Earticle

초록

영어

This study develops an artificial intelligence prediction system for Fine particulate Matter(PM2.5) based on the deep learning algorithm GAN model. The experimental data are closely related to the changes in temperature, humidity, wind speed, and atmospheric pressure generated by the time series axis and the concentration of air pollutants such as SO2, CO, O3, NO2, and PM10. Due to the characteristics of the data, since the concentration at the current time is affected by the concentration at the previous time, a predictive model for recursive supervised learning was applied. For comparative analysis of the accuracy of the existing models, CNN and LSTM, the difference between observation value and prediction value was analyzed and visualized. As a result of performance analysis, it was confirmed that the proposed GAN improved to 15.8%, 10.9%, and 5.5% in the evaluation items RMSE, MAPE, and IOA compared to LSTM, respectively.

한국어

본 연구는 딥러닝(Deep Learning) 알고리즘 GAN 모델을 기반으로 초미세먼지(PM2.5) 인공지능 예측시 스템을 개발한다. 실험 데이터는 시계열 축으로 생성된 온도, 습도, 풍속, 기압의 기상변화와 SO2, CO, O3, NO2, PM10와 같은 대기오염물질 농도와 밀접한 관련이 있다. 데이터 특성상, 현재시간 농도가 이전시간 농도에 영향을 받기 때문에 반복지도학습(Recursive Supervised Learning) 예측 모델을 적용하였다. 기존 모델인 CNN, LSTM 의 정확도(Accuracy)를 비교분석을 위해 관측값(Observation Value)과 예측값(Prediction Value)간의 차이를 분석하고 시각화했다. 성능분석 결과 제안하는 GAN이 LSTM 대비 평가항목 RMSE, MAPE, IOA에서 각각 15.8%, 10.9%, 5.5%로 향상된 것을 확인하였다.

목차

요약
Abstract
1. 서론
2. 관련연구
3. Deep Learning 모델
3.1 CNN 구조
3.2 LSTM 구조
3.3 GAN 구조
4. 자료수집
4.1 자료수집 및 손실데이타 처리 방법
4.2 시계열 데이터 검증
5. 학습방법
5.1 supervised learning
5.2 반복학습
6. 시험 결과
6.1 모델 정확도 비교
6.2 모델 성능 비교
6.3 실험환경
7. 결론
REFERENCES

키워드

딥런닝 초미세먼지(PM2.5) CNN LSTM GAN 시계열데이터 Deep Learning Fine particulate Matter(PM2.5) Convolutional Neural Network Long Short-Term Memory Generative Adversarial Networks Time Series Data

저자

• 김영희 [ Younghee Kim | 호서대학교 벤처대학원 융합공학과 교수 ] Corresponding Author
• 장관종 [ Kwanjong Chang | 호서대학교 벤처대학원 융합공학과 학생 ]

참고문헌

발행기관

간행물