Deep Learning-Based Prediction of Outdoor Air Pollution Concentration

기후 변화로 인한 실외 대기 오염 증가와 신종 전염병 확산으로 사람들의 실내 활동이 증가하면서 실내 공기 질 개선을 위한 연구의 필요성이 증대되었다. 본 연구에서는 실내 공기 질이 실외 대기상태와 밀접한 관련이 있을 것이라는 가정에 기반하여 실외 대기 질 예측 모델을 제안하였다. 이 모델은 순환신경망, 구체적으로는 Long Short-Term Memory (LSTM) 입력 변수는 상관관계가 높은 실외 대기오염 물질로 구성되었다. 이 모델은 하이퍼파라미터 최적화를 통해 학습되었으며, 예측 성능은 Root Mean Squared Error (RMSE)를 사용하여 평가되었다. 실험 결과, CO를 제외한 오염 물질에서 단일 요소보다 상관관계가 높은 요소를 사용한 입력 방식이 모델의 예측 성능을 효과적으로 향상시키는 것으로 나타났다. 제안 모델은 실외 대기 환경의 변화에 유연하게 대응할 수 있으며, 실내 공기 질을 효과적으로 제어할 수 있는 설계 기준을 제공한다.