1. 서 론
겨울철 도로 살얼음은 최근 증가하고 있는 대형사고의 주요 위험 요인으로, 이에 대한 예측 및 메커니즘 분석은 도로교통안전 관리와 방재 대책 마련에서 중요하다. 기존 도로기상관측망(Road Weather Information System, RWIS)은 고정된 지점에서 기상 및 노면 상태를 관측하므로, 공백 지역에 대한 관측자료 부재로, 고속도로의 장거리 구간 전체의 결빙 위험을 반영하는 데 한계가 있다. 이에 따라 최근 기상관측차량을 활용한 이동형 관측자료 수집과 이를 활용한 시공간 관측자료 기반 노면온도 예측 연구의 필요성이 증대되고 있다.
노면온도 예측과 결빙 위험 분석에 관한 초기 연구들은 주로 물리 현상 기반 접근에 집중하였다. Bogren and Gustavsson (1991)은 지형 및 하늘시계지수(Sky View Factor, SVF)이 노면온도에 미치는 영향을 규명하였으며, Gustavsson and Bogren (1994)은 통계자료와 에너지 수지 모형 결합형 RST 단기 예측 모델을 제시하였다. Chapman et al. (2001)은 SVF를 포함한 지리적 인자가 노면온도 변동에 큰 영향을 미치며, 대기 안정도가 높을 때 SVF가 지배적 요인으로 작용하는 것을 확인하였다. Shi et al. (2024), Bounoua et al. (2024)은 합성곱 장단기 기억 신경망(Convolutional Long Short-Term Memory, ConvLSTM)이 시공간 자료를 학습할 수 있어 단기 예측 성능이 우수성을 강조하였으나, 장기 예측에서 성능이 저하되는 점을 시사하였다. 국내에서 Park et al. (2021)은 도로기상관측차량을 활용하여 이동형노면온도 관측자료를 생산하였다. 이를 이용하여 LPF 방법을 적용한 노면온도 편차의 정규화를 통해 도로열지도를 작성하였다. 이를 활용하여 도로살얼음 취약 구간을 산정하는 방법론을 제시했으며, 도로 살얼음은 기온과 습도의 영향이 함께 작용하기 때문에 도로열지도 뿐 아니라 도로수분지도 작성의 중요성을 강조하였다.
머신러닝(Machine Learning, ML) 기법은 이러한 한계를 보완하기 위한 대안으로 적용되어 왔다.
Tang et al. (2022)은 수치기상예보(NWP) 결과를 도로기상예측 모델 보정에 LightBGM을 사용하여 중기예측 성능 개선에 효과적임을 입증하였다. Baykal et al. (2024)은 노면온도에 영향을 주는 기상인자를 규명해 XGBoost (Extreme gradient boosting)를 적용하여 통계 기반 모델 대비 우수한 단기 예측 성능을 보였다. 국내에서도 Yeo et al. (2018)과 Lee et al. (2019)은 기상정보로 여름철 도로 노면 상태를 추정하고, 최적의 모델로 RF를 제시하였다. Kwon et al. (2023)은 이동식 차량 및 고정식으로 수집된 기상자료를 랜덤포레스트(Randomforest, RF), GBM (Gradient boosting), XGboost를 활용하여 이동식 도로기상자료와 고정식 도로기상자료의 노면온도예측모형의 성능을 비교하였다. 그 결과 고정식 노면온도 예측모형은 RF모델이, 이동식 노면온도 예측모형과 모형간 교차 비교 검증한 결과는 XGboost가 가장 우수하게 나타났다. 그러나 ML 기법은 시공간적 의존성 반영에 한계가 있으며, 특히 급격한 환경 변화에 대한 적응력이 부족하다는 단점이 지적되고 있다(Wang et al., 2019).
이러한 문제를 극복하기 위해 기존의 딥러닝(Deep Learning, DL) 기반 시계열 자료에 특화된 장단기메모리(Long Short-Term Memory, LSTM)기법이 반영할 수 없었던 공간해석의 한계를 극복한 ConvLSTM을 적용하였다. Shi et al. (2015)은 ConvLSTM을 강수 예측에 처음 적용하여 CNN과 LSTM의 장점을 결합한 시공간 패턴 학습 능력을 입증하였고, Kilinc et al. (2025)은 1D ConvLSTM을 적용하여 유역기반 수문 시계열을 예측한 결과 단기적으로 높은 정확도를 확보하였으나, 장기 예측에서 모델의 복잡성과 과적합 문제로 성능한구저하가 빠르게 나타나는 한계를 보였다. 국내는 Noh et al. (2025)은 RF모델을 활용하여 블랙아이스 생성에 영향을 미치는 변수를 선별하여 시계열 특성을 반영한 LSTM 모형을 결합한 RF-LSTM 모형을 구축하여 블랙아이스 발생 가능성을 예측하였다. 이러한 결과는 Rasp and Lerch (2018)이 제시한 DL 기반 시계열 모델은 장기 예측에서 급격한 오차 증가를 보인다는 분석과도 일치한다.
최근 도로기상 분야에서는 어텐션(Attention) 메커니즘을 적용한 트랜스포머(Transfomer) 계열 모델을 활용하여, 시공간적 상호의존성을 반영하는 연구가 진행 중이다. Moroto et al. (2024)은 고정식 카메라 영상과 기상 관측자료를 결합한 멀티모달 입력을 크로스 어텐션(cross-attention) 구조로 융합한 Multimodal Transformer를 제안하였으며, 겨울철 도로 노면 상태(dry, wet, ice, snow) 탐지와 예측의 정확도를 향상시켰다. 또한 Aslam and Mahfuz (2025)은 차량 탑재 센서 자료를 활용하여 도로 표면 유형을 분류하는 Transformer 기반 모델을 개발해, 시공간적 특징 추출의 효율성을 확인하였다. 그러나 노면온도(RST)를 수치적으로 회귀 예측한 사례는 아직 드물며, 대부분의 연구는 노면 상태 분류나 영상 기반 인식에 집중되어 있다(Tabrizi et al., 2021). 따라서 본 연구에서는 ConvLSTM 기반 시공간 구조 검증과 예측 안정성 평가를 1차 연구 단계로 설정하고, 향후 트랜스포머 기반 구조로 확장하기 위한 지표를 마련하고자 한다.
이와 같이, 기존 연구는 주로 고정식 RWIS를 활용하여 노면온도 예측을 수행하였으며, 이동형 관측자료를 활용한 사례도 있으나 대부분 관측 범위와 기간이 제한적이었다. 따라서, 노면온도를 시공간적으로 예측하고, 물리⋅지형 변수를 포함한 성능 평가 사례는 부족한 실정이다.
본 연구는 서해안고속도로를 대상으로 기상관측차량 기반 이동형 시공간 자료를 구축하고, 이를 바탕으로 ML (RF, XGBoost, LightGBM)과 DL (ConvLSTM) 기법을 비교⋅분석하였다. 특히 예측 구간(horizon)을 단기(10 s, 60 s), 중기(300 s, 600 s), 장기(1,800 s, 3,600 s)로 구분하여 절대 성능과 성능 저하율을 동시에 평가하였으며, 태양천정각(Solar zenith Angle, SZA), SVF, 교량 및 터널 여부와 같은 물리⋅지형 변수를 반영하여 모델 성능 개선 가능성을 검토하였다. 이러한 연구의 결과는 도로 노면온도 예측의 정확성과 안정성을 기반으로, 도로 방재 및 도로살얼음 발생 메커니즘 분석의 기초자료로 활용될 수 있을 것으로 기대한다.
2. 연구 자료 및 방법
2.1 관측자료 수집
본 연구는 서해안고속도로(금천 IC-목포 IC, 약 330 km)를 대상으로 2024년 11월 18일부터 12월 11일까지 총 24일간 이동 관측을 수행하였다(Fig. 1). 관측은 기존 기상관측망의 한계인 관측 공백지역 해소의 목적으로 지난 2016년 도입된 국립기상과학원의 기상관측차량(Mobile Observation VEhicle, MOVE)을 활용하여 수행하였다. 도로에 살얼음이 발생 가능성이 높은 오전 06:00부터 11:00 사이에 관측하였으며, 교통 및 기상 상황에 따라 유동성이 있다.
차량에는 자동기상관측장비(AWS)가 설치되어 기온, 상대습도, 기압을 1초 간격으로 수집하였다. 풍향 및 풍속은 이동 관측 특성상 신뢰도가 낮아 분석에서는 제외하였다. 또한 독일 Lufft사의 MARWIS (Mobile Advanced Road Weather Information Sensor) 장비를 부착하여 노면온도, 노면상태, 마찰계수 등 도로 표면 특성을 기록하였다. 노면온도는 광학식으로 비접촉식 적외선 센서를 이용하며, -40 ℃~60 ℃ 범위내에서 0 ℃ 기준 ± 0.8 ℃의 정확도를 갖는다. 차량의 위치와 주행 경로는 GNSS 센서를 통해 수집하였다.
전체 자료는 총 426,423행으로 기록되었으며, 관측자료 품질관리는 기상청의 표준 시스템인 RQMOD를 참고하여 이동형 관측자료에 적합한 결측자료검사, 물리한계검사, 단계검사 등을 수행하였다. 또한, 차량의 주행속도 및 배기가스가 미치는 영향을 고려하여 주⋅정차(5 km/h 이하)시 자료는 제외하였다. GNSS 위치정보는 5 m 해상도의 DEM 및 도로 구조물 자료와 공간 매칭하여 교량ߵ터널 구간을 판별하였다. 모든 관측센서는 캠페인 시작전 검ߵ교정을 절차를 수행하였으며, 그 결과 약 15.6%가 제거된 359,792행의 자료를 사용하였다.
2.2 변수 구성
본 연구에서 예측 모델의 입력 변수는 기상 요소와 지형⋅구조 요소로 구분하였다.
기상 요소는 차량에 부착된 AWS 센서로부터 수집된 기온, 상대습도, 기압과 태양 복사와 지형 차폐 효과를 반영하기 위하여 SZA, SVF를 사용하였다. SZA는 관측시각, 위도, 경도, 고도, 기온 정보를 입력값으로 하여, NREL의 Solar Posithion Algorithm (SAP; Reda and Andreas, 2004, 2008)을 기반으로 산출하였다. 일출 전후 태양 복사량 변화가 노면온도에 미치는 영향을 설명하기 위해 사용되었다. SVF는 5 m 해상도의 수치표고모델(DEM)을 이용하여 QGIS의 공간 분석 도구(SAGA Sky View Factor Algorism)를 통해 산출하였다. 산출된 SVF 값은 차량 관측 경로와 공간 매칭하여 각 지점별(0~1 범위) 입력 변수로 활용하였다(Fig. 2).
구조 변수는 국토교통부에서 제공하는 도로 구조물 Shapefile을 활용하여 교량 및 터널 여부를 산출하였다. 차량 궤적과 도로 구조물의 공간 매칭(Polygon 및 Buffer 분석)을 수행하여, 관측 지점이 교량 또는 터널에 해당할 경우 1, 아닐 경우 0으로 부여하였다.
2.3 예측 모델
노면온도 예측을 위해 ML 기반 모델과 DL 기반 모델을 비교 적용하였다.
ML 기법으로는 RF, XGBoost, LightGBM을 사용하였다. RF는 다수의 결정트리를 배깅(bagging) 방식으로 결합하는 앙상블 기법으로, 비선형 자료 예측과 변수 중요도 해석에 강점을 가진다(Breiman, 2001). XGBoost는 Gradient Boosting 기반 알고리즘으로 손실함수의 2차 도함수를 활용하고, L1/L2 규제를 통해 과적합을 억제하며, 병렬 연산과 희소 행렬 최적화를 통해 높은 계산 효율성을 제공한다(Chen and Guestrin, 2016).
LightGBM은 GOSS (Gradient-based One-Side Sampling)와 EFB (Exclusive Feature Bundling) 기법을 도입하여 대규모 자료 처리에 최적화된 부스팅 알고리즘으로, Leaf-wise 트리 성장 방식을 통해 높은 예측력을 보이지만 소규모 자료에서는 과적합 가능성이 존재한다(Ke et al., 2017).
DL 기법으로는 Shi et al. (2015)이 제안한 ConvLSTM을 적용하였다. 기존 LSTM (Hochreiter and Schmidhuber, 1997)은 시계열 자료의 시간적 특징을 학습하는 데 효과적이지만, 자료의 입력과 상태 변환 과정에서 공간 정보를 벡터 형태로 처리하여 고유의 공간적 구조가 손실되는 근본적인 한계를 지닌다. 이러한 한계를 극복하기 위해 LSTM 내부의 완전연결(Fully-connected) 연산을 합성곱(convolution) 연산으로 대체한 모델이다. 이를 통해 ConvLSTM은 관측자료의 시계열적 의존성과 공간적 의존성을 동시에 학습할 수 있는 구조이다. ConvLSTM은 기상 분야에서 강수 예측 등 시공간 예측 문제에서 성능이 검증된 바 있으며, 본 연구에서는 노면온도 예측 성능을 평가하기 위해 도입하였다.
2.4 ConvLSTM 입력구성 및 Tensorization 과정
ConvLSTM 모형은 시공간적 변화를 동시에 학습할 수 있는 구조로, Keras의 ConvLSTM2D 레이어를 기반으로 구성하였다. 입력 자료는 5차원 텐서 형태로, 그 구조는 다음과 같다.
여기서, N은 전체 자료의 크기이며, batch는 학습 시 한 번에 처리되는 시퀀스 묶음의 수, time steps는 입력 시계열의 길이로, 1초 간격의 관측자료를 60초(60 step) 단위로 설정하였다. rows는 공간적 행을 의미하며, 단일 경로에서 수행되었으므로 1로 고정하였다. cols는 시간 순서에 따라 정열된 시계열 구간으로 각 입력 윈도우는 60초 길이의 자료로 구성되었다. channels는 입력 변수의 수를 의미하며, 기온, 습도, 기압, SVF, 방위각(Azim), 교량, 터널의 총 7개이다. 이 구조는 시간축을 ConvLSTM의 공간 축(cols)에 대응시키는 temporal-spatial folding 구조를 적용하였으며, 시계열의 단기적 변화 특성을 합성곱 연산을 통해 학습하도록 구성하였다.
이동형 관측자료(1초 간격)는 ConvLSTM의 입력 형식에 맞추어 다음과 같이 재구성되었다. 1초 간격으로 수집된 자료를 60초 단위의 연속구간으로 구성하여 슬라이딩 윈도우를 생성하였으며, 각 구간은 60개의 연속된 시점을 포함하도록 하였다. 이를 하나의 행(row = 1)과 60개의 열(col = 60)로 이루어진 2차원 형태로 재배열하여, 시간 순서에 따른 시계열 자료가 ConvLSTM의 공간 축(cols)에 대응되도록 하였다. 이러한 과정은 단순한 형식변환이며, 보간(interpolation)이나 정보 확장은 포함하지 않는다.
비교 실험에 사용된 ML 기반 모델 또한 동일한 시간(60초)과 변수를 사용하였다. ML 모델은 이를 평탄화된 벡터 형태로 변환하여 각 변수 간의 관계를 학습하였다. 따라서 두 모델은 동일한 입력 정보량을 사용하였으며, 자료의 표현 구조와 처리방식에 차이가 있다.
2.5 관측 자료 분할 및 평가 지표
모델 학습 및 검증을 위해 전체 자료를 시간 순서를 보존한 상태에서 80%는 학습용, 20%는 검증 및 시험용으로 분할하였다. 예측구간은 단기(10 s, 60 s), 중기(300 s, 600 s), 장기(1,800 s, 3,600 s)로 설정하였다. 이는 운전자 경고(단기), 도로 관리 의사결정(중기), 도로기상예보(장기) 등 실제 활용 목적을 반영하며, 예측 시간이 증가함에 따라 모델의 성능과 안정성의 종합적 분석이 목적이다.
모델의 성능평가는 평균제곱근오차(Root Mean Square Error, RMSE), 평균절대오차(Mean Absolute Error, MAE), 결정계수(Coefficient of Determination, R2), 평균오차(Mean Error, ME), 상대절대오차(Relative Absolute Error, RAE) 등의 방법을 활용하였다. RMSE와 MAE는 예측값의 평균적인 오차 크기를 나타내며, R2는 모델이 전체 자료의 분산을 얼마나 잘 나타내는지 설명하는 지표이다. ME는 오차의 평균값을 나타내는 것으로 모델의 편향을 나타낸다. RAE는 모델 예측값의 절대 오차의 합을 실제값의 평균으로부터의 절대 편차 합으로 나눈 값으로, 모델의 오차가 자료의 전반적인 변동에 대해 상대적 비율로 표현한 지표이다. 이러한 지표를 활용하여 각 모델간 예측 성능의 비교와 예측시간 증가에 따른 성능 저하 및 안정성을 비교 분석하였다.
3. 결 과
3.1 모델 성능 비교
서해안고속도로 이동관측 자료를 활용하여, ML (RF, XGBoost, LightGBM)과 DL (ConvLSTM) 모델의 노면온도 예측 성능을 구간에 따라 비교하였다(Table 1, Fig. 2).
Table 1
Comparative Performance of Prediction Models Across Different Horizons
단기 예측 구간에서 ConvLSTM은 모든 평가지표(RMSE, MAE, R2, ME, RAE)에서 가장 우수한 성능이 나타났다. 10 s 예측에서 ConvLSTM은 RMSE: 1.326 ℃, R2: 0.805로 LightGBM (RMSE: 1.610 ℃, R2: 0.711) 대비 더 우수한 예측 성능을 보였다. 이는 특정 시점의 공간적 패턴을 학습하고, 시간의 흐름에 따른 변화의 연속성을 기억하는 ConvLSTM의 특징이 잘 나타났다. 반면, ML모델들은 자료를 순차적 정보가 아닌 정적(static)인 형태의 벡터로 처리한다. 이러한 특성으로 인해 모델들은 공간의 변화와 시간적 맥락을 충분히 반영하지 못하며, 이는 예측 성능 저하의 주요 원인으로 분석된다.
ML 모델 간 비교에서는 LightGBM이 XGBoost와 RF보다 낮은 오차를 기록하였다. 또한, 모든 모델의 ME가 양수로 나타나 전반적으로 실제 노면온도보다 낮게 예측하는 경향을 확인하였다. 특히, 3,600 s 예측에서 ConvLSTM의 ME는 1.54 ℃로 가장 크게 나타나, 장기 예측에서 오차가 한 방향으로 누적되는 시스템적 오류가 발생할 가능성이 있다.
3.2 장단기 예측 성능
단기, 중기, 장기로 구분한 예측 시간에 따른 모델의 성능을 정량적으로 분석하였다.
ConvLSTM은 모든 예측 구간에서 RMSE와 MAE가 가장 낮았으며, 절대적인 성능 우위를 나타냈다. 그러나 예측 시간이 길어질수록 오차의 증가 폭이 상대적으로 크게 나타나, 장기 예측 구간에서는 성능 저하가 뚜렷하게 확인되었다.
ConvLSTM의 RMSE는 10 s 구간에서 1.33 ℃, 1,800 s 구간에서는 1.76 ℃로 32.8% 증가하였고, 3,600 s 구간에서는 2.25 ℃로 약 70% 커졌다. 반면 LightGBM의 경우 10 s 구간에서 1.61 ℃였던 RMSE가 1,800 s 구간에서 2.73 ℃로 69.7% 증가, 3,600 s 구간에서 2.69 ℃로 약 67% 증가하여 오차 증가율은 ConvLSTM보다 낮았다(Table 2).
Table 2
Summary of Performance Degradation Rate
이와 같이 ConvLSTM은 전 구간에서 가장 높은 정확도를 보였음에도 불구하고, 장기 예측 구간에서는 ML 기법(XGBoost, LightGBM)에 비해 성능이 빠르게 낮아지는 특성을 보였다. 이는 ConvLSTM이 단기 예측에서는 시공간 의존성 학습을 통해 탁월한 성능을 발휘하나, 장기 예측에서는 모델 구조의 자기회귀(autoregressive) 특성으로 인해 이전 시점의 예측 오차가 누적되어 예측력이 저하되는 경향을 보인다. 반면, ML 기반 모델은 각 예측 시점을 독립적으로 학습하여 이러한 누적오차의 영향이 상대적으로 적은 것으로 판단된다.
이러한 결과는 Shi et al. (2015)에서 장기 예측의 DL 모델이 급격한 성능 감소가 나타나는 경향과 일치한다.
3.3 물리적 지형 변수 효과 분석
SZA, SVF, 교량 및 터널 여부와 같은 물리⋅지형 변수를 입력 자료로 활용하여 성능 개선 효과를 분석하였다. 분석 결과, 단기 예측 구간(≤ 300 s)에서는 해당 변수를 포함 할 경우 RMSE와 MAE가 소폭 감소하는 경향을 보였으며, 이는 국지적인 복사 환경 및 지형 조건이 단기 노면온도 변화에 일정 부분 기여함을 보여준다. 순열중요도(permutation importance) 분석 또한 SZA와 SVF가 단기 성능 향상에 제한적이나마 기여하는 것을 알 수 있다(Fig. 3).
반면, 장기 예측 구간(≥ 1,800 s)에서는 이러한 변수를 포함하더라도 성능 저하 문제를 근본적으로 개선하지는 못하였다. 예측 구간별로 교량 및 터널 구간의 영향을 분석한 결과(Fig. 4), 두 구간 모두 단기에서는 RMSE 변화가 적었으나, 예측시간이 길어 질수록 오차가 증가하는 경향을 보였다. 이는 구조물 구간의 열적 특성이 시간에 따라 일정하지 않아, 모델의 장기 예측 안정성에 영향을 준 것으로 해석된다.
전체 예측 구간(10 s~3,600 s) 대한 부분의존성곡선(Partial Dependence Plot, PDP) 분석 결과 SZA와 SVF는 단기와 장기 모두 예측값에 영향을 주었으나 SZA의 경우 장기 예측시 태양의 고도가 높아질수록 노면온도가 높아지는 반전현상이 나타나며 성능이 저하되는 모습이 나타났다. 교량 구간에서는 교량의 상⋅하부 모두 공기에 접촉하기 때문에 열손실이 크고 결빙 위험이 높아지는 물리적 특성이 잘 나타나며, 터널의 경우 겨울철 특성상 외부 노면온도보다 터널 내부 노면온도가 높고, 변동성이 적은 경향이 잘 나타났으나, 장기로 갈수록 비현실적인 모습이 나타났다(Fig. 5).
Fig. 5
ConvLSTM-Based Partial Dependence Analysis of Key Variables Over Prediction Horizons (10 s~3,600 s)
이러한 결과는 ConvLSTM이 시계열 내의 단기적 변화를 효과적으로 학습하지만, 장기 예측으로 갈수록 SZA, SVF의 영향을 안정적으로 유지하지 못하는 구조적 한계를 반영한 것으로 판단된다. SZA의 경우, 예측 시점이 길어질수록 태양 고도와 노면온도 간의 관계가 비물리적으로 변하는 경향이 나타났으며, 이는 모델 기억 구조 내에서 초기 입력 정보가 점차 약화되거나 왜곡된 결과로 해석된다. 이러한 장기 예측의 한계는 물리 변수의 특성보다 ConvLSTM이 해당 정보를 지속적으로 보존하고 반영하는 과정에 발생한 구조적 한계로 판단된다. 이는 Bogren and Gustavsson (1991), Chapman et al. (2001), Hu et al. (2016) 등 지형 및 물리 변수는 단기 성능 개선에는 효과적이나 장기 예측 성능 향상에는 제한적이라는 결과와 일치한다. 이러한 한계는 Attention 기반 구조의 적용으로 보완될 수 있다.
3.4 오차 특성
장기 예측 구간(1,800 s, 3,600 s)에 대해 모델별 오차 특성을 비교하였다. ConvLSTM은 전반적으로 가장 낮은 RMSE와 MAE를 보였지만, 일부 조건에서는 예측 오차가 증가하는 구간이 확인되었다(Table 3). 이는 ConvLSTM이 시공간적 의존성을 효과적으로 학습하여 평균적인 예측 정확도는 유지하였으나, 예측 시간이 길어질수록 특정 환경에서 안정성이 낮아질 수 있음을 보여준다.
Table 3
Error Statistics Over Prediction Horizons
예측 잔차의 분포(Fig. 6)는 예측 시간이 증가함에 따라 폭이 점차 넓어지는 경향을 보였다. 특히 3,600초 예측 구간에서는 분포의 꼬리가 -40 ℃까지 두꺼워지는(heavy-tail) 형태를 나타냈다. 잔차의 표준편차는 단기 예측(10 s, 약 5.3 ℃)에 비해 장기 예측(3,600 s, 약 12.0 ℃)에서 약 두 배 정도 증가하였다. 이와 같은 분포 확장은 평균 기반 지표(RMSE, MAE)만으로는 모델의 불확실성을 충분히 설명하기 어려우며, 장기 예측에서는 상대적으로 큰 오차가 발생할 가능성이 높아지는 것을 의미한다.
이러한 대규모 오차를 정량적으로 파악하기 위해 절대 예측오차가 20 ℃를 초과하는 경우를 ‘극한오차(extreme error)’로 정의하였다. 이 값은 잔차 분포의 상위 약 1% (P99)에 해당하며, Fig. 6에서 관찰된 heavy-tail 구간을 반영한다. 일반적인 도로 환경에서 노면온도의 단기 변동이 ± 5 ℃ 내외임을 고려할 때, 20 ℃ 이상의 오차는 통계적으로 발생 빈도가 낮으며, 물리적으로 발생하기 어렵다. 따라서 이 기준은 복사 및 환경 조건이 급격하게 변할 때 모델의 예측 한계를 구분하는 데 활용할 수 있다.
계층화 오차 분석(Stratified Error Analysis)의 결과 Table 4에서 교량과 교량이 아닌 구간 간의 평균 오차는 큰 차이가 없었으며, 터널 내부의 평균 RMSE는 터널이 아닌 구간보다 약간 낮게 나타났다. 이는 외부 환경 변화가 적은 안정된 구간에서 모델이 비교적 일관된 성능을 유지한 것으로 판단된다. 반면, 터널의 진ߵ출입 구간에서는 극한오차 발생 빈도가 일반 구간보다 약 1.5~2.5배 높게 나타났다. 또한 SVF가 높은 구간(SVF > 0.9)과 일출 직후 복사 환경이 급변하는 시간대에서도 RMSE와 오차분산이 증가하였다. 이러한 경향은 PDP분석에서 SZA가 예측에 비선형적인 영향을 보인 결과와 일치한다.
Table 4
Stratified Error Metrics by Road and Environmental Conditions
분석 결과, 극한오차는 교량이나 터널과 같은 구조물의 영향보다 복사 환경과 국지적 기상 변화가 큰 구간에서 주로 발생하였다. 향후 연구에서는 이러한 구조적⋅환경적 변화가 반영된 학습자료를 보완하고, 특정 조건에 대한 가중치 적용 등을 통해 평균적인 예측 성능뿐 아니라 극한 상황에서의 안정성도 함께 고려할 필요가 있다.
4. 결 론
본 연구는 서해안고속도로에서 기상관측차량을 활용해 수집한 이동형 시공간 자료를 기반으로, ML인 Random Forest, XGBoost, LightGBM과 DL인 ConvLSTM 모델을 적용한 노면온도 예측 성능을 비교, 평가하였다. 이동형 관측자료는 기존 고정식 도로기상관측망(RWIS)의 시공간적 한계를 보완하고, 연속적인 도로 구간의 온도 변화를 반영할 수 있다는 점에서, 도로기상 예측 연구의 적용 범위를 확장할 수 있는 자료로 판단된다.
분석 결과, ConvLSTM 모델은 시공간 의존성을 효과적으로 학습하여 모든 예측 구간에서 가장 낮은 RMSE와 MAE를 나타냈다. 특히 단기 예측(≤ 600 s)에서는 ML 모델 대비 높은 정확도와 응답성을 보였다. 이는 ConvLSTM이 시계열 내의 국소적인 시간과 공간 패턴을 합성곱 연산을 통해 학습함으로써, 기온, 복사, 지형의 변화 등 빠르게 변하는 환경 요인을 실시간으로 반영할 수 있기 때문으로 판단된다. 따라서 단기 예측이나 실시간 모니터링과 같은 응용 목적에서 ConvLSTM의 적용이 효과적인 것으로 나타났다.
반면, 장기 예측(≥ 1,800 s)에서는 ConvLSTM의 오차분산이 증가하고 극한오차 발생 빈도가 높아지는 등 상대적인 안정성 감소가 확인되었다. 그러나 절대적인 예측 정확도 측면에서는 여전히 ConvLSTM이 ML 모델보다 우수하였다. 다만, 예측 시간이 길어질수록 이 모델의 성능 저하율이 더 크게 나타났다. 이러한 경향은 ConvLSTM의 자기회귀적 구조로 인해 이전 시점의 예측 오차가 누적되어 장기 구간에서 불확실성이 점진적으로 확대되는 특성과 관련이 있다. 한편, ML 기반 모델은 단기 성능은 낮았으나 장기 예측에서는 오차가 완만하게 증가하여 두 접근법 간에 예측 정확도와 안정성 측면에서 상호 보완적 관계가 있는 것으로 판단된다. 따라서 예측 시간의 장단에 따라 각 모델의 강점을 결합하는 하이브리드 접근방식이 필요하다.
물리적 지형 변수(SZA, SVF, 교량, 터널)는 단기 예측에서는 모델의 정확도를 높이는 데 기여하였으나, 장기 예측에서는 그 영향력이 감소하거나 불안정한 경향을 보였다. 특히 SZA의 경우 장기 예측 구간에서 태양 고도와 노면온도 간의 관계가 비물리적으로 변하는 경향이 나타났다. 이는 ConvLSTM이 입력된 물리 정보를 장기간 유지, 활용하는 데 구조적 제약이 있음을 보여준다. SVF나 교량과 터널 변수는 지역적 복사 환경이나 구조적 차이에 따른 단기적인 반응은 포착하였으나, 장기적으로는 영향력이 희석되는 한계가 있다. 따라서 향후 연구에서는 DL의 Attention 기반 시공간 모델을 적용하거나, ML의 안정성과 DL의 표현력을 결합한 하이브리드 구조를 도입하여 장기 예측의 안정성과 물리적 일관성을 보완할 필요가 있다.
이러한 결과는 실제 도로에서 수집된 이동형 자료를 기반으로 ConvLSTM의 시공간 학습 특성을 검증했다는 점에서, 기존 RWIS 중심의 노면온도 예측 연구를 보완하고 모델의 현장 적용 가능성을 제시할 수 있을 것이다.
본 연구는 2024년 11월부터 12월까지 총 24일간 서해안고속도로에서 측정된 자료를 사용했기 때문에 결과의 일반화를 주의할 필요가 있다. 향후 연구에서는 다양한 기후 및 지형 조건의 도로 구간을 포함한 겨울철 장기 관측자료를 확보하고, 모델의 예측 성능을 분석하고자 한다. 또한, ConvLSTM의 구조적 제약을 보완하기 위해 Attention 또는 Graph 기반 모델을 적용하고, 관측자료를 보다 정밀하게 품질관리 할 예정이다.
본 연구 결과는 이동형 시공간 자료를 활용한 딥러닝 기반 노면온도 예측에 대한 도로살얼음 대응, 방재 의사결정 지원, 교통안전 관리를 위한 기초자료로 활용될 수 있을 것으로 판단된다.
PDF Links
PubReader
Full text via DOI
Download Citation
Print
