다중 관측소 일사량 시뮬레이션을 위한 시간 상관 마크오프 체인 기반 알고리즘

초록

본 논문은 각 관측소의 일일 일사량 패턴을 클러스터링하고, 이를 마코프 체인으로 모델링한 뒤, 관측소 간 상태 조합을 축소하여 전이 확률 행렬을 구축한다. 구축된 전이 행렬과 실제 데이터를 기반으로 시뮬레이션을 수행해, 세 관측소에 대한 실험 결과 시뮬레이션 데이터가 원 데이터와 통계적 특성에서 일치함을 보였다.

상세 분석

이 연구는 다중 관측소의 일사량 데이터를 시간적 상관성을 보존하면서 효율적으로 생성하는 새로운 시뮬레이션 프레임워크를 제시한다. 첫 단계에서는 각 관측소별로 일일 일사량 곡선을 특징 벡터(예: 일조시간, 최대 일사량, 누적 일사량 등)로 변환한 뒤, k‑means 혹은 계층적 군집화 기법을 이용해 k개의 대표 상태(cluster)로 압축한다. 이렇게 얻어진 일일 상태는 이산 마코프 체인의 상태 공간으로 간주되며, 연속된 일들 간 전이 확률은 관측된 연속 일들의 빈도수를 정규화하여 추정한다.

관측소가 여러 개일 경우, 각 관측소의 상태 조합은 k^N( N은 관측소 수)개의 가능한 조합을 만든다. 직접 전이 확률을 추정하면 차원 폭발 문제가 발생하므로, 저자들은 “상태 순열 축소(state permutation reduction)”라는 절차를 도입한다. 구체적으로는, 서로 다른 관측소 간 일사량 패턴이 유사한 경우(예: 동일한 클러스터에 속하는 날) 이를 동일한 복합 상태로 병합하고, 전이 행렬의 차원을 실질적으로 감소시킨다. 이 과정은 클러스터링 단계에서 정의된 거리 혹은 상관계수를 기준으로 병합 기준을 설정한다.

축소된 상태 공간에 대해 마코프 전이 확률 행렬(MTPM)을 구성하고, 초기 상태는 실제 관측 데이터의 시작일에 맞추어 선택한다. 이후 시뮬레이션은 다음과 같이 진행된다: (1) 현재 복합 상태에서 MTPM에 따라 다음 상태를 샘플링, (2) 선택된 복합 상태에 대응하는 개별 관측소의 클러스터를 역매핑, (3) 각 클러스터에 속한 실제 일일 일사량 패턴 중 무작위로 하나를 선택해 일일 시계열을 재구성한다. 이렇게 하면 시간적 연속성(마코프 특성)과 관측소 간 상관성(복합 상태 병합)이 동시에 반영된다.

실험에서는 한국의 세 관측소(예: 강원도, 충청남도, 제주도)의 5년치 일사량 데이터를 사용했다. 시뮬레이션 결과는 평균 일사량, 일조시간, 일일 변동성, 그리고 상관계수 등 다중 통계량에서 원 데이터와 유의미하게 일치했으며, 특히 관측소 간 상관 구조가 보존된 점이 강조된다. 한계점으로는 클러스터 수 k와 병합 기준이 결과에 민감하게 작용한다는 점, 그리고 마코프 1차 가정이 장기적 비정상성(예: 계절 변동) 을 충분히 포착하지 못할 수 있다는 점을 들었다. 향후 연구에서는 고차 마코프 모델이나 비모수 전이 추정, 그리고 기후 변화 시나리오를 반영한 확장 가능성을 제시한다.