다중주기 학습 기반 조류 전류 속도 예측 모델

초록

본 논문은 조류 전류 속도(TCS) 예측에 있어 천체 궤도 주기에 의해 발생하는 다중주기성을 효과적으로 학습하기 위해, 파동 변환 기반의 2차원 텐서 변환과 컨볼루션 신경망을 결합한 Wavelet‑Enhanced Convolutional Network(WECN)를 제안한다. 이 프레임워크는 DWT를 이용해 지역적 주기 특성을 추출하고, 추출된 주기를 기반으로 1차원 시계열을 다중 주기 길이에 맞춰 행·열에 배치해 2차원 텐서로 변환한다. 이후 시각적 백본 네트워크가 intra‑period와 inter‑period 변동을 동시에 학습한다. 하이퍼파라미터는 Tree‑structured Parzen Estimator(TPE)로 최적화했으며, 10‑step 평균 MAE 0.025와 기존 베이스라인 대비 최소 1.44%의 오차 감소를 달성하였다.

상세 분석

본 연구는 조류 전류 속도 예측에서 가장 큰 난제 중 하나인 다중주기성(multi‑periodicity) 문제를 데이터‑드리븐 방식으로 해결하고자 한다. 기존 물리‑모델은 천체 궤도와 해양 환경의 복합적인 상호작용을 수식화하기 어렵고, 통계‑모델은 엄격한 정상성 가정을 필요로 하여 실제 조류 데이터의 비정상성을 포착하지 못한다. 이러한 한계를 극복하기 위해 저자는 두 가지 핵심 아이디어를 도입한다. 첫째, Discrete Wavelet Transform(DWT)을 활용해 시계열을 다중 스케일로 분해하고, 각 스케일의 디테일 계수(detail coefficient)의 L2 노름을 통해 가장 에너지(진폭)가 큰 k개의 스케일을 선택한다. 이 과정에서 파라미터 k와 사용되는 웨이브릿 종류는 TPE 기반 자동 하이퍼파라미터 최적화 과정에서 동시에 탐색된다. 둘째, 선택된 주기(p_i)와 해당 주기의 샘플 수(q_i)를 이용해 1차원 입력 X를 행‑열 구조가 서로 다른 다수의 2차원 텐서 X_{i}^{2D} 로 재구성한다. 행은 주기 내부의 시간 흐름(intra‑period), 열은 연속 주기 간의 변동(inter‑period)을 의미한다. 이렇게 변환된 텐서는 기존 이미지 처리에 최적화된 컨볼루션 커널에 그대로 입력될 수 있어, 공간적 상관관계를 동시에 학습한다.

예측 모델 자체는 TimesNet 구조를 차용했으며, Residual 연결을 통해 깊은 네트워크에서도 그래디언트 소실을 방지한다. Embedding 레이어는 원시 시계열을 d 차원의 고차원 특징 공간으로 매핑하고, 이후 각 TimesBlock은 (1) 주기 추출, (2) 2D 텐서 변환, (3) 컨볼루션 기반 특징 집계의 세 단계를 수행한다. 특히, Period 함수는 DWT에서 얻은 주기 정보를 실시간으로 재활용함으로써, 모델이 학습 과정 중에도 동적으로 가장 유의미한 주기를 반영하도록 설계되었다.

실험에서는 영국 해안의 실제 조류 관측 데이터를 사용해 10‑step(예: 10분 혹은 10시간) 예측을 수행했으며, MAE 0.025, MAPE 1.4% 수준의 성능을 기록했다. 베이스라인으로는 전통적인 조석 조화 모델, 물리 기반 수치 모델, LSTM, Transformer 기반 시계열 모델 등을 포함했으며, 모든 경우에서 제안 모델이 우수함을 보였다. 또한 인위적으로 주기 변동을 삽입한 합성 데이터에 대한 Ablation 실험을 통해 DWT 기반 지역 주기 추출과 TPE 최적화가 각각 0.6%~0.8% 수준의 성능 향상을 기여한다는 점을 확인했다.

이와 같이 본 논문은 (1) 다중주기성을 정량적으로 파악하고, (2) 이를 2차원 텐서 형태로 변환해 컨볼루션 신경망에 자연스럽게 연결, (3) 하이퍼파라미터 탐색을 베이지안 최적화(TPE)로 자동화함으로써, 조류 전류 속도 예측 분야에 새로운 패러다임을 제시한다. 향후 연구에서는 실시간 운영 시스템에 적용하기 위한 경량화 모델 설계와, 조류와 풍력·태양광 등 복합 재생에너지 시스템 간 상호작용을 고려한 멀티모달 확장 가능성을 탐색할 여지가 있다.