하이브리드 ARMA와 ANN 모델을 활용한 전역 복사량 예측

초록

본 논문은 지중해 지역 5개 관측지의 시간별 전역 복사량을 예측하기 위해, 수치예보 모델(ALADIN)에서 제공된 외생 변수와 자체적으로 정상화한 내생 데이터를 결합한 하이브리드 ARMA‑ANN 방식을 제안한다. 다층 퍼셉트론(MLP) 구조를 사전 입력 선택 기법으로 최적화하고, ARMA 모델과 규칙 기반 결합을 통해 예측 정확도를 향상시켰다. 결과적으로 하이브리드 모델의 nRMSE는 14.9%로, 단순 지속성 예측(26.2%) 및 단독 ANN(18.4%)보다 크게 개선되었으며, 각 예측값에 대한 신뢰구간도 제시하였다.

상세 분석

이 연구는 전역 복사량 예측이라는 복합적인 시계열 문제에 대해 두 가지 전통적·신경망 기반 모델을 체계적으로 결합한 점이 가장 큰 특징이다. 먼저, 외생 입력으로 사용된 ALADIN 수치예보 데이터는 고해상도 기상 변수(온도, 습도, 풍향·속도 등)를 제공함으로써, 순수히 과거 복사량만을 이용하는 전통적 방법보다 풍부한 정보를 제공한다. 그러나 이러한 외생 변수는 원시 형태로는 비정상성을 내포하고 있어, 저자들은 차분(differencing) 및 로그 변환 등을 통해 정상화(stationarization) 과정을 거쳤다. 이는 ARMA 모델이 정상 시계열 가정에 부합하도록 하기 위한 필수 전처리 단계이며, 동시에 ANN이 학습 과정에서 급격한 스케일 차이를 최소화하도록 돕는다.

다층 퍼셉트론(MLP) 구조는 입력층, 은닉층, 출력층으로 구성되었으며, 은닉층의 뉴런 수와 활성화 함수(tanh, ReLU 등)를 교차 검증(cross‑validation)과 그리드 서치를 통해 최적화하였다. 특히, ‘사전 입력 선택(pre‑input layer selection)’이라는 독창적인 절차를 도입했는데, 이는 상관관계 분석과 변수 중요도 평가를 병행하여, 예측 성능에 기여도가 낮은 변수를 사전에 배제함으로써 모델 복잡도를 감소시키고 과적합(overfitting) 위험을 낮추는 역할을 한다.

ARMA 부분은 계절성 및 트렌드 요소를 포착하기 위해 자동 회귀(AR)와 이동 평균(MA) 차수를 AIC 기반으로 선택하였다. 흥미로운 점은 ARMA와 ANN을 단순히 병렬 결합하는 것이 아니라, ‘규칙 기반(rule‑based)’ 접근을 사용했다는 것이다. 구체적으로, 시계열의 급격한 변동 구간에서는 ARMA가 주도적으로 예측을 수행하고, 변동이 완만한 구간에서는 ANN이 세밀한 비선형 패턴을 보정하도록 설계하였다. 이러한 하이브리드 전략은 각각의 모델이 강점을 발휘할 수 있는 상황을 명확히 구분함으로써, 전체 예측 정확도를 크게 향상시켰다.

성능 평가는 nRMSE(정규화 평균 제곱근 오차)를 주요 지표로 사용했으며, 하이브리드 모델이 14.9%라는 낮은 값을 기록했다. 이는 기존의 ‘지속성(persistence)’ 예측(26.2%)과 비교했을 때 절반 가량의 오차 감소를 의미한다. 또한, 단독 ANN(18.4%)보다도 유의미하게 우수하였다. 저자들은 예측값에 대한 신뢰구간(confidence interval)을 부트스트랩(bootstrap) 재표본화 기법으로 추정함으로써, 실제 운영 단계에서 사용자가 예측 불확실성을 정량적으로 파악할 수 있도록 했다.

한계점으로는 연구 대상이 지중해 지역 5곳에 국한되어 있어, 다른 기후대에 대한 일반화 가능성이 검증되지 않았다는 점이다. 또한, ALADIN 모델 자체의 오류 전파가 하이브리드 시스템 전체에 영향을 미칠 수 있음에도 불구하고, 외생 입력의 불확실성을 별도로 모델링하지 않은 점이 아쉽다. 향후 연구에서는 베이지안 신경망이나 앙상블 기법을 도입해 입력 불확실성을 통합하고, 다양한 기후대에 대한 교차 검증을 수행함으로써 모델의 범용성을 높일 수 있을 것이다.