5G 기술의 확산은 서비스 중심의 차량 인터넷(IoV) 발전을 가속화하며 미래 지능형 교통 시스템(ITS)의 다양한 요구를 충족하는 핵심 수단으로 자리 잡고 있습니다. 차량 내 장치 증가에 따라 최적의 서비스를 정확하게 선택하는 것이 ITS의 중요한 과제로 부상했습니다. 이동통신 기반 차량 통신에서 서비스 품질(QoS) 예측은 IoV 환경의 시공간적 변화에 맞춰 서비스 품질을 동적으로 조정하여 사용자에게 최적의 서비스를 제공하는 효과적인 해결책입니다. 그러나 기존 QoS 예측 방식은 이기종 장치 간의 동적 특성과 시너지 효과를 충분히 반영하지 못하는 한계가 있습니다.
이러한 문제를 해결하기 위해 본 연구에서는 시공간 그래프 합성곱 네트워크와 양방향 강화 단순 순환 유닛(Bi-ESRU) 네트워크를 통합한 동적 시너지 효과 기반 QoS 예측 모델(DQPSE)을 제안합니다. 시공간 그래프 합성곱 네트워크는 가중 시너지 인접 행렬을 활용하여 그래프 구조의 표현력을 높이고 효과적인 특징 정보를 추출합니다. Bi-ESRU는 시공간 특징 정보를 효과적으로 통합하여 복잡한 시공간 동적 변화와 그 의존성을 정확하게 포착합니다.
또한 DQPSE는 강화된 보르게스 미분(Borges derivative)을 적용한 최적화 알고리즘을 사용하여 모델의 일반화 능력을 강화합니다. 실제 QoS 데이터셋을 활용한 광범위한 실험을 통해 제안하는 DQPSE 모델의 우수성을 검증했습니다.
본 연구는 IoV 환경에서 동적이고 시너지 효과를 고려한 QoS 예측의 정확도를 크게 향상시켜, 미래 ITS의 서비스 품질 최적화에 기여할 수 있을 것으로 기대됩니다.
풍력 에너지는 전 세계 전력 수요 충족 및 탈탄소화 목표 달성에 중요하지만, 간헐적이고 비정상적이며 공간적으로 결합된 특성으로 인해 전력 시스템 통합이 어렵습니다. 특히, 초단기(10분) 및 단기(1시간) 풍력 발전량 예측은 실시간 전력 배분, 예비력 할당, 계통 안정성에 필수적이지만, 풍력 터빈 간의 후류 상호작용, 풍향·풍속 변화, 센서 노이즈 등으로 인해 여전히 도전 과제로 남아있습니다.
본 연구에서는 이러한 문제를 해결하기 위해 물리 정보 기반의 방향성 인식 대규모 언어 모델(LLM) 유도 동적 시공간 그래프 딥 네트워크(LLXSTG)를 제안합니다. 이 프레임워크는 물리 정보 기반의 전력 곡선 정제, LLM이 유도하는 동적 그래프 구성, 그리고 시공간 그래프 컨볼루션 네트워크를 통합하여 풍력 발전기의 체제 의존적이고 지향적인 상호작용을 명시적으로 모델링합니다. 기존의 정적 또는 상관관계 기반 그래프와 달리, LLM은 변화하는 풍력 체제에 적응하는 상황 조건부 인접 구조를 추론하며, 스키마 검증 및 대체 메커니즘을 통해 해석 가능성과 재현성을 보장합니다.
대규모 다중 터빈 풍력 발전소의 고해상도 데이터셋을 활용한 광범위한 실험을 통해 제안된 프레임워크의 성능을 검증했습니다. 14개의 기존 딥러닝, 트랜스포머 기반, 하이브리드 앙상블 모델 및 두 가지 최신 LLM 기반 예측 모델과 비교한 결과, LLXSTG는 10분 예측에서 JST-Transformer 대비 평균 절대 오차(MAE)를 66.5%, 제곱 평균 제곱근 오차(RMSE)를 67.9% 감소시켰으며, R-v 지표에서 19.3% 향상된 성능을 보였습니다.
이 연구는 풍력 발전량 예측의 정확도를 크게 향상시켜, 풍력 에너지의 안정적인 계통 통합과 효율적인 운영에 기여할 수 있는 새로운 방법론을 제시합니다.
