| 논문명 |
결정 트리 기반 알고리즘을 활용한 해체폐기물 발생량 예측모델 개발 / Development of an Predictive Model via Decision Tree-Based Algorithms for Forecasting Demolition Waste Generation |
| 저자명 |
차기욱(Cha, Gi-Wook) ; 홍원화(Hong, Won-Hwa) |
| 발행사 |
대한건축학회 |
| 수록사항 |
대한건축학회논문집, Vol.39 No.3 (2023-03) |
| 페이지 |
시작페이지(179) 총페이지(9) |
| ISSN |
2733-6247 |
| 주제분류 |
환경및설비 / 계획및설계 |
| 주제어 |
폐기물 관리; 해체폐기물; 기계학습; 의사결정 나무; 랜덤 포레스트; 그래디언트 부스팅 머신 // Waste Management; Demolition Waste; Machine Learning; Decision Tree; Random Forest; Gradient Booting Machine |
| 요약1 |
폐기물 발생의 많은 부분을 차지하는 해체폐기물의 관리는 매우 중요한 문제이다. 따라서 많은 연구자들은 폐기물 발생량 예측을 위해 다양한 기계학습 모델 개발을 통해 폐기물 발생량에 영향을 미치는 주요 요인들을 밝히고자 하였다. 본 연구에서는 해체폐기물 발생량 예측을 위한 최적 기계학습 모델 개발에 관한 연구를 수행하였다. 이 연구에서는 DT(Decision Tree), RF(Random Forest) 및 GBM(Gradient Boost Machine) 알고리즘을 적용하여 해체폐기물 발생량 예측모델을 개발하였다. 이를 위해 각 알고리즘들을 대상으로 최적의 하이퍼 파라미터를 도출하여 모델 개발에 적용하였다. 모델 검증은 LOOCV(Leve One Out Cross validation)를 적용하였으며, 평균절대오차(MAE), 평균제곱근오차(RMSE), 결정계수(R제곱), 평균제곱오차(MSE)을 모델의 성능평가 지표로 사용하였다. 본 연구의 결과, RF 모델(MAE 72.837, MSE 12198.236, RMSE 110.446, R2 0.880)의 예측 성능이 DT(MAE 87.081, MSE 17348.052,RMSE 131.712, R2 0.829), GBM(MAE 87.883, MSE 18175.125, RMSE 134.815, R2 0.821) 모델보다 우수한 것으로 나타났다. DT, RF 및 GBM 모델들의 관측값 평균(987.1806kg m-2)과의 오차는 각각 8.82%, 7.38% 및 8.90%로 나타나 DT 기반 알고리즘을 사용하는 ML 모델은 해체폐기물 발생량 예측에 우수한 성능 결과를 보여주었다. 본 연구는 해체폐기물 관리를 위해 신뢰할 수 있는 DT 기반의 최적 기계학습 예측모델을 제시하였다. |
| 요약2 |
Management of demolition waste (DW), which accounts for a large portion of waste generation (WG), is a very important issue. Therefore,
many researchers tried to apply various ML algorithms to predict WG, and tried to find the decisive factors affecting WG. This study
conducted a study on the development of optimal ML model for predicting demolition waste generation (DWG). In this study, decision tree
(DT), random forest (RF), and gradient boost machine (GBM) algorithms were applied to develop ML models to predictive DWG. For this,
data preprocessing was performed and the optimal hyper parameter was searched for each algorithm to derive an optimal ML model. In
consideration of dataset size, leave one out cross validation (LOOCV) was applied to the model validation and mean absolute error (MAE),
root mean square error (RMSE), coefficient of determination (R squared), and mean square error (MSE) were used as the performance
evaluation index of the models. As a result of this study, it was found that the predictive performance of the RF model (MAE 72.837, MSE
12198.236, RMSE 110.446, R2 0.880) was better than one of DT (MAE 87.081, MSE 17348.052, RMSE 131.712, R2 0.829) and GBM
(MAE 87.883, MSE 18175.125, RMSE 134.815, R2 0.821) models. The error from the observed mean (987.1806 kg m-2) was 8.82%, 7.38%,
and 8.90% for the DT, RF, and GBM models, respectively. Therefore, it can be seen that the ML model using the DT-based algorithms is
very good at predicting DWG. Finally, this study presented a reliable and optimal ML model for predicting DWG for a domestic waste
management strategy. |
| 소장처 |
대한건축학회 |