이동형 시공간 자료를 활용한 ConvLSTM 노면 온도 예측 모형의 성능 평가

Evaluation of ConvLSTM-Based Road Surface Temperature Prediction Model Performance using Mobile Spatio-Temporal Data

겨울철 도로살얼음으로 인한 교통안전 위험이 증가함에 따라, 노면온도 예측은 결빙 메커니즘 분석과 안전 관리에 중요하다. 본 연구에서는 이동형 도로기상 관측자료를 활용하여 노면온도 예측모형을 구축하고, 기계학습(Random Forest, XGBoost, LightGBM)과 딥러닝(합성곱 장단기 기억 신경망, ConvLSTM) 기법의 성능을 비교하고 분석하였다. 이를 위해 AWS와 비접촉식 센서를 탑재한 기상관측차량으로 서해안고속도로 약 330 km 구간을 2024년 11월부터 12월까지 총 24일간 관측하였다. 분석결과 ConvLSTM은 모든 예측 구간에서 가장 낮은 RMSE와 MAE를 기록하며 전반적으로 우수한 성능을 보였다. 다만, 단기예측(≤ 600 s)에 비해 장기 예측(≥ 1,800 s)에서는 오차분산과 극한오차 발생 빈도가 증가하는 경향이 나타났다. 또한 태양천정각(SZA), 하늘시계지수(SVF), 교량 및 터널 여부 등 물리적 지형 변수는 단기 정확도 향상에 기여하였으나 장기 안정성 개선에는 효과가 제한적이었다. 본 연구 결과는 이동형 시공간 자료와 ConvLSTM 기반 예측이 도로 결빙 분석 및 교통안전 관리에 활용될 수 있다.

With increasing traffic safety risks from winter road icing, predicting road surface temperature (RST) is vital for analyzing icing mechanisms and ensuring road safety. This study built RST prediction models using mobile observational data and compared machine learning methods (Random Forest, XGBoost, and Light GBM) with a deep learning model, the Convolutional Long Short-Term Memory (ConvLSTM) network. Mobile data were collected from Automatic Weather Station (AWS) and non-contact sensors along a 330-km section of the Seohaean Expressway during November-December in 2024. ConvLSTM achieved the lowest RMSE and MAE across all horizons, showing high short-term accuracy (≤ 600 s). In long-term forecasts (≥ 1,800 s), errors increased slightly but overall performance remained superior. Physical and geographical factors, including Solar Zenith Angle (SZA), Sky View Factor (SVF), and bridge/tunnel indicators, improved short-term accuracy but had limited long-term effects. These results highlight ConvLSTM’s potential for road icing prediction and traffic safety management.