캠퍼스 와이파이 혼잡도 예측 시스템

머신러닝(LSTM, Random Forest)을 활용한 실시간 캠퍼스 와이파이 네트워크 혼잡도 예측 시스템

📊 프로젝트 개요

• 과목: 컴퓨팅사고와 데이터분석기초
• 학번: 12223815
• 이름: 정예원
• 기간: 2025년 1학기 (3월~6월, 16주)

🎯 연구 목적

대학 캠퍼스 내 5개 주요 건물의 와이파이 사용 패턴을 분석하고, LSTM 및 Random Forest 모델을 활용하여 시간대별 혼잡도를 예측하는 시스템 개발

📁 파일 구조

├── 1_data_generation.py      # 시뮬레이션 데이터 생성 및 EDA
├── 2_ml_modeling.py           # Random Forest 모델 학습
├── 3_lstm_modeling.py         # LSTM 모델 학습
├── requirements.txt           # 필요한 라이브러리
└── README.md                  # 프로젝트 설명

📈 데이터 생성

데이터 규모:

• 16주 × 7일 × 24시간 × 4회(15분) × 5건물 = 53,760개 데이터 포인트

대상 건물:

1. 중앙도서관 (정석학술정보관)
2. 5호관
3. 학생회관
4. 하이테크센터
5. 60주년기념관

특징:

• 15분 간격 시계열 데이터
• 건물별 특성 반영 (운영시간, 수업시간, 점심시간 등)
• sin/cos 함수로 자연스러운 패턴 표현
• 정규분포 노이즈 추가 (현실감)

🤖 모델 성능

LSTM 모델 (우수)

• RMSE: 6.32
• MAE: 4.87
• R² Score: 0.923 (92.3% 설명력)

Random Forest 모델 (양호)

• RMSE: 14.16
• MAE: 9.65
• R² Score: 0.819 (81.9% 설명력)

🛠️ 설치 및 실행

1. 환경 설정

pip install -r requirements.txt

2. 데이터 생성 및 EDA

python 1_data_generation.py

출력:

• wifi_data.csv (53,760 rows)
• summary_stats.csv
• hourly_pattern.png
• weekday_pattern.png
• exam_comparison.png

3. Random Forest 모델 학습

python 2_ml_modeling.py

출력:

• model_results.csv
• model_comparison.png
• feature_importance.png

4. LSTM 모델 학습

python 3_lstm_modeling.py

출력:

• LSTM 모델 학습 과정 및 성능 평가

📊 주요 발견사항

1. 건물별 패턴

   • 하이테크센터: 평균 34.7% (24시간 운영)
   • 중앙도서관: 평균 29.4% (16시 피크)
   • 학생회관: 13시 급증 (87.6%)

2. 시간 패턴

   • 평일 > 주말 (약 2.5배)
   • 화목요일이 15% 더 높음
   • 시험기간 1.5배 증가

3. 특성 중요도

   • lag_1 (15분 전): 85.4%
   • lag_96 (24시간 전): 8.7%
   • 시간 정보: 6.9%

🔬 기술 스택

• 언어: Python 3.8+
• 데이터 처리: pandas, numpy
• 시각화: matplotlib
• 머신러닝: scikit-learn
• 딥러닝: TensorFlow, Keras

📝 참고문헌

1. Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural computation.
2. Breiman, L. (2001). Random forests. Machine learning.
3. Kim, J., & Lee, S. (2022). WiFi-based indoor positioning and crowd density estimation.

📧 문의

• 학번: 12223815
• 이름: 정예원
• 소속: 인하대학교 컴퓨터공학과

📄 라이선스

이 프로젝트는 학술 목적으로 작성되었습니다.