파동·다세포 유전자 표현 프로그래밍 기반 강우 예측 하이브리드 모델

초록

본 논문은 웨이브릿 변환으로 강우 시계열의 잡음을 제거하고 다세포 유전자 표현 프로그래밍(MGEP)으로 비선형·비정상성을 모델링하는 WTGEPRP 알고리즘을 제안한다. 중국·호주 3개 지역 실제 데이터를 이용한 실험에서 기존 MGEP‑EMD, SVR, BP 신경망, 단일 GEP 등과 비교해 RMSE·MAE·R² 등 모든 평가 지표에서 우수한 예측 성능을 보이며, 실용적 적용 가능성을 확인하였다.

상세 분석

본 연구는 강우 예측의 핵심 난제인 비선형·비정상 특성과 관측 노이즈를 동시에 해결하기 위해 두 가지 최신 기법을 결합한 하이브리드 모델을 설계하였다. 첫 단계에서는 2‑계층 연속 웨이브릿 변환(CWT)과 이산 웨이브릿 변환(DWT)을 활용해 원시 강우 시계열을 다중 해상도(다중 스케일) 신호로 분해한다. 여기서 저주파 근사 계수(A)와 고주파 상세 계수(D)를 추출하고, 고주파 성분은 소음과 급격한 변동을 포함하므로 임계값 기반 소프트-쓰레숄딩(Soft‑Thresholding) 기법으로 억제한다. 이렇게 정제된 근사 계수는 원래 시계열보다 잡음이 현저히 감소한 특징 벡터로, 이후 학습 입력으로 사용된다.

두 번째 단계는 다세포 유전자 표현 프로그래밍(MGEP)이다. 전통적인 GEP가 단일 염색체 구조에 제한되는 반면, MGEP는 여러 개의 ‘세포’(Chromosome) 간에 유전 연산자를 공유하고, 각 세포는 독립적인 함수 트리를 진화시킨다. 이를 통해 복잡한 비선형 관계를 다중 서브모델로 분할 학습할 수 있어 과적합 위험을 낮추면서도 표현력을 크게 확대한다. 논문에서는 함수 집합에 사인, 코사인, 로그, 지수, 다항식 등 다양한 비선형 연산자를 포함시켰으며, 교차·돌연변이·세포 간 재조합을 동시에 적용해 탐색 공간을 효율적으로 탐색한다. 적합도 평가는 평균 제곱 오차(MSE)를 기반으로 하며, 조기 종료 기준으로 검증 세트의 R²가 일정 수준 이상 유지될 때 멈춘다.

실험 설계는 중국 정저우·난닝, 호주 멜버른 3개 지역의 일일 강우량 데이터를 70 % 학습, 15 % 검증, 15 % 테스트 비율로 무작위 분할하였다. 비교 모델로는 (1) MGEP‑EMD 하이브리드, (2) 서포트 벡터 회귀(SVR), (3) 역전파 신경망(BP‑NN), (4) 단일 GEP, (5) 전통적인 MGEP가 사용되었다. 성능 평가지표는 RMSE, MAE, 결정계수(R²), 그리고 수문학적 모델링에 흔히 쓰이는 Nash‑Sutcliffe 효율(NSE)이다. 결과적으로 WTGEPRP는 평균 RMSE가 기존 모델 대비 12 %18 % 감소하고, R²는 0.860.91 수준으로 가장 높은 값을 기록했다. 특히 비정상적인 폭우 사건(극단값)에서도 예측 편차가 최소화되어, 실시간 홍수 경보 시스템에 적용 가능함을 시사한다.

이러한 성과는 두 가지 메커니즘의 시너지 효과로 해석된다. 웨이브릿 전처리는 신호의 스펙트럼을 다중 스케일로 분리해 노이즈를 효과적으로 억제함으로써 MGEP가 학습해야 할 함수 공간을 단순화한다. 반면 MGEP는 고차원 비선형 함수를 자동으로 구조화하고, 다세포 설계는 모델 복잡도를 조절하면서도 다양한 지역적 패턴을 동시에 포착한다. 따라서 전통적인 단일 모델이 놓치기 쉬운 미세한 변동까지도 포괄적으로 학습할 수 있다.

한계점으로는 (1) 웨이브릿 종류(예: Daubechies, Symlet)와 분해 레벨 선택이 결과에 민감하게 작용하므로 사전 튜닝이 필요하고, (2) MGEP의 진화 과정이 계산량이 크고 파라미터(세포 수, 염색체 길이, 연산자 비율 등) 설정이 결과에 큰 영향을 미친다. 또한, 데이터 양이 충분히 크지 않을 경우 과적합 위험이 존재한다는 점에서, 향후 연구에서는 자동 파라미터 최적화 기법과 앙상블 학습을 결합해 모델 안정성을 강화할 필요가 있다.

요약하면, WTGEPRP는 강우 예측이라는 복합 문제에 대해 잡음 억제와 비선형 함수 탐색을 동시에 최적화함으로써 기존 모델 대비 현저히 높은 정확도와 일반화 능력을 입증했으며, 지역별 물 관리·재해 예방 시스템에 실용적으로 적용될 잠재력을 가지고 있다.