빠른 태양풍 조건을 정확하게 예측하는 것은 불확실성이 크고 기존의 단일값 예측 모델로는 이를 정량화할 수 없기 때문에 어려운 과제입니다. 특히 기술적 인프라에 피해를 줄 수 있는 고속 태양풍 스트림(HSS)의 위험은 확률론적 예측 없이는 신뢰성 있게 평가될 수 없습니다. 본 연구에서는 4일의 리드 타임으로 지구에서의 시간별 태양풍 속도(SWS)를 예측하는 확률론적 머신러닝 모델인 PROSWIN을 제시합니다. 이 접근 방식은 심층 신경망(deep neural network)과 분포 회귀(distributional regression) 알고리즘을 결합하여 태양 영상과 자기장 지도(magnetogram)를 통합합니다. 표준 오차 지표는 HSS 피크의 중요성을 과소평가하므로, 타임라인과 HSS 피크 정확도를 함께 보상하는 모델 선택 지표인 예측 점수(prediction score)를 추가로 도입합니다. 14년간의 데이터에서 본 연구의 예측은 매우 잘 보정된 불확실성(평균 편차 <1%)을 달성합니다. 분포 정확도를 평가하는 지표인 연속 순위 확률 점수(CRPS)를 사용하여 타임라인 CRPS 41.0 km/s, HSS 피크 CRPS 45.3 km/s, 예측 점수 42.3 km/s를 얻었습니다. 또한 171 Å 채널이 일반적으로 사용되는 193 Å 및 211 Å 채널에 중요한 보완 요소가 되며, 모델 선택을 위한 예측 점수가 모델의 적용 가능성을 향상시킨다는 점을 확인했습니다. 기존 문헌에서 선정된 모델들과 비교했을 때, 본 모델은 둘 중 하나를 희생하지 않고 타임라인과 HSS 피크 값 모두에서 정확한 유일한 모델입니다. 이러한 결과는 단일값 태양풍 모델 대비 확률론적 모델의 이점을 뒷받침합니다. 도입된 방법론은 다른 예측 문제에도 전이 가능합니다.
샘플 기반 생성 모델은 위험도가 높은 의사결정 환경에서 확률적 예측(probabilistic forecasting)을 위해 점점 더 많이 활용되고 있지만, 기존의 학습 목표는 의사결정자의 비용 구조를 고려하지 못합니다. 이러한 모델들은 일반적으로 에너지 점수(energy score)와 같이 엄격한 적정 점수 규칙(strictly proper scoring rules)으로 학습되며, 이는 하류(downstream) 의사결정에서 예측 오차로 인해 가장 큰 비용이 발생하는 지점을 인지하지 못한 채 데이터 밀도에 비례하여 학습 신호를 할당합니다. 이에 따라 본 논문에서는 에너지 점수 목표에 모델의 예측을 기반으로 행동할 때 발생하는 비용에 직접 페널티를 부여하는 미분 가능한 의사결정 손실을 보강한, 샘플 기반 생성 모델을 위한 의사결정 인지 학습(decision-aware training)을 제안합니다. 이 의사결정 손실 자체가 적정 점수 규칙이므로 결합된 손실은 이론적으로 타당합니다. 본 방법은 미분 가능한 최적화 층을 통해 의사결정 손실을 계산하며, 해당 그래디언트는 출력 공간에서 비용에 민감한 영역에 집중되므로 비용 구조로부터 방법의 효과를 해석하고 예측할 수 있습니다. 합성 데이터 태스크 하나와 실제 환경 태스크 두 가지를 통해 본 방법을 검증하였습니다. 합성 태스크에서 본 방법은 학습된 바이모달(bimodal) 분포의 모드 가중치를 보정하고, 풍력 발전 급전 태스크에서는 드물지만 큰 비용이 발생하는 꼬리(tail) 영역에 개선을 집중시키며, 서리 방지 태스크에서는 의사결정 비용이 얼마나 잘 예측되는지를 개선합니다. 본 연구의 방법은 완전한 확률적 예측을 유지하면서도 의사결정자의 특정 비용 구조에 더 잘 정렬(alignment)된 생성 모델을 산출합니다.
교통 상황은 변화합니다. 즉, 배포 수명 주기 동안 수요 패턴, 사고 역학 및 센서 동작이 이동하므로, 학습(training) 시 한 번 적합되고 정적으로 유지된 결합 불확실성 추정치는 조건이 바뀜에 따라 오보정(miscalibrate)됩니다. 본 논문에서는 재학습이 아닌 닫힌 형식의 업데이트(closed-form update)를 통해 테스트 시점에 예측 모델(forecaster)의 결합 예측 불확실성을 최신 상태로 유지하는 잔차 공분산 모델인 TEGER를 제시합니다. 고정된 센서 그래프는 어떤 센서의 오류가 함께 움직이는지를 인코딩하는 저차원 공간 정밀도(precision) 인자를 제공합니다. 추론(inference) 시, 가우시안 조건화(Gaussian conditioning)는 가장 최근에 관측된 잔차만을 기반으로 다음 예측의 평균과 공분산을 보정하며, 지수 이동 평균 변동성 항은 학습된 상관 구조를 보존하면서 국소적 변화(local drift)를 추적하도록 한계 불확실성의 크기를 재조정합니다. 두 업데이트 모두 예측 백본의 가중치를 건드리지 않으므로, 동일한 메커니즘을 동결된 시계열 파운데이션 모델에 결합할 수 있습니다. 즉, 그래디언트(gradient)가 모델을 통과하지 않으면서도 거의 무시할 수 있는 추가 비용으로 정적 점 예측을 지속적으로 갱신되는 상관된 불확실성을 가진 예측으로 변환합니다. 4개의 교통 데이터셋에서 고정 그래프 공분산은 백본 및 데이터셋의 다양한 구성 전반에 걸쳐 시간 전용 기준선(baseline) 대비 60분 $CRPS_{sum}$을 개선합니다. 동결된 시계열 파운데이션 모델인 Chronos에 사후(post hoc) 적용했을 때, 동일한 테스트 시점 보정은 파운데이션 모델 미세조정(fine-tuning) 없이도 $CRPS_{sum}$을 0.1798에서 0.1736으로 감소시킵니다. 이러한 결과는 학습 시 한 번 고정되는 공분산보다 닫힌 형식의 테스트 시점 잔차 보정을 뒷받침합니다.
간헐적 시계열(intermittent time series)은 예비 부품 수요나 소매 판매에서 흔히 발생합니다. 예측 오차의 비용이 일반적으로 비대칭적이므로, 재고 관리와 같은 의사결정에는 점 예측(point forecast)보다는 완전한 예측 분포가 필요합니다. 다양한 확률론적 예측 기법이 제안되었지만, 그 구현체들이 서로 다른 소프트웨어 프레임워크에 흩어져 있어 체계적으로 비교하기 어려웠습니다. 본 논문에서는 fable 프레임워크 내에서 간헐적 시계열을 위한 여러 확률론적 예측 기법을 구현한 R 패키지 fable.intermittent를 소개합니다. 이 패키지를 사용하면 단일하고 단순한 예측 파이프라인을 통해 일련의 시계열에 대해 여러 모델을 적합(fit)하고 평가할 수 있습니다. 또한 트위디(Tweedie) 예측 분포를 사용하는 새로운 지수 평활 모델인 TWEES를 소개합니다. TWEES를 적합하려면 계산 비용이 큰 트위디 밀도를 반복적으로 평가해야 합니다. 이에 따라 동일한 수치적 정확도를 유지하면서도 기존 구현체보다 실질적으로 훨씬 빠른 트위디 분포 구현체인 R 패키지 tweedieDistr도 함께 공개합니다. 마지막으로 패키지에 함께 포함되어 공개된 4개의 데이터셋에서 fable.intermittent에 구현된 기법들을 평가합니다.
전염병의 시공간적 확률 예측을 위해 사전 가산 잡음(pre-additive noise) 메커니즘과 에너지 스코어 최적화를 결합한 경량 심층 생성 프레임워크 MVEN, GCEN, STEN을 제안하며, 이 모델들은 불확실성을 내생적으로 정량화하여 별도의 보정 없이 예측 구간을 생성한다. 6개 역학 데이터셋에 걸친 평가에서 기존 시공간 벤치마크 대비 점 예측과 확률적 예측 모두에서 우수한 성능을 보였으며, 시공간 엔그레션 과정의 기하학적 에르고딕성과 점근적 정상성에 대한 이론적 보장도 확립하였다.
저압(low-voltage) 배전망의 단기 순부하(net load) 예측에 시계열 파운데이션 모델(TSFM)인 Chronos-Bolt, Chronos-2, TabPFN-TS를 적용하고 6개의 기준 모델과 비교 평가한 연구로, 특히 Chronos-2가 우수한 성능을 보였다. 퓨즈 특성 곡선에서 착안한 새로운 응용 지향 지표(application-oriented metric)를 제안하여 피크 부하 예측 능력을 배전 자산 계획의 비용-위험 트레이드오프와 연결한 점이 핵심 기여다.
시공간 래스터 데이터의 확률적 예측을 위해 spatio-temporal Ornstein-Uhlenbeck 과정의 인과 구조를 학습 및 추론에 통합하는 MMAF 기반 일반화 베이지안 방법론을 제안한다. 가우시안 분포 가중치를 가진 확률적 순전파 신경망 앙상블에 PAC Bayesian 최적화를 적용한 결과, 얕은 피드포워드 아키텍처가 ConvLSTM, ConvGRU, DiffSTG 등 심층 생성 모델과 동등하거나 더 우수한 보정된 앙상블 예측을 낮은 학습 비용으로 달성함을 합성 및 실제 데이터로 검증하였다.
Freeciv 게임 롤아웃을 기반으로 결과를 즉시 확정할 수 있는 시뮬레이션 예측 벤치마크 ForecastBench-Sim을 제안해, 현실 세계 벤치마크의 느린 해결·희귀 사건·반사실 채점 한계를 보완한다. 예측자는 구조화된 월드 리포트로 숨겨진 미래 상태를 예측하고 시뮬레이션을 이어 Brier·CRPS로 채점하며, 임의 시간 지평의 연속·이진 질문과 개입 세계를 생성할 수 있고 모델·인간 파일럿 검증에서 ForecastBench와의 순위 상관과 지평이 길수록 난이도가 커지는 구조를 확인했다.
대규모 전력 시스템의 물리적 제약 조건을 평가하기 위해 36,000개 이상의 채널을 포함하는 PowerPhase 벤치마크를 제안하고 안전성-충실도(safety-fidelity) 트레이드오프를 분석합니다. 또한 유형별 디코딩 헤드와 인과적 브리지를 활용하는 시나리오 기반 정량 예측 모델인 PowerForge를 제시하여 모든 그리드에서 최고의 평균 순위를 달성했습니다.
영값(zero)을 포함하는 간헐적 시계열 예측은 공급망에서 안전 재고 수준 설정을 위한 확률적 예측이 필요하기 때문에 중요한 과제입니다. 간헐적 시계열은 일반적으로 각 시계열에 개별적으로 학습된 로컬 모델로 예측합니다. 최근 몇 년간 대규모 시계열 컬렉션으로 학습된 글로벌 모델이 시계열 예측에서 인기를 얻고 있습니다. 글로벌 모델은 주로 신경망(neural network) 또는 그래디언트(gradient) 부스팅 트리를 기반으로 합니다. 본 연구에서는 간헐적 시계열에 대해 최신 확률적 로컬 모델과 글로벌 모델을 비교하는 최초의 연구를 수행합니다. 글로벌 모델에 대해서는 간헐적 시계열에 적합한 세 가지 분포 헤드(distribution head)를 고려합니다: 음이항 분포(negative binomial), 허들-이동 음이항 분포(hurdle-shifted negative binomial), 그리고 트위디 분포(Tweedie). 저희가 아는 한, 후자 두 분포를 신경망에 적용한 것은 이번이 처음입니다. 총 40,000개 이상의 실제 시계열로 구성된 다섯 개의 데이터셋에서 실험을 수행하였습니다. 글로벌 모델 중에서는 단순한 신경망 아키텍처인 TiDE가 가장 높은 정확도를 달성하였으며, 로컬 모델보다 일관되게 우수한 성능을 보이면서도 더 낮은 계산 비용을 요구합니다. 반면 대형 글로벌 모델은 계산 비용이 훨씬 높고 정확도는 더 낮습니다. 분포 헤드 중에서는 트위디 분포가 상위 분위수(quantile) 추정에서 가장 우수한 결과를 제공합니다.