기후변화 시대의 강우 예측을 위한 매트릭스 프로파일 기반 전문가 혼합 모델

본 연구는 열대 지방, 특히 베트남과 같이 복잡한 지형과 강한 대류 불안정성을 가진 지역에서 강우 예측이 직면한 근본적인 문제를 해결하고자 한다. 전통적인 수치예보(NWP) 모델은 대기역학을 기반으로 한 물리적 시뮬레이션을 제공하지만, 초기 조건의 민감도와 해상도 제한으로 인해 체계적인 편향과 시공간적 변위 오류가 빈번히 발생한다. 이러한 오류는 특히 강우 강도가 급격히 변하는 대류성 폭우 상황에서 심각하게 나타나며, 결과적으로 강우 강도와 시점이 약간만 어긋나도 ‘이중 페널티(double penalty)’ 현상으로 인해 예측이 과도하게 평탄화되는 문제를 야기한다. 기존의 데이터 기반 후처리 방법들은 주로 평균제곱오차(MSE)나 평균절대오차(MAE)와 같은 점‑대점 손실에 의존한다. 이러한 손실은 시간적 위상 차이를 직접적으로 벌점으로 부여하기 때문에, 모델이 피크 강우를 정확히 포착하더라도 약간의 시차만으로도 큰 손실을 초래한다. 결과적으로 학습 과정에서 피크 강우가 억제되고, 전반적인 강우 강도가 낮게 예측되는 ‘피크 샤베이(peak‑shaving)’ 현상이 나타난다. 이를 극복하기 위해 저자들은 두 가지 핵심 아이디어를 결합한 MP‑MoE(Matrix Profile‑guided Mixture of Experts) 프레임워크를 제안한다. 첫 번째는 매트릭스 프로파일(Matrix Profile, MP) 기반의 구조적 손실이다. MP는 시계열 데이터 내에서 일정 길이(m)의 서브시퀀스를 슬라이딩 윈도우 방식으로 탐색하며, 각 윈도우 간의 유사도를 효율적으로 계산한다. 기존 MP는 Z‑정규화를 통해 형태만을 비교하지만, 본 논문에서는 비정규화된 유클리드 거리(L2)를 사용해 강우량 보존을 유지하면서 형태 유사성을 평가한다. 구체적으로, 각 전문가 예측 Eₖ와 관측 Y 사이의 최소 거리 D_min(Eₖ, Y) = min_{τ∈