최근 들어 4차 산업혁명이 시작되는 계기로 다양한 학문과 ICT 기술이 융합되는 새로운 기술혁신의 시대가 열리게 되었고 환경분야에서도 머신러닝을 활용한 환경분야의 데이터 예측 연구에 많은 관심을 가지게 되었다. 과거에 각 지역에서 다양한 수질오염사고가 발생한 이후, 정부에서는 상수원 수질 보호, 다양한 수질오염사고 감시, 수질오염 사고시 조기발견 및 신속한 대처를 위해 TMS(Tele Metering System)를 도입하였는데 기존시스템에서는 수질모니터링 시스템의 다양한 데이터를 분석하여 측정값을 사전에 예측할 수 있는 정보가 부족하고 숙련된 운영자의 경험에 의존하여 공정을 운영하는 경우가 대부분이다.
본 연구는 이러한 문제의 개선점을 찾아 보고자 유입수와 방류수의 수질데이터를 활용하여 순환신경망구조인 딥러닝 시계열 학습을 수행하였고, LSTM과 GRU 모델을 통해 방류수를 예측할 수 있는 모델을 실험하였다.
첫번째 실험에서는 LSTM과 GRU 모델중 유입수를 통한 방류수의 BOD와 COD 예측값을 위하여 GRU 모델과 LSTM 모델을 활용하여 파라미터 예측 분석을 수행하였고 모델성능평가를 통해 GRU 모델이 RMSE 모델보다 RMSE와 MAPE값이 좀 더 좋은 결과가 나온 것을 알 수 있었다. 이러한 차이에 대한 유의성 여부를 판단하기위해 t-test 대응비교를 활용 하였는데, 분석 결과가 LSTM과 GRU중 명확하게 우의성을 판단하기 어려우므로 상황에 따라 적합한 모델을 선택적으로 사용하면 될 것으로 판단할 수 있다.
두 번째 실험에서는 방류수를 통한 미래방류수 COD 예측값을 진행하였고 첫번째 실험과 같은 방법으로 LSTM과 GRU 모델성능평가를 수행하여 GRU 모델이 LSTM 모델보다 RMSE와 MAPE 값이 좋은 결과를 나타난 것을 알 수 있었다. 두 번째 실험결과도 마찬가지로 GRU 모델과 LSTM 모델의 차이에 대한 유의성여부를 판단하기위해 t-test 대응비교를 활용하였고 결과를 통해 실제 LSTM 오차율과 GRU 오차율의 평균은 큰 차이가 나타나서 두번째 실험에서는 GRU 모델이 더 적합하다고 볼 수 있었다.
이 두가지 예측실험결과로 순환신경망구조인 LSTM과 GRU 모델의 최적화를 구현하여 시간의 흐름에 따른 방류수 BOD와 COD값의 트랜드를 예측할 수 있고, 특히 허용치기준이 올라가는 이상치시점에 대한 사전 예측이 가능한 것을 확인 할 수 있었다.