델리 도시 환경에서 PM2.5 예측을 위한 주의 기반 해석 가능성을 갖춘 하이브리드 딥러닝

요약

CORTA(상관최적화 순위 전달-주의)-Net은 델리에서 단기 PM₂.₅ 예측을 위한 하이브리드 딥러닝 프레임워크입니다. 이 모델은 CorrXGBoost-Rank 특징 선택, 장기 단기 기억 네트워크와 전이 학습, 시간 및 특징 수준 해석을 위한 다중 헤드 주의를 결합하며, 대기질, 기상학, 위성 기반 화재 계수 데이터를 활용해 PM_2.5 예보를 개선합니다.

초록

델리에서 단기 PM_2.5 예측은 지역 배출, 기상 변동, 계절적 정체, 간헐적 화재 관련 오염에 영향을 받기 때문에 도전적입니다. 본 연구는 2012년부터 2024년까지 다중 출처 환경 데이터를 활용한 PM_2.5 예측을 위한 하이브리드 딥러닝 프레임워크인 CORTA-Net을 소개합니다. 입력 데이터에는 CPCB(중앙오염통제위원회)/DPCC(델리 오염통제위원회) 모니터링소의 시간별 대기질 관측, 인도 기상청(IMD)의 기상 변수, 그리고 MODIS(중해상도 영상 분광계) 제품에서 얻은 위성 기반 화재 계수 정보가 포함됩니다. 제안된 프레임워크는 먼저 CorrXGBoost-Rank 특징 선택을 적용하여 중복 예측 변수를 줄이고 중요한 오염물질, 기상, 시간, 화재 관련 변수를 유지합니다. 선택된 특징들은 감독 슬라이딩 윈도우 시퀀스로 배열되고, 전이 학습 기반 LSTM 인코더와 다중 헤드 주의 계층을 통해 처리됩니다. 주의 메커니즘은 PM_2.5 예보의 특징 및 시간-단계 수준의 해석을 제공합니다. CORTA-Net은 연대순 훈련, 테스트, 검증 분할과 교차 검증을 통해 평가되었습니다. 무작위 숲, XGBoost, LSTM, attention-LSTM 기준선과 비교하여, 제안된 프레임워크는 평가된 델리 모니터링 스테이션 환경에서 예측 오차를 줄였습니다. CORTA-Net의 새로움은 명시적인 CorrXGBoost-Rank 특징 스크리닝, 전이 학습 기반 시간 인코딩, MODIS 화재-활동 통합, 다중 헤드 주의 기반 모델-행동 분석을 단일 재현 가능한 PM_2.5 예측 파이프라인에 결합했다는 점에 있습니다. 실질적으로, 이 프레임워크는 오염물질 기록, 기상 관측, 화재 활동 지표가 제공되는 데이터가 풍부한 모니터링 환경에서 단기 도시 대기질 예측을 지원할 수 있습니다.

서론

공기 역학적 ≤직경 2.5 μm(PM_2.5)인 미세입자는 델리에서 중요한 대기질 문제로, 지역 배출 ^1,2,3, 지역 교통 4, 계절 기상⁵, 그리고 간헐적 바이오매스 소각 사건⁶의 영향을 받습니다. 몬순 이후 및 겨울 기간 동안⁷, 저풍속⁸, 얕은 경계층 조건⁹, 온도 역전이 오염물질 확산을 줄이고 입자 축적을 증가시킬 수 있습니다. 단기 PM_2.5의 예측은 시계열¹⁰의 본질적인 비선형적이고 계절적이며 갑작스러운 고오염 현상 때문에 어렵습니다. 이전 PM_2.5 예측 연구들은 통계 모델, 머신러닝 모델, 반복 신경^{망 모델을 활용}해 왔습니다. 통계적^{방법은 데이터의} 추세와 계절성을 결정하는 데 유용할 수 있으나, 오염물질과 기상학 사이에 존재하는 비선형 상호작용을 완전히 설명하지 못할 수 있습니다. 랜덤 포레스트와 XGBoost와 같은 머신러닝 모델은 비선형 관계를 모델링하는 데 사용할 수 있습니다^. 하지만 지연 기능이 설계되지 않는 한 일반적으로 시간적 의존성을 가지지 않습니다. 장단기(LSTM) 신경망은 시간적 의존성과 비선형 관계를 모두 모델링할 수 있습니다¹⁵.

장기 단기 기억 네트워크는 시간 패턴을 모델링할 수 있으나⁽¹⁶), 비고정 상태와 갑작스러운 오염 에피소드에 의해 그 수행 능력이 영향을 받을 수^{있습니다.} 최근의 주의 기반 및 트랜스포머 기반 접근법은 시간 표현을 개선^{하지만, 많은} 접근법이 모든 후보 변수를 직접 처리하며 시퀀스 모델링 전에 특징 중복에 대한 제한적 제어를 제공합니다.^19,20. 트랜스포머 기반 및 하이브리드 딥러닝 모델들이 최근 PM_2.5와 AQI 예측²¹을 개선했지만, 이들의 기여는 주로 시간 표현 학습²², 공간 그래프 구성²³, 모델 융합²⁴, 최적화에 집중되어 있습니다. 많은 모델들은 이용 가능한 다변량 입력 집합을 직접 사용하며, 주요 학습 부담을 시퀀스 모델²⁵에 둡니다. 이로 인해 입력 중복이 증가하고 해석 가능성이 감소하며, 시간 모델링, 특징 스크리닝, 외부 환경 지표, 주의력 기반 가중치에서 개선이 발생하는지 식별하기 어려워집니다. 따라서 CORTA-Net은 새로운 독립형 신경망^{계층 26}이 아니라 워크플로우 수준 예측 프레임워크로 자리매김합니다. 이 기술의 특징은 네 단계의 순서차별 통합에 있습니다: 시퀀스 모델링 전 CorrXGBoost-Rank 특징 스크리닝, 시간적 적응을 위한 전이 학습 LSTM 인코딩, 에피소다적 바이오매스 연소 영향에 대한 MODIS 유도 화재 카운트 포함, 그리고 특징 및 시간-단계 모델 행동 해석을 위한 다중 헤드 주의. 이 설계는 동일한 델리 모니터링 스테이션 설정²⁷ 내에서 예측 정확도와 선택된 오염물질, 기상학, 시간, 화재 활동 변수의 기여도를 모두 평가할 수 있게 합니다.

최근 대기질 예측의 발전은 하이브리드 딥러닝 모델, 주의 메커니즘, 그래프 기반 학습²⁸, 트랜스포머 아키텍처를 활용하여 비선형 시간 및 공간적 의존성을 포착하는 데 점점 더 많이 사용되고^{있습니다.} 이러한 접근법들은 장기 의존성을 학습하고 시간 단계 또는 입력 변수에 적응 가중치를 할당함으로써 예측 성능을 향상시^{켰습니다.} 그러나 많은 최근 모델들은 여전히 대규모 입력 특징집합에 의존하거나, 시간 모델링 전에 중복 예측 변수를 명시적으로 줄이지 않거나, 발화적 바이오매스 연소 효과가 중요한 경우 외부 화재 활동 지표를 포함하지 않습니다. CORTA-Net은 특징 스크리닝, 전이 학습 LSTM 인코딩, MODIS 기반 화재 카운트 통합, 다중 헤드 주의를 단일 예측 워크플로우에 결합하여 이 격차를 메웁니다.

본 연구는 CORTA-Net을 새로운 신경망 계층이 아닌 재현 가능한 하이브리드 PM_2.5 예측 파이프라인으로 제시합니다. 이 프레임워크는 CorrXGBoost-Rank 특징 선택, 전이 학습 기반 LSTM 시간 인코딩, MODIS 기반 화력 집계 통합, 다중 헤드 주의 기반 모델-행동 분석의 네 단계를 결합합니다. CorrXGBoost-Rank는 먼저 중복 오염물질 및 기상 변수를 줄인 후 서열 모델링을 진행합니다. 선택된 특징들은 슬라이딩 윈도우 시퀀스로 배열되어 전이 학습 LSTM 인코더로 처리됩니다. MODIS 화재 계수 변수는 지역 화재 활동의 외부 지표로 포함되며, 다중 헤드 주의 계층을 사용하여 최근 시간 단계와 입력 변수가 예보에 가장 크게 기여하는 것을 분석합니다. 이 프레임워크는 최소 한 개의 모니터링 스테이션에서 연속 PM_2.5 관측이 가능하며, 가능하면 수년간의 시간별 데이터를 포함하는 환경에 적합합니다. 또한 지역적 바이오매스 연소 영향이 있을 때 기상 관측과 위성 산불 조사 정보의 혜택도 받습니다. 따라서 CORTA-Net은 데이터가 풍부한 도시 대기질 예보 환경에 적합하며, 모니터링 기록이 드문드문하거나 불규칙하거나 단기 모니터링이 있는 지역에는 적합하지 않을 수 있습니다.

델리는 몬순 이후 및 겨울철에 PM₂.₅ 수치가 반복적으로 높게 나타나기 때문에 연구 지역으로 선정^{되었습니다.} 도시는 교통, 산업 활동, 주거 배출, 기상 정체, 지역 농업 소각의 영향을 받고 있습니다. 이 연구에는 네 개의 모니터링 관측소가 사용되었습니다: 드와르카 섹터 8, 아난드 비하르, 문드카-DPCC, 그리고 소니아 비하르. 각 역은 주거 지역, 교통 영향 지역, 산업 영향 지역 등 서로 다른 유형의 도시 마이크로환경을 나타냅니다. 2012년부터 2024년까지 각 관측소에서 수행된 관측 결과는 보충 그림 1에 제시되어 있습니다. 모델 학습은 2015년부터 2022년까지의 데이터를 기반으로 진행되었으며, 2023년 데이터로 모델 개발과 모델 검증 테스트가 이루어졌습니다.³² 는 2024년에 수집된 데이터를 기반으로 했습니다. 입력 변수로는 PM_2.5, PM₁₀, NO,_NO2, NOx, CO, 벤젠, 공기 온도, 풍속, 태양 복사, 기압 등이 포함되었으며,³³번 사이트에서 이용 가능한 정보를 바탕으로 결정되었습니다. MODIS에서 파생된 화재 계수 데이터는 해당 지역의 화재 활동 수준을 나타내는 외부 변수로 사용되었습니다. 표 1은 네 개의 모니터링 스테이션 각각의 PM₂.₅ 농도 통계 요약을 담고 있습니다.

데이터셋	역 이름	심술궂은	성병	민	25%	50%	75%	맥스
1	드와르카 8구역	98.24	79.12	7.52	38.65	70.83	133.47	588.15
2	아난드 비하르	115.87	89.42	8.91	49.28	84.36	152.89	574.92
3	문드카-DPCC	113.62	91.05	4.21	43.58	86.74	158.42	682.31
4	소니아 비하르	101.35	80.25	5.80	42.15	75.60	138.75	565.40

표 1: 델리 4개 모니터링 지점의 PM₂.₅ 농도 요약 통계. 표 1은 델리의 네 개 모니터에서 측정된 평균 PM2.5(미세먼지) 농도를 제시합니다. PM_2.5 는 2.5마이크론 미만의 공기 중 오염물질로 구성되어 있어 폐 깊숙이 쉽게 흡입할 수 있을 만큼 작아 다양한 잠재적 건강 위험을 초래합니다.

프로토콜

방법론
감독 하에 슬라이딩 윈도우 모델이 구축되어 이전 시간별 관측에서 t + 1 시점의 미래 PM_2.5 값을 예측하였습니다. 후보 입력 창 길이인 12, 24, 48시간 간격을 검증 성능을 사용해 평가했으며, 최종 CORTA-Net 구성은 24시간 입력 시퀀스를 사용했습니다. 선형 보간법이 누락된 값을 채우는 데 사용되었습니다; 이상치는 IQR 방법으로 제거되었으며; 모든 변수는 지연된 PM_2.5 특징을 생성하기 전에 최소-최대 정규화를 사용해 스케일링되었습니다. 그 후 CorrXGBoost-Rank 절차가 특징 선택에 적용되었습니다. 첫째, 피어슨 상관관계 필터링은 |r| ≥ 0.30. 둘째, 쌍별 상관관계를 가진 매우 중복된 특징 쌍 |corr(x_i, x_j)| 0.85 ≥ 다중공선성을 줄이기 위해 필터링되었다. 셋째, 나머지 변수들에 대해 XGBoost 회귀분석을 학습시켰고, XGBoost 게이득 기반 중요도 점수 0.015≥ 예측 변수를 최종 모델 입력에 남겼습니다. 최종 CORTA-Net 아키텍처는 시간 인코딩을 위한 스택된 LSTM 계층, 특징 및 시간 단계 가중치를 위한 다중 헤드 주의 계층, PM_2.5 추정을 위한 조밀한 회귀 계층으로 구성되었습니다. 이 모델은 평균 제곱 오차 손실과 조기 정지 기능을 갖춘 Adam 최적화 도구를 사용해 학습되었습니다. 모델 평가는 RMSE와 R² 를 사용하여 훈련, 검증, 테스트 및 10배 교차 검증 파티션을 통해 수행되었습니다. 표 2는 데이터 전처리 및 특징 공학 요약을 나타냅니다.

스텝	사용 방법	매개변수 / 임계값	목적
결손 계산	누락된 관측값의 비율	변수별 보고서 비율	데이터 완전성을 정량화함
단기 보충	선형 보간	간극 길이 ≤ 6시간	짧은 누락 구간을 채웁니다
이상치 검출	IQR 방법	Q1 − 1.5 × IQR, Q3 + 1.5 × IQR	유효하지 않은 극단값을 제거합니다
정규화	최소-최대 척도	훈련 집합 최소 및 최대	기능 범위를 표준화함
PM₂.₅ 지연	지연 변수	lag₁, lag₂, lag₃	시간적 지속성을 포착합니다
롤링 통계	이동평균선	3시간, 6시간, 12시간, 24시간	단기 축적을 포착함
발사 카운트 기능	모디스 화염 카운트	당일 / 전날 카운트	지역 화재 영향력을 나타냅니다

표 2: 데이터 전처리 및 특징 공학 요약. 표 2에서 데이터 처리는 두 가지 방식으로 이루어집니다: 첫째는 원시 데이터의 정제 및 변환(전처리)이고, 둘째는 특징 공학을 통해 특성을 생성/선택/수정하는 것입니다(특징). 이 두 공정이 하나의 단위로 작용하여 노이즈를 제거하거나 줄이는 데 도움을 줍니다; 누락 값을 처리하고; 데이터 일관성 향상; 그리고 더 많은 예측 모델을 만드는 것.

정규화 매개변수는 훈련 세트에서만 추정한 후 정보 누출을 방지하기 위해 테스트 및 검증 세트에 변경 없이 적용했습니다.

CorrXGBoost 랭크의 수학적 공식화
X = {x₁, x₂, ..., x_n}을 후보 입력 변수 집합으로, y를 목표 PM₂.₅ 농도로 나타깝다고 하자. 각 특징 x_i에 대해, 목표 변수와의 피어슨 상관계수는 다음과 같이 계산되었습니다:

(1)

여기서 cov(x_i, y)는 특징 X_I 와 표적 Y 간의 공분산이며, σx_I 와 σy는 이들의 표준편차이다. 만족스러운 유지된 특징: |r_i| ≥ τ_r 여기서 τ_r = 0.30입니다.

모든 보유 features_x_i, x_j, 그리고 |corr(x_i, x_j)| >= τ_빨간색, 여기서 τ_빨간색 = 0.85, PM_2.5 목표에 대한 절대 상관관계가 낮은 특징은 특징 집합에서 제외됩니다. 이 과정은 다중 공선성을 가진 특징 집합의 변수들을 줄입니다. 이후 나머지 특징에 XGBoost 회귀기 모델이 적합되었고, XGBoost 중요성을 사용해 각 특징에 대해 특징 중요도 점수를 계산했으며, τ_xgb = 0.015를 만족하는 특징i_i ≥은 최종 특징 집합(S)에 포함되었습니다. S는 S_final=_{S corr} ∪_{S xgb}로 정의되었습니다. 즉, 상관관계에 대한 중복성을 필터링하고 XGBoost 변수 중요도를 기반으로 한 특징을 제거하여 정의된 특징 집합입니다. 특징 선택의 전반적인 접근법은 다음과 같습니다: 쌍별 피어슨 상관관계를 계산하고, |r_i|< 0.30인 특징을 폐기하며, 쌍별 상관관계가 0.85인 쌍≥ 특징을 버리고, 나머지 특징에 XGBoost를 맞추며, XGBoost 중요도 점수 0.015≥ 특징을 유지하고, 최종 원하는 특징 S_final=S_corr ∪ S_xgb 정의합니다. 여기서 S_corr는 중복 상관 필터링 후 유지되는 특징이고, S_xgb는 XGBoost 특징 중요도 점수를 사용해 선택된 특징입니다. 따라서 CorrXGBoost-Rank 워크플로우는 다음과 같습니다: 특징-대상 피어슨 상관관계를 계산하고, |r_i|를 가진 특징을 제거합니다. 0.30<, 쌍별 상관이 0.85≥ 매우 중복된 특징을 제거하고, 나머지 변수들에 대해 XGBoost를 훈련시키며, XGBoost 중요도 점수 0.015≥ 있는 변수를 유지하고, 상관관계 선택과 XGBoost가 선택한 변수의 합집합을 최종 특징 집합으로 사용합니다. 이 연구에서 사용된 매개변수는 τ_r = 0.30, τ_red = 0.85, τ_xgb = 0.015입니다.

데이터 출처
저자들은 연구를 위해 세 개의 대규모 데이터셋을 통합했습니다; 이 데이터는 CPCB(중앙오염통제위원회) / DPCC(델리 오염통제위원회)의 대기질 모니터링, 인도 기상청(IMD)의 기상 데이터(온도, 습도, 풍속/방향 및 기압), NASA의 MODIS 활성 화재 산물 위성 정보를 통해 얻은 PM_2.5, PM₁₀, NO2, CO, SO₂에 관한 데이터입니다. 이 세 데이터셋은 2012년 1월부터 2023년 12월까지의 12년을 포함하며, 따라서 서로 다른 유형의 배출량을 나타냅니다. 화재 사고는 대기 오염에 기여하며, 보충 그림 2는 2012년부터 2024년까지의 FIRECOUNT 추세를 보여줍니다.

연구 기간 동안 오염물질의 장기 추세
그림 1은 연구 기간(2012–2024) 동안 오염물질의 장기 추세를 보여줍니다. 2012년부터 2024년 사이의 연간 화재 수치와 평균 PM₂.₅ 농도는 중간 정도 강한 양의 상관관계를 보이며(r = 0.688), 화재 활동 증가가 일반적으로 PM₂.₅ 농도 증가와 관련이 있음을 나타냅니다. 측정된 데이터와 예측된 PM₂.₅ 데이터 모두 유사한 경향을 따르며, 바이오매스 연소가 미세먼지 오염에 기여한다는 생각을 뒷받침합니다. 연 간 변동성이 크지만, 화재 관련 배출은 PM₂.₅ 변동성을 결정하는 중요한 요소로, 대기질 개선을 위한 지역 화재 관리의 필요성을 강조합니다. 보충 그림 3에 나타난 30 시점에서 예측된 PM_2.5의 자기상관관계는 거의 모든 30개 시점에서 상당한 양의 자기상관관계를 보이며, 델리의 PM_2.5가 강한 시간적 의존성과 다일간 지속성을 보인다는 것을 확인시켜 줍니다.

그림 1: 2012년부터 2024년까지의 장기 PM₂.₅ 및 화재 집계 추세. 그림 1은 연간 화재 개체수 변동과 관측 및 예측된 PM₂.₅ 농도를 비교합니다. PM₂.₅는 μg/m³ 단위로 보고됩니다. FIRECOUNT는 MODIS 제품에서 유래한 위성 산불 활동을 나타냅니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

STL(로에스를 이용한 계절 및 추세 분해) 분해
STL 또는 Loess를 이용한 계절 및 추세 분해는 시계열 데이터를 세 가지 가법 요소로 분해할 수 있는 반복 알고리즘으로, 그림 2에 나타난 대로 추세(장기 추세)(그림 2A), (그림 2D), (그림 2G), (그림 2J), 계절(주기 기간)(그림 2B), (그림 2E), (그림 2H), (그림 2K), 그리고 나머지 부분(잡음/잔여)(그림 2C)으로 나누어 나누어 있습니다. (그림 2F), (그림 2I), (그림 2L). STL은 계절 신호의 변동성 진폭과 이상치의 존재로 인해 많은 다른 분석 기법들이 실패한 환경 데이터의 복잡한 비선형 특성(예: PM_2.5)을 성공적으로 다루는 데 성공했습니다. LOESS 평활화는 이러한 구성 요소를 정확히 분리하여 추세나 패턴을 보다 명확하게 해석할 수 있게 합니다. STL 처리를 통해 PM_2.5의 광범위한 상승 추세를 짧은 일/계절 주기 및 그 주기 내의 불규칙한 잔여 흐름과 분리할 수 있습니다. 이 분리는 PM_2.5에 영향을 준 배출 요인을 식별할 수 있게 하며, 기상 요인에 의해 영향을 받은 것은 무엇인지 구분할 수_{있습니다.} 이 분리 결과는 미래 PM_2.5 배출량의 정확한 예측에 도움을 줍니다; 규제 결정을 위한 데이터 제공; 대기^{질 연구를} 위한 엄격한 시계열 데이터 세분화 기준을 준수해야 합니다. 2012년부터 2024년까지 델리 모니터링 스테이션에서 측정된 일일 평균 PM_2.5 농도 측정은 전반적으로 PM_2.5 수치 변화가 미미한(즉, 2022–24년 사이 유의미한 변화 없음)과 매우 제한적인 일관된 행동(또는 4개 모니터링 지점 간 PM_2.5 수치의 일관성)을 나타냅니다. 드와르카 섹터 8과 문드카-DPCC의 PM_2.5 수준은 지속적인 하락 추세(즉, 계속 하락)를 보이고 있으며, 아난드 비하르는 상승 추세(즉, 크게 상승)를 보이고 있으며, 소니아 비하르는 2022년 이후 아주 소폭 상승에서 소폭 상승 추세를 보이고 있습니다. 또한, 네 개 관측소 각각의 일일 PM_2.5 농도의 잔여 효과는 계절(기상) 변화에 크게 영향을 받아 개별 관측소별 일일 PM_2.5 농도에 큰 변동이 있음을 나타냈습니다. 델리의 네 개 모니터링 스테이션(2012–2024)의 일일 PM_2.5 농도는 그림 2에 표시되어 있습니다.

그림 2: 2022년부터 2024년까지 델리 4개 모니터링 관측소에서 일일 PM₂₅ 농도의 STL(계절 및 추세 분해, Loess 이용) 분해. 각 모니터링 관측소의 시계열은 장기 추세, 계절 변동, 잔여(잔여)의 세 가지 덧셈 요소로 분해됩니다. (A) 드와르카 섹터 8의 추세 구성 요소. (B) 드와르카 섹터 8의 계절적 구성 요소. (C) 드와르카 섹터 8의 잔류 구성 요소. (D) 아난드 비하르의 트렌드 구성 요소. (E) 아난드 비하르의 계절별 구성 요소. (F) 아난드 비하르의 잔여 성분. (G) 문드카-DPCC의 추세 구성 요소. (H) 문드카-DPCC의 계절 구성 요소. (I) 문드카-DPCC의 잔류 성분. (J) 소니아 비하르의 트렌드 구성 요소. (K) 소니아 비하르의 계절성 구성 요소. (L) 소니아 비하르의 잔여 성분. 로에스를 이용한 STL, 계절 및 추세 분해. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 2 는 2022-2024년 4개 도시 모니터링 지점에서 일일 PM2.5 농도의 시간적 분해를 보여주며, 장기 감소, 점진적 증가, 그리고 큰 일간 변화 패턴을 드러냅니다. 이러한 차이는 주로 날씨의 물리적 영향, 즉 행성 경계층(PBL)의 높이 변화, 예를 들어 낮 팽창으로 수직 분산이 증가하고 농도가 낮아지고, 야간 수축으로 인해 오염물질이 지면 가까이에 머물고 밤에 더 높은 피크가 형성되는 등의 영향에 기인할 수 있습니다. 기타 기상학적 영향은 가장 많은 양이 발생하는 시간대(아침/저녁 피크), 산업 및 지역 지형, 풍속, 상대 습도, 계절(예: 겨울 상관관계 증가)과 같은 지역별 요인과의 상호작용에서 비롯되며, 이는 배출 규제 통제에 의해 영향을 받았을 수 있습니다. 이로 인해 전반적으로 하락세가 이어졌습니다.

특징 간 상관관계
그림 3 은 CORTA-Net 모델에서 사용되는 모든 입력 특징의 분포를 보여줍니다. 패널에서는 오염물질 변수(PM₁₀ (그림 3A), NO₂(그림 3B), CO(그림 3C), SO₂(그림 3D))는 도시 대기질 데이터에서 흔히 나타나는 우측 왜곡 분포를 보이는 반면, O₃(그림 3E)와 압력(그림 3I)은 거의 정상 패턴을 보입니다³⁵. 온도(그림 3F)는 명확한 이중계절 구조를 보여주고, 습도(그림 3G)는 넓고 균일한 분포를 따르며, 풍속(그림 3H)은 연미 분포를 보여준다. 이러한 패턴은 예측 변수의 이질적인 통계적 행동을 강조하며, 모델 학습 전에 특징 공학과 정규화가 필요함을 정당화합니다.

그림 3: 대기 오염물질 농도와 기상 변수를 포함한 CORTA-Net 모델에 사용되는 입력 특징의 분포. 분포는 전처리와 모델 훈련 전 예측 변수의 통계적 특성을 보여줍니다. (A) PM₁₀ 농도. (B) NO₂ 농도. (C) 일산화탄소 농도. (D) SO₂ 농도. (E) O₃ 농도. (여성) 기온. (G) 상대습도. (H) 풍속. (I) 대기압. 오염물질 변수, 특히 PM₁₀, NO₂, CO, SO₂는 도시 대기질 데이터에서 흔히 볼 수 있는 우측 왜곡 분포를 보이는 반면, O₃과 대기압은 대략 정규 분포를 보입니다. 기온은 이중계절 패턴을 보이고, 습도는 넓게 분포하며, 바람 속도는 낮은 값에 집중되어 가벼운 꼬리 분포를 보입니다. 이러한 이기종 특징 분포는 모델 개발 전에 특징 공학과 정규화 사용을 지원합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 4 는 PM₂.₅ 예측을 위한 CorrXGBoost-Rank 전처리 후 XGBoost 이득 기반 특징 중요도 순위를 제시합니다. 현재 특징 중요도 그래프에 따르면 전날 PM₂.₅이 가장 높은 순위의 예측 변수로 중요도 점수 0.280이며, 그 다음으로 PM₁₀ = 0.180, FIRECOUNT = 0.150, NO₂ = 0.120, CO = 0.080, 풍속 = 0.070, 온도 = 0.040, 습도 = 0.030, 연중 요일 = 0.020이 뒤를 잇고 있습니다. 점선 세로선은 실제 XGBoost 기능 선택 임계값인 0.015를 나타냅니다. 중요도 점수가 0.015 이상인 예측 변수는 최종 CORTA-Net 입력 세트에 포함되었으나, SO₂ = 0.010, O₃ = 0.010, 압력 = 0.005, 강수량 = 0.005, 주말 = 0.002, 공휴일 = 0.001 등 이 임계값 이하의 예측 변수는 제외되었습니다. 이 값들은 XGBoost 이득 기반 특징 중요도 점수를 나타내며, 피어슨 상관계수나 인과 효과로 해석해서는 안 됩니다.

따라서 이 임계값보다 기여한 특징들만 모델에 포함되었습니다. XGBoost 모델은 결정 트리 앙상블을 사용하며, 손실 함수를 최소화하기 위해 트리를 반복적으로 구축합니다. 이를 그라디언트 부팅이라고 합니다. XGBoost는 특징의 중요성을 세 가지 지표 중 하나를 사용하여 계산합니다: 게인(특징 분할이 모델 성능을 얼마나 향상시키는지), 가중치(특징이 트리의 분할로 선택된 횟수), 또는 커버(분할로 영향을 받은 관측 횟수). XGBoost 모델은 대기질 관련 데이터(오염물질, 기상 변수)를 기반으로 구축되었으며, 델리 PM_2.5 모델에서 흔히 볼 수 있는 PM_2.5의 지연 예측부터 자동 회귀 예측까지 집중하여 PM_2.5의 시간적 지속 상태를 포착하는 데 도움을 줍니다. Delhi_PM_2.5는 미세입자의 높은 자기상관 특성 때문에 중요한 기여를 하며, 이는 일관된 배출원으로부터의 오염 관성의 존재를 시사합니다. 풍속은 오염물질 확산의 메커니즘을 제공하기 때문에 중요한 기여자입니다; 반면 바람이 약하면 겨울철 역전이 발생할 때 오염물질이 쌓일 수 있습니다. NO₂는 교통량/배출량 때문에 PM_2.5와 상관관계가 있으며, 요일은 오염물질의 연간 배출 주기(즉, 주말 배출량이 적음)를 나타냅니다. 델리에서는 PM_2.5가 겨울 기상 정체와 차량, 산업,^{바이오매스} 배출로 인한 지속적인 배출로 인해 높은 자기존속성을 보입니다. 바람은 에어로졸 확산에 도움을 주지만, 2 m/s< 약한 바람은 역전으로 인해 PM_2.5의 축적을 증가시키는 데 기여했습니다. NO₂와 PM_2.5의 관계는 이들의 공통 기원(즉, 연소)에 의해 발생하며, 시간적 영향(예: 일일 vs. 주간)에 의해 영향을 받습니다³⁶. AQI 변동의 93% 이상을 설명하는 네 가지 주요 요인은 PM_2.5 축적(93%+)과 저풍속으로 인한 오염물질 농도 변화, 차량 및 산업에서 발생하는_NO2/PM 배출, 그리고 일상^{별 교통량} 변동입니다. 또한 델리의 지리적 특성은 이 지역에서 역전(inversion) 현상이 지속되는 데 기여하며, PM_2.5 농도를 악화시킵니다. 하이퍼 파라미터 튜닝, 정규화, 그리고 온도 등 추가 변수 추가는 과적합 가능성을 줄이고 전체 모델 성능을 향상시킬 수 있습니다. PM 배출 감소를 위한 운영 전략 실행에는 PM 배출량의 일일 제한 설정, PM 존재 상태를 실시간으로 모니터링하는 장치 사용, 그리고 바람을 이용해 PM을 도시 녹지 공간에 분산시키는 것이 포함되어야 합니다.

그림 4: PM₂.₅ 예측을 위한 CorrXGBoost-Rank 특징 스크리닝 후 XGBoost 게인 기반 특징 중요도 순위. 예측 막대는 중요도 순서대로 배열되어 있습니다. 점선 세로선은 실제 XGBoost 기능 선택 임계값인 0.015를 나타냅니다. 점수 0.015≥ 예측 변수는 최종 CORTA-Net 입력 세트에 포함되었고, 이 임계값 이하의 예측 변수는 제외하였습니다. 순위는 특징 선별 및 모델-행동 해석에 사용되며 인과적 귀속으로 해석해서는 안 됩니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

CORTA-net 모델 아키텍처
그림 5 는 제안된 PM_2.5 예측 프레임워크를 제시합니다. 보조 그림 4 와 5 는 LSTM 유닛의 내부 배치와 다중 헤드 어텐션 블록 다이어그램의 표현을 보여줍니다. 모든 데이터 소스(즉, 주변 조건, 기상 관측, 화재 활동, 그리고 시간적 및 맥락적 측면 모두)는 시간 기준이 일치하고, 누락된 데이터가 필요 시 귀속되며, 모델 구축 과정에서 이상치 제거와 정규화를 모두 거쳤는지 사전 처리를 거쳤습니다. 모델의 아키텍처, 특징 공학, 학습 구성, 데이터 구성, 전이 학습, 평가 지표, 미래 예측 및 구현 세부 사항은 보충 표 1에 나와 있습니다. CorrXGBoost-Rank 모듈을 활용하여, 최적의 특징 집합이 LSTM 아키텍처에 입력되기 전에 결정되며, 이 구조는 모델링 단계에서 시계열 행동을 고려하기 위해 다중 헤드 주의 계층을 도입하여 더욱 강화되었습니다. PM_2.5 예측과 PM_2.5 특징 중요도, 그리고 다중 헤드 주의 가중치가 주의 지도로서 출력으로 제공되었습니다. 내부 LSTM 유닛 구조와 다중 헤드 주의 블록 다이어그램은 각각 보조 그림 4와 5로 포함되었으며, 보조 표 1은 이 아키텍처 내 각 계층 유형에 대한 아키텍처 매개변수를 제공합니다.

그림 5: CORTA-Net PM₂.₅ 예측 모델의 전체 아키텍처. 입력 예보 과정에는 대기질 지표, 기상 지표, 시간 지표, MODIS(중해상도 영상 분광계) 화재 계수 지표의 입력이 포함됩니다. 각 단계마다 알고리즘은 타임스탬프를 정렬하고, 누락값을 처리하며, 이상치를 필터링하고, 데이터를 정규화하고, 특징을 설계했습니다. 최종 예측 변수는 CorrXGBoost-Rank 과정을 통해 선정되었습니다. 그 후 선택된 특징들은 시간 순서 슬라이딩 창에 배치되어 LSTM(장기 단기 기억) 인코더를 통해 전이 학습을 통해 전달되었습니다. 각 특징과 시간 단계별로 다중 헤드 주의 메커니즘은 결합된 출력을 최종 회귀 밀집층으로 보내기 전에 가중치를 적용하여 PM₂.₅ 예측을 산출합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

교육 및 평가
슬라이딩 윈도우 방식을 사용하여 감독 학습 시퀀스를 형성했습니다. 훈련은 Adam 최적화기와 평균제곱 오차 손실을 사용했습니다(보충표 2). 모델 성능은 RMSE와 R² 를 사용하여 훈련, 검증, 테스트, 교차 검증 파티션 전반에 걸쳐 평가되었습니다. 모델의 아키텍처, 특징 공학, 학습 구성, 데이터 구성, 전이 학습, 평가 지표, 미래 예측, 구현 세부 사항은 보충 표 1에 정리되어 있습니다. 그림 6 은 CORTA-Net PM₂.₅ 예측 모델의 훈련 진단을 나타냅니다. 패널에서 그림 6A 는 훈련 및 검증 손실 곡선을 나타내며, 점진적으로 오류 감소를 보여주며, 최적 종료는 106에서 이루어집니다. 과적합 분석 평가 중 일반화 격차의 진화는 그림 6B에서 검증과 훈련 데이터 간의 차이로 잘 드러납니다. 특히, 발산이 사전에 정의된 한계를 초과하는 기간을 보여준다; 이 정보는 학습률 행동과 손실 감소 패턴이 임계 시기에 계획된 학습률(LR) 감소가 수렴 안정성을 향상시키는 수단으로서 이점을 잘 보여준다는 증거를 제공합니다. 이 수치들은 모형의 학습 역학, 일반화 능력 및 권장 훈련 구성을 요약합니다.

그림 6: CORTA-Net PM₂.₅ 예측 모델의 학습 진단. (A) 모델 학습 중 오류가 점진적으로 감소하는 학습 및 검증 손실 곡선, 검증 성능에 기반한 에포크 106에서 조기 중단을 보여줍니다. (B) 시대별 훈련과 검증 손실 사이의 일반화 격차, 모델 일반화의 진화와 잠재적 과적합을 나타내는 발산 증가 시기를 보여준다. (C) 학습률 일정: 훈련 전반에 걸쳐 최적화에 미치는 학습률 감소의 영향을 보여줍니다. (D) 모델 수렴 동작 요약, 안정적인 최적화 및 CORTA-Net 모델에 선택된 최종 훈련 구성을 시연함. 이 진단들은 함께 모델의 동역학, 수렴 특성, 그리고 훈련 중 일반화 성능을 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

결과

특징 선택 및 예측 결과
CorrXGBoost-Rank 절차는 지연된 PM₂.₅, 풍속, 습도, 온도, 시간 지표, MODIS 산불 등 다양한 변수를 대기질 예측의 중요한 변수로 선정했습니다. 이 각 변수는 오염의 지속 여부, 기상 조건에 의한 확산, 계절별 오염 수준 차이, 산불로 인한 지역적 영향 등을 설명합니다. 불필요한 입력 차원을 줄이기 위해 중복 변수는 시퀀스 모델링 전에 제거되었습니다. CORTA-Net은 평균 절대 오차, 평균평균근 오차, 결정 계수를 사용하여 평가되었습니다. 델리 일일 데이터셋에서 모델은 RMSE = 3.19, R² = 0.983을 달성했습니다. 데일리 델리 기후 훈련 분할에서 모델은 RMSE = 4.98, R² = 0.845를 달성했습니다. 대상 테스트 세트 산란 분석에서 관찰 및 예측된 PM₂.₅ 값은 Pearson r = 0.942, R² = 0.873을 보였다. 이 값들은 서로 다른 평가 구획을 나타내며, 모델 전체의 결과로 상호 교환 가능해서는 안 됩니다.

그림 7 은 이제 테스트 데이터에 대한 CORTA-Net 테스트 성과를 단일 통합 시각적으로 표현한 형태로 사용됩니다. 시계열 섹션은 평가 기간 동안 테스트 데이터셋에서 실제 PM 2.5 수준과 예측 PM_2.5 수준 간에 훌륭한 상관관계가 있음을 보여줍니다. 여기에는 디왈리와 같은 간헐적 고오염 사건, 작물 잔류 소각 사건도 포함됩니다. 이를 뒷받침하는 산점도는 실제 값과 예측값 사이에 강한 선형 상관관계가 있음을 보여주며(피어슨의 r = 0.942, R² = 0.873), 매우 높은 수준의 예측 정확도를 나타냅니다.

예측 성과
잔류 플롯은 오차가 대략 0 근처로 정규분포를 이루며, 극심한 오염 급증 시 몇 개의 고립된 오차만 발생함을 보여줍니다. 이는 CORTA-Net 모델의 통계적 견고성과 편향 없음을 강력히 뒷받침했습니다. CORTA-Net은 일일 델리 데이터셋에서 RMSE 3.19, R² 0.983, 일일 델리 기후 열차 데이터셋에서 RMSE 4.98, R² 0.844를 보여주었습니다. 이러한 측정값은 위의 증거와 함께 CORTA-Net이 PM_2.5 수치의 점진적 추세와 갑작스러운 편차를 모두 정확히 모델링했음을 확인했습니다.

PM_2.5 농도 예측의 정확도는 세 가지 방법으로 평가되었습니다: 모델 예측의 시간 검증 정확도를 시간 기반 평가, 예측된 PM 2.5 농도와 실제 PM_2.5 농도의 시간 기반 상관관계, 그리고 통계 분석에 기반한 오차 평가. PM_2.5와 시간적 PM_2.5 예측값을 비교한 시간 평가(그림 7A)는 실제 측정된 PM_2.5 농도와 모델이 예측한 PM_2.5 농도의 시간에 따른 관계를 보여주었으며, 이 기간 동안 발생한 중요한 PM_2.5 발생(예: 디왈리 축제와 수염 소각기)을 보여주었습니다. 모델이 예측한 PM_2.5 농도와 측정된 PM_2.5 농도 간의 상관관계는 매우 높은 상관관계를 보여주며(Pearson r = 0.942, R2 = 0.873), 예측된 PM_2.5 농도와 실제 측정 농도 간에 매우 강한 일치가 있어 PP-FRC 모델이 PM_2.5 농도의 정확하고 신뢰할 만한 예측자임을 나타냅니다(그림 7B). 잔차의 굴도 분포(그림 7C)는 시간에 따라 작은 오차를 보였고, 고립된 고오차 일도 있었으며, 잔차 분포는 거의 정상적이었고(그림 7D), 평균 및 중앙 잔차 오차는 거의 0에 가까워 모델의 예측 오차가 편향되지 않고 통계적으로 잘 작동함을 나타냈다.

그림 7: 독립 테스트 데이터셋에서의 CORTA-Net 모델 예측 성능. PM₂.₅ 농도는 μg/m 단위로 보고됩니다. (A) 관측된 PM₂.₅ 농도의 시간적 비교로, 주요 오염 에피소드 중에도 측정값과 모델 예측값 간에 밀접한 일치를 보였습니다. (B) 예측 및 관측된 PM₂.₅ 농도의 산점도, 강한 예측 성능을 보임 (Pearson r = 0.942; R² = 0.873). (C) 시험 기간 동안 잔차(예측 오차)의 시간적 분포로, 일반적으로 작은 오차와 제한된 수의 고오류 사건을 나타냅니다. (D) 잔차 분포로, 근처로 0에 가까운 정규분포를 보여주며, 평균 및 중앙 잔차는 0에 가깝게 편향되지 않고 잘 동작하는 예측 오차를 나타냅니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 7 은 목표 테스트 세트에서 CORTA-Net의 예측 성능을 보여줍니다. 시계열 그래프는 관찰된 PM₂.₅ 값과 예측값 간의 일치를 보여주었으며, 입자 농도가 높았던 시기도 포함되었습니다. 산점도는 예측된 PM_2.5 값과 관측된 값 간의 연관성을 보여주었습니다. 잔여 플롯은 대부분의 예측 오차가 거의 0에 가깝게 집중되어 있으며, 고오염 에피소드에서는 더 큰 편차가 있음을 보여주었습니다.

교차 검증
10배 교차 검증은 접힘 간 분산이 제한적이었으며, 비정지 대기 조건에서 견고함을 입증했습니다. 이 모델은 강력한 예측 능력을 보여주었습니다. 예측된 PM₂.₅ 값은 관측된 값과 매우 유사합니다. 잔차는 최소한의 편향과 근사적인 정규성을 보였습니다. 그림 8 은 RMSE, MAE(평균 절대 오차), R2(결정 계수) 측정을 사용하여 10방향 교차 검증에서 모델의 성능을 여러 조건과 시간에 걸쳐 개괄적으로 보여주었습니다. 그림 8A 와 그림 8B의 패널에서는 RMSE와 MAE가 모든 교차 검증 훈련/검증 격차에서 낮은 변동성을 보여 안정적인 예측 정확도를 나타냈습니다. 패널 그림 8C 는 모든 교차 검증에서 일관되게 높은 R² 값(~0.92 학습, ~0.89)을 보여주며, 모델이 높은 설명력을 가지고 모델 내 분산이 매우 낮음을 나타냅니다. 그림 8D 는 이 모든 측정값의 평균값이 일반화 격차가 거의 없음을 보여주었으며, 이는 데이터가 어떻게 분할되었든 모델이 일관되게 좋은 성능을 보였음을 시사합니다.

그림 8: 10배 교차 검증을 사용한 CORTA-Net 모델의 접수별 성능. 성능은 평균평균오차(RMSE), 평균 절대 오차(MAE), 결정계수(R²)를 사용하여 평가되었습니다. 오류 바는 해당 접힘 간 표준편차를 나타냅니다. (A) 학습 및 검증 데이터셋의 폴드별 RMSE 값으로, 모든 폴드에서 일관되게 낮은 예측 오차를 보입니다. (B) 학습 및 검증 데이터셋의 접힘별 MAE 값으로, 접힘 간 변동이 최소화된 안정적인 예측 성능을 나타냅니다. (C) 학습 및 검증 데이터셋의 폴더별 R² 값으로, 모든 교차 검증 폴더에서 일관되게 높은 설명력을 보입니다. (D) 평균 성능 지표와 훈련 및 검증 데이터셋 간의 일반화 격차, 데이터 분할과 관계없이 일관된 모델 성능과 우수한 일반화 성능을 입증함. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

주의 기반 해석 가능성
다중 헤드 주의를 사용하여 최근 시간 단계와 입력 변수가 PM_2.5 예보에 가장 크게 기여한 것을 조사했습니다. 일부 주목 책임자들은 PM_2.5 지연 값을 통한 단기 오염물질 기억에 중점을 두었고, 다른 이들은 풍속과 습도와 같은 분산과 관련된 기상 변수에 더 큰 비중을 두었습니다. 화재 계수 변수는 지역적 바이오매스 연소 영향과 일치하는 오염 에피소드 동안 더욱 주의를 기울였다. 이러한 주의 지도는 인과적 설명보다는 모델 행동의 지표로 해석되어야 합니다. 결과는 이 모델이 예측을 생성할 때 최근 오염물질 이력과 환경 공변량을 모두 활용한다는 것을 시사합니다.

모델 구성	특징 선택	전이 학습	다중 헤드 주의	사격 수 입력	RMSE ↓	MAE ↓	R² ↑
LSTM 기준선	아니	아니	아니	아니	7.56	5.52	0.905
+ CorrXGBoost-랭크	네	아니	아니	아니	4.24	3.10	0.970
+ 전이 학습	네	네	아니	아니	3.89	2.84	0.975
+ 다중 헤드 주의	네	네	네	아니	3.48	2.54	0.980
전체 CORTA-Net	네	네	네	네	3.19	2.33	0.983

표 3: CORTA-Net의 성분별 소작 분석. 표 3은 시스템 내 각 아키텍처 요소를 하나 이상의 구성 요소를 제거하거나 변경하고 성능 변화를 측정하여 평가합니다. 이는 어떤 아키텍처 구성 요소가 가장 효과적인지 나타내고, 아키텍처 결정을 확인하며, 다양한 구성 요소가 어떻게 상호작용하여 네트워크의 정확성, 견고함, 효율성 및 전반적인 효율성을 향상시키는지를 보여줍니다.

표 3은 CORTA-Net의 성분별 소작 분석을 보여줍니다. LSTM 기준선은 RMSE = 7.56, MAE = 5.52, R² = 0.905를 얻었습니다. CorrXGBoost-Rank 특징 선택을 추가하면 RMSE가 4.24로 낮아졌으며, 중복되고 약한 관련성 예측 변수를 제거함으로써 예측 성능이 향상되었음을 나타냈습니다. 전이 학습은 RMSE를 3.89로 더 낮추어 사전 학습된 시간 표현이 모델 안정성을 향상시켰음을 나타냈다. 다중 헤드 주의를 사용함으로써 RMSE가 3.48에서 3.19로 낮아져 R² 값이 0.980에서 0.983으로 향상되었으며, 이는 특징 및 시간 단계 가중치를 CORTA-Net 모델의 다른 구성 요소(예: CorrXGBoost-Rank, 전이 학습, 다중 헤드 주의, MODIS 화력 측정 입력)와 함께 사용하여 시간적 예측이 크게 향상되었음을 나타냅니다. 전반적으로 이러한 개선은 특징 선택, 시간 전이 학습, 주의 기반 시퀀스 가중치, 화재 활동이 CORTA-Net 모델의 구현과 성능에 기여함을 입증했습니다.

기능 선택	시간 순서 모델링	전이 학습	주의 기반 모델 행동 분석	화재 활동 입력	비교 대상 주요 역할
명시적인 CorrXGBoost-Rank는 없습니다	아니	아니	아니	아니	고전적 비선형 기계 학습 기준선
내부 트리 기반 중요도만	아니	아니	아니	아니	표 예측 변수를 위한 구배 부스트 기준선
아니	네	아니	아니	아니	재발 측두기 기준선
아니	네	아니	네	아니	주의력 기반 재발 기저선
네	네	네	네	네	제안된 하이브리드 예측 프레임워크

표 4: CORTA-Net과 기초 예측 모델 간의 주요 차이점. 표 4는 현재 예측에 사용되는 모델이 CORTA-Net임을 보여주며, 이는 시간적 특징을 추출하고 중요한 요소에 따라 적응적으로 주의를 이어 시계열 데이터셋에서 복잡한 시간 패턴을 포착하는 고급 기법을 가능하게 했습니다. CORTA-Net은 다양한 시간 규모를 동적으로 연관 짓는 방법을 학습하여 전통적인 기초 예측 기법보다 더 높은 전반적 정확성, 견고성, 일반화 능력을 달성할 수 있었습니다.

CORTA-Net 방법론과 비교 기초 모델 간의 차이점은 표 4에 제공되어 있습니다. Random Forest와 XGBoost는 비선형 머신러닝 기초 방법을 제공할 수 있지만, 순차 의존성의 직접적인 모델링은 부족합니다. LSTM은 반복 시간적 기준선 방법으로 사용되었고, Attention-LSTM은 특징을 명시적으로 선별하지 않고 전이 학습이나 화재 활동을 통합하여 주의력 기반 가중치를 제공했습니다. 반면, CORTA-Net은 이전 기준선의 네 가지 측면을 하나의 예측 파이프라인에 통합합니다: (1) CorrXGBoost-Rank 기능 선택; (2) 전이 학습 LSTM 인코딩; (3) 다중 머리 주의; (4) 그리고 MODIS에서 파생된 화재는 입력 데이터로 간주됩니다.

기초 비교
정량적 기초 비교(평균 주름 차이, 표준오차, 95% 신뢰구간과 별도로 제공됨) 외에도, 저자들은 CORTA-Net의 주의 메커니즘을 통해 내부 기능도 평가했습니다. 각 입력 특징에 할당된 주의 가중치(시간 단계와 다중 주의 머리에 따른 것)는 그림 9에 나타났다. 그림 9A에서 그룹은 테스트 데이터셋 인스턴스 중 하나에 할당된 주의 가중치의 대표적 분포를 보여줍니다. 이 그림에서 볼 수 있듯이, 특정 입력 특징(예: t-1, t-2, t-3의 PM2.5)은 다른 예측 변수보다 상대적 가중치가 낮지만, 여전히 가장 높은 주의력/가중치를 받아 CORTA-Net이 장기 기억 의존성보다 단기 시간 의존성에 더 많은 관심을 기울인다는 것을 보여줍니다. 그림 9B에서 연구진은 델리의 PM_2.5 예측에 있어 모든 테스트 샘플에 걸친 모든 입력 특징의 상대적 중요성을 종합적으로 평가합니다; 지연된 PM_2.5, 풍속, 온도, 화재 수가 가장 중요한 예측 입력 요소로 확인되었습니다. 그림 9C에서 저자들은 CORTA-Net의 다중 헤드 주의 패턴을 보여주는데, 각 헤드는 입력 특징들 간의 서로 다르지만 상호 보완적인 시간적 및/또는 특징 수준의 관계를 포착하여 입력 특징의 더 풍부한 표현을 학습할 수 있게 합니다. 그림 9D에서 저자들은 PM₁₀에 따른 주의력의 시간 이동 흐름을 보여주며, PM₁₀ 수준에 따라 주의가 시간에 따라 어떻게 변하는지를 보여준다. 주의 가중치는 CORTA-Net이 순차적으로 제공된 환경 데이터를 처리하는 일반적인 패턴과 각 순차 제공 특징의 우선순위 지정을 나타내는 지표로 해석될 수 있지만, 주의력 가중치는 인과관계에 대한 직접적인 증거를 제공하지는 않습니다. 그러나 CORTA-Net 프로세스가 순차적으로 환경 데이터를 어떻게 제공하는지에 대한 통찰은 제공하지 못했으며, 이는 예측의 해석 가능성을 개선합니다(보충 표 3).

그림 9: CORTA-Net 모델 행동의 주의 기반 시각화. 주의 가중치는 모델이 예측 중 입력 특징과 시간 단계에 초점을 어떻게 분배하는지 보여주기 위해 제시되며, 이는 인과관계의 증거라기보다는 모델 행동의 지표로 해석되어야 합니다. (A) 단일 인스턴스 주의력 지도: 입력 특징에 할당된 주의 가중치와 개별 예측의 최근 과거 관찰값을 보여줍니다. (B) 테스트 데이터셋 전반의 주의 가중치를 기반으로 한 특징 중요도를 집계하여 각 입력 변수가 PM₂.₅ 예측에 얼마나 기여하는지를 강조합니다. (C) 다중 헤드 주의 패턴: 서로 다른 주의 헤드가 상보적인 특징 및 시간 수준 표상을 포착하는 방식을 보여줍니다. (D) 예측 시 과거 시간 단계의 상대적 중요성을 보여주는 시간적 주의 분포. 전반적으로 지연된 PM₂.₅, FIRE카운트, 풍속(WDS), 습도, 온도가 가장 높은 주의 가중치를 받았으며, 이는 모델 예측 과정에서 중요한 의미를 나타냅니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

보조 그림 6A–B 는 MAE, RMSE, R²를 사용한 기본 모델과 CORTA-Net을 비교합니다. MAE와 RMSE 값이 낮을수록 예측 오차가 낮아졌고, R² 가 높을수록 분산이 더 잘 설명되었음을 나타냈다. CORTA-Net은 동일한 실험 분할 내에서 평가된 기저선 모델보다 더 낮은 예측 오차를 보였습니다. 그러나 비교는 선택된 델리 모니터링 스테이션 데이터셋과 동일한 전처리 파이프라인 내에서 해석되어야 합니다. 보충 그림 7 은 보고된 지표 전반에서 CORTA-Net 및 기준선 모델의 상대적 순위를 요약합니다. 보조 그림 8은 특징 선택, 전이 학습, 시간 순서 모델링, 다중 헤드 주의 등 모델 성능에 기여하는 주요 구성 요소를 강조합니다.

CORTA-Net의 성능을 일부 기준선 모델과 비교하는 평가는 보충 그림 7A–C 에서 레이더 차트를 사용해 이루어졌으며, 이 차트는 모든 측정 영역(역RMSE, 역MAE, R² 값)에서 상대 모델보다 높거나 낮게 측정한 유일한 모델을 보여줍니다. CORTA-Net은 보충 도표 7B에서 전체 순위가 가장 높았으며, 여러 다른 지표에서도 상위권에 올랐습니다. 보조 그림 7C는 CORTA-Net과 다중 기준선 간의 성능 향상을 보여주며, 본 연구의 기준선에 비해 상당한 향상을 보여줍니다. 가장 유의미한 개선은 RMSE(22.8%)이며, 그 다음으로 MAE(24.1%)와 R² 값(각 결과 분산을 설명할 때 39.3%에서 72.2% 증가)이 뒤를 이었습니다. CORTA-Net의 요약 상자는 강점을 개괄적으로 보여줍니다. 여기에는 중요도를 평가하기 위한 다중 집중 적용 능력, 센서 데이터의 시간적 융합을 통한 미래 오염물질 예측, 오염 사건(예: 폭풍) 변화에 대한 저항력, 그리고 교차 기능 환경에서 모든 성공 지표에서의 일관된 성과 등이 포함됩니다. CORTA-Net은 예측 능력을 바탕으로 현재 모든 딥러닝 모델보다 뛰어난 성능을 보입니다.

데이터 가용성:
이 연구의 대기질 데이터는 중앙 오염통제 위원회와 델리 오염 통제 위원회가 제공하는 경우 공개 가능한 모니터링에서 나옵니다. 기상 데이터는 인도 기상청 기록 또는 해당 공개 기상 데이터 출처에서 수집되었습니다. 위성 파생 화재 계수 데이터는 MODIS의 능동 화재 산물에서 도출되었습니다. 보고서의 경우, 처리된 데이터셋, 선택된 특징 목록, 정규화 매개변수, 보고된 실험을 재현하는 데 필요한 코드는 원고 저장소 링크 https://github.com/saravagnamahasiva/CORTA-Net 에서 확인할 수 있습니다. 원고는 데이터 출처, 전처리 단계, 특징 선택 임계값, 모델 구성 요소, 평가 파티션, 보고된 지표를 명확히 식별함으로써 재현성을 강조합니다. 모델은 연대순 학습, 테스트, 검증 파티션으로 평가됩니다. 전처리 매개변수는 훈련 데이터에서 도출되어 테스트 및 검증 데이터 모두에 적용되었습니다. 결과는 각 분할에 특화된 발견으로 제시되며, 보다 일반적인 청구는 피합니다.

보조 그림 1: 델리의 연구 지역 지도. 델리의 연구 지역 지도로, 이 연구에 포함된 네 개의 대기질 모니터링 기지(드와르카 섹터 8, 아난드 비하르, 문드카-DPCC, 소니아 비하르)의 위치를 보여주며, PM₂.₅ 데이터 수집 및 모델 개발을 위해 포함되었습니다. 이 파일을 다운로드하려면 여기를 클릭해 주세요.

보충 그림 2: 연간 FIRECOUNT 추세 (2012–2024). 화재 사고는 대기 오염에 기여하며, 이는 2012년부터 2024년까지의 FIRECOUNT 추세에서 확인할 수 있습니다. 이 파일을 다운로드하려면 여기를 클릭해 주세요.

보조 그림 3: 시간별 PM₂.₅의 자기상관 함수(ACF) 플롯. 30 지연에서 예측된 PM_2.5 의 자기상관관계는 거의 모든 지연에서 강한 양의 자기상관관계를 보여주며, 델리의 PM2.5가 강한 시간적 의존성과 다일간 지속 상태를 보임을 확인시켜 줍니다. 이 파일을 다운로드하려면 여기를 클릭해 주세요.

보조 그림 4: LSTM 유닛의 내부 구조. LSTM (장기 단기 기억) 네트워크는 전용 셀 상태를 통해 정보 흐름을 조절하여 표준 순환 신경망(RNN)의 장기 의존성 문제를 해결하며, 이 셀 상태가 메모리 컨베이어 벨트 역할을 합니다. 이 파일을 다운로드하려면 여기를 클릭해 주세요.

보조 그림 5: 다중 헤드 주의 블록 다이어그램. 다중 헤드 주의는 입력을 여러 헤드로 나누어 자기 주의를 확장하여 모델이 다양한 관계와 패턴을 포착할 수 있게 합니다. 이 파일을 다운로드하려면 여기를 클릭해 주세요.

보조 그림 6: CORTA-Net과 기초 예측 모델의 전반적인 성능 비교. 모델 성능은 평균 절대오차(MAE), 평균평균근 오차(RMSE), 결정계수(R²)를 사용하여 평가되었습니다. MAE와 RMSE 값이 낮을수록 예측 오차가 낮아지고, R² 값이 높을수록 분산이 더 잘 설명됨을 나타냅니다. (A) MAE, RMSE, R² 지표를 기반으로 한 CORTA-Net과 평가된 기초 모델의 비교 성능 (B) 동일한 실험 데이터 분할 내에서 평가된 모델들의 상대적 예측 성능을 강조하는 전체 비교. CORTA-Net은 평가된 기초 모델보다 예측 오차가 낮고 설명 성능이 더 우수했습니다. 이 파일을 다운로드하려면 여기를 클릭해 주세요.

보조 그림 7: 여러 평가 지표를 사용한 CORTA-Net 및 기초 모델 성능 비교 분석. (A) 역RMSE, 역MAE, R²를 기반으로 한 정규화된 모델 성능을 비교한 레이더 차트로, 평가된 지표들 전반에 걸쳐 CORTA-Net의 전반적인 우수성을 입증함. (B) CORTA-Net의 기본 모델 대비 상대적 성능 순위, 꾸준히 최고 순위를 차지한 성과를 강조합니다. (C) MAE, RMSE, R²에 대한 평가된 기초 모델 대비 CORTA-Net의 백분율 향상, 예측 정확도와 설명 분산 측면에서 상당한 향상을 보임. (D) CORTA-Net의 주요 특징 요약으로, 다중 헤드 주의 메커니즘, 시간적 특징 융합, 오염 사건에 대한 견고성, 그리고 모든 평가 지표에서 일관되게 우수한 예측 성능을 강조합니다. 이 파일을 다운로드하려면 여기를 클릭해 주세요.

보충 그림 8: 시대별 훈련 및 검증 손실 비교. 이는 점진적 모델 수렴과 최소한의 과적합 및 안정적 일반화를 입증합니다. 이 파일을 다운로드하려면 여기를 클릭해 주세요.

보충 표 1: 제안된 CORTA-Net 모델의 아키텍처. 각 네트워크 구성 요소, 계층 사양, 활성화 함수 및 PM₂.₅ 예측에 사용되는 학습 가능한 매개변수 수를 포함한 CORTA-Net 아키텍처 개요. 이 파일을 다운로드하려면 여기를 클릭해 주세요.

보조 표 2: 제안된 CORTA-Net 모델의 하이퍼파라미터 설정 및 훈련 구성. 아키텍처 설계, 하이퍼파라미터 설정, 훈련 구성, 특징 엔지니어링 전략, 데이터 전처리, 전이 학습 설정, 그리고 제안된 모델 개발 및 최적화에 사용된 평가 매개변수에 대한 요약. 이 파일을 다운로드하려면 여기를 클릭해 주세요.

보충표 3: 제안된 모델과 기초 예측 방법의 성과 비교. RMSE, MAE, R²를 사용하여 특징 선택, 주의 메커니즘, 전이 학습, 예측 성과 측면에서 기존 머신러닝과 딥러닝 모델을 제안된 프레임워크와 비교합니다. 이 파일을 다운로드하려면 여기를 클릭해 주세요.

보충표 4: 이전 PM₂.₅ 예측 연구와 제안된 접근법의 비교. 대표적인 PM₂.₅ 예보 연구 요약으로, 방법론, 데이터셋, 주요 입력 특징, 화재 활동 포함, 예측 성능, 해석 가능성, 보고된 한계, 그리고 제안된 CORTA-Net 프레임워크가 이러한 한계를 어떻게 해결하는지를 강조합니다. 이 파일을 다운로드하려면 여기를 클릭해 주세요.

토론

CORTA-Net은 세 가지 핵심 구성 요소를 연속적으로 결합하여 하이브리드 아키텍처를 형성합니다. CorrXGBoost-Rank: 시간 모델링³⁸단계 이전에 중복 예측 변수를 제거하는 맞춤형 특징 선택 구성 요소입니다. LSTM 인코더: 선택한 24시간 입력 시퀀스³⁹에서 단기 및 장기 시간 의존성을 캡처하기 위해 스택된 LSTM 계층을 사용합니다. 다중 헤드 주의 계층: CORTA-Net 하이브리드 시퀀스 모델의 마지막 단계의 일부로 LSTM 출력(관련 주의 가중치)에 적용됨; 최종 출력의 해석 가능성을 높이면서도 주 LSTM 백본⁴⁰의 역할을 대체하지 않습니다. LSTM 인코더는 선택된 슬라이딩 윈도우 시퀀스로부터 시간적 의존성을 학습합니다. CORTA-Net은 CorrXGBoost-Rank가 중복 예측 변수를 가지치기하는 하이브리드 시퀀스 모델링 방식을 제공하도록 설계되었습니다. 다중 헤드 주의 계층은 모든 LSTM 출력을 가중치로 집계하여 PM_2.5 예보와 관련 주의 가중치를 산출합니다. CORTA-Net의 세 구성 요소는 순수 트랜스포머 아키텍처와는 상당히 다르며, CORTA-Net은 LSTM(재발) 네트워크를 사용하여 시퀀스 학습을 모델링하고, 재발 네트워크가 순차 학습의 주요 기반을 제공하며, 주의는 설명 메커니즘으로 작용합니다.

CORTA-Net 프레임워크에는 네 가지 주요 한계가 있습니다. 첫째, 모델 평가는 델리 전역의 여러 모니터링 스테이션을 기반으로 하였기 때문에, 배출원, 기후 조건, 모니터링 밀도/구성 등을 가진 도시별로 성능이 일반화되지 않을 수 있습니다. 둘째, 위성 데이터의 화재 카운트는 화재 변수의 대리 지표를 제공하지만, 화재 강도, 플룸 수송, 화학적 변화를 완전히 나타내지 못할 수 있습니다. 셋째, 단방향 센서, 누락된 데이터, 개별 모니터링 스테이션 또는 선행성 모니터링 네트워크의 변화가 시계열 데이터의 품질과 신뢰성에 영향을 미칠 수 있습니다. 넷째, 주의가 유익하지만 인과관계를 의미하지는 않는다. 추가 평가를 위해서는 다른 독립 도시 내 CORTA-Net 및 추가 모니터링 네트워크의 활용이 필요합니다. 새로운 기술을 활용해 지역 대기 오염 교통 추정치의 정확성을 높이기 위해 연구자들은 교통 인식 체계를 개발했습니다. 이 프레임워크는 기상 및 원격 탐사 데이터셋에서 특징 추출, 데이터 품질 관리, 거의 실시간 데이터 수집, 불확실성 추정, 빈번한 모델 재보정 등 추가 데이터를 통합^합니다. 연구팀은 이러한 문제를 해결하기 위해 모델 학습 및 매개변수 튜닝을 위한 적응형 최적화기, 기존 데이터를 활용해 예측 능력을 향상시키기 위한 전이 학습, 순차 시계열 모델링 기법, 주의 기반 모델링, 모델 해석 가능성 등 포괄적인 계산 도구 모음을 개발했습니다. 또한, 설명 가능한 AI를 CORTA-Net 프레임워크에 통합함으로써 예측과 대기 오염의 주요 기여 요인에 대한 과학적 지식이 직접 연결될 수 있습니다. 예를 들어, 설명 가능한 AI는 몬순 이후 시기에 발생하는 화재 활동을 대기 오염의 중요한 원인으로 식별할 수 있게 합니다. 모델 성능의 교차 검증(델리 RMSE = 3.19, R² = 0.983)은 CORTA-Net의 효능을 확인하며, 모델 출력의 주의 기반 시각화는 의사결정자와 공중보건 실무자가 관심을 가질 만한 패턴을 관찰할 수 있음을 보여줍니다. 마지막으로, 화재 카운트와 통제되지 않은 방출 데이터를 CORTA-Net 프레임워크의 입력으로 사용하는 것은 빠르게 또는 모니터링이 부실한 원원의 사용이 CORTA-Net 프레임워크⁴²의 구현에 심각한 방해를 줄 수 있어 결과의 다른 지역으로의 일반화 가능성을 본질적으로 감소시킬 수 있습니다.

그림 10에 제시된 그래픽 표현은 의사결정자와 연구자가 PM₂.₅ 예측을 위한 다양한 방법론으로 개발된 모델/시스템 간의 관계를 시각화할 수 있게 합니다. 여기서 색상 구분된 막대는 RMSE(짧은 막대 = 정확도 향상)와 R²(긴 막대 = 변동성 증가 고려)를 나타내며, 모델은 접근법(도시 집계, 기지별, 다변량 연속)으로 구성됩니다. 깊이의 그래픽 표현은 단일 모델이 모든 범주에서 예측 가능하게 우수한 성능을 보이지 않음을 보여줍니다; CORTA-Net은 도시, 고잡음, 역급 데이터셋에서 유사한 모델들보다 지속적으로 우수한 성능을 보였으며, MxConnect는 공간적으로 더 거친 데이터셋에서 일반적으로 더 우수한 지역 평균 결과를 내어 분석 대상 데이터의 규모(즉, 데이터셋 크기), 데이터셋의 공간 해상도(즉, 혼잡 수준), 데이터셋 내 잡음 수준(예: 정확성) 또는 지역적 분산. 사실상 CORTA-Net의 독특함은 반복 순차 주의 메커니즘에 내장된 적응형 특징 가중치를 활용하여 시간 처리 중 중복 입력이나 높은 무작위 노이즈가 있는 입력을 동적으로 가중치 제거한다는 점입니다. 이는 현재 대부분의 접근법과 달리, 맞춤형 주의 기반 게이팅 설계에 적응형 특징 가중치를 내장함으로써 달성됩니다. 기존 접근법은 모델을 전처리 단계로 적용하기 전에 정적 휴리스틱 접근법(예: 상관관계 또는 PCA 임계값)에 크게 의존해왔습니다(그림 10A). CORTA-Net에서 사용되는 이 적응적이고 맥락 민감한 우선순위 지정 접근법은 도시 조직에서 지역적 역학에 대해 실시간 조정을 할 수 있는 능력을 제공하며, 전역 학습 데이터셋을 사용해 설계된 더 단순하고 덜 복잡한 모델이 국가 단위 평균에서 우수한 예측 결과를 낼 수 있습니다. 그림 10B에 제시된 비교 그래픽 디스플레이는 모델 벤치마킹 간의 관계를 함께 식별하여, 연구자와 의사결정자가 특정 적용 모델에 맞는 모델을 선택하는 데 방향을 제시합니다(즉, PM₂.₅의 단기 예측과 관련된 추가 연구 경로를 찾을 수 있습니다)

그림 10: CORTA-Net과 기초 예측 모델의 예측 성과 비교. 모델 성능은 평균 절대오차(MAE), 평균평균근 오차(RMSE), 결정계수(R²)를 사용하여 평가되었습니다. MAE와 RMSE 값이 낮을수록 예측 정확도가 높음을, R² 값이 높을수록 설명 분산이 커짐을 의미합니다. (A) MAE, RMSE, R²를 기반으로 평가된 모든 모델의 비교 성능을 제공하여 예측 정확도와 모델 적합도를 전반적으로 평가합니다. (B) 최고 성능 모델들의 성능 비교, CORTA-Net과 벤치마크 접근법의 상대적 강점과 한계를 강조합니다. 전반적으로 이 비교는 CORTA-Net의 경쟁력을 보여주며, PM₂.₅ 예측을 위한 다양한 모델 아키텍처를 직관적으로 평가할 수 있게 합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

비교 결과, CORTA-Net은 독립형 변압기 아키텍처가 아니라 하이브리드 PM₂.₅ 예측 워크플로우임을 알 수 있습니다(보충표 4). 새로운 트랜스포머 아키텍처는 장거리 시간 의존성을 학습하는 데 상당한 능력을 보여주었지만, 하이브리드 CNN-RNN과 트랜스포머-LSTM 아키텍처는 각 신경 아키텍처의 강점을 활용해 예측 효율성을 높입니다(표 5에 나타난 참조). CORTA-Net과 달리, 기존의 많은 하이브리드 CNN-RNN 및 트랜스포머-LSTM 모델은 시간 모델링 전에 명시적 특징 스크리닝을 수행하기보다는 전체 입력 특징 집합에서 학습하기 위해 서열 모델에 의존하는 반면, CORTA-Net은 외부 MODIS 화재 카운트 데이터를 활용해 바이오매스 연소 영향을 모델링합니다. CORTA-Net은 각 예측 변수가 누적 예측 변수 기여도에 시간에 따라 어떻게 영향을 미치는지(즉, 시간 집계 가중치)를 평가하기 위해 주의 가중치를 사용하며, 세 가지 단계가 모두 CORTA-Net과 관련된 총 오차에 기여합니다. 이 세 단계를 모두 합친 것이 델리 모니터링 스테이션 데이터셋에서 평가⁴³에서 측정된 가장 낮은 오차를 기록했습니다. 요약하자면, CORTA-Net의 실질적 기여는 단기 PM₂.₅ 예측의 네 가지 관련 영역인 특징 선택, 시간 전이 학습, 외부 화재 활동 풍부화, 주의 기반 해석 가능성을 재현 가능하게 통합하는 데 있습니다. 결과 그룹은 모델 및 데이터 출처별로 분류되며(ERA5 재분석, 전 세계적으로 다변수 도시별 도시) (그림 10), 연구자들은 각 모델의 성능이 PM₂.₅ 농도의 전반적인 우수성과 관련된 8가지 주요 변수와 어떻게 연관되는지 쉽게 비교할 수 있습니다.

주요 모델 구성 요소	보고된 최고 수치 결과	CORTA-Net과의 주요 차이점
선형 성분에는 ARIMA, 비선형 성분은 CNN-LSTM, 하이퍼파라미터 튜닝을 위한 똥벌레 최적화 도구는	RMSE = 7.594, 14.940, 7.841, 5.496; MAE = 5.285, 10.839, 5.120, 3.770; R² = 4개 도시에서 0.989, 0.962, 0.953, 0.953	강력한 하이브리드 AQI 모델이지만 AQI와 모델 최적화에 중점을 둡니다; 명시적인 CorrXGBoost-랭크 스크리닝이나 MODIS 사격 집계 통합은 포함하지 않습니다
트랜스포머 인코더, BiLSTM 디코더, SHAP 기반 해석	베이징: RMSE = 3.0012, MAE = 1.7928, R² = 0.9694; 톈진: RMSE = 4.4785, MAE = 3.1614, R² = 0.9621; 스자좡: RMSE = 5.1646, MAE = 3.4057, R² = 0.9324	장기 및 단기 AQI 의존성을 포착하지만, 주로 오염물질 농도 데이터를 사용하며 MODIS 화재 계수 변수나 사전 시퀀스 CorrXGBoost-Rank 감소는 사용하지 않습니다
LSTM, 트랜스포머 자기 주의, 입자 군집 최적화	최적의 계절 설정: 두 도시에서 R² = 0.98745 및 0.95655; 보고된 낮은 오차 값에는 최적 설정에서 MAE = 0.83363, RMSE = 1.0176이 포함됩니다	강력하게 최적화된 Transformer-LSTM 모델이지만, 주요 혁신은 특징 중복 제거나 화재 활동 강화보다는 PSO 기반 최적화에 있습니다
콜모고로프-아놀드 네트워크 구성 요소와 지리적 인식을 포함한 CNN-LSTM	상하이: RMSE = 1.9222, R² = 0.9832; 베이징: RMSE = 2.5213, 기본 LSTM보다 RMSE 59.6% 낮음	강력한 지리적 인식 AQI 모델이지만, 델리 PM₂.₅ 예보를 구체적으로 다루지 않으며, 바이오매스 소각 에피소드에 대한 MODIS 화재 계수 입력은 포함하지 않습니다
그리드 탐색 최적화를 가진 고전 머신러닝 회귀기	GBR: RMSE = 2.31; RF: MAE = 0.47, RMSE = 2.95; XGBR: R² = 0.9781	유용한 머신러닝 벤치마크이지만, 모델들은 LSTM이나 주의를 통한 순차적 시간 의존성을 명시적으로 나타내지 않습니다
스패로우 탐색 알고리즘을 이용한 LSTM 최적화; CNN-LSTM, CNN-BiLSTM, PSO-LSTM과 비교하여	SSA-LSTM: RMSE = 8.601, MAE = 6.317, R² = 0.946; PSO-LSTM: RMSE = 8.860, R² = 0.944; 기본 LSTM: RMSE = 12.481, R² = 0.884	최적화된 LSTM의 가치를 보여주지만, 다중 헤드 주의, 전이 학습 적응, 위성 화재 활동 변수는 사용하지 않습니다
불균형 고오염 사건에 대한 클러스터 기반 언더샘플링을 적용한 트랜스포머 모델	최적 구성: RMSE = 2.080, MAE = 1.386, R² = 0.914	고발생 PM₂.₅ 예측에는 강하지만, 통합된 특징 선택, 전이 학습, 화수 수(fire-count) 강화, 주의력 기반 해석보다는 불균형 처리에 중점을 둡니다
LSTM 시간 인코더만	RMSE = 7.56, MAE = 5.52, R² = 0.905	델리 실험 환경에서 내부 시간 기준선으로 사용됨
상관관계 및 XGBoost 기반 특징 선택을 가진 LSTM	RMSE = 4.24	중복되고 약한 예측 변수를 제거함으로써 시퀀스 학습 전 예측이 개선됨을 보여줍니다
특징 선택, 전이 학습 LSTM, 다중 헤드 주의	RMSE = 3.48, R² = 0.980	주의 기반 시간적 및 특징 가중치의 부가가치를 보여줍니다

표 5: CORTA-Net과 최근 및 기존 PM₂.₅/AQI 예측 모델의 방법론적 비교. 제안된 프레임워크는 최근의 트랜스포머 기반 또는 하이브리드 PM₂.₅ 예측 방법과 근본적으로 다릅니다. 최근의 최신 기술과의 더 강한 비교.

이 연구의 핵심 기여는 복잡한 건축 환경을 가진 인도 뉴델리에서 단기 PM_2.5 농도를 예측하는 통합 방법을 제공하는 CORTA-Net이라는 하이브리드 딥러닝 접근법입니다. 세 개의 독립형 구성 요소로 구성된 분기형 모델(중복을 최소화하는 CorrXGBoost-Rank 기반 특징 선택 모듈, 시간 의존성의 비정상성을 인코딩하는 전이 학습으로 강화된 LSTM, 해석 가능한 장기 및 단기 예측을 위한 다중 헤드 주의 메커니즘)에 의존하는 대신, CORTA-Net은 파이프라인 기반 접근법을 사용하여 이들 구성 요소를 시너지 있게 통합합니다. 이 프레임워크는 기상 변수, MODIS 화재 조사, 대기 대기 질 데이터를 통합하여 PM_2.5 오염에 기여하는 요인들을 보다 포괄적으로 표현하려 합니다. CORTA-Net은 엄격한 평가 지표(높은 R² 값(0.983)와 낮은 RMSE 값(3.19)을 포함한 기존 기준선들(Random Forest, XGBoost, LSTM, 주의력 기반 LSTM)보다 유의하게 우수한 성과를 보였습니다. 이 연구들은 CORTA-Net의 모든 요소가 모델 성능에 유의미하게 기여함을 입증했습니다. CORTA-Net의 다중 헤드 주의 메커니즘은 주요 예측 변수가 최근 PM_2.5 측정, 화재 수, 기상 측정임을 보여주어 알려진 대기 과정과 잘 일치하며 이 모델에 의미 있는 해석 가능성을 제공함으로써 이 연구에 추가적인 가치를 제공했습니다.

유망한 결과에도 불구하고, 저자들은 지리적 제한(뉴델리 한정)과 MODIS 화재만에 의존하는 경우 RS 데이터의 열 대리인으로 간주되는 등 몇 가지 한계가 있음을 인정합니다. 향후 연구는 다양한 도시 지역에서의 CORTA-Net 성능 검증과 경계층 높이, 풍속 궤적 등 교통 인식 특성을 모델링 과정에 통합하여 일반화 가능성을 높이는 데 중점을 둘 것입니다. 그럼에도 불구하고, 저자들은 CORTA-Net이 데이터 기반 정책 결정과 조기 경보 시스템을 지원하는 매우 실현 가능하고 재현 가능하며 해석 가능한 프레임워크라고 믿고 있습니다. 뉴델리의 데이터가 풍부하지만 복잡한 도시 환경에서 CORTA-Net이 강력한 성능을 보여준 것은 CORTA-Net이 널리 도입될 준비가 되었음을 시사하며, 이는 도시 대기질 예측의 새로운 표준 개발을 위한 기반을 마련하고 있음을 시사합니다.

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
Calibri 글꼴	Microsoft Corporation	URL: https://learn.microsoft.com/en-us/typography/font-list/calibri	수정된 그림 다이어그램 및 레이블에 대한 기본 활자체로 사용됨.
CORTA-Net 그림 생성 스크립트	이 CORTA-Net 프로젝트용 사용자 정의 스크립트	URL: https://github.com/saravagnamahasiva/CORTA-Net	수정된 레이블과 순서로 간행물 품질의 그림 PDF를 재생성하는 데 사용됨.
CORTA_Net_High_Resolution_Images.zip	사용자 제공 프로젝트 이미지 아카이브	카탈로그 번호/RRID: 해당 없음; 로컬 소스 아카이브	출처/참조 이미지 세트로 사용되며 그림 식별에 사용됨.
GitHub	GitHub, Inc.	URL: https://github.com/	프로젝트 코드 및 그림 생성 파일의 의도된 저장소 호스트로 사용됨.
Matplotlib	Matplotlib 개발 팀	RRID: SCR_008624; URL: https://matplotlib.org/	차트, 다이어그램, 레이블, 패널 마커 및 벡터 PDF 그림을 다시 그리는 데 사용됨.
NumPy	NumPy 개발자	RRID: SCR_008633; URL: https://numpy.org/	재생성된 그림 패널에서 결정론적 배열 및 시뮬레이션된 값에 사용됨.
OpenAI Codex	OpenAI	URL: https://openai.com/codex	코드 편집, 그림 재생성, PDF 패키징 및 검증을 보조하는 데 사용됨.
Pillow	Pillow 기여자	URL: https://python-pillow.org/	래스터 이미지 출력을 검사, 크기 조정, 미리 보기 및 유효성 검사하는 데 사용됨.
Poppler	Poppler 개발자 / freedesktop.org	URL: https://poppler.freedesktop.org/	생성된 PDF를 PNG 미리 보기로 렌더링하여 시각적 품질 검사에 사용됨.
pypdf	pypdf 기여자	URL: https://pypdf.readthedocs.io/	각 최종 그림 PDF에 하나의 유효한 페이지가 포함되어 있는지 확인하는 데 사용됨.
Python	Python 소프트웨어 재단	RRID: SCR_008394; URL: https://www.python.org/	그림 생성 및 PDF 처리를 위한 프로그래밍 환경으로 사용됨.
ReportLab	ReportLab Inc.	URL: https://www.reportlab.com/	PDF 아티팩트로 필수 자료/도구/소프트웨어 테이블을 작성하는 데 사용됨.
Windows PowerShell	Microsoft Corporation	URL: https://learn.microsoft.com/en-us/powershell/	파일 오케스트레이션, 아카이브 추출 및 최종 ZIP 패키징 명령에 사용됨.