정확한 강수 예보: 아두이노, 파이썬, 케라스로 구축하는 AI 강우 예측 시스템

전체 코드: GitHub

4단계: 베이스 스테이션 준비 (리눅스 + HC-12 USB)

1. Anaconda 설치 (Python 3.6.2 환경 'weather' 생성)
2. MongoDB 설치 (인덱스: db.weather_station.createIndex({"date": 1}))
3. 프로젝트 클론: git clone https://github.com/danionescu0/home-automation.git
4. 의존성 설치: pip install -r requirements.txt (Keras, Pandas, PyMongo, Scikit-learn 등)
5. config.py에서 MongoDB 호스트/포트, HC-12 시리얼 포트(/dev/ttyUSB0 등) 설정

5단계: 실전 운용

• 데이터 수집: python serial_listener.py (10분마다 DB 저장)
• 모델 학습: python train.py --days_behind 600 --test-file-percent 10 --datapoints-behind 8 --hour-granularity 6
• 그래프 확인: python graphs.py --days-behind 10
• 예측 및 이메일 알림: python predict.py --datapoints-behind 8 --hour-granularity 6 --from-addr ... --to-addr ...
• 크론탭에 등록해 매시간 자동 예측 가능

6단계: 작동 원리 (머신러닝 파이프라인)

데이터 준비 (가장 중요)

• MongoDB에서 원시 데이터 로드
• 결측치 제거, 6시간 간격으로 그룹화
• 각 센서별 min/max/mean/percentile(10,30,70,90), 상승/하락/정체 횟수 등 피처 생성
• rain_avg > 0.1이면 has_rain=1 else 0 (타겟 변수)
• 과거 8개 데이터포인트(48시간) 피처를 현재 행에 추가 (시계열 특성 반영)
• NaN 행 제거, 현재 시점 피처 제거(타겟만 남김), StandardScaler로 0~1 정규화
• train/test 분할 (6:4)

신경망 모델 (Keras)

model = Sequential([
  Input(shape=(n_features,)),
  Dense(n_features//2, activation='relu'), Dropout(0.05),
  Dense(n_features//2, activation='relu'), Dropout(0.05),
  Dense(1, activation='sigmoid')
])
model.compile(optimizer='rmsprop', loss='mean_absolute_error', metrics=['accuracy'])
model.fit(X, y, batch_size=1, epochs=50)

하이퍼파라미터(레이어 수, 뉴런 수, 드롭아웃, 옵티마이저, 손실함수, 배치, 에폭)는 데이터에 맞춰 튜닝 필요. --grid-search 옵션으로 자동 탐색 가능.

7단계: 보너스 - 공식 기상 데이터(Dark Sky API) 활용

풍속, 풍향, 자외선, 가시거리 등 더 많은 변수가 포함된 공식 데이터로 학습 시 정확도 80% → 90%로 향상. 데이터 품질이 모델 성능에 결정적임을 확인.

코드 저장소

GitHub: danionescu0/home-automation (weather-predict 폴더)

회로도

Fritzing 파일(sketch.fzz) 및 회로도 이미지 참조