교통부문 온실가스 배출량 산정을 위한 예측방법론의 비교 연구 : LSTM, SVM 및 Random Forest = A Comparative Study of LSTM, SVM, and Random Forest for Predicting Greenhouse Gas Emissions from Transportation Sector

국문 초록 (Abstract)

본 연구는 대한민국 도로교통 부문의 이산화탄소 배출량을 정확하게 예측하고자 확장된 (CO ) ₂ 모형과 기계학STIRPAT(Stochastic Impacts by Regression on Population, Affluence and Technology) 습 기반의 예측 모델을 활용하였다 분석에 사용된 변수는 인구 인당 국내총생산 도시화율 여. , 1 (GDP), , 객 수송량 화물 수송량 에너지 집약도 지수 탄소 집약도 지수 등 총 개로 구성되었으며 년부, , , 7 , 1990 터 년까지의 년 동안 연도별 데이터를 기반으로 하였다 본 연구에서는 2019 30 . LSTM(Long Short-Term 모델 등 세 가지 예측 모델을 구축하여 도Memory), SVM(Support Vector Machine), Random Forest 로교통 부문의 배출량을 예측하고 등 다양한 평가 지표를 통해 모델 성능을 CO , MAE, RMSE, MAPE ₂ 비교하였다 분석 결과 모델이 가장 뛰어난 예측 성능을 보였다 이를 바탕으로 년부터 . , LSTM . 2021 년까지의 기준 저탄소 고탄소 시나리오를 설정하여 장기적인 예측을 수행하였다 시나2040 (BAU), (L), (H) . 리오별 분석 결과는 정책적 선택에 따라 배출량의 정점 도달 시기와 총 배출량에 큰 차이가 나타날 수 있음을 보여주었으며 조기에 탄소 배출 정점을 달성하기 위한 적극적인 정책 대응이 필요하다는 , 점을 강조하였다 본 연구는 기계학습 기반의 예측 방법이 교통 부문 탄소중립 전략 수립에 실질적으. 로 기여할 수 있는 중요한 도구임을 시사한다.

키워드: 도로교통, 이산화탄소 배출, STIRPAT 모형, LSTM, SVM, Random Forest, 시나리오 분석, 기계학습

다국어 초록 (Multilingual Abstract)

This study aims to accurately forecast carbon emissions from the road transportation sector in the Republic of Korea using advanced machine learning techniques, thereby contributing to national carbon neutrality strategies. Utilizing an expanded STIRPAT (Stochastic Impacts by Regression on Population, Affluence, and Technology) model, this research integrates eight key variables: population, per capita GDP, urbanization rate, passenger turnover, freight turnover, vehicle ownership, energy intensity, and carbon intensity, covering data from 1990 to 2019. Three forecasting models—Long Short-Term Memory (LSTM), Support Vector Machine (SVM), and Random Forest (RF)—were developed and evaluated using performance metrics such as Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Mean Absolute Percentage Error (MAPE). The LSTM model exhibited superior predictive accuracy and was thus employed for scenario analysis. Emission trajectories for baseline, low-carbon, and high-carbon scenarios were projected for the period from 2021 to 2040, highlighting significant variations in peak emission timings and cumulative emissions depending on policy choices. The results underscore the effectiveness of deep learning methodologies in environmental forecasting and provide valuable policy implications for achieving early carbon peak goals through enhanced transport efficiency and technological advancement. Furthermore, this study demonstrates that data-driven modeling approaches can serve as critical tools for sustainable transport planning and operational decision-making.


Keywords: Road Transport, Carbon Emissions, STIRPAT Model, Long Short-Term Memory, Support Vector Machine, Random Forest, Scenario Analysis, Carbon Neutrality

목차 (Table of Contents)

• 1. 서론 1
• 1.1. 연구 배경 및 필요성 1
• 1.2. 연구 목표 및 의의 4
• 1.3. 연구 범위와 방법 4
• 1.4. 논문 구성 5
• 2. 이론적 배경 및 선행연구 6
• 2.1. 도로교통부문의 탄소 배출 특성 6
• 2.2. 확장 STIRPAT 모델 및 기존 연구 7
• 2.3. 시계열 예측 및 딥러닝 모델 (LSTM, SVM, Random Forest) 9
• 2.4. 기존 연구 검토 및 본 연구의 차별성 14
• 3. 연구 설계 17
• 3.1. 연구 흐름도 17
• 3.2. 데이터 수집 및 전처리 방법 19
• 3.3. 변수 정의 및 설명 23
• 3.4. 데이터 전처리 기법 26
• 4. 모델링 및 분석 방법 29
• 4.1. LSTM 모델 설계 및 하이퍼파라미터 조정 29
• 4.2. SVM 모델과 커널 설정 31
• 4.3. Random Forest 모델 및 변수 중요도 분석 33
• 4.4. 평가 지표 (MAE, RMSE, MAPE) 34
• 5. 실증 분석 및 결과 37
• 5.1. 데이터 요약 및 상관관계 분석 37
• 5.2. 모델별 성능 비교 및 검증 데이터 결과 40
• 5.3. 최종 선정 모델 및 예측 결과 43
• 5.4. 분석 결과의 시사점 49
• 6. 결론 및 향후 연구 52
• 6.1. 연구 요약 52
• 6.2. 연구의 한계 및 보완 방향 53
• 6.3. 정책 활용 방안 55
• 참고문헌 57
• 영문초록 60