Data-driven generalized perimeter control: Zürich case study

이 논문은 행동 시스템 이론에 기반한 데이터 기반 예측 제어를 통해 교통 신호를 동적으로 제어하여 취리히 도시의 교통 혼잡을 완화하고 총 이동 시간 및 CO2 배출량을 최적화하는 새로운 방법을 제안하고 고충실도 시뮬레이션을 통해 검증합니다.

핵심

🚦 1. 문제: "지도 없이 길을 찾는 것"과 "너무 많은 계산"

지금까지 도시의 교통을 제어하려면 두 가지 큰 어려움이 있었습니다.

1. 지도 그리기의 어려움 (모델링): 도시의 모든 도로, 차량의 움직임, 운전자들의 성향을 수학적으로 완벽하게 설명하는 '지도 (모델)'를 만드는 것은 매우 비싸고 시간이 오래 걸립니다. 마치 도시 전체의 모든 차량이 어떻게 움직일지 예측하는 복잡한 시뮬레이션을 처음부터 직접 만들어야 하는 것과 같습니다.
2. 데이터의 부족과 복잡성: 최근에는 인공지능 (딥러닝) 을 쓰기도 하는데, 이는 엄청난 양의 데이터를 필요로 합니다. 하지만 실제 도로 데이터는 흩어져 있고 (Sparse), 신호등이 바뀌고 난 후 효과가 나타나기까지 시간이 걸려서 (지연), 인공지능이 배우기 매우 어렵습니다.

비유하자면:

기존 방식은 **"모든 도로의 상태를 완벽하게 계산하는 천재 수학자"**를 고용하거나, **"수만 번의 시뮬레이션을 통해 정답을 찾아내는 학습형 AI"**를 쓰려다 보니, 너무 비싸거나 실전에서 잘 먹히지 않는 상황이었습니다.

---

💡 2. 해결책: "데이터로 직접 배우는 스마트 신호등" (DeePC)

이 연구팀은 **"모델을 직접 만들지 말고, 과거의 데이터 그 자체를 이용해 미래를 예측하자"**는 아이디어를 제시했습니다. 이를 **데이터 기반 예측 제어 (DeePC)**라고 부릅니다.

핵심 아이디어: "과거의 패턴을 그대로 활용하라"

이 시스템은 복잡한 수학적 공식 대신, 과거에 실제로 일어난 교통 데이터 (신호등이 어떻게 변했고, 차량이 어떻게 움직였는지) 를 쌓아두는 것만으로도 충분합니다.

• 비유:

  imagine (상상해 보세요) 교통 경찰이 있습니다.

  • 기존 방식: 경찰은 모든 도로의 물리 법칙을 외우고, 복잡한 공식을 계산해서 신호를 바꿉니다.
  • 이 연구의 방식 (DeePC): 경찰은 **"어제, 재작년, 그리고 과거에 이 도로에서 어떤 일이 일어났는지"**를 모두 기억하고 있습니다. "지금 이 상황이 과거의 A, B, C 상황과 비슷하네? 그럼 그때는 이렇게 신호를 바꿔서 해결했었지!"라고 과거의 성공 사례를 바로 적용합니다.

이 방법은 **행렬 (Hankel Matrix)**이라는 수학적 도구를 사용해서, 과거의 데이터 조각들을 퍼즐처럼 맞춰 미래의 교통 흐름을 예측하고 최적의 신호를 찾아냅니다.

---

🏙️ 3. 실험: 취리히 (Zürich) 시뮬레이션

이론만으로는 부족했기에, 연구팀은 **취리히 시의 실제 교통 데이터를 바탕으로 만든 초정밀 시뮬레이션 (디지털 트윈)**을 사용했습니다.

• 규모: 약 15,000 개의 도로, 7,000 개의 교차로, 17 만 대 이상의 차량이 움직이는 거대한 도시입니다.
• 방법: 기존에 쓰이던 '고정된 신호등' 방식과, '수학적 모델 기반의 MPC(모델 예측 제어)' 방식, 그리고 이 연구팀의 '데이터 기반 DeePC' 방식을 비교했습니다.

🏆 결과: DeePC 의 압도적 승리

• 이동 시간: 차량들이 목적지까지 가는 시간이 약 18% 단축되었습니다.
• 대기 시간: 신호 대기 시간이 약 22% 줄었습니다.
• 환경: 이산화탄소 (CO2) 및 배기가스 배출량이 약 10~16% 감소했습니다.
• 성공: 더 많은 차량 (약 0.74% 증가) 이 목적지에 성공적으로 도착했습니다.

왜 이겼을까요?
기존의 수학적 모델 (MPC) 은 '흐름 (Flow)'과 '신호' 사이의 복잡한 비선형 관계를 단순화하려다 오차가 생겼지만, DeePC 는 데이터가 가진 숨겨진 선형적인 패턴을 직접 찾아내어 더 정교하게 신호를 조절했기 때문입니다.

---

🔍 4. 흥미로운 발견: "교통의 숨겨진 리듬"

연구팀은 DeePC 가 내린 결정을 분석한 결과, 놀라운 사실을 발견했습니다.

• 전체적인 패턴: 47 개의 주요 신호등 중, **첫 번째 주성분 (가장 큰 영향력을 가진 패턴)**만으로도 전체 신호 변화의 **약 50%**를 설명할 수 있었습니다.
• 비유:

  도시의 교통은 마치 오케스트라 같습니다.

  • 기존 방식: 각 악기 (신호등) 마다 따로따로 악보를 보고 연주하게 합니다.
  • DeePC 방식: 지휘자 (시스템) 가 **"전체적인 리듬"**을 먼저 듣고, 중요한 악기들만 지시하여 전체 흐름을 자연스럽게 만듭니다.

  특히, **도시 외곽 (고속도로 진입로)**의 신호등은 차량이 들어오지 못하게 막는 역할을 하고, 시내 중심부의 신호등은 차량을 빠르게 통과시키는 역할을 하도록 자동으로 조율되는 것을 발견했습니다.

---

🚀 5. 결론: 왜 이것이 중요한가요?

이 연구는 **"복잡한 도시 교통 문제를 해결하기 위해 거대한 수학적 모델을 만들 필요 없다"**는 것을 증명했습니다.

• 간단함: 과거 데이터를 쌓아두기만 하면 됩니다.
• 유연함: 도로가 바뀌거나, 새로운 센서가 생기더라도 모델을 다시 짜지 않고 데이터만 업데이트하면 됩니다.
• 실용성: 취리히처럼 거대하고 복잡한 도시에서도 실시간으로 작동하며, 이동 시간 단축과 환경 보호라는 두 마리 토끼를 모두 잡았습니다.

한 줄 요약:

"이제 우리는 복잡한 교통 지도를 직접 그리지 않아도, 과거의 데이터가 알려주는 '숨겨진 지름길'을 따라 신호등을 지능적으로 조절하여 도시를 더 빠르게, 더 깨끗하게 만들 수 있습니다."

기술 요약

논문 개요

본 논문은 도시 교통 혼잡을 해결하기 위해 기존 모델 기반 제어 접근법의 한계를 극복하고, **행동 시스템 이론 (Behavioral Systems Theory)**에 기반한 새로운 데이터 기반 예측 제어 (Data-enabled Predictive Control, DeePC) 방법을 제안합니다. 저자들은 스위스 취리히 (Zürich) 의 실제 도시 규모 미시 시뮬레이션을 통해 제안된 방법론의 유효성을 입증하였으며, 총 이동 시간 및 CO2 배출량 감소 측면에서 기존 모델 예측 제어 (MPC) 보다 우수한 성능을 보였습니다.

1. 문제 정의 (Problem Statement)

• 배경: 도시화가 가속화됨에 따라 교통 혼잡은 환경 오염 (CO2 배출), 경제적 손실, 건강 문제 등을 야기하는 주요 과제가 되었습니다.
• 기존 접근법의 한계:
  • 모델 기반 제어 (MPC 등): 대규모 도시 교통 네트워크를 정확히 모델링하는 것은 비용이 많이 들고 시간이 소요되며, 도로 폐쇄나 수요 변화와 같은 동적 요소에 민감합니다.
  • 머신러닝 기반 제어: 강화 학습 (RL) 등은 대량의 데이터와 시뮬레이션이 필요하며, 희소한 교통 데이터 처리와 하드 제약 조건 (Hard Constraints) 준수에 어려움이 있습니다.
• 연구 목표: 명시적인 물리 모델 없이도 실제 데이터만으로 대규모 교통 네트워크를 제어하여 혼잡을 완화하고 효율성을 극대화하는 방법론 개발.

2. 방법론 (Methodology)

가. 행동 시스템 이론 기반 교통 동역학 모델링

• 행동 (Behavior) 개념: 시스템의 모든 가능한 궤적 (trajectory) 집합을 '행동'으로 정의하며, 이를 파라미터화된 모델 대신 데이터로 직접 표현합니다.
• 입출력 정의:
  • 입력 (u): 제어 가능한 신호등 분할 비율 (Split control, $\lambda$) 과 외부 수요 (Demand, $d$).
  • 출력 (y): 각 구역 (Region) 의 교통 밀도 ($\rho$).
• 일반화된 주변 제어 (Generalized Perimeter Control): 기존 연구가 구역 경계에 제어기를 두는 것에 국한되었으나, 본 방법은 제어기 (신호등) 를 네트워크 내 어디에나 배치할 수 있도록 일반화합니다.

나. 데이터 기반 예측 제어 (DeePC) 알고리즘

• 핵심 원리: 과거의 입력 - 출력 데이터로 구성된 **행렬 (Hankel Matrix)**을 사용하여 시스템의 동역학을 비모수적 (Non-parametric) 으로 표현합니다.
• 최적화 문제:
  • 목적 함수: 현재 밀도 ($\rho$) 를 임계 밀도 ($\rho_{cr}$, Macroscopic Fundamental Diagram 의 최대 유량 지점) 로 추적하도록 하고, 제어 노력과 오차를 최소화합니다.
  • 제약 조건: 신호등의 물리적 제약 (주기 시간, 녹색/적색 시간 비율 등) 과 밀도 제약 (그리드락 방지) 을 포함합니다.
  • 정규화 (Regularization): 비선형 시스템에서의 성능 향상을 위해 저랭크 근사 및 오차 항을 포함한 정규화 항을 추가합니다.

다. 가설 (Conjecture)

• 저자들은 신호등 제어 입력 ($\lambda$) 과 교통 밀도 ($\rho$) 사이에는 선형 관계가 존재한다고 가정합니다.
• 이는 밀도와 유량 ($\phi$) 사이의 관계가 비선형 (MFD) 임에도 불구하고, 제어 입력과 밀도 간의 관계가 DeePC 와 같은 선형 제어기에 적합하도록 근사적으로 선형임을 의미합니다.

3. 주요 기여 (Key Contributions)

1. 행동 이론 기반 유연한 문제 공식화: 다양한 데이터 소스와 제어기 (신호등, 동적 속도 제한 등) 를 통합할 수 있는 일반적인 교통 신호 제어 문제 (ITSCP) 공식화를 제시했습니다.
2. 선형 관계 가설의 검증: 고충실도 시뮬레이션을 통해 신호등 제어와 교통 밀도 간의 선형적 관계 가설을 검증했습니다.
3. 대규모 실증 연구: 기존 문헌 중 가장 큰 규모의 폐루프 (Closed-loop) 미시 시뮬레이션 (취리히 도시 전체, 약 15,000 개 도로, 7,000 개 교차로, 17 만 대 차량) 을 구축하고 이를 벤치마크로 사용하여 제안된 방법의 성능을 입증했습니다.

4. 실험 결과 (Results)

가. 시뮬레이션 환경

• 도구: SUMO (Simulation of Urban MObility) 및 TraCI 인터페이스 사용.
• 비교 대상:
  1. Baseline: 고정 주기 신호 제어 (Static cycle).
  2. MPC: 기존 문헌 [76] 의 선형화된 MFD 기반 모델 예측 제어.
  3. DeePC: 제안된 데이터 기반 제어.

나. 성능 비교 (취리히 시뮬레이션)

DeePC 는 MPC 와 Baseline 대비 모든 지표에서 우수한 성능을 보였습니다.

지표	Baseline	MPC	DeePC	개선율 (DeePC vs Baseline)
평균 이동 시간	45.23 분	38.51 분	37.05 분	-18.08%
대기 시간	28.27 분	23.07 분	21.87 분	-22.60%
CO2 배출량	4,992 g	4,339 g	4,184 g	-16.17%
연료 소비	1,618 ml	1,407 ml	1,357 ml	-16.17%
완료된 이동	176,821	176,980	178,035	+0.74%

• 주요 발견:
  • DeePC 는 네트워크가 혼잡 상태 (그리드락) 에 빠지는 것을 방지하고 유량을 안정적으로 유지했습니다.
  • PCA 분석: 제어 입력의 주성분 분석을 통해, 혼잡 임계점 도달 시 제어기가 도시 진입구 (양수 상관) 와 도심부 (음수 상관) 신호등에 대해 반대의 전략 (녹색 시간 조절) 을 취하여 혼잡을 해소함을 확인했습니다.
  • MFD 변화: DeePC 제어 하에서는 동일한 유량을 유지하면서도 밀도가 낮아져 차량 평균 속도가 증가함을 확인했습니다.

다. 격자 네트워크 (Lattice Network) 결과

• 64 개의 교차로로 구성된 격자 네트워크에서도 DeePC 가 MPC 보다 모든 지표 (이동 시간, 배출량) 에서 더 나은 성능을 보였으며, 이는 DeePC 가 Hankel 행렬을 통해 교통 동역학을 더 정확하게 포착했기 때문으로 분석되었습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 모델링 비용 절감: 복잡한 물리 모델링 대신 데이터 수집과 임계 밀도 추정으로 제어기를 설계할 수 있어 실용성이 높습니다.
• 확장성 및 유연성: 제어기가 구역 경계에 국한되지 않고 네트워크 내 임의의 위치에 배치될 수 있어 실제 도시 환경에 더 적합합니다.
• 실시간 제어 가능성: 이차 계획법 (Quadratic Programming) 문제로 변환되어 현대 솔버를 통해 실시간으로 해결 가능합니다.
• 향후 과제: 비선형 시스템에서의 Hankel 행렬의 완전성 보장, 다양한 조건에 대한 강건성 확보를 위한 데이터 수집 파이프라인 설계, 그리고 알고리즘의 분산 처리 (Scalability) 등이 향후 연구 과제로 제시되었습니다.

결론적으로, 본 논문은 데이터 기반 제어 (DeePC) 가 대규모 도시 교통 네트워크를 관리하는 데 있어 기존 모델 기반 방법론보다 우월한 대안이 될 수 있음을 실증적으로 증명했습니다.