Predictive Forecasting of Care Load & Placement Demand

부모 없이 입국하는 아동들을 돌보는 일을 관리하는 것은 정밀함, 선견지명, 그리고 인간 이동에 대한 깊은 이해를 요구하는 과업입니다. 수천 명의 청소년이 국경을 넘어 정부 보호 시설로 들어올 때, 관리자들은 내일, 다음 주, 혹은 다음 달에 얼마나 많은 침대와 인력, 그리고 자원이 필요할지 반드시 알아야 합니다. 이것은 단순히 머릿수를 세는 문제가 아닙니다. 이는 타이밍과 흐름이 얽힌 복잡한 퍼즐입니다. 과제는 특정 시점에 보호 중인 아동이 몇 명인지 예측하는 것인데, 이 숫자는 새로운 도착, 다른 시설로의 이송, 그리고 퇴소에 따라 매일 변동됩니다. 이를 해결하기 위해 연구자들은 과거의 패턴을 살펴 미래의 추세를 예측하는 방법론인 시계열 예측(time-series forecasting) 과학에 주목합니다. 과거 데이터의 리듬, 즉 시간이 흐름에 따라 숫자가 어떻게 오르고 내리는지를 연구함으로써, 분석가들은 조직이 대비할 수 있도록 미래를 보여주는 일기예보와 같은 모델을 구축할 수 있습니다.

최근 한 연구에서 인도 하이데라바드의 차이타냐 바라티 공과대학교(Chaitanya Bharathi Institute of Technology) 연구진은 미국 보건복지부의 데이터를 사용하여 이 구체적인 문제를 다루었습니다. 그들은 정부 보호 하에 있는 미성년자의 일일 수를 추적하는 '무동반 외국인 아동(Unaccompanied Alien Children)' 프로그램에 집중했습니다. 연구팀은 2023년 초부터 2025년 말까지 이어지는 1,000개 이상의 일일 기록이 포함된 데이터셋을 수집했습니다. 결측치와 불일치하는 데이터를 제거하는 데이터 정제 과정을 거친 후, 이들에게는 신뢰할 수 있는 720개의 일일 아동 보호 수치가 남았습니다. 그들의 목표는 이 이력을 살펴 향후 30일간의 수요를 높은 정확도로 예측할 수 있는 시스템을 구축하는 것이었습니다.

이러한 예측을 수행하기 위해 연구진은 단일 방법에 의존하지 않았습니다. 대신, 전통적인 통계 기법과 현대적인 머신러닝을 결합한 파이프라인을 구축했습니다. 그들은 과거로부터 도출된 특정 단서들을 컴퓨터에 입력하여 패턴을 인식하도록 학습시켰습니다. 이러한 단서에는 하루 전, 일주일 전, 그리고 이주일 전의 보호 아동 수가 포함되었으며, 지난 일주일과 이주일간의 평균 수치도 포함되었습니다. 또한 단기적으로 숫자가 얼마나 요동치는지에 대한 척도와, 보호 시설로 유입되는 아동 수와 퇴소하는 아동 수를 비교한 '시스템 압박(pressure)' 계산값도 추가했습니다. 요일과 월을 포함함으로써 시스템은 정기적인 주간 또는 계절적 변화를 반영할 수 있었습니다.

연구팀은 어떤 방식이 가장 효과적인지 확인하기 위해 여러 가지 접근 방식을 테스트했습니다. 내일이 오늘과 똑같을 것이라고 가정하는 단순한 방법부터 시작하여, 추세를 고려하는 더 복잡한 통계 모델로 나아갔습니다. 마지막으로, 그들은 랜덤 포레스트(Random Forest)와 그래디언트 부스팅(Gradient Boosting)이라는 강력한 머신러닝 도구를 학습시켰습니다. 이 도구들은 많은 결정 트리(decision trees)를 구축하여 정답에 대해 투표하는 방식으로 작동하며, 이를 통해 단순한 방법으로는 놓칠 수 있는 데이터의 복잡하고 비선형적인 관계를 포착할 수 있습니다. 연구진은 데이터를 주의 깊게 분할하여, 초기 기록을 모델 학습에 사용하고 마지막 30일간의 데이터는 모델이 보지 못한 정보에 대해 얼마나 잘 수행하는지 테스트하는 데 사용했습니다. 이러한 접근 방식은 평가가 공정하게 이루어지도록 했으며, 모델이 단순히 과거를 암기하는 것을 방지했습니다.

결과는 향후 한 달 동안의 미래를 보여주는 명확한 그림을 제공했습니다. 시스템은 보호 중인 아동 수가 예측 기간 시작 시점의 약 2,274명에서 종료 시점의 약 2,324명으로 점진적이고 꾸준히 증가할 것으로 예측했습니다. 이 30일간의 예측 평균치는 약 2,299명이었습니다. 연구진이 예측치와 실제 수치가 얼마나 근접했는지 확인했을 때, 평균 오차는 하루당 약 15명이었습니다. 백분율로 환산했을 때 이 오차율은 약 0.64%로 매우 낮았습니다. 이러한 수준의 정확도는 모델이 계획 수립에 유용할 만큼 시스템의 기저 역학을 잘 포착하고 있음을 시사합니다.

그러나 이 연구는 이러한 도구들이 사용되는 방식에 있어 중요한 미묘한 차이점을 밝혀냈습니다. 연구진은 랜덤 포레스트 모델을 최종 배포용 도구로 저장했지만, 보고된 특정 오차 수치는 다른 모델인 그래디언트 부스팅을 실행한 후에 계산된 것이었습니다. 이는 저장된 도구와 보고된 성능 지표가 현재 버전의 프로젝트에서 완벽하게 일치하지 않음을 의미합니다. 저자들은 이를 인정하며, 향-후 버전의 작업에서는 가장 성능이 좋은 모델이 저장되고 사용되도록 보장해야 한다고 언급했습니다. 이러한 기술적 세부 사항에도 불구하고, 이 프로젝트는 역사적 데이터, 운영상의 단서, 그리고 머신러닝의 결합이 신뢰할 수 있는 예측을 생성할 수 있음을 성공적으로 입증했습니다.

연구진은 또한 데이터에서 2025년 초에 중요한 변화가 나타났음을 주목했는데, 보호 중인 아동 수가 1월의 6,000명 이상에서 4월까지 약 2,000명으로 급격히 감소했다는 점입니다. 이러한 갑작스러운 변화, 즉 '체제 전환(regime shift)'은 예측하기 어렵습니다. 본 연구는 이러한 구조적 단절에 적응할 수 있는 모델의 필요성을 강조합니다. 최종 시스템은 사용자 친화적인 대시보드로 패키징되어, 관리자들이 데이터를 확인하고, 차트로 예측치를 보며, 자신의 용도에 맞게 예측값을 다운로드할 수 있도록 했습니다. 가공되지 않은 숫자를 명확한 30일 전망치로 바꿈으로써, 이 연구는 조직이 인력 배치, 숙소 공간, 운송 등을 더 큰 확신을 가지고 관리할 수 있도록 돕는 실질적인 도구를 제공합니다. 연구는 현재의 모델이 강력한 출발점이지만, 향후 개선 작업은 모든 모델을 더욱 엄격하게 비교하고 예측의 불확실성을 측정하는 도구를 추가하여 의사 결정자가 가장 견고한 정보를 가질 수 있도록 하는 데 집중할 것이라고 결론지었습니다.