🌍 대기질 예측 웹 애플리케이션

📌 프로젝트 소개

이 프로젝트는 다양한 대기 오염 물질의 농도를 기반으로 대기질 등급을 예측하는 머신러닝 기반 웹 애플리케이션입니다. RandomForest 분류 모델을 사용하여 높은 정확도의 예측을 제공하며, 사용자 친화적인 웹 인터페이스를 통해 쉽게 결과를 확인할 수 있습니다.

🎯 주요 기능

• 5가지 주요 대기 오염 물질 농도 기반 예측
  • 초미세먼지(PM2.5)
  • 오존(O3)
  • 이산화질소(NO2)
  • 일산화탄소(CO)
  • 아황산가스(SO2)
• 실시간 대기질 등급 예측
• 웹 기반 사용자 인터페이스
• 결과의 시각적 표현

🤖 모델 개발

사용된 알고리즘

• RandomForestClassifier
  • 앙상블 학습 방법을 통한 높은 정확도
  • 과적합 방지를 위한 배깅(Bagging) 활용
  • 특성 중요도 분석 가능

모델 학습 과정

graph TD
    A[데이터 수집] --> B[데이터 전처리]
    B --> C[결측값 처리]
    B --> D[이상치 제거]
    B --> E[특성 스케일링]
    C --> F[데이터셋 분할]
    D --> F
    E --> F
    F --> G[훈련 데이터]
    F --> I[테스트 데이터]
    G --> J[RandomForest 모델 학습]
    J --> L[모델 성능 평가]
    I --> L
    L --> N[모델 저장]

Loading

모델 성능

• Accuracy: 0.78 (78%)
• Log Loss: 0.74
• 교차 검증을 통한 모델 신뢰성 검증

🛠 기술 스택

• Backend: Python, Flask
• Machine Learning:
  • Scikit-learn (RandomForestClassifier)
  • Pandas (데이터 처리)
  • Joblib (모델 저장/로드)
• Frontend: HTML, CSS, JavaScript
• 데이터 처리: Pandas, NumPy

🔍 시스템 아키텍처

graph TD
    A[사용자 입력] --> B[Flask 서버]
    B --> C[데이터 전처리]
    C --> D[RandomForest 모델]
    D --> E[예측 결과]
    E --> F[결과 표시]
    F --> G[웹 브라우저]

Loading

⚙️ 설치 방법

1. 저장소 클론

git clone [저장소 URL]

2. 가상환경 생성 및 활성화

python -m venv venv
.\venv\Scripts\activate  # Windows

3. 필요한 패키지 설치

pip install flask pandas scikit-learn joblib

4. 모델 파일 준비

• model.zip 파일을 다운로드하여 압축 해제
• model.pkl 파일을 프로젝트 루트 디렉토리에 위치

5. 애플리케이션 실행

python app.py

6. 웹 브라우저에서 접속

http://localhost:5000

📁 프로젝트 구조

air_quality_prediction/
│
├── app.py              # Flask 애플리케이션 메인 파일
├── model.py            # 모델 관련 로직
├── model.pkl           # 학습된 RandomForest 모델 (압축 파일에 포함)
│
├── templates/          # HTML 템플릿
│   ├── index.html     # 메인 페이지
│   └── result.html    # 결과 표시 페이지
│
└── static/            # 정적 파일 (CSS, JS, 이미지)

💻 사용 방법

1. 웹 인터페이스에 접속
2. 각 대기 오염 물질의 농도 입력
   • PM2.5 (㎍/m3)
   • O3 (ppm)
   • NO2 (ppm)
   • CO (ppm)
   • SO2 (ppm)
3. '예측하기' 버튼 클릭
4. 예측된 대기질 등급 확인

🌟 주요 구현 사항

1. 데이터 전처리

   • 결측값 처리
   • 입력값 검증
   • 데이터 정규화

2. 모델 최적화

   • RandomForest 하이퍼파라미터 튜닝
   • 교차 검증을 통한 성능 평가
   • 특성 중요도 분석

3. 웹 인터페이스

   • 사용자 친화적 UI
   • 실시간 입력값 검증
   • 직관적인 결과 표시

🔧 개발 환경

• Python 3.8+
• Flask 2.0+
• Scikit-learn 1.0+
• Windows/Linux/MacOS

📊 성능 지표

• 정확도(Accuracy): 78%
• 로그 손실(Log Loss): 0.74
• 특징:
  • 다중 클래스 분류 문제
  • 불균형 데이터 처리
  • 교차 검증 적용

🎉 프로젝트 특징

• 실시간 대기질 예측
• 높은 예측 정확도
• 사용자 친화적 인터페이스
• 확장 가능한 시스템 설계
• 실용적인 환경 모니터링 도구

⚠️ 참고사항

• 모델 파일(model.pkl)은 용량 문제로 인해 model.zip으로 압축되어 제공됩니다.
• 실행 전 반드시 압축을 해제하여 사용해주세요.