다중요인 신경 지연 미분 방정식 기반 공기질 예측 모델 AirDDE

본 논문은 대기오염 물질의 전파 과정에서 발생하는 시간 지연을 정밀하게 모델링하고, 물리 법칙과 데이터 기반 학습을 통합한 새로운 예측 프레임워크 AirDDE를 제안한다. 기존 연구는 크게 두 흐름으로 나뉜다. 첫 번째는 CNN·RNN·STGNN 등으로 공간·시간 의존성을 학습하지만, 시간 축을 이산적으로만 다루어 연속적인 대기 흐름을 제대로 포착하지 못한다. 두 번째는 NODE를 활용해 연속시간 모델링을 시도하지만, 현재 상태에만 의존하는 ‘즉시성(instantaneous)’ 가정을 유지해 풍향·풍속에 의한 전파 지연을 무시한다. 이러한 한계는 특히 풍속이 강하거나 복합적인 지형·기상 조건이 존재할 때 예측 정확도를 크게 저하시킨다. AirDDE는 이러한 문제를 해결하기 위해 두 가지 핵심 모듈을 설계한다. 첫 번째는 Memory‑Augmented Attention(MAA) 모듈이다. MAA는 전역 메모리(Mg)와 지역 메모리(동적 인접 이웃) 두 단계의 어텐션을 결합한다. 전역 메모리는 학습 가능한 파라미터 집합으로, 전체 데이터셋에 걸친 장기적인 트렌드와 계절성을 저장한다. 이를 현재 시점의 인코더 출력 h_t^e와 어텐션 연산을 통해 결합함으로써, 모델은 과거 전역 패턴을 동적으로 활용한다. 두 번째 단계인 지역 메모리는 풍향·풍속 정보를 이용해 매 시점마다 재구성되는 대류 그래프 A_t^adv에서 이웃 노드를 정의한다. 각 노드 i는 자신과 이웃 j의 과거 τ시간 구간(h_{t‑τ+1:t}^e) 정보를 어텐션으로 가중합하고, 이를 MLP에 통과시켜 지역 특화 히스토리를 추출한다. 이렇게 전역·지역 히스토리를 concat하고 MLP를 거쳐 초기 상태 h_t^m을 만든다. 두 번째 핵심 모듈은 Physics‑Guided Delay Evolving(PDE) 함수이다. 전통적인 확산‑대류 방정식(∂u/∂t + v·∇u = D∇²u + S)을 그래프 신경망 형태로 근사한다. 확산 항은 지리적 거리(Haversine) 기반의 확산 그래프 A_diff를 Chebyshev GNN으로 처리해 공간적 확산을 모델링한다. 대류 항은 풍향·풍속에 따라 매 시점 생성되는 대류 그래프 A_t^adv와 지연된 상태 h_{t‑τ}를 입력으로 하는 GNN_adv를 통해 실제 이동 지연을 반영한다. 마지막으로, 다중 요인 피처(M)와 결합된 MLP f(·)가 소스·싱크 효과(예: 배출량, 강수에 의한 제거)를 학습한다. 전체 미분 방정식은 다음과 같이 정의된다. d h_t / dt = D·GNN_diff(A_diff, h_t) + GNN_adv(A_t^adv, h_{t‑τ}) + f(h_t ‖ M) 여기서 D는 확산 계수(논문에서는 0.1로 고정)이며, τ는 각 에지에 따라 동적으로 결정되는 지연 시간이다. 이 식은 NDDE 형태를 띠며, torchdiffeq 기반의 DDE 솔버가 히스토리 버퍼를 유지하면서 수치 적분을 수행한다. 실험은 세 개의 실제 데이터셋(KnowAir, China‑AQI, US‑PM)에서 수행되었다. 각 데이터셋은 1~3시간 간격, 8~209개의 관측소, 1~2년의 기간을 포함한다. 비교 대상은 19개의 최신 베이스라인으로, 전통적인 물리‑화학 모델, CNN·RNN·STGNN 기반 모델, NODE·ODE 기반 연속시간 모델, 그리고 일부 지연을 고려한 모델을 포함한다. 평가 지표는 MAE, RMSE, MAPE이며, AirDDE는 모든 데이터셋에서 평균 MAE 8.79 % 감소, RMSE와 MAPE에서도 5~10 % 수준의 개선을 기록했다. 특히, 풍향·풍속이 급변하는 시점에서 기존 모델은 큰 오차를 보였지만, AirDDE는 동적 대류 그래프와 지연 어텐션 덕분에 정확한 전파 경로와 지연을 추정해 예측 정확도를 크게 높였다. 논문의 장점은 (1) 지연을 위치·시간에 따라 다르게 모델링함으로써 실제 대기 전파 메커니즘을 충실히 재현, (2) 물리 방정식을 그래프 신경망으로 근사해 물리 일관성을 유지, (3) 메모리‑증강 어텐션을 통해 전역·지역 히스토리를 효율적으로 활용, (4) 공개된 코드와 상세 실험으로 재현 가능성을 확보했다는 점이다. 한계점으로는 (①) 지연을 정수 시간 단위로만 모델링해 매우 짧은(분 단위) 지연을 포착하기 어려움, (②) 화학 반응(예: 오존 생성·소멸)과 같은 비선형 소스·싱크를 명시적으로 포함하지 않아 복합 오염물 예측에 제약이 있음, (③) DDE 솔버의 연산 복잡도가 높아 실시간 대규모 서비스 적용 시 최적화가 필요함을 들 수 있다. 향후 연구 방향은 (1) 연속값 지연을 베이지안 추정으로 확장해 미세한 시간 스케일을 포착, (2) 대기 화학 반응 메커니즘을 물리‑가이드 네트워크에 통합, (3) 경량화된 DDE 솔버와 GPU‑친화적 구현을 통해 실시간 예측 시스템에 적용, (4) 멀티모달 데이터(위성 영상, 교통 흐름 등)를 추가해 다중 요인 효과를 더욱 풍부하게 모델링하는 것이다. 이러한 확장은 AirDDE를 도시 대기 관리, 재난 대응, 정책 시뮬레이션 등 다양한 실용 분야에 적용 가능하게 할 전망이다.