상세 설명서: 센서 행렬(F–S) 에이전트는 이렇게 만들었습니다

지금 결과

셀은 구역(강남 96 · 춘천 52) × 성·연령 12집단으로 모두 1,776개이고, 기간은 2025년 7~12월입니다. 투표하는 센서는 강남 18개, 춘천 15개입니다.

예를 들면

강남 어느 동네의 50대 남성 집단에서 센서 다섯이 켜졌다고 합시다. 유동이 이웃보다 적고 더 빨리 줄었고(M1 → F1 · F2 · F3 · F4), 이 구역은 시설이 드물며(P1 → F2), 경로당 · 주민센터 같은 모임 시설 근처가 한산하고(P2 → F1 · F3), 이 동의 50대 남성 1인 세대가 빨리 늘었고(R2 → F3, 40대 이상이라 주 연결), 이 집단의 병원 · 약국 결제 비중이 꾸준히 늘었습니다(C5 → F4). M1은 네 칸에 연결되어 있으므로 넷에 1씩 줍니다.

상대 점수는 강남의 다른 셀과 견준 자리입니다 — 예컨대 강남에서 F3의 센서가 셋 켜진 셀은 드물어 F3은 88점입니다. 신호 점수 S가 86점이면 강남에서 신호가 있는 1,061셀 가운데 신호 점수 S가 이보다 높은 셀이 4.3%뿐이라 위험 점수 T = 4.3%입니다. "드물다"의 기준은 T입니다 — T가 10% 이하(신호가 있는 셀 가운데 위에서 10% 안)면 4단계, 1% 이하면 5단계입니다. 자료 제공처가 몇 곳인지와 여러 달 이어졌는지는 단계를 바꾸지 않고 Critic이 메모로 남깁니다. 이 셀은 T가 10% 이하라 4단계입니다. 상대 점수가 80 이상이고 센서가 둘 이상 켜진 F2 · F3 · F4가 두드러진 특징이라, 거기에 대응을 붙입니다. 같은 셀에서 M2 귀가 이동 감소까지 켜지면(네 칸에 1씩) 특징 점수가 F1 3 · F2 3 · F3 4 · F4 3으로 오르고, 신호 점수 S가 96점 · T = 0.5%가 되어 4단계가 됩니다. 실제 셀로 따라가는 예는 12장에 있습니다.

하지 않는 일

• 개인을 판정하지 않습니다. 모든 값은 구역 × 성·연령 집단의 집계입니다.
• 주관적 외로움과 관계의 질은 재지 않습니다. 흔적으로 남는 행동(이동 · 체류 · 결제 · 세대 구성)만 봅니다.
• 지역끼리 비교하지 않습니다. 단계는 같은 지역 안의 순위이고, 강남과 춘천은 센서의 수도 다릅니다.²
• 특징을 원인으로 확정하지 않습니다. "이 셀에 이런 조건이 함께 있다"까지만 말합니다.³

이 장은 "왜 이런 모양인가"를 처음부터 따라갑니다. 문제에서 출발해 분석 단위, 센서, 행렬, 점수의 흐름, 실제 분석의 순서까지입니다.

① 풀어야 할 문제

사회적 고립(교류가 적은 상태)을 직접 보여 주는 자료는 없습니다. 통신 · 카드 · 주민등록 자료에는 누가 누구를 만나는지가 없고, 이번 분석에는 설문을 쓰지 않습니다. 그래서 고립을 판정하는 대신, 교류의 기회가 줄어든 흔적이 어디에 겹쳐 있는지를 찾아 먼저 살펴볼 순서를 정합니다. 흔적은 행동(이동 · 체류 · 결제)과 조건(시설 · 세대 구성 · 수급)으로 남습니다.

② 집단은 어떻게 나눴나 — 구역 × 집단 = 셀

판정의 단위는 셀, 곧 구역 하나 × 성·연령 집단 하나입니다. 집단은 성별 2 × 연령 6 = 12입니다(10대 · 20대 · 30대 · 40대 · 50대 · 60대 이상). 이 구간은 가장 촘촘한 자료인 SK 유동인구가 처음부터 나눠 주는 구간이고, 다른 자료는 여기에 맞췄습니다. 그래서 여러 자료가 같은 셀을 함께 가를 수 있는 가장 촘촘한 단위가 이 12개입니다. 더 잘게(예: 65세 이상 따로) 나누면 한 자료에서만 가를 수 있어 센서끼리 같은 셀을 보지 못합니다.

구역은 행정동(강남 22 · 춘천 25)보다 작습니다. 동 단위 자료는 그 동의 구역들에 같은 값을, 구 단위 자료(카드)는 그 집단의 모든 구역에 같은 값을 줍니다 — 이것이 "값이 갈리는 단위"입니다(8장).

③ 왜 센서인가

자료마다 단위(50m 격자 · 동 · 구), 주기(날 · 달 · 해), 뜻(유동 · 결제 · 세대)이 다릅니다. 이것을 한 모델에 그대로 넣으면 큰 자료나 촘촘한 자료가 결과를 좌우하고, 결과가 왜 나왔는지 말하기 어렵습니다. 그래서 자료 하나에서 질문 하나("이 셀에서 ○○이 다른 곳보다 더 줄었나")를 뽑아 0/1로 답하게 했습니다. 이것이 센서입니다.

• 같은 말을 씁니다. 통신이든 카드든 결과는 켜짐 · 꺼짐 · 결측 셋뿐이라 함께 셀 수 있습니다.
• 더하고 빼기 쉽습니다. 새 자료나 새 지역이 들어오면 센서 하나를 더하거나 결측으로 두면 되고, 나머지는 그대로입니다.
• 켜진 까닭을 한 문장으로 말합니다. "이 동의 50대 남성 1인 세대가 빨리 늘었다"처럼요.

강도(0~5) 대신 0/1인 까닭과 센서끼리 가중치를 두지 않는 까닭은 4장에 있습니다.

④ 왜 행렬인가 — 다른 위험 탐지 방식과 견주어

행렬을 고른 까닭은 셋입니다. 정답 없이 돈다 — 학습할 정답 대신 "이 제약이 있으면 이 흔적이 나타날 수 있다"는 지식으로 돕니다. 왜를 함께 말한다 — 줄 세우기(얼마나 먼저)와 유형(어떤 제약)이 같은 계산에서 나와 대응으로 바로 이어집니다. 고치기 쉽다 — 센서는 열, 특징은 행이라 새 자료 · 새 문헌이 들어오면 칸을 더하거나 지우면 됩니다. 교육 평가의 Q-행렬(문항마다 어떤 능력을 재는지 전문가가 미리 적은 표, Tatsuoka 1983)과 같은 꼴입니다 — 관측(문항 · 센서)과 숨은 속성(능력 · 제약)의 연결을 지식으로 정해 두고, 관측된 반응으로 속성을 읽습니다.

⑤ 군집으로 묶어 보면 — 지금 방식과 무엇이 다른가

비슷한 셀끼리 묶고 이름 · 대응을 나중에 붙이는 방식은 이 에이전트와 닮았습니다. 이 에이전트도 유형을 미리 정하지 않고 결과를 보고 이름을 붙이기 때문입니다. 그래서 에이전트가 쓰는 것과 같은 센서 벡터(신호가 있는 셀, 켜짐 · 꺼짐 · 결측)로 0/1 자료의 표준 군집인 잠재계층 분석(LCA)을 지역마다 돌려, 지금 방식(두드러진 특징의 조합)과 견주었습니다. 묶음 수는 BIC(자료를 잘 설명하면서 묶음이 너무 많지 않은 수)로 골랐습니다.

'지역 평균보다 높은 센서'는 그 묶음에서 켜질 확률이 0.5 이상이면서 지역 평균의 1.5배 이상인 센서이고, 이것을 F–S 행렬(넓은 연결)로 특징에 옮긴 것이 '나중에 붙이는 이름'입니다.

• 묶는 기준이 다릅니다. 군집은 많은 셀이 함께 가진 켜짐 패턴을 찾습니다. 그래서 가장 큰 묶음은 '뚜렷한 센서 없음'(신호가 한두 개뿐인 다수)이 되고, 위험이 높은 드문 겹침은 한 묶음이 되지 못하고 흩어집니다 — 4단계 이상 셀의 절반가량만 한 묶음에 듭니다. 지금 방식은 특징마다 "이 지역에서 그만큼 켜진 것이 드문가"를 보므로 드문 겹침이 그대로 유형이 됩니다.
• 두 방식은 거의 다른 셀끼리 묶습니다. 일치(ARI)가 강남 0.09 · 춘천 0.33로, 군집의 묶음 하나에 지금 방식의 여러 유형이 섞여 있습니다.
• 나중에 붙인 이름이 흐립니다. 묶음은 센서 단위로 생기는데, 한 센서가 여러 특징에 걸려 있어 특징으로 옮기면 여러 특징이 한꺼번에 나옵니다(춘천의 묶음 4개 가운데 3개가 네 특징 모두). 그러면 어떤 대응을 붙일지 고를 수 없습니다. 언어 모델이 문장으로 이름을 지어 줘도, 바탕의 묶음이 특징 축 위에 있지 않으면 이름에서 대응으로 가는 고리가 약합니다.
• 집단 값에 끌려갑니다. 춘천에서 카드 센서(구 · 시 × 집단 값)를 넣으면 묶음이 성 · 연령을 따라갑니다(크래머 V 0.77, 지금 방식은 0.33). 카드를 빼면 0.08로 내려가지만 묶음 자체가 바뀝니다(두 판의 일치 0.28).
• 넣는 센서와 지역에 따라 바뀝니다. 센서 하나를 빼면 군집은 같은 셀끼리 남는 정도가 강남 평균 0.75(가장 나쁠 때 0.34), 지금 방식은 0.86(0.44)입니다. 강남과 춘천의 묶음은 서로 같은 것이 없어, 지역마다 이름과 대응을 새로 붙여야 합니다. 지금 방식은 특징 축이 같으므로 "F2 환경 + F3 관계"가 두 지역에서 같은 뜻입니다.

그래서 군집은 판정에 쓰지 않습니다. 대신 규칙이 말하지 못하는 패턴을 찾는 점검으로 쓸모가 있습니다 — 예컨대 강남의 'M5 낮 활동 감소' 묶음(0%)은 지금 방식으로는 대부분 '두드러진 특징 없음'입니다. 자료가 달마다 쌓이면 이런 묶음이 되풀이되는지 보고, 되풀이되면 새 특징 · 연결의 후보로 사람에게 올리는 데 쓸 수 있습니다. 다시 돌리려면 python v3_cluster_compare.py.

⑥ 일곱 에이전트 — 팀 회의의 역할 그대로

⑦ 위험 정도는 어떻게 흐르나

걸음마다 하는 일이 하나씩입니다. 센서에서 크기를 버리고(근거를 댈 수 없는 강도), 특징 점수에서 제약별로 모으고, 상대 점수에서 특징마다 다른 센서 수를 같은 눈금(0~100)에 올리고, S에서 하나로 합치고, T에서 지역 안의 순위로 바꿉니다. 단계와 따로, 상대 점수가 높은 특징은 두드러진 특징이 되어 유형과 대응을 정합니다(10장).

⑧ 데이터 분석은 어떻게 흘렀나

1. 자료를 모은다 — 대회가 준 SK 유동인구 · 신한카드에, 서울 생활인구 · 생활이동, 주민등록, 인허가, 시설 좌표, 수급 통계를 더했습니다(15장).

2. 단위를 맞춘다 — 50m 격자를 구역으로 묶고, 연령 구간을 12개 집단에 맞추고, 카드는 그 지역 거주자의 결제만 남기고(외지인 빼기), 행정동 코드를 서로 잇습니다.

3. 시계열을 살핀다 — 달 · 주 단위로 그려 특이점을 찾았습니다. 10월에 모든 집단이 함께 꺼지는 모양에서 추석을 의심했고, 그래서 비교군의 변화를 빼고 명절 주를 빼는 걸음을 넣었습니다(5장).

4. 센서를 만든다 — 변화량 → 비교군의 변화 빼기 → 같은 집단 안 하위 20% + 음수 → 0/1. 카드는 주별 추세 검정(켄달 τ)으로 켭니다.

5. 센서를 점검한다 — 두 센서가 같은 것을 재는지(스피어만 순위상관, 5장의 표), 업무지구(낮 ÷ 심야 인구), 재건축 이주(전입 · 전출 급증), 값이 갈리는 단위를 봅니다.

6. 행렬과 점수 — F–S 행렬로 특징 점수를 내고, 상대 점수 → S → 위험 점수 T → 단계로 갑니다(9장).

7. 유형과 대응 — 두드러진 특징의 조합에 전략과 가까운 시설 · 프로그램을 붙입니다(10장).

8. 견주어 본다 — 두 연결 모드의 차이(11장), 그리고 앞으로 달마다 자료가 들어올 때의 판정 방식을 긴 시계열로 검증했습니다(5장).

① 고립은 교류가 없는 것이다

회사만 다니고 다른 관계가 없는 사람은 회사를 그만두면 고립됩니다. 그래서 위험을 가장 잘 보여 주는 것은 "몸을 담고 있는 관계의 종류가 몇 가지인가"입니다. 하지만 통신 · 카드 · 주민등록 자료에는 누가 누구와 만나는지가 없습니다.

② 그래서 교류의 기회를 좁히는 제약을 본다

돈이 부족해서(F1 비용), 동네에 갈 곳 · 갈 길이 없어서(F2 환경), 만날 사람이 없어서(F3 관계) 교류의 기회가 줄어듭니다. F2는 장소의 성질입니다 — 시설이 드물거나 멀고, 교통 · 보행 환경이 나쁜 것.

시간이 없거나 몸 · 건강이 안 돼서 줄어드는 경우도 있습니다(F4 기타 제약). 건강은 고립의 주요 원인이지만 사람의 사정이라, 구역 × 집단으로 묶은 자료로는 가를 수 없습니다(건강만 가리키는 센서는 C5 하나이고 그마저 구 · 시 단위입니다). 그래서 F4에는 주 연결을 두지 않고 넓은 연결만 둡니다 — 넓은 연결 모드에서만 점수를 내고, 대응은 개인 확인 · 방문 건강관리로 잇습니다. 연결은 7장에 있습니다.

③ 센서는 0/1이다

④ 여러 특징에 걸린 센서는 나누지 않는다

⑤ 지역 안에서만 비교한다

강남과 춘천은 쓸 수 있는 자료가 다릅니다. 단계는 같은 지역 안의 상대 위치이고, 새 지역이 들어오면 같은 틀로 그 지역 안의 순위를 냅니다.²

센서가 0/1을 내는 세 걸음

1. 변화량을 구한다: 7~9월 대비 10~12월. 대부분 로그 비율이나 비중의 %p 차이입니다.⁶

2. 모두에게 공통인 변화를 뺀다: 자료를 달 · 주 단위의 시계열로 그려 보면 특이점이 보입니다. 강남 서울 생활인구에서 2025년 10월에는 12개 집단이 모두 9월보다 -10~-4% 줄었다가, 11월에는 대부분 돌아옵니다(-4~-1%). 한 달에만 모든 집단이 함께 꺼지는 모양은 개인의 사정이 아니라 달력의 사정이라, 날짜를 맞춰 보니 2025년 추석 연휴(10월 3~9일, 7일)였습니다. 추석이 9월이던 2024년의 10월에는 이런 꺼짐이 없었습니다(-0~+4%).

   추석은 해마다 9월과 10월을 오가므로(2024년 9월 17일 · 2025년 10월 6일), "7~9월 → 10~12월" 비교에는 추석이 어느 쪽에 드느냐가 섞이고, 방학이 끝나는 것도 겹칩니다. 그래서 공통인 변화를 빼야 "여기만 유독 줄었는지"가 남습니다. 비교군은 같은 집단의 다른 구역 · 동, 작년 같은 기간, 2017~2023 평년 가운데 센서에 맞는 것을 쓰고, 카드 시계열은 명절 주를 아예 뺍니다.⁷⁸

3. 0/1로 자른다: 같은 지역 · 같은 집단 안에서 하위 20%이면서 값이 음수이면 켜집니다. 수준을 보는 센서(P1 시설 밀도 · R3 수급률)는 순위만으로 하위 또는 상위 20%입니다.⁹

수준 센서의 기준 — P1 · R3도 다른 센서만큼 켜진다

변화를 보는 센서는 "줄었다"는 방향이 있어 하위 20% + 음수 두 조건으로 켭니다. P1 시설 밀도와 R3 수급률은 변화가 아니라 지금의 수준이라 "음수"라는 조건이 없고, 지역 안 순위 하나로 자릅니다 — P1은 밀도가 낮은 쪽 20%, R3은 수급률이 높은 쪽 20%.

그래서 P1 · R3도 켜집니다. P1은 강남 20% · 춘천 19%, R3은 강남 12% · 춘천 17%의 셀에서 켜집니다(R3은 동 단위로 자르므로, 켜진 동에 구역이 몇 개 있느냐에 따라 셀 비율이 20%와 달라짐). 20%로 맞춘 까닭은 센서에 가중치가 없기 때문입니다. 가중치가 없으면 자주 켜지는 센서일수록 점수에 더 자주 들어가 사실상 더 큰 발언권을 가집니다. 수준 센서를 예컨대 3분의 1로 자르면 다른 센서(20% 이하)보다 1.5배 넘게 자주 켜지므로, 켜지는 비율을 다른 센서와 같은 20%에 맞췄습니다.¹⁰ 이와 별개로, 대응에서 "시설이 멀 때 / 가까울 때"를 고르는 조건 변수는 시설 밀도를 3분위(1/3)로 가릅니다.

카드 센서는 주별 시계열로 켠다 — 켄달 τ

신한카드 자료는 구 · 시 단위라 구역을 가르지 못하지만, 날마다의 값이 있어 시간 방향으로는 가장 촘촘합니다. 그래서 두 구간의 차이 대신 흐름을 봅니다: 집단의 주별 지표에서 지역 전체의 주별 지표를 뺀 시계열이 반년 동안 한 방향으로 꾸준히 움직였는지를 켄달 순위상관(τ)으로 재고, 위험 쪽으로 유의(p < 0.01)하면 켭니다.¹¹ 명절 주는 빼고, 10대는 방학 → 학기 전환이 지배해 재지 않습니다. 결제는 그 지역 가맹점에서 같은 시 · 도 거주자가 쓴 것만 봅니다.¹²

켄달 순위상관(τ): 두 값의 순서가 얼마나 같은 방향인지 재는 값입니다. 여기서는 "시간"과 "지표"를 견줍니다. 주 두 개를 짝지어 모든 짝을 보고, 뒤의 주가 더 큰 짝의 수에서 더 작은 짝의 수를 뺀 뒤 전체 짝의 수로 나눕니다. +1이면 매주 꾸준히 늘고, −1이면 꾸준히 줄고, 0이면 방향이 없습니다. 크기가 아니라 순서만 보므로 한두 주가 튀어도 크게 흔들리지 않습니다.

센서끼리 얼마나 겹치나 — 스피어만 순위상관 표

센서는 저마다 다른 것을 재야 합니다. 두 센서가 사실상 같은 것을 재면, 가중치가 없어도 그 신호가 두 번 세어져 숨은 가중치가 됩니다. 그래서 0/1로 자르기 전의 값으로 센서 두 개씩 스피어만 순위상관 ρ를 쟀습니다. 값은 모두 켜지는 쪽이 큰 값이 되게 부호를 맞췄으므로, ρ가 양수면 "함께 켜지는 쪽으로 움직인다", 음수면 "한쪽이 켜질 때 다른 쪽은 꺼지는 쪽"입니다.

• 단위 — 동 × 집단(강남 264개 · 춘천 300개). 구역에서 갈리는 센서는 그 동 구역들의 중앙값으로 모았습니다. 한 동의 값이 구역 수만큼 복제되어 상관이 부풀지 않게 하기 위해서입니다.
• 읽는 법 — |ρ| 0.3 미만은 거의 다른 것을 잰다, 0.3~0.5는 일부 겹친다, 0.5 이상은 상당 부분 같은 것을 잰다로 봅니다. 동 × 집단이 수백 개라 |ρ| 0.16만 넘어도 우연이 아니므로(p < 0.01), 유의한지보다 크기를 봅니다.
• 뺀 것 — M4 도보 증가는 M3 도보 감소와 같은 값의 반대쪽 끝이라(ρ = −1) 표에 넣지 않았습니다. 춘천의 P3은 값이 있는 동 × 집단이 절반이 안 되어 뺐습니다.

• 대부분의 쌍은 다른 것을 잽니다. |ρ|가 0.3 미만인 쌍이 강남 50/55 · 춘천 21/28입니다.
• 강하게 겹치는 쌍 — 강남 M5–P2 +0.65 · M6–P2 -0.56 · M5–M6 -0.51, 춘천 M6–P1 +0.75 · M1–P1 +0.57 · M1–M6 +0.51. 강남의 M5 · M6 · P2는 모두 SK 유동의 구역 값에서 나옵니다. M5(낮 비중)와 M6(주말 비중)이 반대로 움직이는 것은 시간대 비중끼리 합이 정해져 있기 때문이고, M5와 P2(모임 · 생활 시설 주변 한산)는 같은 유동을 다른 각도로 본 것이라 겹칩니다. 춘천의 M1 · M6 · P1은 시설이 드문 면 지역 구역에서 유동 위축과 주말 비중 감소가 함께 나타나는 모양입니다.
• 겹치는 쌍을 그대로 둔 까닭 — 같은 자료에서 나와도 묻는 질문(얼마나 줄었나 / 언제 줄었나 / 어디 근처가 줄었나)과 연결된 특징이 다릅니다. 다만 이 쌍이 함께 켜진 셀은 한 자료의 신호가 두 번 세어졌을 수 있다고 읽습니다.

카드 센서(C1~C5)와 C6의 값(만남 소비 비)은 구 · 시 × 집단에서만 갈려, 집단끼리(지역마다 10개, 10대 없음) 따로 쟀습니다. 표본이 10개라 크게 흔들리므로 0.6 넘는 것만 눈여겨봅니다 — 강남 C1–C2 +0.90, 춘천 C3–C6 +0.77 · C5–C6 +0.72 · C3–C5 +0.61.

다시 돌리려면 python v3_sensor_spearman.py. 센서 밖의 점검(체류 · 생활인구의 겹침, 업무지구 판정의 전제, 두 연결 모드, 롤링 검증)에 쓴 스피어만 ρ는 위 상자에 있습니다.

업무지구 — 빼지 않고 메모를 붙인다

왜 조심해야 하나. SK 유동인구는 그 구역을 지나간 사람을 사는 곳과 상관없이 셉니다. 역삼 · 삼성처럼 낮에 일하러 오는 사람이 사는 사람보다 훨씬 많은 동에서는, 유동이 줄었다면 그 동의 주민이 덜 나온 것인지 직장인이 덜 온 것인지를 가를 수 없습니다(사무실 이전 · 재택 · 휴가).

어떻게 가리나. 서울 생활인구에서 낮 인구 ÷ 심야 인구(밤에 잠자는 곳 = 대체로 주민, 동별 순위상관 ρ = 0.68)가 1.5 이상, 곧 낮에 사람이 주민보다 50% 이상 많은 동을 업무지구로 봅니다. 판정은 동 단위로 합니다 — 동의 12개 집단 값의 중앙값. 구역의 값인 센서가 집단마다 다르게 다뤄지지 않게 하기 위해서입니다. 1.5는 분포의 틈입니다: 강남 22개 동의 중앙값이 나머지 동 0.67~1.35과 업무 · 상업 동 1.51~3.64(10개 동) 사이에서 끊깁니다.

어떻게 다루나. 발화를 빼지 않습니다 — 빼면 그 동에 실제로 사는 사람의 변화까지 버리기 때문입니다. 대신 셀에 업무지구 메모를 붙이고, 주민의 기록으로 켜지는 센서(M2 귀가 · R1 동연령 · R2 1인 세대)로 교차 확인합니다. SK 센서와 주민 기록 센서가 함께 켜졌으면 주민 쪽 변화일 가능성이 크고, SK 센서만 켜졌으면 직장인 쪽 변화일 수 있어 확인이 먼저입니다.¹³

춘천에는 생활인구 자료가 없어 업무지구를 가리지 못합니다. 화면의 셀 상세에서 메모와 "주민 기록 센서도 켜짐 / 꺼짐"을 함께 봅니다.

앞으로 자료가 달마다 들어오면 — 롤링 기준선

예측 · 이상 탐지 모델이 흔히 쓰는 세 가지를 빌려 옵니다(agent/streaming.py).

• 지수가중 이동평균(EWMA) 기준선 — 직전 12달을 보되 최근 달일수록 무겁게, 반감기 3달(석 달 전 달의 무게는 직전 달의 절반). 금융의 위험 관리(RiskMetrics)와 공정 관리의 EWMA 관리도가 같은 생각입니다. 오래된 달은 무게가 저절로 0에 가까워집니다.
• 표준화(z) — 기준선과의 차이를 그 셀이 평소 출렁이는 폭으로 나눕니다(볼린저 밴드와 같은 생각). 원래 크게 출렁이는 작은 셀이 그 출렁임 때문에 켜지는 일을 줄입니다.
• 누적합(CUSUM) — 작은 하락이 여러 달 이어지면 쌓이고, 한 달만 튀면 풀립니다. 켜는 데보다 지속성(Critic 메모의 '여러 달 이어짐')을 재는 데 씁니다.

공통 충격(추석 · 날씨 · 감염병)은 지금처럼 같은 집단의 다른 동과의 차이로 먼저 빼고, 켜는 규칙도 지금과 같이 하위 20% + 음수로 둡니다 — 켜지는 비율이 다른 센서와 같아야 숨은 가중치가 생기지 않으므로, 바뀌는 것은 "무엇으로 줄 세우나"뿐입니다.

검증: 강남 서울 생활인구(22개 동 × 12개 집단, 2017년 1월 ~ 2026년 7월)로, 2019년 1월부터 88달 동안 달마다 그때까지의 자료만 써서 켜 보았습니다. 정답이 없으므로 "켜진 하락이 다음 석 달에도 이어졌나"를 봅니다 — 다음 석 달의 평균이 지난 1년 평균보다 같은 집단 안에서 하위 20%로 낮으면 '이어진 하락'입니다. 아무렇게나 켜면 20%가 맞습니다.¹⁴

• 롤링 기준선(EWMA) z가 지금 방식보다 낫습니다. 정밀도 42% 대 41%, 석 달 안에 돌아온 '일시 하락'이 15% 대 21%, 정보계수 0.55 대 0.43. '이어진 하락'의 기준 구간을 지난 6달 · 석 달로 바꿔도 순서가 같습니다(지난 석 달 기준 40% 대 27%).
• 지난달 대비 · 작년 같은 달 대비는 못합니다. 한 달 차이는 잡음에 휘둘리고, 작년 대비는 추석처럼 해마다 옮겨 다니는 명절에 오히려 속습니다.
• 명절 달은 따로 다룹니다. 롤링 z도 명절 달에는 정밀도가 33%로 떨어집니다. 설 · 추석이 든 달에만 지난달과 이번 달의 z를 평균하면 명절 달이 40%로 오르고, 전체 정밀도 44% · 일시 하락 14%로 가장 좋습니다. 모든 달을 두 달 평균하면 그 밖의 달까지 한 달 늦게 켜지므로, 명절 달에만 두 달 평균을 운영 규칙으로 권합니다(streaming.operating_z).
• 오래된 달도 쓸모가 있습니다. 기준선 창 · 반감기를 바꿔 보면 6달 · 반감기 1달은 34%, 12달 · 3달은 42%, 24달 · 6달은 48%입니다. 평소 출렁임을 재려면 1년 이상이 필요해, 오래된 달은 무게를 줄이되 버리지 않습니다. 자료가 2년 넘게 쌓이면 창을 늘립니다.
• 누적합은 켜는 데보다 지속성에 맞습니다. 켜진 셀이 다음 달에도 켜질 비율이 88%로 가장 높아, Critic 메모의 "여러 달 이어짐"을 재는 데 씁니다.

지금의 여섯 달 분석은 두 덩어리 비교를 그대로 씁니다 — 기준선을 세울 12달이 없기 때문입니다. 두 덩어리 비교는 "석 달 평균 대 석 달 평균, 같은 무게, 표준화 없음"인 롤링의 특수한 경우입니다. 다시 돌리려면 python streaming_backtest.py.

센서를 이름 순서(M 이동 · P 장소 · R 주민 · C 소비)로 모았습니다. 제목 줄의 세 칸은 자료 · 값이 갈리는 단위 · 켜진 비율(강남 / 춘천)입니다.

M 이동 사람이 실제로 움직이고 머문 양

P 장소 갈 곳이 있는가, 그 주변에 사람이 다니는가

R 주민 누가 살고 있는가(주민등록 · 행정 통계)

C 소비 카드를 얼마나, 어디에 쓰는가

X 판정에 쓰지 않는 참고 · 점검 채널

X로 시작하는 것은 투표하지 않습니다. 점수에 들어가지 않는 대신 판정을 점검하는 데 씁니다. 원칙은 하나입니다 — 판정에 쓴 자료로 판정을 확인하면 같은 것을 두 번 세는 셈이므로, 점검에는 투표하지 않은 자료를 씁니다. 지금 실제로 돌아가는 것은 반증 점검(X4)과 중복 점검(X6)이고, 특징이 맞는지 확인하는 검증(X5)은 아직입니다.¹

행렬의 행은 특징 넷, 열은 센서입니다. 칸이 차 있으면 그 센서가 켜질 때 그 칸에 1을 줍니다. F4 기타 제약에는 주 연결이 없어 넓은 연결 모드에만 있습니다.

F–S 행렬 — 행은 특징, 열은 센서

● 주 연결(두 모드 모두 점수 1) · ○ 넓은 연결(넓은 연결 모드에서만 점수 1). 왼쪽 반 = R1, 10~30대에서만 주 연결 · 오른쪽 반 = R2, 40대 이상에서만 주 연결 — 다른 연령에서는 넓은 연결이고, 주 연결 모드에서는 연결이 없습니다. 맨 오른쪽은 점수를 주는 센서 수(특징 점수의 최고점) — 주 연결 모드 / 넓은 연결 모드. C6은 강남에서는 동 × 집단, 춘천에서는 시 × 집단(*)입니다.⁴

연령에 따라 연결이 갈리는 센서 — R1 · R2

다른 연령에서는 넓은 연결로만 F3에 1을 줍니다. 주 연결 모드에서는 연결이 없어 점수에 들어가지 않습니다. 문헌은 기억에 기대어 붙인 출발점이라 팀이 원문을 확인합니다.

넓은 연결 모드에서 M1 · M2 · C3처럼 셋 이상의 칸에 걸린 센서는 S(순서)는 올리지만 어느 칸인지 가르지는 못합니다.³⁰ 칸을 가르는 것은 한 칸에만 걸린 센서입니다 — F1 M4, R3 · F2 M3, P1 · F3 R1, R2 · F4 C5.

특징 넷

특징의 문헌 근거

각 특징이 기대는 문헌입니다. 전체 틀(구조적 고립을 외로움과 구분해서 재는 것)은 WHO Commission on Social Connection (2025) · Valtorta NK, Kanaan M, Gilbody S, Hanratty B (2016) · Holt-Lunstad J, Smith TB, Baker M, Harris T, Stephenson D (2015)에 기댑니다. 서지는 16장.

지역마다 쓰는 센서 수

지역마다 있는 자료가 달라 쓰는 센서도 다릅니다. 아래는 그 지역에 있는 투표 센서 가운데 특징마다 점수를 주는 센서 수입니다 — 그 지역에서 특징 점수가 가질 수 있는 최고점이기도 합니다. 한 센서가 여러 특징에 걸리므로 특징별 수를 더하면 합계보다 큽니다.

강남에만 있는 센서(M2 · M3 · M4)는 서울 자료(생활이동 · 생활인구)로 만든 것입니다.³¹ 두 지역 모두, 두 모드 모두에서 특징마다 점수를 주는 센서가 둘 이상이라 어느 특징이든 두드러질 수 있습니다. 다만 실제 결과에서 주 연결 모드로 두드러진 셀이 하나도 없는 칸이 있습니다: 강남 F4 · 춘천 F4.

연결마다 이유 · 문헌

연결 칸의 주는 두 모드 모두, 넓은은 넓은 연결 모드에서만 점수를 줍니다. 센서 이름 옆의 작은 번호는 그 센서의 한계로 가는 각주입니다. 서지는 16장.

따로 두는 것 — 배경(생애 전환 사건)

1인 세대 · 전입 · 전출 급증은 셀에 "배경"으로 적고, 대응에 전입 · 사별 시점의 안내를 한 줄 덧붙입니다. 이 가운데 R2 1인 세대 급증만 센서로도 셉니다(독거는 구조적 고립의 지표로 쓰입니다). 전입 · 전출은 특징에 투표하지 않고, 동 전체에서 급증하면 R1 동연령 감소에 "재건축 이주일 수 있음" 메모를 붙입니다(끄지 않음).³²

신뢰도가 낮은 켜짐 — 끄지 않고 메모

10대의 C6 명절 기간 만남 소비 정체는 방학 · 학사일정과 적은 표본에 흔들립니다. 예전에는 이 켜짐을 뺐지만, 지금은 센서의 켜짐을 그대로 두고 Critic이 셀에 메모만 붙입니다(춘천 52셀 · 강남 0셀). 센서를 켜고 끄는 것은 Sensor의 일이고 Critic은 메모만 남깁니다.

• 구역과 집단을 둘 다 가르는 센서는 M1 하나입니다. 나머지는 구역이나 집단 가운데 한쪽, 또는 동 단위로만 가릅니다.
• 카드가 켜진 집단은 통째로 올라갑니다. "이 지역의 이 성·연령 전체가 그렇다"는 사실이므로, 동네를 고르는 데는 다른 센서가 함께 필요합니다.¹²
• 업무지구 판정은 동 단위입니다. 동의 12개 집단 값의 중앙값으로 가리므로, 구역의 값인 센서가 집단에 따라 다르게 다뤄지지 않습니다. 빼지 않고 메모만 붙입니다(5장).¹³

위험 점수 T는 "위에서 몇 %"입니다. 신호가 있는 셀을 S가 높은 순서로 한 줄로 세우고, 이 셀 앞에 선 셀의 비율을 잽니다. 강남은 신호가 있는 셀이 1,061개라, T = 1%면 앞에서 열한째 안팎, T = 10%면 백열째 안팎입니다. 작을수록 먼저 볼 곳이고, S가 같은 셀은 가운데 자리로 봅니다.

합과 비율은 무엇이 다른가

같은 지역의 같은 특징 안에서는 분모(연결된 센서 수)가 모든 셀에서 같으므로, 합으로 줄을 세우나 비율로 줄을 세우나 순서가 같습니다. 달라지는 곳은 여러 칸을 하나로 합칠 때입니다. 비율의 평균은 "센서 하나의 무게"가 특징마다 달라지고(센서가 5개인 특징의 한 개 = 20점, 11개인 특징의 한 개 = 9점), 합의 합은 센서가 많은 특징이 좌우합니다. 그래서 합을 그대로 두고, 특징마다 셀끼리 견준 자리(0~100)로 바꾼 뒤 평균합니다. 이렇게 하면 "이 지역에서 그 특징이 그만큼 켜진 것이 얼마나 드문가"가 점수가 됩니다.

상대와 절대 — 무엇을 놓치나

• 지금 자료에서는 절대 기준(절반 이상)으로 잡힌 셀이 대부분 상대 기준으로도 잡힙니다(강남 F1 · F2 · F3 · F4: 3/236 · 96/339 · 1/231 · 106/106 — 절대 / 상대로 두드러진 셀 수). 절대 기준은 지역 전체가 나빠지는 경우를 위한 안전장치입니다.
• 센서 자체가 이미 상대 비교입니다. 대부분의 센서는 "같은 지역 · 같은 집단 가운데 하위 20%"로 켜집니다. 그래서 여기서 말하는 절대는 "얼마나 심한가"가 아니라 "서로 다른 신호가 몇 개 겹쳤는가"입니다.³³
• 관측되지 않은 센서는 셀끼리 견줄 때 그 센서의 지역 평균 켜짐 비율로 둡니다. 0으로 두면 센서가 적게 관측된 곳이 뒤로 밀리고, 빼면 앞에 섭니다. "켜진 수"와 센서 벡터에는 넣지 않습니다 — 센서 값은 끝까지 0 · 1 · 결측이고, 소수가 되는 것은 줄을 세울 때 쓰는 비교값뿐입니다. 예컨대 강남의 어느 셀에서 R2 1인 세대 급증을 재지 못했고 F3의 다른 센서가 2개 켜졌다면, 화면의 F3 특징 점수는 2, 다른 셀과 견줄 때의 비교값은 2 + 0.18(강남에서 R2가 켜진 셀의 비율) = 2.19입니다. 관측된 센서는 강남이 셀마다 10~18개(지역의 센서 18개), 춘천이 6~15개(15개)입니다.³⁴

단계

1. 켜진 센서가 하나도 없음 → 1단계 매우 낮음

2. 위험 점수 T ≤ 1% → 5단계 매우 높음 (켜진 센서의 제공처 수 · 11·12월 연속 감소는 단계에 쓰지 않고 Critic 메모로 남김)

3. T ≤ 10% → 4단계 높음

4. T ≤ 50% → 3단계 보통

5. 나머지 → 2단계 낮음 (신호는 있지만 신호가 있는 셀 가운데 아래쪽 절반)

두드러짐의 기준(상대 점수 80 · 연결된 센서의 절반 이상)은 단계에 쓰지 않습니다. 단계는 T로만 정하고, 두드러짐은 유형과 대응을 고르는 데만 씁니다.

S와 단계 — 강남 (신호가 있는 1,061셀)

춘천 (신호가 있는 571셀)

• 왜 신호가 있는 셀끼리 순위를 매기나: 분모를 신호가 있는 셀로 두면 "신호가 있는가"(1단계와 2단계 사이)와 "그 가운데 얼마나 앞인가"(2~5단계)를 따로 묻게 됩니다.
• 경계(50% · 10% · 1%)는 정한 값입니다. 동점은 가운데 자리로 봅니다.³⁵
• 5단계는 T ≤ 1%인 셀입니다 — 강남 11셀, 춘천 7셀. 이 가운데 켜진 신호가 두 곳 이상의 자료에서 나오고 11·12월 연속 감소까지 관찰된 셀은 강남 7 · 춘천 3셀이고, 나머지에는 Critic이 '한 곳의 자료' 또는 '연속 감소 미확인' 메모를 붙입니다(단계는 그대로).

또래 메모

S는 그대로 두고, 같은 성·연령 집단의 신호 있는 셀끼리만 한 번 더 줄을 세운 것이 또래 T입니다. 단계는 지역 T로 매기고, 또래 T가 위 10% 안이면 셀에 "또래에 비해 위험함" 메모만 붙입니다.

두 순위는 거의 같습니다. 춘천은 집단마다 신호 있는 셀이 35~52개로 적어 또래 순위가 더 흔들립니다. 메모가 쓸모 있는 곳은 지역 순위로는 3단계지만 또래 안에서는 앞쪽인 셀입니다.

유형 — 두드러진 특징의 조합

미리 정한 유형을 쓰지 않습니다. 두드러진 칸을 이은 것이 유형 이름입니다(예: "환경 + 관계", "관계 + 기타"). 한 셀 안에서 칸끼리 점수를 견줘 고르는 것이 아니라, 칸마다 다른 셀과 견줘 두드러진 것을 모두 적습니다.

"상대 기준"은 그 지역에서 상대 점수 80 이상이 되는 켜진 센서 수, "절대 기준"은 연결된 센서의 절반입니다. 어느 쪽이든 센서가 둘 이상 켜져야 합니다. 기준은 지역마다 다릅니다. 신호는 있지만 두드러진 특징이 없는 셀은 "두드러진 특징 없음"으로 적습니다.³⁶

대응 — 두드러진 특징마다 전략 하나

3단계 이상인 셀에 붙입니다(강남 528셀, 춘천 282셀). 5단계면 "통합사례관리 우선 방문"을 맨 위에 얹습니다. 두드러진 특징이 없는 셀에는 지역 평균에 견줘 가장 높은 특징 하나에 붙입니다. 시설 접근성이 지역 하위 1/3이면 "시설이 멀 때" 쪽 방식을 고릅니다.³

• 가까운 시설 2곳을 특징과 연령에 맞는 분류에서 거리순으로 붙입니다. 경로당 · 노인 시설은 60대 이상에게만 권합니다.
• 생활 장소(춘천): 지금 영업 중인 동네 장소 가운데 종류마다 가장 가까운 한 곳을 더 붙입니다 — F4 기타에는 의원 · 약국 · 병원과 운동시설(체력단련장 · 체육도장 · 수영장), F3에는 동네 사랑방(목욕장 · 이발소 · 다방/커피숍 · 당구장 · 노래연습장), F2에는 문화시설(공연장 · 영화관 · 박물관/미술관 · 문화원), F1에는 장보기(대형 점포 · 반찬 · 즉석식품). 가장 가까운 의원 · 약국이 2km보다 멀면 "방문 진료 · 이동 지원을 먼저 안내"를 덧붙입니다. 강원 인허가 자료에서 뽑은 것이라 강남에는 아직 없습니다.
• 프로그램은 F3에 붙입니다. 강남은 서울시 공공서비스예약의 접수 중 프로그램, 춘천은 춘천시 평생학습관 강좌입니다.
• 배경 메모: 생애 전환 사건이 배경에 있으면 "전입 · 사별 신고 시점의 방문 안내, 1인가구 · 전입자 프로그램을 함께"를 덧붙입니다.
• 업무지구 메모: 메모가 붙은 셀은 주민 기록 센서가 꺼져 있으면 방문보다 확인을 먼저 권합니다.
• 20 · 30대에는 서울시 고립·은둔 청년 실태조사(2022)에서 당사자가 꼽은 도움을 한 줄 붙입니다.

두 연결 모드의 차이 — 주 연결만 / 주 + 넓은 연결

위의 숫자는 기본인 넓은 연결 모드입니다. 같은 센서 값으로 주 연결만 점수에 넣으면 다음과 같이 달라집니다(v3_mode_compare.py).

• 줄 세우기는 크게 다르지 않습니다. 거의 모든 셀이 한 단계 안에서 움직이고 S의 순위상관이 강남 0.64 · 춘천 0.70입니다. 다만 4단계 이상 목록은 강남 76% · 춘천 64%가 한쪽 모드에만 듭니다 — 경계 근처의 셀이 넘나듭니다.
• 유형은 거의 다릅니다. 주 연결 모드는 4단계 이상 셀에서 칸 하나 · 둘이 두드러지거나 아예 두드러진 칸이 없고, 넓은 연결 모드는 여러 칸에 걸린 센서(M1 · M2 · C3)가 함께 올라 셋 이상이 두드러진 셀이 많습니다.³⁰
• 주 연결 모드에는 F4가 없고, 주 연결이 없는 센서는 점수에서 빠집니다(M3 · M4 · M5 · M6 · P3 · C4 · C5, 그리고 연령이 맞지 않는 R1 · R2). 그래서 신호가 있는 셀이 줄어듭니다. F1 비용은 주 연결 센서가 R3 · C1 · C2뿐이라 두드러진 셀이 강남 12 · 춘천 45셀입니다, 주 연결 모드에서 강남 F4 · 춘천 F4가 두드러진 셀은 없습니다.
• 어떻게 쓰나: 줄 세우기는 어느 모드로 해도 비슷하므로, 유형을 읽을 때 두 모드를 함께 봅니다 — 주 연결에서 두드러진 특징은 "더 확실한 쪽", 넓은 연결에서만 두드러진 특징은 "있을 수 있는 쪽"입니다.

두드러진 특징별 — 신호가 있는 셀 가운데

센서별 켜진 셀

칸의 숫자는 켜진 셀 / 관측된 셀입니다. 카드 센서(C1~C5)는 집단 단위라 96(강남) · 52(춘천)의 배수로 켜집니다.³⁷

연령별

4단계 이상이 많은 집단

카드 센서가 켜진 집단이 앞에 옵니다. "어느 집단이 더 고립됐다"가 아니라 "어느 집단에서 센서가 더 겹쳤다"로 읽어야 합니다.¹²

세 가지 경우를 실제 셀로 따라갑니다. 가장 높은 셀, 춘천의 4단계 셀, 그리고 외출을 재는 센서는 꺼졌지만 다른 센서가 겹친 셀입니다.

예 1 · 가장 높은 셀 — 일원1동 · 여성 40대

강남 구역 1123073010. 결과: 5단계 매우 높음 · 비용 + 환경 + 관계 + 기타

① 센서

② 행렬 → 특징 점수 → 상대 점수 — 여러 특징에 걸린 센서는 특징마다 1. 상대 점수는 이 지역의 다른 셀과 견준 자리

③ 점수와 단계

S = 비용 · 환경 · 관계 · 기타의 상대 점수의 평균 = (99 + 99 + 96 + 95) ÷ 4 = 97점. 강남의 신호가 있는 1,061셀 가운데 위에서 0.05% 자리 — 위험 점수 T = 0.05%. → 5단계 매우 높음. Critic 메모: 제공처 5곳, 11·12월 연속 감소 관찰.

④ 유형과 대응: 유형 "비용 + 환경 + 관계 + 기타"

예 2 · 춘천의 4단계 — 신동면 · 여성 40대

춘천 구역 3201033010. 결과: 4단계 높음 · 비용 + 환경 + 관계 + 기타

① 센서

② 행렬 → 특징 점수 → 상대 점수 — 여러 특징에 걸린 센서는 특징마다 1. 상대 점수는 이 지역의 다른 셀과 견준 자리

③ 점수와 단계

S = 비용 · 환경 · 관계 · 기타의 상대 점수의 평균 = (98 + 97 + 99 + 98) ÷ 4 = 98점. 춘천의 신호가 있는 571셀 가운데 위에서 1.31% 자리 — 위험 점수 T = 1.31%. → 4단계 높음. Critic 메모: 제공처 3곳, 11·12월 연속 감소 관찰.

④ 유형과 대응: 유형 "비용 + 환경 + 관계 + 기타"

예 3 · 외출 센서는 꺼졌지만 다른 센서가 겹친 셀 — 수서동 · 여성 40대

강남 구역 1123075040. 결과: 4단계 높음 · 비용 + 관계 + 기타

① 센서

② 행렬 → 특징 점수 → 상대 점수 — 여러 특징에 걸린 센서는 특징마다 1. 상대 점수는 이 지역의 다른 셀과 견준 자리

배경(생애 전환 사건): 1인 세대 급증, 전입 급증

업무지구 메모: 낮 인구가 주민의 1.6배인 동입니다. 켜진 SK 유동 센서 P2, P3 · 주민 기록 센서 R2도 켜짐 — 주민 쪽 변화일 가능성이 큽니다.

③ 점수와 단계

S = 비용 · 환경 · 관계 · 기타의 상대 점수의 평균 = (93 + 52 + 96 + 95) ÷ 4 = 84점. 강남의 신호가 있는 1,061셀 가운데 위에서 5.89% 자리 — 위험 점수 T = 5.89%. → 4단계 높음. Critic 메모: 제공처 5곳, 11·12월 연속 감소 관찰.

④ 유형과 대응: 유형 "비용 + 관계 + 기타"

화면 읽는 법

화면(Heimdallr)은 탐지 → 진단 → 대응 순서로 읽습니다. 화면에서는 쉬운 말을 씁니다 — 센서는 신호, 두드러진 특징은 추정 원인(F1 비용 부담 가능성 · F2 환경 제약 가능성 · F3 관계망 부족 가능성 · F4 기타 제약 가능성), 연결 모드는 원인 고려 범위(가능한 원인 모두 고려 = 넓은 연결, 직접적인 원인만 고려 = 주 연결)입니다.

1. 지역 목록: 처음에는 전국 지도와 함께 분석을 마친 지역(강남구 · 춘천시)과 준비 중인 지역이 나옵니다. '결과 보기'를 누르거나 지도에서 지역을 확대하면 그 지역으로 갑니다.

2. 지도: 구역마다 그 동네에서 가장 높은 집단의 단계로 칠합니다. 목록 기준을 '구역별로'(기본) 또는 '성별·연령별로' 고릅니다.

3. 구역을 누르면: 그 동네 12개 집단의 순위표(순위 · 집단 · 단계 · 점수 · 추정 원인)가 나옵니다.

4. 집단을 누르면: 셀 상세로 갑니다. 맨 위의 결론(단계에 맞는 할 일과 보이는 원인), 판단 범위(그 단계의 기준을 말로), 원인 고려 범위를 바꿨을 때의 단계와 두 기준의 공통 원인, 유의사항(또래에 비해 위험함 · 재건축 이주 · 신뢰도 낮은 신호 · 업무지구 · 생활 변화)이 차례로 나옵니다. 원인을 펼치면 그렇게 본 까닭(상대 · 절대 기준), 잡힌 신호, 대응(짧은 이름 + 자세한 방식)과 가까운 시설이 나옵니다. 맨 아래 '신호 전체와 원인별 점수'를 펼치면 센서마다 켜짐 · 꺼짐 · 관측 안 됨과 특징 점수 막대를 봅니다.

5. 지도 색칠: 위험 단계(1~5) 또는 추정 원인. 맨 위의 원인 고려 범위를 바꾸면 지도 · 목록 · 셀 상세가 그 기준으로 다시 그려집니다. 구조 · 행렬 · 두 모드 비교 · 센서 설명은 이 설명서(6 · 7 · 9 · 11장)에 있습니다.

실행

python sensor_v3_extra.py                   # 새 자료 센서 · 카드 시계열 센서 → output/sensor_v3_extra.json
python run_agent.py --profile v3            # 판정 → output/agent_result_v3.json
python v3_redesign_stats.py                 # 센서 점검 숫자
python v3_mode_compare.py                   # 두 연결 모드의 차이
python streaming_backtest.py                # 앞으로의 롤링 판정 검증(강남 생활인구 2017~2026)
python v3_sensor_spearman.py                # 센서끼리의 스피어만 순위상관(5장)
python v3_cluster_compare.py                # 군집(잠재계층 분석)과 지금 방식 견주기(3장)
AGENT_PROFILE=v3 python time_matrix.py      # 여러 달의 궤적(지속성)
AGENT_PROFILE=v3 python matrix_analysis.py
AGENT_PROFILE=v3 python export_agent_app.py # 화면용 데이터
python build_screen_v3.py                   # 화면
python build_manual_v3.py                   # 이 설명서

문헌은 근거의 출발점입니다. 각 문헌을 왜 골랐고 무엇을 근거로 썼는지는 따로 정리한 문헌 근거 자료에 있습니다. 문헌은 "이런 흔적이 고립 · 참여와 관련된다"를 받쳐 줄 뿐, 우리 센서의 켜짐 기준이 맞다는 것을 보증하지 않습니다.⁴

본문의 작은 번호(각주)가 모두 여기로 옵니다. 번호는 본문에 처음 나온 순서이고, 맨 오른쪽 칸은 그 한계를 언급한 장입니다. 읽던 곳으로 돌아가려면 화면 아래의 "읽던 곳으로" 단추를 누릅니다.