딥갭 이미지 기반 시계열과 잔차 학습을 활용한 크라우드소싱 공급수요 격차 예측

본 연구는 모바일 크라우드소싱 서비스, 특히 스마트폰을 이용한 Wi‑Fi 공유 서비스를 대상으로 공급‑수요 격차를 정확히 예측하고, 이를 기반으로 인센티브 정책을 설계하고자 한다. 기존 연구들은 주로 참여자 수와 요청량을 실시간으로 모니터링하거나, 단순 통계 기반의 예측 모델을 적용했지만, 시계열 데이터의 복합적인 시간‑공간 상관관계를 충분히 반영하지 못했다. 이를 해결하기 위해 저자들은 Deep‑Gap이라는 새로운 딥러닝 프레임워크를 제안한다. Deep‑Gap의 핵심 아이디어는 공급‑수요 격차 시계열을 이미지 형태로 변환한 뒤, 이미지 처리에 강점이 있는 Convolutional Neural Network(CNN)와 Residual Learning을 결합하는 것이다. 구체적으로, 과거 격차 데이터를 일정 길이와 겹침 비율로 슬라이딩 윈도우링하고, 0‑1 정규화 후 극좌표(θ,ρ)로 매핑한다. 이때 θ=arccos(정규화 값)으로 정의하고, ρ는 시간 인덱스를 사용한다. 이렇게 얻은 각도와 반경을 기반으로 Gramian Angular Summation Field(GASF)와 Gramian Angular Difference Field(GADF)를 각각 코사인 합과 사인 차 형태의 행렬로 계산한다. GASF는 시계열의 정적 상관성을, GADF는 동적 변화를 강조한다. 추가적으로, 원본 시계열의 재발 플롯(REC)을 생성해 비선형 동적 패턴을 시각화한다. 결과적으로 세 종류의 이미지(GASF, GADF, REC)가 동일한 차원으로 생성된다. 이 이미지들은 각각 독립적인 CNN 경로에 입력된다. 각 경로는 초기 Conv 레이어 뒤에 L개의 Residual Unit(ResUnit) 블록을 쌓아 깊은 특성 추출과 기울기 소실 방지를 구현한다. Residual Unit은 입력을 그대로 다음 레이어에 더해주는 스킵 연결을 포함해, 네트워크가 더 깊어져도 학습이 안정적으로 진행되도록 돕는다. 세 경로의 출력 특징 맵은 채널 차원에서 concatenate되어 통합 특징 X_F를 만든다. 동시에, 외부 요인(날씨(기온, 습도 등)와 요일·공휴일 정보)은 별도의 완전연결(FC) 네트워크에 입력되어 X_ext라는 벡터로 변환된다. X_F와 X_ext를 다시 concatenate한 뒤, 다층 FC와 최종 회귀 레이어를 거쳐 다음 시점(T+1)의 공급‑수요 격차 X_pred를 출력한다. 손실 함수는 평균 제곱 오차(MSE)이며, 전체 모델은 end‑to‑end 방식으로 역전파 학습된다. 연구에서는 두 가지 실험 시나리오를 설정했다. 첫 번째는 외부 데이터를 사용하지 않은 순수 시계열 기반 예측, 두 번째는 날씨와 요일 정보를 포함한 멀티모달 예측이다. 데이터는 실제 도시의 Wi‑Fi 공유 로그와 기상청 제공 날씨 데이터, 공휴일 캘린더를 결합해 구축하였다. 비교 대상 모델로는 전통적인 ARIMA, LSTM, GRU, 그리고 최근 이미지‑시계열 변환 기반 Tiled‑CNN 등이 사용되었다. 평가 지표는 MAE와 RMSE이며, 모든 실험에서 Deep‑Gap이 가장 낮은 오류를 기록했다. 특히 외부 데이터를 포함했을 때 MAE가 약 12%·RMSE가 약 15% 감소하는 등, 환경 요인이 격차 예측에 큰 영향을 미침을 실증하였다. 논문의 주요 기여는 다음과 같다. (1) 시계열을 GASF·GADF·REC 이미지로 변환해 CNN이 시간적 상관관계를 공간적 패턴으로 학습하도록 설계, (2) 서로 보완적인 세 이미지 채널을 다중 경로 CNN에 병렬 적용해 정적·동적 정보를 동시에 포착, (3) Residual Unit을 도입해 깊은 네트워크의 학습 안정성을 확보, (4) 외부 요인 전용 네트워크와의 융합을 통해 멀티모달 예측 성능을 크게 향상, (5) 실제 크라우드소싱 서비스 시나리오에 적용해 인센티브 모델 설계에 활용 가능한 실용적인 예측 도구를 제공. 한편, 제한점도 존재한다. 이미지 변환 단계에서 윈도우 크기·겹침 비율·이미지 해상도 등 하이퍼파라미터 선택이 결과에 민감하며, 변환 및 CNN 연산으로 인한 계산 비용이 높다. 또한, 현재 사용된 외부 요인은 날씨와 요일에 국한되어 있어, 교통량, 대규모 이벤트, 사회적 이슈 등 추가적인 컨텍스트가 포함되면 모델의 일반화 능력이 더욱 향상될 것으로 기대된다. 향후 연구에서는 (i) 경량화된 시계열‑이미지 변환 기법, (ii) 트랜스포머 기반 시계열 모델과의 하이브리드, (iii) 실시간 인센티브 피드백 루프와의 연계 등을 탐색할 계획이다.