도농 복합도시 생활폐기물 특성 및 LSTM을 이용한 반입량 예측 = Characterizing and LSTM-based Forecasting of MSW in Urban-Rural Complex City

국문 초록 (Abstract)

도농 복합도시 생활폐기물 특성 및 LSTM을 이용한 반입량 예측 임 수 호 한국교통대학교 일반대학원 환경공학과 지도교수 연익준 본 연구는 중부 내륙 지역의 C시를 대상으로 2018년부터 2024년까지 7년 간 월 1회씩 채취한 생활폐기물 성상자료를 분석하여 연도별 변화와 계절적 변동 특성을 정리하고, 2015년부터 2024년까지 10년간의 1일 반입량 자료를 가지고 예측을 수행하는 데 목적이 있다. 물리·화학적 성상분석을 수행하였다. 분석 결과, 플라스틱류와 종이류가 전체 생 활폐기물의 약 60~70wt.%를 차지하는 주요 가연성 성분으로 나타났다. 연평균 겉 보기 밀도는 약 129kg/m³로 나타났으며, 2018년 약 189kg/m³에서 2024년 약 103kg/m³로 감소하여 약 45% 수준의 감소가 확인되었다. 삼성분은 봄과 겨울에 수 분 함량이 각각 2.83%, 2.99%로 낮고 회분 비율이 높은 반면, 여름과 가을에는 수 분 함량이 10.41%, 9.35%로 증가하면서 가연분 비율도 각각 81.98%, 81.19%로 가 장 높게 나타났다. 또한 원소분석 결과, 탄소(C) 함량은 48.70~51.25%로 계절에 따라 변화하였으며, 수소(H), 산소 (O), 질소(N)는 각각 5.87~6.21%, 6.06~6.41%, 0.95~1.01%로 변화가 크지 않았다. 성상·기상·인구·주기성·시차 변수를 포함한 다변량 시계열을 구성하여 LSTM 기반 일 단위 반입량 예측을 수행하였으며 재귀예측 방식을 적용하였다. 예측 결과, Test 1 구간(2023년 1월 1일~2024년 12월 31일)에서 일 단위 반입량 예측 성능은 RMSE(제곱근 평균제곱오차) 21,806.93kg/일, R²(결정계 수) 0.8246으로 나타나 전반적인 변동 추세를 양호하게 재현하였다. 한편, Test 2 구간(2025년 1월 1일~6월 30일)에 대한 실측–예측 비교 결과, 1~2월 에는 실측값과 예측값의 차이가 ±1,500kg/일 이내로 비교적 근접하게 나타 났으나, 3월 이후 실측 반입량이 91,177kg/일에서 95,323kg/일 수준으로 증 가하는 동안 예측 반입량은 78,007~83,072kg/일 범위에 머물러 약 13,000~ 15,600kg/일의 낮은 예측값이 나타났다. 이러한 오차 증가는 재귀예측 구조 에서 이전 예측값이 다음 입력으로 반복 사용되면서 시간이 경과할수록 오 차가 누적되는 것으로 판단되며, 해당 구간에서는 RMSE 27,183.27kg/일, R² 0.7091로 Test 1 대비 예측 성능이 다소 저하되는 경향이 확인되었다. 변수 기여도 분석 결과, 요일 및 주말 여부와 같은 주기성 변수가 가장 높은 영향을 보였으며, 플라스틱류와 종이류 성상 변수, 기온과 습도 등의 기상 요인이 그 다음으로 높은 기여도를 나타냈다. 특정 지역과 변수 구성에 기반한 예측 모델로, 향후 연구에서는 인구 구 조, 주거 형태, 수거 체계 등 사회·운영 변수를 추가하고 재귀예측 과정에서 의 오차 누적을 고려한 보정 기법을 적용할 필요가 있다고 판단된다.

목차 (Table of Contents)

• 제1장 서론 1
• 제2장 이론 및 문헌 연구 4
• 2.1 폐기물의 정의 4
• 2.1.1 생활폐기물의 물리·화학적 특성 6
• 2.2 생활폐기물 발생 및 처리 현황 9
• 2.3 딥러닝 16
• 2.3.1 인공지능의 개요 16
• 2.3.2 딥러닝 16
• 2.3.3 LSTM 17
• 2.3.4 딥러닝 기반 예측 연구 동향 18
• 제3장 연구 내용 및 방법 21
• 3.1 연구 지역 특성 21
• 3.1.1 소각시설 현황 및 운영 특성 21
• 3.1.2 인구학적 특성 22
• 3.1.3 기상학적 특성 23
• 3.2 생활폐기물 성상 분석 25
• 3.2.1 연구 대상 시료 25
• 3.2.2 물리·화학적 성상 분석 방법 25
• 3.3 LSTM 27
• 3.3.1 입력 변수 및 전처리 27
• 3.3.2 데이터 분할 29
• 3.3.3 모델 구조 및 학습 설정 31
• 3.3.4 성능지표 33
• 3.3.5 Permutation Importance 36
• 제4장 연구결과 및 고찰 37
• 4.1 물리·화학적 성상 분석 결과 37
• 4.1.1 겉보기 밀도 37
• 4.1.2 물리적 조성 40
• 4.1.3 삼성분 45
• 4.1.4 원소분석 48
• 4.2 반입량 51
• 4.3 상관분석 결과 55
• 4.4 모델 예측 결과 57
• 4.4.1 테스트 구간 예측 성능 57
• 4.4.2 Permutaion Importance 결과 63
• 제5장 결론 65