딥러닝 기반 초단기 PM2.5 범주 예측 평가 연구

Deep Learning for Short-term PM2.5 Category Forecasting Evaluation

연구 내용

초단기 PM2.5 예측을 범주 단위로 평가하고 딥러닝 기반 모델의 예측 성능을 신뢰도 관점과 오차 구조(혼동행렬) 관점에서 비교·분석하는 연구

서울 도심의 초단기 PM2.5를 예측할 때 정확도를 단일 지표로만 해석하지 않고, 관측과 예측을 동일한 농도 범주로 정렬해 성능을 범주별로 점검합니다. 예측의 탐지 성향과 오경보가 동시에 증가하는 경우를 혼동행렬 기반으로 해부하고, 범주별 개선이 특정 조건에서만 나타나는지 시간대 및 발표 시점 기준으로 비교합니다. 또한 장단기 의존성을 반영하는 딥러닝 모델군의 예측 성능을 여러 지역 사례에 적용해 공통점과 한계를 도출하는 방향으로 연구를 수행합니다.

관련 프로젝트

0건

연구 흐름

초기 연구에서는 서울의 단기 PM2.5 예측 결과를 2019~2023 기간의 범주 관측과 직접 대조하여, 범주별 정확도 변화와 오경보율 변화의 동시 발생 양상을 확인했습니다. 이후 예측을 개선하기 위한 평가 틀을 정교화하기 위해 발표 시점(다음날·그 다음날) 등 시간 조건을 분해하여 혼동행렬 기반 원인을 추적하는 흐름으로 확장했습니다. 이후에는 LSTM 계열 등 딥러닝 기반 모델의 지역별 성능을 비교하는 사례 연구를 수행하며, 예측 성능의 구조적 차이를 정리했습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

범주 기반 PM2.5 예측 평가체계
딥러닝 모델 성능 비교 프로토콜
도시별 예측 모델 캘리브레이션
정책 연계형 경보 신뢰도 분석
혼동행렬 기반 오차 진단 도구
예보 발표 시점 최적화 지원
F1 중심 성능 점검 자동화
고농도 구간 위험 의사결정 보조
지역·계절별 성능 편차 진단
다목적 예보 검증 데이터 파이프라인