Approximation Models for Shared Mobility Rebalancing Under Structured Spatial Imbalance

1. 연구 배경 및 문제 정의 (Problem Statement)

• 배경: 공유 모빌리티 시스템 (카셰어링, 라이드해일링 등) 은 유연한 서비스를 제공하지만, 승객이 차량을 임의의 목적지에 내리게 함으로써 지속적인 공간적 불균형 (Spatial Imbalance) 을 초래합니다. 이는 수요가 많은 지역에는 차량이 부족하고, 수요가 적은 지역에는 차량이 과잉 공급되는 현상을 유발합니다.
• 문제: 운영자는 이러한 불균형을 해소하기 위해 빈 차량을 재배치 (Rebalancing) 해야 하며, 이는 전체 운영 비용의 상당 부분을 차지합니다.
• 기존 한계: 재배치에 필요한 최소 거리 (또는 비용) 를 정확히 계산하려면 운송 선형 계획법 (Transportation Linear Program, LP) 을 풀어야 합니다. 그러나 도시 규모 (수백~수천 개의 구역) 에서 이 LP 를 푸는 것은 계산 복잡도 ($O(n^3 \log n)$) 와 메모리 요구량 때문에 실용적이지 않습니다.
• 목표: 복잡한 최적화 솔버 없이도 재배치 거리를 빠르게 추정할 수 있는 폐쇄형 (Closed-form) 근사 모델을 개발하여, 운영 전략 수립 및 서비스 설계에 활용 가능한 이론적 기준을 마련하는 것.

2. 방법론 (Methodology)

저자는 직사각형 서비스 영역 내에서 최소 재배치 거리를 근사하는 수학적 모델을 유도했습니다.

2.1. 핵심 개념: 불균형 지수 (Imbalance Index, $I$)

• 기존 연구들이 무작위 변동에 초점을 맞춘 반면, 이 논문은 구조화된 공급 - 수요 불일치를 정량화하기 위해 총변동 거리 (Total Variation Distance) 를 기반으로 한 스칼라 지수 $I$를 도입했습니다.
  $$I = \frac{1}{2} \int_{\Omega} |f(x) - g(x)| dx$$
  • $f(x)$: 출발지 (픽업) 밀도, $g(x)$: 도착지 (하차) 밀도.
  • $I=0$: 완벽한 균형, $I=1$: 출발지와 도착지가 완전히 분리된 최대 불균형.

2.2. 거리 척도 및 모델 유도

두 가지 주요 거리 척도에 대해 모델을 유도했습니다.

1. 맨해튼 거리 (Manhattan Metric, $L_1$): 격자형 도로 네트워크 (도시 환경) 에 적합.
2. 유클리드 거리 (Euclidean Metric, $L_2$): 제약 없는 이동 (드론, 이론적 하한선) 에 적합.

• 유도 과정:
  • 베ckmann 흐름 재형성 (Beckmann's Flow Reformulation): 차량의 개별 경로를 추적하는 대신, 연속적인 벡터 흐름장 (Flux field) 을 사용하여 문제를 재정의했습니다.
  • 축 분해 (Axis Decomposition): 2 차원 문제를 X 축 (동 - 서) 과 Y 축 (남 - 북) 의 1 차원 문제로 분해하여 근사했습니다.
  • 스케일링 법칙: 재배치 거리는 서비스 영역의 면적 ($R$), 불균형 지수 ($I$), 그리고 영역의 종횡비 ($\kappa = L/W$) 에 의존하는 형태 인자 (Shape Factor, $g_M(\kappa)$) 의 곱으로 표현됩니다.

2.3. 최종 근사 모델

총 재배치 차량 주행 거리 (VKT) 는 다음과 같이 근사됩니다:
$$E[VKT] \approx C \cdot I \cdot (\lambda h) \cdot R^{3/2} \cdot g_M(\kappa)$$

• $C$: 보정 상수 (거리 척도와 수요 분포 패턴에 따라 결정).
• $R^{3/2}$: 면적이 $R$배 증가하면 차량 수는 $R$배, 평균 이동 거리는 $\sqrt{R}$배 증가하므로 총 거리는 $R^{3/2}$에 비례함을 의미.
• $g_M(\kappa) = \frac{\kappa + 1}{\sqrt{\kappa}}$: 종횡비에 따른 형태 인자. 정사각형 ($\kappa=1$) 일 때 최소값을 가짐.

3. 주요 기여 (Key Contributions)

1. 구조화된 불균형 지수 도입: 단순한 무작위 변동을 넘어, 실제 시스템에서 발생하는 체계적인 공급 - 수요 불일치를 단일 스칼라 ($I$) 로 정량화했습니다.
2. 통일된 폐쇄형 근사 모델 개발: 맨해튼 및 유클리드 거리 척도 모두에 적용 가능한 통일된 수식을 유도했습니다. 이 모델은 면적, 불균형 정도, 영역의 모양을 모두 고려합니다.
3. 이론적 상한선 증명: 최소 재배치 거리에 대한 엄격한 상한선 (Upper Bound) 을 수학적으로 증명했습니다.
4. 광범위한 검증:
   • 500 개의 정확한 LP 해를 사용하여 수치적 검증 수행.
   • 2026 년 1 월 뉴욕시 (NYC) 의 실제 승차 호출 차량 (FHV) 데이터 (263 개 교통 분석 구역) 를 활용한 실증 사례 연구 수행.

4. 연구 결과 (Results)

4.1. 수치적 검증 (Numerical Study)

• 정확도: 500 개의 무작위 시나리오에서 모델 예측값과 정확한 LP 해 사이의 오차는 매우 낮았습니다.
  • 맨해튼 모델: 평균 절대 백분율 오차 (MAPE) 약 18.9%.
  • 유클리드 모델: MAPE 약 25.2% (유클리드 모델이 대각선 이동 등을 더 복잡하게 처리하여 상대적으로 오차가 큼).
• 스케일링 검증: 면적 ($R$) 에 대한 지수 ($\beta$) 가 이론적 예측인 1.5 ($R^{3/2}$) 에 매우 근접하게 (오차 2% 이내) 검증되었습니다.
• 보정 상수 ($C$): 수요 분포 패턴 (균일, 군집, 방향성 비대칭) 에 따라 $C$ 값이 크게 달라짐을 확인했습니다 (예: 균일 분포 $C \approx 0.14$, 비대칭 분포 $C \approx 0.40$).

4.2. 뉴욕시 사례 연구 (NYC Case Study)

• 데이터: 2026 년 1 월 NYC 의 31 일간의 실제 FHV 승차 데이터 활용.
• 시나리오: (1) 전체 NYC (5 개 자치구), (2) 맨해튼 섬만.
• 결과:
  • 모델은 실제 도로 네트워크 (OSM) 기반의 정확한 LP 해와 높은 상관관계를 보였습니다 (NYC 전체 MAPE 약 13.8%, 맨해튼 약 30.2%).
  • 스케일링 확인: NYC 전체의 재배치 거리는 맨해튼 섬보다 약 3.3 배 컸으며, 이는 면적의 제곱근 ($\sqrt{R}$) 비율과 일치하여 모델의 스케일링 법칙을 실증했습니다.
  • 한계: 특정 휴일이나 폭설 등 비정상적인 수요 패턴이 발생하면 모델이 실제 거리를 과소평가하는 경향이 있었습니다. 이는 $I$가 불균형의 '크기'는 반영하지만 '공간적 배열'은 완전히 포착하지 못하기 때문입니다.

5. 의의 및 시사점 (Significance)

• 운영자 및 설계자를 위한 도구: 복잡한 최적화 솔버 없이도 재배치 비용을 빠르게 추정하고 벤치마킹할 수 있는 이론적으로 근거 있는 도구를 제공합니다.
• 정책 및 전략 수립:
  • 서비스 영역 분할: 서비스 영역을 작은 정사각형 구역으로 나누는 것이 재배치 비용을 최소화하는 데 유리함을 정량적으로 입증 ($\kappa=1$ 최적).
  • 재배치 빈도 결정: 재배치 비용과 불균형 감소 효과를 트레이드오프 분석하여 최적의 재배치 주기를 결정할 수 있습니다.
  • 인센티브 프로그램: 불균형 지수 ($I$) 를 줄이는 정책이 재배치 비용에 미치는 영향을 예측 가능하게 합니다.
• 확장성: 이 모델은 공유 모빌리티뿐만 아니라 재고 재배치, 인도적 구호 물자 분배, 창고 로봇 조정 등 다양한 공간적 불균형 해소 문제에 적용 가능한 일반화된 스케일링 법칙을 제공합니다.

결론

이 논문은 공유 모빌리티 시스템의 재배치 비용을 계산하기 위한 간단하면서도 이론적으로 엄밀한 근사 모델을 제시했습니다. 복잡한 최적화 문제를 피하면서도 도시 규모에서 재배치 비용을 정확하게 추정할 수 있게 함으로써, 운영 효율성 향상과 비용 절감을 위한 실질적인 의사결정 지원을 가능하게 합니다.