본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

초록보기

최근 미세먼지가 건강에 미치는 영향은 큰 화두가 되고 있다. 미세먼지는 코의 점막에 걸러지지 않고 인체 내부까지 침투하여 호흡기에 영향을 미치기 때문에 위험하다. 미세먼지는 산업과 직접적으로 연관되어있기 때문에 미세먼지를 제거하는 것은 사실상 불가능하다. 따라서 미세먼지 농도를 사전에 예측할 수 있다면 사전 조치를 취해 인체에 미치는 영향을 줄일 수 있다. 미세먼지는 하루 600km 이상 이동할 수 있는 특성을 가진다. 이러한 특성으로 인해 미세먼지는 인접 구뿐만 아니라 멀리 떨어져있는 구에도 직접적인 영향을 미친다. 본 논문에서는 풍향, 풍속 데이터와 시계열 예측 모델을 이용하여 서울특별시의 미세먼지 농도를 예측하고, 서울특별시의 미세먼지 농도와 지역별 미세먼지 농도의 상관관계를 확인했다. 또한, 각 지역별 미세먼지 농도와 서울특별시의 미세먼지 농도를 이용하여 예측을 진행했다. 예측 결과에서 가장 낮았던 MAE(평균 절대 오차)는 12.13으로 선행연구에서 제시된 MAE인 14.3 보다 약 15.17% 더 예측성능이 향상된 것을 확인했다.

Recently, the impact of fine dust on health has become a major topic. Fine dust is dangerous because it can penetrate the body and affect the respiratory system, without being filtered out by the mucous membrane in the nose. Since fine dust is directly related to the industry, it is practically impossible to completely remove it. Therefore, if the concentration of fine dust can be predicted in advance, pre-emptive measures can be taken to minimize its impact on the human body. Fine dust can travel over 600km in a day, so it not only affects neighboring areas, but also distant regions. In this paper, wind direction and speed data and a time series prediction model were used to predict the concentration of fine dust in Seoul, and the correlation between the concentration of fine dust in Seoul and the concentration in each region was confirmed. In addition, predictions were made using the concentration of fine dust in each region and in Seoul. The lowest MAE (mean absolute error) in the prediction results was 12.13, which was about 15.17% better than the MAE of 14.3 presented in previous studies.

권호기사

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 목차
ATLAS V2.0 데이터에서 의료영상 분할 모델 성능 비교 = Comparison of performance of medical image semantic segmentation model in ATLASV2.0 data 우소연, 구영현, 유성준 p. 267-274

유전자 발현량 데이터 증대를 위한 Conditional VAE 기반 생성 모델 = Conditional variational autoencoder-based generative model for gene expression data augmentation 봉현수, 오민식 p. 275-284

기상 및 미세먼지 정보를 활용한 서울시의 미세먼지 농도 조기 예측 = Early prediction of fine dust concentration in Seoul using weather and fine dust information 이한주, 지민규, 김학동, 전태흘, 김청원 p. 285-292

딥러닝 기반 CT 스캔 재구성을 통한 조영제 사용 및 신체 부위 분류 성능 향상 연구 = A study on the use of contrast agent and the improvement of body part classification performance through deep learning-based CT scan reconstruction 나성원, 고유선, 김경원 p. 293-301

자율주행 영상데이터의 신뢰도 향상을 위한 AI모델 기반 데이터 자동 정제 = AI model-based automated data cleaning for reliable autonomous driving image datasets 김가나, 김학일 p. 302-313

스케일러블 동적 메쉬 압축을 위한 SHVC 기반 텍스처 맵 부호화 방법 = SHVC-based texture map coding for scalable dynamic mesh compression 권나성, 변주형, 최한솔, 심동규 p. 314-328

3차원 LiDAR 점군 데이터에서의 가상 차량 데이터 생성을 위한 구면 점 추적 기법 = Spherical point tracing for synthetic vehicle data generation with 3D LiDAR point cloud data 이상준, 김학일 p. 329-332

지식 증류 기법을 사용한 트랜스포머 기반 초해상화 모델 경량화 연구 = A study on lightweight transformer based super resolution model using knowledge distillation 김동현, 이동훈, 김아로, Vani Priyanka Gali, 박상효 p. 333-336

참고문헌 (16건) : 자료제공( 네이버학술정보 )

참고문헌 목록에 대한 테이블로 번호, 참고문헌, 국회도서관 소장유무로 구성되어 있습니다.
번호 참고문헌 국회도서관 소장유무
1 D. Shin, “Health Effects of Ambient Particulate Matter”, Joarnal of Korean Medical Association, Vol.50, No.2, , pp.175-182, 2007. doi: https://doi.org/10.5124/jkma.2007.50.2.175 미소장
2 G. Shin, J. Kim, and Y. Choi, “A Study on the Data Model Design of Fine Dust Related Disease”, Jounal of The Korea Society of Information Technology Policy & Management (ITPM), Vol.10, No.1. pp.655-659, 2018. http://scholarworks.bwise.kr/ssu/handle/2018.sw. ssu/31956 미소장
3 D. Loomis et al., "The carcinogenicity of outdoor air pollution.", Lancet Oncology, Vol.14, No.13, pp.1262 ,2013. doi: https://doi.org/10.1016/S1470-2045(13)70487-X 미소장
4 J. Park, Y. Park, E. Lee and K. Lee, "Analysis on the Effects of Particular Matter Distribution on the Number of Outpatient Visits for Allergic Rhinitis", Health Policy and Management Vol.30, No.1, pp.50-61, 2020. doi: https://doi.org/10.4332/KJHPA.2020.30.1.50 미소장
5 W. Jung, “South Korea’s Air Pollution: Gasping for Solutions”, Policy Brief, Vol.199, pp.1-4, 2017. 미소장
6 S. Jeon, and Y. Son, “Prediction of fine dust PM 10 using a deep neural network model”, The Korean journal of applied statistics, Vol.31, No.2, pp.265-285, 2018doi: https://doi.org/10.5351/KJAS.2018.31.2.265 미소장
7 P. Soh, J. Chang, and J. Huang, "Adaptive deep learning-based air quality prediction model using the most relevant spatial-temporal relations", Ieee Access, Vol.6, pp.38186-38199, 2018. doi: https://doi.org/10.1109/ACCESS.2018.2849820 미소장
8 S. Kim, J. Lee, and J. Seo, “Deep-dust: Predicting concentrations of fine dust in Seoul using LSTM”, arXiv preprint arXiv:1901.10106, 2019. doi: https://doi.org/10.48550/arXiv.1901.10106 미소장
9 Z. Joharestani et al.,"PM2. 5 prediction based on random forest, XGBoost, and deep learning using multisource remote sensing data", Atmosphere, Vol.10, No.7, pp.373, 2019. doi: https://doi.org/10.3390/atmos10070373 미소장
10 T. Xayasouk, H. Lee, and G. Lee, "Air pollution prediction using long short-term memory (LSTM) and deep autoencoder (DAE) models", Sustainability, Vol.12, No.6, pp. 2570, 2020. doi: https://doi.org/10.3390/su12062570 미소장
11 K. Lee, W. Hwang, and M. Choi, “Design of a 1-D CRNN Model for Prediction of Fine Dust Risk Level”, The Society of Digital Policy and Management, Vol.19, No.2, pp.215-220, 2021. doi: https://doi.org/10.14400/JDC.2021.19.2.215 미소장
12 H. Kim, and T. Moon, "Machine learning-based Fine Dust Prediction Model using Meteorological data and Fine Dust data", Vol.24, No.1, pp.92-111, 2021. doi: https://doi.org/10.11108/kagis.2021.24.1.092 미소장
13 G. Park, "Discovering a fine dust pathway via directed acyclic graphical models", Journal of the Korean Data & Information Science Society, Vol.30, No.1, pp.67-76, 2019. doi: https://doi.org/10.7465/jkdi.2019.30.1.67 미소장
14 A. Dairi et al., "Integrated multiple directed attention-based deep learning for improved air pollution forecasting", IEEE Transactions on Instrumentation and Measurement, Vol.70, pp.1-15, 2021. doi: https://doi.org/10.1109/TIM.2021.3091511 미소장
15 S. Jo, M. Jeong, J. Lee, I. Oh, and Y. Han, "Analysis of Correlation of Wind Direction/Speed and Particulate Matter(PM10) and Prediction of Particulate Matter Using LSTM", Proceeding of Korean Institute of Information Scientists and Engineers, pp.1649-1651, 2020. 미소장
16 H. Zhou et al., "Informer: Beyond efficient transformer for long sequence time-series forecasting", Proceedings of the AAAI conference on artificial intelligence, Vol.35, No.12, pp.11106-111115, 2021. doi: https://doi.org/10.1609/aaai.v35i12.17325 미소장

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차