MemDA: 메모리 기반 드리프트 적응을 통한 도시 시간 시계열 예측

지속 가능한 발전에 기여하는 도시 시계열 데이터 예측은 스마트 시티의 핵심 과제로 널리 연구되고 있다. 그러나 세계 환경의 급격하고 빠른 변화 속에서 데이터가 독립적이고 동일하게 분포된다는 가정(Independent Identically Distributed, i.i.d.)이 붕괴되며, 이를 '개념 드리프트(concept drift)'라고 한다. 이는 모델의 예측 성능이 새로운 데이터에 대해 반복 가능성과 이식 가능성(transferability)이 낮아지는 문제를 야기한다. 기존의 해결 방안은 모델을 재학습하여 최신 관측 데이터에 적합하게 만드는 것이지만, 이는 모델 지연(model lag), 자원 소모, 그리고 모델의 재무효성(re-invalidation)을 초래하여 현실적인 환경에서는 드리프트 문제를 충분히 해결하지 못하는 한계가 있다. 본 연구에서는 개념 드리프트 문제를 해결하기 위해, 데이터의 주기성을 고려하여 드리프트를 인코딩하고, 메타-다이나믹 네트워크를 활용해 드리프트에 따라 모델을 실시간으로 조정하는 새로운 도시 시계열 예측 모델을 제안한다. 실제 데이터셋을 활용한 실험 결과, 제안하는 설계는 최신 기술 대비 유의미한 성능 향상을 보이며, 기존 예측 백본 모델의 분포 변화에 대한 민감도를 감소시켜 보편적인 적용 가능성을 높이고 있음을 확인하였다.