메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
정하윤 (강원대학교) 곽경환 (강원대학교)
저널정보
강원대학교 환경연구소 Journal of the Environment Journal of the Environment Vol.15 No.1
발행연도
2022.12
수록면
41 - 48 (8page)

이용수

DBpia Top 10%동일한 주제분류 기준으로
최근 2년간 이용수 순으로 정렬했을 때
해당 논문이 위치하는 상위 비율을 의미합니다.
표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
Machine learning, which has been recently used to predict the concentration of fine particulate matter (PM<SUB>2.5</SUB>), can learn a large amount of data and perform classification or regression analysis. Among well-known machine learning algorithms, random forest and XGBoost have less prediction errors and do not have over-fitting problem. It is possible to check which variables have a great influence on the learning process by calculating the importance index. Because it is difficult to understand the classification and prediction process due to the characteristics of machine learning technology, it is necessary to select an appropriate set of input variables suitable for characteristics of the target variable (e.g., PM<SUB>2.5</SUB>). The PM<SUB>2.5</SUB> concentration prediction model developed based on random forest and XGBoost reported in previous domestic and international studies showed similar or better prediction performance compared with other prediction techniques. There were important input variables related to the occurrence factors of PM<SUB>2.5</SUB><SUB></SUB> or high concentration cases such as AOD (aerosol optical depth), PM<SUB>10</SUB>, relative humidity, and maximum wind speed. In particular, in domestic studies which include the influence of upwind countries, the input variables related to the upwind countries have a great influence on the model performance. The best model for predicting PM<SUB>2.5</SUB> concentration depends on the type, period, and dataset of the input variable, so an algorithm suitable for the data should be used through testing experiments. To select an appropriate input variables, we need to check and compare the prediction accuracy of various sets of input variables, as documented by previous studies.
#Machine Learning #Fine Particulate Matter #Random forest #XGBoost #Prediction model

목차

Abstract
1. 서론
2. 랜덤 포레스트와 XGBooSt
3. 해외 연구 사례
4. 국내 연구 사례
5. 결론 및 유의사항
참고문헌

참고문헌 (0)

참고문헌 신청
참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

이 논문의 저자 정보

이 논문과 함께 이용한 논문

미세먼지 농도 예측을 위한 머신러닝 모델 성능 비교
윤정은 ,  이영재 한국통신학회 학술대회논문집 2023 .02
머신러닝을 활용한 지역별 환경요소의 미세먼지 기여도 분석
김민주 ,  정수광 ,  이정훈 한국생활환경학회지 2022 .04
초미세먼지 문제 해결을 위한 연구 및 정책 방향
김용표 한국대기환경학회지(국문) 2017 .06
일반렌즈에 비해 컬러렌즈에 세균이 더 쉽게 부착되는 이유 연구
이동일 한국미생물학회 학술대회논문집 2014 .04
인공지능을 활용한 에코 델타 시티 초미세먼지 예측
김선겸 ,  장봉주 ,  정인택 멀티미디어학회논문지 2023 .11

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2023-539-000368049