XGBoost를 활용한 폐기물 처리 인계량 예측 모델

국문 초록 (Abstract)

XGBoost를 활용한 폐기물 처리 인계량 예측 모델 이효정 AI·SW융합학과 숭실대학교 대학원 도시화와 산업화 진전으로 인해 발생하는 폐기물이 지속적으로 증가함 에 따라 불법 투기 역시 점차 증가하는 추세에 있어서, 불법 폐기물 투 기 예방을 위한 효과적인 감시·감독이 적실히 필요하다. 본 논문에서는 폐기물의 불법 투기를 효과적으로 예방하고자 XGBoost 를 통한 폐기물 처리 인계량 예측 방법을 제안하였다. 제안하는 방법의 학습단계에서는 계근중량 데이터로 XGBoost를 학습시킨 후, 실시간 예 측 단계에서는 GPS로 차량을 확인한 후, 측정된 계근중량과 인계서에 작성된 인수량을 예측한다. 실험을 위한 자료는 운반차량의 부착되어 있는 GPS와 중량 센서를 이용하여 데이터를 수집한 데이터, 인계서 데이터를 수집한다. 수집된 데 이터를 통해 실제 운반한 차량의 정차위치와 인계서상 작성된 처리지를 매핑 후 장소가 일치하는 데이터를 전처리 작업하였다. 제안모델인 XGBoost와 성능 비교 평가를 위해 머신러닝 알고리즘인 Support Vector Regression(SVR), Bagging Regression, Categorical Boosting(CatBoost)와 딥러닝 알고리즘인 Long Short-Term Memory(LSTM), Deep Neural Newtwork(DNN) 을 학습하여 평가하였 다. 실험 결과 XGBoost가 다양한 알고리즘 중 매우 높은 예측 성능을 보여주었다. 대규모 데이터에서 성능을 처리하고 다루는 것에 있어 속도 와 효율성이 높은 것을 알 수 있고, 실제 데이터의 특성을 잘 반영할 수 있어 딥러닝 알고리즘에 비해서도 성능이 높은 것을 확인 할 수 있었다. 이러한 결과를 통해 폐기물 처리 인계량 예측으로 불법폐기물 투기 예방 모니터링 도구로 활용 가능성을 확인 할 수 있었다.

다국어 초록 (Multilingual Abstract)

Predictive Model for Waste Management Using XGBoost LEE, HYOJEONG Department of AI·SW Convergence Graduate School of Soongsil University As waste continues to increase due to urbanization and industrialization, illegal dumping is also on the rise, necessitating effective monitoring and supervision to prevent illegal waste disposal. In this paper, ws propose a method for predicting waste transfer amount using XGBoost to effectively prevent illegal waste dumping. In the training phase of the proposed method, XGBoost is trained using weight data, and in the real-time prediction phase, vehicles are tracked via GPS, and the measured weight is used to predict the mount recevied as recorded on the transfer documentation. For the experiment, data was collected using GPS and weight sensors attached to transprot vehicles, along with data from the transfer documents. The collected data was preprocessed by mapping the actual stopping locations of the transport vehicles with the recorded siposal sites on the transfer documents, ensuring the locations metched. To evaluate the performance of the proposed XGBoost model, we compared it with machine lrearning algorithms such as Support Vector Regression(SVR), Bagging Regression, Categorical Boosting(CatBoost), and deep learnig algorithms like Long Short-Term Memory(LSTM) and Deep Neural Newtwork(DNN). Expreimental results demonstrated that XGBoost showed very high predictive performance among the various algorithms. it was found to handle large-scale data with high speed and efficiency, reflecting the characteristics of the actual data well, and showing higher performance compared to deep learning algorithms. These result confirm the potential of using the prediction of waste transfer amounts as a monitoring tool to prevent illgal waste dumping.

목차 (Table of Contents)

• 국문초록 v
• 영문초록 vii
• 제 1장 서론 1
• 1.1 연구의 배경 및 목적 1
• 1.2 제안하는 방법 3
• 1.3 논문의 구성 4
• 제 2장 관련 연구 5
• 2.1 폐기물 처리 인계량 예측을 위한 기법 5
• 2.1.1 Support Vector Regression(SVR) 5
• 2.1.2 Bagging Regression 6
• 2.1.3 Categorical Boosting(CatBoost) 7
• 2.1.4 Extreme Gradient Boosting(XGBoost) 8
• 2.1.5 Long Short-Term Memory(LSTM) 8
• 2.1.6 Deep Neural Network(DNN) 9
• 2.2 폐기물 관리 시스템의 현황과 문제점 10
• 제 3장 XGBoost모델을 이용한 폐기물 인계량 예측 11
• 3.1 데이터 수집 11
• 3.2 데이터 전처리 12
• 3.3 학습 모델 구축 14
• 제 4장 실험 및 결과 17
• 4.1 실험 환경 구성 및 평가 방법 17
• 4.1.1 실험 환경 구성 17
• 4.1.2 평가 지표 18
• 4.2 제안모델 성능평가 20
• 4.2.1 성능 평가 20
• 4.2.2 폐기물 인계량 예측 21
• 제 5장 결론 24
• 5.1 연구 결과 및 의의 24
• 참고문헌 26