저가형 가스 센서 예측에서 LSTM이 가장 높은 정확도를 기록한 이유와 ANN·1D-CNN 비교

이 연구는 가스 센서의 측정값을 많이 수집하지 않아도 인공지능이 농도를 정확하게 예측할 수 있다는 가능성을 보여준다. 특히 센서 데이터 수집량과 모델 계산량을 함께 줄일 수 있다는 점에서 배터리로 작동하는 IoT 기기, 산업 안전 장비, 환경 모니터링 시스템의 전력 효율을 높이는 데 의미가 있다.

크로아티아 스플리트대학교 연구진은 저가형 가스 센서의 시계열 데이터를 대상으로 ANN, LSTM, 1D-CNN 모델을 동일한 조건에서 비교했다. 연구 결과 LSTM은 RMSE 3.69%와 R² 0.85를 기록해 세 모델 가운데 가장 높은 예측 정확도를 보였다. 1D-CNN은 정확도와 연산 효율의 균형이 우수했고, ANN은 가장 짧은 학습 시간을 기록했다. 입력 데이터를 186개에서 10~20개로 줄여도 RMSE 증가는 약 2~4% 수준에 머물러 저전력 엣지 AI와 임베디드 IoT 시스템에 활용할 가능성이 확인됐다.

저가형 가스 센서에 에너지 효율적인 예측이 필요한 이유

가스 센서는 환경 상태, 산업 현장의 안전, 에너지 시스템을 지속적으로 감시하는 데 사용된다. 그러나 센서가 높은 빈도로 데이터를 계속 수집하면 전력 소비와 저장 공간, 데이터 전송량이 증가한다. 배터리로 작동하는 소형 IoT 기기에서는 이러한 소비가 장치의 운영 시간을 직접 제한한다.

기존 시계열 예측 연구는 주로 예측 정확도를 높이는 데 초점을 맞췄으며, 모델 크기와 학습 시간, 데이터 수집 비용을 동일한 조건에서 함께 비교한 연구는 상대적으로 부족했다. 이번 연구는 ANN, LSTM, 1D-CNN을 같은 데이터와 전처리 방식, 데이터 분할, 평가 기준으로 비교해 정확도와 효율성의 균형을 분석했다.

센서 작동 시간을 줄여 80% 이상의 에너지를 절감한 실험 설계

연구진은 한 개의 센서를 항상 켜두어 기준값을 측정하고, 다른 센서는 일정 시간만 작동시킨 뒤 꺼지는 방식으로 실험했다. 간헐적으로 작동하는 센서는 20초 동안 켜지고 120초 동안 꺼지는 주기를 사용했다. 이 작동 방식은 센서를 계속 켜두는 경우보다 80% 이상 에너지를 절감하면서도 기준 센서와 95%가 넘는 상관관계를 유지했다.

저가형 가스 센서는 전원을 켠 직후에는 측정값이 안정되지 않기 때문에 일반적으로 예열 시간이 필요하다. 연구진은 센서가 완전히 안정될 때까지 기다리는 대신, 작동 초기에 나타나는 과도 신호를 인공지능 모델에 입력해 실제 가스 농도를 예측했다. 이러한 방식은 센서의 작동 시간과 전력 소비를 줄이면서도 필요한 측정값을 얻는 것을 목표로 한다.

ANN·LSTM·1D-CNN을 동일한 조건에서 비교한 방법

연구진은 20초의 센서 작동 구간에서 기록된 186개의 측정값을 기본 입력으로 사용했다. 모든 모델에는 동일한 전처리 과정과 데이터 분할 방식이 적용됐으며, Python과 Keras를 이용해 학습했다. 실험은 전용 GPU 없이 Intel Core i5-8500 CPU, 16GB RAM, Intel UHD 630 내장 그래픽 환경에서 수행됐다.

모델 성능은 RMSE, MAE, R², 학습 시간, 모델 크기로 평가됐다. RMSE와 MAE는 예측값이 실제값에서 얼마나 벗어났는지를 나타내며 값이 낮을수록 좋다. R²는 모델이 데이터의 변화를 얼마나 잘 설명하는지를 보여주며 1에 가까울수록 예측력이 높다.

연구진은 각 모델의 뉴런 수 또는 커널 수, 학습률, 학습 횟수를 조정해 최적의 조합을 찾았다. 이후 최적화된 모델을 186개 전체 입력뿐 아니라 20개, 10개, 5개, 3개, 2개의 입력값만 사용하는 조건에서도 평가했다. 모든 실험은 10회 반복됐으며 평균 결과가 분석에 사용됐다.

LSTM이 RMSE 3.69%로 가장 높은 예측 정확도를 기록했다

186개의 측정값을 모두 사용했을 때 LSTM은 RMSE 3.69%, R² 0.85, MAE 0.04를 기록해 세 모델 가운데 가장 높은 성능을 보였다. 1D-CNN은 RMSE 5.48%, R² 0.81, MAE 0.04를 기록했고, ANN은 RMSE 6.74%, R² 0.71, MAE 0.06을 기록했다.

모델	RMSE	R²	MAE	학습 시간	모델 크기
LSTM	3.69%	0.85	0.04	169.89초	143kB
1D-CNN	5.48%	0.81	0.04	44.14초	1756kB
ANN	6.74%	0.71	0.06	44.06초	2211kB

LSTM은 이전 시점의 정보를 내부 메모리에 보존할 수 있어 시간의 흐름에 따라 변하는 센서 신호를 효과적으로 학습한다. 가스 센서의 과도 신호처럼 초기값과 이후 변화가 서로 연결된 데이터에서는 장기적인 시간 의존성을 처리하는 LSTM의 구조가 높은 정확도로 이어진 것으로 해석할 수 있다.

1D-CNN은 정확도와 학습 효율의 균형을 보였다

1D-CNN은 RMSE 5.48%로 LSTM보다 정확도가 낮았지만 학습 시간은 44.14초에 불과했다. LSTM의 학습 시간인 169.89초와 비교하면 약 4분의 1 수준이다. 1D-CNN은 시간축을 따라 나타나는 짧은 구간의 특징을 합성곱 필터로 추출하기 때문에 순환 구조를 사용하는 LSTM보다 병렬 계산에 유리하다.

1D-CNN은 최고 정확도보다 빠른 처리와 안정적인 예측이 중요한 엣지 환경에 적합한 대안이 될 수 있다. 산업 현장의 실시간 센서 분석이나 계산 자원이 제한된 임베디드 장치에서는 1D-CNN이 정확도와 실행 효율의 현실적인 균형을 제공할 수 있다.

ANN은 가장 빠르게 학습됐지만 시간적 패턴 처리에 한계가 있었다

ANN은 44.06초의 학습 시간을 기록해 세 모델 가운데 가장 빠른 수준을 보였다. 그러나 ANN의 RMSE는 6.74%, R²는 0.71로 LSTM과 1D-CNN보다 낮았다. 일반적인 ANN은 입력값 사이의 순서를 별도의 기억 구조로 처리하지 않기 때문에 시간에 따라 이어지는 센서 신호의 관계를 충분히 반영하기 어렵다.

ANN은 높은 예측 정확도보다 단순한 구조와 짧은 학습 시간이 중요한 환경에서 활용할 수 있다. 센서 데이터의 시간적 의존성이 강하지 않거나 빠른 모델 업데이트가 필요한 경우에는 ANN이 효율적인 기준 모델이 될 수 있다.

입력값을 186개에서 10개로 줄여도 활용 가능한 정확도가 유지됐다

연구진은 전체 186개의 센서 측정값을 20개 또는 10개로 줄여도 일부 조건에서 활용 가능한 수준의 정확도가 유지된다는 사실을 확인했다. 입력값을 줄인 모델은 전체 데이터 모델보다 RMSE가 약 2~4%포인트 높아졌지만 모델 크기, 학습 시간, 데이터 전송량을 줄일 수 있었다.

ANN은 20초 동안 1초 간격으로 측정한 20개 값을 사용했을 때 RMSE 6.68%를 기록했다. 이 수치는 186개 값을 사용한 ANN의 RMSE 6.74%보다 오히려 소폭 낮았다. ANN 모델 크기는 2211kB에서 256kB로 줄었고 학습 시간도 44.06초에서 31.28초로 감소했다.

1D-CNN은 10개의 값을 지수 간격으로 배치했을 때 RMSE 7.30%, R² 0.71, MAE 0.05를 기록했다. 이 조건에서 모델 크기는 1756kB에서 106kB로 크게 감소했다. 1D-CNN은 적은 입력만으로도 비교적 안정적인 예측 성능을 유지해 저장 공간이 제한된 장치에 적합한 특성을 보였다.

LSTM은 20초 동안 2초 간격으로 수집한 10개의 값을 사용했을 때 RMSE 7.17%, R² 0.72, MAE 0.06을 기록했다. LSTM의 모델 크기는 143kB로 동일했지만 학습 시간은 169.89초에서 21.22초로 크게 줄었다. 입력 데이터 감소는 LSTM의 연산 부담과 데이터 처리 시간을 낮추는 데 특히 효과적이었다.

샘플 수뿐 아니라 측정 시점의 분포가 예측력을 좌우했다

연구 결과는 입력값의 개수만큼 측정 시점의 배치 방식도 중요하다는 점을 보여준다. 연구진은 일정한 간격, 로그 간격, 지수 간격, 초기 구간 집중 방식 등 여러 샘플링 전략을 비교했다. 같은 수의 데이터를 사용해도 어떤 시점의 값을 선택했는지에 따라 RMSE와 R²가 크게 달라졌다.

센서 작동 후 첫 1초에서만 10개의 값을 수집한 조건은 세 모델 모두에서 성능이 크게 떨어졌다. ANN은 RMSE 14.27%, 1D-CNN은 14.81%, LSTM은 13.67%를 기록했다. 초기 구간에만 집중된 데이터는 센서 신호가 이후 어떻게 변화하고 안정되는지를 충분히 반영하지 못한 것으로 해석된다.

저전력 센서 시스템에서는 단순히 샘플 수를 줄이는 것보다 신호의 핵심 변화 구간을 포함하도록 측정 시점을 설계하는 것이 중요하다. 적은 수의 데이터를 시간축 전체에 적절히 배치하면 데이터 수집과 전송에 필요한 에너지를 줄이면서도 예측 정확도를 유지할 수 있다.

연구 결과가 저전력 IoT와 엣지 AI에 갖는 의미

이번 연구는 센서가 수집하는 원시 데이터의 양을 줄이는 것과 인공지능 모델의 연산량을 줄이는 전략을 함께 평가했다는 점에서 의미가 있다. 센서 측정 빈도가 낮아지면 데이터 저장과 무선 전송에 필요한 전력이 줄어들고, 입력 길이가 짧아지면 모델 학습과 추론에 필요한 계산도 감소한다.

배터리 기반 가스 감지기, 스마트 팩토리 안전 장치, 대기 환경 측정기, 스마트시티 센서 네트워크는 장기간 유지보수 없이 작동해야 한다. 이번 연구에서 확인된 축소 샘플링 방식은 이러한 장치가 제한된 전력과 메모리 안에서도 가스 농도를 예측하는 데 활용될 수 있다.

모델 선택은 사용 목적에 따라 달라질 수 있다. 최고 수준의 정확도가 필요하면 LSTM이 유리하고, 정확도와 학습 속도를 함께 고려하면 1D-CNN이 현실적인 대안이 된다. 계산 자원이 매우 제한적이고 빠른 학습이 중요하면 ANN도 활용할 가치가 있다.

연구의 한계와 향후 검증 과제

이번 연구는 특정 저가형 가스 센서와 제한된 규모의 데이터셋을 중심으로 수행됐다. 따라서 다른 제조사의 센서, 다른 종류의 가스, 온도와 습도가 크게 변하는 실제 환경에서도 같은 결과가 나타난다고 단정할 수 없다.

연구진은 MQ-2 센서에서 학습한 모델을 MQ-5와 MQ-6 센서에도 적용해 센서 간 일반화 가능성을 평가했지만, 더 다양한 장치와 환경을 대상으로 한 추가 검증이 필요하다. 실제 마이크로컨트롤러에서의 추론 속도, 메모리 사용량, 배터리 소비량도 후속 연구에서 직접 측정할 필요가 있다.

이번 연구는 ANN, LSTM, 1D-CNN이라는 대표적인 모델을 비교했으며 Transformer 기반 시계열 모델, 경량화 신경망, 양자화 모델은 포함하지 않았다. 향후 연구에서는 최신 시계열 모델과 모델 압축 기술을 함께 비교해 정확도와 에너지 효율을 추가로 개선할 가능성이 있다.

자주 묻는 질문

Q. 저가형 가스 센서 예측에서 가장 정확한 모델은 무엇인가?
A. 186개의 전체 측정값을 사용한 조건에서는 LSTM이 RMSE 3.69%와 R² 0.85를 기록해 ANN과 1D-CNN보다 가장 높은 예측 정확도를 보였다.

Q. LSTM이 가스 센서 시계열 예측에 유리한 이유는 무엇인가?
A. LSTM은 이전 시점의 정보를 내부 메모리에 유지할 수 있어 가스 센서 신호의 장기적인 시간 변화와 순차적 관계를 효과적으로 학습한다.

Q. 입력 데이터를 10개로 줄여도 가스 농도를 예측할 수 있는가?
A. 입력값을 10개로 줄이면 전체 데이터를 사용할 때보다 오차는 증가하지만 일부 조건에서 활용 가능한 정확도가 유지됐다. LSTM은 2초 간격의 10개 입력에서 RMSE 7.17%를 기록했다.

Q. 1D-CNN은 LSTM보다 어떤 장점이 있는가?
A. 1D-CNN은 LSTM보다 예측 정확도는 다소 낮았지만 학습 시간이 훨씬 짧았다. 정확도와 계산 효율을 함께 고려하는 엣지 AI 환경에서는 1D-CNN이 유리할 수 있다.

Q. 이번 연구 결과는 어떤 분야에 활용할 수 있는가?
A. 이번 연구 결과는 산업 안전, 환경 모니터링, 스마트 팩토리, 스마트시티, 배터리 기반 가스 감지기와 같은 저전력 IoT 시스템에 활용할 수 있다.

출처

Culić Gambiroža, J., Culić, A., Medić, K., & Grubišić, A. (2026). Comparative evaluation of ANN, LSTM, and 1D-CNN models for energy-efficient prediction of low-cost gas sensor time-series data. AI, 7, 266. https://doi.org/10.3390/ai7070266