주광 대응 디밍시스템 적용 건물의 실내 조도 시공간 특성을 반영한 하이브리드 딥러닝 기반 다지점 예측 모델 연구 = A Spatiotemporal Hybrid Deep Learning Framework for Multi-Point Indoor Illuminance Prediction in Daylight-Responsive Buildings

다국어 초록 (Multilingual Abstract)

Accurate prediction of indoor illuminance distribution is essential for enhancing occupant visual comfort and reducing building energy consumption. Indoor illuminance exhibits a dual-domain characteristic defined by stochastic temporal variability driven by changing sky conditions and spatial heterogeneity governed by building geometry, façade configuration, and surface reflectance. However, conventional single-algorithm models are structurally limited in capturing both dimensions simultaneously, constraining their effectiveness for multi-point indoor prediction and real-time lighting control.

To address this limitation, this study proposes and evaluates a hybrid prediction framework that integrates the temporal sequence learning capability of Long Short-Term Memory （LSTM） networks with the nonlinear feature interaction modeling of Extreme Gradient Boosting （XGBoost）. The framework was developed and validated using 340,312 one-minute illuminance measurements collected over three years （August 2022–December 2024） from a multi-sensor network deployed in a small office testbed （7.9 m × 2.8 m × 3.1 m） in Seoul, South Korea, linked to a Daylight-Responsive Dimming System （DRDS）. Workplane illuminance was predicted at three representative positions—window-side （E1）, central area （E2）, and corridor-side （E3）—using nine photosensors （wall-mounted, ceiling-mounted, and luminaire-integrated） and categorical sky condition codes as input variables.

Five models were comparatively evaluated: LSTM A, LSTM B, XGBoost, Hybrid A （LSTM A + XGBoost）, and Hybrid B （LSTM B + XGBoost）, assessed on a held-out test set using R², RMSE, and MAE metrics. Results demonstrated that optimal model performance is inherently location-dependent. At the window-side position （E1）, where rapid daylight fluctuations are dominant, the temporally richer Hybrid B model achieved the highest accuracy （R²=0.931）. In the central zone （E2）, where direct daylight and reflected light coexist in moderated conditions, the lower-complexity Hybrid A model was most effective （R²=0.888）. At the corridor-side position （E3）, dominated by reflected and artificially redistributed light under relatively stable interior conditions, the standalone XGBoost model outperformed both hybrid variants （R²=0.896）. Across all three positions, Hybrid A demonstrated the most consistent predictive performance, achieving an average R² of 0.903.

Model-specific feature importance analyses, including SHAP analysis, provided a physically interpretable explanation for these location-specific performance differences. At E1, predictive contributions were distributed across sky condition variables, luminaire-integrated sensors, ceiling-mounted sensors, and wall-mounted sensors, reflecting the complex interplay of direct daylight, luminaire output, and surface reflections near the façade. Moving toward the interior, the dominance of wall-mounted reflection sensors （S21, S22） increased progressively, indicating a systematic shift in the governing illuminance mechanism from direct daylight to spatially redistributed and reflected light. This shift provides a physically grounded explanation for why temporally responsive hybrid models are most effective near windows, while nonlinear spatial models suffice in the corridor zone. Performance stratification under varying sky conditions further confirmed that predictive robustness is spatially conditioned: the same external sky condition generated different prediction challenges depending on the measurement location and its underlying lighting regime.

The present findings establish that indoor illuminance prediction should be interpreted as a location-dependent spatiotemporal problem rather than a uniform regression task. No single modeling strategy performs optimally across all indoor zones, and model suitability is governed by how strongly each location is characterized by rapid temporal daylight variation versus stable spatial redistribution of light. These results offer a physically interpretable and empirically grounded basis for location-aware model deployment in Daylight-Responsive Dimming Systems （DRDS）, Building Energy Management Systems （BEMS）, and intelligent lighting control applications, supporting zone-specific dimming strategies that simultaneously prevent over-dimming and under-dimming to balance visual comfort and energy efficiency.

국문 초록 (Abstract)

실내 조도는 재실자의 시각적 쾌적성, 작업 생산성, 건강 및 건물 에너지 소비에 직접적인 영향을 미치는 핵심 환경 요소이다. 실내 조도 분포는 변화하는 천공 상태에 의한 시간적 변동성과 건물 형상, 파사드 구성, 표면 반사율에 의해 결정되는 공간적 이질성이 결합된 이중 도메인 특성을 지닌다. 그러나 기존의 단일 알고리즘 기반 모델은 이 두 가지 특성을 동시에 포착하는 데 구조적 한계를 가지며, 이로 인해 실내 다지점 예측 및 제어에서의 성능이 제한되어 왔다.

본 연구는 이러한 한계를 극복하기 위해 LSTM（Long Short-Term Memory）의 시계열 의존성 학습 능력과 XGBoost（Extreme Gradient Boosting）의 비선형 특성 상호작용 모델링 능력을 결합한 하이브리드 예측 프레임워크를 구성하고, 실내 다지점 조도 예측에서 모델 성능이 공간적 위치에 따라 어떻게 달라지는지를 실증적으로 분석하였다. 실험은 서울 소재 소규모 사무공간 테스트베드（7.9 m × 2.8 m × 3.1 m）에서 수행되었으며, 주광 대응 디밍시스템（Daylight-Responsive Dimming System, DRDS）과 연계된 다중 센서 네트워크를 통해 2022년 8월부터 2024년 12월까지 수집된 340,312개의 1분 단위 실측 데이터가 활용되었다. 작업면 조도는 창측（E1）, 중앙부（E2）, 복도측（E3）의 세 위치에서 측정되었으며, 벽면·천장·조명기구 통합 광센서 9개와 천공 상태 코드가 입력 변수로 사용되었다.

비교 평가 대상 모델은 LSTM A, LSTM B, XGBoost, Hybrid A（LSTM A + XGBoost）, Hybrid B（LSTM B + XGBoost）의 총 다섯 가지이며, R², RMSE, MAE 지표를 기준으로 테스트 세트에서 성능이 평가되었다. 분석 결과, 위치별로 상이한 최적 모델이 도출되었다. 직접 주광 변동이 지배적인 창측（E1）에서는 시간적 패턴 학습 능력이 강화된 Hybrid B 모델이 가장 높은 성능을 나타냈다（R²=0.931）. 직접 주광과 반사광이 혼합되는 중앙부（E2）에서는 상대적으로 낮은 복잡도의 Hybrid A 모델이 최적이었으며（R²=0.888）, 반사광 및 인공조명이 지배적인 복도측（E3）에서는 비선형 공간 관계를 효과적으로 학습하는 단일 XGBoost 모델이 하이브리드 모델보다 우수한 성능을 보였다（R²=0.896）. 세 위치를 평균한 전체 일관성 측면에서는 Hybrid A 모델이 평균 R²=0.9035으로 가장 안정적인 예측 성능을 나타냈다.

SHAP 기반 특성 중요도 분석을 통해 위치별 모델 성능 차이에 대한 물리적 해석 근거가 제공되었다. 창측에서는 천공 상태 변수（SKY）와 조명기구 통합 센서, 천장 센서, 벽면 센서가 복합적으로 기여한 반면, 중앙부와 복도측으로 이동할수록 벽면 반사 센서（S21, S22）의 중요도가 지배적으로 증가하였다. 이는 실내 조도 형성의 주된 메커니즘이 창측에서 복도측으로 갈수록 직접 주광에서 반사광 및 공간적 재분배광으로 전환됨을 의미하며, 이러한 물리적 차이가 위치별 최적 모델 구조의 차이를 야기한다는 점을 실증적으로 확인하였다. 또한 천공 상태별 성능 분석 결과, 예측 강건성 자체가 공간적으로 조건화되어 있음이 확인되었으며, 동일한 외부 환경 조건이라도 위치에 따라 조도 변동성과 예측 오차 구조가 상이하게 나타났다.

본 연구의 결과는 실내 조도 예측이 단일하고 균일한 회귀 문제가 아니라 시간적 변동성과 공간적 이질성이 결합된 위치 의존적 예측 문제임을 실증하며, 하나의 모델을 공간 전반에 일률적으로 적용하는 방식보다 위치별 조도 형성 메커니즘에 기반한 모델 선택이 필요함을 보여준다. 본 연구의 결과는 주광 대응 디밍시스템（DRDS）, 건물에너지관리시스템（BEMS）, 지능형 조명제어 시스템의 위치 인식 기반 예측 제어 전략 수립에 활용될 수 있는 실증적 기반을 제공한다.

목차 (Table of Contents)

• Ⅰ. 서론 12
• 1. 연구의 배경 및 필요성 12
• 2. 연구의 목적 및 범위 18
• 제1장 참고문헌 22
• Ⅱ. 이론적 고찰 및 선행연구 24
• 1. 실내 조도 예측의 이중 도메인 특성 24
• 1.1 주광의 시간적 변동성 26
• 1.2 조도 분포의 공간적 이질성 28
• 1.3 시공간 결합 특성과 예측 복잡성 32
• 2. 데이터 기반 예측 모델 연구 동향 37
• 2.1 물리 시뮬레이션 기반 모델 38
• 2.2 머신러닝 기반 모델 40
• 2.3 딥러닝 기반 모델 45
• 3. LSTM 모델의 이론적 기초와 적용 51
• 4. XGBoost 모델의 이론적 기초와 적용 56
• 5. 하이브리드 모델링 전략 61
• 5.1 직렬 스태킹 구조 63
• 5.2 시간 의존성 학습과 비선형 상호작용 모델링의 결합 66
• 6. 선행연구와의 차별성 및 연구 공백 72
• 6.1 단일 지점·단일 알고리즘 기반 연구의 시공간적 한계 72
• 6.2 하이브리드 모델링 연구의 시스템 수준 편중과 공간적 고려 부재 75
• 6.3 위치 인식 모델 선택을 위한 본 연구의 이론적·실증적 접근 79
• 6.4 연구 공백의 종합 및 본 연구의 학술적 위치 82
• 7. 소결 84
• 제2장 참고문헌 87
• Ⅲ. 연구 방법론 93
• 1. 실험 환경 및 센서 구성 93
• 1.1 테스트베드 사양 95
• 1.2 다중 센서 네트워크 구성 98
• 2. 주광 대응 디밍시스템 설계 102
• 2.1 시스템 개요 103
• 2.2 디밍 제어 방식 106
• 3. 데이터 수집 및 전처리 111
• 3.1 데이터 수집 체계 111
• 3.2 전처리 파이프라인 118
• 3.3 데이터 분할 전략 121
• 4. 예측 모델 설계 및 아키텍처 123
• 4.1 모델 설계 원칙 123
• 4.2 LSTM 모델 구성 125
• 4.3 XGBoost 모델 구성 130
• 4.4 하이브리드 모델 구성 135
• 5. 하이퍼파라미터 최적화 및 훈련 전략 141
• 5.1 LSTM 훈련 전략 141
• 5.2 XGBoost 하이퍼파라미터 최적화 143
• 5.3 하이브리드 모델 훈련 절차 144
• 6. 성능 평가 지표 및 기준선 모델 146
• 6.1 성능 평가 지표 146
• 6.2 기준선 모델 148
• 제3장 참고문헌 151
• Ⅳ. 실험 결과 및 분석 152
• 1. 위치별 모델 예측 성능 비교 152
• 1.1 창측 구역 성능 분석 157
• 1.2 중앙부 구역 성능 분석 159
• 1.3 복도측 구역 성능 분석 161
• 2. 기준선 모델 대비 성능 평가 163
• 3. 특성 중요도 분석 169
• 3.1 위치별 지배적 예측 변수 170
• 3.2 최적 모델의 특성 중요도 해석 174
• 4. 천공 상태에 따른 예측 성능 분석 179
• 4.1 천공 상태별 성능 비교 179
• 4.2 시간대별 조도 변동 특성 182
• 4.3 창측 구역의 고조도 조건 분석 188
• 5. 오차 분석 및 강건성 평가 194
• 5.1 최대 오차 사례 분석 194
• 5.2 잔차 분포 분석 200
• Ⅴ. 종합 논의 204
• 1. 위치 의존적 모델 선택의 이론적 함의 204
• 2. 공간적 이질성과 물리적 조명 메커니즘 210
• 3. 주광 대응 제어 시스템 적용 방안 215
• 4. 연구의 한계 및 향후 과제 223
• Ⅵ. 결론 226
• 1. 연구 결과 요약 226
• 2. 학술적 및 실무적 기여 231
• 3. 향후 연구 방향 234