디지털 라이브러리[ 검색결과 ]
기계학습을 활용한 경기도 산업단지 미세먼지 예측
http://doi.org/10.5626/JOK.2021.48.7.764
최근 미세먼지의 다양한 예측 모델들을 통한 연구가 이루어지고 있지만 현재 PM10 농도 예측에 치중되어 있어 PM2.5 농도를 예측할 수 있는 모델 개발이 필요한 상황이다. 본 논문은 최근 약 2년간의 반월시화국가산업단지의 대기질, 기상, 교통 데이터를 수집하여 미세먼지(PM2.5)와 미세먼지(PM10), 이산화황(SO₂), 이산화질소(NO₂), 일산화탄소(CO), 오존(O₃), 온도, 습도, 풍향, 풍속, 강수량, 도로 구간별 차량속도 변수간의 상관관계 분석 및 회귀분석을 통해 변수의 유의성을 파악하고, 산업단지의 시간대별 PM2.5를 예측하는 데 활용하였다. 인공지능 기반의 Random Forest, XGBoost, LightGBM, Deep neural network과 Voting 모델을 통해 산업단지의 시간별 PM2.5 농도를 예측하고, RMSE를 기준으로 비교분석을 진행하였다. 예측 결과 RMSE는 각각 6.27, 6.41, 6.22, 6.64, 6.12로 각 모델 모두 에어코리아에서 예측하는 모델의 10.77에 비해 매우 높은 성능을 보여주었다.
도심지 교통흐름 및 미세먼지 예측을 위한 딥러닝 LSTM 프레임워크
http://doi.org/10.5626/JOK.2020.47.3.292
정확하고 시기 적절한 예측은 스마트시티의 성공적인 추진을 위한 중요한 단계이다. 매일 수집되는 교통 데이터의 급격한 성장으로, 도심지에서 단기 교통 예측을 위한 최근 연구는 장단기메모리 LSTM(Long-Short Term Memory) 기반의 딥러닝으로 집중되고 있다. 하지만 단기 (5분) LSTM 모델은 실시간 비선형 교통흐름 예측에는 한계가 있다. 더욱이, 교통 데이터에 기반한 미세먼지 예측은 또한 매우 시급한 연구 분야이다. 따라서 본 논문에서는, 중기/장기 예측을 지원하기 위한 멀티 층 LSTM 프레임워크를 설계하였다. 또한 교통데이터 기반 미세먼지 흐름을 예측하기위한 컨볼루션 ConvLSTM(Convolutional LSTM) 모델을 개발하였다. 교통흐름 예측을 위하여 대전시 중심도로의 차량검지기 VDS (Vehicle Detection System) 데이터를 활용하였다. 실험 결과 본 논문에서 제안한 모델은 우수한 예측 성능을 보여주었다.
