표제지

목차

제1장 서론 8

1.1. 연구 배경 및 목적 8

1.2. 논문 구성 11

제2장 관련 연구 12

2.1. 수치 기반 예측 모델과 머신러닝 기반 모델 12

2.2. 하이브리드 예측 모델 13

2.3. 데이터의 상관관계를 이용한 예측 모델 13

2.4. 미세먼지 농도 데이터의 특징 14

2.5. 제안 방법의 독창성 15

제3장 제안 방법 17

3.1. ConvLSTM-DNN 네트워크 17

3.2. 공간 이미지 특징 출력 18

3.3. 채널 어텐션 모듈 20

3.4. DNN 입력 데이터를 활용한 미세먼지 농도 예측 21

제4장 실험 결과 및 분석 23

4.1. 실험 환경 및 데이터셋 23

4.2. 모델 평가 29

4.3. 실험 결과 32

제5장 결론 41

참고문헌 42

ABSTRACT 46

〈표 1〉 관측 및 예측의 구성 정보, 입력 데이터에 사용된 대기질 및 기상 변수 26

〈표 2〉 미세먼지 농도 예측을 위한 19개 예측 지역 28

〈표 3〉 예보 모델의 예보 성능을 평가하기 위한 대기오염 수준 표현 방법. 이 수준 표현은 국립환경과학원(NIER)에서 개발, 공기 오염 수준에 따른... 31

〈표 4〉 어텐션 모듈 1개(A), 2개(B)로 네트워크에 적용하였을 때 예측 결과 (진하게 표시한 것은 더 좋은 결과를 의미한다) 32

〈표 5〉 제안하는 모델의 모델 평가 지표 (attention 모듈 적용 w., 미적용 w/o. 구분) 34

〈표 6〉 제안하는 모델의 예측 성능 지표 (attention 모듈 적용 w., 미적용 w/o. 구분) 35

〈표 7〉 제안된 모델에 대한 평가 및 성능 지표, 한국의 19개 지역에 대해 오늘(D+00), 내일(D+01), 모레(D+02)에 대한 결과 37

〈그림 1〉 제안하는 모델의 전체 아키텍쳐, 미세먼지 농도 예측을 위한 모델 학습 과정 예시 17

〈그림 2〉 ConvLSTM 셀의 내부 연산 구조 18

〈그림 3〉 채널 어텐션 모듈의 구조 20

〈그림 4〉 DNN 1차원 데이터를 사용한 미세먼지 농도 예측 프로세스 예시 21

〈그림 5〉 2021-02-01~2021-02-04 해당 일자의 PM2.5 CNN 데이터 시각화 예시 24

〈그림 6〉 DNN의 입력 데이터(T₋₁₁~T₋₀)로 사용되는 데이터 구성 예시 27

〈그림 7〉 어텐션 모듈 1개(A), 2개(B)로 네트워크에 적용하였을 때 예측 결과 그래프 33

〈그림 8〉 학습 및 검증 과정에서의 손실 그래프 34

〈그림 9〉 PM2.5 테스트셋(2021-01~2021-12)에 대한 모델 예측 시각화 시계열 그래프 40