지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
이용수
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
목적: 본 연구에서는 경안천의 용존 산소(dissolved oxygen, DO) 예측을 위해 기계 학습(machine learning) 모델의 최적 입력 인자를 선정하고 성능 평가 지표 결과를 비교하여 최적 모델을 찾고자 한다.
방법: 경안천 특정 지점의 수질 자료를 연구대상으로 삼아 1998년 1월 15일부터 2019년 12월 30일까지 자료를 수집하고, 전처리한 데이터를 7:3의 비율에 따라 train과 test 자료로 나누어 실험을 진행하였다. 기계 학습 중 랜덤포레스트(random forest, RF), 인공신경망(artificial neural network, ANN), 합성곱 신경망(convolutional neural network, CNN), 게이트 순환 유닛(gated recurrent unit, GRU) 등을 이용하였다. RF와 ANN은 무작위 추출(random split)과 시계열 자료(time series)로 구분하여 실험하였으며, CNN과 GRU는 시계열 자료만 이용하여 실험을 진행하였다. 모델별 최적의 결과를 비교하기 위해 성능 평가 지표(결정 계수(square of the correlation coefficient, R²), 평균 제곱근 오차(root mean square error, RMSE), 평균 절대 오차(mean absolute error, MAE))를 사용하였다.
결과 및 토의: RF 기여도 분석 결과와 참고문헌을 통해 최적 입력 인자로 수온, pH, 전기 전도도, PO₄-P, NH₄-N, 총 인, 부유물질, NO₃-N 등으로 선정하였다. RF와 ANN 모두 무작위 추출보다 시계열 자료의 성능이 더 우수하였다. 시계열 자료를 이용하여 모델 성능을 비교해 보면, RF ＞ CNN ＞ GRU ＞ ANN 순으로 나타났다.
결론: 본 연구에서 경안천의 DO 예측을 위한 기계 학습 모델의 최적 입력 인자로 8개(수온, pH, 전기 전도도, PO₄-P, NH₄-N, 총 인, 부유물질, NO₃-N)를 선택하였다. DO 예측에 가장 우수한 모델은 시계열 자료를 사용한 RF모델이었다. 따라서 경안천과 같은 하천의 DO를 예측하는 경우 최적 입력 인자 선정 후 시계열 자료를 바탕으로 RF 모델을 이용할 것을 제안한다.
방법: 경안천 특정 지점의 수질 자료를 연구대상으로 삼아 1998년 1월 15일부터 2019년 12월 30일까지 자료를 수집하고, 전처리한 데이터를 7:3의 비율에 따라 train과 test 자료로 나누어 실험을 진행하였다. 기계 학습 중 랜덤포레스트(random forest, RF), 인공신경망(artificial neural network, ANN), 합성곱 신경망(convolutional neural network, CNN), 게이트 순환 유닛(gated recurrent unit, GRU) 등을 이용하였다. RF와 ANN은 무작위 추출(random split)과 시계열 자료(time series)로 구분하여 실험하였으며, CNN과 GRU는 시계열 자료만 이용하여 실험을 진행하였다. 모델별 최적의 결과를 비교하기 위해 성능 평가 지표(결정 계수(square of the correlation coefficient, R²), 평균 제곱근 오차(root mean square error, RMSE), 평균 절대 오차(mean absolute error, MAE))를 사용하였다.
결과 및 토의: RF 기여도 분석 결과와 참고문헌을 통해 최적 입력 인자로 수온, pH, 전기 전도도, PO₄-P, NH₄-N, 총 인, 부유물질, NO₃-N 등으로 선정하였다. RF와 ANN 모두 무작위 추출보다 시계열 자료의 성능이 더 우수하였다. 시계열 자료를 이용하여 모델 성능을 비교해 보면, RF ＞ CNN ＞ GRU ＞ ANN 순으로 나타났다.
결론: 본 연구에서 경안천의 DO 예측을 위한 기계 학습 모델의 최적 입력 인자로 8개(수온, pH, 전기 전도도, PO₄-P, NH₄-N, 총 인, 부유물질, NO₃-N)를 선택하였다. DO 예측에 가장 우수한 모델은 시계열 자료를 사용한 RF모델이었다. 따라서 경안천과 같은 하천의 DO를 예측하는 경우 최적 입력 인자 선정 후 시계열 자료를 바탕으로 RF 모델을 이용할 것을 제안한다.
목차
1. 서론
2. 연구 방법
3. 결과 및 고찰
4. 결론
References
참고문헌 (55)
참고문헌 신청
R. Barzegar, M. T. Aalami, J. Adamowski, Short-term water quality variable prediction using a hybrid CNN-LSTM deep learning model, Stoch. Environ. Res. Risk Assess., 34, 415-433(2020).
H. Lu, X. Ma, Hybrid decision tree-based machine learning models for short-term water quality prediction, Chemosphere, 249, 1-12(2020).
A. Najah, A. E. Shafie, O. A. Karim, A. H. E. Shafie, Application of artificial neural networks for water quality prediction, Neural. Comput. Appl., 22, 187-201(2013).
M. Salari, E. S. Shahid, S. H. Afzali, M. Ehteshami, G. O. Conti, Z. Derakhshan, S. N. Sheibani, Quality assessment and artificial neural networks modeling for characterization of chemical and physical parameters of potable water, Food Chem. Toxicol., 118, 212-219(2018).
I. J. Kim, Deep learning: a new trend in machine learning, KICS, 31(11), 52-57(2014).
H. Lu, X. Ma, Hybrid decision tree-based machine learning models for short-term water quality prediction, Chemosphere, 249, 1-12(2020).
A. Najah, A. E. Shafie, O. A. Karim, A. H. E. Shafie, Application of artificial neural networks for water quality prediction, Neural. Comput. Appl., 22, 187-201(2013).
M. Salari, E. S. Shahid, S. H. Afzali, M. Ehteshami, G. O. Conti, Z. Derakhshan, S. N. Sheibani, Quality assessment and artificial neural networks modeling for characterization of chemical and physical parameters of potable water, Food Chem. Toxicol., 118, 212-219(2018).
I. J. Kim, Deep learning: a new trend in machine learning, KICS, 31(11), 52-57(2014).
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
기계학습을 이용한 경안천의 용존 산소 예측
대한환경공학회 학술발표논문집
2020 .11
-
태양광 발전량 예측을 위한 랜덤포레스트와 순환신경망 비교
대한환경공학회지
2021 .05
-
영흥 풍력발전단지의 풍력발전량 예측을 위한 입력변수 선정 및 인공신경망과 1차원 합성곱 신경망 비교
대한환경공학회지
2021 .04
-
A Novel Enhanced Random Forest for Medical Data Classification using Correlation Pearson and Best Number of Trees
Journal of Computing Science and Engineering
2024 .03
-
RF 프론트엔드 모듈 구현을 위한 고 전력 RF 스위치 기술 개발
대한전자공학회 학술대회
2016 .06
-
에너지 인터넷을 위한 GRU기반 전력사용량 예측
전기전자학회논문지
2019 .03
-
선형보간법을 이용한 기계학습 기반 매립지 침출수 발생량 예측 모델 개발
대한환경공학회지
2023 .01
-
위성 안테나간 RF 커플링 시험을 위한 측정환경 검증 방법
항공우주시스템공학회 학술행사 논문집
2023 .10
-
ANN 모델링 및 CNN 기반 예측모델을 이용한 단방향 복합재료의 가로방향 기계적 거동 예측 성능 비교
한국항공우주학회 학술발표회 초록집
2021 .07
-
주변 RF 에너지 하베스팅을 위한 저전력 고감도 RF-DC 컨버터 설계
대한전자공학회 학술대회
2024 .06
-
하천 홍수 예측을 위한 CNN 기반의 수위 예측 모델 구현
한국정보통신학회논문지
2021 .11
-
RF Energy 제품개발 및 응용 연구를 위한 장비형 고출력 RF Generator 개발
대한전자공학회 학술대회
2021 .06
-
미세플라스틱 측정용 PDMS 기반 RF 공진 센서 제작 및 ANN을 활용한 센서 데이터 분류 모델 설계
대한전자공학회 학술대회
2022 .06
-
항공기 RF 케이블 선정에 대한 위험 관리요소 검토
한국항공우주학회 학술발표회 초록집
2020 .07
-
CNN-GRU모델을 이용한 음성데이터 감정 분석 연구
한국통신학회 학술대회논문집
2024 .06
-
인공신경망을 이용한 지하수위 예측과 계절효과 반영을 위한 입력치의 영향
Ecology and Resilient Infrastructure
2018 .09
-
저 자기장 조골세포 재형성 시스템용 RF 코일 설계
한국전자파학회논문지
2018 .11
-
합성곱신경망을 이용한 진동 시계열 데이터 분석
한국소음진동공학회 학술대회논문집
2017 .04
-
제조 시계열 데이터 처리를 위한 순환합성곱 신경망 모델
대한기계학회 춘추학술대회
2017 .02
-
시계열데이터 예측을 통한 주가예측 정확도 향상
한국통신학회 학술대회논문집
2021 .11
이 논문의 저자 정보
이 논문과 함께 이용한 논문
항공기 연료탱크 감압조건 중 교란효과를 고려한 용존산소 배출율 비교
배강식
,
전재혁
,
강병길
외 2명
한국항공우주학회 학술발표회 초록집
2019
.04
재생형 미세버블 펌프의 버블 사이즈 및 용존 산소량 측정
전석윤
,
김철규
,
이상문
외 1명
한국유체기계학회 학술대회 논문집
2018
.07
Prediction of chloride concentration in groundwater on Jeju Island using XGBoost regression machine learning
심대천
,
이진용
,
장지욱
외 1명
지질학회지
2022
.06
태양광 발전량 예측을 위한 랜덤포레스트와 순환신경망 비교
김라멕
,
김경민
,
안종화
대한환경공학회지
2021
.05
영흥 풍력발전단지의 풍력발전량 예측을 위한 입력변수 선정 및 인공신경망과 1차원 합성곱 신경망 비교
박태희
,
장다슬
,
배경민
외 2명
대한환경공학회지
2021
.04
최근 본 자료
댓글(0)
0
UCI(KEPA) : I410-ECN-0101-2021-539-001637418