[논문 리뷰] MLRM: A Multiple Linear Regression based Model for Average Temperature Prediction of A Day

Ishu Gupta, Harsh Mittal외 2명|arXiv (Cornell University)|2022. 03. 11.

Hydrological Forecasting Using AI인용 수 21

한 줄 요약

이 논문은 이전 3일의 데이터를 이용해 하루의 평균 기온을 예측하는 다중 선형 회귀 모델과 특징 선택을 제시하며, 테스트 세트에서 약 2.8°C의 오차를 달성한다.

ABSTRACT

Weather is a phenomenon that affects everything and everyone around us on a daily basis. Weather prediction has been an important point of study for decades as researchers have tried to predict the weather and climatic changes using traditional meteorological techniques. With the advent of modern technologies and computing power, we can do so with the help of machine learning techniques. We aim to predict the weather of an area using past meteorological data and features using the Multiple Linear Regression Model. The performance of the model is evaluated and a conclusion is drawn. The model is successfully able to predict the average temperature of a day with an error of 2.8 degrees Celsius.

연구 동기 및 목표

• 이전 3일의 날씨 데이터를 이용하여 하루의 평균 기온을 예측한다.
• 회귀 전에 비선형 및 유의하지 않은 특징을 제거하기 위해 특징 선택을 적용한다.
• 학습/테스트 분할로 모델 성능을 평가하고 예측 값과 실제 온도를 시각화한다.
• Weather Underground 데이터를 사용하여 가능성을 입증하고 예측 정확도를 평가한다.

제안 방법

• 피어슨 상관계수를 계산하여 선형 관계를 평가하고 |r| > 0.6인 특징을 선택한다.
• 유의수준 0.05에서 p-값을 사용하여 역제거(backward elimination)로 비유의 특징을 제거한다.
• 다중 선형 회귀 모델에 대해 데이터를 80%는 학습용, 20%는 테스트용으로 분할한다.
• 실제 온도와 예측 온도 간의 제곱합 오차를 최소화하도록 MLR 모델을 학습시킨다.
• 특징 선택, 모델 학습, 평가 및 시각화를 위해 Python 라이브러리(Pandas, StatsModels, scikit-learn, matplotlib)를 사용한다.

실험 결과

연구 질문

• RQ1 제안된 MLR 접근법을 사용하여 일일 평균 기온을 예측할 때 달성 가능한 평균 절대 오차/평균 제곱 오차는 무엇인가?
• RQ2 상관 기반 선별 및 역제거 후 초기 집합 중에서 어떤 특징들이 여전히 유의한가?
• RQ3 과거 3일의 데이터를 이용해 하루의 평균 기온을 예측할 때 보지 않은 데이터에서 MLR 모델의 성능은 어떤가?
• RQ4 이 기상 예측 작업에서 특징 선택이 선형 회귀 모델의 성능 개선에 어떤 역할을 하는가?

주요 결과

• 본 연구는 997개 인스턴스를 가진 Weather Underground 데이터셋을 사용했다.
• 특징 선택 후 MLR 모델에 남은 특징은 7개였다.
• 모델은 테스트 세트에서 절대 평균 오차 2.8도 C를 달성했다.
• 피어슨 상관 필터링으로 역제거 전 남은 모든 특징의 |r|가 0.6을 넘도록 보장했다.
• 최종 모델의 예측은 시각화할 때 y = x 선과 가까이 일치하여 정확도가 좋음을 나타낸다.