연구진은 스마트 빌딩 부하 예측 모델의 불확실성 반영 방식을 연구했어요. 오프라인 학습 데이터와 달리, 실제 배포 환경은 제한된 입력만 제공하기 때문에 누락된 데이터를 재구성해야 합니다. 이때 재구성 오류가 모델에 영향을 미쳐 예측 구간이 잘못될 수 있습니다. 연구에서는 사후 처리 방식과 모델 내 퀀타일 학습 방식의 효과를 비교 분석했어요.
재현 실험 결과, 모델 구조에 따라 불확실성 반영 방식이 달라지는 것을 확인했습니다. 특히 Temporal Fusion Transformer(TFT) 모델은 퀀타일 학습을 통해 예측 구간을 5배 좁힐 수 있었고, 평균 절대 백분율 오차(MAPE)는 2.2~3.6%, 제곱근 평균 제곱 오차(RMSE)는 28~83W를 기록했어요. 재구성된 입력은 퀀타일 점수(QS)를 106% 향상시켰지만, 구간 너비는 거의 변하지 않았습니다.
연구 결과는 사후 처리 방식의 한계를 보여주며, 재구성된 입력에 의존하는 예측 모델에서는 모델 내 퀀타일 학습이 더 효과적임을 시사합니다. 향후 스마트 빌딩 부하 예측 모델 개발 시 불확실성 반영 방식을 신중하게 고려해야 합니다.