시공간 도로기상자료 기반 미계측 노면온도 예측모형 개발
Development of a Road Surface Temperature Prediction Model using Spatiotemporal Road Weather Data
- 주제(키워드) 도움말 노면온도 , 시공간 도로기상자료 , 이동관측 , 하이브리드 예측모형
- 발행기관 국립강릉원주대학교 일반대학원
- 지도교수 도움말 박상덕
- 발행년도 2025
- 학위수여년월 2026. 2
- 학위명 박사
- 학과 및 전공 도움말 일반대학원 토목공학과
- 실제URI http://www.dcollection.net/handler/kangnung/000000012387
- UCI I804:42001-000000012387
- 본문언어 한국어
초록/요약 도움말
본 연구는 고정식 도로기상관측망과 차량 기반 이동식 관측에서 획득한 시공간 자료를 통합하여, 관측소가 설치되지 않은 구간의 노면온도를 예측하기 위한 하이브리드 예측 모형을 구성하고 그 성능을 평가하는 것을 목적으로 한다. 대상 구간은 서해안고속도로 약 330km이며, 고정식 관측망에서 수집된 1분 자료와 이동식 관측에서 수집된 1초 자료를 활용하였다. 또한 SVF, 교량과 터널 여부, 도로 기하 특성, SZA 등 지형 및 구조물 관련 변수를 함께 고려하여 분석용 자료를 구축하였다. 자료 구축 단계에서는 관측 전 교정값을 반영하고 결측값 검사, 물리적 한계 검사, 단계 검사를 포함한 품질관리를 수행하였다. 이동식 관측 자료는 주행 중 정차 또는 저속 구간을 제거하였으며, 시간 동기화와 주행 단위(run) 분할을 통해 시계열의 연속성을 확보하였다. 학습과 검증 단계에서는 시간 순서를 유지한 run 분할 방식과 예측시간에 비례한 경계 완충 구간을 적용하여, 미래 정보가 학습 과정에 포함되는 정보 누수 가능성을 최소화하였다. 예측 모형은 일변화 양상 산정과 잔차 보정의 두 단계로 구성하였다. 먼저 고정식 관측소의 노면온도 시계열에 일주기 하모닉 회귀와 SZA 항을 적용하여 노면온도의 일변화 양상을 산정하였다. 이후 고정식 관측소와 도로 축 사이의 거리를 고려한 제한적 최근접 역거리 가중 보간과 이동평균을 적용하여, 일변화 양상을 도로 축 전 구간으로 확장하였다. 이 일변화 양상은 구조물이나 지형 효과가 반영되기 이전의 시간 기반 기본 특성으로 활용되었다. 다음으로 일변화 양상과 지속성(persistence) 예측을 예측시간별 가중계수로 혼합한 기본예측(base)을 정의하였다. 잔차보정모형은 base과 실제 관측값의 차이를 목표 변수로 설정하였다. 정적 보정 모형은 Sky View Factor, 고도, 해안으로부터의 거리, 교량과 터널 여부 등 위치 기반 변수를 입력으로 사용하여 평균적인 편차를 보정하도록 설계하였다. 일부 구간에서는 편향 감소 경향이 관찰되었으나, 전체 예측시간에서 base 대비 RMSE 및 Skill 지표의 뚜렷한 개선은 확인되지 않았다. 동적 보정 모형은 과거 120초 길이의 시계열 자료를 입력으로 하여 GRU 및 TCN 구조를 적용하였다. 동적 보정 모형은 단기 및 중기 예측시간에서 base 대비 RMSE 감소 경향을 보였으며, 장기 예측시간에서는 persistence과 base 대비 더 낮은 RMSE와 양의 Skill 값을 나타냈다. Diebold–Mariano 검정 결과, 다수의 예측시간에서 동적 보정 모형과 base 간의 예측 성능 차이가 통계적으로 유의하게 나타났다. 정보 누수를 배제한 검증 체계에서 산출된 결과를 종합하면, base은 모든 예측시간에서 persistence과 유사한 수준의 RMSE를 보여 시간 기반 기준 예측으로서 안정적인 특성을 보였다. 동적 보정 모형은 예측시간에 따라 성능 개선 정도가 상이하게 나타났으며, 특히 장기 예측시간에서 persistence 대비 양의 Skill이 확인되었다. 잔차 분포 분석 결과 중심부는 정규분포에 근접하였으나, 예측시간이 증가할수록 양쪽 꼬리에서의 이탈이 커지는 경향이 나타났다. 이는 장기 예측에서 극한 오차 발생 가능성을 함께 고려할 필요가 있음을 시사한다. 본 연구는 고정식 및 이동식 도로기상 관측 자료를 결합한 시공간 자료를 기반으로, 일변화 양상과 잔차 보정을 단계적으로 결합한 노면온도 예측 구조를 제시하고, 정보 누수를 배제한 검증 체계에서 그 성능을 정량적으로 평가하였다. 제안된 접근법은 관측소가 설치되지 않은 구간의 노면온도 분포를 추정하고 결빙 취약 구간을 파악하는 데 활용 될 수 있다. 향후 불확실성 정량화와 확률적 예측 기법을 도입하고 다양한 도로노선과 계절 조건으로 확장하여 모형의 적용성을 평가하고자 한다.
more목차 도움말
제 1 장 서론 1
1.1 연구배경 1
1.2 연구목적 및 방법 3
1.3 연구범위 5
1.4 논문구성 8
제 2 장 이론적 배경 및 선행연구 10
2.1 도로기상 관측 방식 10
2.2 노면온도 물리과정 12
2.2.1 지표면 열수지 13
2.2.2 지형 및 기하구조 영향 16
2.3 노면온도 예측 선행연구 18
2.3.1 물리 및 통계 모형 18
2.3.2 데이터 기반 모형 20
2.3.3 선행연구 시사점 22
제 3 장 인공지능 예측모형 24
3.1 기계학습 예측 모형 24
3.2 딥러닝 예측 모형 개요 25
3.2.1 신경망 기반 모델링 25
3.2.2 딥러닝 구조의 특징 26
3.3 검증 체계의 구성 27
3.4 하이브리드 예측 구조 28
3.5 소결론 29
제 4 장 자료구축 및 변수설정 31
4.1 관측 개요 31
4.1.1 관측 구간 31
4.1.2 관측 운영 방식 32
4.2 관측자료의 특성 34
4.2.1 고정식 자료 34
4.2.2 이동식 자료 36
4.3 자료 구축 및 변수구성 38
4.3.1 위치 기반 변수 38
4.3.2 도로 기하 및 복사 변수 41
4.4 전처리 및 품질관리 45
4.4.1 품질관리 및 이상값 처리 45
4.4.2 시공간 자료 동기화 47
4.4.3 학습 및 검증용 자료 구성 49
4.5 소결론 55
제 5 장 하이브리드 노면온도 예측 모형 57
5.1 모형개요 57
5.2 일변화 양상 모형 60
5.2.1 일주기 회귀 모형 60
5.2.2 도로 공간 보정 63
5.3 잔차보정모형 65
5.3.1 정적 보정(기계학습) 66
5.3.2 동적 보정(딥러닝) 68
5.4 단계별 결합 절차 70
5.4.1 단계별 예측 구조 70
5.4.2 최종 예측 산정 71
5.5 소결론 72
제 6 장 모형 성능 평가 및 분석 73
6.1 평가 구성 73
6.1.1 모형 설정 73
6.1.2 평가 지표 74
6.2 예측 성능 평가 76
6.2.1 일변화 양상 모형 성능 76
6.2.2 잔차보정모형 성능 80
6.3 조건별 성능 분석 91
6.3.1 지형 조건별 평가 91
6.3.2 구조물 조건별 평가 96
6.4 노면온도 분포도 99
6.5 소결론 103
제 7 장 결론 105
7.1 연구 요약 및 결과 105
7.2 한계 및 고찰 107
7.3 향후 연구 방향 109
참 고 문 헌 111
