지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2024.10
- 수록면
- 537 - 550 (14page)
이용수
초록· 키워드
오류제보하기
목적: 본 연구는 중소도시의 대기환경 및 기상 데이터를 이용하여 미세먼지(PM<sub>10</sub> 및 PM<sub>2.5</sub>) 농도를 예측하는 머신 러닝 모델의 성능을 평가하였다.
방법: Multiple Linear Regression (MLR), Decision Tree Regression (DTR), Random Forest (RF), Extreme Gradient Boosting (XGB), Light Gradient Boosting Machine (LGB)의 5개 머신러닝 모델을 이용하여 PM<sub>10</sub>과 PM<sub>2.5</sub> 농도를 예측하였다. 2017년부터 2022년까지 5개의 대기환경 데이터(NO₂, SO₂, CO, PM<sub>10</sub>, PM<sub>2.5</sub>)와 7개의 기상 데이터(기온, 습도, 증기압, 풍속, 강수량, 현지기압, 해면기압)를 3개의 대기질 측정소와 1개의 기상대에서 수집하였고, 이를 머신러닝 학습, 검증, 테스트 자료로 사용하였다. 머신러닝 예측 성능은 Root Mean Squared Error(RMSE), Mean Absolute Error(MAE), Coefficient of determination(R²)의 3가지 성능 평가 지표를 이용하여 정확도를 평가하였다.
결과 및 토의: 미세먼지(PM<sub>10</sub> 및 PM<sub>2.5</sub>) 농도 예측에서 입력 변수에 예측하고자 하는 미세먼지 정보가 포함된 데이터셋을 학습한 모델이 그렇지 않은 모델보다 더 높은 예측 성능을 보였다. XGB 모델이 다른 머신러닝 모델들 보다 대부분의 경우에 가장 우수한 성능을 나타내었다. 그러나 미세먼지 농도를 예측하는 시간이 길어질수록 모든 머신러닝의 예측 정확도가 크게 감소하였다.
결론: 본 연구에서 머신러닝 기법을 이용한 1시간 후의 미세먼지(PM<sub>10</sub> 및 PM<sub>2.5</sub>) 농도 예측은 충분히 적용 가능한 수준의 결과로 확인되었다. 그러나 장기간의 미세먼지를 예측하기 위해서는 딥러닝 모델을 적용하거나 미세먼지 농도에 영향을 미치는 추가적인 영향 인자 데이터를 확보하여 적용하는 것이 필요할 것이다.
방법: Multiple Linear Regression (MLR), Decision Tree Regression (DTR), Random Forest (RF), Extreme Gradient Boosting (XGB), Light Gradient Boosting Machine (LGB)의 5개 머신러닝 모델을 이용하여 PM<sub>10</sub>과 PM<sub>2.5</sub> 농도를 예측하였다. 2017년부터 2022년까지 5개의 대기환경 데이터(NO₂, SO₂, CO, PM<sub>10</sub>, PM<sub>2.5</sub>)와 7개의 기상 데이터(기온, 습도, 증기압, 풍속, 강수량, 현지기압, 해면기압)를 3개의 대기질 측정소와 1개의 기상대에서 수집하였고, 이를 머신러닝 학습, 검증, 테스트 자료로 사용하였다. 머신러닝 예측 성능은 Root Mean Squared Error(RMSE), Mean Absolute Error(MAE), Coefficient of determination(R²)의 3가지 성능 평가 지표를 이용하여 정확도를 평가하였다.
결과 및 토의: 미세먼지(PM<sub>10</sub> 및 PM<sub>2.5</sub>) 농도 예측에서 입력 변수에 예측하고자 하는 미세먼지 정보가 포함된 데이터셋을 학습한 모델이 그렇지 않은 모델보다 더 높은 예측 성능을 보였다. XGB 모델이 다른 머신러닝 모델들 보다 대부분의 경우에 가장 우수한 성능을 나타내었다. 그러나 미세먼지 농도를 예측하는 시간이 길어질수록 모든 머신러닝의 예측 정확도가 크게 감소하였다.
결론: 본 연구에서 머신러닝 기법을 이용한 1시간 후의 미세먼지(PM<sub>10</sub> 및 PM<sub>2.5</sub>) 농도 예측은 충분히 적용 가능한 수준의 결과로 확인되었다. 그러나 장기간의 미세먼지를 예측하기 위해서는 딥러닝 모델을 적용하거나 미세먼지 농도에 영향을 미치는 추가적인 영향 인자 데이터를 확보하여 적용하는 것이 필요할 것이다.
목차
1. 서론
2. 실험방법
3. 결과 및 고찰
4. 결론
References
참고문헌 (0)
참고문헌 신청함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
ANN-XGB를 이용한 수중 산소 농도 예측
한국정보통신학회 종합학술대회 논문집
2022 .10
-
XGB-PDNet : 자판 입력 데이터를 이용한 파킨슨병 분류 앙상블 심층학습 모델
한국정보과학회 학술발표논문집
2024 .06
-
XGB 및 LGBM을 활용한 Ti-6Al-4V 적층재의 변형 거동 예측
소성·가공
2022 .08
-
불균형 데이터 처리를 통한 머신러닝 기반 TBM 굴진율 이상탐지 개선
한국터널지하공간학회 논문집
2024 .09
-
Prediction of Dissolved Oxygen at Anyang-stream using XG-Boost and Artificial Neural Networks
Journal of information and communication convergence engineering
2024 .06
-
Modeling a decade long windspeed data using boosting algorithm
대한기계학회 춘추학술대회
2022 .11
-
데이터마이닝 기반의 사고심각도 가중치 적용 예측변수를 활용한 교차로 사고예측모형 개발
대한교통학회지
2022 .04
-
실시간 대기 오염 모니터링 및 예측을 위한 머신러닝 모델 설계
한국정보과학회 학술발표논문집
2024 .06
-
차량가속도데이터를 이용한 머신러닝 기반의 궤도품질지수(TQI) 예측
한국지반신소재학회 논문집
2020 .03
-
머신러닝을 이용한 도로변 대기오염물질 기초분석
대한토목학회 학술대회
2021 .10
-
Forecasting of dissolved oxygen for Anyang Stream based on ANN-XGB
INTERNATIONAL CONFERENCE ON FUTURE INFORMATION & COMMUNICATION ENGINEERING
2023 .01
-
밭 토양에서 퇴비와 복합비료 사용에 따른 암모니아 배출 특성
대한환경공학회지
2023 .09
-
머신 러닝 소개
설비저널
2019 .10
-
Random Forest, XGBoost, LGBM 조합형 Stacking 모델을 이용한 풍력 발전량 예측 성능 평가
풍력에너지저널
2024 .09
-
상황인식모델 기반의 대기오염정보 서비스 플랫폼 개발
한국산학기술학회 학술대회논문집
2015 .05
-
양자알고리즘 개발을 위한 머신러닝기법
전자공학회지
2018 .04
-
선박, 기상, 대기오염 데이터를 활용한 항만 대기오염 농도 예측 Heterogeneous ST-GNN 모델 개발
대한산업공학회 추계학술대회 논문집
2024 .10
-
머신러닝 기반 보안데이터 분석 연구
정보보호학회지
2019 .06
-
머신러닝에서 특성 생성 자동화를 위한 딥러닝 활용
한국지능정보시스템학회 학술대회논문집
2019 .06
-
방지시설 개선을 통한 대기오염물질 저감 효율 평가
대한환경공학회 학술발표논문집
2020 .11
이 논문과 함께 이용한 논문
사우디 기후환경의 머신러닝 알고리즘 적용을 통한 실내 온열쾌적성 향상 및 냉방에너지 절감효과 분석
정승영
,
박재성
,
이광호
대한설비공학회 학술발표대회논문집
2024
.06
미생물생태학 및 환경공학에서의 유전자 기반 머신런닝 적용 사례 연구
박수인
,
배효관
,
전준범
대한환경공학회 학술발표논문집
2021
.11
강널말뚝의 구조성능에 대한 실험적 연구
김진우
,
김태훈
,
김윤혁
외 2명
한국강구조학회 논문집
2022
.12
SAR 영상 기반 해양 유류 유출 탐지 딥 러닝 알고리즘 개발
이성뢰
,
박소연
,
김덕진
한국해양환경·에너지학회 학술대회논문집
2022
.11
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-151-25-02-091108912