Earticle

초록

영어

In this paper, quality control (QC) is applied to each meteorological element of weather data collected from seven IoT sensors such as temperature. In addition, we propose a method for estimating the data regarded as error by means of machine learning. The collected meteorological data was linearly interpolated based on the basic QC results, and then machine learning-based QC was performed. Support vector regression, decision table, and multilayer perceptron were used as machine learning techniques. We confirmed that the mean absolute error (MAE) of the machine learning models through the basic QC is 21% lower than that of models without basic QC. In addition, when the support vector regression model was compared with other machine learning methods, it was found that the MAE is 24% lower than that of the multilayer neural network and 58% lower than that of the decision table on average.

한국어

본 논문은 온도 등 7 가지의 IoT 센서에서 수집된 기상데이터의 각 기상요소에 대하여 품질관리(Quality Control; QC)를 하였다. 또한, 우리는 측정된 값에 오류가 있는 데이터를 기계학습으로 의미있게 추정하는 방법을 제안한다. 수집된 기상데이터를 기본 QC 결과를 바탕으로 오류 데이터를 선형 보간하여 기계학습 QC를 진행하였으며, 기계학습 기법으로는 대표적인 서포트벡터회귀, 의사결정테이블, 다층퍼셉트론을 사용했다. 기본 QC의 적용 유무에 따라 비교해 보았을 때, 우리 는 기본 QC를 거쳐 보간한 기계학습 모델들의 평균절대오차(MAE)가 21% 낮은 것을 확인할 수 있었다. 또한, 기계학습 기법에 따라 비교하여 서포트벡터회귀 모델을 적용하였을 때가, 모든 기상 요소에 대하여 MAE가 평균적으로 다층신경망 은 24%, 의사결정테이블은 58% 낮은 것을 알 수 있었다.

목차

요약
Abstract
1. 서론
2. 관련연구
3. 기상데이터
4. 기본 품질관리
5. 기계학습을 이용한 품질관리
5.1 방법론
5.2 입력 데이터 보간
5.3 품질관리
6. 실험결과
7. 결론 및 향후연구
REFERENCES

키워드

융합 기계학습 품질관리 데이터보정 서포트벡터회귀 다층퍼셉트론 Convergence Machine Learning Quality Control Data Correction Weather Data

저자

• 김혜진 [ Hye-Jin Kim | 광운대학교 컴퓨터과학과 석사과정 ]
• 이현수 [ Hyeon Soo Lee | (주)주빅스 기술연구소 연구원 ]
• 최병진 [ Byung Jin Choi | (주)주빅스 기술연구소 이사 ]
• 김용혁 [ Yong-Hyuk Kim | 광운대학교 컴퓨터과학과 교수 ] Corresponding author

참고문헌

발행기관

간행물