미세먼지 예측을 위한 기계학습 모델 간 성능 비교 연구:국내 발생 데이터를 중심으로
A Comparative Study on the Performance of Machine Learning Models for the Prediction of Fine Dust: Focusing on Domestic and Overseas Factors
0
조회
0
다운로드
7
인용
0
참고문헌
키워드
초록
미세먼지는 대기오염의 주요인으로 각종 호흡계 질병을 초래해 건강을 위협하고 있다. 이러한 상황에서 미세먼지를 줄이기 위해 많은 정책들이 발표되었지만 효과는 크지 않은 상황이다. 본 연구는 국내 미세먼지 수치에 영향을 미치는 다양한 변수들을 분석하고, 미세먼지 수치를 예측하는 데 있어서 최적의 알고리즘을 제안한다. 미세먼지에 영향을 미치는 주요 변수는 기상, 대기오염물질 유입 등의 해외 유입 요인과 국내에서 발생되는 대기오염 요인으로 구분된다. 국내의 미세먼지 수치를 예측하기 위해 교통량, 화력발전량 등의 내부적 요인의 데이터를 활용했다. 분석에는 엑스지부스트(XGBoost), 랜덤포레스트(Random Forest), 서포트벡터머신(SVM), 인공신경망(ANN)의 알고리즘이 적용되었고, 제시된 모형을 통해 미세먼지 수치 예측을 진행했다. 분석 결과, 교통량, 화력발전 등 국내 관련 변수가 추가됨에 따라 기계학습 모형의 예측 정확도가 증가되는 것을 확인할 수 있었다. 또한, Random Forest와 XGBoost를 활용해 변수중요도를 추출한 결과 대기오염물질이 미세먼지를 예측하는데 가장 중요한 변수로 평가되었다. 제시된 알고리즘 중에서는 인공신경망 기법이 가장 예측 정확도가 높은 것을 확인할 수 있었다. 본 연구를 통해 미세먼지 수치 예측에 필요한 국내 변수들의 영향력을 파악하고, 적합한 예측모형을 선정할 수 있다. 또한 이를 활용해 향후 미세먼지 수치를 예측할 수 있다.
Abstract
Fine dust is a major cause of air pollution, causing various respiratory diseases and threatening health. This study analyzes various factors affecting fine dust levels in Korea, and proposes optimal algorithms in predicting fine dust levels. To do this, data from overseas inflow factors such as weather, air pollutants and internal factors of domestic traffic volume and thermal power generation etc are used. According to the analysis results, it was confirmed that the predicted accuracy of machine learning model increases as domestic related variables such as traffic volume and thermal power generation are added. In addition, the inflow of air pollutants from the overseas was evaluated as the most important variable for predicting fine dus. Among the various algorithms, artificial neural network techniques were found to have the highest predictive accuracy. Through this study, we will be able to grasp the influence of domestic/oversea-related variables needed to predict fine dust levels, and improve the accuracy of predictions through suitable models.
참고문헌 (27)
- 강연욱, "국내 화력발전소 배출 미세먼지 저감 및 모니터링 기술 분석", 대한전기학회 학술대회 논문집, pp.1932~1933 (2019)
- 김다빈, "청주시 미세먼지 PM2.5 고농도 발생원인 분석 및 교육적 방안", 한국환경교육학회 학술대회 자료집, pp.93~94 (2018)
- 김종수, "머신러닝 기반의 미세먼지 장기 예측 모델 개발", 대한기계학회 춘추학술대회, pp.424~425 (2019)
- 김형건, "미세먼지 원인 요소들의 영향력 변화 추정: 경유를 중심으로", Journal of The Korean Data Analysis Society, 20(2), pp.747~757 (2018), 한국자료분석학회[DOI]
- 김혜민, "컨조인트 분석법을 이용한 기상관측장비 활용 및 예측모델 정확도 개선의 경제적 가치 추정", 한국혁신학회지, 15(1), pp.301~320 (2020), 한국혁신학회[DOI]
- 문재욱, "랜덤 포레스트를 활용한 지역별 하루 단위 감염병 발생 예측", 한국정보과학회, pp.335~337 (2019)
- 박기형, "여름철 부산지역 초미세먼지(PM-2.5)고농도 원인 분석", 한국대기환경학회 학술대회논문집, pp.167~167 (2019)
- 박순애, "한국의 초미세먼지(PM2.5)의 영향요인 분석 : 풍향을 고려한 계절성 원인을 중심으로", 환경정책, 25(1), pp.227~248 (2017), 한국환경정책학회[DOI]
- 박윤서, "미세먼지 오염 우심지역 고농도 원인분석 연구 : 강원도에 대하여", 한국대기환경학회 학술대회논문집, pp.146~146 (2018)
- 서양모, "기상 데이터를 활용한 LSTM 기반 미세먼지 농도 예측 방법비교", 한국측량학회 학술대회자료집, pp.117~120 (2019)
- 오지훈, "머신러닝을 적용한 주택가격 추정모형 : MARS를 중심으로", 한국주택학회 하반기학술대회 자료집, pp.153~171 (2017)
- 유태종, "화학 수송 모델과 기상 모델을 이용한 석탄 화력 발전소에서배출되는 미세먼지의 거동 분석", 한국전산유체공학회지, 24(4), pp.34~42 (2019), 한국전산유체공학회[DOI]
- 육근형, "항만도시 미세먼지 배출현황과 대응 방향", 한국해양환경에너지학회학술대회논문집, pp.97~ (2017)
- 이미숙, "환경적 요인이 삶의 만족도에 미치는 영향", 한국혁신학회지, 13(4), pp.227~251 (2018), 한국혁신학회[DOI]
- 이상원, "주가 예측을 위한 최적 인공신경망 모형 선택에 관한 연구", 석사, 경영학, pp.2002
- 이태형, "딥러닝 모형을 활용한 서울 주택가격지수 예측에 관한 연구: 다변량 시계열 자료를 중심으로", 주택도시연구, 8(2), pp.39~56 (2018), SH공사 도시연구원[DOI]
- 전송완, "미세먼지 농도 예측 알고리즘 성능 비교", 한국정보과학회 학술발표논문집, pp.775~777 (2017)
- 정용진, "GRU를 이용한 미세먼지(PM10)농도 예측모델", 한국정보통신학회 종합학술대회 논문집, pp.644~646 (2019)
- 조경우, "LSTM을 이용한 PM10 미세먼지 농도 예측", 한국정보통신학회 종합학술대회 논문집, pp.632~634 (2019)
- 조경우, "SVM 알고리즘 기반의 PM10 이진 분류 모델", 한국정보통신학회, 24(1), pp.308~310 (2020)
- 조성환, "강원도 춘천과 영월에서 측정한 미세먼지 농도 특성 및 고농도 원인 분석", 한국대기환경학회지, 32(1), pp.100~113 (2016), 한국대기환경학회[DOI]
- 최민희, "자연재난에 의한 전력설비 피해 예측을 위한 인공신경망(ANN) 알고리즘 개발", 전기학회논문지, 68(9), pp.1085~1093 (2019), 대한전기학회
- 황혜진, "XGBoost 모델 해석을 통한 노인의 인지능력 개선·악화 요인 탐", 한국차세대컴퓨팅학회 논문지, 14(3), pp.16~24 (2018), 한국차세대컴퓨팅학회
- A.K. Jain, "Artificial neural networks: a tutorial", Computer, 29(3), pp.31~44 (1996)
- Drucker, H., "Supprot Vector Regression Machines", Neural Information Processing Systems, 9, pp.155~161 (1997)
- Leo Breiman, "Random Forests", Machine Learning, 45(1), pp.5~32 (2001)
- Tianqi Chen, "XGBoost: A Scalable Tree Boosting System", KDD '16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp.785~794 (2016)