earticle

영어

Hazardous Near-Earth Object(NEO), which is near the Earth’s orbit to potentially enter the atmosphere, can cause significant damage on a local or global scale. NEO data have a class-imbalanced since there are few hazardous NEOs. In this paper, we propose a machine learning-based hazardous NEO prediction model solving class imbalance. We constructed eight training sets by sampling the same proportion of both classes and train them with five machine learning models. We selected XGBoost, which has demonstrated the best performance. Our model showed 0.9973 recall, 0.9965 precision, 0.9969 f1-score, 99.69% accuracy in test data. We expect that our model will help in detecting hazardous NEO and responding quickly.

한국어

지구 궤도와 너무 가까워 대기권에 진입할 가능성이 있는 위험 NEO(Near-Earth Object)는 지역적⸱세계적 규 모로 큰 피해를 초래할 수 있다. NEO 데이터는 위험 데이터 수가 현저히 작아서 클래스가 불균형하기 때문에 이를 해결하기 위한 새로운 방법이 필요하다. 본 연구에서는 클래스 불균형을 해결한 머신러닝 기반 위험 NEO 예측 모델 을 제안한다. 불균형한 클래스의 비율을 동일하게 샘플링하여 8개의 훈련 데이터 세트를 구성한 후, 5가지 머신러닝 모델로 학습한다. 가장 우수한 성능을 보이는 XGBoost를 제안 모델로 채택하였다. 제안 모델(XGBoost)은 테스트 데 이터 기준 재현율(Recall) 0.9973, 정밀도(Precision) 0.9965, F1-Score 0.9969, 정확도(Accuracy) 99.69%를 보였다. 제안 모델은 위험 NEO를 탐지하고 빠르게 대응하는 데 도움이 될 것으로 기대한다.