A Hybrid Multi-scale Convolutional Neural Network-Long Short-Term Memory Model Incorporating Squeeze Excitation Attention for Hourly Air Quality Index Prediction

대기 오염은 도시의 건강과 그곳에 사는 사람들의 안전을 결정짓는, 조용하면서도 변화무쌍한 힘입니다. 이 보이지 않는 위협을 관리하기 위해 과학자들은 대기질 지수(AQI)라고 불리는 단 하나의 숫자에 의존합니다. 이 지수는 복잡한 연기, 먼지, 가스의 혼합물을 우리가 숨 쉬기에 안전한지 알려주는 점수로 변환하여 보여주는 일일 성적표 역할을 합니다. 하지만 공기는 정지해 있지 않습니다. 날씨, 교통량, 산업 활동에 의해 시간 단위로 변화합니다. 이러한 변화를 예측하는 것은 어렵습니다. 왜냐하면 관련된 요인들이 복잡하고 비선형적인 방식으로 상호작용하기 때문입니다. 전통적인 방식은 전체적인 그림을 보는 데 어려움을 겪으며, 오염이 갑자기 급증하거나 하늘이 빠르게 맑아지는 신호를 포착하는 미세한 패턴을 놓치곤 합니다. 이를 해결하기 위해 연구자들은 컴퓨터 프로그램이 방대한 양의 데이터에서 패턴을 인식하는 법을 배우는, 인간의 뇌가 경험을 통해 학습하는 것과 유사한 방식인 딥러닝이라는 컴퓨터 과학 분야로 눈을 돌렸습니다.

최근 후난성 이양시(Yiyang City)에 초점을 맞춘 한 연구에서, 연구진은 더 나은 대기질을 위한 '수정구슬'을 만들기 위해 노력했습니다. 그들은 지난 2년간의 데이터를 사용하여 시간당 AQI를 높은 정밀도로 예측할 수 있는 시스템을 구축하고자 했습니다. 허웨이 쉬(Huawei Xu)와 동료들이 이끄는 연구팀은 대기의 움직임을 모방하기 위해 세 가지 서로 다른 디지털 도구를 결합한 새로운 하이브리드 컴퓨터 모델을 개발했습니다. 첫째, 그들은 다양한 '렌즈'를 통해 동시에 데이터를 관찰하도록 설계된 프로그램의 일종인 멀티 스케일 합성곱 신경망(multi-scale convolutional neural network)을 사용했습니다. 풍경을 광각 렌즈, 망원 렌즈, 그리고 줌 렌즈로 동시에 바라보며 이해하려고 노력하는 것을 상상해 보십시오. 이 도구는 대기 오염 데이터의 단기적 급증, 중기적 추세, 그리고 장기적 주기를 동시에 포착함으로써 동일한 역할을 수행합니다.

다음으로, 연구팀은 '스퀴즈 앤 엑사이트(Squeeze-and-Excitation)' 어텐션이라는 메커니즘을 도입했습니다. 이는 컴퓨터가 수집한 정보에 대한 스마트한 필터 역할을 합니다. 데이터의 폭풍 속에서 모든 정보가 매 순간 똑같이 중요한 것은 아닙니다. 이 어텐션 메커니즘은 모델이 잠시 멈추어 현재 어떤 요인이 오염 수준을 주도하고 있는지 평가하고, 그 신호를 증폭시키는 동시에 노이즈는 무시할 수 있게 해줍니다. 마지막으로, 시스템은 이 정제된 정보를 장단기 메모리(Long Short-Term Memory, LSTM) 네트워크로 전달합니다. 이 부분은 과거를 기억하는 데 특화되어 있습니다. 즉, 공기의 질이 시간이 지남에 따라 어떻게 변해왔는지에 대한 역사를 간직함으로써, 추운 아침이 어떻게 스모그가 가득한 오후로 이어지는지, 혹은 일주일간의 비가 어떻게 공기를 깨끗하게 만드는지를 이해할 수 있게 합니다. 이 세 가지 구성 요소를 엮어냄으로써, 연구진은 단순히 데이터를 보는 것이 아니라 데이터가 들려주는 이야기를 이해하는 모델을 만들어냈습니다.

연구진은 2023년 1월부터 2024년 12월까지 매 시간의 실제 데이터를 사용하여 기존의 더 단순한 방법들과 이 새로운 모델을 테스트했습니다. 그들은 미세먼지와 일산화탄소 같은 오염 물질의 역사적 기록과 함께 기온, 풍속, 기압과 같은 기상 데이터를 컴퓨터에 입력했습니다. 결과는 놀라웠습니다. 새로운 하이브리드 모델은 기존의 기본 모델들에 비해 예측 오차를 약 4분의 1 정도 줄이며 기존 방식들을 능가했습니다. 이 모델은 1.0이 완벽한 일치를 의미하는 척도에서 0.96의 점수를 기록했는데, 이는 모델의 예측이 실제 대기 상태와 매우 흡사했음을 의미합니다. 또한 이 모델은 극단적인 상황을 처리하는 데 특히 뛰어난 능력을 보였으며, 겨울철의 위험한 오염 정점과 여름철의 깨끗하고 낮은 수치를 모두 정확하게 예측했습니다.

이 연구는 또한 이양시의 대기질이 일 년 동안 어떻게 변화하는지도 밝혀냈습니다. 데이터는 명확한 리듬을 보여주었습니다. 겨울에는 추운 기온이 연기를 지표면 근처에 가두고 난방을 위한 연료 사용을 유도함에 따라 오염 수치가 100을 넘는 경우가 많아 가장 높았습니다. 반면, 여름 공기는 폭우가 오염 물질을 씻어내고 상승하는 열기가 이를 분산시키는 덕분에 평균 점수가 40 미만으로 떨어지며 현저히 깨끗해졌습니다. 컴퓨터 모델은 달력 날짜를 명시적으로 전달받지 않고도 이러한 계절적 규칙을 자연스럽게 학습했습니다. 연구진이 모델에게 어떤 요인이 가장 중요한지 물었을 때, 모델은 인간 전문가가 예상하는 것과 동일한 요소들을 지목했습니다. 바로 미세 먼지 농도, 기온, 그리고 기압이었습니다. 모델은 이러한 특정 수치들이 오르거나 내릴 때 대기질이 그에 따라 움직인다는 것을 확인해주었습니다.

다양한 속도로 패턴을 보는 능력, 무엇이 중요한지에 집중하는 지능, 그리고 역사를 통해 배우는 기억력을 결합함으로써, 이 새로운 접근 방식은 도시 계획가와 공중보건 관계자들에게 강력한 도구를 제공합니다. 이 모델은 단순히 미래를 추측하는 것이 아니라, 대기의 복잡하고 변화하는 현실을 바탕으로 미래를 계산합니다. 이 연구는 우리가 컴퓨터에 세상을 바라볼 수 있는 적절한 도구를 제공할 때, 컴퓨터가 전례 없는 명확성으로 우리 공기 속의 보이지 않는 위험을 포착하여, 오염의 건강 위험으로부터 공동체를 보호하기 위한 신뢰할 수 있는 길잡이가 되어줄 수 있음을 보여줍니다.