전국별 PM2.5 예측 ML 모델 개발 과정과 성능 개선 방법을 설명합니다.
이 글에서는 미국, 영국, 인도, 호주를 대상으로 한 PM2.5 예측을 위한 ML 파이프라인을 구축한 경험을 공유합니다. 초기 모델은 편향된 환경에서 성능이 저하되었던 문제를 겪었으나, 새로운 수평 정렬 아키텍처를 구현하여 MASE 지수를 1.0 이하로 낮추는 데 성공했습니다. 사용된 기술 스택으로는 Python, Pandas, scikit-learn, FastAPI, Next.js, Tailwind 등이 있습니다. 현재는 Xgboost 또는 LightBGM으로 엔진을 재구성하려고 합니다.
This article describes the development and performance improvement of a PM2.5 forecasting ML model across multiple countries.
The article shares the author's experience of building an ML pipeline for PM2.5 forecasting in the US, UK, India, and Australia. Initially, the model struggled in chaotic environments, but by implementing a horizon-aligned architecture, the author lowered the MASE score below 1.0. The technology stack includes Python, Pandas, scikit-learn, FastAPI, Next.js, and Tailwind. The author intends to restructure the core engine using Xgboost or LightBGM.