검색 상세

센서 데이터와 딥 러닝을 이용한 실내 공기 지표 측정 및 추세 예측 모델

Indoor Air Index Measurement and Regression Analysis Model through Sensor Data with Deep Learning

안재현 (Ahn, Jae Hyun, 서강대학교 일반대학원 컴퓨터공학과)

원문보기

초록 moremore
실내 공기 지표 측정은 측정 대상 공간의 대기 상태 유지, 외부 변인으로 인한 대기 이상 현상을 검출하려는 방법이다. 이러한 측정 방식은 거시적으로는 기상 관측부터 실험용 밀폐 용기, 미시적으로는 가정용 냉장고까지 다양하게 사용되고 있다. 그런데 실내 공간의 경우 일출과 일몰, 기상 환경의 변화, 사람의 출입과 같은 외부 요인에 의해 공기 지표와 상태가 크게 변화한다. 이것은 변인 요소들이 개입 시간이 짧은 것에 비해 공기 지표에 미치는 영향력이 크고, 영향을 받는 대상 공간이 작기 때문이다. 그러므로 실험 공간을 대상으로 대기 변...
실내 공기 지표 측정은 측정 대상 공간의 대기 상태 유지, 외부 변인으로 인한 대기 이상 현상을 검출하려는 방법이다. 이러한 측정 방식은 거시적으로는 기상 관측부터 실험용 밀폐 용기, 미시적으로는 가정용 냉장고까지 다양하게 사용되고 있다. 그런데 실내 공간의 경우 일출과 일몰, 기상 환경의 변화, 사람의 출입과 같은 외부 요인에 의해 공기 지표와 상태가 크게 변화한다. 이것은 변인 요소들이 개입 시간이 짧은 것에 비해 공기 지표에 미치는 영향력이 크고, 영향을 받는 대상 공간이 작기 때문이다. 그러므로 실험 공간을 대상으로 대기 변화 공식을 설립하고 매 주기당 대기 농도 변화량을 예측한다는 것은 쉽지 않다. 실내 공기 지표를 주기적으로 기록하면서 변인에 따른 공기 변화에 특정 패턴이 발생함을 관측할 수 있었다. 그러나 앞서 설명하였듯, 이 관측치에 파라미터를 설정하고 계수를 찾아 나가기엔 파라미터의 개수나 그 영향력을 추산하기 어려울 뿐 아니라, 결과가 시간에 의존적이라는 문제가 있다. 따라서 본 실험은 이것을 공식화하는 대신, 측정 주기마다 추이를 예측하는 관측치 중심의 기계 학습 모델을 개발하는 것을 목표로 한다. 이렇게 실험 목표를 설정할 경우, 변인의 개수와 그 영향력 추이를 매 공간, 주기마다 새로 산정하는 문제를 덜어낼 수 있을 뿐만 아니라, 공간 제약이 없는 유연한 관측 모델을 구축할 수 있다. 본 논문은 실내 대기 지표를 주기적으로 전송 및 저장하는 측정기의 기록 데이터로 공기 지표 변화를 예측하는 모델을 설명한다. 그리고 시계열 기반 실내 대기 지표를 예측 모델을 구축하기 위한 관찰 주기를 산출하는 알고리즘을 함께 소개한다.
초록 moremore
Indoor air index measurement is a method for detecting atmospheric abnormal phenomena and external factors. Such a measurement method is broadly used from a weather observation to a closed container for experiment, and a refrigerator for home use. In the case of indoor space, however, the air index ...
Indoor air index measurement is a method for detecting atmospheric abnormal phenomena and external factors. Such a measurement method is broadly used from a weather observation to a closed container for experiment, and a refrigerator for home use. In the case of indoor space, however, the air index and the (atmospheric) state change greatly due to external factors such as sunrise and sunset, changes in the season environment, and human access. This is because the influence of the external factors are large and effective, but the affected space is small. Therefore, it is not easy to establish the general atmospheric estimation formula for a indoor space. While the recording the indoor air index periodically, we are able to observe that the specific pattern occurred in the air according to the variables. However, it is not only difficult to predict the number of potential parameters, set parameters on this observation, find the coefficients, but also the results are time-dependent. Therefore, instead of experiencing difficulties in formulating this, it would be possible to set a machine learning model, which predicts the indoor air index periodically. In this paper, we introduce a microchip capable of periodically recording indoor air index, and a model that estimates atmospheric change based on time series data. In addition, we introduce an algorithm to calculate the observation period that can effectively predict the indoor air index while constructing the time series analysis mod