시계열 분석을 활용한 서울시 미세먼지 예측

• 영문명: Forecasting the Particulate Matter in Seoul using a Univariate Time Series Approach
• 발행기관: 한국자료분석학회
• 저자명: 오종민(Jongmin Oh) 신현수(Hyunsoo Shin) 신예슬(Yeseul Shin) 정형철(Hyeong Chul Jeong)
• 간행물 정보: 『Journal of The Korean Data Analysis Society (JKDAS)』Vol.19 No.5, 2457~2468쪽, 전체 12쪽
• 주제분류: 자연과학 > 통계학
• 파일형태: PDF
• 발행일자: 2017.10.31

국문 초록

본 연구는 2001년에서 2015년까지 서울시 월별 평균 미세먼지 PM10 농도에 대한 다양한 일변량 시계열 모형 적합 및 예측 문제를 다루었다. 2001~2014년 자료를 사용하여, 가변수 회귀분석, 지수평활, ARIMA, 상태공간지수평활(ETS 방법), 시계열분해(STL 방법) 등을 적용하였다. 분석 결과 가변수 회귀, ETS, STL을 적용한 모형의 결정계수는 0.60 이상으로 나왔으며 평균오차제곱, AIC, BIC 등의 통계량 역시 낮은 수준으로 비교적 적합이 우수함을 볼 수 있었다. 모형 예측력을 평가하기 위해, 각 시계열 분석 방법 중 최적 모형을 선택하여 2014년과 2015년 미세먼지 농도를 예측하였다. 2014년 추정치의 결정계수는 0.75 이상이며, RMSE 역시 낮게 나타났고, 가법 윈터스평활이 적절한 모형으로 판정되었다. 2015년 추정치의 결정계수는 0.40 대의 낮은 수준이며, RMSE가 2014년에 비해 높게 나타나 예측이 2014년에 비해 정확하지는 못하였지만, 상태공간지수평활인 ETS(M,A,M) 모형이 비교적 적절하게 작동함을 볼 수 있었다. 이는 2015년의 2, 3월의 PM10 농도가 전년에 비해 높게 관찰되었고, 9월의 PM10 농도가 낮게 관측되었기 때문이다.

영문 초록

We analyzed the particulate matter (PM10) for 2001~2015 using simple and seasonal näive methods, time series regression methods, exponential smoothing methods, exponential smoothing state space methods, seasonal autoregressive integrated moving average methods and seasonal trend decomposition using loess method to forecast the degree of fine dust pollution in Seoul with PM10 data from the web site of Seoul metropolitan government. The best model among the various time series analysis methods was selected to predict the fine dust concentration in 2014 and 2015. The coefficient of determination for 2014 was 0.75 or more, RMSE was also lower than that of 2015, and the additive Winters smoothing was judged as an appropriate model. The coefficient of determination in 2015 was low at 0.40, and the RMSE was also higher than in 2014, but the ETS(M,A,M) of the state-space exponential smoothing method relatively well. This is because the concentrations of PM10 in February and March of 2015 were higher than those of the previous year and the PM10 concentrations of September were observed to be lower.

목차

1. 서론

2. 자료

3. 모형

4. 자료분석

5. 결론

키워드

미세먼지(Particulate matter) 시계열회귀(Time series regression) ARIMA(ARIMA) 상태공간지수평활(Exponential smoothing state space) 분해법(Seasonal trend decomposition using loess)