고차원 함수 시계열 예측을 위한 컨포멀 예측 지방 사망률 적용

초록

**
본 논문은 고차원 함수 시계열(HDFTS)의 예측 불확실성을 모델‑비의존적이고 분포‑자유적인 컨포멀 예측 방법으로 정량화한다. split‑conformal과 sequential‑conformal 두 가지 변형을 제안하고, 일본·캐나다의 지방 연령별 사망률 데이터를 이용해 경험적 커버리지와 평균 구간 점수를 기준으로 두 방법의 유한표본 성능을 비교한다.

**

상세 분석

**
논문은 먼저 고차원 함수 시계열(HDFTS)의 정의와 실제 사례(일본·캐나다 지방 연령·성별 사망률)를 소개한다. HDFTS는 시간 축(t)과 공간 축(s)으로 구성된 함수 Zₜ,ₛ(u) 로, 차원 N(지역 수)이 관측 시점 T보다 클 수 있다는 점이 특징이다. 기존 연구는 주로 저차원(고정 N) 함수 시계열에 초점을 맞추었으며, 모델 기반 부트스트랩이나 베이지안 방법은 계산량이 크고 모델 오차에 민감한 한계가 있었다.

이를 극복하기 위해 저자는 두 가지 컨포멀 예측 기법을 적용한다. Split‑conformal은 데이터를 학습, 검증, 테스트 3집합으로 나누어 검증 집합에서 경험적 잔차 분포를 이용해 튜닝 파라미터 ξₐ를 캘리브레이션한다. 이 과정에서 잔차의 절대값 혹은 표준편차를 요약 통계량으로 사용하고, 지정된 유의수준 α(보통 0.05)에서 1‑α 분위수를 구해 예측 구간을 구성한다. 검증 집합이 충분히 커야 법칙의 대수에 의해 커버리지가 보장된다.

Sequential‑conformal은 검증 집합을 필요로 하지 않는다. 초기 학습 단계에서 얻은 절대 잔차 시계열을 기반으로 자동 회귀(p‑order) 모델을 적합하고, 최신 p개의 잔차를 입력으로 하여 다음 시점의 1‑α 분위수를 예측한다. 새로운 관측치가 들어오면 잔차를 업데이트하고 모델을 재추정한다는 순환 구조를 갖는다. 따라서 데이터가 순차적으로 들어오는 실시간 환경에 적합하며, 검증 데이터에 의한 샘플 손실이 없다는 장점이 있다.

두 방법 모두 함수형 ANOVA와 함수형 팩터 모델을 이용해 원본 HDFTS를 분해한다. 함수형 ANOVA는 전체 평균(그랜드 효과), 지역별 행 효과, 시간 변동 오차를 순차적으로 추정하는 median‑polish 절차를 사용한다. 함수형 팩터 모델은 행‑열 구조를 저차원 팩터와 로딩 함수로 근사하고, 고유값 기반 정보 기준을 통해 팩터 수 q를 선택한다. 이러한 분해는 예측 단계에서 잔차를 명확히 정의하고, 컨포멀 구간을 계산하는 기반을 제공한다.

실험에서는 1975‑2023년 일본 47개 도도부현의 연령별 로그 사망률을 60% 학습, 20% 검증, 20% 테스트로 나누어 확장‑윈도우 방식으로 1~10년 선행 예측을 수행한다. 각 예측 단계마다 실제와 예측값의 차이(잔차)를 구하고, split‑conformal은 검증 구간을 통해 ξₐ를 추정한다. sequential‑conformal은 자동 회귀 모델(p는 AIC로 선택)으로 분위수를 순차 예측한다. 평가 지표는 경험적 커버리지(실제 관측이 구간 내에 포함된 비율)와 평균 구간 점수(예측 구간의 폭과 커버리지 위반을 동시에 고려)이다. 결과는 두 방법 모두 명목 커버리지(95%)에 근접하지만, sequential‑conformal이 검증 데이터가 적을 때도 안정적인 커버리지를 유지하고, 평균 구간 점수에서도 더 짧은 구간을 제공함을 보여준다.

또한 부록에서는 동일한 분석을 캐나다 10개 주의 사망률 데이터에 적용해 결과의 일반성을 검증한다. 캐나다 사례에서도 동일한 경향이 관찰되어, 제안된 컨포멀 프레임워크가 다양한 국가·지역 데이터에 적용 가능함을 시사한다.

이 논문은 (1) 고차원 함수 시계열에 대한 최초의 컨포멀 예측 적용, (2) split‑과 sequential‑두 변형의 이론적·실험적 비교, (3) 실시간 예측에 유리한 sequential‑conformal의 실용성 제시라는 세 가지 주요 기여를 제공한다. 향후 연구에서는 다변량 함수형 응답, 비선형 팩터 구조, 그리고 비정상성(예: 구조적 변곡점) 상황에서의 컨포멀 방법 확장 가능성을 제시한다.

**