계층형 산업 수요 예측과 시간·불확실성 설명

초록

**
본 논문은 대규모 계층형 확률 시계열 예측 모델에 대한 해석 가능성 기법을 제안한다. 서브트리 근사와 분위수 기반 결정적 변환을 통해 계층 구조와 불확실성을 동시에 고려한 설명을 제공하며, 반실제 합성 데이터와 실제 화학 기업 데이터를 활용한 실험에서 기존 방법 대비 12‑62 % 높은 설명 정확도를 기록한다.

**

상세 분석

**
이 연구는 산업 현장에서 필수적인 계층형 수요 예측(Hierarchical Time‑Series Forecasting, HTSF)의 투명성을 확보하기 위해 두 가지 핵심 기술을 도입한다. 첫 번째는 서브트리 근사(subtree approximation) 로, 전체 트리를 인접한 작은 서브트리로 분할함으로써 계층 간 중요도 계산을 단계별로 수행한다. 이 접근법은 (1) 계층 일관성을 유지하면서도 (2) 연산 복잡도를 O(N·log N) 수준으로 낮추어 대규모 데이터셋(10 000개 이상 시계열)에서도 실시간 해석이 가능하도록 만든다. 두 번째는 분위수 기반 결정적 변환(quantile‑based deterministic alternative) 으로, 확률적 예측 모델이 출력하는 전체 분포를 대표하는 몇 개의 분위수(예: 10 %, 50 %, 90 %)로 변환한다. 이렇게 하면 기존의 gradient‑based, perturbation‑based, 혹은 surrogate‑model 기반 해석 기법을 그대로 적용할 수 있어, 확률적 출력에 대한 해석 장벽을 크게 낮춘다.

논문은 또한 설명 평가용 벤치마크를 자체 구축한다. 실제 화학 기업의 수요 데이터를 기반으로 계층별·변수별 인위적 이상(anomaly) 패턴을 삽입하고, 각 이상에 대한 “정답” 설명을 사전에 정의한다. 이를 통해 (1) 변수 중요도, (2) 시점별 기여도, (3) 데이터 변동에 따른 예측 변화 세 가지 질문(RQ1‑RQ3)에 대한 정량적 정확도를 측정한다. 실험 결과, 서브트리 근사는 전체 변수 의존도 평가에서 평균 62 % 향상을, 목표 변수 전용 평가에서 12 % 향상을 달성했으며, 확률적 설정에서도 10‑25 %의 추가 개선을 보였다.

실제 사례 연구에서는 (a) 특정 제품군이 전체 수요에 미치는 영향, (b) 팬데믹 발생 시 수요 추세 변화, (c) 외부 변수(예: 원자재 가격) 변동이 예측 불확실성에 미치는 영향을 직관적으로 시각화한다. 특히, 불확실성 설명을 통해 의사결정자는 “왜 예측 구간이 넓어졌는가”를 파악하고, 위험 완화 전략을 수립할 수 있다.

이러한 기법은 기존의 블랙박스 HTSF 모델이 제공하지 못했던 투명성, 신뢰성, 그리고 실무 적용 가능성을 크게 향상시킨다. 특히, 대규모 계층형 데이터와 확률적 출력이라는 두 가지 난관을 동시에 해결한 점이 학술적·산업적 의의가 크다.

**