병렬 컴퓨팅 기반 ARIMA 모델을 활용한 푸노 지역 에너지 소비 예측 최적화

초록

본 연구는 파이썬 멀티프로세싱 라이브러리를 이용해 ARIMA 모델을 병렬화함으로써 페루 푸노 지역의 월별 에너지 소비 데이터를 빠르게 처리하고, 예측 정확도는 유지하면서 실행 시간을 크게 단축시켰다. 실험 결과, 16코어 환경에서 최대 7.8배의 속도 향상을 달성했으며, MAE와 RMSE는 순차 구현과 통계적으로 유의한 차이가 없었다.

상세 분석

이 논문은 에너지 소비 예측이라는 실용적 문제를 빅데이터 처리와 고성능 컴퓨팅 관점에서 접근한다. 먼저, 푸노 지역의 월별 전력 사용량(2023‑01~2023‑11)을 3개 섹터(주거, 상업, 산업)로 구분해 수집하고, 결측치와 이상치를 이동 평균 기반 보간법으로 정제한 뒤 최소-최대 정규화를 적용하였다. 시계열 분해를 통해 추세·계절·잔차를 식별하고, 이를 바탕으로 ARIMA(p,d,q) 모델의 최적 파라미터를 AIC 최소화 기준으로 탐색하였다. 파라미터 탐색 자체를 병렬 그리드 서치로 구현함으로써 후보 조합을 동시에 평가할 수 있었다.

병렬 구현은 파이썬의 multiprocessing 모듈을 활용했으며, 데이터 세트를 균등하게 분할한 후 각 프로세스가 독립적으로 ARIMA 모델을 학습·예측하도록 설계하였다. 핵심 성능 지표는 속도 향상(S_p = T₁/T_p)과 효율(E_p = S_p/p)이며, 16코어 환경에서 평균 속도 향상 7.8배, 효율 0.49를 기록했다. 이는 통신 오버헤드와 비병렬화 구간이 존재함에도 불구하고, 데이터 규모가 커질수록 병렬 효율이 상승한다는 Amdahl 법칙의 기대와 일치한다.

예측 정확도 평가는 MAE, RMSE, 그리고 모델 적합도 지표인 AIC를 사용했으며, 순차와 병렬 구현 간 차이는 통계적 유의성이 없었다(p>0.05, paired t‑test). 또한, 시계열 특성을 고려한 시간 순서 교차 검증(k‑fold time series CV)을 적용해 모델의 일반화 능력을 검증하였다. 잔차 분석에서는 Shapiro‑Wilk, Durbin‑Watson, Breusch‑Pagan 검정을 수행해 정상성·독립성·등분산성을 확인했으며, 모든 가정이 만족됨을 보고했다.

연구는 푸노와 같은 고지대·저개발 지역에서 에너지 수요가 기후·관광·문화 행사 등에 의해 급격히 변동한다는 점을 강조한다. 병렬 ARIMA는 이러한 복합 요인을 포함한 대용량 데이터셋을 실시간에 가깝게 처리할 수 있어, 전력망 운영자와 정책 입안자가 신속히 대응 전략을 수립하는 데 기여한다. 한계점으로는 데이터가 월별 수준에 머물러 있어 일별·시간별 변동성을 포착하지 못한다는 점과, 파라미터 탐색 범위를 제한했기 때문에 더 복잡한 SARIMA·Prophet 등 대체 모델과의 비교가 부족하다는 점을 들 수 있다. 향후 연구에서는 고해상도 데이터와 하이브리드 모델을 병렬화하고, GPU 기반 프레임워크를 도입해 더욱 높은 스케일러빌리티를 검증할 필요가 있다.