학교 미세먼지 대응 위한 RNN-LSTM 순환 신경망 미세먼지 예측

Abstract

인공지능에 대한 관심이 높아지고, 딥러닝에 대한 연구가 활발히 진행되고 있다. 인공지능이 최근 주목을 받기 시작한 것은 2006년 DBN(Deep Belief Network)이 발표되면서부터이다. 얼굴 인식, 물체 인식등에서 성능이 뛰어나며 음성인식에 대해서도 활발히 연구가 진행되고 있다. 본 연구에서는 환경오염 중 대기오염에 관심을 가지고 미세먼지를 연구 도메인으로 설정하고, 학교 현장 미세 먼지 수치에 따른 학사일정 변경 등의 대응에 정확한 예측이 가능하도록 는 것에 목표를 두고 연구를 진행한다. 구체적인 연구의 목적은, 기존 미세 먼지 수치 데이터를 바탕으로 예측의 정확도를 향상시켜 학교 현장에 딥러닝을 이용한 미세먼지 예측에 대한 신뢰를 향상시켜 학사일정 변경에 적극 활용할 수 있도록 하는 것이며 나아가 일상생활에 딥러닝을 활용한 예측에 대한 신뢰 높여 학생의 안전과 건강을 지키는데 도움을 주는 것으로, 이를 통해 환경오염으로 불가항력적인 사건들로 부터 학교 대응력을 극대화 할 수 있다. 연구 실험은 BERKELEY EARTH에서 운영하는 홈페이지(http://berkeleyearth.org)를 통해 수집하여 실험 데이터를 분석하여 중국의 미세먼지 데이터와 한국의 미세먼지 데이터를 기본으로 진행한다. 그리고 실험에 맞도록 데이터를 전처리한다. 이미 앞선 실험에서 중국과 한국의 미세먼지 농도의 유사성이 파악되어 풍향, 온도 등의 수치를 고려하지 않고 미세먼지 수치만을 고려한다. 데이터 실험을 위해 딥러닝 모델은 LSTM을 사용하여 예측하도록 한다. 예측 시간을 다양화하여 예측의 정확도를 비교 분석하였다. 그 결과로 20일 히스토리를 이용하여 학습한 후 5시간 후를 예측한 결과가 가장 정확한 것을 알 수 있었다. 연구의 의의는 선행 연구를 분석하여 중국과 한국의 대기오염 유사성을 확인하고 딥러닝의 Features를 간소화 하여 진행하였다는 것과 이웃 나라인 중국의 데이터와 한국의 데이터를 이용한 미세먼지 예측을 시도해 보았다는 것을 뽑을 수 있다. 또한, 실생활과 밀접한 데이터를 이용하여 실험하여 학교에서 활용 가능성을 바탕으로 연구를 시도한 것을 뽑고자 한다.