Feature Engineering 기법을 적용한 LSTM 기반 홍수 예측 모형의 성능 향상 연구 = Improving the performance of an LSTM-Based Flood Forecasting Model through Feature Engineering Techniques

국문 초록 (Abstract)

최근 인공지능(AI) 기술의 발전으로 기존 물리모형 중심의 홍수 예측 체계가 데 이터 기반의 인공지능 모형으로 전환되고 있다. 그러나 기본적인 LSTM(Long Sho rt-Term Memory) 모형은 복잡한 수문학적 비선형성을 충분히 반영하지 못해 예 측 정확도의 향상에 한계가 존재한다. 이에 본 연구에서는 Feature Engineering 기법을 적용하여 LSTM 기반 홍수 예측 모형의 성능을 개선하고자 하였다. 연구 대상은 서울시(한강대교) 지점으로, 해당 지점의 수위 및 조위 자료를 이용하여 모 형을 구축하였다. 기존 LSTM 구조에 MI(Mutual Information), VMD(Variational Mode Decomposition), SHAP(SHapley Additive exPlanations), RSI(Relative Strength Index) 4가지 Feature Engineering 기법을 각각 적용하였으며, 이를 통 합한 복합형 모형(xLSTM)도 함께 구성하였다. 학습에는 2013년 1월 1일 12:00 부터 2023년 12월 31일 23:50까지의 10분 단위 수위 및 조위 자료를 사용하였 고, 검증은 2024년 7월 17일 12:00부터 2024년 7월 20일 23:50까지의 자료를 활용하여 수행하였다. 모형의 성능은 RMSE, NSE, KGE 등의 수문학적 평가지표 를 통해 평가하였다. 그 결과, 각 기법을 개별적으로 적용한 LSTM 모형은 기존 v aLSTM 대비 예측 정확도가 전반적으로 향상되었으며, 특히 4가지 Feature Engin eering 기법을 모두 통합한 xLSTM 모형이 가장 우수한 성능을 보였다. 이를 통해 Feature Engineering 기반의 입력 변수 확장과 비선형성 강화가 LSTM 모형의 예 측 성능 향상에 효과적임을 확인하였다. 본 연구의 결과는 향후 실시간 홍수 예측 시스템의 정확도 향상과 운영 효율성 제고에 기여할 수 있을 것으로 기대된다.

목차 (Table of Contents)

• 국 문 요 약 ⅰ
• 목 차 ⅱ
• 표 목 차 ⅳ
• 그 림 목 차 ⅴ
• 제 1 장 서 론 1
• 1.1 연구배경 및 목적2
• 1.2 연구 범위 및 구성 2
• 1.3 연구방법 3
• 제 2 장 이론적 배경 5
• 2.1 AI 기반 홍수 예측의 최신 연구 동향5
• 2.2 주요 기법 설명 6
• 제 3 장 자료 및 방법 11
• 3.1 연구대상 및 데이터셋 구축 11
• 3.2 데이터 전처리 11
• 3.3 예측정확도 측정 Metrics12
• 제 4 장 실험결과 15
• 4.1 Feature Engineering 각 기법 별 예측 결과 분석 15
• 4.2 통합형 모형(xLSTM)의 예측 정확도 검토 48
• 제 5 장 결론 56
• 참 고 문 헌 57
• 영 문 요 약 59