근거 있는 예측,
검증된 불확실성

Halia는 9개 공공기관의 데이터를 ETL 파이프라인으로 직접 수집해 24개 격자·일별 단위로 정렬합니다. 데이터 출처는 헤더에서 매 순간 신선도와 함께 공개합니다.

충남 서해안 5개 시군 (서천·보령·태안·서산·당진)의 갯벌·연안 영역을 24개 격자로 분할합니다. 각 격자는 위·경도 bounding box와 대표 좌표 (centroid)를 가지며, 갯벌 polygon (해양수산부 1:25,000 연안정보도)이 overlay로 표시됩니다.

Halia는 단일 모델이 아닌 **cascade**입니다. 시공간 패턴을 읽는 ST-Transformer와 정밀한 tabular 예측을 수행하는 Random Forest를 결합해, 격자·일별 위험 점수 (0~100)를 산출합니다.

Raw features → (1) ST-Transformer가 시간·공간 attention으로 격자 간 상관을 학습 → (2) Random Forest가 점수 보정 → Ensemble → 최종 위험 점수.

예측 점수 하나만으로는 의사결정에 부족합니다. Halia는 **Conformal Prediction Interval (CP)** 로 90% 신뢰구간 (P10~P90) 을 함께 제시합니다. CP는 분포 가정이 없으며 (distribution-free), 적절한 calibration set 만 있으면 실 운영 환경에서의 coverage 보장이 이론적으로 성립합니다.

각 예측의 변수 기여도는 **TreeSHAP** 으로 계산해 워터폴 차트로 보여줍니다. 위험 점수가 왜 올랐는지 (혹은 내렸는지) 변수 단위로 즉시 해석 가능합니다.

검증은 시계열 cross-validation (rolling-origin)으로 수행했습니다. 다음 메트릭은 hold-out test split 기준입니다.

1. [1]
   Vaswani et al. (2017). Attention Is All You Need. NeurIPS. arXiv:1706.03762Transformer 기반 (ST-Transformer 변형)
2. [2]
   Breiman, L. (2001). Random Forests. Machine Learning, 45(1).Random Forest 회귀
3. [3]
   Vovk, V., Gammerman, A., Shafer, G. (2005). Algorithmic Learning in a Random World. Springer.Conformal Prediction 이론
4. [4]
   Lundberg & Lee (2017). A Unified Approach to Interpreting Model Predictions. NeurIPS. arXiv:1705.07874SHAP
5. [5]
   국립해양조사원 (2024). 1/25,000 연안정보도 (갯벌). 해양수산부 연안포털.갯벌 polygon
6. [6]
   질병관리청 (2023). 법정감염병 보고서 — 비브리오 패혈증·장염 비브리오. KDCA.환자 통계