KR102594820B1 - fine dust prediction system using artificial intelligence - Google Patents
fine dust prediction system using artificial intelligence Download PDFInfo
- Publication number
- KR102594820B1 KR102594820B1 KR1020230047737A KR20230047737A KR102594820B1 KR 102594820 B1 KR102594820 B1 KR 102594820B1 KR 1020230047737 A KR1020230047737 A KR 1020230047737A KR 20230047737 A KR20230047737 A KR 20230047737A KR 102594820 B1 KR102594820 B1 KR 102594820B1
- Authority
- KR
- South Korea
- Prior art keywords
- measuring device
- measurement data
- area
- fine dust
- simple measuring
- Prior art date
Links
- 239000000428 dust Substances 0.000 title claims abstract description 110
- 238000013473 artificial intelligence Methods 0.000 title abstract description 83
- 238000005259 measurement Methods 0.000 claims abstract description 179
- 238000000034 method Methods 0.000 claims description 71
- 238000000149 argon plasma sintering Methods 0.000 claims description 31
- 238000012937 correction Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000005250 beta ray Effects 0.000 claims description 14
- 238000010521 absorption reaction Methods 0.000 claims description 12
- 238000013480 data collection Methods 0.000 claims description 10
- 238000003915 air pollution Methods 0.000 abstract description 6
- 238000009434 installation Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 239000002245 particle Substances 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000009931 harmful effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 231100000357 carcinogen Toxicity 0.000 description 1
- 239000003183 carcinogenic agent Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 210000002345 respiratory system Anatomy 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 208000019553 vascular disease Diseases 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/02—Investigating particle size or size distribution
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N15/10—Investigating individual particles
- G01N15/1012—Calibrating particle analysers; References therefor
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/47—Scattering, i.e. diffuse reflection
- G01N21/49—Scattering, i.e. diffuse reflection within a body or fluid
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume, or surface-area of porous materials
- G01N2015/0096—Investigating consistence of powders, dustability, dustiness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/10—Different kinds of radiation or particles
- G01N2223/102—Different kinds of radiation or particles beta or electrons
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/641—Specific applications or type of materials particle sizing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/651—Specific applications or type of materials dust
Abstract
본 발명은 국내 대기오염 측정망을 구축시 사용된 고가의 정밀측정기를 활용하여 정밀측정기의 측정데이타와 간이측정기의 측정데이타를 학습시키서 단독으로 설치되는 간이측정기의 정확성을 높이는 것이며, 이때 다양한 인공지능 알고리즘을 적용하면서 최적의 알고리즘을 도출하고 해당 알고리즘을 실시간으로 적용하여 정확한 미세먼지 정보를 제공하는 것이며, 병행설치된 간이측정기의 측정값과 기준측정기의 측정값을 인공지능으로 학습시키되, 간이측정기의 측정값에서 기준측정기의 측정값을 정확하게 결과값으로 도출하는 인공지능 알고리즘을 선정한 후, 선정된 인공지능 알고리즘을 단독설치된 간이측정기에 적용하여 정확한 미세먼지 값을 산출하게 한 것이다.The present invention utilizes the expensive precision measuring devices used in constructing the domestic air pollution measurement network to learn the measurement data of the precision measuring devices and the measurement data of the simple measuring devices to improve the accuracy of the simple measuring devices that are installed separately. At this time, various artificial intelligence By applying the algorithm, the optimal algorithm is derived and the algorithm is applied in real time to provide accurate fine dust information. The measured values of the simple measuring device and the standard measuring device installed in parallel are learned using artificial intelligence, and the measurement of the simple measuring device is performed. After selecting an artificial intelligence algorithm that accurately derives the measured value of the standard measuring instrument from the value as a result, the selected artificial intelligence algorithm was applied to a simple measuring instrument installed alone to calculate an accurate fine dust value.
Description
본 발명은 인공지능을 이용한 미세먼지 예측시스템에 대한 것이며, 구체적으로는 인공지능을 이용하여 미세먼지 간이측정기를 활용한 측정시스템의 정확도를 높이기 위한 방법이며, 더욱 구체적으로는 실시간으로 최적의 인공지능 알고리즘을 적용하여 미세먼지 측정값의 측정 정확도를 지속적으로 확보할 수 있는 적용방법에 관한 것이다.The present invention relates to a fine dust prediction system using artificial intelligence. Specifically, it is a method for improving the accuracy of a measurement system using a simple fine dust measuring device using artificial intelligence. More specifically, it is a method for improving the accuracy of a measurement system using a simple fine dust measuring device using artificial intelligence. More specifically, it is a method for improving the accuracy of a measurement system using a simple fine dust measuring device using artificial intelligence. This is about an application method that can continuously secure the measurement accuracy of fine dust measurement values by applying an algorithm.
미세먼지는 세계보건기구(WHO) 산하 국제암연구소(IARC)에서 규정한 1급 발암물질로서 입경 2.5μm 이하인 초미세먼지(PM2.5)는 호흡기를 거쳐 바로 폐포에 도달하여 호흡기 및 혈관 질환 등 인체에 유해한 것으로 알려져 있다. 특히 미세먼지는 겨울부터 봄까지 고농도로 발생하여 일상생활에 많은 유무형의 피해와 악영향을 미치고 있다. 우리나라는 중국에서 불어오는 편서풍의 지리적 영향과 여름철에 집중되는 호우 등의 계절적 특징으로 인해 미세먼지 관리에 많은 어려움을 겪고 있는 실정이다. Fine dust is a class 1 carcinogen defined by the International Agency for Research on Cancer (IARC) under the World Health Organization (WHO). Ultrafine dust (PM 2.5 ) with a particle diameter of 2.5 μm or less passes through the respiratory tract and reaches the alveoli directly, causing harmful effects to the human body, including respiratory and vascular diseases. It is known to be harmful to In particular, fine dust is generated at high concentrations from winter to spring, causing a lot of tangible and intangible damage and negative effects on daily life. Korea is experiencing many difficulties in managing fine dust due to seasonal characteristics such as the geographical influence of westerly winds blowing from China and heavy rains concentrated in summer.
보통 PM-2.5 농도 측정방법에는 중량법, 베타선법, 광산란법이 있는데, 「대기오염공정시험기준」에서는 PM-2.5 측정방법으로 중량법과 베타선법을 적용하고 있다. 현재 전세계적으로 PM-2.5 측정에 광산란법을 이용한 간이측정기가 다수 사용되고 있으므로 광산란법의 장점을 유지하면서 측정값의 신뢰도를 향상시킬 수 있는 방안의 마련이 필요하다.Usually, there are gravimetric method, beta-ray method, and light scattering method for measuring PM-2.5 concentration. In the “Air Pollution Process Test Standard,” the gravimetric method and beta-ray method are applied as PM-2.5 measurement methods. Currently, many simple measuring instruments using the light scattering method are being used worldwide to measure PM-2.5, so it is necessary to prepare a method to improve the reliability of measurement values while maintaining the advantages of the light scattering method.
일반적으로 광산란법을 적용하는 미세먼지 간이측정기는 도시대기측정망에 도입된 베타선 흡수법에 비해 구조가 간단하고, 초(Sec) 혹은 분(Min) 단위 측정이 가능하여 실시간 대기질 정보를 제공할 수 있다. 또한 가격이 비교적 저렴하여 고밀도의 대기측정망 구축이 가능한 장점을 갖는다. 그러나 광산란법은 대기오염공정시험법에 등재되지 않은 시험방법이라는 현실적인 한계와 상대습도에 취약한 장비 특성은 여전히 해결과제로 남아 있다.In general, the simple fine dust measuring instrument that applies the light scattering method has a simpler structure than the beta ray absorption method introduced in the urban air quality measurement network and can provide real-time air quality information as it can measure in seconds (Sec) or minutes (Min). there is. In addition, it has the advantage of being relatively inexpensive, making it possible to build a high-density air measurement network. However, the realistic limitations of the light scattering method as a test method that is not registered in the Air Pollution Process Testing Act and the characteristics of the equipment that are vulnerable to relative humidity still remain as issues to be solved.
광산란법은 PM-2.5 입자의 크기에 따라 광학적으로 다른 산란 특성을 갖는 원리를 적용하는 방식으로써 일반적으로 PM-2.5 입자에 빛을 조사하여 산란되는 산란광의 세기를 전기적 신호로 변환하고, 전기적 신호를 합하여 수농도로 계산하고 마지막으로 질량환산계수를 적용하여 농도로 환산하는 방식이다. 이 방법은 PM-2.5 농도를 실시간(1초~1분)으로 측정할 수 있고, 다른 측정법의 장비보다 비교적 저렴하다는 장점이 있으나, 정확도가 낮아 신뢰도가 떨어진다는 단점이 있어 간이측정기로 분류하고 있다. 간이측정기는 측정된 결과가 그 지역의 PM-2.5 농도를 대표할 수 있는 신뢰도는 없으나 PM-2.5 배출원 감시, 실시간 농도 참고 및 오염지도 작성 등 다양한 분야에서 활용되고 있다. 최근에는 이러한 활용 용도와 목적으로 인해 미세먼지 간이측정기의 가장 큰 단점인 낮은 정확도를 개선하기 위한 다양한 연구와 시도가 진행되고 있다. The light scattering method is a method of applying the principle of optically different scattering characteristics depending on the size of PM-2.5 particles. Generally, light is irradiated onto PM-2.5 particles and the intensity of the scattered light is converted into an electrical signal. This method calculates water concentration by adding them together, and finally converts to concentration by applying a mass conversion coefficient. This method has the advantage of being able to measure PM-2.5 concentration in real time (1 second to 1 minute) and is relatively cheaper than other measurement methods, but has the disadvantage of low accuracy and low reliability, so it is classified as a simple measurement method. . Although the measured results of the simple measuring instrument are not reliable enough to represent the PM-2.5 concentration in the area, it is used in various fields such as monitoring PM-2.5 emission sources, referencing real-time concentration, and creating pollution maps. Recently, due to these uses and purposes, various studies and attempts are being made to improve the low accuracy, which is the biggest drawback of simple fine dust measuring instruments.
보통 광산란법으로 측정한 수치는 PM-2.5의 중량을 이용한 농도 값이 아닌 빛의 굴절 및 산란에 의해 계산된 입자의 개수를 사전에 구한 보정계수(factor)를 적용하여 도출한 상대적인 값이다. 여기에서 보정계수란 광산란법의 한계를 극복하기 위하여 해당 환경에서 PM-2.5를 보정할 수 있는 수치로써 지역의 환경적 특성에 따라 차이가 발생하므로 특정 환경에서 질량 농도 값에 대한 신뢰성이 크게 저하되는 문제가 자주 발생한다. Usually, the value measured using the light scattering method is not a concentration value using the weight of PM-2.5, but a relative value derived by applying a correction factor obtained in advance to the number of particles calculated by refraction and scattering of light. Here, the correction coefficient is a value that can correct PM-2.5 in the relevant environment to overcome the limitations of the light scattering method. Since differences occur depending on the environmental characteristics of the region, the reliability of the mass concentration value is greatly reduced in a specific environment. Problems occur frequently.
광산란법으로 측정된 값은 PM-2.5의 입자밀도에 따라 상대적으로 큰 오차가 발생할 수 있고 상대습도 및 기온과 같은 많은 기후인자로 인하여 지역, 장소 및 계절에 따라 상이한 차이를 나타낼 수 있다. PM-2.5 측정 결과의 오차는 공기 중에 부유하고 있는 PM-2.5 저감에 관한 대책 및 규제농도를 설정하는 데에 있어 큰 어려움이 있다. PM-2.5를 관리하기 위해서는 실시간 측정이 가능한 광산란법의 장점을 극대화하면서 PM-2.5 측정값의 신뢰도를 향상시키는 기술 개발이 절실하다.Values measured using the light scattering method may have relatively large errors depending on the particle density of PM-2.5, and may show different differences depending on the region, location, and season due to many climate factors such as relative humidity and temperature. Errors in PM-2.5 measurement results pose great difficulties in establishing measures and regulatory concentrations for reducing PM-2.5 floating in the air. In order to manage PM-2.5, it is urgent to develop technology that improves the reliability of PM-2.5 measurement values while maximizing the advantages of light scattering methods that enable real-time measurement.
서울시는 2019년부터 어린이, 노약자 등의 미세먼지 취약계층에 대한 미세먼지 정보의 실시간 제공을 통한 건강 보호 및 고농도 배출원의 상시 모니터링을 통한 미세먼지 배출량 억제를 위해 미세먼지 간이측정망을 운영하고 있다. 미세먼지 간이측정망은 공사장, 녹색교통진흥지역, 취약계층보호구역, 집중관리구역 등 배출원을 다양화하여 미세먼지가 고농도로 발생하거나 취약한 지점을 중심으로 간이측정기를 총 450대를 운영하고 있다.Since 2019, the Seoul Metropolitan Government has been operating a simple fine dust measurement network to protect the health of vulnerable groups such as children and the elderly by providing real-time fine dust information and to suppress fine dust emissions through constant monitoring of high-concentration emission sources. The fine dust simple measurement network operates a total of 450 simple measuring devices focusing on locations where fine dust occurs in high concentrations or is vulnerable by diversifying emission sources such as construction sites, green transportation promotion areas, vulnerable class protection areas, and intensive management areas.
그런데, 미세먼지 정보를 제공하기 위해 다양한 장소에 많은 대수로 설치된 간이측정기의 측정값의 정확도가 떨어지는 문제가 있었다.However, there was a problem with the accuracy of the measurement values of the simple measuring instruments installed in large numbers in various places to provide fine dust information.
본 발명은 베타선 흡수법을 적용하는 정밀측정기에 비해 상대적으로 측정의 신뢰성이 떨어지는 광산란법을 적용한 간이측정기의 미세먼지 측정값의 정확도를 향상시키기 위한 것으로, 인공지능 알고리즘을 이용하여 간이측정기의 정확성을 높이는 기술을 제공하는 것을 목적으로 한다. The present invention is intended to improve the accuracy of fine dust measurement values of a simple measuring instrument using a light scattering method, which has relatively lower measurement reliability compared to a precision measuring instrument applying a beta ray absorption method. The accuracy of the simple measuring instrument is improved using an artificial intelligence algorithm. The purpose is to provide heightening technology.
다시 말해, 본 발명은 국내 대기오염 측정망을 구축시 사용된 고가의 정밀측정기를 활용하여 정밀측정기의 측정데이타와 간이측정기의 측정데이타를 학습시키서 간이측정기의 정확성을 높이는 것이며, 이때 다양한 인공지능 알고리즘을 적용하면서 최적의 알고리즘을 도출하고 해당 알고리즘을 실시간으로 적용하여 보다 정확한 미세먼지 정보를 제공하는 것이 목적이다.In other words, the present invention improves the accuracy of the simple measuring device by learning the measurement data of the precise measuring device and the measurement data of the simple measuring device by utilizing the expensive precision measuring device used when building the domestic air pollution measurement network. At this time, various artificial intelligence algorithms are used. The purpose is to provide more accurate fine dust information by deriving an optimal algorithm and applying the algorithm in real time.
본 발명은, 제1지점에 병행 설치되는 베타선 흡수법을 적용하여 미세먼지를 측정하는 제1-1기준측정기와 광산란법을 적용하여 미세먼지를 측정하는 제1-1간이측정기; 제1지점으로부터 일정 반경으로 이루어지는 제1영역 내의 다수 지점에 설치되고 광산란법을 적용하여 미세먼지를 측정하는 제1-2간이측정기; 제2지점에 병행 설치되는 베타선 흡수법을 적용하여 미세먼지를 측정하는 제2-1기준측정기와 광산란법을 적용하여 미세먼지를 측정하는 제2-1간이측정기; 제2지점으로부터 일정 반경으로 이루어지는 제2영역 내의 다수 지점에 설치되고 광산란법을 적용하여 미세먼지를 측정하는 제2-2간이측정기; 상기 제1지점 및 제2지점의 대기환경 측정데이터를 수집하는 데이터 수집부; 상기 데이터 수집부가 수집한 수집데이터를 포함한 데이터를 연산하는 연산부;를 포함하는 미세먼지 예측 예측시스템을 제공한다.The present invention includes a 1-1 standard measuring instrument that measures fine dust by applying a beta ray absorption method installed in parallel at a first point and a 1-1 simple measuring instrument that measures fine dust by applying a light scattering method; A 1-2 simple measuring device installed at a number of points within a first area consisting of a predetermined radius from the first point and measuring fine dust by applying a light scattering method; A 2-1 standard measuring device that measures fine dust by applying a beta ray absorption method and a 2-1 simple measuring device that measures fine dust by applying a light scattering method installed in parallel at a second location; A 2-2 simple measuring device installed at multiple points within a second area formed at a certain radius from the second point and measuring fine dust by applying a light scattering method; A data collection unit that collects atmospheric environment measurement data at the first and second points; It provides a fine dust prediction system that includes a calculation unit that calculates data including the collected data collected by the data collection unit.
본 발명은, 상기 연산부는, 상기 제1지점에 병행 설치된 제1-1간이측정기의 측정데이터와 제1-1기준측정기의 측정데이터로 학습하여, 제1-1간이측정기의 측정데이터와 제1-1기준측정기의 측정데이터의 차이를 보상할 수 있는 보정계수를 갖는 제1최적알고리즘을 산출하는 1-1단계; 상기 제1영역 내에 다수 설치된 제1-2간이측정기에 상기 제1최적알고리즘을 적용하여 해당지역의미세먼지 예측값을 산출하는 1-2단계; 상기 연산부는, 상기 제2지점에 병행 설치된 제2-1간이측정기의 측정데이터와 제2-1기준측정기의 측정데이터로 학습하여, 제2-1간이측정기의 측정데이터와 제2-1기준측정기의 측정데이터의 차이를 보상할 수 있는 보정계수를 갖는 제2최적알고리즘을 산출하는 2-1단계; 상기 제2영역 내에 다수 설치된 제2-2간이측정기에 상기 제2최적알고리즘을 적용하여 해당 지역의 미세먼지 예측값을 산출하는 2-2단계;를 포함한다.In the present invention, the calculation unit learns from the measurement data of the 1-1 simple measuring device and the measurement data of the 1-1 standard measuring device installed in parallel at the first point, and uses the measurement data of the 1-1 simple measuring device and the first -1Step 1-1 of calculating a first optimal algorithm with a correction coefficient that can compensate for differences in measurement data of the standard measuring device; Step 1-2 of calculating a predicted value of fine dust in the area by applying the first optimal algorithm to a number of 1-2 simple measuring instruments installed in the first area; The calculation unit learns from the measurement data of the 2-1 simple measuring device and the measurement data of the 2-1 standard measuring device installed in parallel at the second point, and the measurement data of the 2-1 simple measuring device and the 2-1 standard measuring device Step 2-1 of calculating a second optimal algorithm with a correction coefficient that can compensate for the difference in measurement data; It includes step 2-2 of calculating a predicted value of fine dust in the area by applying the second optimal algorithm to a number of 2-2 simple measuring instruments installed in the second area.
또한, 본 발명에서 제1지점으로부터 일정 반경으로 이루어지는 제1영역과, 제2지점으로부터 일정 반경으로 이루어지는 제2영역이 서로 겹치는 영역을 제1^2영역이라고 하고, 제1^2영역에 설치되는 간이측정기를 제1^2간이측정기라고 하면, 상기 연산부는, 상기 제1지점에 병행 설치된 제1-1간이측정기의 측정데이터와 제1-1기준측정기의 측정데이터 및 상기 제2지점에 병행 설치된 제2-1간이측정기의 측정데이터와 제2-1기준측정기의 측정데이터를 모두 포함한 데이터로 학습하여, 상기 제1-1간이측정기의 측정데이터와 제1-1기준측정기의 측정데이터의 차이를 보상할 수 있고, 또한 상기 제2-1간이측정기의 측정데이터와 제2-1기준측정기의 측정데이터의 차이를 보상할 수 있는 보정계수를 갖는 제1^2최적알고리즘을 산출하는 1^2-1단계; 및 상기 제1^2영역 내에 다수 설치된 제1^2간이측정기에 상기 제1^2최적알고리즘을 적용하여 해당 지역의 미세먼지 예측값을 산출하는 1^2-2단계;를 포함한다.In addition, in the present invention, the area where the first area made up of a certain radius from the first point and the second area made up of a certain radius from the second point overlap each other is called the 1^2 area, and the area installed in the 1^2 area is called the 1^2 area. If the simple measuring device is called a 1^2 simple measuring device, the calculation unit includes the measurement data of the 1-1 simple measuring device installed in parallel at the first point, the measurement data of the 1-1 standard measuring device installed in parallel at the second point, and By learning with data including both the measurement data of the 2-1 simple measuring device and the measurement data of the 2-1 standard measuring device, the difference between the measurement data of the 1-1 simple measuring device and the measurement data of the 1-1 standard measuring device is determined. 1^2- that calculates the 1^2 optimal algorithm with a correction coefficient that can compensate and compensate for the difference between the measurement data of the 2-1 simple measuring device and the measurement data of the 2-1 standard measuring device. Level 1; and step 1^2-2 of calculating a predicted value of fine dust in the area by applying the 1^2 optimal algorithm to a number of 1^2 simple measuring instruments installed in the 1^2 area.
본 발명은, 또한 제3지점에 병행 설치되는 베타선 흡수법을 적용하여 미세먼지를 측정하는 제3-1기준측정기와 광산란법을 적용하여 미세먼지를 측정하는 제3-1간이측정기; 제3지점으로부터 일정 반경으로 이루어지는 제3영역 내의 다수 지점에 설치되고 광산란법을 적용하여 미세먼지를 측정하는 제3-2간이측정기;를 더 포함할 수 있다.The present invention also includes a 3-1 standard measuring instrument that measures fine dust by applying a beta ray absorption method and a 3-1 simple measuring instrument that measures fine dust by applying a light scattering method, which are installed in parallel at a third point; It may further include a 3-2 simple measuring device that is installed at multiple points within the third area formed at a certain radius from the third point and measures fine dust by applying a light scattering method.
본 발명의 상기 데이터 수집부는, 상기 제3지점의 대기환경 측정데이터를 더 수집하고, 상기 연산부는, 상기 제3지점에 병행 설치된 제3-1간이측정기의 측정데이터와 제3-1기준측정기의 측정데이터로 학습하여, 제3-1간이측정기의 측정데이터와 제3-1기준측정기의 측정데이터의 차이를 보상할 수 있는 보정계수를 갖는 제3최적알고리즘을 산출하는 3-1단계; 상기 제3영역 내에 다수 설치된 제3-2간이측정기에 상기 제3최적알고리즘을 적용하여 해당지역의미세먼지 예측값을 산출하는 3-2단계; 제1지점으로부터 일정 반경으로 이루어지는 제1영역과, 제2지점으로부터 일정 반경으로 이루어지는 제2영역과, 제3지점으로부터 일정 반경으로 이루어지는 제3영역이 서로 겹치는 영역을 제1^2^3영역이라고 하고, 제1^2^3영역에 설치되는 간이측정기를 제1^2^3간이측정기라고 하면, 상기 연산부는, 상기 제1지점에 병행 설치된 제1-1간이측정기의 측정데이터와 제1-1기준측정기의 측정데이터와, 상기 제2지점에 병행 설치된 제2-1간이측정기의 측정데이터와 제2-1기준측정기의 측정데이터와, 상기 제3지점에 병행 설치된 제3-1간이측정기의 측정데이터와 제3-1기준측정기의 측정데이터를 모두 포함한 데이터로 학습하여, 상기 제1-1간이측정기의 측정데이터와 제1-1기준측정기의 측정데이터의 차이를 보상할 수 있고, 또한 상기 제2-1간이측정기의 측정데이터와 제2-1기준측정기의 측정데이터의 차이를 보상할 수 있고, 또한 상기 제3-1간이측정기의 측정데이터와 제3-1기준측정기의 측정데이터의 차이를 보상할 수 있는 보정계수를 갖는 제1^2^3최적알고리즘을 산출하는 1^2^3-1단계; 및 상기 제1^2^3영역 내에 다수 설치된 제1^2^3간이측정기에 상기 제1^2^3최적알고리즘을 적용하여 해당 지역의 미세먼지 예측값을 산출하는 1^2^3-2단계;를 포함할 수 있다.The data collection unit of the present invention further collects atmospheric environment measurement data at the third point, and the calculation unit collects measurement data from the 3-1 simple measuring device installed in parallel at the third point and the 3-1 standard measuring device. Step 3-1 of learning from measurement data and calculating a third optimal algorithm with a correction coefficient that can compensate for the difference between the measurement data of the 3-1 simple measuring device and the measurement data of the 3-1 standard measuring device; Step 3-2 of calculating a predicted value of fine dust in the area by applying the third optimal algorithm to a number of 3-2 simple measuring instruments installed in the third area; The area where the first area formed with a certain radius from the first point, the second area formed with a certain radius from the second point, and the third area formed with a certain radius from the third point overlap each other is called the 1^2^3 area. And, if the simple measuring device installed in the 1^2^3 area is called the 1^2^3 simple measuring device, the calculation unit combines the measurement data of the 1-1 simple measuring device installed in parallel at the first point and the 1-1 simple measuring device. Measurement data of the first standard measuring device, measurement data of the 2-1 simple measuring device installed in parallel at the second point, measurement data of the 2-1 standard measuring device, and measurement data of the 3-1 simple measuring device installed in parallel at the third point. By learning with data including both the measurement data and the measurement data of the 3-1 standard measuring device, the difference between the measurement data of the 1-1 simple measuring device and the measurement data of the 1-1 standard measuring device can be compensated, and It is possible to compensate for the difference between the measurement data of the 2-1 simple measuring device and the measurement data of the 2-1 standard measuring device, and also the difference between the measurement data of the 3-1 simple measuring device and the measurement data of the 3-1 standard measuring device. Step 1^2^3-1 of calculating the 1^2^3 optimal algorithm with a correction coefficient that can compensate for; And step 1^2^3-2 of calculating the predicted value of fine dust in the area by applying the 1^2^3 optimal algorithm to the 1^2^3 simple measuring instrument installed in large numbers in the 1^2^3 area. May include ;.
본 발명은 상기 구성에 의해서 미세먼지 간이측정기의 측정정확도를 높이고 미세먼지 데이터의 신뢰성을 높이는 효과를 발휘하게 된다.The present invention has the effect of increasing the measurement accuracy of the simple fine dust measuring device and increasing the reliability of fine dust data through the above configuration.
도 1은 본 발명의 일 실시예에 의한 미세먼지 간이측정기를 활용한 측정시스템의 인공지능 적용방법을 도시한 순서도이다.
도 2는 도 1의 인공지능 적용방법에 활용되는 기준측정기와 간이측정기의 측정값의 구성 및 활용방안을 예시한 도면이다.
도 3은 도 1의 인공지능 적용방법을 통해 미세먼지 간이측정기를 활용한 측정시스템의 운영방식을 예시한 도면이다.
도 4는 서울시에서 구축한 인공지능을 적용하여 미세먼지 간이측정기를 활용한 측정시스템의 구조도이다.
도 5는 도 1에서 추가 수집되는 데이터만큼 기존 가장 오래된 데이터를 삭제하는 원인을 설명한 것으로 시간이 지난 데이터를 사용할 경우 인공지능 알고리즘을 적용하더라고 보정 전 정확도보다 정확도가 낮게 나타난다.
도 6은 각각의 인공지능 알고리즘을 적용할 때 기본값으로 적용하는 경우 가장 정확도가 낮은 인공지능 알고리즘이 인공지능 내부의 다양한 조정값들을 통해 정확도가 가장 높은 인공지능 알고리즘이 될 수 있으므로 비교하고자 하는 다양한 인공지능 알고리즘의 경우 각각의 인공지능 알고리즘이 보유하고 있는 조정값들을 변경하는 기능까지 포함하여 정확도가 가장 높은 조건의 알고리즘 및 파라미터를 활용해 보정모델을 개발하는 것이다.
도 7은 서울시에서 450개 지점에 구축한 미세먼지 간이측정망을 통해 배출원별로 분석한 2021년 미세먼지 분석데이터를 나타낸 그래프이다. 분석 결과, 미세먼지는 공사장이 가장 높게 나타났고, 기타배출원은 가장 낮게 나타났다.
도 8은 서울시에서 450개 지점에 구축한 미세먼지 간이측정망을 통해 월별로 분석한 2021년 미세먼지 분석데이터를 나타낸 그래프이다. 분석 결과, 미세먼지는 3월에 가장 높고, 9월에 가장 낮게 나타났다.
도 9는 서울시에서 450개 지점에 구축한 미세먼지 간이측정망을 통해 미세먼지 계절관리제 기간(12월, 1~3월)과 평상시(4~11월)의 2021년 미세먼지 결과를 비교한 그래프이다. 분석 결과, 미세먼지는 게절관리제 기간이 평상시에 비해 1.7~2.2배 이상 높게 나타났다.
도 10은 서울시에서 구축한 미세먼지 간이측정망을 한눈에 파악할 수 있도록 설계한 시스템의 상황관제 화면이다. 미세먼지 간이측정망의 상황 관제 화면을 통해 배출원별 미세먼지 농도를 파악할 수 있으며 기준측정기를 활용하여 간이측정기의 측정 정확도 및 가동율 산정이 가능하다.
도 11은 서울시에서 공사장에 설치한 미세먼지 간이측정망을 통해 분석된 일부 공사장(A~D)의 시간대별 2021년 미세먼지 분석데이터를 나타낸 그래프이다. 분석 결과, 조업시간으로 알려진 7시에서 17시까지 미세먼지 농도가 높게 나타나는 패턴을 보이는 것을 확인할 수 있었다.
도 12와 도 13은 본 발명의 다른 실시예에 의한 미세먼지 간이측정기를 활용한 측정시스템으로서 인공지능 알고리즘을 분할된 영역에 따른 적용방법을 개념적으로 도시한 것이다.Figure 1 is a flowchart showing a method of applying artificial intelligence to a measurement system using a simple fine dust measuring device according to an embodiment of the present invention.
Figure 2 is a diagram illustrating the configuration and utilization plan of the measured values of the standard measuring device and the simple measuring device used in the artificial intelligence application method of Figure 1.
Figure 3 is a diagram illustrating the operation method of a measurement system using a simple fine dust measuring device through the artificial intelligence application method of Figure 1.
Figure 4 is a structural diagram of a measurement system using a simple fine dust measuring device by applying artificial intelligence built by Seoul City.
Figure 5 explains the cause of deleting the oldest existing data as much as the additional data collected in Figure 1. When using data that has passed in time, the accuracy appears lower than the accuracy before correction even if an artificial intelligence algorithm is applied.
Figure 6 shows that when applying each artificial intelligence algorithm as a default value, the artificial intelligence algorithm with the lowest accuracy can become the artificial intelligence algorithm with the highest accuracy through various adjustment values within the artificial intelligence, so various artificial intelligence algorithms to be compared. In the case of intelligent algorithms, a correction model is developed using algorithms and parameters with the highest accuracy, including the ability to change the adjustment values held by each artificial intelligence algorithm.
Figure 7 is a graph showing the 2021 fine dust analysis data analyzed by emission source through the fine dust simple measurement network established at 450 points in Seoul. As a result of the analysis, construction sites showed the highest level of fine dust, and other emission sources showed the lowest level.
Figure 8 is a graph showing the 2021 fine dust analysis data analyzed monthly through the fine dust simple measurement network established at 450 points in Seoul. As a result of the analysis, fine dust was highest in March and lowest in September.
Figure 9 is a graph comparing the 2021 fine dust results during the fine dust seasonal management system period (December, January to March) and normal times (April to November) through the fine dust simple measurement network established at 450 points in Seoul. am. As a result of the analysis, fine dust was found to be 1.7 to 2.2 times higher during the Geumjeong Management System period than usual.
Figure 10 is a situation control screen of a system designed to provide a glance at the simple fine dust measurement network built by Seoul City. Through the situation control screen of the simple fine dust measurement network, the concentration of fine dust by emission source can be identified, and the measurement accuracy and operation rate of the simple measuring device can be calculated using a standard measuring device.
Figure 11 is a graph showing the 2021 fine dust analysis data by time zone at some construction sites (A to D) analyzed through the simple fine dust measurement network installed at construction sites by Seoul City. As a result of the analysis, it was confirmed that the fine dust concentration showed a high pattern from 7:00 to 17:00, known as operating hours.
Figures 12 and 13 are a measurement system using a simple fine dust measuring device according to another embodiment of the present invention and conceptually illustrate a method of applying an artificial intelligence algorithm according to divided areas.
본 발명의 목적, 특정한 장점들 및 신규한 특징들은 첨부된 도면들과 연관되는 이하의 상세한 설명과 바람직한 실시예로부터 더욱 명백해질 것이다. 또한, 사용된 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로써, 이는 사용자 운용자의 의도 또는 관례에 따라 달라질 수 있다. 그러므로 이러한 용어들에 대한 정의는 본 명세서의 전반에 걸친 내용을 토대로 내려져야 할 것이다.The objectives, specific advantages and novel features of the present invention will become more apparent from the following detailed description and preferred embodiments taken in conjunction with the accompanying drawings. In addition, the terms used are terms defined in consideration of the functions in the present invention, and may vary depending on the intention or custom of the user operator. Therefore, definitions of these terms should be made based on the overall content of this specification.
본 발명의 이점 및 특정 그리고 그것들을 달성하기 위한 방법은 첨부되는 도면과 함께 상세하게 후술된 실시예를 참조하면 보다 명확하다. 그러나 본 발명은 이하에서 개시되는 실시예에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예는 본 발명의 개시가 완전하도록 하고 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. The advantages and features of the present invention and methods for achieving them will become clearer with reference to the embodiments described in detail below along with the accompanying drawings. However, the present invention is not limited to the embodiments disclosed below and may be implemented in various different forms. The present embodiments are only provided to ensure that the disclosure of the present invention is complete and to those skilled in the art to which the present invention pertains. It is provided to fully inform the user of the scope of the invention.
이하에서는 첨부된 도면을 참조하여 본 발명에 대해 상세히 설명한다.Hereinafter, the present invention will be described in detail with reference to the attached drawings.
도 1을 참조하여 본 발명에 기준측정기와 간이측정기의 활용방법을 설명하면 다음과 같다. Referring to Figure 1, the method of utilizing the standard measuring device and the simple measuring device in the present invention will be described as follows.
이하에서 설명하는 '기준측정기'는 베타선 흡수법을 적용하는 정밀측정기로서 미세먼지 측정값에 대한 신뢰도가 높은 측정기이며 국내 대기오염 측정망을 구축할 때 사용하는 정밀한 측정기이다. 이에 비해 이하 설명하는 '간이측정기'는 광산란법을 적용하는 것으로 상대적으로 측정의 신뢰성이 떨어지는 측정기이다. 본 발명의 핵심은 기준측정기의 측정값과 이에 병행하여 설치된 간이측정기의 미세먼지 측정값을 인공지능 알고리즘으로 학습시켜서 결과적으로는 간이측정기의 측정값의 정확도를 향상시키기 위한 것이다. 이하 설명한다.The 'standard measuring instrument' described below is a precision measuring instrument that applies the beta ray absorption method and is a highly reliable measuring instrument for fine dust measurement values. It is a precise measuring instrument used when building a domestic air pollution measurement network. In comparison, the 'simple measuring instrument' described below is a measuring instrument that applies the light scattering method and has relatively poor measurement reliability. The core of the present invention is to improve the accuracy of the measurement values of the simple measuring device by learning the fine dust measurement values of the standard measuring device and the simple measuring device installed in parallel with an artificial intelligence algorithm. This is explained below.
먼저, 미세먼지 측정기를 설치하는데, 측정기는 두 가지 형태로 설치된다.First, a fine dust meter is installed, and the meter is installed in two types.
[미세먼지 측정기 설치][Installation of fine dust measuring device]
첫째, 기준측정기와 함께 간이측정기가 설치되는 형태(이를 설명 편의상, '병행설치'라고 한다)이며, 이렇게 설치된 간이측정기를 구별하기 위해 '병행 간이측정기'라고 한다. 이러한 병행설치에서의 측정값(기준측정기의 측정값 및 간이측정기의 측정값)을 이용하여 인공지능 알고리즘 개발에 사용한다. 일예로 서울시에서는 이러한 병행설치 형태로 25곳 지점에 설치하였다.First, it is a type in which a simple measuring device is installed along with a standard measuring device (for convenience of explanation, this is called 'parallel installation'), and to distinguish the simple measuring device installed in this way, it is called a 'parallel simple measuring device'. The measured values (measured values of the standard measuring instrument and the measuring values of the simple measuring instrument) from this parallel installation are used to develop an artificial intelligence algorithm. For example, the city of Seoul installed this type of parallel installation at 25 locations.
둘째, 기준측정기를 설치하지 않고 간이측정기만을 단독으로 설치하는 형태(이를 설명 편의상 '단독설치'라고 한다)이며, 이렇게 설치된 간이측정기를 구별하기 위해 '단독 간이측정기'라고 한다. 단독설치된 단독 간이측정기에서는 위에서 개발된 인공지능 알고리즘을 이용하여 미세먼지 측정값을 예측한다. 일예로 서울시에서는 이러한 단독설치 형태로 450곳 지점에 설치하였다.Second, it is a type in which only a simple measuring device is installed independently without installing a standard measuring device (this is called 'single installation' for convenience of explanation), and to distinguish the simple measuring device installed in this way, it is called a 'single simple measuring device'. The stand-alone simple measuring device predicts fine dust measurement values using the artificial intelligence algorithm developed above. For example, in Seoul, this type of stand-alone installation was installed at 450 locations.
[미세먼지 측정 및 예측방법][Fine dust measurement and prediction method]
(1) 병행설치된 지점에서 기준측정기 측정값 및 간이측정기 측정값을 수집하는 단계(1) Step of collecting standard measuring instrument measurements and simple measuring instrument measurements at parallel installation points
기준측정기는 국내 대기오염 측정망을 구축할 때 사용하는 정밀한 측정기 등을 활용할 수 있으며, 보통 간이측정기보다 측정값의 특정 정확도가 높다. 반면에 통상적으로 광산란 방식을 적용한 미세먼지 간이측정기는 기준측정기보다 측정값의 정확도가 낮다. 인공지능 알고리즘을 개발하기 위해서는 기준측정기와 간이측정기를 동시에 설치해야 한다. 기준측정기의 값은 일반적으로 약 1시간 단위로 측정되며, 간이측정기 측정값은 1~5분 단위로 실시간 측정이 가능하다. 인공지능 알고리즘을 개발하기 위해서는 시간 단위를 동일하게 조절하여 기준측정기가 1시간 단위인 경우 간이측정기의 측정값을 시간 평균값으로 사용해야 한다. 기준측정기가 30분, 2시간 등 측정시간이 다르면 해당 측정시간을 기준으로 간이측정기 측정값들의 평균값을 사용해서 수집한다. The standard measuring instrument can utilize precise measuring instruments used when building a domestic air pollution measurement network, and the specific accuracy of measured values is usually higher than that of simple measuring instruments. On the other hand, simple fine dust measuring instruments that typically apply the light scattering method have lower measurement accuracy than standard measuring instruments. In order to develop an artificial intelligence algorithm, a standard measuring instrument and a simple measuring instrument must be installed at the same time. The value of the standard measuring instrument is generally measured in about 1 hour, and the measurement value of the simple measuring instrument can be measured in real time in 1 to 5 minute increments. In order to develop an artificial intelligence algorithm, the time units must be adjusted equally and, if the standard measuring device is in units of 1 hour, the measurement value of the simple measuring device must be used as the time average value. If the standard measurement time is different, such as 30 minutes or 2 hours, the average value of the simple measurement measurement values is collected based on the measurement time.
(2) 간이측정기 측정값들의 구간을 산정하는 단계; (2) calculating the interval of the simple measuring device measurement values;
간이측정기의 측정값은 간이측정기 설치 장소의 온도, 습도, 농도 등의 영향을 받는다. 따라서 온도, 습도, 농도 구간에 따라서 적용해야하는 인공지능 알고리즘(k-NN, ANN, XGB 등)의 종류가 변경될 수 있다. 따라서 수집되는 온도, 습도, 농도의 전체구간을 파악한 후 분위수 등으로 구분하여 구분된 구간에 각각 알맞은 인공지능 알고리즘이 적용될 수 있도록 구간을 설정하는 단계이다. 구간은 필요에 따라 봄, 여름, 가을, 겨울 등 사계절로도 구분할 수 있으며, 데이터의 특징에 따라서 다양한 구간이 만들어질 수 있다.The measured value of the simple measuring device is affected by the temperature, humidity, concentration, etc. of the place where the simple measuring device is installed. Therefore, the type of artificial intelligence algorithm (k-NN, ANN, XGB, etc.) to be applied may change depending on the temperature, humidity, and concentration range. Therefore, this is the step of identifying the entire section of collected temperature, humidity, and concentration, then dividing them into quantiles, etc., and setting the sections so that the appropriate artificial intelligence algorithm can be applied to each section. The section can be divided into four seasons, such as spring, summer, fall, and winter, if necessary, and various sections can be created depending on the characteristics of the data.
(3) 구간별 최적화된 인공지능 알고리즘을 선정하는 단계;(3) selecting an optimized artificial intelligence algorithm for each section;
간이측정기 측정값들의 구간이 정해지면 해당하는 구간의 간이측정기 측정값과 해당하는 기준측정기 측정값을 이용하여 인공지능 알고리즘의 정확도를 선정한다. 구간별 데이터 중 90%를 학습하고 10%를 검증하는 단계로 인공지능 알고리즘들의 정확도를 산정한다. 이때 각각의 인공지능 알고리즘을 적용할 때 기본값으로 적용하는 경우 가장 정확도가 낮은 인공지능 알고리즘이 인공지능 내부의 다양한 조정값들을 통해 정확도가 가장 높은 인공지능 알고리즘이 될 수 있어서 비교하고자 하는 다양한 인공지능 알고리즘의 경우 각각의 인공지능 알고리즘이 보유하고 있는 조정값들을 변경하는 기능까지 포함한다. 이를 통해 각각의 구간별 최적화된 인공지능 알고리즘을 선정한다.Once the interval of simple measuring instrument measurements is determined, the accuracy of the artificial intelligence algorithm is selected using the simple measuring instrument measurement value of the corresponding section and the corresponding standard measuring instrument measurement value. The accuracy of artificial intelligence algorithms is calculated by learning 90% of the data for each section and verifying 10%. At this time, when applying each artificial intelligence algorithm as the default value, the lowest accuracy artificial intelligence algorithm can become the most accurate artificial intelligence algorithm through various adjustment values within the artificial intelligence, so various artificial intelligence algorithms to be compared. In the case of , it even includes the function of changing the adjustment values held by each artificial intelligence algorithm. Through this, an optimized artificial intelligence algorithm is selected for each section.
(4) 선정된 인공지능 알고리즘을 적용하는 단계; (4) applying the selected artificial intelligence algorithm;
각각의 구간별 최적화된 인공지능 알고리즘을 적용하면서 추가적으로 선정되지 않은 다른 인공지능 알고리즘도 지속적으로 정확도 등을 산정한다. 이는 간이측정기 특성상 시간이 지남에 따라 광센서의 감도가 떨어져서 측정값이 변동되거나 펙토 변경, 청소 등 유지보수를 통해서 측정값의 변동이 생길 수 있다. 이렇게 측정값이 변동되면 기존에 적용하고 있는 인공지능 알고리즘보다 다른 인공지능 알고리즘의 정확도가 더 높아질 수 있다. 따라서 각각의 인공지능 알고리즘의 정확도를 파악한 후 정확도가 가장 높은 인공지능 알고리즘을 적용하는 방식으로 운영한다.While applying the optimized artificial intelligence algorithm for each section, the accuracy of other artificial intelligence algorithms that were not selected is continuously calculated. Due to the nature of the simple measuring device, the sensitivity of the optical sensor may decrease over time, causing changes in measured values, or changes in measured values may occur through maintenance such as changing the pattern or cleaning. If the measurement value changes in this way, the accuracy of other artificial intelligence algorithms may be higher than the artificial intelligence algorithm that is currently being applied. Therefore, we operate by determining the accuracy of each artificial intelligence algorithm and then applying the artificial intelligence algorithm with the highest accuracy.
(5) 기준측정기 측정값 및 기준측정기와 함께 설치되는 간이측정기 측정값을 추가 수집하는 단계; (5) additionally collecting measurement values from a standard measuring device and measurements from a simple measuring device installed together with the standard measuring device;
간이측정기의 경우 시간이 지남에 따라 다양한 요인으로 측정값의 정확도가 변동될 수 있다. 정확도가 크게 떨어지는 경우 적용되는 인공지능 알고리즘, 정확도가 높을 경우에 적용되는 인공지능 알고리즘 등이 차이가 있기 때문에 변동되는 측정값에 따라서 적용되는 인공지능 알고리즘이 변경되어야 한다. 따라서 실시간으로 운영되고 있는 측정시스템에서 기준측정기 측정값 및 기준측정기와 함께 설치되는 간이측정기 측정값은 지속적으로 수집되어야 하며, 이때 유지보수 일자, 변경사항(광센서 교체, 장비교체, 내부 청소 등) 등의 추가정보가 있을 경우 추가정보도 추가로 수집한다. 수집된 추가 정보는 이후 인공지능 알고리즘을 개발할 때 추가 매개변수 등으로 활용할 수 있어 추가적인 정확도 개선이 가능하다.In the case of simple measuring instruments, the accuracy of measurement values may vary due to various factors over time. Since there are differences in the artificial intelligence algorithm applied when accuracy is significantly low and the artificial intelligence algorithm applied when accuracy is high, the applied artificial intelligence algorithm must be changed according to fluctuating measurement values. Therefore, in a measurement system operated in real time, the measurement values of the standard measurement instrument and the measurement values of the simple measurement device installed together with the standard measurement instrument must be continuously collected, including maintenance dates and changes (optical sensor replacement, equipment replacement, internal cleaning, etc.). If additional information is available, such as additional information, additional information is also collected. The additional information collected can be used as additional parameters when developing artificial intelligence algorithms, allowing for additional accuracy improvement.
(6) 추가 수집되는 데이터 양 만큼 가장 오래된 기존 데이터를 제거하는 단계(6) Step of removing the oldest existing data by the amount of additional data collected.
도 4와 같이 간이측정기의 경우 시간이 지남에 따라 측정값의 변화가 커서 시간이 많이 소요된 데이터를 활용하는 경우 인공지능 알고리즘을 적용하더라도 정확도가 증가하지 않을 수 있다. 따라서 데이터의 추가 수집이 필요하고 현재 데이터와 가장 큰 차이가 있을 것으로 판단되는 가장 오래된 데이터를 제거하는 단계가 필요하다. 본 단계에서 인공지능 알고리즘 개발에 활용되는 데이터가 변동되게 되며 다시 (3) 단계로 이동하여 구간별 최적화된 인공지능 알고리즘을 선정하게 된다. 이때 도 3과 같이 기존의 인공지능 알고리즘과 변경이 없을 경우는 지속적으로 기존 인공지능 알고리즘을 도입하고 기존의 인공지능 알고리즘보다 정확도가 높은 인공지능 알고리즘이 선정되는 경우 그때부터 선정된 인공지능 알고리즘으로 변경해서 적용한다. 또한 기존의 인공지능 알고리즘과 변경된 인공지능 알고리즘은 기준측정기의 측정시간을 기준으로 변동되게 된다. 인공지능 알고리즘의 적용은 간이측정기의 측정값에 적용되므로 변경된 인공지능 알고리즘이 적용되는 시점과 그전 인공지능 알고리즘이 선정된 구간에는 다수의 간이측정기의 측정값이 존재한다.As shown in Figure 4, in the case of a simple measuring device, the change in measurement values over time is large, so if time-consuming data is used, accuracy may not increase even if an artificial intelligence algorithm is applied. Therefore, additional data collection is necessary and a step is needed to remove the oldest data that is judged to have the greatest difference with the current data. At this stage, the data used to develop the artificial intelligence algorithm changes and the process moves to step (3) again to select the optimized artificial intelligence algorithm for each section. At this time, as shown in Figure 3, if there is no change from the existing artificial intelligence algorithm, the existing artificial intelligence algorithm is continuously introduced, and if an artificial intelligence algorithm with higher accuracy than the existing artificial intelligence algorithm is selected, it is changed to the selected artificial intelligence algorithm from then on. and apply it. In addition, the existing artificial intelligence algorithm and the changed artificial intelligence algorithm change based on the measurement time of the reference measuring device. Since the application of the artificial intelligence algorithm is applied to the measurement values of the simple measuring instrument, there are measured values of multiple simple measuring instruments at the time the changed artificial intelligence algorithm is applied and in the section where the artificial intelligence algorithm was selected before that.
해당 측정값의 경우 기존 인공지능 알고리즘을 적용하여 보정되어 보정값을 지속적으로 사용가능하고, 필요에 따라서 변경 적용된 인공지능 알고리즘을 적용하여 측정값 변경이 가능하다. 이때 간이측정기 측정값은 변경된 인공지능 알고리즘이 선정된 시점과 가까운 간이측정기 측정값에만 적용될 수도 있다.In the case of the measurement value, it is corrected by applying the existing artificial intelligence algorithm, so the correction value can be used continuously, and the measurement value can be changed by applying the modified artificial intelligence algorithm as needed. At this time, the simple measuring instrument measurement value may only be applied to the simple measuring instrument measurement value close to the time when the changed artificial intelligence algorithm was selected.
기존의 인공지능 알고리즘 적용방법은 미세먼지 간이측정기의 종류가 변경되거나 팩토 변경, 광센서 등 부품 변경, 내외부 청소 등 유지보수에 따라서 미세먼지 간이측정기의 측정값이 변경되어 정확도가 떨어지게 된다. 기존의 인공지능 알고리즘을 적용하더라도 간이측정기의 측정값 특성이 변경하게 되어 정확도가 증가하지 않으며, 오히려 떨어지는 경우도 있다. 본 발명의 경우 미세먼지 간이측정기의 종류 및 특성이 변경되더라도 해당 변화에 따라 인공지능 알고리즘도 변경하여 적용함에 따라 측정시스템의 정확도를 지속적으로 증가시킬 수 있다.The existing method of applying artificial intelligence algorithms changes the measurement value of the simple fine dust measuring device due to changes in the type of the simple fine dust measuring device or maintenance such as changing the facto, changing parts such as the optical sensor, and internal and external cleaning, which reduces accuracy. Even if the existing artificial intelligence algorithm is applied, the measurement value characteristics of the simple measuring instrument are changed, so the accuracy does not increase, and in some cases, actually decreases. In the case of the present invention, even if the type and characteristics of the simple fine dust measuring device change, the accuracy of the measurement system can be continuously increased by changing and applying the artificial intelligence algorithm according to the change.
본 발명의 주요 핵심은 단독으로 설치되는 간이측정기의 미세먼지 측정값을 정확하게 산출하는 것이며, 이를 위해 병행설치된 기준측정기와 간이측정기 데이터를 이용하여 인공지능으로 학습을 시키는 것이다. 즉, 병행설치된 간이측정기의 값과 기준측정기의 값을 인공지능으로 학습시키되, 간이측정기의 데이터 값에서 기준측정기의 데이터 값을 참으로 하는 결과값을 도출하게 한 것이며, 이러한 인공지능 알고리즘을 선정한 후 단독설치된 간이측정기에 적용하여 정확한 미세먼지 값을 산출하게 한 것이다.The main core of the present invention is to accurately calculate the fine dust measurement value of a simple measuring device installed independently, and for this purpose, it uses artificial intelligence to learn using data from a reference measuring device and a simple measuring device installed in parallel. In other words, the value of the simple measuring instrument and the value of the standard measuring instrument installed in parallel are learned by artificial intelligence, and the result value that makes the data value of the standard measuring instrument true from the data value of the simple measuring instrument is derived. After selecting this artificial intelligence algorithm, It was applied to a simple measuring instrument installed separately to calculate accurate fine dust values.
본 발명에서는 미세먼지 측정기가 설치되는 지역을 분할하여 설치할 수 있다. 예를 들면, 서울시 전체를 복수 개의 구획으로 분할한 후 기준측정기와 간이측정기 병행설치할 수 있는데, 이하에서는 분할되는 영역을 제1영역, 제2영역, 제3영역...제n영역이라고 한다. 그리고, 측정기가 병행설치되는 상기 병행설치지점은 제1지점, 제2지점, 제3지점...제n지점이라고 하고, 상기 제1지점에서 소정 반경 내부 영역을 제1영역이라 하고, 상기 제2지점에서 소정 반경 내부 영역을 제2영역이라 하고, 상기 제3지점에서 소정 반경 내부 영역을 제3영역이라 하고, ...상기 제n지점에서 소정 반경 내부 영역을 제n영역이라 할 수 있다. 제1영역, 제2영역, 제3영역...제n영역은 제1지점, 제2지점, 제3지점...제n지점을 중심으로 하는 원형의 영역일 수 있고, 이들 원형의 반경을 고려하면 제1영역과 제2영역 등은 서로 겹칠 수 있다. 이들 겹치는 곳에 설치된 간이측정기에 적용되는 알고리즘을 선정하는 것이 본 발명의 특징이다.In the present invention, the area where the fine dust measuring device is installed can be divided and installed. For example, after dividing the entire city of Seoul into a plurality of divisions, a standard measuring instrument and a simple measuring instrument can be installed in parallel. Hereinafter, the divided areas are referred to as the first area, second area, third area...nth area. And, the parallel installation points where the measuring devices are installed in parallel are called the first point, the second point, the third point... the nth point, and the area inside a predetermined radius from the first point is called the first area, and the The area inside a predetermined radius at point 2 is called the second area, the area inside the predetermined radius at the third point is called the third area, and the area inside the predetermined radius at the nth point can be called the nth area. . The first area, the second area, the third area...the nth area may be a circular area centered on the first point, the second point, the third point...the nth point, and the radius of these circles. Considering this, the first area and the second area may overlap with each other. A feature of the present invention is to select an algorithm applied to simple measuring instruments installed in these overlapping places.
상기 제1영역, 제2영역, 제3영역...제n영역 각각 별도로 데이터를 수집하고 보정계수를 가지는 최적알고리즘을 각각 별도로 선정할 수 있다. 다시 말해, 각각의 영역별 최적화된 인공지능 알고리즘인 제1인공지능 알고리즘, 제2인공지능 알고리즘, 제3인공지능 알고리즘...제n인공지능 알고리즘을 선정할 수 있다. 상기 제1영역에 속하는 단독설치된 간이측정기에는 상기 제1인공지능 알고리즘을 적용하여 미세먼치 예측값을 산출하고, 상기 제2영역에 속하는 단독설치된 간이측정기에는 상기 제2인공지능 알고리즘을 적용하여 미세먼치 예측값을 산출하고, 상기 제3영역에 속하는 단독설치된 간이측정기에는 상기 제3인공지능 알고리즘을 적용하여 미세먼치 예측값을 산출하고,...상기 제n영역에 속하는 단독설치된 간이측정기에는 상기 제n인공지능 알고리즘을 적용하여 미세먼치 예측값을 산출하여 정확도를 더욱 높일 수 있다.Data can be collected separately for each of the first, second, third, and nth regions, and an optimal algorithm with a correction coefficient can be selected separately. In other words, you can select the first artificial intelligence algorithm, the second artificial intelligence algorithm, the third artificial intelligence algorithm... the nth artificial intelligence algorithm, which are the optimized artificial intelligence algorithms for each area. The first artificial intelligence algorithm is applied to the separately installed simple measuring device belonging to the first area to calculate the fine-munched predicted value, and the fine-munched predicted value is calculated by applying the second artificial intelligence algorithm to the separately installed simple measuring device belonging to the second area. Calculate the predicted value of fine dust by applying the third artificial intelligence algorithm to the separately installed simple measuring device belonging to the third area, and the nth artificial intelligence to the separately installed simple measuring device belonging to the nth area. Accuracy can be further increased by applying an algorithm to calculate the fine-munched prediction value.
이하에서는 상기 제1영역과 제2영역과 같이 두개의 영역이 서로 겹치는 영역에서의 알고리즘 선정방법과 제1영역과 제2영역과 제3영역과 같이 세개의 영역이 서로 겹치는 영역에서의 알고리즘 선정방법 등에 대해 설명한다.Hereinafter, an algorithm selection method in an area where two areas overlap, such as the first area and the second area, and an algorithm selection method in an area where three areas overlap, such as the first area, the second area, and the third area, are described. etc. are explained.
도 12와 도 13은 본 발명의 다른 실시예에 의한 미세먼지 간이측정기를 활용한 측정시스템으로서 인공지능 알고리즘을 분할된 영역에 따른 적용방법을 개념적으로 도시한 것이며, 도 12는 두개의 영역에서 서로 겹치는 경우를 도시하고 도 13은 세개의 영역에서 서로 겹치는 경우를 도시하고 있다.Figures 12 and 13 are a measurement system using a simple fine dust measuring device according to another embodiment of the present invention and conceptually show a method of applying an artificial intelligence algorithm according to divided areas, and Figure 12 shows the measurement system using a simple fine dust measuring device according to another embodiment of the present invention. A case of overlap is shown, and Figure 13 shows a case of overlap in three areas.
본 발명은, 제1지점에 병행 설치되는 베타선 흡수법을 적용하여 미세먼지를 측정하는 제1-1기준측정기와 광산란법을 적용하여 미세먼지를 측정하는 제1-1간이측정기; 제1지점으로부터 일정 반경으로 이루어지는 제1영역 내의 다수 지점에 설치되고 광산란법을 적용하여 미세먼지를 측정하는 제1-2간이측정기; 제2지점에 병행 설치되는 베타선 흡수법을 적용하여 미세먼지를 측정하는 제2-1기준측정기와 광산란법을 적용하여 미세먼지를 측정하는 제2-1간이측정기; 제2지점으로부터 일정 반경으로 이루어지는 제2영역 내의 다수 지점에 설치되고 광산란법을 적용하여 미세먼지를 측정하는 제2-2간이측정기; 상기 제1지점 및 제2지점의 대기환경 측정데이터를 수집하는 데이터 수집부; 상기 데이터 수집부가 수집한 수집데이터를 포함한 데이터를 연산하는 연산부;를 포함하는 미세먼지 예측 예측시스템을 제공한다.The present invention includes a 1-1 standard measuring instrument that measures fine dust by applying a beta ray absorption method installed in parallel at a first point and a 1-1 simple measuring instrument that measures fine dust by applying a light scattering method; A 1-2 simple measuring device installed at a number of points within a first area consisting of a predetermined radius from the first point and measuring fine dust by applying a light scattering method; A 2-1 standard measuring device that measures fine dust by applying a beta ray absorption method and a 2-1 simple measuring device that measures fine dust by applying a light scattering method installed in parallel at a second location; A 2-2 simple measuring device installed at multiple points within a second area formed at a certain radius from the second point and measuring fine dust by applying a light scattering method; A data collection unit that collects atmospheric environment measurement data at the first and second points; It provides a fine dust prediction system that includes a calculation unit that calculates data including the collected data collected by the data collection unit.
본 발명은, 상기 연산부는, 상기 제1지점에 병행 설치된 제1-1간이측정기의 측정데이터와 제1-1기준측정기의 측정데이터로 학습하여, 제1-1간이측정기의 측정데이터와 제1-1기준측정기의 측정데이터의 차이를 보상할 수 있는 보정계수를 갖는 제1최적알고리즘을 산출하는 1-1단계; 상기 제1영역 내에 다수 설치된 제1-2간이측정기에 상기 제1최적알고리즘을 적용하여 해당지역의미세먼지 예측값을 산출하는 1-2단계; 상기 연산부는, 상기 제2지점에 병행 설치된 제2-1간이측정기의 측정데이터와 제2-1기준측정기의 측정데이터로 학습하여, 제2-1간이측정기의 측정데이터와 제2-1기준측정기의 측정데이터의 차이를 보상할 수 있는 보정계수를 갖는 제2최적알고리즘을 산출하는 2-1단계; 상기 제2영역 내에 다수 설치된 제2-2간이측정기에 상기 제2최적알고리즘을 적용하여 해당 지역의 미세먼지 예측값을 산출하는 2-2단계;를 포함한다.In the present invention, the calculation unit learns from the measurement data of the 1-1 simple measuring device and the measurement data of the 1-1 standard measuring device installed in parallel at the first point, and uses the measurement data of the 1-1 simple measuring device and the first -1Step 1-1 of calculating a first optimal algorithm with a correction coefficient that can compensate for differences in measurement data of the standard measuring device; Step 1-2 of calculating a predicted value of fine dust in the area by applying the first optimal algorithm to a number of 1-2 simple measuring instruments installed in the first area; The calculation unit learns from the measurement data of the 2-1 simple measuring device and the measurement data of the 2-1 standard measuring device installed in parallel at the second point, and the measurement data of the 2-1 simple measuring device and the 2-1 standard measuring device Step 2-1 of calculating a second optimal algorithm with a correction coefficient that can compensate for the difference in measurement data; It includes step 2-2 of calculating a predicted value of fine dust in the area by applying the second optimal algorithm to a number of 2-2 simple measuring instruments installed in the second area.
도 12를 참조하면, 본 발명에서 제1지점으로부터 일정 반경으로 이루어지는 제1영역과, 제2지점으로부터 일정 반경으로 이루어지는 제2영역이 서로 겹치는 영역을 제1^2영역이라고 정의한다. 이 겹치는 영역에서의 미세먼지 예측방법을 아래와 같이 실시한다.Referring to FIG. 12, in the present invention, the area where the first area formed with a certain radius from the first point and the second area formed with a certain radius from the second point overlap each other is defined as the 1^2 area. The fine dust prediction method in this overlapping area is implemented as follows.
상기 제1^2영역에 단독으로 설치되는 간이측정기를 제1^2간이측정기라고 하면, 상기 연산부는, 상기 제1^2간이측정기에 적용될 알고리즘 선정을 위해서, 상기 제1지점에 병행 설치된 제1-1간이측정기의 측정데이터와 제1-1기준측정기의 측정데이터 및 상기 제2지점에 병행 설치된 제2-1간이측정기의 측정데이터와 제2-1기준측정기의 측정데이터를 모두 포함한 데이터로 학습하도록 한다. 그리고, 상기 제1-1간이측정기의 측정데이터와 제1-1기준측정기의 측정데이터의 차이를 보상할 수 있고, 또한 상기 제2-1간이측정기의 측정데이터와 제2-1기준측정기의 측정데이터의 차이를 보상할 수 있는 보정계수를 갖는 제1^2최적알고리즘을 산출하도록 하는데, 이를 1^2-1단계라고 한다.If the simple measuring device installed independently in the 1^2 area is called the 1^2 simple measuring device, the calculation unit is a first measuring device installed in parallel at the first point in order to select an algorithm to be applied to the 1^2 simple measuring device. -Learning with data including both the measurement data of the 1st simple measuring device, the measurement data of the 1-1 standard measuring device, and the measurement data of the 2-1 simple measuring device and the measurement data of the 2-1 standard measuring device installed in parallel at the second point. Let's do it. In addition, it is possible to compensate for the difference between the measurement data of the 1-1 simple measuring device and the measurement data of the 1-1 standard measuring device, and also the measurement data of the 2-1 simple measuring device and the measurement data of the 2-1 standard measuring device. The 1^2 optimal algorithm with a correction coefficient that can compensate for data differences is calculated, which is called step 1^2-1.
그리고, 상기 제1^2영역 내에 다수 설치된 제1^2간이측정기에 상기 제1^2최적알고리즘을 적용하여 해당 지역의 미세먼지 예측값을 산출하도록 하는 것이다(1^2-2단계).In addition, the 1^2 optimal algorithm is applied to the 1^2 simple measuring instrument installed in large numbers in the 1^2 area to calculate the fine dust forecast value in the area (step 1^2-2).
본 발명은, 또한 세개의 영역이 겹치는 곳에서 미세먼지를 예측하는 방법을 도 13과 같이 설명한다. 제3지점에 병행 설치되는 베타선 흡수법을 적용하여 미세먼지를 측정하는 제3-1기준측정기와 광산란법을 적용하여 미세먼지를 측정하는 제3-1간이측정기; 제3지점으로부터 일정 반경으로 이루어지는 제3영역 내의 다수 지점에 설치되고 광산란법을 적용하여 미세먼지를 측정하는 제3-2간이측정기;를 더 포함할 수 있다.The present invention also explains a method of predicting fine dust in a place where three areas overlap, as shown in FIG. 13. A 3-1 standard measuring device that measures fine dust by applying a beta ray absorption method and a 3-1 simple measuring device that measures fine dust by applying a light scattering method installed in parallel at a third location; It may further include a 3-2 simple measuring device that is installed at multiple points within the third area formed at a certain radius from the third point and measures fine dust by applying a light scattering method.
그리고, 데이터 수집부는, 상기 제3지점의 대기환경 측정데이터를 더 수집하고, 상기 연산부는, 상기 제3지점에 병행 설치된 제3-1간이측정기의 측정데이터와 제3-1기준측정기의 측정데이터로 학습하여, 제3-1간이측정기의 측정데이터와 제3-1기준측정기의 측정데이터의 차이를 보상할 수 있는 보정계수를 갖는 제3최적알고리즘을 산출하는 3-1단계;와 상기 제3영역 내에 다수 설치된 제3-2간이측정기에 상기 제3최적알고리즘을 적용하여 해당지역의미세먼지 예측값을 산출하는 3-2단계;를 포함한다.And, the data collection unit further collects atmospheric environment measurement data at the third point, and the calculation unit further collects measurement data from the 3-1 simple measuring device and measurement data from the 3-1 standard measuring device installed in parallel at the third point. Step 3-1 of calculating a third optimal algorithm with a correction coefficient that can compensate for the difference between the measurement data of the 3-1 simple measuring device and the measurement data of the 3-1 standard measuring device; and the third Step 3-2 of calculating the predicted value of fine dust in the area by applying the third optimal algorithm to a number of simple measuring instruments installed in the area.
제1지점으로부터 일정 반경으로 이루어지는 제1영역과, 제2지점으로부터 일정 반경으로 이루어지는 제2영역과, 제3지점으로부터 일정 반경으로 이루어지는 제3영역이 서로 겹치는 영역을 제1^2^3영역이라고 하고, 제1^2^3영역에 설치되는 간이측정기를 제1^2^3간이측정기라고 한다.The area where the first area formed with a certain radius from the first point, the second area formed with a certain radius from the second point, and the third area formed with a certain radius from the third point overlap each other is called the 1^2^3 area. And the simple measuring device installed in the 1^2^3 area is called the 1^2^3 simple measuring device.
상기 제1지점에 병행 설치된 제1-1간이측정기의 측정데이터와 제1-1기준측정기의 측정데이터와, 상기 제2지점에 병행 설치된 제2-1간이측정기의 측정데이터와 제2-1기준측정기의 측정데이터와, 상기 제3지점에 병행 설치된 제3-1간이측정기의 측정데이터와 제3-1기준측정기의 측정데이터를 모두 포함한 데이터로 학습하여, 상기 제1-1간이측정기의 측정데이터와 제1-1기준측정기의 측정데이터의 차이를 보상할 수 있고, 또한 상기 제2-1간이측정기의 측정데이터와 제2-1기준측정기의 측정데이터의 차이를 보상할 수 있고, 또한 상기 제3-1간이측정기의 측정데이터와 제3-1기준측정기의 측정데이터의 차이를 보상할 수 있는 보정계수를 갖는 제1^2^3최적알고리즘을 산출한다. 그리고, 상기 제1^2^3영역 내에 다수 설치된 제1^2^3간이측정기에 산출된 제1^2^3최적알고리즘을 적용하여 해당 지역의 미세먼지 예측값을 산출하는 것이다. 두개 내지 세개의 영역이 아닌 더 많은 수의 영역이 겹치는 경우에도 위와 같은 방법을 적용할 수 있을 것이다.Measurement data of the 1-1 simple measuring device and the 1-1 standard measuring device installed in parallel at the first point, and measurement data of the 2-1 simple measuring device installed in parallel at the second point and the 2-1 standard Learning with data including the measurement data of the measuring device, the measurement data of the 3-1 simple measuring device installed in parallel at the third point, and the measurement data of the 3-1 standard measuring device, the measurement data of the 1-1 simple measuring device and can compensate for the difference between the measurement data of the 1-1 standard measuring device, and can also compensate for the difference between the measurement data of the 2-1 simple measuring device and the measurement data of the 2-1 standard measuring device, and Calculate the 1^2^3 optimal algorithm with a correction coefficient that can compensate for the difference between the measurement data of the 3-1 simple measuring device and the measuring data of the 3-1 standard measuring device. In addition, the 1^2^3 optimal algorithm calculated on the 1^2^3 simple measuring instrument installed in large numbers in the 1^2^3 area is applied to calculate the fine dust forecast value in the area. The above method can be applied even when more areas overlap than two or three areas.
이상에서 본 발명의 바람직한 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.Although the preferred embodiments of the present invention have been described in detail above, the scope of the present invention is not limited thereto, and various modifications and improvements made by those skilled in the art using the basic concept of the present invention defined in the following claims are also possible. falls within the scope of rights.
Claims (2)
상기 연산부는, 상기 제1지점에 병행 설치된 제1-1간이측정기의 측정데이터와 제1-1기준측정기의 측정데이터로 학습하여, 제1-1간이측정기의 측정데이터와 제1-1기준측정기의 측정데이터의 차이를 보상할 수 있는 보정계수를 갖는 제1최적알고리즘을 산출하는 1-1단계;
상기 제1영역 내에 다수 설치된 제1-2간이측정기에 상기 제1최적알고리즘을 적용하여 해당지역의미세먼지 예측값을 산출하는 1-2단계;
상기 연산부는, 상기 제2지점에 병행 설치된 제2-1간이측정기의 측정데이터와 제2-1기준측정기의 측정데이터로 학습하여, 제2-1간이측정기의 측정데이터와 제2-1기준측정기의 측정데이터의 차이를 보상할 수 있는 보정계수를 갖는 제2최적알고리즘을 산출하는 2-1단계;
상기 제2영역 내에 다수 설치된 제2-2간이측정기에 상기 제2최적알고리즘을 적용하여 해당 지역의 미세먼지 예측값을 산출하는 2-2단계;
제1지점으로부터 일정 반경으로 이루어지는 제1영역과, 제2지점으로부터 일정 반경으로 이루어지는 제2영역이 서로 겹치는 영역을 제1^2영역이라고 하고, 제1^2영역에 설치되는 간이측정기를 제1^2간이측정기라고 하면,
상기 연산부는, 상기 제1지점에 병행 설치된 제1-1간이측정기의 측정데이터와 제1-1기준측정기의 측정데이터 및 상기 제2지점에 병행 설치된 제2-1간이측정기의 측정데이터와 제2-1기준측정기의 측정데이터를 모두 포함한 데이터로 학습하여, 상기 제1-1간이측정기의 측정데이터와 제1-1기준측정기의 측정데이터의 차이를 보상할 수 있고, 또한 상기 제2-1간이측정기의 측정데이터와 제2-1기준측정기의 측정데이터의 차이를 보상할 수 있는 보정계수를 갖는 제1^2최적알고리즘을 산출하는 1^2-1단계; 및
상기 제1^2영역 내에 다수 설치된 제1^2간이측정기에 상기 제1^2최적알고리즘을 적용하여 해당 지역의 미세먼지 예측값을 산출하는 1^2-2단계;를 포함하는 것을 특징으로 하는 미세먼지 예측시스템.A 1-1 standard measuring device that measures fine dust by applying the beta ray absorption method and a 1-1 simple measuring device that measures fine dust by applying a light scattering method, installed in parallel at the first point; A 1-2 simple measuring device installed at a number of points within a first area consisting of a predetermined radius from the first point and measuring fine dust by applying a light scattering method; A 2-1 standard measuring device that measures fine dust by applying a beta ray absorption method and a 2-1 simple measuring device that measures fine dust by applying a light scattering method installed in parallel at a second location; A 2-2 simple measuring device installed at multiple points within a second area formed at a certain radius from the second point and measuring fine dust by applying a light scattering method; A data collection unit that collects atmospheric environment measurement data at the first and second points; A fine dust prediction system comprising a calculation unit that calculates data including the collected data collected by the data collection unit,
The calculation unit learns from the measurement data of the 1-1 simple measuring device and the measurement data of the 1-1 standard measuring device installed in parallel at the first point, and the measurement data of the 1-1 simple measuring device and the 1-1 standard measuring device Step 1-1 of calculating a first optimal algorithm with a correction coefficient that can compensate for differences in measurement data;
Step 1-2 of calculating a predicted value of fine dust in the area by applying the first optimal algorithm to a number of 1-2 simple measuring instruments installed in the first area;
The calculation unit learns from the measurement data of the 2-1 simple measuring device and the measurement data of the 2-1 standard measuring device installed in parallel at the second point, and the measurement data of the 2-1 simple measuring device and the 2-1 standard measuring device Step 2-1 of calculating a second optimal algorithm with a correction coefficient that can compensate for the difference in measurement data;
Step 2-2 of calculating a predicted value of fine dust in the area by applying the second optimal algorithm to a number of 2-2 simple measuring instruments installed in the second area;
The area where the first area consisting of a certain radius from the first point and the second area consisting of a constant radius from the second point overlap each other is called the 1^2 area, and the simple measuring instrument installed in the 1^2 area is called the 1st area. ^2Speaking of simple measuring instruments,
The calculation unit includes measurement data of a 1-1 simple measuring device installed in parallel at the first point, measurement data of a 1-1 standard measuring device, measurement data of a 2-1 simple measuring device installed in parallel at the second point, and a second -By learning with data including all the measurement data of the 1-1 standard measuring device, the difference between the measurement data of the 1-1 simple measuring device and the measuring data of the 1-1 standard measuring device can be compensated, and also the 2-1 simple measuring device Step 1^2-1 of calculating the 1^2 optimal algorithm with a correction coefficient that can compensate for the difference between the measured data of the measuring device and the measured data of the 2-1 standard measuring device; and
Step 1^2-2 of calculating the predicted value of fine dust in the area by applying the 1^2 optimal algorithm to the 1^2 simple measuring instrument installed in plurality in the 1^2 area. Dust prediction system.
제3지점에 병행 설치되는 베타선 흡수법을 적용하여 미세먼지를 측정하는 제3-1기준측정기와 광산란법을 적용하여 미세먼지를 측정하는 제3-1간이측정기; 제3지점으로부터 일정 반경으로 이루어지는 제3영역 내의 다수 지점에 설치되고 광산란법을 적용하여 미세먼지를 측정하는 제3-2간이측정기;를 더 포함하고,
상기 데이터 수집부는, 상기 제3지점의 대기환경 측정데이터를 더 수집하고,
상기 연산부는, 상기 제3지점에 병행 설치된 제3-1간이측정기의 측정데이터와 제3-1기준측정기의 측정데이터로 학습하여, 제3-1간이측정기의 측정데이터와 제3-1기준측정기의 측정데이터의 차이를 보상할 수 있는 보정계수를 갖는 제3최적알고리즘을 산출하는 3-1단계;
상기 제3영역 내에 다수 설치된 제3-2간이측정기에 상기 제3최적알고리즘을 적용하여 해당지역의미세먼지 예측값을 산출하는 3-2단계;
제1지점으로부터 일정 반경으로 이루어지는 제1영역과, 제2지점으로부터 일정 반경으로 이루어지는 제2영역과, 제3지점으로부터 일정 반경으로 이루어지는 제3영역이 서로 겹치는 영역을 제1^2^3영역이라고 하고, 제1^2^3영역에 설치되는 간이측정기를 제1^2^3간이측정기라고 하면,
상기 연산부는, 상기 제1지점에 병행 설치된 제1-1간이측정기의 측정데이터와 제1-1기준측정기의 측정데이터와, 상기 제2지점에 병행 설치된 제2-1간이측정기의 측정데이터와 제2-1기준측정기의 측정데이터와, 상기 제3지점에 병행 설치된 제3-1간이측정기의 측정데이터와 제3-1기준측정기의 측정데이터를 모두 포함한 데이터로 학습하여, 상기 제1-1간이측정기의 측정데이터와 제1-1기준측정기의 측정데이터의 차이를 보상할 수 있고, 또한 상기 제2-1간이측정기의 측정데이터와 제2-1기준측정기의 측정데이터의 차이를 보상할 수 있고, 또한 상기 제3-1간이측정기의 측정데이터와 제3-1기준측정기의 측정데이터의 차이를 보상할 수 있는 보정계수를 갖는 제1^2^3최적알고리즘을 산출하는 1^2^3-1단계; 및
상기 제1^2^3영역 내에 다수 설치된 제1^2^3간이측정기에 상기 제1^2^3최적알고리즘을 적용하여 해당 지역의 미세먼지 예측값을 산출하는 1^2^3-2단계;를 포함하는 것을 특징으로 하는 미세먼지 예측시스템.According to paragraph 1,
A 3-1 standard measuring device that measures fine dust by applying a beta ray absorption method and a 3-1 simple measuring device that measures fine dust by applying a light scattering method installed in parallel at a third location; It further includes a 3-2 simple measuring device that is installed at multiple points within the third area consisting of a certain radius from the third point and measures fine dust by applying a light scattering method,
The data collection unit further collects atmospheric environment measurement data at the third point,
The calculation unit learns from the measurement data of the 3-1 simple measuring device and the measurement data of the 3-1 standard measuring device installed in parallel at the third point, and the measurement data of the 3-1 simple measuring device and the 3-1 standard measuring device Step 3-1 of calculating a third optimal algorithm with a correction coefficient that can compensate for the difference in measurement data;
Step 3-2 of calculating a predicted value of fine dust in the area by applying the third optimal algorithm to a number of 3-2 simple measuring instruments installed in the third area;
The area where the first area formed with a certain radius from the first point, the second area formed with a certain radius from the second point, and the third area formed with a certain radius from the third point overlap each other is called the 1^2^3 area. If the simple measuring device installed in the 1^2^3 area is called the 1^2^3 simple measuring device,
The calculation unit includes measurement data of a 1-1 simple measuring device installed in parallel at the first point, measurement data of a 1-1 standard measuring device, measurement data of a 2-1 simple measuring device installed in parallel at the second point, and Learning with data including the measurement data of the 2-1 standard measuring device, the measurement data of the 3-1 simple measuring device installed in parallel at the third point, and the measurement data of the 3-1 standard measuring device, the 1-1 simple measuring device It is possible to compensate for the difference between the measurement data of the measuring device and the measurement data of the 1-1 standard measuring device, and also to compensate for the difference between the measurement data of the 2-1 simple measuring device and the measurement data of the 2-1 standard measuring device, , Also, 1^2^3-, which calculates the 1^2^3 optimal algorithm with a correction coefficient that can compensate for the difference between the measurement data of the 3-1 simple measuring device and the measurement data of the 3-1 standard measuring device. Level 1; and
Step 1^2^3-2 of calculating a forecast value of fine dust in the area by applying the 1^2^3 optimal algorithm to a number of 1^2^3 simple measuring instruments installed in the 1^2^3 area; A fine dust prediction system comprising:
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230000314 | 2023-01-02 | ||
| KR20230000314 | 2023-01-02 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102594820B1 true KR102594820B1 (en) | 2023-10-27 |
Family
ID=88514059
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230047737A KR102594820B1 (en) | 2023-01-02 | 2023-04-11 | fine dust prediction system using artificial intelligence |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102594820B1 (en) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180041828A (en) * | 2016-10-17 | 2018-04-25 | 주식회사에스에이티 | An apparatus and method for constructing microscopic dust information by measuring, compensating and predicting the concentration density of microscopic dust |
| KR101948236B1 (en) * | 2018-05-18 | 2019-02-14 | 케이웨더(주) | System for providing fine dust information according to town area |
| KR20190041232A (en) * | 2017-10-12 | 2019-04-22 | 주식회사 엑스엘 | Method and Apparatus for Calculating Concentration of Fine Dust |
| KR102066871B1 (en) * | 2019-07-15 | 2020-01-16 | 한국과학기술정보연구원 | Measuring method for air quality and measuring system for air quality |
| KR102159108B1 (en) * | 2019-07-12 | 2020-09-23 | 세종대학교산학협력단 | Network-calibrated, distributive three dimensional fine dust measurement system and method |
| KR20200128226A (en) * | 2019-04-18 | 2020-11-12 | 에코스솔루션(주) | Fine dust concentration prediction system |
| KR102185579B1 (en) * | 2020-05-27 | 2020-12-02 | 김학목 | Fine dust measuring and information provision device |
| KR102222381B1 (en) * | 2019-10-01 | 2021-03-04 | 한국건설기술연구원 | System for realtime estimating air pollution of wayside using traffic data, and method for the same |
| KR102275947B1 (en) * | 2019-10-22 | 2021-07-12 | 한국산업기술시험원 | Method for testing performance of fine dust measuring device at room temperature and high humidity environmental conditions |
| KR20220095722A (en) * | 2020-12-30 | 2022-07-07 | 케이웨더(주) | Method for correcting abnormal data of fine dust measuring device |
| KR20220163748A (en) | 2021-06-03 | 2022-12-12 | 케이앤제이엔지니어링 주식회사 | Fine dust measurement system with automatic purification and correction technology |
| KR102475566B1 (en) * | 2019-04-19 | 2022-12-12 | 에코스솔루션(주) | Fine dust measurement system linked with smartphone |
| KR20230012251A (en) * | 2021-07-15 | 2023-01-26 | 한국과학기술원 | A calibrating method of the particulate matter measurement value |
| US11592390B2 (en) * | 2020-09-10 | 2023-02-28 | Project Canary, Pbc | Air quality monitoring system and method |
-
2023
- 2023-04-11 KR KR1020230047737A patent/KR102594820B1/en active IP Right Grant
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180041828A (en) * | 2016-10-17 | 2018-04-25 | 주식회사에스에이티 | An apparatus and method for constructing microscopic dust information by measuring, compensating and predicting the concentration density of microscopic dust |
| KR20190041232A (en) * | 2017-10-12 | 2019-04-22 | 주식회사 엑스엘 | Method and Apparatus for Calculating Concentration of Fine Dust |
| KR101948236B1 (en) * | 2018-05-18 | 2019-02-14 | 케이웨더(주) | System for providing fine dust information according to town area |
| KR20200128226A (en) * | 2019-04-18 | 2020-11-12 | 에코스솔루션(주) | Fine dust concentration prediction system |
| KR102475566B1 (en) * | 2019-04-19 | 2022-12-12 | 에코스솔루션(주) | Fine dust measurement system linked with smartphone |
| KR102159108B1 (en) * | 2019-07-12 | 2020-09-23 | 세종대학교산학협력단 | Network-calibrated, distributive three dimensional fine dust measurement system and method |
| KR102066871B1 (en) * | 2019-07-15 | 2020-01-16 | 한국과학기술정보연구원 | Measuring method for air quality and measuring system for air quality |
| KR102222381B1 (en) * | 2019-10-01 | 2021-03-04 | 한국건설기술연구원 | System for realtime estimating air pollution of wayside using traffic data, and method for the same |
| KR102275947B1 (en) * | 2019-10-22 | 2021-07-12 | 한국산업기술시험원 | Method for testing performance of fine dust measuring device at room temperature and high humidity environmental conditions |
| KR102185579B1 (en) * | 2020-05-27 | 2020-12-02 | 김학목 | Fine dust measuring and information provision device |
| US11592390B2 (en) * | 2020-09-10 | 2023-02-28 | Project Canary, Pbc | Air quality monitoring system and method |
| KR20220095722A (en) * | 2020-12-30 | 2022-07-07 | 케이웨더(주) | Method for correcting abnormal data of fine dust measuring device |
| KR20220163748A (en) | 2021-06-03 | 2022-12-12 | 케이앤제이엔지니어링 주식회사 | Fine dust measurement system with automatic purification and correction technology |
| KR20230012251A (en) * | 2021-07-15 | 2023-01-26 | 한국과학기술원 | A calibrating method of the particulate matter measurement value |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2020043030A1 (en) | Data credibility evaluation and calibration method for air pollution monitoring device | |
| Kuik et al. | Air quality modelling in the Berlin–Brandenburg region using WRF-Chem v3. 7.1: sensitivity to resolution of model grid and input data | |
| CN114371260B (en) | Method for performing gridding monitoring, diffusion early warning and tracing on industrial enterprise unstructured VOCs | |
| Stedman et al. | New high resolution maps of estimated background ambient NOx and NO2 concentrations in the UK | |
| Righi et al. | Statistical and diagnostic evaluation of the ADMS-Urban model compared with an urban air quality monitoring network | |
| CN102117383A (en) | Method for diagnosing river pollution in real time | |
| JP7365415B2 (en) | Methods for calibrating gas sensors | |
| CN101893726A (en) | Aeolian sand disaster simulating device and method | |
| De Coensel et al. | Dynamic noise mapping based on fixed and mobile sound measurements | |
| CN116227752B (en) | Park facility management system based on Internet of things | |
| CN111788578A (en) | Method for evaluating data credibility of environment monitoring station | |
| Mehravaran et al. | Noise pollution evaluation method for identification of the critical zones in Tehran | |
| CN108981892A (en) | A kind of environment noise test method | |
| KR102594820B1 (en) | fine dust prediction system using artificial intelligence | |
| CN111310124A (en) | Urban runoff data processing method | |
| CN114980430A (en) | High-pole lamp intelligent lighting system applied to large urban square | |
| Tremper | The impact of a green screen on concentrations of nitrogen dioxide at Bowes Primary School, Enfield | |
| Spyropoulos et al. | The use of low-cost sensing for air pollution measurements in urban outdoor environments | |
| CN112612993A (en) | Evaluation method for monitoring sound environment quality | |
| CN111126761A (en) | Method and system for estimating capacity of regional radiation environment | |
| Bąkowski et al. | Urban tidal flow noise-case study | |
| Peng et al. | Parameter sensitivity analysis of SWMM model in an Airport Airfield Area | |
| Kragh et al. | The Nord2000 prediction method for road traffic noise–outline and validation, and application in environmental noise mapping | |
| CN109612057A (en) | Indoor PM2.5 pre-warning and control method, device and computer readable storage medium | |
| Phillips et al. | Sensitivity of Input Parameter on CNOSSOS-EU Road Emission Levels |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A302 | Request for accelerated examination | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |