LSTM과 Markov-switching ARIMAX를 융합한 초미세먼지 예측 = PM2.5 forecasting based on hybrid LSTM and Markov-switching ARIMAX model

국문 초록 (Abstract)

본 연구에서는 PM2.5 초미세먼지를 예측하기 위하여 시계열 자료 분석에 적합한 딥러닝 모델인 LSTM 알고리즘과 Markov-switching ARIMAX를 융합하는 모형을 제안하고자 한다. 구체적으로 Markov-switching ARIMAX 모형을 이용하여 각 국면별로 학습데이터를 생성한 후, 이를 LSTM 알고리즘에 학습시켜 예측을 진행한다. PM2.5 초미세먼지에 영향을 미치는 주요 설명 요인으로 대기질 및 기상예보 자료를 활용하였으며, 각 국면별로 PM2.5 초미세먼지와 설명변수와의 인과 관계를 명확하게 구분하여 추정하였다. 실증분석을 통하여 LSTM 알고리즘에 비해 RMSE 기준으로 정확한 PM2.5 초미세먼지 예측값을 얻을 수 있음을 확인하였다.

다국어 초록 (Multilingual Abstract)

In this study, we propose a new hybrid method based on LSTM algorithm, a deep learning model suitable for time series data analysis, and the Markov-switching ARIMAX to predict PM2.5 dust effectively. Specifically, we generate a training data for each regime using a Markov-switching ARIMAX and then, trains LSTM algorithm. Air quality and weather forecast data were utilized as explanatory variables influencing PM2.5 dust. By clearly distinguishing and estimating the causal relationship between PM2.5 dust and explanatory factors for each regime, we demonstrate through empirical analysis that our proposed model can obtain more accurate PM2.5 dust prediction values in terms of RMSE.