도시 전체 결합 하수 오버플로우 예측을 위한 다중작업 딥러닝 모델 DeepCSO

초록

본 논문은 다중작업 딥러닝 구조를 활용해 도시 전역의 여러 결합 하수구(CSO)에서 발생하는 오버플로우를 실시간에 가깝게 예측하는 DeepCSO 모델을 제안한다. 기존 물리 기반 모델의 높은 계산 비용과 단일 지점 데이터‑드리븐 접근의 한계를 극복하고, 강우·유량·수위 등 다양한 시계열 데이터를 동시에 학습함으로써 정확도와 효율성을 동시에 향상시켰다. 실험 결과, 전통적인 SWMM 및 단일‑태스크 머신러닝 대비 RMSE와 F1‑Score에서 유의미한 개선을 보였다.

상세 분석

DeepCSO는 다중작업 학습(Multi‑Task Learning, MTL) 프레임워크를 기반으로 하여, 도시 내 다수의 CSO 지점을 하나의 네트워크에서 동시에 예측하도록 설계되었다. 입력 피처는 고해상도 강우 레이더 데이터, 실시간 유량·수위 센서값, 토양 습윤 상태, 그리고 과거 CSO 발생 기록 등으로 구성되며, 시계열 특성을 포착하기 위해 1‑D Convolutional Layer와 Bidirectional LSTM을 결합한 하이브리드 구조를 사용한다. 이후 각 CSO 지점별로 독립적인 출력 헤드를 두어, 공통된 특징 추출기와 지점‑특화 파라미터를 동시에 최적화한다. 손실 함수는 각 태스크의 RMSE와 이진 분류용 Binary Cross‑Entropy를 가중 평균한 복합 손실을 적용해, 연속적인 유량 예측과 오버플로우 발생 여부를 동시에 학습한다.
학습 과정에서는 데이터 불균형을 완화하기 위해 오버샘플링과 focal loss를 도입했으며, 모델 일반화를 위해 dropout, layer normalization, 그리고 시간‑가중치 정규화를 적용하였다. 실험은 미국 중서부의 30km² 규모 도시를 대상으로, 3년치 강우·유량·수위 데이터를 5‑분 간격으로 수집한 후 70%를 학습, 15%를 검증, 15%를 테스트 셋으로 분할하였다. 비교 대상은 전통적인 물리‑기반 SWMM 시뮬레이션, 단일‑태스크 LSTM, 그리고 Gradient Boosting Machine(GDBT)이다. 결과는 DeepCSO가 평균 RMSE 0.42 m³/s (SWMM 0.68 m³/s)와 F1‑Score 0.87 (SWMM 0.71)를 기록, 특히 폭우 시나리오에서 과소예측을 크게 감소시켰다. 또한, 추론 시간은 GPU 환경에서 0.03 초 수준으로, 실시간 운영에 충분히 적합함을 확인하였다.
이 모델의 핵심 강점은 (1) 도시 전체를 하나의 통합 모델로 학습해 데이터 활용 효율을 극대화, (2) 물리‑기반 모델의 구조적 인사이트를 피처 엔지니어링 단계에서 반영해 해석 가능성을 유지, (3) 다중작업 손실 설계로 연속적인 유량 예측과 이산적인 오버플로우 이벤트 감지를 동시에 수행한다는 점이다. 다만, 모델은 학습 데이터의 품질에 크게 의존하며, 새로운 CSO 지점이 추가될 경우 재학습이 필요하고, 강우 레이더 데이터의 공간 해상도가 낮을 경우 지역별 미세한 변동을 포착하기 어려운 제한점이 있다. 향후 연구에서는 전이학습과 도메인 적응 기법을 도입해 신규 지점에 대한 빠른 적용과, 그래프 신경망을 활용한 하수관망 토폴로지 통합을 검토할 예정이다.