Teger: 확률론적 교통 예측을 위한 시공간 공분산
Teger: Spatiotemporal Covariance for Probabilistic Traffic Forecasting
한국어 초록
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.
원문 초록
Traffic conditions drift -- demand patterns, incident dynamics, and sensor behavior shift over a deployment's lifetime -- so a joint uncertainty estimate fit once at training time and left static will miscalibrate as conditions change. We present TEGER, a residual covariance model that keeps a forecaster's joint predictive uncertainty current at test time through closed-form updates, not retraining. A fixed sensor graph supplies a low-dimensional spatial precision factor encoding which sensors' errors move together; at inference, Gaussian conditioning corrects The next forecast's mean and covariance from only the most recently observed residuals, and an exponential moving-average volatility term rescales marginal uncertainty to track local drift while preserving the learned correlation structure. Neither update touches the forecasting backbone's weights, so the same mechanism attaches to a frozen time-series foundation model: no gradient passes through it, turning a static point forecast into one with continually refreshed, correlated uncertainty at negligible added cost. In four traffic datasets, the fixed-graph covariance improves 60-minute $CRPS_{sum}$ over a temporal-only baseline in different configurations of the backbone and datasets. Applied post hoc to a frozen time-series foundation model, Chronos, the same test-time correction reduces $CRPS_{sum}$ from 0.1798 to 0.1736 without foundation-model fine-tuning. These results support closed-form test-time residual correction, rather than a covariance fixed once at training time.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
PROSWIN: 태양 영상을 이용한 심층 분포 회귀 기반의 확률론적 태양풍 속도 예측
PROSWIN: Probabilistic Solar Wind Speed Forecasting Using Deep Distributional Regression From Solar Images
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.
박판 구형 셸 캡의 강건한 노크다운 팩터 예측 및 신뢰도 기반 설계를 위한 하이브리드 가우스 과정-Extreme Gradient Boosting 머신러닝 프레임워크
A Hybrid Gaussian Process-Extreme Gradient Boosting Machine Learning Framework for Robust Knockdown Factor Prediction and Reliability-Based Design of Thin Spherical Shell Caps
실험을 통해 선형화된 고유좌굴(eigen-buckling) 해석으로 예측된 임계 하중보다 실제 임계 하중이 크게 감소하는 것으로 나타남에 따라, 탄성 좌굴은 깊은 구형 셸 캡(spherical shell cap) 설계에서 여전히 중요한 과제로 남아 있습니다. 이러한 불일치는 초기 기하학적 결함 때문인 것으로 여겨지며, 종종 무차원 매개변수(parameter)인 노크다운 팩터(knockdown factor, KDF)를 통해 보정됩니다. 그러나 기존의 KDF(NASA SP-8007, Eurocode 3)는 방대한 실험 데이터의 하한값을 나타내므로 지나치게 보수적입니다. 본 연구는 구형 셸 좌굴에 대한 실험 데이터로 학습된 머신러닝(ML) 회귀 모델(model)을 통해 구형 셸 캡에 대한 KDF의 보수성을 줄이는 것을 목표로 합니다. 본 논문에서는 가우스 과정 회귀(Gaussian Process Regression, GPR)와 Extreme Gradient Boosting(XGBoost)을 결합한 하이브리드 모델을 제안하며, 인공신경망(Artificial Neural Network, ANN), 서포트 벡터 회귀기(Support Vector Regressor, SVR), 랜덤 포레스트 회귀기(Random Forest Regressor, RFR), 히스토그램 기반 그래디언트(gradient) 부스팅(Histogram-based Gradient Boosting, HGBoost) 등 기존 ML 알고리즘 대비 향상된 성능을 입증합니다. 이러한 각 모델은 6개의 입력 특징(feature)과 단일 출력인 KDF를 사용합니다. 감도 분석을 통해 KDF에 영향을 미치는 가장 핵심적인 특징을 규명합니다. 마지막으로, 본 연구는 안전성을 일관되게 유지하면서도 덜 보수적인 KDF를 도출하기 위해 예측 ML 모델에 의존하는 신뢰도 기반 설계 프레임워크를 제시하며 마무리됩니다.
LightGBM을 활용한 지능형 국경 통제를 위한 다중 호라이즌(Multi-Horizon) 설명 가능 대기열 예측과 자원 인지형 의사결정 지원
Multi-Horizon Explainable Queue Forecasting and Resource-Aware Decision Support for Intelligent Border Control Using LightGBM
국경 통과 지점(border crossing point)은 교통 수요, 여행자 범주, 등록 상태, 검사 요건, 인력 배치, 차선 가용성이 여러 시간 척도에서 상호작용하는 확률적 서비스 시스템이다. 본 논문은 Light Gradient Boosting Machine(LightGBM) 모델을 기반으로 하는 구현 지향적인 다중 호라이즌(multi-horizon) 예측 및 의사결정 지원 아키텍처를 도입함으로써 기존의 멀티모달 대기열 관리 프레임워크를 확장한다. 단일 예측 블록과 달리, 제안된 접근법은 15분, 30분, 60분, 120분 예측을 위한 호라이즌별(horizon-specific) 회귀 모델(regressor)을 구성하고, 미래의 대기 시간(waiting time)과 대기열 길이(queue length)를 함께 추정한다. 이 모델들은 시간적으로 지연(lag)된 교통, 서비스, 밀도, 대기열 특징(feature)을 기반으로 작동하며, 운영층(operational layer)은 차선 호환성, 담당관 가용성, 저하될 수 있는 자원, 여행자 범주, 사전등록 정보, 인간 승인 제약을 반영한다. 분위수(quantile) LightGBM 모델은 대기 시간 예측에 대해 95% 예측 구간(prediction interval)을 제공한다. 예측을 넘어, 이 프레임워크는 국경 자원 관리 및 의사결정 지원 시스템에 적합한 기계 판독 가능한(machine-readable) 권고안, 경보, 종합 핵심성과지표(KPI), 신뢰도 정보, 통합 출력을 생성한다. 이 결과는 재현 가능한 합성 데이터 기준선(baseline)과, 실제 국경 통과 운영 데이터를 이용한 후속 검증(validation)을 위한 실용적 인터페이스를 수립한다.
조건부 플로우 매칭을 이용한 산불 규모의 확률적 예측
Probabilistic Forecasting of Wildfire Size Using Conditional Flow Matching
본 연구에서는 조건부 생성 알고리즘, 즉 플로우 매칭(flow matching)을 이용하여 산불 규모의 시간적 변화를 예측하는 확률적 모델을 제시한다. 공간적으로 해상도를 갖는 화재 진행을 예측하는 대신, 제안된 모델은 화재 면적의 시계열을 예측함으로써 계산 비용을 크게 줄이고 조기 경보 시스템 및 위험 평가 도구와 같은 후속 응용 프로그램과의 효율적인 통합을 가능하게 한다. 현재 및 이전 예측 시점의 화재 규모 추정치와 공간적으로 평균화된 기상 조건, 지형 특성, 연료 구성이 주어지면, 모델은 3시간 간격 동안의 화재 면적 변화를 예측한다. 학습 데이터는 WRF-SFIRE를 이용해 생성된 140개의 대기-산불 결합 시뮬레이션에서 추출되었으며, 북미 중규모(North American Mesoscale, NAM) 모델의 기상 데이터와 결합되었다. 민감도 분석은 모델이 풍속, 온도, 상대 습도의 변화에 대해 물리적으로 일관된 반응을 포착함을 보여준다. 모델 성능은 WRF-SFIRE의 기준 해(reference solution)와 비교하여 평가된다. 단일 스텝 예측의 경우, 모델은 WRF-SFIRE 기준 해에 대해 대칭 평균 절대 백분율 오차(symmetric mean absolute percentage error, sMAPE) 0.39를 달성한다. 24시간에 걸친 재귀적 다단계 예측은 12개의 홀드아웃(held-out) 테스트 사례에 대해 수행되었으며, 플로우 매칭 모델은 최종 화재 면적 sMAPE 0.39를 달성하면서도 예측 불확실성에 대한 유의미한 정량화를 추가로 제공한다.
반건조 지역의 사막화 예측: 심층 학습을 이용한 토지 황폐화 역학의 관측 가능성 한계 탐구
Desertification Forecasting in Semi-Arid Regions: Using Deep Learning to Probe the Observability Limits of Land Degradation Dynamics
사막화 예측은 그 지도화(mapping)에 비해 훨씬 적은 관심을 받아왔다. 본 연구는 브라질의 반건조 주(州)인 세아라(Ceará)를 대상으로, 약 2.2km 해상도의 256x206 그리드 상에서 2000-2023년의 10개 연간 지구관측(EO) 변수로 학습된 합성곱 LSTM(ConvLSTM)을 사용하여, MapBiomas 기반 황폐화 지수(IDV)의 연간 변화 중 얼마나 많은 부분이 위성 데이터로부터 예측 가능한지를 측정한다. 이 네트워크는 마지막으로 관측된 상태에 더해지는 한정된(bounded) 변화를 예측하며, 두 단계(단일 스텝, 이후 재귀적 롤아웃)로 학습되고, 연속된 공간 및 시간 홀드아웃에서 평가된다. 주 전체의 평균 IDV는 2000년 0.238에서 2023년 0.350으로 상승했으며, 이는 연간 약 0.005에 해당하지만, 셀 단위 변화는 연도별 급변(jump)이 지배적이며, 모든 채널을 입력받은 그래디언트 부스팅 모델도 그 분산의 4.7%만을 설명한다. 이러한 한계(ceiling)를 기준으로, ConvLSTM은 지속성(persistence) 대비 RMSE를 1년 예측 시 1.6%, 4년 예측 시 4.4% 낮추며(보류된 남부 지역에서 p < 0.001), 일정한 추세(drift)를 갖는 지속성 모델을 능가하고 지역 추세(drift)의 53-69%를 재현한다. 추세를 고려한(drift-aware) 베이스라인은 3년차부터만 도움이 되며, 6년 시점에서 RMSE 기준 최대 4.4% 개선된다. 매년 전체 필드를 새로 그리는 이전 방식은 관측된 변화와 무관한 변화를 예측했으며(상관계수 -0.06), 재귀적으로 실행할 경우 허구적인(spurious) 감소를 만들어냈다. 채널 제거(knockout) 실험에 따르면 고도(elevation)와 EVI는 예측을 저하시키는 반면, 경사(slope)와 방위(aspect)는 측정 가능한 영향이 없었다. 몬테카를로 드롭아웃과 확률적 시나리오 지도는 기대값 예측이 감추고 있는 불확실성을 전달한다. 기후학적 강제력(climatological forcing) 하에서, 평균 IDV는 2023년 0.350에서 2030년 0.370으로 상승한다. 따라서 EO 기반 사막화 예측은 지역적 추세에 대해서는 신뢰할 수 있지만, 개별 셀에 대해서는 신뢰할 수 없다.
AIS 데이터를 활용한 트랜스포머 모델 기반 확률적 선박 궤적 예측
Probabilistic Ship Trajectory Forecasting using Transformer Models on AIS Data
선박 궤적 예측은 해상 항해 시 필수적인 작업입니다. 이는 인간 항해사와 무인 수상정(autonomous surface vessel) 모두에 적용됩니다. 궤적 예측을 통해 충돌 회피와 같은 서브루틴이 상황을 파악하고 제때 적절히 대응할 수 있습니다. 본 논문에서는 협수로에서 수상정의 궤적 예측을 위한 트랜스포머(Transformer) 및 퍼포머(Performer) 모델을 연구합니다. 널리 활용되는 선박 자동 식별 장치(AIS)의 위치 데이터를 사용하여 후보 모델들을 학습(training)하고 평가(evaluation)합니다. 각 에이전트(agent) 주변 국소 영역에서 다른 선박들이 어떻게 이동했는지에 대한 과거 정보는 위치 히트맵을 통해 전달됩니다. 이 히트맵은 커널 밀도 추정(KDE)을 사용하여 생성되며, 트랜스포머 모델에 입력되기 전에 합성곱 신경망(CNN)으로 인코딩됩니다. 시의적절한 충돌 회피에 결정적인 모델 인식 예측 구간(prediction interval)을 효율적으로 도출하기 위해 모델은 분위수 손실(quantile loss)로 학습됩니다. 제안된 모델 구조는 이전 연구보다 크게 뛰어난 성능을 보이는 것으로 나타났으며, 국소 히트맵을 포함함으로써 이전 위치 정보만으로는 알 수 없는 선박의 움직임을 예측할 수 있게 됩니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.
저자 비고
arXiv Comments
Accepted in TS-LIMITS @ NeurIPS 2026