Digital Twin · Environmental AI

N2O Digital Twin

Wastewater Treatment Plant Emission Prediction

하수처리장 시계열 데이터를 기반으로 N2O 배출량을 60분 앞까지 예측하는 디지털 트윈 시스템.

PythonXGBoostLSTM FastAPITime-SeriesDigital TwinEnvironmental AI

View on GitHub

Overview

60분 앞을
내다보다.

N2O는 강력한 온실가스로, 하수처리장 운전에서 선제적 제어가 필요합니다. 본 시스템은 과거 36 step(6시간) 시퀀스를 입력받아 10·20·30·40·50·60분 후 N2O 배출량을 6-step multi-horizon으로 예측합니다.

2026 AI·SW 융합 페스티벌 출전 프로젝트이며, Avedøre WWTP 데이터셋을 활용했습니다.

Methodology · Pipeline

XGBoost + LSTM 앙상블

016-step Multi-horizon 예측 — 10분 단위로 1시간 후까지 N2O를 예측합니다.
02핵심 모델 — XGBoost와 LSTM을 앙상블해 정확도를 극대화합니다.
03이상 탐지 — CUSUM 기반 anomaly detection으로 비정상 패턴을 포착합니다.
04전처리 파이프라인 — 이상치 제거, 위상 보존, FFT 기반 N2O 사이클 분석(주기: weekly).
05서빙 — FastAPI 백엔드 + 정적 프론트엔드 대시보드.

Model Comparison

XGBoostLightGBMCatBoost LSTMGRUTimesNet Hybrid★ XGBoost + LSTM Ensemble

Key Results

예측 성과

60min

Forecast Horizon

6

Multi-step Outputs

36

Input Steps (6h)

8

Models Compared

8개 후보 모델 비교 실험 결과, XGBoost + LSTM 앙상블이 전 horizon에서 가장 우수한 정확도를 기록해 최종 모델로 채택되었습니다.

Tech Stack

기술 스택

Machine Learning

XGBoost
LSTM (PyTorch)
LightGBM · CatBoost · GRU

Backend

FastAPI
Uvicorn

Frontend

정적 HTML / JS 대시보드

Analysis

FFT (주기 분석)
CUSUM
Outlier detection

← Back to Home View on GitHub