기상정보 예측 성능 개선을 위한 빅데이터 병합 및 딥러닝 모델 최적화 (Big Data Merging and Deep Learning Model Optimization for Improving Weather Information Forecasting Performance)

서지정보

· 발행기관 : 대한전자공학회
· 수록지 정보 : 전자공학회논문지 / 58권 / 5호 / 39 ~ 46페이지
· 저자명 : 고경규, 샤자드, 정은성

초록

급속한 산업화의 영향으로 많은 형태의 대기오염이 증가하고 있으며, 특히 미세먼지는 심장 및 폐 관련 질환을 발생시키거나 악화시키는 등 인체에 악영향을 끼친다. 본 연구에서는 미세먼지 피해를 줄이기 위한 해결방안으로 사전에 대응할 수 있도록 8시간 후의 미세먼지 수치를 예측한다. 우리는 정확한 예측을 위해 다양한 dataset을 구성하였고 시계열 데이터 예측에서 좋은 성능을 보여주는 LSTM 계열의 모델인 Stacked LSTM, LSTM AutoEncoder, LSTM Variational AutoEncoder를 이용한다. 연구 결과 데이터 수의 증가는 모델의 성능을 향상시키지 못했으나 feature 수의 증가는 모델의 성능을 향상시켰다. 또한, feature 수가 많은 dataset일수록 LSTM AutoEncoder가 가장 좋은 성능을 보였다.

영어초록

Due to the rapid industrialization, many forms of air pollution are increasing, especially particulate matter has an adverse effect on the human body, such as causing or worsening heart and lung-related diseases. This research predicts particulate matter levels in 8-hours so that it can respond in advance as a solution to reduce fine dust damage. We construct various datasets for accurate prediction and utilize Stacked LSTM, LSTM AutoEncoder, and LSTM Variational AutoEncoder, models of the LSTM family that show good performance in time series data prediction. Research show that the increase in the number of data did not improve the performance of the model, but the increase in the number of features improved the performance of the model. Furthermore, the higher the number of features, the better the LSTM AutoEncoder performance.

참고자료

· 없음