합하여 예측을 수행하는 딥러닝 기반 농도별 분리 예측 모델을 제안하였다. 이를 위해 천안 지역의 10년간 시간별 기상 및 대기오염 물질 데이터를 수집하여 예측 모델의 입력 데이 터로 활용할 수 있도록 데이터를 분류 및 전처리하였다. 제안 모델에 사용된 딥러닝 알고리즘은 심층 신경망(Deep Neural Network)을 기반으로 하였으며, 미세먼지 농도 분류 모델의 경우 고농도 경계인 81[??  ]을 기준 으로 저농도와 고농도의 이진 분류를 수행한다. 이후 분류 모델의 결과에 따라 농도별 예측 모델에 해당 입력변수를 전달하여 최종 미세먼지 농도를 예측한다. 각 모델의 하이퍼 파라미터의 경우 모델별로 4,800개의 조합을 가진 그리드 탐색을 수행하였으며, 모델의 일반화 성능을 위해 5개의 fold로 training data를 나누어 모델별로 최적 하이퍼 파라미터를 선정하였 다.
모델의 입력변수의 경우, 기상 및 대기오염 물질과 미세먼지 농도와의 농도별, 계절별 상관분석을 통해 역할별 모델의 입력변수를 선정하였으며, 고농도 미세먼지와 상관성을 보인 변수 사용의 효과를 확인하기 위해 전체 모델에 사용된 모든 변수를 사용한 고농도 예측 모델과 선정 입력변수를 사용한 모델 간의 예측 성능 비교를 수행하였다. 성능 비교 결과 전체 입력변수를 사용한 모델의 RMSE는 15.9537로 선정 입력변수를 사용한 모델의 16.1014보다 더 좋은 성능을 나타내었으나, 103회의 저농도 예측이발생되어 미세먼지 농도를 상대적으로 과소예측하는 경향을 보였다. 선정 입력변수를 사용한 모델의 경우, 0회의 저농도 예측 횟수를 나타내었으며 AQI ‘매우 나쁨’ 정확도의 경우 전체 입력변수 모델에 비해 18.86[%] 향상된 정확도를 나타내어 고농도 미세먼지와 상관성이 있는 변수 사용을통해 예측 성능을 향상시킬 수 있었다.
제안 모델의 예측 성능 분석을 위해 단일 신경망 모델인 DNN, RNN, LSTM 모델을 설계하고 예측 성능을 비교하였다. 예측 성능 비교 결과 단일 신경망 모델들에 비해 제안 모델의 RMSE, MAPE, 상관 값의 성능
이 근소하게 낮았다. 그러나, 단일 신경망 모델들의 경우 AQI ‘보통’ 정확 도에 비해 타 AQI 구간의 정확도가 낮은 모습을 보였으며, 제안 모델의 경우 AQI 전 영역에 대해 80[%] 이상의 고른 정확도를 가졌다. 특히, 고농도 기준인 81[??  ] 이상 고농도 미세먼지 예측 정확도의 경우 단일신경망 모델의 최고 성능보다 5.73[%] 향상된 81.87[%]를 나타내었다. 또한, 미세먼지 데이터의 농도별 불균형을 고려하여 g-mean을 통한 예측성능 비교 시, 0.87∼0.89의 값을 나타낸 단일 신경망 모델에 비해 제안 모델의 경우 0.9133로 높았다. 따라서, 제안하는 농도별 분리 예측 모델은
단일 신경망 모델들의 저농도 과대 예측 문제를 완화할 수 있으며, 전체
미세먼지 데이터에서 낮은 비율을 차지하는 고농도 미세먼지 예측 문제에효과적임을 확인하였다.

To mitigate the overprediction of low-concentration particulate matter and enhance the prediction accuracy of high-concentration particulate matter in particulate matter prediction models using machine learning, we herein proposed a concentration-classified prediction model. This model is based on deep learning and combines (i) a classification model that classifies low-concentration and high-concentration particulate matter and (ii) low-concentration and high-concentration prediction models that predict particulate matter concentration. For this purpose, hourly weather and air pollutant data over 10 years in the Cheonan region were collected, and the data were classified and preprocessed for use as input data of the prediction model. The deep learning algorithm used in our proposed model was based on a deep neural network, and the classification model for particulate matter concentration conducts binary classification of low-and high-concentration particulate matter based on a high-concentration boundary of 81[??  ]. Subsequently, according to the results of the classification model, the corresponding input variable is transmitted to the concentration-classified prediction models and the final particulate matter concentration is predicted. In terms of the model hyperparameters, grid search was conducted for each model with 4,800 combinations, and for the generalization performance of the models, the training data were divided into five folds and optimal hyperparameters were selected for each model.
The input variables of the models were selected by role through a correlation analysis according to the season and concentration between weather and air pollutants and particulate matter concentration. To confirm the effect of using variables that correlated with high-concentration particulate matter, in this study, we compared the prediction performance between the high-concentration prediction model using all variables applied in all models and the model using the selected input variables. The performance comparison showed that the RMSE of the model using all input variables was 15.9537, exceeding the performance of the model using the selected input variables of 16.1014. However, a total of 103 low-concentration predictions occurred, indicating that it tended to underestimate the particulate matter concentration. The model using the selected input variables showed zero low-concentration predictions and improved accuracy of 18.86[%] compared to the model using all input variables in terms of AQI “very bad” accuracy. These results confirmed that the prediction performance can be improved by using variables correlating with high-concentration particulate matter.
To analyze the prediction performance of the proposed model, DNN, RNN, and LSTM models, which are single-neural-network models, were designed and their prediction performances were compared.
According to the comparison of prediction performance, the proposed model exhibited slightly lower performance than the single-neural-network models for RMSE, MAPE, and correlation value.
However, the single-neural-network models showed lower accuracy for other AQI sections than AQI “normal” accuracy, whereas the proposed model showed accuracy of at least 80[%] for all AQI sections.
Particularly, in terms of high-concentration particulate matter prediction accuracy above the high-concentration standard of 81
[??  ], the proposed model exceeded the maximum performance of the single-neural-network models by 5.73[%] at 81.87[%]. Furthermore, comparing the prediction performance through g-mean considering the imbalance of particulate matter data by concentration, the proposed model showed a high value of 0.9133 compared to the single-neural-network models at 0.87?0.89. Thus, our proposed concentration-classified prediction model can mitigate the overprediction of low-concentration particulate matter in single-neural-network models, and it was confirmed to be effective for predicting high-concentration particulate matter.

#미세먼지 예측 #농도별 분리 #Machine learning #Deep learning #Neural network

제1장 서 론 1
제1절. 연구 배경 및 필요성 1
제2절. 연구 내용 및 방법 5
제2장 관련 연구 7
제1절. 미세먼지 발생 요인 7
1. 대기오염 물질 7
2. 기상인자 8
제2절. 심층 신경망(Deep Neural Network) 모델 10
제3절. 순환 신경망(Recurrent Neural Network) 모델 13
1. RNN(Recurrent Neural Network) 13
2. LSTM(Long Short Term Memory) 14
제3장 기상 및 대기오염 물질과 미세먼지 농도의 상관분석 19
제1절. 상관분석 개요 19
제2절. 기상 및 대기오염 물질과 미세먼지 농도의 상관관계 분석 20
1. 농도별 상관관계 분석 20
2. 계절별 상관관계 분석 27
제3절. 소결 32
제4장 딥러닝 기반 농도별 분리 예측 모델 34
제1절. 농도별 분리 예측 모델 설계 개요 34
제2절. 데이터 셋 구성 및 데이터 전처리 36
1. 데이터 셋 구성 36
2. 데이터 전처리 38
제3절. 농도별 분리 예측 모델 설계 42
1. 기본 모델 구조 42
2. 모델 연결 구조 45
제4절. 모델별 하이퍼 파라미터 튜닝 49
제5절. 소결 52
제5장 농도별 분리 예측 모델 성능 분석 54
제1절. 성능 비교 기준 54
제2절. 모델별 예측 성능 분석 57
1. 심층 신경망 모델 57
2. RNN 모델 62
3. LSTM 모델 68
4. DNN 기반 농도별 분리 예측 모델 73
5. 모델별 성능 비교 89
제3절. 소결 93
제6장 결 론 95
참고문헌 98
ABSTRACT 105

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)