1. 서 론
세계적으로 대기 오염 문제와 그로 인한 질환이 지속적으로 증가하고 있다. 대기오염 중에서도 악취는 후각으로 인지되는 감각 오염이라는 특성으로 극히 낮은 농도에서도 주민들의 불만을 야기할 가능성이 높다. 이러한 특성에서 악취는 지속적인 민원의 원인으로 작용하고 있는 환경 문제 중 하나이다[1,2]. 특히 많은 사람들이 밀집해 거주하는 도시에서는 환경 기반 시설부터 공업단지까지 다양한 악취 발생 시설이 분포해 여러 원인 물질에 의한 악취가 발생한다[3,4]. 국내 사례로 2000년대 초반 반월･시화국가산업단지 주변에 신도시가 조성되며 악취 문제가 대두되기 시작했으며, 3대 석유화학단지도 악취 문제로 기업과 주민들 간의 마찰이 지속적으로 발생하고 있다[5,6]. 최근에도 수도권과 대구광역시의 관할 사업장이 늘어나며 악취 민원이 증가하고 있다[7,8]. 이렇게 산업단지에서 발생하는 악취 물질은 주민들의 쾌적한 생활에 방해될 뿐만 아니라 신체 자극이나 암을 유발할 가능성이 있어 모니터링을 통한 관리와 저감 대책이 요구된다. 한국의 악취방지법에서는 악취를 자극성이 있는 물질이 사람의 후각을 자극하여 불쾌감과 혐오감을 주는 냄새로 정의하며 효과적인 관리를 위해 지속적으로 악취 민원이 발생한 지역을 악취관리지역으로 지정하여 관리하고 있다[9]. 악취 관리 지역으로 지정된 일부 지역에서는 스마트 기술을 도입한 악취 방지와 예방에 관심을 기울이며 악취의 선제 대응 행정 방식 도입을 목표로 하고 있다[10]. 이렇듯 현재 악취 관리 시스템은 기존의 사후 관리 방식에서 예방을 통한 사전 관리 방식으로 나아가고 있다.
악취관리지역으로 지정되어 관리되고 있는 북대전 지역 또한 스마트 악취 관리를 위한 많은 관심을 쏟고 있다. 해당 지역에는 매립장을 비롯한 자원순환단지와 산업단지가 밀집되어 있어 악취 문제를 줄이기 위한 노력이 필요하다(Fig. 1)[11]. 이에 따라 사후 대응에서 나아가 사전 관리를 진행할 수 있는 예측 기반의 고도화 시스템의 도입을 목적으로 악취 관리 고도화 사업을 추진하고 있다[12]. 이러한 배경에서 대전광역시의 사례는 악취 데이터를 기반으로 한 예측 관리의 선제적 도입의 가능성을 보여주고 있다. 하지만 실제 시스템 설계에 앞서, 어떠한 예측 모델이 악취 데이터를 효과적으로 설명하고 예측할 수 있는지에 대한 검토 및 평가가 필요하다.
최근 악취 관리 센서를 통한 악취의 측정 데이터가 쌓이며 빅데이터와 인공지능을 활용한 연구가 진행되고 있다[13-16]. 그러나 악취 데이터 활용 연구 사례와 예측 모델에 대한 연구 데이터가 여전히 부족한 상황이다. 앞서 진행된 악취 예측 관련 연구들은 주로 머신러닝 기반 모델들 간의 성능 비교에 초점을 맞추었으며, 예측 대상 또한 단일 성분 및 특정 장소에 한정된 경우가 대부분이었다. 특히, 딥러닝 기반 모델과 머신러닝 모델 간의 직접적인 성능 비교 연구는 거의 이루어지지 않았다.
악취 문제 해결에 대한 배경과 사전 연구를 바탕으로 본 연구는 악취 데이터에 대한 머신러닝(XGBoost, LightGBM)과 딥러닝(LSTM, GRU) 모델의 예측 성능을 비교하고 분석하였다. 또한 4개 측정소의 데이터를 바탕으로 다지역 기반 예측 분석을 수행하여 주요 악취 성분 예측의 모델별 성능을 확인하고 그 활용 가능성을 확인하기 위한 연구를 진행하였다. 시퀀스 길이에 따른 모델 비교, 단일 및 다중 입력 인자 모델의 비교를 함께 진행하여 입력 변수 변화에 따른 모델별 민감도를 분석하였다. 이렇듯 본 연구에서는 예측 모델에 대한 기초적 분석 및 평가를 수행함으로써 악취 관리 시스템 구축 및 기술 고도화에 기여하고자 하였다.
2. 실험 방법
2.1. 데이터 수집 및 통계 분석
연구에 활용된 데이터는 대전광역시 악취관리시스템에서 제공하는 총휘발성유기화합물(TVOC)과 암모니아(NH3)의 농도(ppm)의 3개년 데이터이다. 이 데이터는 Fig. 1에 제시된 네 지점에서 측정되었으며, 2022년부터 2024년까지 시간 단위의 시계열 데이터로 수집되었다. 대전광역시 악취관리 시스템에서 제공하는 악취 데이터는 본 연구에 활용한 TVOC와 암모니아 외에도 황화수소(H2S)를 포함하고 있다. 그러나 황화수소 측정값의 분포가 극단적으로 편중되어 있고, 농도의 변화 폭이 미미하여 시계열 예측 모델이 학습 가능한 구조적 정보(추세, 계절성, 변동성)가 결여되어 있음을 확인하였다. 이러한 정량적 분석을 고려할 때, H2S는 본 연구의 목적에 적절한 예측 대상 변수로 보기 어렵다고 판단되어 TVOC와 NH3 두 가지 물질을 중심으로 예측 모델을 구성하였다.
수집된 악취 인자(TVOC, NH3) 데이터는 실시간 측정의 특성상 간헐적인 결측값이 발생하며 전체 데이터 대비 평균 결측률은 약 1.2% 수준으로 비교적 낮게 나타났다. 본 연구에서는 연속된 결측 구간의 길이에 따라 다른 보정 방법을 적용하였다. 연속된 결측치가 3개 이하인 경우에는 직전의 유효값을 이용한 이전의 대체(Forward fill)를 적용하였고, 4개 이상 연속 결측된 경우에는 선형 보간(Linear interpolation)을 통해 값을 보정하였다. Forward fill 기법은 시계열 데이터에서 가장 널리 사용되는 단기 결측 처리 방식 중 하나로 선행연구에서도 실시간 환경 데이터 보정에 활용된 사례가 보고되고 있다[17,18]. 이에 따라 본 연구에서는 forward fill과 선형 보간을 결합한 단순 보정 방식만으로도 예측 모델 학습에 충분한 신뢰도를 확보할 수 있다고 판단하였다. 정제된 각 악취 인자 데이터는 측정 지점과 악취 물질에 따라 평균(Mean), 중앙값(Median), 표준편차(Standard Deviation), 최소값(Min.), 최대값(Max.)을 산출하여 각 변수 중심 경향성과 산포도, 극값을 정량적으로 분석하였다.
2.2. 단일인자 예측 모델 분석
본 연구에서는 각 악취 인자에 대한 시계열 예측 가능성을 개별적으로 평가하고자 하였다. 이를 위해 단일인자별로 4개의 측정 지점에 대해 각각의 악취 인자를 종속변수로 설정한 예측 모델을 구축하였다.
모델 선정에서는 악취 데이터의 시계열적 특성과 비선형성, 결측 및 이상값 존재 등의 특성을 고려하였다. XGBoost와 LightGBM은 부스팅 기반 알고리즘으로 트리 구조를 활용해 변수 간 상호 작용을 효과적으로 분석할 수 있으며, 과적합 제어에 강점을 가진다[19,20]. LSTM(Long Short-Term Memory)은 복잡한 시계열 패턴 학습에서 GRU(Gated Recurrent Unit)는 구조적 단순성과 빠른 수렴 속도에서 유리하다는 점에서 함께 선정되었다[21]. 이러한 모델 조합은 머신러닝과 딥러닝 기반의 시계열 패턴 학습능력을 비교함으로써, 모델 유형 간 성능 차이와 데이터 수집 위치에 따른 특성에 대한 예측 민감도 차이를 명확히 평가할 수 있는 기반을 제공한다.
실험에 사용된 모든 예측 모델은 전체 시계열 데이터를 시간 순서에 따라 8:1:1의 비율로 분할하여 학습(Train), 검증(Validation), 테스트(Test)에 활용하였다. 이때 테스트 셋은 학습 및 검증 데이터에 포함되지 않은 시점의 데이터로 구성하여 실제 운영 환경에서의 예측 성능을 평가할 수 있도록 하였다. 하이퍼파라미터 튜닝은 Optuna 프레임워크를 통해 수행되었으며, 모델의 성능평가는 RMSE(Root Mean Squared Error), MAE(Mean Absolute Error), 결정계수(R2), Spearman 상관계수를 기준으로 정량적으로 수행되었다.
2.2.1. 모델별 예측 성능 비교
각 악취 물질과 지점에 따른 예측 모델 간 성능을 비교하기 위해 같은 조건에서 네 가지 모델 종류(XGBoost, LightGBM, LSTM, GRU)에 따른 예측 실험을 진행하였다. 각 모델은 시계열 예측 문제의 구조적 특성에 따라 과거 24시간(1일)의 데이터를 하나의 입력 시퀀스로 구성하여, 1시간 뒤의 악취 인자 농도 예측을 목표로 모델을 구성하였다.
2.2.2. 시퀀스별 예측 성능 비교
모델별 예측 성능을 확인한 후에는 예측 모델의 입력 시퀀스와 예측 시점에 따른 성능 변화를 비교하고자 하였다. 이를 위해 입력 시퀀스의 길이를 24시간(1일), 48시간(2일)으로, 예측 목표를 1시간 후와 2시간 후로 설정하여 실험을 진행하였다. 이를 통해 시계열 모델이 과거 데이터의 누적 길이와 예측 목표 시점의 차이에 따라 시계열 모델의 정밀도가 어떻게 달라지는지를 분석하였다. 최대 예측 시점은 데이터가 단기적 변동성이 크고 외부 환경의 영향을 강하게 받는다는 특징을 바탕으로 예측 정확도가 유의미하게 유지될 수 있는 범위로 설정하였다.
2.3. 다중인자 예측 모델 분석
다중인자 예측 모델 분석에서는 단일인자 기반 모델과 다중인자 기반 모델 간의 예측 성능을 비교하고, 악취 성분 간 상호 작용이 결과에 어떠한 영향을 미치는지를 분석하고자 하였다. 이를 위해 TVOC와 NH3 두 인자를 모두 입력 변수로 활용하여 둘 중 하나의 인자를 예측하는 다중 입력-단일 출력 예측 모델 분석을 수행하였다. 따라서 본 연구는 단일인자 분석 결과에서 가장 안정적인 성능을 보인 예측 모델 한가지를 기반으로 과거 24시간 데이터를 기반으로 1시간 후를 예측하는 모델을 구성하여 실험을 진행하였다.
3. 결과 및 고찰
3.1. 데이터 통계 분석 결과
본 연구에서는 TVOC와 NH3 농도에 대한 기초 통계분석을 통해 각 측정 지점별 농도 분포의 중심 경향성과 산포 특성을 정량적으로 파악하였다(Table 1).
측정 지점 간 비교 결과, TVOC는 Site 3에서 평균농도와 최대값, 표준편차에서 가장 높은 값을 나타내었다. NH3는 모든 측정 장소에서 유사한 중앙값을 나타냈으나, Site 4에서 평균 농도 및 최대값이 가장 높게 나타났다. 이는 각 지점이 해당 물질에 대해 가장 큰 변동성과 고농도 위험성을 가진 측정 지점임을 의미하며 외부 유입, 산업적 배출, 일시적 누출에 의해 악취물질이 고농도로 발생했다는 가능성을 나타낸다.
3.2. 단일인자 예측 모델 분석 결과
3.2.1. 모델별 예측 성능 비교 결과
다음은 모델별 예측 성능에 대한 실험 결과이다. Fig. 2와 Fig. 3은 TVOC 농도에 대한 네 모델의 시계열 예측 결과를 훈련, 검증, 테스트 구간에 따라 실제값과 예측값이 구분되도록 시각화한 그래프를 지점별로 나타낸 그림이다.
Fig. 2에서 확인할 수 있듯 트리 기반 모델인 XGBoost는 변동이 적은 구간에서는 안정적인 예측이 이루어졌으나 변동성이 많은 비선형 구간에서 과소 추정되는 경향을 확인할 수 있었다. LightGBM 모델은 XGBoost와 유사한 성능 분포를 보였으나 일부 측정 지점에서 개선된 예측을 확인할 수 있었다. 그러나 고농도 스파이크 구간에서 과대 예측되는 경향을 보였으며, 이는 LightGBM이 다수의 약한 결정 트리를 병렬적으로 학습하며 극단값의 민감도를 유지하고 있다는 것을 의미한다.
딥러닝 모델 예측 결과 미세한 패턴 추종력이 머신러닝 모델에 비해 우수하다는 것을 확인할 수 있었다(Fig. 3). LSTM은 시계열 데이터의 장기 의존성을 고려하는 구조로, 반복적이고 점진적인 상승･하강이 나타나는 환경에서 안정적인 예측 성능을 나타냈다. 예측 곡선이 실제 데이터의 변화 패턴을 일정 수준 이상 정밀하게 추종하며 LSTM 모델이 급격한 변동이 있는 데이터도 민감하게 예측할 수 있다는 것을 확인하였다. GRU또한 변동이 큰 구간에서도 예측값이 실제 관측 값의 추이를 잘 따라가며 비정상적인 패턴에 대한 대응력이 높은 것을 확인할 수 있었다.
Fig. 4는 TVOC 예측 성능을 모델별로 비교한 결과로 RMSE, MAE, R2, Spearman 상관계수를 기준으로 각 모델의 정량적 예측 성능을 시각화한 그래프이다. 비교 결과 LSTM이 대부분의 측정 지점에서 가장 낮은 RMSE, MAE를 나타내었고 R2 또한 0.9 이상으로 높은 설명력을 보였다. 특히 Site 1, 2, 3에서 네 모델 중 LSTM 성능이 가장 우수했으며 시계열 내 패턴과 농도 변화를 가장 잘 학습하였다. GRU 역시 LSTM과 유사한 수준의 성능을 보였으나 일부 측정 지점에서 다소 불안정한 예측을 보였다. XGBoost와 LightGBM은 전반적으로 예측 오차가 높고 설명력이 낮은 결과를 나타냈다. 이는 시계열적 구조나 급격한 변동성을 충분히 학습하지 못했기 때문으로 해석된다.
Fig. 5와 Fig. 6은 NH3 농도에 대한 모델별 시계열 예측을 시각화하여 지점별로 나타낸 그래프이다. XGBoost 예측 모델은 NH3 농도가 급격하게 변화하는 구간에서 예측 반응이 지연되거나 축소되는 현상이 나타났다. 이는 트리 기반 모델의 구조적 한계로 인한 것으로 해석된다. LightGBM 모델 또한 일부 측정 지점에서는 일정한 추세 예측이 가능했으나 변동이 심한 지점에서는 예측이 지나치게 평탄하게 처리되며 급격한 변동 구간을 추적하지 못하는 양상을 보였다. LSTM 모델은 다른 예측 모델보다 정밀한 예측 추세를 보였다. 특히 급격한 변화 구간에서도 안정적인 예측을 유지하는 것을 확인하였다. GRU 모델은 전체적으로 LSTM과 유사한 추세를 따르나 극값 영역에서의 민감도가 상대적으로 낮게 나타남을 확인할 수 있었다.
Fig. 7은 모델별 NH3 농도에 대한 예측 지표를 비교한 그래프이며 다음과 같이 해석된다. 모델별 NH3 예측에서는 Site 3에서 모든 모델이 낮은 RMSE 및 MAE를 나타냈다. 이는 해당 측정 지점의 NH3농도 변동성이 낮기 때문인 것으로 판단된다. XGBoost는 Site 4에서 가장 낮은 RMSE와 Site 3에서 가장 낮은 MAE를 나타내며 전반적으로 안정적인 예측 성능을 보였다. R2는 Site 2, 3, 4의 XGBoost 및 LightGBM이 우수한 설명력을 나타냈다. 이는 시계열성이 약한 NH3의 특성으로 인한 것으로 머신러닝 모델도 충분한 예측 성능을 나타낼 수 있음을 시사한다. LSTM과 GRU는 일부 측정 지점에서 낮은 설명력을 나타내어 TVOC 예측과 달리 NH3 예측은 모든 조건에서 우수하다고 보기는 어려웠다. Spearman 상관계수 또한 LSTM이 Site 2에서 우수한 순위 일관성을 보였지만, Site 3에서는 낮은 값을 나타내며 NH3 농도 추세 파악에는 한계가 있음을 확인하였다.
결론적으로 TVOC 예측에서는 시계열적 특성과 변동성이 강해 LSTM과 GRU와 같은 딥러닝 기반 모델(LSTM, GRU)이 머신러닝 모델(XGBoost, LightGBM)보다 우수한 예측 성능을 보였다. 특히 LSTM은 모든 측정 지점에서 복잡한 시계열 구조를 안정적으로 학습하는 것을 확인하였다. 반면 NH3는 시계열성과 변동성이 비교적 약하고 외부 요인의 영향을 많이 받아 일부 측정 지점에서는 XGBoost나 LightGBM이 더 나은 예측 성능을 보였다. 그러나 악취 성분 및 지점별 데이터의 특징과 같은 조건을 종합적으로 고려하였을 때, LSTM이 두 악취 성분 모두에서 가장 안정적이고 우수한 성능을 나타낸 모델로 판단되었다.
3.2.2. 시퀀스별 예측 성능 비교 결과
시계열 입력 길이 및 예측 시점에 따른 예측 정확도 변화를 정량적으로 평가하기 위하여, 24시간 및 48시간 입력 시퀀스에 대해 1시간 후와 2시간 후의 악취 물질별 농도를 예측하였다. 이 실험에 대한 물질 및 지점별 결과를 Table 2~9에 나타내었고 이 값을 기준으로 시퀀스와 예측 시점에 따른 성능을 비교 분석하였다.
TVOC의 시퀀스별 예측 성능을 비교한 결과, 입력 시퀀스가 24시간에서 48시간으로 증가할 경우 대부분의 측정 지점과 모델에서 예측 정확도가 향상되었으며 예측 시점이 1시간에서 2시간으로 늘어날수록 성능 저하가 발생하였다. 특히 LSTM 모델과 일부 지점에서의 GRU 모델이 R2를 0.9 이상으로 유지하며 안정적인 성능을 보였다. 그러나 트리 기반 모델은 시퀀스 길이 변화에 따른 성능 변화가 미미하거나 불안정하여 입력 시계열 구조에 대한 학습 효율이 제한적인 것으로 해석된다.
NH3 예측 모델의 경우 TVOC에 비해 전체적으로 예측 성능이 낮게 나타났다. 이는 NH3 농도의 고변동성, 예측 불확실성, 또는 외부 환경 요인에 대한 민감도가 높기 때문으로 해석된다. 그러나 일부 지점에서는 장기 입력 시퀀스가 예측 정밀도 향상에 효과적으로 작용하였으며, 이는 NH3 예측이 전적으로 어려운 변수는 아니며 지역적 특성과 시계열 구조를 반영한 설계가 병행된다면 일정 수준 이상의 성능 확보가 가능함을 보여준다.
시퀀스 변화에 따른 예측 성능 변화 결과를 통해 예측 모델을 구성할 때에는 입력 시퀀스의 길이와 예측 시점을 정형화하여 적용하기 보다는 대상지점의 농도 변동성, 주기성, 데이터 품질 등의 특성을 사전에 분석하고, 이에 기반한 유연한 입력 구조 최적화가 요구된다는 것을 확인할 수 있었다. 또한, 정책적･행정적 측면에서 악취 대응 조치가 실효성을 가지기 위해서는 일정 수준 이상의 예측 여유 시간이 필요하다. 그러나 본 연구에서는 데이터의 시계열 구조, 모델 안정성 등을 종합적으로 고려하여 예측 시점을 1시간 및 2시간으로 설정하였다. 예비 분석 결과, 예측 시점이 장기화될수록 모델의 설명력과 예측 정확도가 감소하는 경향이 나타났으며, 이는 현재 구성된 모델 구조와 입력 변수만으로는 장기 예측에서의 신뢰도 확보에 한계가 있음을 시사한다. 향후 보다 실질적인 활용을 위한 예측 모델의 고도화를 위해서는 장기 예측 정확도 향상을 위한 접근이 병행되어야 하며, 이를 위해 시계열 예측 알고리즘의 구조적 개선, 온도, 풍속, 습도 등 외부 환경 변수의 통합, 기존 연구에서 검증된 예측 모델과의 하이브리드 구조 적용 등을 포함한 다변량 모델링 전략이 요구된다.
3.3. 다중인자 예측 모델 분석
다중인자 예측 모델에서는 입력 변수 변화에 따른 예측 성능 차이 비교를 위해 단일인자 예측 모델 분석에서 가장 성능이 안정적이었던 LSTM으로 비교 분석을 수행하였다.
TVOC의 다중인자 예측 결과 단일인자 입력과 다중인자 입력 간 예측 성능 차이는 지점별로 상이하게 나타났다(Table 10). RMSE는 Site 1과 Site 2에서 단일인자 모델이 보다 낮은 오차를 보였으나 Site 3과 Site 4에서는 큰 차이가 없는 수준으로 나타났다. MAE 역시 Site 1에서는 다중인자 입력 구조가 오히려 더 낮은 절대 오차를 보였으나 Site 2, 3, 4에서는 단일인자 입력과 유사한 결과를 나타냈다. R2는 대부분의 측정 지점에서 단일인자 모델이 다소 높은 값을 보였으며, 특히 Site 4에서의 차이가 상대적으로 크게 나타났다. Spearman 상관계수는 Site 1과 Site 2에서 다중인자 예측 모델이 보다 우수한 순위 일관성을 보였으나, Site 4에서는 오히려 감소하였다.
NH3의 다중인자 예측 결과에서는 전반적으로 단일인자 입력 구조와 다중인자 입력 구조 간의 성능 차이가 크지 않았다 (Table 11). RMSE와 MAE는 동일하거나 미세한 수준의 차이를 보였고 예측 정밀도 또한 큰 차이가 나타나지 않았다. R2는 일부 지점에서 다중인자 입력 구조에서 값이 낮게 나타났으며 특히 Site 3에서 단일인자 예측 모델 대비 다중인자 예측 모델의 설명력이 낮았다. Spearman 상관계수는 일부 측정 지점에서는 다중인자 입력 구조가 높은 순위 일관성을 보이기도 하였으나 전반적으로 큰 차이는 확인되지 않았다.
TVOC 예측에서는 다중인자 입력 구조가 일부 지점에서 예측오차(RMSE, MAE)나 순위 일관성(Spearman 상관계수) 측면에서 긍정적인 영향을 보였으나 설명력(R2)은 단일인자 입력 구조가 더 높은 것으로 나타났다. NH3의 경우에는 전반적으로 단일인자 입력 구조와 다중인자 입력 구조간의 예측 성능 차이가 크지 않았으며, 일부 지점에서는 다중인자 입력 구조가 예측 성능을 오히려 저하시키는 경우도 있었다. 실제 상관성 분석 결과에 따르면, 뚜렷하게 상관성이 없다고 판단된 Site 4(p>0.05)를 제외한 세 측정 장소에서 TVOC와 NH3의 p-value는 모두 0.01 이하로, 데이터 간 상관이 통계적으로 유의하다고 분석된다. 그러나 공변성의 정규화 지표인 상관계수 r을 분석한 결과 각각 0.172, 0.141, 0.133으로 두 데이터 간의 선형 상관관계가 양의 값을 가지나 그 정도가 약하다고 판단되었다. 이는 해당 측정 지점의 TVOC와 NH3 농도 간의 변화가 방향성 측면에서는 일정 수준 일관성을 보일 수 있으나 변화의 크기까지 설명할 수 있을 정도의 강한 연관성은 부족하다는 것을 의미한다. 이러한 결과는 악취 성분 간 상호작용이 예측 성능 향상에 기여할 가능성을 보여주면서도 그 영향이 측정 장소 및 인자에 따라 다르게 나타날 수 있음을 나타낸다. 특히 NH3의 경우 시계열성과 변동성이 비교적 낮고 TVOC와의 농도 변화 상관성이 뚜렷하지 않기 때문에 입력 변수를 확장하더라도 예측 정확도가 향상되지 않을 수 있다는 점을 고려할 필요가 있다. 이처럼 다중인자 입력 구조는 데이터 특성과 변수 간 관계에 따라 그 효과가 달라질 수 있으며 항상 일관된 성능 향상을 기대하기는 어려운 것으로 판단된다.
4. 결 론
본 연구는 대전광역시 북대전 지역의 악취 관리 데이터를 기반으로 TVOC와 NH3의 시계열 예측을 수행하고 이를 머신러닝 모델(XGBoost, LightGBM), 딥러닝 모델(LSTM, GRU) 간 성능을 비교하였다. 또한 입력 시퀀스를 24시간, 48시간, 예측 시점을 1시간, 2시간으로 조합하여 각 모델의 시퀀스별 예측 성능을 정량적으로 분석하였으며 단일 및 다중 입력 인자에 대한 예측 성능 비교를 진행하였다.
분석 결과 TVOC와 같이 시계열성과 변동성이 높은 악취 성분에 대해 LSTM이 가장 일관된 예측 성능을 보였다. 시퀀스별 예측 모델 성능 분석 결과 시퀀스를 48시간으로 확장할 경우 전반적으로 성능이 향상되었으나 예측 시점이 길어질수록 예측 성능은 감소하였다. 이는 악취 데이터의 단기 변동성과 예측 민감도에 의한 것으로 판단된다. 다중인자 예측 모델 성능 분석에서는 입력 변수 구성이 예측 성능에 미치는 영향을 비교 분석하기 위해 두 성분 모두에서 가장 안정적인 예측 성능을 보인 LSTM을 대표 모델로 다중인자 예측 실험을 수행하였다. 다중인자 예측 모델 분석 결과 일부 측정 지점에서는 단일인자 예측 모델보다 성능이 개선되었으나 NH3 물질에 대해서는 일부 지점의 다중인자 예측 모델이 오히려 성능이 저하되었다. 이는 악취 인자 간 상호작용이 항상 예측 모델 성능 향상으로 이어지지 않으며 변수 특성과 환경적 요인에 따라 결과가 달라질 수 있으므로 악취 인자 예측을 위한 모델을 구성할 때 예측 장소나 목표 물질의 특징을 고려 해야함을 의미한다. 또한 본 연구에서 활용된 TVOC는 총휘발성유기화합물의 농도를 나타내는 대표적인 공기질 지표로, 대전광역시 악취관리시스템에서 제공한 공식 데이터를 기반으로 하였다. 그러나 TVOC는 VOC 전체 농도의 총합을 의미하며, 악취의 체감 강도는 개별 VOC 성분의 비율 및 조합에 따라 달라질 수 있으므로 TVOC 단독 지표만으로 악취 강도를 정밀하게 설명하는 데에는 한계가 있다. 그러나 본 연구에서는 공개된 시계열 데이터를 기반으로 예측 모델을 구성하였기 때문에, VOC 성분별 정보에 접근하거나 가중치를 부여하는 데에 제한이 있었다. 향후 실제 모니터링 연구를 통해 VOC 개별 성분의 농도 및 비중을 반영함으로써 악취 예측의 정확도 향상에 기여할 수 있을 것으로 예상된다.
본 연구는 다양한 예측 모델과 입력 구조를 정량적으로 비교함으로써 악취 예측 시스템 설계 시 우수한 모델 선정과 입력 변수를 결정에 기여할 수 있는 근거를 제시하였다. 그러나 본 연구는 외부 기상 요인(온도, 풍속, 속도 등)을 예측 모델에 포함하지 못했으며 이는 모델이 실제 환경 변동을 충분히 반영하지 못하는 한계로 작용할 수 있다. 기상 변수는 악취 확산 및 농도 변동에 중요한 영향을 미칠 수 있으므로 향후 연구에서는 기상 데이터를 통합하여 모델의 예측 성능을 향상시키는 방향으로 확장할 필요가 있다. 현재 일부 지자체에서는 실시간 악취 모니터링 시스템과 민원 기반 대응 체계를 운영하고 있으나 예측 기반의 선제적 관리 체계는 아직 초기 단계에 머물러 있다. 본 연구에서 제시한 AI 기반 예측 모델은 이러한 실시간 데이터 기반 관리 시스템과 연계되어 향후 스마트 악취 대응 체계 고도화의 기초 자료로 활용 가능하다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation 
Print 
