개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
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.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2023.12
- 수록면
- 1,038 - 1,049 (12page)
- DOI
- 10.5572/KOSAE.2023.39.6.1038
이용수
이 논문의 연구 히스토리 (3)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
PM<SUB>2.5</SUB> is one of the air pollutants, the most of which are generated through chemical reactions involving emissions from fossil fuels, exhaust gases, and factories. Given PM<SUB>2.5</SUB>’s negative impact on society and health, the importance of prediction is increasing in response to growing public interest. In this study, we aimed to predict the concentration of PM<SUB>2.5</SUB> in Jung-gu, Seoul, using machine learning methods. We collected data on various air pollutants (SO₂, O₃, NO₂, CO, PM<SUB>10</SUB>) that are known to be potential factors affecting PM<SUB>2.5</SUB> levels. We employed seven different machine learning algorithms as base learners and utilized the Super Learner, which combines the predictions obtained from the weight averaging of the seven algorithms. The results indicated that ensemble models, such as Random Forest, Gradient Boosting, and eXtreme Gradient Boosting, exhibited superior predictive performance compared to other base learners. However, most base learners struggled to accurately predict the high concentrations of PM<SUB>2.5</SUB> during the test period. In contrast, the Super Learner delivers more accurate predictions for high-concentration observations, ultimately improving prediction results compared to the base learners.
목차
Abstract
1. 서론
2. 자료 및 방법
3. 결과
4. 결론
References
참고문헌 (0)
참고문헌 신청함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
Super learner technique to combine several learners in groundwater potential mapping
대한지질학회 학술대회
2020 .10
-
PM2.5 농도 예측을 위한 Super Learner 앙상블과 LSTM의 성능 비교
한국기상학회 학술대회 논문집
2023 .11
-
Detection of Face Direction by Using Inter-Frame Difference
조선자연과학논문집
2016 .01
-
Super Learner 앙상블을 활용한 서울시 중구 초미세먼지(PM2.5) 예측
한국기상학회 학술대회 논문집
2023 .04
-
거꾸로 수업기반 지구과학 수업모델 개발 및 적용 사례
대한지구과학교육학회지
2017 .08
-
A Study on Korean Language Learner Variables based on the Statistical Method
Quantitative Bio-Science
2017 .11
-
Working with Diverse Learners in Mathematics Classrooms: An Analysis of Elementary Pre-service Teachers' Perceptions Reflected in Lesson Planning
수학교육연구
2019 .03
-
Teaching Practices for All Learners in the Mathematics Classroom
수학교육연구
2019 .06
-
머신러닝 기법을 활용한 PM2.5 농도 기반 중금속 농도 예측 방법론 제안
한국대기환경학회 학술대회논문집
2023 .10
-
The pre-service secondary teachers' prescription for the middle school students' errors in linear functions
East Asian Mathematical Journal
2015 .01
-
기계학습 알고리즘을 이용한 PM1.0 예측 모델 개발 및 평가 연구
한국대기환경학회 학술대회논문집
2022 .10
-
자동측정망 자료를 활용한 도시철도 공기질 실/내외 영향 분석과 농도 변화 예측
한국대기환경학회지(국문)
2022 .02
-
COMPARATIVE ANALYSIS ON MACHINE LEARNING MODELS FOR PREDICTING KOSPI200 INDEX RETURNS
순수 및 응용수학
2017 .01
-
WRF-CMAQ 모델의 PM2.5 구성성분 농도 모의 개선을 위한 기계학습 기법 적용
한국기상학회 학술대회 논문집
2024 .10
-
Big data와 기계학습을 활용한 PM2.5 예보
한국대기환경학회 학술대회논문집
2022 .10
-
Application of Machine Learning under Changing Climatic Conditions
한국기상학회 학술대회 논문집
2021 .10
-
Large deviations for a super-heavy tailed $\beta$-mixing sequence
대한수학회지
2024 .09
-
지상관측과 기계학습을 활용한 전국 PM2.5 2차 무기이온 성분 분포지도 작성
한국대기환경학회 학술대회논문집
2023 .10
-
Ultrasensitive Detection of Protein by TIRS based Super-Resolution Microscopy for Super-Localization of Nano-Immunoplasmonics
한국분석과학회 학술대회
2018 .05
-
기계 학습 기법을 이용한 PM2.5 결측치 추정
한국대기환경학회 학술대회논문집
2022 .10
이 논문의 저자 정보
이 논문과 함께 이용한 논문
국내 오존의 장기변화를 활용한 WHO 계절 기준의 실효성 분석
박승명
,
한진석
,
안준영
외 5명
한국대기환경학회지(국문)
2024
.08
상자모형을 이용한 서울 겨울철 질산염 생성 메커니즘 분석
여민승
,
이지이
,
신혜정
외 3명
한국대기환경학회지(국문)
2024
.08
도시지역 공원 수목 분포에 따른 초미세먼지 (PM-2.5) 오염도 특성 변화 분석
김지태
,
엄권욱
,
여상구
외 4명
한국대기환경학회지(국문)
2023
.06
미세먼지 농도 예측을 위한 머신러닝 기법의 정확도 분석
김영일
,
이권호
한국대기환경학회지(국문)
2023
.04
대기오염물질의 실시간 단기 예측을 위한 머신러닝 기법의 적용 및 평가
김영일
,
이권호
,
박승한
한국대기환경학회지(국문)
2023
.02
최근 본 자료
댓글(0)
0