베이지안 반모수적 초미세 입자 수 농도 예측 페널티 스플라인과 자기회귀 오차 결합 모델

초록

본 논문은 시간에 따라 주기적 변동과 자기상관을 동시에 보이는 관측 시계열을 다루기 위해, 베이지안 프레임워크 하에 페널티 스플라인을 이용한 반모수적 회귀와 AR(p) 오차 구조를 결합한 모델을 제안한다. 시뮬레이션과 헬싱키의 초미세 입자 수 농도(PNC) 데이터를 통해 모델의 예측 정확도와 해석 가능성을 검증한다.

상세 분석

이 연구는 환경 시계열 데이터, 특히 초미세 입자 수 농도와 같이 일일·계절적 주기와 강한 자기상관을 동시에 나타내는 현상을 효과적으로 모델링하기 위한 새로운 통계적 접근법을 제시한다. 핵심 아이디어는 두 가지 요소를 하나의 베이지안 계층 모델에 통합하는 것이다. 첫 번째는 시간 혹은 기타 연속형 공변량에 대한 비선형 관계를 포착하기 위해 페널티 스플라인(penalised splines, P‑splines)을 사용한 반모수적 회귀이다. 스플라인 베이스 함수를 다수 배치하고 차분 차이를 페널티로 부여함으로써 과도한 진동을 억제하고 부드러운 추정치를 얻는다. 두 번째는 회귀식의 잔차에 자기회귀(AR) 구조를 도입해 남은 자기상관을 명시적으로 모델링한다. 이는 잔차가 독립이라는 가정을 깨고, 실제 데이터가 보이는 장기 의존성을 반영함으로써 예측 구간을 보다 현실적으로 만든다.

베이지안 접근법을 채택함으로써 사전분포를 통해 스플라인 계수와 AR 파라미터에 대한 규제를 자연스럽게 결합한다. 스플라인 계수에는 일반적으로 0을 평균으로 하는 정규 사전을, 차분 차수에 대한 페널티 강도에는 감마 사전(또는 역감마 사전)을 부여한다. AR 파라미터는 안정성을 보장하기 위해 베타 사전을 사용하거나, 라그랑주 승수를 통해 제약을 가한다. 이러한 사전 설정은 MCMC(마르코프 연쇄 몬테카를로) 샘플링 과정에서 Gibbs sampler와 Metropolis‑Hastings 단계를 혼합해 효율적으로 추정한다. 특히, 스플라인 계수와 AR 파라미터가 서로 의존적인 구조이므로 블록 업데이트 전략을 적용해 수렴 속도를 높인다.

시뮬레이션 연구에서는 알려진 비선형 함수와 AR(2) 오차를 가진 합성 데이터를 생성하고, 제안 모델이 실제 함수와 오차 구조를 얼마나 정확히 복원하는지를 평가한다. 결과는 기존의 일반화 가법 모델(GAM)이나 순수 ARIMA 모델에 비해 평균 제곱 오차(RMSE)와 예측 구간 커버리지가 현저히 우수함을 보여준다. 특히, 스플라인을 통한 비선형 추정이 정확히 복원될 뿐 아니라, AR 오차를 별도로 모델링함으로써 잔차의 자기상관을 완전히 제거한다는 점이 강조된다.

실제 데이터 적용에서는 핀란드 헬싱키의 초미세 입자 수 농도(PNC) 측정치를 사용한다. 이 데이터는 1시간 간격으로 수집되며, 일주기와 연주기(계절) 패턴, 온도·풍속·교통량 등 여러 공변량이 영향을 미친다. 모델은 시간에 대한 주기적 스플라인(24시간 주기와 365일 주기)과 공변량 스플라인을 동시에 포함한다. 사전분포는 기존 문헌과 현장 전문가 의견을 반영해 설정했으며, 10,000번의 MCMC 반복 후 2,000번을 버닝인으로 제외하고 분석에 사용했다.

분석 결과, PNC는 새벽에 급격히 상승하고 오후에 감소하는 일주기 패턴과, 겨울에 전반적으로 높은 수준을 보이는 연주기 패턴을 명확히 포착한다. 온도와 풍속은 비선형 효과를 보이며, 특히 풍속이 증가할수록 입자 농도가 감소하는 경향이 스플라인을 통해 드러난다. AR(2) 오차 구조는 잔차의 자기상관을 충분히 설명하며, 모델의 DIC(Deviance Information Criterion)와 WAIC(Watanabe‑Akaike Information Criterion)는 기존 GAM‑ARIMA 대비 크게 개선된다. 예측 검증에서는 24시간 앞선 예측에서 평균 절대 오차(MAE)가 12 % 감소하고, 95 % 예측 구간의 실제 관측 포함 비율이 93 %에 달해 신뢰성을 입증한다.

이 논문의 주요 기여는 (1) 반모수적 스플라인과 AR 오차를 베이지안 프레임워크 안에서 일관되게 결합한 모델을 제시한 점, (2) 시뮬레이션과 실제 환경 데이터에서 모델의 우수성을 실증한 점, (3) 사전 설정과 MCMC 구현에 대한 상세 가이드를 제공해 실무 적용성을 높인 점이다. 한계로는 (가) 모델 복잡도로 인한 계산 비용 증가, (나) 스플라인 차수와 AR 차수 선택이 주관적일 수 있다는 점, (다) 다변량 시계열 확장에 대한 추가 연구가 필요하다는 점을 들 수 있다. 향후 연구에서는 스파스 베이지안 스플라인, 비정상 시계열(예: 변동성 모델)과의 결합, 그리고 실시간 예측을 위한 순차 베이지안 업데이트 방안을 탐색할 예정이다.