1. 서 론
2. 자료 및 방법
2.1 자료 및 연구 지역
2.2 AI 기반 시계열 예측 모델
2.3 모델 구성 및 하이퍼파라미터 최적화
2.4 성능 평가 방법
3. 결과 및 고찰
3.1 하이퍼파라미터 최적화에 따른 성능 향상 분석
3.2 최적 하이퍼파라미터 기반 AI 홍수예보 모델 성능 비교
3.3 첨두 수위 재현성 분석
4. 결 론
1. 서 론
최근 기후변화로 인해 강우의 시공간적 변동성이 증가하고 있으며, 이에 따라 집중호우 및 극한 홍수의 발생 빈도와 강도가 증가하고 있다(Do et al., 2023). 특히 하천 수위의 급격한 상승은 인명 및 재산 피해로 직결되기 때문에, 선제적인 홍수 예측 및 대응 체계 구축의 중요성이 더욱 강조되고 있다. 기존의 홍수 예측 방법은 주로 물리 기반 수문모형 또는 통계 기반 접근법에 의존해 왔으나, 이러한 방법들은 매개변수 추정의 불확실성, 복잡한 비선형 수문 과정의 반영 한계, 그리고 실시간 예측 적용성 측면에서 제약이 존재한다(Chen et al., 2022). 이에 따라 최근에는 이러한 한계를 보완하기 위해 인공지능 기반 예측 기법이 활발히 적용되고 있다(Zhou et al., 2023; Ramesh et al., 2025). 특히 Time Series Forecasting 기반의 딥러닝 모델은 수문 시계열 데이터의 비선형성과 장기 의존성을 효과적으로 학습할 수 있다는 장점으로 인해 수위 및 홍수 예측 분야에서 활용이 확대되고 있다(Le et al., 2019; Daramola et al., 2025).
최근 연구에서는 Long Short-Term Memory (LSTM; Hochreiter and Schmidhuber, 1997) 기반 모델이 수위 및 유량 예측에 널리 적용되어 일정 수준의 예측 성능을 보였으나, 극심한 홍수와 같은 급격한 변화를 예측하는 데 한계가 보고되었다(Chailert et al., 2025; Martel et al., 2025). 국내 AI 기반 홍수예보 체계의 경우 LSTM이 수위 예측에 활용되고 있으나, 급격한 수위 변화 및 극한 홍수 상황을 반영하는 데에는 한계가 존재할 수 있다. 이러한 한계로 인해 최근에는 시계열 예측에 특화된 딥러닝 모델들이 제안되면서 예측 성능이 향상되었으며, TimesNet (Wu et al., 2022)과 TimeMixer (Wang et al., 2024)와 같은 모델들은 시계열의 다양한 주기성과 비정상성을 효과적으로 반영하는 것으로 보고되고 있다(Liu et al., 2025; Huang et al., 2026). 또한 강우 레이더 자료는 유역 내 공간적 강우 분포를 고해상도로 제공할 수 있다는 점에서 홍수 예측 분야에서 활용 가능성이 제기되고 있다(KICT, 2017). 그러나 연구 대상 지점의 홍수 예측 체계는 지상 관측 강수량 기반 자료를 입력으로 활용하고 있으며, 이는 공간적 강우 분포의 세부적인 변동성을 충분히 반영하는 데 한계가 있다(Ye et al., 2026). 이에 따라 레이더 강우 자료의 활용이 홍수 예측 성능 개선에 실질적으로 기여하는지에 대한 검증이 필요하다. 다만, 레이더 강우 자료 도입 여부에 따른 홍수 예측 성능 차이에 대한 비교 연구는 아직 충분히 이루어지지 않은 실정이다.
본 연구의 목적은 시계열 예측 모델을 활용하여 6시간 선행 수위 예측 성능을 비교·분석하는 데 있다. 이를 위해 다음과 같은 세부 연구를 수행하였다. 첫째, LSTM, TimesNet, TimeMixer의 홍수 수위 예측 성능을 비교하고 모델 간 성능 차이를 분석하였다. 둘째, Optuna를 활용한 하이퍼파라미터 최적화를 통해 성능 향상 효과를 분석하였다. 셋째, 레이더 강우 자료의 입력 여부에 따른 예측 성능 변화를 분석하여 고해상도 강우 정보의 활용 가능성을 검토하였다. 넷째, 첨두 수위와 첨두 발생 시점 분석을 통해 첨두 홍수에 대한 재현성을 비교·평가하였다.
2. 자료 및 방법
2.1 자료 및 연구 지역
본 연구의 대상 지점은 김해시 조만강에 위치한 김해시(정천교) 홍수특보지점과 울진군 남대천에 위치한 울진군(월변교) 홍수특보지점이며, 본 논문에서는 각각 조만(Joman), 남대(Namdae) 지점으로 표기하였다. 조만, 남대 지점의 상류 유역면적은 각각 18.95 km2, 107.84 km2이며, 조만 지점으로부터 하류 합류점까지의 거리는 8.81 km, 남대 지점으로부터 하구까지의 거리는 1.95 km이다(HRFCO, 2010; ME, 2025). 조만강은 도시화의 영향이 상대적으로 크게 반영되고 조만 지점이 하천 상류에 위치해 있으며, 남대 지점이 위치한 남대천은 급경사의 산지하천 특성을 가지고 있다. 두 하천은 모두 상대적으로 유역면적이 작아 강우에 대한 유출 응답이 빠르고 홍수 도달시간이 짧은 특성을 가지고 있다. 이러한 유역 특성은 수위 변동을 급격하게 만들어 신속하고 정확한 홍수 예측 및 의사결정을 어렵게 하는 요인으로 작용한다.
본 연구에서는 10분 간격으로 관측된 시계열 자료를 활용하여 홍수 예측 모델을 구축하였다. 입력 변수는 현행 홍수예보 체계에서 활용되는 수문 자료를 기반으로 구성하였으며, 본 연구에 사용된 수문 자료는 한강 및 낙동강홍수통제소에서 제공받았다. 조만 지점은 해당 지점의 수위 자료와 강수량, 3시간 누적강수량, 유역평균강수량을 입력 변수로 활용하였다. 남대 지점은 해당 지점의 수위 자료와 함께 상류 지점의 수위 자료 및 유역평균강수량을 입력 변수로 활용하였다. 또한 남대 지점에서는 AI 홍수예보시스템의 일부 지점에서 활용 중인 레이더 기반 유역평균강우량을 추가 입력변수로 적용하여, 레이더 강우자료 도입에 따른 홍수 예측 성능 변화를 분석하였다.
학습, 검증 및 테스트 구간은 지점별 자료 특성을 고려하여 설정하였다. 조만 지점의 경우 2020-2022년을 학습, 2023년을 검증, 2024년을 테스트 구간으로 구성하였다. 남대 지점의 경우 상대적으로 짧은 관측 기간 및 홍수 이벤트 분포의 제한성을 고려하여 학습, 검증 및 테스트 구간을 재구성하였다. 특히 2024년 기간 동안 홍수 발생 기록이 관측되지 않는 특성을 가지고 있어서, 이를 고려하여 2024년을 학습, 2022년을 검증, 2023년을 테스트 구간으로 구성하였다. 본 연구에서는 낙동강홍수통제소의 위기경보단계 홍수정보 기준에 따라 분석 및 정확도 평가를 실시하였다. 조만 지점의 관심(Attention), 주의(Caution), 경계(Alert), 심각(Serious) 기준 수위는 각각 3.25 m, 4.00 m, 4.90 m, 5.77 m이며, 남대 지점의 기준 수위는 각각 2.90 m, 3.70 m, 4.50 m, 5.45 m이다. 본 연구에서 사용된 입력 변수의 구성은 Table 1에 요약하여 제시하였으며, AI 기반 홍수예보에 사용된 자료의 관측지점 및 유역의 위치는 Fig. 1에 나타내었다.
Table 1.
Composition of input data for AI-based flood forecasting at each site
2.2 AI 기반 시계열 예측 모델
본 연구에서는 AI 기반 홍수예보를 위해 LSTM과 TimesNet, TimeMixer를 도입하였다. LSTM은 현재 국내 AI 홍수예보 체계에서 활용되고 있는 모델로서 기준 모델로 선정하였으며, TimesNet과 TimeMixer는 최근 시계열 예측 분야에서 우수한 성능을 보인 최신 딥러닝 모델로 선정하였다(Wu et al., 2022; Wang et al., 2024).
LSTM은 Hochreiter and Schmidhuber (1997)가 제안한 순환신경망(Recurrent Neural Network, RNN) 기반 모델로, 입력 게이트(Input gate), 망각 게이트(Forget gate), 출력 게이트(Output gate) 및 셀 상태(Cell state)로 구성된다. 이러한 게이트 구조는 시계열 데이터의 장기 의존성(Long-term dependency)을 효과적으로 학습할 수 있도록 하여 기존 RNN에서 발생하는 기울기 소실(Vanishing Gradient) 문제를 완화한다. LSTM은 시계열 데이터의 장기 의존성을 학습할 수 있는 대표적인 RNN 기반 모델로, 수문 분야의 다양한 예측 연구에 활용되어 왔다. 또한, 현재 국내 AI 홍수예보 체계에서 적용되고 있는 모델이므로, 본 연구에서는 현행 운영 체계와의 비교를 위한 기준 모델로 선정하였다.
TimesNet은 Wu et al. (2022)이 제안한 시계열 예측 모델로, 시계열 데이터를 다양한 주기성을 갖는 2차원 형태로 변환한 후 합성곱 신경망(Convolutional Neural Network, CNN)을 이용하여 시간 패턴을 학습한다. 이를 통해 시계열 데이터의 다양한 주기성 정보를 효과적으로 반영하고, 주기 내부 및 주기 간 변동 특성을 동시에 학습할 수 있다. 강우와 수위 자료에는 다양한 주기성과 시간적 변동 특성이 포함되어 있으므로, 이러한 특성을 효과적으로 반영할 수 있는 시계열 예측 모델의 활용이 요구된다. 이에 본 연구에서는 TimesNet의 홍수예보 적용 가능성을 평가하고자 하였다.
TimeMixer는 Wang et al. (2024)이 제안한 다중 스케일(Multi-scale) 기반 시계열 예측 모델이다. 이는 입력 시계열을 서로 다른 시간 규모로 분해한 후 Past Decomposable Mixing (PDM) block을 통해 추세 및 변동 성분을 다중 스케일에서 학습한다. 이후 Future Multipredictor Mixing block은 각 시간 스케일에서 생성된 예측 결과를 결합하여 최종 예측값을 산출한다. 수문 시계열은 강우 및 유역 조건에 따라 다양한 시간적 변동성을 가지므로, 이를 효과적으로 반영할 수 있는 시계열 예측 모델의 활용이 요구된다. 이에 본 연구에서는 TimeMixer의 홍수예보 적용 가능성을 평가하였다.
2.3 모델 구성 및 하이퍼파라미터 최적화
본 연구에서는 LSTM, TimesNet, TimeMixer 모델을 이용하여 하천 수위 예측을 수행하였으며, 하이퍼파라미터 최적화에 따른 예측 성능 변화를 평가하기 위해 기본 설정(Default setting)과 최적화 설정(Optimized setting)을 적용하여 분석하였다. 모든 모델은 동일한 입력 및 예측 조건에서 학습되도록 설정하였다. 입력 시계열 길이(Input sequence length)는 144 step (24시간), 예측 길이(Prediction length)는 36 step (6시간)로 고정하였다.
기본 설정은 하이퍼파라미터 최적화 전후의 성능 변화를 비교하기 위해 모든 모델에 동일한 하이퍼파라미터 값을 적용하였다. Architecture depth, Model dimension, Batch size, Dropout, Learning rate를 기본적으로 각각 2, 16, 128, 0.1, 0.0001로 설정하였다. 최적화 설정은 Optuna 기반의 하이퍼파라미터 탐색을 통해 결정하였다. Optuna는 검증 손실을 최소화하는 방향으로 탐색을 수행하였으며, 각 trial에서 모델 학습 후 계산된 검증 손실을 성능 평가 기준으로 사용하였다. 최종적으로 가장 낮은 검증 손실을 나타낸 하이퍼파라미터 조합을 최적 설정으로 선정하였다.
최적화 대상 하이퍼파라미터는 모델 구조 및 학습 과정에 영향을 미치는 주요 변수로 구성하였다. 모델 구조와 관련된 하이퍼파라미터로는 architecture depth (탐색 범위: 1-4)와 model dimension (탐색 후보: 16, 32, 64, 128)을 탐색하였으며, 학습 과정과 관련된 하이퍼파라미터로는 batch size (탐색 후보: 32, 64, 128), dropout (탐색 후보: 0.0, 0.1, 0.3), learning rate (탐색 범위: 1×10-5-1×10-2)를 탐색하였다. 여기서 architecture depth는 모델의 주요 연산 계층 수를 의미하며, LSTM에서는 recurrent layer의 수, TimesNet에서는 TimesBlock의 수, TimeMixer에서는 PDM block의 수를 나타낸다. 하이퍼파라미터 탐색은 10개의 trial에 대해 수행하였으며, 최종 모델은 도출된 최적 하이퍼파라미터를 적용하여 최대 10 epoch 동안 학습하되, patience 3의 early stopping을 적용하였다.
2.4 성능 평가 방법
본 연구에서는 모델의 분류 성능을 평가하기 위해 혼동행렬과 홍수 위험 단계별 F1-score를 사용하였다. 혼동행렬은 실제 홍수 위험 상태(세로축)와 모델의 예측 결과(가로축) 간의 관계를 행과 열로 구성한 행렬로 나타낸 것이다. 대각 성분(좌상단에서 우하단 방향)은 정분류 결과를, 비대각 성분은 오분류 결과를 의미하며, 이를 통해 각 홍수 위험 단계별 분류 성능 및 클래스 간 혼동 경향을 직관적으로 확인할 수 있다. 또한 홍수 위험 단계별 F1-score를 통해 각 클래스에 대한 예측 성능을 세부적으로 비교·분석하고자 하였다. F1-score는 정밀도(Precision)와 재현율(Recall)의 조화평균으로 정의되며, 값이 1에 가까울수록 해당 클래스에 대한 분류 성능이 우수함을 의미한다. F1-score는 다음과 같이 계산된다:
여기서 정밀도와 재현율은 true positive (TP)와 false positive (FP), false negative (FN)를 기반으로 산출된다. TP는 실제 해당 클래스와 예측 결과가 일치하는 경우를 의미하며, FP는 다른 클래스를 해당 클래스로 잘못 예측한 경우, FN은 해당 클래스를 다른 클래스로 잘못 예측한 경우를 의미한다. 정밀도와 재현율은 다음과 같이 정의된다:
3. 결과 및 고찰
3.1 하이퍼파라미터 최적화에 따른 성능 향상 분석
Optuna 기반 최적화 과정을 통해 도출된 모델 및 시나리오별 최적 하이퍼파라미터 조합은 Table 2에 제시되어 있다. 또한, 하이퍼파라미터 최적화에 따른 AI 홍수예보 모델별 성능 향상 정도는 홍수 위험 단계별 F1-score 분석을 통해 Table 3에 나타내었다. 전반적으로 하이퍼파라미터 최적화를 적용한 경우 정상수위 단계(Normal)에서는 성능 변화가 크지 않았으나, 관심, 주의, 경계 및 심각 단계에서는 모델에 따라 예측 성능이 향상되는 경향이 확인되었다.
Table 2.
Optimized hyperparameter settings for LSTM, TimesNet, and TimeMixer
Table 3.
F1-scores for each flood warning level before and after hyperparameter optimization
LSTM은 하이퍼파라미터 최적화의 효과가 조만 지점에서 뚜렷하게 나타났다. 기본 설정에서는 관심 및 주의 단계를 예측하지 못하였으나, 최적화 이후 각각 0.62893 및 0.66142의 F1-score를 나타내어 소수 클래스에 대한 예측 성능이 향상되었다. 반면, 남대 지점에서는 하이퍼파라미터 최적화 이후에도 관심 및 주의 단계의 예측 성능 향상은 확인되지 않았다.
TimesNet은 하이퍼파라미터 최적화에 따른 성능 변화가 지점과 홍수 위험 단계에 따라 다르게 나타났다. 조만 지점에서는 관심, 주의 및 경계 단계의 성능이 모두 향상되었다. 반면 남대 지점에서는 관심 단계의 성능이 감소하는 경향을 보였으나, 기본 설정에서 예측하지 못했던 주의 단계는 최적화 이후 예측이 가능해져 주의 단계의 성능이 소폭 향상되었다.
TimeMixer는 하이퍼파라미터 최적화 이후 세 모델 가운데 가장 안정적인 성능 향상을 보였다. 조만 지점에서는 관심, 주의, 경계 및 심각 단계의 예측 성능이 모두 향상되었으며, 특히 경계 및 심각 단계에서 성능 향상이 두드러졌다. 남대 지점에서도 대부분의 홍수 위험 단계에서 성능이 유지되거나 향상되는 경향을 보였다. 특히 레이더 강우자료를 적용한 경우에는 관심 및 주의 단계의 성능 향상이 더욱 두드러져, 하이퍼파라미터 최적화 효과가 안정적으로 나타났다.
종합하면, 하이퍼파라미터 최적화에 따른 성능 변화는 모델별로 상이하게 나타났다. LSTM은 조만 지점의 일부 홍수 위험 단계에서 예측 성능이 소폭 향상되었으나, 남대 지점에서는 뚜렷한 성능 개선이 확인되지 않았다. TimesNet은 일부 홍수 위험 단계에서 성능이 향상된 반면, 일부 단계에서는 성능이 감소하여 최적화 효과가 일관되게 나타나지 않았다. 반면, TimeMixer는 두 지점에서 전반적으로 성능이 유지되거나 향상되는 경향을 보여 세 모델 중 가장 안정적인 하이퍼파라미터 최적화 효과를 나타냈다.
3.2 최적 하이퍼파라미터 기반 AI 홍수예보 모델 성능 비교
본 연구에서는 Optuna 기반 하이퍼파라미터 최적화를 통해 LSTM, TimesNet 및 TimeMixer의 최적 하이퍼파라미터를 도출하고, 이를 적용한 모델의 수위 예측 성능을 평가하였다. 모델 성능은 테스트 자료를 대상으로 평가하였으며, Fig. 2에는 지점별 최고 홍수 단계에 도달한 대표 홍수 사상의 시계열 예측 결과를 예시로 제시하였다.
대표 홍수사상에 대한 시계열 예측 결과를 살펴보면, 조만 지점의 경우(Fig. 2(a)), 세 모델 모두 수위의 전반적인 변화 양상을 재현하였으나, 첨두 수위 예측 정확도에서 차이를 보였다. LSTM은 홍수 상승부와 첨두 수위를 과소 추정하는 경향을 나타낸 반면, TimesNet과 TimeMixer는 실제 수위 변동을 비교적 잘 재현하였다.
남대 지점에서는 조만 지점과 다소 다른 예측 특성이 나타났다. 레이더 강우자료를 사용하지 않은 경우(Fig. 2(b)), LSTM은 첨두 수위를 과소추정하였으며, TimesNet은 첨두 수위를 다소 과대추정하는 경향을 보였다. 반면 TimeMixer는 첨두 수위와 하강부를 비교적 안정적으로 예측하였다. 레이더 강우자료를 입력 변수에 추가한 경우(Fig. 2(c))에는 TimesNet과 TimeMixer 모두 첨두 수위와 하강부의 재현성이 향상되었으며, 특히 TimeMixer는 실제 수위 변화와 가장 유사한 예측 결과를 나타냈다.
Fig. 3에는 전체 테스트 자료를 기반으로 도출한 혼동행렬을 나타내었다. 전체 테스트 자료에 대한 혼동행렬에서도 모델 간 분류 성능의 차이가 확인되었다. 조만 지점(Figs. 3(a)~3(c))에서는 LSTM이 관심 단계에 도달하지 않은 정상수위 단계를 다른 모델보다 많이 오분류한 반면, TimesNet과 TimeMixer는 정상수위 단계를 상대적으로 안정적으로 분류하였다. 또한 LSTM은 주의, 경계 및 심각 단계를 주로 인접한 하위 단계로 분류하는 경향을 보여 홍수 위험 단계를 과소 예측하는 경향을 나타냈다. 반면, TimesNet과 TimeMixer는 홍수 위험 단계를 보다 정확하게 구분하였으며, 오분류 사례가 상대적으로 적은 것으로 나타났다. 특히, TimeMixer는 심각 단계의 모든 실제값을 오분류 없이 정확하게 분류하여 최고 경보 단계에 대한 우수한 분류 성능을 보였다.
남대 지점(Figs. 3(d)~3(i))은 테스트 기간 동안 경계 및 심각 단계에 해당하는 사례가 없어, 혼동행렬은 정상수위, 관심 및 주의 단계를 중심으로 구성되었다. LSTM은 홍수 단계에 해당하는 모든 사례를 정상수위 단계로 분류하여 홍수 탐지에 한계를 보였다. 반면, TimesNet과 TimeMixer는 홍수 단계를 구분하는 성능이 LSTM보다 우수하였으며, 특히 TimeMixer는 오분류 사례가 가장 적게 나타났다. 레이더 강우자료의 활용 효과는 TimesNet과 TimeMixer에서 더욱 뚜렷하게 확인되었다. 레이더 강우자료를 입력 변수에 포함한 경우 두 모델 모두 첨두 수위 재현성과 홍수 단계 분류 성능이 향상되었다. 특히 TimesNet은 오분류가 감소하는 등 성능 개선이 확인되었으며, TimeMixer는 기존의 우수한 예측 성능을 유지하면서 추가적인 성능 향상을 보였다. 반면, LSTM은 레이더 강우자료를 적용한 경우에도 예측 성능의 향상이 제한적으로 나타났다. 이러한 결과는 레이더 강우자료가 특히 최신 딥러닝 기반 시계열 예측 모델의 성능 향상에 기여할 수 있음을 시사한다.
종합하면, TimeMixer는 두 대상 유역에서 일관되게 우수한 예측 성능을 나타내어 본 연구에서 적용한 모델 중 가장 우수한 성능을 보였다. TimesNet 역시 조만 지점의 주의 단계에서 우수한 예측 성능을 보였으나, 두 대상 유역을 종합적으로 고려할 때 TimeMixer가 보다 일관된 예측 성능을 보이는 것으로 확인되었다.
3.3 첨두 수위 재현성 분석
3.2절의 성능 평가 결과를 바탕으로, 첨두 홍수 재현성 분석은 상대적으로 우수한 성능을 보인 TimesNet과 TimeMixer를 대상으로 수행하였다. 분석 대상 지점은 두 모델 모두 우수한 예측 성능을 나타낸 조만 지점과, TimeMixer의 성능 우위가 확인된 레이더 자료를 적용한 남대 지점으로 선정하였다. 홍수 예측에서는 평균적인 예측 정확도뿐만 아니라 첨두 수위의 크기와 첨두 도달 시점의 정확한 재현이 실제 홍수 대응 및 경보 운영 측면에서 중요한 의미를 가진다. 이에 따라 테스트 기간 동안 발생한 홍수 사상에 대해 첨두 수위와 첨두 발생 시점을 비교하였으며(Table 4), 첨두 크기 오차(Peak error)와 첨두 발생 시점 지연(Peak timing lag)은 각각 첨두 수위와 첨두 발생 시점에 대해 예측값에서 관측값을 뺀 값으로 산정하였다.
Table 4.
Comparison of observed and predicted peak flood characteristics during the test period
Table 4의 Event A에서는 두 모델 모두 관측 첨두 수위를 과소 추정하는 경향을 보였다. 첨두 수위 재현 측면에서는 TimesNet이 상대적으로 작은 오차를 나타냈으나, 첨두 발생 시점 재현에서는 TimeMixer가 관측 시점과 정확히 일치하여 더 우수한 성능을 보였다. Event B는 다중 첨두가 발생한 사례로, 첫 번째 첨두(Event B-1)에서는 두 모델 모두 첨두 수위를 안정적으로 재현하였다. 특히 두 모델 모두 작은 첨두 오차를 보였으나, 첨두 발생 시점에서는 TimeMixer가 더 짧은 지연을 나타내 보다 정확한 첨두 도달 시점을 재현하였다. 두 번째 첨두(Event B-2)에서는 TimesNet이 첨두 수위 크기 재현에서 더 높은 정확도를 보였으며, TimeMixer 또한 작은 오차를 보였으나 TimesNet에 비해 다소 큰 편이었다. 반면 첨두 발생 시점 재현에서는 TimeMixer가 관측 시점과 일치하여 보다 우수한 시간적 재현성을 보였다. 남대 지점(Event C)에서도 유사한 경향이 확인되었다. 첨두 수위 재현 측면에서는 TimesNet이 더 정확한 첨두 크기를 재현한 반면, 첨두 발생 시점에서는 TimeMixer가 더 짧은 첨두 지연을 보여 보다 우수한 재현성을 나타냈다.
종합적으로, TimeMixer는 모든 홍수 사상에서 첨두 발생 시점 재현에 있어 일관되게 더 작은 첨두 지연을 보이며 우수한 성능을 나타냈다. 또한, 상대적으로 높은 홍수 위험 단계(심각 단계)에서는 첨두 수위 재현 측면에서도 더 작은 오차를 보였다. 비교적 낮은 홍수 위험 단계(관심 및 주의 단계)에서는 TimesNet이 첨두 수위 크기 재현에서 다소 작은 오차를 보였으나, TimeMixer 역시 유사한 수준의 첨두 재현성을 유지하였다. 하지만 TimesNet은 첨두 발생 시점 재현에서 상대적으로 큰 지연이 나타났다. 이러한 결과는 본 연구에서 분석한 대상 지점에서 TimeMixer가 첨두 도달 시점 예측의 일관성과 첨두 수위 재현성을 동시에 확보함으로써 전반적으로 가장 우수한 성능을 보였음을 시사한다.
4. 결 론
본 연구에서는 시계열 예측 분야에서 널리 활용되는 딥러닝 모델을 활용하여 6시간 선행 수위 예측 성능을 비교·분석하고, 홍수 위험 단계 분류 성능 및 첨두 홍수 재현성을 중심으로 모델 성능을 종합적으로 평가하였다. LSTM, TimesNet, TimeMixer를 대상으로 Optuna 기반 하이퍼파라미터 최적화를 수행하였으며, 레이더 기반 강우 자료의 도입 유무에 따른 예측 성능 변화를 함께 분석하였다.
분석 결과, 전반적인 수위 예측 및 홍수 위험 단계 분류 성능에서는 TimeMixer가 두 대상 유역에서 가장 일관되고 우수한 성능을 나타냈다. TimesNet은 일부 지점에서만 경쟁력 있는 성능을 보였으며, LSTM은 수위 상승 구간의 급격한 변화를 재현하지 못하며 예측 성능이 저하되는 경향을 보였다. 하이퍼파라미터 최적화의 효과는 지점 및 모델에 따라 상이하게 나타났다. TimeMixer는 전반적으로 안정적인 성능 향상을 보이며 최적화에 가장 긍정적으로 반응한 모델로 나타났다. TimesNet은 일부 지점에서만 성능 향상이 나타났으며, LSTM은 전반적으로 하이퍼파라미터 최적화 효과가 크지 않은 것으로 나타났다. 레이더 강우 자료의 활용 효과는 최신 시계열 딥러닝 모델에서 보다 뚜렷하게 나타났다. TimesNet과 TimeMixer는 레이더 강우 자료를 입력 변수로 활용할 경우 홍수 위험 단계 분류 성능이 향상되는 경향을 보였으나, LSTM에서는 그 효과가 제한적으로 나타났다. 이는 레이더 기반 유역 평균 강우 정보가 비선형 시계열 특성을 효과적으로 학습하는 딥러닝 모델과 결합될 때 예측 성능 향상에 기여할 수 있음을 시사한다. 첨두 홍수 재현성 분석 결과, TimeMixer는 첨두 발생 시점 재현에서 일관되게 낮은 지연을 보였으며, 첨두 수위 크기 재현에서도 전반적으로 안정적인 성능을 나타냈다. 반면 TimesNet은 일부 사건에서 첨두 수위 재현 정확도가 더 높게 나타났으나, 첨두 발생 시점에서는 상대적으로 지연이 크게 발생하는 경향을 보였다. 이러한 결과는 홍수 위험 단계별 예측 성능과 더불어 첨두 발생 시점의 정확한 재현이 중요한 평가 요소임을 보여준다.
종합하면, 본 연구에서 적용한 세 모델 중 TimeMixer는 수위 예측 정확도, 홍수 위험 단계 분류 성능, 하이퍼파라미터 최적화 안정성, 첨두 홍수 재현성 측면에서 가장 균형 잡힌 성능을 나타냈다. 따라서 TimeMixer는 향후 실시간 홍수예보 시스템에 적용 가능한 유망한 시계열 예측 모델로 판단된다.
