다층신경망을 이용한 도시부 도로 미세먼지 농도 예측 모형 연구

Abstract

미세먼지 농도와 교통류 사이의 인과관계는 복잡하고 불분명한 것으로 알려져 있다. 통계모형 등 전통적인 방법론을 이용한 연구들에서 그 관계를 명확히 규명하지 못한 이유이다. 이러한 한계를 극복하고자 최근에는 딥러닝을 이용하여 미세먼지와 교통류 사이의 인과관계를 규명하려는 연구들이 진행되고 있다. 하지만 지역에 따라 교통류 상황이 끊임없이 변하기 때문에 시간적, 공간적 특성을 고려한 예측 모형으로 발전하지 못하고 있다. 이에 본 연구에서는 특정 도로구간을 반복 주행하면서 실시간으로 수집한 자료를 바탕으로 다층신경망을 구축하였다. 데이터 전처리, 신경망 구조설정, 신경망 학습설정, 신경망 성능평가의 과정을 거쳤다. 여러 예비 신경망 모형의 검증을 통해 가장 성능이 좋은 신경망을 제시하고, 신경망의 성능을 향상하는 입력변수를 식별하였다. 또한 각각의 입력변수가 미세먼지 농도에 어떻게 영향을 미치는지 분석하였다. 연구의 주요 결과는 다음과 같다. 첫째, 교통류와 기온을 제외한 모든 기상변수를 투입한 모형의 성능이 가장 우수하였다. 둘째, 교통량, 중차량 수, 가속도의 증가는 미세먼지 농도를 증가시키는 반면 평균속도의 증가는 미세먼지 농도를 감소시켰다. 기상요인은 모두 증가할수록 미세먼지 농도를 감소시켰다. 셋째, 입력변수의 기여도 분석을 통해서 무거운 차량이 일반차량에 비해, 자동차의 가속 및 감속이 평균속도에 비해 미세먼지 농도에 더 큰 영향을 미쳤다. 연구결과를 바탕으로 미세먼지 저감을 위한 교통 관리 방안을 도출할 수 있다. 우선 차량의 급격한 가속, 감속을 줄일 수 있는 교통 관리 방안이 대기질 개선을 위한 현명한 전략이 될 수 있다. 다음으로 대형차에 과금하는 세제개편도 대기질을 관리할 수 있는 효과적인 방안이 될 수 있다. 장기적으로는 신소재 연구를 통해 마모에 강한 타이어와 차체를 가볍게 할 수 있는 자동차 프레임의 개발이 필요할 것이다.

The causality between particulate matter (PM) concentrations and traffic characteristics is known to be complex and unclear. This is why studies using traditional methodologies such as statistical models have not clearly identified the causality. In order to overcome these limitations, studies have recently been conducted to investigate the causality between PM concentrations and traffic characteristics using deep learning. However, since the traffic situation changes constantly depending on the region, a prediction model considering the temporal and spatial characteristics is needed. Therefore, in this study, a multi layer perceptron was built based on data collected in real time while repeatedly driving a specific road section. The process of building a multi layer perceptron consists of data pre-processing, neural network structure setting, neural network learning setting, and neural network performance evaluation. Validation of several preliminary neural network models presents the best performance neural network and identifies input variables that improve the performance of the neural network. In addition, how each input variable affects the PM concentrations was analyzed. The main findings of the study are as follows. First, the performance of the model with traffic variables and all weather variables except temperature was the best. Second, the increase in total vehicles, number of heavy vehicles, and acceleration increased the PM concentrations, while the increase in average speed decreased the PM concentrations. As all weather factors increased, the PM concentrations decreased. Third, through the analysis of the contribution of input variables, it was found that heavy vehicles affect PM concentrations more than general vehicles, and acceleration and deceleration of vehicles affect PM concentrations more than average speed. Based on the research results, traffic management measures can be derived to reduce PM concentrations. First of all, traffic management measures that can reduce the rapid acceleration and deceleration of vehicles can be a smart strategy for improving air quality. Next, reform of taxation that imposes more penalties to heavy vehicles can also be an effective measure that can manage air quality. In the long run, more research in terms of new materials should be conducted on light but strong car frames and wear-resistant tires.