역난방은 탄소중립 실현과 스마트 에너지 시스템 구축의 핵심 기반으로 주목받고 있으며, 이에 따라 안정적인 열 공급을 위해 정확한 열수요 예측 모델의 필요성이 커지고 있습니다. 본 프로젝트에서는 기상 데이터와 시간 기반 변수, 사회적 요인을 종합적으로 반영한 예측 모델을 개발하였으며, 특히 CatBoost 기반 2-Stage 모델을 통해 예측 성능을 개선하고자 하였습니다. EDA를 통해 열수요의 뚜렷한 계절성과 지사 간 패턴 차이를 확인하였고, 대기온도, 일사량 등 주요 기상 변수의 계절적 패턴과 결측치를 반영한 맞춤형 보간 전략을 수립하였습니다. 이와 함께, 시간 기반 파생 변수, 쾌적도 관련 변수(Comfort Distance, HDD, CDD), 공휴일, 코로나 여부 등 총 200여 개의 파생 변수를 생성하여 모델의 설명력을 강화하였습니다. 모델링에서는 CatBoost, XGBoost, LightGBM 등의 단일 모델 성능을 비교한 후, 잔차 기반 2-Stage 구조를 적용하여 잔여 오차 패턴까지 학습할 수 있도록 구성하였습니다. 최종적으로 2단계 예측값을 합산한 결과, 단일 모델 대비 RMSE가 감소하며 예측 정확도가 유의미하게 향상되었습니다. 또한 Bayesian Optimization 기반 AutoML을 통해 최적의 하이퍼파라미터를 자동 탐색하여 모델 성능을 극대화하였습니다. 이 모델은 실제 한국지역난방공사의 열공급 전략 수립, 연료 조달, 설비 운영 등 의사결정에 활용될 수 있으며, 약 190만 세대에 이르는 열공급 안정성 확보에 기여할 수 있습니다. 향후에는 인구 구조, 도시 특성 등 지역 맥락 데이터를 추가하고, 지사 간 유사도를 반영한 클러스터링 기반 특화 모델로 확장함으로써 예측 정밀도를 더욱 높이는 방향을 제안합니다.

비정규 실험 데이터를 활용한 인과 효과 추정에서 BART(Bayesian Additive Regression Trees) 모델의 성능을 개선하기 위해 차원 축소 기법인 Sufficient Dimension Reduction(SDR)을 적용한 시뮬레이션 연구를 수행하였습니다. 특히 마케팅이나 헬스케어 분야에서 흔히 나타나는 non-sparse 데이터 환경에서는 변수들이 모두 결과에 영향을 미쳐 BART의 변수 선택 한계 및 과도한 정규화로 인해 unconfoundedness 가정이 위배되는 문제가 발생함을 확인하였습니다. 이를 해결하기 위해 SDR로 공변량 차원을 축소한 후 BART를 적용하였고, 그 결과 ATC(대조군에 대한 평균 처치 효과) 추정에서 RMSE 성능이 개선되는 것을 확인했습니다. IHDP(Infant Health and Development Program) 데이터를 기반으로 선형/비선형 반응 표면 시나리오를 구성하여 BART, 선형회귀, PSM, IPW, Causal Forest를 비교했으며, 특히 비선형·non-sparse 상황에서는 SDR-BART가 기존 BART 대비 변수 중요도를 더 잘 반영하고 예측 오차(RMSE) 및 신뢰구간 포함률에서 개선된 성능을 보였습니다. 또한, 기존 BART 모델이 변수 중요도를 왜곡하는 한계를 보이는 반면, SDR을 활용한 후에는 더 중요한 변수들이 주요 차원으로 축약되며, Causal Forest 모델과 비교해도 SDR-BART가 유사하거나 더 나은 성능을 발휘함을 시각화 및 수치 기반 지표로 입증하였습니다. 이를 통해 SDR 기법이 BART의 한계를 보완하는 유의미한 방법론임을 확인하였으며, 향후 다양한 인과 추정 상황(ATC, ATT, ATE)에 대해 일반화 가능성을 탐색할 수 있는 기반을 마련하였습니다.