1. 서 론
1.1 연구 배경
겨울철 도로살얼음(black ice)은 도로 표면의 얇은 결빙층이 육안으로 거의 식별되지 않는 상태에서 형성되기 때문에, 짧은 결빙 구간이 전체 도로망의 교통사고 위험을 대표하는 현상으로 알려져 있다. 특히 야간과 일출 전후 시간대에는 기온과 노면온도(road surface temperature, RST)의 급격한 하강, 지형 및 구조물에 따른 국지적인 복사, 대류 조건 변화가 중첩되어, 운전자가 인지하기 어려운 위험 구간이 발생한다. 이러한 이유로 도로 관리기관은 고정식 도로기상관측소(Road Weather Information System, RWIS)를 설치하여 기온, 노면온도, 강수, 풍향 및 풍속 등을 관측하고, 이를 기반으로 재설, 제빙, 속도제한, 통행 제한과 같은 겨울철 도로 운영 의사결정을 수행해 왔다.
그러나 RWIS는 설치 및 유지관리 비용의 제약으로 지점 간 간격이 수 km 이상으로 떨어져 있으며, 교량과 터널, 차폐 구간과 같은 국지적인 위험 구간에 항상 설치되어 있지는 않다. 결과적으로 단일 지점 관측값만으로는 노면온도의 시공간 변동과 결빙 위험 구간의 연속적인 분포를 충분히 설명하기 어렵고, 인접 지점 사이의 공백 구간에서 발생하는 위험을 과소평가할 가능성이 있다. 이를 보완하기 위해 차량 장착형 센서를 활용한 이동식 도로기상 관측이 도입되고 있으며(Ye et al., 2012; Park et al., 2021), 열지도(thermal map)와 도로기상차량 기반 노면온도 패턴 분석(Kim et al., 2018; Park et al., 2021)과 더불어, 일반 운행 차량 자료를 이용한 Floating Car Data (FCD)를 활용하여 RWIS의 공백을 보완하려는 시도가 이루어지고 있다(Casselgren and Bodin, 2017; Hu et al., 2019; Sollén and Casselgren, 2021, 2023).
1.2 연구 동향 및 한계
노면온도 예측에 관한 초기 연구는 대부분 고정식 RWIS 시계열에 기반한 물리, 통계모형에 초점을 두었다. Bogren and Gustavsson (1994)은 통계 모형과 에너지평형(energy- balance) 모형을 결합한 노면온도 예측모형을 제시하여, 국지 기후와 복사 및 대류 조건을 동시에 고려하였고, Bogren (1991)은 야간 복사 냉각과 지형에 따른 노면온도 차이를 분석하여 도로 결빙 위험 평가에 활용하였다.
Chapman et al. (2001a)은 위도, 경도, 고도, 토지이용 등으로 구성된 지리 및 지형 파라미터 데이터베이스(Geographical Parameter Database, GPD)를 구축하고, 이를 이용한 통계모형으로 도로망 내 노면온도의 공간 변동을 설명하였다.
이러한 물리 통계 모형은 노면 에너지 수지의 물리적 이해를 제공하지만, 입력 기상장과 복잡한 지형 및 구조물 효과를 완전하게 반영하기 어렵다는 한계를 가진다.
이후에는 RWIS 시계열을 대상으로 한 기계학습과 딥러닝 기반 예측이 활발히 연구되었다. Liu et al. (2018)은 Gradient Extreme Learning Machine Boosting (GBELM)을 이용한 노면온도 예측모형을 제안하여, 기존 회귀 신경망 대비 향상된 RMSE를 보고하였고, Hu et al. (2019)은 기온과 수치예보 자료를 입력으로 하는 Gradient Boosted Trees 모형을 통해 노면온도와 노면상태를 예측하였다. Pu et al. (2020)은 시간 간격 정보를 반영한 time-aware GRU 모형을 적용하여 RWIS 기반 도로 상태 예측 성능을 향상 시켰으며, Bai et al. (2025)은 전이학습(Transfer Learning, TL)과 LSTM (Long Short-Term Memory)을 결합한 TL-LSTM 모형을 제안하여, 기상 조건이 다른 구간 및 기간 간의 모델 이식성을 높이고자 하였다. 최근에는 국내에서도 고정식과 이동식 도로기상 자료를 함께 활용한 머신러닝 기반 노면온도 예측 연구가 보고되고 있다.
한편, GIS, 지형, 구조물 정보를 결합한 시공간 분석 사례로는, Chapman et al. (2001b)이 GPD와 수치모형을 결합하여 지형, 토지이용, 차폐가 노면온도에 미치는 영향을 수치적으로 평가하였고, Chapman and Thornes (2006)은 GIS 기반 노면온도 예측모형을 통해 도로망 전역의 공간 패턴을 설명하였다.
최근 Karsisto and Horttanainen (2023)은 하늘시계지수(Sky View Factor, SVF)와 주변 구조물 차폐를 모형에 포함하여 예보 노면온도 정확도를 검증하였고, SVF와 차폐 효과가 특히 겨울철 야간, 일출 전후의 노면온도에 크게 작용함을 정량적으로 제시하였다. 이러한 연구들은 노면온도 예측에서 SVF, 고도, 해안 여부, 교량 및 터널과 같은 지형 및 구조물 변수가 중요함을 의미한다.
또한, 이동식 차량 기반 관측과의 결합도 시도되고 있다. Hu et al. (2019) 및 후속 연구에서는 차량 센서 자료를 RWIS 수치모형에 동화할 경우, RWIS가 희소한 구간에서 예보 성능이 개선될 수 있음을 보였고, 국내외 여러 보고서에서는 차량 장착형 센서를 활용한 열지도가 RWIS 지점 사이의 공백 구간에서 결빙 취약 구간을 탐지하는 수단으로 활용될 수 있음을 제시하고 있다.
그러나 고정식 또는 이동식 도로기상 관측과 일부 지형 및 구조물 변수를 개별적으로 활용한 사례가 대부분이며, 이들을 통합한 예측모형에 대해 시계열 공간 의존성을 고려하고 정보누수를 배제한 평가와 지형 및 구조물의 조건별 오차 특성까지 함께 분석한 연구는 드물다.
1.3 연구 목적
본 연구의 목적은 서해안고속도로 약 330 km 구간에서 관측된 RWIS 자료, 차량기반 이동식 도로기상 관측 자료, GIS 기반 지형 및 구조물 정보를 통합하여, 도로기상 관측 기반 하이브리드 노면온도 예측모형을 구축하고 그 성능과 한계를 정량적으로 평가하는 데 있다(Fig. 1).
Fig. 1
Study Area along the Seohaean Expressway and Configuration of Fixed RWIS Stations and Vehicle-Based Mobile Observations
이를 위하여 겨울철 집중관측을 통해 확보한 RWIS (1분 간격)와 이동식 노면온도 관측(1초 간격), 그리고 SVF, 고도, 교량/터널, 해안 여부 등 GIS 변수들을 일관된 시공간 해상도로 재구성하였다. 본 연구에서 예측시간(lead time) H는 현재 시각 t에서 H초 후인 미래 시각t+H의 노면온도를 예측하는 경우를 의미하며, H = 300, 600, 1,800 s에 대해 노면온도 예측 성능을 평가하였다. 각 연속 주행 구간(run)을 기준으로 학습 및 검증 자료를 분리하고, H이상 길이의 완충 구간(purge window)을 두어 두 자료 세트가 시간적으로 중복되지 않도록 구성하였다. 예측 대상 시점의 노면온도 값은 사전에 파일로 계산 및 저장하지 않고, 학습 및 검증 과정에서 각 시점별로 필요할 때마다 직접 산출하였으며, 예측 시점 이후의 관측값과 이로부터 유도된 파생 변수를 입력 데이터에서 배제함으로써 시공간 자료에서 발생할 수 있는 정보 누수를 구조적으로 차단하는 평가 절차를 적용하였다.
모형 측면에서는 일변화 주기를 표현하는 하모닉(조화) 회귀와 태양천정각(Solar Zenith Angle, SZA)을 이용하여 고정식 RWIS 기반 배경장 모형(Model 1, M1)을 구축하고, 이를 지속성(persistence) 예측과 예측시간별 최적 가중치로 선형 결합한 기본 예측 모형(Base)을 구성하여 각 예측시간의 성능을 평가한다. 이어서 이동식 노면온도 관측, 과거 노면온도, 기온 등 시계열 변수, SVF, 고도, 교량 및 터널, 해안 여부 등 지형 및 구조물 변수를 입력으로 하는 잔차 보정 모형(Model 2, M2)을 설계하고, Base 모형 대비 단기(300 s), 중기(600 s), 장기(1,800 s) 예측에서의 성능 개선 여부뿐 아니라 잔차 분산과 극단오차(tail risk)의 변화를 정량적으로 분석한다.
또한 교량 및 터널 구간, SVF 수준, 해안 등 지형 및 구조물 조건에 따른 예측오차 특성을 비교함으로써, 제안한 하이브리드 모형의 안정성을 평가하고 도로 중심선 기준 1차원 노면온도 분포와 위험 구간을 제시한다.
이러한 분석을 통해, 고정식과 이동식 도로기상관측 자료 및 지형 정보를 통합한 시공간 노면온도 예측모형에 대해 정보 누수를 배제한 평가 설계를 하였다. 즉, RWIS-이동식-GIS를 결합한 하이브리드 RST 예측 프레임을 제시하고, 시공간 자료에서 발생하기 쉬운 정보 누수를 차단한 상태에서 그 성능과 한계를 정량적으로 제시함으로써, 향후 Transformer나 그래프 신경망(GNN) 기반 모형, 확률 예측 기법으로 연구를 확장하는 데 활용 가능한 기초 자료를 제공하고자 한다.
2. 연구 자료 및 방법
2.1 관측 구간 및 자료 개요
연구 대상 구간은 서해안고속도로 금천IC~목포IC 약 330 km 구간이다. 2024년 1~2월, 11~12월 겨울철에 총 56일의 집중관측을 수행하였으며, 이 기간 동안 고정식 RWIS 자료와 이동식 도로기상 관측 자료를 동시에 수집하였다.
RWIS는 구간 내 설치된 총 16개 지점으로, 1분 간격으로 기온(Tair), 상대습도(RH), 풍향(WD), 풍속(WS), 기압(Pres), 강수(Precip), 노면온도(Tsfc) 등을 관측한다. 이동식 관측은 차량 탑재형 노면센서(MARWIS)와 GNSS 수신기를 활용하여 1초 간격으로 노면온도, 마찰계수(Fric), 수막두께(Wfilm), 도로상태(Cond), 위도/경도/고도(Lat/Lon/Alt), 차량 진행방향(Azim) 및 속도 등을 측정하였다. 관측은 도로살얼음 사고 위험시간대인 06-11시 사이에 진행되었으며, 동일 구간 왕복 주행을 반복하여 교량, 터널, 차폐 구간을 포함한 다양한 도로 구조물을 포괄하였다.
2.2 파생 변수 및 GIS 기반 지형 및 구조물 변수
노면온도 예측에 중요한 복사 및 지형 효과를 반영하기 위하여 여러 변수를 구성하였다. 먼저 SZA는 NREL Solar Position Algorithm (SPA)을 이용하여 각 관측 시각의 겉보기 태양천정각(apparent zenith)을 계산하였다. SVF 공간해상도 5 m의 수치표고모델(Digital Elevation Method, DEM)을 기반으로 SAGA (System for Automated Geoscientific Analyses) GIS 알고리즘을 적용하여 산출하였으며, 이후 도로 중심선에 투영하여 각 위치의 SVF 값을 추출하였다. 교량 및 터널 정보는 도로구조물 GIS 자료를 이용하여 도로 중심선과의 교차 여부를 판별한 뒤, 해당 위치에 bridge, tunnel 이진 플래그를 부여하는 방식으로 구성하였다. 이와 함께 해발고도, 해안선으로부터의 거리, 도로 방향, 시각 관련 주기항(sin, cos) 등 정적 변수도 포함하였다. 이러한 파생 변수들은 RWIS 및 차량기반 이동식 도로기상 관측값과 동일한 시각 및 위치에 대응하도록 시공간 보간을 통해 매칭한 후, 이후 예측 모형의 입력 변수로 사용하였다.
2.3 품질관리 및 누수-제로 평가 설계
자료 품질관리는 세계기상기구(World Meteorological Organization, WMO) 지침과 선행연구의 절차를 참고하여 물리 한계 검사, 단계(일관성) 검사, 정차 구간 제거를 중심으로 수행하였다. 노면온도, 기온, 상대습도, 마찰계수, 수막두께 등에 대해 변수별 허용 범위를 설정하고 이를 벗어나는 값은 결측으로 처리하였다. 또한 차량 속도가 일정 시간 이상 임계값 5 km/h 이하로 유지되는 경우 정차 또는 정체 구간으로 간주하여 분석에서 제외하였다.
시계열 예측에서 데이터 누수를 방지하기 위해 정보 누수를 배제한 자료 분할 및 평가 방식을 적용하였다. 이동식 관측 자료는 관측 시각 간격이 5분을 초과하거나 주행 방향(상행/하행)이 변경되는 지점을 기준으로 구분하였으며, 시간적으로 연속되고 물리적으로 동일한 방향으로 진행되는 구간을 하나의 run으로 정의하였다.
고정식 RWIS 관측, 차량기반 이동식 관측, GIS 기반 지형 및 구조물 변수는 시공간적으로 정합된 단일 자료셋으로 구성한 후, run을 단위로 학습(training), 검증(validation), 시험(test) 데이터를 분할하였다(Fig. 2). 이때 동일 run에 속하는 관측치는 하나의 집합에만 포함되도록 하여, 동일 주행 구간의 표본이 학습과 평가에 동시에 포함되는 상황을 배제하였다.
Fig. 2
Schematic Diagram of Input Data Configuration Integrating Observational Data and GIS-Based Variables with Run-Based Data Partitioning
또한 학습 구간과 평가 구간의 경계에는 예측시간 이상 길이의 완충 구간(purge window)을 설정하여, 학습 구간의 정보가 평가 구간의 입력에 영향을 미칠 수 있는 가능성을 차단하였다(Fig. 2). 예측 예측시간에 대한 타깃 노면온도는 동일 run 내에서 해당 시점이 실제로 존재하는 경우에만 정의하였으며, run 경계를 넘어서는 경우에는 라벨을 생성하지 않았다.
타깃 시점 이후의 노면온도와 같이 미래 시각에 의존하는 파생 변수는 사전에 저장하지 않고, 학습 및 추론 단계에서 필요 시점에 직접 계산하여 사용하였다. 한편 차량 관측 풍향과 풍속은 주행 및 차량 자체 영향으로 인해 신뢰성이 저하될 수 있다고 판단하여 입력 변수에서 제외하고, 고정식 RWIS에서 관측한 풍향과 풍속만을 모형 입력으로 사용하였다.
이러한 자료 구성과 분할 방식을 통해 시계열 및 공간 정보를 동시에 포함하는 자료에서도 미래 정보의 유입을 배제한 상태에서 예측 성능을 평가하였다.
2.4 하이브리드 예측모형(M1-Base-M2)
본 연구에서는 고정식 RWIS 기반 배경장(M1), 이를 지속성과 혼합한 Base, 이동식 관측을 이용한 잔차 보정(M2)으로 구성된 하이브리드 구조를 채택하였다. 이러한 M1-Base-M2 구조와 함께 run 단위 분할, 예측시간 이상 완충 구간 설정, 예측 대상 시점의 직접 계산(on-the-fly) 라벨 생성으로 이루어진 평가 절차를 Fig. 3에 나타내었다.
Fig. 3
Schematic Diagram of the Proposed Hybrid RST Prediction Framework and Leakage-Aware Evaluation Design
우선 각 RWIS 지점 j에서 H에 대해 노면온도 Tsfc,j(t+H)를, 일변화 주기항과 SZA를 포함한 하모닉 회귀식으로 근사하여 y ^ y ^
Base는 시각 t의 관측 노면온도 y(t)와 배경장 예측 y ^
여기서 α*(H)는 H별로 학습 데이터에서 RMSE를 최소화하는 혼합 계수로 추정하였다.
잔차보정 단계(M2)에서는 이동식 관측 노면온도 y(t+H)와 Base 예측값의 차이인 잔차은 Eq. (2)와 같이 (t+H)를 타깃으로 설정하였다.
입력 변수는 과거 L초 창에서의 Tsfc, Tair, RH, SZA, 속도 등 시계열 변수와, SVF, Alt, bridge/tunnel, coastal, SZA (t+H), time-of-day sin/cos 등 정적 계산 변수를 포함하였다.
딥러닝 구조로는 GRU (Gated Recurrent Unit) 및 TCN (Temporal Convolutional Network)를 적용하였으며, 각 모델의 하이퍼파라미터는 검증 데이터셋을 이용하여 간단한 탐색 범위 내에서 조정하였다. 최종 노면온도 예측값은 Eq. (3)과 같이 계산하였다.
2.5 평가 지표 및 통계 검정
모델 성능 평가는 지속성을 기준선으로 하여 수행하였다. 각 모형에 대해 시험 구간에서의 예측값 y ^
예측 성능 차이의 통계적 유의성을 평가하기 위해, 시계열 예측 모형 간 오차의 시간적 상관성을 고려할 수 있는 Diebold-Mariano (DM) 검정을 적용하였다. Base-지속성 및 Base-잔차보정(M2) 모형 쌍에 대해 제곱오차를 기준으로 예측시간별 DM 검정을 수행하였으며, 모든 검정은 유의수준 5%에서 이루어졌다.
3. 결 과
3.1 지속성 대비 Base 모형의 성능
H = 300, 600, 1,800 s에 대해 지속성과 Base 모형의 RMSE, MAE, Skill을 비교한 결과를 Table 1과 Fig. 4에 제시하였다. 모든 예측시간에서 Base 모형은 지속성에 비해 RMSE 기준으로 약 0.6-1.0% 수준의 소폭이지만 일관된 개선을 보였다. 반면, MAE는 두 모형 간 차이가 매우 작거나 일부 예측시간에서는 거의 동일한 수준으로 나타났다.
Table 1
RMSE, MAE, and Skill of Persistence and Base Models for Different Prediction Lead Times
| H (s) | RMSE (°C) | MAE (°C) | Skill | ||
|---|---|---|---|---|---|
| Persistence | Base | Persistence | Base | Base | |
| 300 | 1.276 | 1.264 | 0.916 | 0.922 | 0.01 |
| 600 | 1.409 | 1.395 | 1.111 | 1.116 | 0.01 |
| 1,800 | 1.891 | 1.854 | 1.578 | 1.574 | 0.02 |
Fig. 4
Skill Scores of the Persistence, Base, and GRU/TCN Residual-Correction Models Across Prediction Lead Times
특히 600 s와 1,800 s의 중 장기 예측 구간에서 Base 모형의 개선 폭이 상대적으로 크게 나타나, 하모닉 회귀와 SZA에 기반한 배경장이 계절 및 일변화와 일사 조건을 반영한 안정적인 대규모(저주파) 배경 추정값을 제공함을 확인할 수 있었다.
Diebold-Mariano 검정 결과, 일부 예측시간에서는 Base와 지속성 간 RMSE 차이가 유의수준 0.05에서 통계적으로 유의하게 나타났으나, 다른 예측시간에서는 유의수준 근처의 경계적인 값을 보였다. 따라서 Base 모형은, 모든 상황에서 지속성보다 성능이 크게 우수하다고 해석하기보다는, 개선 폭은 제한적이더라도 지속성 대비 일관된 안정성을 확보하는 모형으로 평가하는 것이 타당하다.
3.2 잔차보정(M2)의 예측 성능 분석
Base 모형에 GRU와 TCN 기반 잔차 보정을 추가한 M2 모형의 성능을 Table 2에 제시하였다. 단기 예측시간인 300 s에서는 Base + M2 모형이 Base 단독 대비 RMSE와 MAE를 추가로 감소시키고 Skill도 향상되는 경향을 보였다. 이는 이동식 관측을 통해 포착되는 교량 및 터널 구간, 노면 상태 변화 등 상대적으로 빠르게 변하는 정보를 활용하여, Base 모형이 설명하지 못한 잔차를 일정 부분 보정할 수 있음을 시사한다.
Table 2
RMSE, Skill, and Diebold-Mariano Test Results of the Base and GRU/TCN Residual-Correction Models by Prediction Lead Time
반면 600 s와 1,800 s에서는 M2 모형의 평균오차 개선 폭이 줄어들거나 Base와 거의 비슷한 수준에 머무르는 경우가 있었고, 일부 실험에서는 RMSE는 유사하더라도 잔차 분산과 극단오차(꼬리 구간의 큰 오차)가 증가하는 양상이 관찰되었다. 특히 1,800 s 예측시간에서는 Base + M2 모형이 일부 사례에서 Base보다 더 큰 극단오차를 나타냈으며, Diebold-Mariano (DM) 검정에서도 Base 대비 명확한 성능 우위를 보이지 않는 경우가 다수였다. 이러한 결과는 자기회귀 구조를 갖는 딥러닝 기반 잔차 보정 모형이 예측시간이 길어질수록 누적 오차와 외삽에 취약해질 수 있음을 보여준다.
3.3 구조물 및 지형 조건별 오차 특성
교량, 본선, 터널 구간으로 구분하여 RMSE를 비교한 결과(Table 3, Fig. 5), 터널 구간에서 예측 오차가 가장 크게 나타났으며, Base와 Base + M2 모두 터널 진입 및 이탈 구간에서 오차가 급격히 변하는 패턴을 보였다. 이는 터널 내부와 출입구에서 복사 환경과 환기 조건이 빠르게 변해 고정식과 이동식 관측 모두 실제 노면 열수지 변화를 충분히 포착하기 어렵고, 배경장과 잔차 보정 모형이 이를 외삽하는 데 한계가 있음을 나타낸다.
Table 3
RMSE of Persistence and Base Models by Structure Type (Mainline, Bridge, Tunnel) and Prediction Lead Time
Fig. 5
RMSE of Persistence and Base Models by Structure Type (Open Road, Bridge, Tunnel) for Prediction Lead Times of 300 s (Left), 600 s (Center), and 1,800 s (Right)
SVF를 분위(하, 중, 상)로 구분하여 오차를 비교한 결과, SVF가 높은 구간(하늘 노출이 큰 구간)에서 RMSE가 낮게 나타나는 경향이 확인되었다. 이는 하늘 노출이 큰 구간일수록 태양복사와 장파복사에 따른 노면온도 변화가 SZA, 기온, 노면온도 이력 등의 변수로 상대적으로 잘 설명될 수 있다(Fig. 6).
Fig. 6
RMSE of Persistence and Base Models by SVF Class (Low, Mid, High) for Prediction Lead Times of 300 s (Left), 600 s (Center), and 1,800 s (Right)
해안(coastal)과 내륙(inland) 구간을 구분한 결과, 해안 구간에서 Base 모형의 RMSE가 내륙 구간보다 낮게 나타나는 경향이 나타났다(Fig. 7). 이는 해안 구간에서 해수와 대기의 혼합 효과로 기상 조건이 비교적 균질하게 유지되는 반면, 내륙 구간에서는 지형 기복과 차폐 조건에 따라 미기상 변동성이 더 크게 나타나기 때문으로 판단된다.
Fig. 7
Example of a One-Dimensional Thermal Map and Freezing-Risk Mask along the Seohaean Expressway
한편, 이러한 구조물과 지형 조건에 따른 오차 특성은 평균적인 성능 지표뿐 아니라 도로 선형을 따라 연속적으로 나타나는 공간 패턴에서도 확인된다. Fig. 8은 화성휴게소를 기준으로 목포 방향 약 25 km 구간에서 관측 노면온도와 예측값을 누적 거리 기준으로 비교한 결과를 나타낸 것이다. 해당 구간은 교량이 포함되어 있으며, 해안 영향과 내륙 조건이 전이되는 특성을 동시에 갖는 구간이다.
Fig. 8
Observed and Predicted Road Surface Temperature as a Function of Cumulative Distance: (a) 300 s, (b) 600 s, and (c) 1,800 s
교량 구간에서는 국지적인 노면온도 저하와 함께 예측 오차가 상대적으로 크게 나타났으며, 예측 시간이 증가할수록 이러한 편차가 더욱 뚜렷해지는 경향을 보였다. 이는 구조물과 지형 조건이 노면온도의 공간적 분포뿐 아니라 예측 불확실성에도 영향을 미치며, 이러한 영향이 도로 선형을 따라 연속적으로 누적됨을 보여준다.
4. 모형 성능 평가와 해석
본 연구에서 제안한 M1-Base-M2 하이브리드 구조는 고정식 RWIS 기반 배경장과 이동식 도로기상 관측을 결합하여 노면온도의 저주파 성분과 고주파 성분을 분리해 모형화하려는 시도이다. 하모닉 회귀와 SZA를 포함한 M1 배경장은 일변화와 계절, 일사 조건을 반영한 비교적 안정적인 저주파 배경장을 제공하며, 이를 지속성 예측과 가중 혼합한 Base 모형은 모든 예측시간에서 지속성 대비 RMSE 기준 약 0.6-1.0% 수준이지만 일관된 개선을 보였다. 특히 10-30분 수준의 중 장기 예측에서 Base 모형의 개선도가 상대적으로 크게 나타나, 물리적으로 해석 가능한 배경장을 기반으로 한 예측이 단기뿐만 아니라 중 장기 예측 구간에서도 의미 있는 역할을 할 수 있음을 보여준다.
잔차 보정 단계의 딥러닝 모형은 단기(300 s) 예측에서 Base가 설명하지 못하는 국지적 변동을 일부 보정하여 평균오차를 줄이는 효과를 보였으나, 예측시간이 길어질수록 잔차 분산과 극단오차가 증가하는 한계를 나타냈다. 이는 자기회귀 구조를 갖는 시계열 딥러닝 모형이 예측 간격이 길어질수록 누적 오차와 외삽에 취약해지는 일반적인 특성과 일치한다. 따라서 단기 예측에서는 잔차 보정 모형을 결합하는 것이 유의미하지만, 중 장기 예측에서는 물리적으로 해석 가능한 Base 모형을 중심에 두고 딥러닝 보정은 보조적으로 활용하는 것이 바람직한 운용 전략으로 판단된다.
데이터 누수 측면에서 본 연구는 연속 주행 구간(run)을 단위로 한 데이터 분할, 예측시간 이상 길이의 완충 구간(purge window) 설정, 예측 대상 값의 사전 저장 금지, 미래 관측값과 그 기반 파생변수의 입력 배제 등 구체적인 규약을 명시하여, 시계열과 공간 정보를 동시에 포함하는 자료에서 자주 발생하는 정보 누수 가능성을 구조적으로 줄이고자 하였다. 이러한 설계는 일부 선행연구에 비해 수치상 모델 성능이 낮아 보일 수 있으나, 실제 운용 환경에서 기대 가능한 수준을 보다 현실적으로 반영한다는 점에서 의미가 있다. 특히 동일 run 내 자료를 학습과 평가에 동시에 사용하는 방식이나, 미래 시점의 기상 및 노면 변수를 입력에 활용하는 방식은 RMSE를 비현실적으로 낮추는 대신 실제 예측 성능과 운영 가능성을 왜곡할 수 있음을 지적한다.
구조물과 지형 조건별 분석 결과는 향후 모형 개선 방향을 제시한다. 터널 구간에서의 오차 증가는 단순한 시계열 및 지형 변수만으로는 복잡한 환기, 조명, 차량열 환경을 설명하기 어렵다는 점을 보여주며, 터널 전용 모형이나 추가 관측 및 설명변수의 도입이 필요하다. SVF와 관련된 오차 차이는 차폐와 음영 효과를 보다 정밀하게 반영하기 위한 고해상도 지형 및 토지피복 정보의 필요성을 나타낸다. 해안과 내륙 구간 간 성능 차이는 배경장 설계에서 해양 영향과 해풍 등 대규모 기상 패턴을 고려한 추가 항을 도입할 수 있음을 시사하며, 이는 향후 배경장 모형 개선의 한 방향으로 활용될 수 있다.
5. 결 론
본 연구는 서해안고속도로 약 330 km 구간에서 수집된 RWIS, 이동식 도로기상 관측 및 지형과 구조물 정보를 통합하여, 정보 누수를 최대한 배제한 하이브리드 노면온도 예측모형을 제안하고 그 성능과 한계를 평가하였다.
하모닉 회귀와 SZA를 이용해 구축한 M1에 지속성 예측을 가중 혼합한 Base 모형은, H = 300-1,800 s 전 구간에서 지속성 대비 RMSE 기준 약 0.6-1.0% 수준으로 크지는 않지만 일관된 개선을 보였다. 특히 600 s와 1,800 s의 중 장기 예측 구간에서 Base 모형의 RMSE 개선 폭이 상대적으로 크게 나타나, 물리적으로 해석 가능한 배경장을 기반으로 한 예측이 단기뿐만 아니라 10-30분 수준의 예측에도 일정한 기여를 할 수 있음을 보여준다.
이동식 관측과 시계열 및 지형 변수를 이용한 M2는 단기(300 s) 예측에서 Base 모형이 설명하지 못한 국지적 변동을 일부 보정하여 평균오차를 추가로 줄이는 효과를 보였다. 그러나 예측시간이 1,800 s까지 길어지면 잔차 분산과 극단오차가 증가하고, 일부 경우에는 Base와 유사한 RMSE를 보이면서도 큰 오차의 빈도가 늘어나는 경향이 확인되었다. 이는 자기회귀 구조를 갖는 시계열 딥러닝 기반 잔차 보정 모형이 예측 간격이 길어질수록 누적 오차와 외삽에 취약해질 수 있다는 기존 연구의 결과와도 일치한다. 이러한 분석을 종합하면, 단기 예측에서는 잔차 보정 모형을 결합하는 것이 유효하지만, 중 장기 예측에서는 물리 기반 배경장을 중심에 두고 딥러닝 보정을 보조적으로 활용하는 구성이 상대적으로 안정적인 결과를 보였다.
교량과 터널, SVF 수준, 해안 여부 등 지형 및 구조물 조건에 따른 분석에서는 터널 구간에서 예측 오차가 가장 크게 나타났고, SVF가 큰 구간(하늘 노출이 큰 구간)에서는 RMSE가 상대적으로 낮게 나타났다. 해안 구간에서는 Base 모형의 RMSE가 내륙 구간보다 소폭 작고, 이 차이가 여러 예측시간에서 반복적으로 나타났다. 이는 터널 환경의 급격한 복사, 환기 변화, 해안과 내륙 간의 기상 조건 차이, SVF에 따른 차폐와 음영 효과가 모두 예측 성능에 영향을 미치며, 배경장과 잔차 보정 모형이 이를 완전히 설명하지 못하고 있음을 의미한다. 따라서 터널 구간에 대해서는 환기, 조명, 차량열 등을 설명할 수 있는 추가 변수나 전용 모형을 도입할 필요가 있으며, SVF와 관련된 결과는 차폐와 음영 효과를 보다 정밀하게 반영하기 위한 고해상도 지형 및 토지피복 정보의 활용 가능성을 시사한다.
데이터 누수와 관련하여, 본 연구에서는 연속 주행 구간(run)을 단위로 한 학습, 검증, 시험 데이터 분할, 예측 시간 이상 길이의 완충 구간(purge window) 설정, 예측 대상 값 및 미래 시각에 의존하는 변수의 사전 활용 배제 등 구체적인 설계를 명시하였다. 이러한 절차를 통해 시계열과 공간 정보를 동시에 사용하는 노면온도 예측에서 발생할 수 있는 정보 누수 가능성을 구조적으로 최소화하고자 하였다. 본 연구의 평가 결과는 일부 선행연구에 비해 RMSE가 상대적으로 낮지 않게 나타날 수 있으나, 이는 실제 운용 환경에서 이용 가능한 정보만을 활용한 조건에서 예측 성능을 보다 현실적으로 반영한 결과라는 점에서 의의가 있다.
향후에는 노선과 계절, 지형 조건이 다른 구간으로 자료를 확장하고, 본 연구에서 제시한 하이브리드 모형과 정보 누수 배제 평가 절차를 기반으로 Transformer 계열 모형이나 그래프 신경망(GNN) 기반 모형을 적용하여 장기 예측의 안정성을 개선하는 방안을 검토할 필요가 있다. 또한 분위수 예측과 CRPS 최소화와 같은 확률 예측 기법을 도입해 결빙 위험지도를 작성하고, 이를 도로 제설, 제빙 및 속도 관리와 같은 운영 의사결정에 연계한다면, 겨울철 도로 안전 확보를 위한 노면온도 예측 체계를 고도화하는 데 기여할 수 있을 것이다.
PDF Links
PubReader
ePub Link
Full text via DOI
Download Citation
Print
