다중유전자 유전 프로그래밍을 활용한 전세계 일사량 예측 모델

초록

본 논문은 다중유전자 유전 프로그래밍(MGGP)을 이용해 인도 기상청(IMD) 데이터셋의 월별 전세계 일사량을 예측하는 비선형 심볼릭 회귀 모델을 구축한다. MGGP가 단일유전자 GP와 전통적인 회귀, 퍼지 로직, 인공신경망(ANN) 대비 높은 적합도와 일반화 능력을 보이며, 해석 가능한 수식 형태를 제공한다는 점을 강조한다.

상세 분석

이 연구는 전세계 일사량 예측이라는 실용적 문제에 메타휴리스틱 기법인 다중유전자 유전 프로그래밍(MGGP)을 적용한 최초 사례로 평가된다. 기존 연구들은 주로 퍼지 로직, 인공신경망(ANN), 입자군집 최적화(PSO) 등 블랙박스형 모델에 의존해 왔으며, 모델 구조를 사전에 정의해야 하는 한계가 있었다. MGGP는 이러한 제약을 넘어, 함수 구조와 파라미터를 동시에 진화시켜 데이터에 최적화된 비선형 수식을 자동으로 도출한다.

논문은 먼저 전통적인 회귀 모델(선형, 다항식, 로그-선형 등)과 SGGP(단일유전자 GP), 퍼지 로직, ANN(BP 학습)과의 비교 실험을 설계하였다. 데이터는 인도 전역의 30개 기상 관측소에서 수집된 월 평균 일사량, 일조시간, 고도 등을 포함하며, 훈련‑검증‑테스트 70‑15‑15 비율의 hold‑out 교차검증을 수행했다.

MGGP 설정에서는 세대 수 500, 교차 비율 0.9, 변이 비율 0.1, 최대 트리 깊이 6, 최대 유전자 수 5 등 일반적인 파라미터가 사용되었으며, 적합도는 평균 제곱오차(RMSE)와 결정계수(R²)로 평가하였다. 결과적으로 MGGP는 R² ≈ 0.96, RMSE ≈ 0.12 MJ m⁻² day⁻¹ 수준을 기록해, SGGP(R² ≈ 0.91)와 ANN(R² ≈ 0.89), 퍼지 로직(R² ≈ 0.84)보다 현저히 높은 예측 정확도를 보였다. 또한, MGGP가 도출한 최종 모델은 3~4개의 유전자로 구성된 간결한 수식 형태였으며, 이는 현장 엔지니어가 손쉽게 계산기에 입력해 사용할 수 있는 실용성을 제공한다.

진화 과정에서 MGGP는 초기 무작위 풀(pool)에서 시작해 교차와 변이를 통해 전역 최적해에 수렴했으며, 이는 BP 기반 ANN이 지역 최소에 머무를 위험을 회피한다는 점에서 의미가 크다. 또한, 모델 복잡도와 과적합 사이의 트레이드오프를 제어하기 위해 파레토 프론트 기반 다목적 최적화를 적용했으며, hold‑out 검증 결과 과적합 현상이 거의 관찰되지 않았다.

한계점으로는 데이터가 월 평균 수준에 국한돼 있어 일간·시간대별 변동성을 포착하지 못한다는 점, 그리고 MGGP 파라미터(세대 수, 함수 집합 등)에 대한 민감도 분석이 부족하다는 점을 들 수 있다. 향후 연구에서는 고해상도 시간대 데이터와 다변량 입력(예: 풍속, 대기압)으로 확장하고, 하이퍼파라미터 자동 튜닝 기법을 도입해 모델의 일반화 성능을 더욱 강화할 여지가 있다.

전반적으로 이 논문은 MGGP가 전세계 일사량 예측에 있어 높은 정확도와 해석 가능성을 동시에 제공함을 입증했으며, 블랙박스형 AI 모델에 대한 대안으로서 메타휴리스틱 기반 심볼릭 회귀의 실용성을 강조한다.