시간적 병렬 LSTM 모형의 도시하천 실시간 홍수위 예측 성능 평가

국문 초록 (Abstract)

하천 수위 예측 모델에서 예측선행시간이 길어질수록 발생하는 오차 누적 (error propagation)과 시계열 불연속성(temporal discontinuity)의 문제를 완화 하기 위하여, 본 연구에서는 Parallel LSTM(Long Short-Term Memory) 모델을 도시하천 수위 예측에 최초로 적용하여 그 실효성을 검증하였다. 대상 유역 은 서울·성남 도심을 관통하는 탄천이며, 상류 궁내교(Gungnaegyo) 와 하류 대곡교(Daegokgyo) 지점을 중심으로 총 6개 홍수사상(Event 1–6)의 10분 간 격 시계열 자료를 구축하였다. 입력 변수는 과거 수위·강우와 미래 강우예보 이며, 출력은 36-step(=360분)의 미래 수위 예측으로 설정하였다. 동일한 입력 조건에서 다중출력(Multi-Output), 재귀적(Recursive), 병렬 (Parallel) 예측 구조를 비교하여, 각 구조의 성능 특성과 구조적 한계를 종합 적으로 분석하였다. 특히 Parallel LSTM 모델은 예측 구간을 다수의 블록으 로 분할하여 병렬 학습을 수행하고, 블록 간 상태 공유(state sharing) 와 출 력 평활화(output smoothing)를 통해 장기 예측의 연속성과 안정성을 확보하 였다. 또한 Concatenation Window 실험을 통해 블록 간 최적 연결 범위를 검증하였으며, EMA(Exponential Moving Average) 평활화가 가장 높은 예측 안정성을 보였다. Rolling-Origin Evaluation(ROE)을 적용한 다사상 교차검증 결과, 병렬 LSTM 모델은 두 지점 모두에서 평균 NSE 0.9 이상, RMSE 0.3 m 이하의 우수한 성능을 나타냈으며, 특히 Recursive 구조에서 나타나는 첨두 예측의 오차 누적과 Direct 구조의 장기 불안정성을 동시에 개선하였다. 이 는 병렬 구조가 예측 horizon 증가에 따른 학습 부담을 분산시키고, 시계열 의 물리적 연속성을 강화함으로써 장기 예측에 적합함을 보여준다. 따라서 본 연구는 예측선행시간에 따른 LSTM 기반 수위 예측의 한계를 구 조적으로 개선하고, 향후 실시간 홍수예보 및 도시 홍수 경보체계에 적용 가 능한 데이터 기반 장기 수위 예측 프레임워크를 제시한다.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1.1 연구 배경 및 필요성 1
• 1.2 연구동향 4
• Ⅱ. 연구방법 7
• 2.1 연구 대상 및 자료 7
• 2.2 순환신경망(Recurrent Neural Network, RNN) 개요 16
• 2.3 LSTM(Long Short-Term Memory)의 구조 18
• 2.4 시계열 다단계 예측 방법 22
• 2.4.1 Direct (Multi-Output) 예측 모델 구현 22
• 2.4.2 Recursive 예측 모델 구현 26
• 2.4.3 병렬 예측 모델 구현 29
• 2.5 Rolling-Origin Evaluation 기법을 적용한 모델 예측 성능 평가 40
• 2.5.1 ROE 의 원리 및 수식적 정의 41
• 2.5.2 본 연구에서의 적용 절차 42
• 2.5.3 평가 지표 산출 방식 44
• Ⅲ. 연구결과 및 분석 47
• 3.1 전체 모델 성능 분석 47
• 3.2 예측선행시간 별 성능 분석(Step-wise Performance Analysis) 51
• 3.2.1 다중출력 예측 Step 별 분석 결과 51
• 3.2.2 재귀적 예측 Step 별 분석 결과 59
• 3.2.3 병렬 예측 Step 별 분석 결과 66
• 3.2.4 예측 기법별 성능 비교 74
• Ⅳ. 결론 77
• 4.1 결론 및 고찰 77
• 4.2 향후 과제 79
• 참고문헌 81
• Abstract 85