💻 computer science

A Grid-Based Framework for E-Scooter Demand Representation and Temporal Input Design for Deep Learning: Evidence from Austin, Texas

본 논문은 오스틴의 대규모 전동 킥보드 데이터를 활용하여 그리드 기반 시공간 데이터 처리 파이프라인을 구축하고, 통계적으로 검증된 시간적 입력 구조 설계가 딥러닝 기반 수요 예측의 정확도를 획기적으로 향상시킨다는 것을 입증합니다.

원저자: Mohammad Sahnoon Merkebe Getachew Demissie, Roberto Souza

게시일 2026-03-17

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Mohammad Sahnoon Merkebe Getachew Demissie, Roberto Souza

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 전동 킥보드 (e-scooter) 가 어디에, 언제 필요할지 예측하는 인공지능 (AI) 을 더 똑똑하게 만드는 방법에 대한 연구입니다.

기존의 AI 모델들은 킥보드 수요를 예측할 때 "과거 데이터를 얼마나 많이, 어떻게 넣어야 할까?"라는 질문에 단순히 "직관적으로" 답했습니다. 예를 들어, "아까 1 시간 전 데이터만 넣자"거나 "어제 같은 시간 데이터만 넣자"라고 임의로 정했죠. 하지만 이 논문은 **"통계적으로 검증된, 가장 정확한 과거 데이터 조합"**을 찾아냈습니다.

이 복잡한 연구를 일상적인 비유로 쉽게 설명해 드릴게요.

🚲 비유: "스마트한 킥보드 배달 기사"

이 연구의 주인공은 전동 킥보드 배차 시스템을 운영하는 '스마트 배달 기사'라고 상상해 보세요. 이 기사는 "다음 시간 (또는 내일) 에 사람들이 킥보드를 타고 싶어 할 곳이 어디일까?"를 맞춰야 합니다.

1. 문제: "어떤 과거 기억을 떠올려야 할까?"

기존의 배달 기사들은 두 가지 방식만 썼습니다.

방식 A (최근 기억): "방금 1 시간 전에 사람들이 많이 탄 곳이니까, 그 근처에 두자." (최근 1~2 시간 데이터만 사용)
방식 B (주기적 기억): "어제 같은 시간에도 사람들이 많이 탔으니, 그 패턴을 따르자." (어제 같은 시간 데이터만 사용)

하지만 실제로는 두 가지 모두 필요합니다. "방금 전의 급한 수요"도 중요하지만, "매주 금요일 밤에 유흥가에서 사람들이 몰리는 패턴"도 중요하죠. 기존 연구들은 이 두 가지를 어떻게 섞어야 최상인지 과학적으로 증명하지 못했습니다.

2. 해결책 1: "도시를 레고 블록처럼 나누기" (데이터 정제)

연구진은 오스틴 (Austin, 텍사스) 의 전동 킥보드 데이터를 분석했습니다.

비유: 도시 지도를 **작은 레고 블록 (그리드)**으로 쪼개서, 각 블록마다 "여기서 킥보드를 타고 내린 사람 수"를 숫자로 적었습니다.
중요한 점: 아무도 타지 않는 빈 들판 같은 곳까지 계산하면 AI 가 헷갈려 합니다. 그래서 **"역사적으로 사람들이 실제로 킥보드를 탄 곳"만 골라내는 '활동 마스크'**를 만들었습니다. 마치 "사람이 없는 빈 방은 무시하고, 사람이 모이는 카페와 공원만 집중해서 공부하는 것"과 같습니다.

3. 해결책 2: "가장 기억력 좋은 과거 데이터 찾기" (시간 입력 설계)

이제 AI 에게 어떤 과거 데이터를 보여줘야 할지 실험을 했습니다.

실험 방법: AI 에게 "과거 1 시간 전", "과거 24 시간 전", "과거 1 주일 전" 등 다양한 시간대의 데이터를 조합해서 넣어주었습니다.
결과: AI 는 단순히 "최근 데이터"나 "어제 데이터"만으로는 부족했습니다.
- 다음 1 시간 예측: "방금 전 (1~3 시간 전)"의 급한 흐름 + "어제 같은 시간 (24 시간 전)" + "일주일 전 같은 요일"을 모두 섞어줘야 정확도가 가장 높았습니다.
- 다음 24 시간 예측: "최근의 흐름"보다는 "매일 같은 시간 (24 시간 단위)"과 "매주 같은 요일 (168 시간 단위)"의 패턴이 훨씬 중요했습니다.

이 연구는 **통계적 시험 (비유하자면, "이 조합이 진짜로 더 잘하는지, 아니면 운이 좋은 건지 확인하는 시험")**을 통해 "이 18 개 시간대 데이터를 섞어주는 것이 가장 효율적"이라고 증명했습니다.

4. 성과: "기존 방식보다 37% 더 정확해짐"

이 새로운 방법을 적용한 AI 는 기존에 쓰던 단순한 방식들보다 오류 (예측 실패) 를 35~37% 나 줄였습니다.

비유: 기존 배달 기사가 "대충 맞춘다"고 100 번 중 37 번을 잘못 찾았다면, 이 새로운 AI 는 100 번 중 37 번을 더 정확하게 찾아낸 셈입니다.

💡 핵심 요약 (한 줄 결론)

"킥보드를 어디에 두어야 할지 예측할 때, AI 에게 '최근 데이터'와 '주요 패턴 (하루/일주일)'을 통계적으로 검증된 최적의 비율로 섞어주면, 훨씬 더 똑똑하고 정확한 예측이 가능하다."

이 연구는 단순히 AI 모델을 더 복잡하게 만든 것이 아니라, **"어떤 데이터를 어떻게 준비하느냐"**가 모델의 성패를 좌우한다는 것을 증명했습니다. 마치 요리할 때 재료를 더 많이 넣는 것보다, 가장 중요한 재료를 정확한 비율로 섞는 것이 더 맛있는 요리를 만든다는 것과 같은 원리입니다.

논문 요약: 그리드 기반 공유 킥보드 수요 표현 및 딥러닝을 위한 시계열 입력 설계 프레임워크

1. 연구 배경 및 문제 제기 (Problem)

공유 마이크로모빌리티 (전동 킥보드 등) 의 수요 예측은 차량 재배치, 인프라 계획, 서비스 수준 보장에 필수적입니다. 그러나 기존 연구에는 다음과 같은 방법론적 한계가 존재합니다.

데이터 처리의 비체계성: 원시 여정 기록 (trip records) 을 그리드 기반의 시공간 데이터로 변환하는 과정이 단순한 전처리 단계로 간주되어, 재현 가능한 체계적인 프레임워크가 부재합니다.
임의적인 시계열 입력 설계: 딥러닝 모델의 과거 입력 창 (look-back window) 이 경험칙 (heuristic) 이나 임의의 고정 기간에 의해 결정되며, 통계적으로 유의미한 시간 지연 (time-lag) 을 체계적으로 검증하지 못합니다.
평가의 한계: 희소성 (sparse demand) 이 높은 도크리스 (dockless) 시스템의 특성상, 수요가 없는 영역까지 포함하여 평균 오차를 계산하면 실제 운영 구역의 성능 평가가 왜곡될 수 있습니다.

2. 방법론 (Methodology)

이 연구는 오스틴 (텍사스 주) 의 2019 년 공유 전동 킥보드 데이터를 기반으로 한 재현 가능한 데이터 처리 파이프라인과 통계적으로 검증된 시계열 입력 설계 방법을 제시합니다.

가. 그리드 기반 시공간 데이터 파이프라인

데이터 전처리: 오스틴 시의 공개 데이터 (약 1,500 만 건) 에서 2019 년 전동 킥보드 여정만 추출하고, 여정 시간, 거리, 속도, 센서구 (Census Tract) 유효성 등을 기준으로 필터링하여 약 494 만 건의 유효 데이터를 확보했습니다.
그리드 변환: 센서구 중심점을 기반으로 오스틴 시 경계 내 240m x 220m 크기의 균일한 직사각형 그리드를 생성했습니다. 이를 통해 시간별 (시간당) 픽업 및 드롭오프 수요를 이미지 (Demand Images) 로 변환했습니다.
활동 마스크 (Activity Mask): 역사적으로 수요가 발생한 영역 (Active Region) 만을 식별하는 이진 마스크를 생성하여, 학습 및 평가 시 수요가 없는 영역의 오차를 배제하고 실제 운영 영역에 집중하도록 했습니다.

나. 통계적 기반 시계열 입력 설계 (Temporal Input Design)

정보성 있는 시간 지연 (Time Lags) 식별: 피어슨 상관계수 (상사성) 와 평균 절대 오차 (MAE, 크기 차이) 를 결합한 분석을 통해 과거 수요 패턴 중 미래 수요 예측에 가장 유용한 시간 지연 (lag) 을 순위화했습니다.
최적의 시계열 깊이 (Temporal Depth) 결정: UNET 아키텍처를 기반으로 한 통제된 제거 실험 (Ablation Study) 을 수행했습니다.
- 통계적 검증: 비모수적 윌콕슨 부호 순위 검정 (Wilcoxon signed-rank test) 과 Holm 보정을 적용하여, 입력 채널 수를 줄였을 때 성능 저하가 통계적으로 유의미한지 확인했습니다.
- 비열등성 (Non-inferiority) 분석: 계산 비용을 절감하면서도 성능이 유의미하게 떨어지지 않는 최소한의 입력 채널 수를 결정했습니다.

다. 비교 베이스라인
제안된 방법 (정보성 있는 시간 지연 조합) 을 다음 두 가지 기존 방식과 비교했습니다.

최근 인접 역사 (Recent Adjacent): 직전 몇 시간의 연속된 데이터만 사용.
고정 주기 역사 (Fixed-period): 같은 요일의 같은 시간대 데이터만 사용.

3. 주요 기여 (Key Contributions)

체계적인 데이터 파이프라인: 원시 여정 기록을 딥러닝 모델이 처리할 수 있는 구조화된 그리드 기반 수요 이미지로 변환하는 재현 가능한 프레임워크를 제시했습니다.
통계적으로 검증된 입력 설계: 경험칙에 의존하지 않고, 상관관계와 오차 분석을 결합한 방법론으로 최적의 과거 시간 지연을 식별하고, 통계적 검증을 통해 최적의 입력 깊이를 결정했습니다.
성능 향상 입증: 제안된 입력 설계가 기존 베이스라인 대비 통계적으로 유의미한 예측 정확도 향상을 보임을 입증했습니다.

4. 실험 결과 (Results)

오스틴 2019 년 데이터를 사용한 실험 결과, 제안된 방법은 다음 시간 (Next-hour) 과 다음 24 시간 (Next-24-hour) 예측 모두에서 우수한 성능을 보였습니다.

최적 입력 구성:
- Next-hour 예측: 36 개 채널 (픽업 18 개 + 드롭오프 18 개) 이 최적 깊이로 선정됨. (직전 1~3 시간 + 24 시간/168 시간 주기 등 포함)
- Next-24-hour 예측: 18 개 채널 (픽업 9 개 + 드롭오프 9 개) 이 비열등성 기준 하에서 최적 깊이로 선정됨.
성능 비교 (테스트 세트 기준):
- Next-hour 예측: 제안된 방법은 기존 베이스라인 (최근 인접, 고정 주기) 대비 평균 제곱 오차 (MSE) 를 최대 37% 까지 감소시켰습니다.
- Next-24-hour 예측: 제안된 방법은 MSE 를 최대 35% 까지 감소시켰습니다.
- 통계적 유의성: Holm 보정을 적용한 쌍대 검정 (Paired Testing) 결과, 제안된 방법의 성능 우위가 통계적으로 유의미함 ( $p < 0.05$ ) 이 확인되었습니다.
- 패턴 발견: 단기 예측은 '직전 시간의 연속성'과 '일별/주별 주기성'을 모두 반영해야 하며, 장기 예측은 주기성 정보가 더 중요함을 확인했습니다.

5. 의의 및 결론 (Significance)

방법론적 중요성: 딥러닝 모델의 아키텍처 변경 없이도, 체계적으로 설계된 시계열 입력 구조가 예측 성능에 결정적인 영향을 미친다는 것을 입증했습니다.
실용적 가치: 공유 킥보드 운영사에게 더 정확한 수요 예측을 통해 차량 재배치 효율을 높이고, 운영 비용을 절감할 수 있는 실용적인 가이드를 제공합니다.
확장성: 제시된 그리드 기반 데이터 처리 및 통계적 입력 설계 프레임워크는 다른 도시나 마이크로모빌리티 서비스로 확장 적용 가능한 표준적인 접근법을 제시합니다.

이 연구는 마이크로모빌리티 수요 예측 분야에서 데이터 전처리와 입력 설계의 과학적 엄밀함 (Statistical Rigor) 이 모델 성능을 결정하는 핵심 요소임을 강조합니다.