LEE HEEYEON
프로젝트로 돌아가기
머신러닝 · 문제 정의

날씨 빅데이터 기반 119 신고량 예측

평상시와 재난 시 신고량의 분포 차이에 주목해 2-Stage 예측 구조를 설계하고 특별상을 수상했습니다.

특별상
2025 날씨 빅데이터 콘테스트
역할
모델링 · 데이터 검증 (팀)
기간
2025.05 – 2025.08
팀
팀 프로젝트
담당 영역
  • 2-Stage 모델링 구조 설계 논의 참여
  • 회귀·분류 모델 학습 및 성능 비교
  • 데이터 누수 가능성 재검증
Python시계열 분석RegressionClassification
01

핵심 문제

평상시와 재난 상황의 119 신고량은 분포가 크게 달라 단일 회귀 모델로는 두 상황을 함께 설명하기 어렵다고 판단했습니다. 극단 상황을 먼저 분류한 뒤 상황별 전용 모델로 예측하는 구조를 팀과 함께 설계했습니다.

평상시와 재난 시 신고량 분포가 달라 단일 모델의 예측 오차가 커집니다.

극단값이 드물어 일반 데이터에 묻히면 재난 상황 예측이 특히 부정확해집니다.

특징 구성 과정에서 결과에 미래 정보가 섞이는 데이터 누수 위험이 있었습니다.

02

시스템 구조

119 신고, 기상 관측 및 특보, 사고다발지역 데이터를 통합해 특징을 생성하고 극단 상황을 분류한 뒤 평상시와 재난시 회귀 모델로 분기해 119 신고량을 예측하는 구조도
03

트러블슈팅과 의사결정

모델 성능보다 먼저 분포 차이와 검증 방식의 신뢰성을 확인하는 데 초점을 맞췄습니다.

재난 상황의 다른 데이터 분포

문제

평상시와 재난 시 신고량 분포가 서로 달라 하나의 회귀 모델로 설명하기 어려웠습니다.

선택

극단 기후 여부를 먼저 분류하고, Normal / Extreme 전용 회귀 모델로 분기했습니다.

선택 이유

상황별로 데이터 분포가 다를 때 전용 모델이 각 분포를 더 잘 설명할 수 있다고 판단했습니다.

TRADE-OFF

분류 단계의 오분류가 이후 회귀 예측 오차로 전파될 수 있습니다.

VERIFIED

최종 모델 RMSE는 약 0.9 수준이었습니다. 2025 날씨 빅데이터 콘테스트에서 부산소방재난본부장상(특별상)을 수상했습니다.

과도하게 좋은 초기 성능 지표

문제

초기 성능 지표가 실제 예측력보다 좋게 나오는 정황이 있었습니다.

CHECKED

특징 구성 과정에서 미래 정보가 섞이는 데이터 누수 가능성을 점검했습니다.

선택

누수 가능성이 있는 특징을 제거하고 검증 방식을 다시 구성했습니다.

VERIFIED

재검증 후 지표가 과도하게 낙관적이지 않은지 확인해 신뢰도를 높였습니다.

04

검증과 한계

검증

  • 최종 모델 RMSE는 약 0.9 수준이었습니다.
  • 데이터 누수 가능성을 재검증해 지표의 신뢰도를 높였습니다.
  • 2025 날씨 빅데이터 콘테스트에서 부산소방재난본부장상(특별상)을 수상했습니다.

한계

  • 분류 단계 오분류가 회귀 예측에 영향을 주는 구조적 한계가 있습니다.
  • 지역·기간이 제한된 데이터라 다른 지역으로의 일반화는 추가 검증이 필요합니다.
05

확인 가능한 자료

부산소방재난본부장상 (특별상)