연구진이 도시 온도 예측 불확실성을 고려한 그래프 신경망(GNN) 프레임워크를 제안했어요. 이 프레임워크는 센서 배치 제약 조건과 확률적 초과 예측 맵핑을 지원하며, 센서 예산 및 간격 제약 하에서 공간적으로 연속적인 일일 온도 필드를 재구성해요.
GNN 모델은 그래프 어텐션 기반의 평균 잔차 아키텍처를 사용하여 온도 필드와 공간적으로 변화하는 예측 불확실성 필드를 예측하며, POD-QR 전략을 통해 최소 4km 간격 제약 조건 하에서 센서 배치를 처리해요.
연구 결과, 10~40개의 센서 예산 범위에서 GNN은 역거리 가중치 및 일반적인 크리깅보다 RMSE 및 MAE에서 우수한 성능을 보였으며, 센서 배치 효과는 저예산에서 두드러지지만 고예산에서는 감소했어요.
불확실성 평가는 센서 밀도가 증가함에 따라 불확실성 보정이 개선되고 크리깅보다 더 나은 선명도-보정 균형을 제공하는 것으로 나타났으며, 이 프레임워크는 불확실성 기반 온도 필드 재구성 및 의사 결정 지향적 열 위험 맵핑에 효과적인 도구로 활용될 수 있어요.