딥러닝 기법을 활용한 실외 측정 데이터 기반 주택 실내 PM10, PM2.5 농도 예측모델 개발 = Development of Indoor PM10, PM2.5 Concentration Prediction Model of House based on Outdoor measurement VarIable using Deep Learning Technique

다국어 초록 (Multilingual Abstract)

As modern people spend most of their time indoors, it is important to manage the indoor environment and air quality from the perspective of environmental health. Various pollutants are present in the indoor environment, as observed in the outdoor environment. Among them, fine dust can cause respiratory diseases, cardiovascular diseases, and even death. Methods and technologies for monitoring the concentration of fine dust indoors have been developed for controlling indoor dust. However, it remains difficult to apply these methods to multiple and diverse indoor environments. Numerous models that can predict indoor dust concentrations using artificial intelligence were recently developed.
In this study, we developed an outdoor concentration-based indoor fine dust model for predicting the fine dust concentration in indoor environments using outdoor observation data and deep learning techniques. The concentration of fine dust in outdoor environments has been continuously observed and predicted by national and local administrative organizations.
Linear regression models were used to develop the indoor fine dust concentration prediction models based on outdoor measurements. Three types of models (simple linear regression model, ordinary least squares (OLS)-based multiple linear regression model, and stochastic gradient descent (SGD)-based multiple linear regression model) were developed and learned with differences according to the number of variables and weight estimation method using the linear regression models. The PM10, PM2.5, temperature, and relative humidity measured simultaneously indoors and outdoors in a house for one year were used for model learning. We also attempted to overcome the limitations of existing linear regression models in reflecting time series data and improving model performance by removing outliers from the collected data over time.
The OLS-based simple linear regression model and OLS- and SGD-based multiple linear regression model were developed based on the learning results of the indoor fine dust prediction model. For the learning results between models, the predictive performance of the multiple linear regression model was superior to that of the simple linear regression model. In contrast, based on the predictive values of the model according to the weight estimation method, the model to which the deep learning method was applied showed high predictive power in the low-concentration region.

국문 초록 (Abstract)

현대인은 하루 중 대부분의 시간을 실내환경에서 보냄에 따라 환경보건학적 관점에서 실내환경 및 공기질 관리의 중요성이 증대되고 있다. 실내환경도 실외환경과 같이 다양한 오염물질이 존재하며, 그 중 대표적으로 미세먼지는 호흡기 질환 뿐 아니라 심혈관계 질환, 사망까지 이르게 하는 것으로 알려져 있다. 이러한 실내 미세먼지를 관리하기 위해 실내 미세먼지 농도 모니터링을 위한 방법 및 기술 등이 개발되어지고 있다. 그러나 이들 개발된 모니터링 방법들을 다수 및 다양한 실내환경에 적용하는데 있어서는 현실적 한계를 가지고 있다. 최근 이러한 문제를 해결하고자 인공지능을 활용하여 실내 농도를 예측하는 모델을 개발하는 연구가 다수 수행 중에 있다.
이에 본 연구에서는 실외환경의 미세먼지 농도 관측은 국가 및 지자체 행정조직에서 지속적으로 관측 및 예측을 수행하여오고 있음에 착안하여 이들 실외 관측 및 예측 미세먼지 농도 결과를 활용한 실내환경의 미세먼지 농도를 예측할 수 있는 실외농도 기반 실내 미세먼지 예측모델을 딥러닝 기법을 활용하여 개발하고자 하였다.
실외 측정데이터 기반 실내 미세먼지 농도 예측모델은 선형회귀모델을 사용하였으며, 선형회귀 모델 중 변수의 개수 및 가중치 추정 방법에 따른 차이를 두어 3가지 종류(단순선형회귀모델, OLS기반 다중선형회귀모델, SGD기반 다중선형회귀모델)의 모델을 개발하고 학습을 수행하였다. 모델을 학습하기 위해 1년 동안 주택에서 실내·외 동시에 측정된 PM10, PM2.5, 온도 및 상대습도 데이터를 활용하였다. 또한, 수집된 데이터를 시간대로 분류한 뒤 이상치를 제거함으로써 기존 선형회귀모델의 시계열 데이터 반영이 어려운 한계를 극복하고 모델의 성능을 고도화시키고자 하였다.
실내 미세먼지 예측모델을 학습한 결과 OLS 기반 단순선형회귀모델과 OLS 및 SGD 기반 다중선형회귀모델을 개발하였으며, 모델 간의 학습결과는 단순선형회귀모델 대비 다중선형회귀모델의 예측성능이 우수한 것으로 확인되었다. 한편, 가중치 추정방법에 따른 모델의 예측값을 확인한 결과, 딥러닝 기법인 SGD 기반 예측모델이 저농도 구간에서 높은 예측력을 보였다.

목차 (Table of Contents)

• 목 차
• 1. 서론 1
• 1.1. 연구배경 1
• 1.2. 연구목적 3
• 1.3. 연구흐름도 4
• 2. 연구 방법 6
• 2.1. 센서형 장비를 활용한 실내·외 환경 오염물질 측정 6
• 2.1.1. 연구대상 지점 및 측정 방법 6
• 2.2. 데이터 분석 8
• 2.2.1. 데이터 분석 8
• 2.2.2. 이상치 제거 10
• 2.2.3. 실내 미세먼지 예측모델 변수 선정 12
• 2.3. 예측모델 13
• 2.3.1. Ordinary least squares 기반 선형회귀모델 13
• 2.3.2. 딥러닝기법 기반 다중선형회귀모델 15
• 2.3.3. 모델 성능 평가 방법 18
• 3. 연구결과 21
• 3.1. 실내·외 미세먼지 및 온·습도 분포 특성 21
• 3.1.1. 실내·외 미세먼지 및 온·습도 분포 20
• 3.1.2. 이상치 제거 결과 31
• 3.1.3. 상관성 분석 및 다중회귀모델 변수 선정 34
• 3.2. 실외 데이터 기반 실내 PM10, PM2.5 농도 예측모델 37
• 3.2.1. 단순선형회귀모델 37
• 3.2.2. 다중선형회귀모델 41
• 3.2.3. 딥러닝 기법을 활용한 실내농도 예측모델 47
• 3.2.4. 모델 성능 비교 59
• 4. 고찰 65
• 4.1. 연구방법에 관한 고찰 65
• 4.2. 연구결과에 관한 고찰 68
• 5. 결론 75
• 6. 참고문헌 77
• 7. Abstract 81