Generalising Travel Time Prediction To Varying Route Choices In Urban Networks

기술 요약: 도시 네트워크에서 다양한 경로 선택에 대한 통행 시간 예측 일반화

문제 제기
기존의 교통 예측 모델은 주로 그래프 신경망 (GNN) 에 기반하여, 반복되는 역사적 수요 패턴을 바탕으로 미래의 혼잡을 예측하는 데 제한적입니다. 이러한 모델들은 교통 흐름을 관측적 시계열 문제로 취급하여 과거 상태로부터 미래 상태만을 추론합니다. 그 결과, 경로 선택이 변하는 상황, 예를 들어 장애 발생, 예기치 못한 사건, 또는 연결된 자율주행 차량 (CAV) 함대 관리 시에는 일반화에 실패합니다. 이러한 시나리오에서는 동일한 통행 수요가 서로 다른 경로에 분배될 경우 네트워크 전체의 혼잡 패턴과 총 통행 시간에 상당한 차이를 초래할 수 있습니다. 현재 방법론들은 명시적인 경로 할당 데이터를 처리할 메커니즘이 부재하기 때문에 "반사실적" 질문 (예: "만약 이 차량들이 다른 경로를 취한다면 통행 시간에 어떤 변화가 발생할까?") 에 답할 수 없습니다.

방법론: GenTTP 프레임워크
저자들은 명시적인 경로 할당에 조건부인 시스템 전체 통행 시간을 예측하도록 설계된 학습 기반 대리 모델인 일반화된 통행 시간 예측기 (GenTTP) 를 제안합니다. 과거 교통 상태를 미래 상태로 매핑하는 전통적 모델과 달리, GenTTP 는 역사적 교통 부하 시퀀스와 경로 할당 행렬을 미래 교통 흐름 및 총 통행 시간에 매핑합니다.

아키텍처는 멀티 레이어 퍼셉트론 (MLP) 을 통해 융합된 두 가지 주요 브랜치로 구성됩니다:

1. 흐름 처리 브랜치: 이 브랜치는 그래프 웨이브넷 기반의 그래프 합성곱 신경망 (GCN) 을 사용하여 역사적 교통 부하 데이터 ($Q$) 를 처리합니다. 이를 통해 시공간적 상관관계와 기존 혼잡 패턴을 포착합니다. MSE 로 훈련된 모델에서 빈 도로 구간에서 유량을 과대평가하는 일반적인 실패를 해결하기 위해, 저자들은 명시적으로 null 교통을 가진 노드를 처리하는 희소성 인지 평활화 메커니즘 (저 점유율 게이트) 을 도입했습니다.
2. 할당 처리 브랜치: 이 브랜치는 차량의 계획된 경로를 나타내는 경로 할당 행렬 ($A$) 을 처리합니다. 특정 라우팅 전략이 시사하는 방향성 교통 전파 및 미래 네트워크 부하를 인코딩하기 위해 시퀀스 모델링 접근법 (LSTM 또는 GRU) 을 활용합니다.
3. 융합 및 예측: 두 브랜치에서 추출된 표현은 어텐션 메커니즘 또는 데이터 연결을 사용하여 융합됩니다. 융합된 특징은 다음 단계 교통 흐름 ($\hat{Q}_t$) 을 예측하기 위해 시그모이드 게이트가 포함된 MLP 디코더를 통과합니다. 이 과정을 반복함으로써 모델은 미래 교통 흐름의 완전한 시퀀스를 생성하며, 이를 집계하여 시스템 전체 총 통행 시간 ($TT$) 을 추정합니다.

주요 기여

• 할당 인지 예측: 최첨단 예측 모델들의 "할당 무관"한 특성을 넘어, 경로 선택에 조건부인 교통 흐름 예측기를 도입했습니다.
• 하이브리드 아키텍처: 경로 할당 입력을 통한 미시적 교통 전파와 교통 상태 입력을 통한 거시적 흐름 방향성을 통합하는 멀티헤드 신경망을 개발했습니다.
• 희소성 처리: 도시 교통 네트워크의 일반적인 문제인 저 점유율 노드에서의 평균 제곱 오차 (MSE) 과대평가를 완화하는 희소성 인지 평활화 메커니즘을 도입했습니다.
• 반사실적 능력: 이 프레임워크는 모든 후보 할당에 대해 계산 비용이 많이 드는 미시적 시뮬레이션을 실행하지 않고도 다양한 라우팅 전략에 대한 "만약에" 시나리오를 평가할 수 있게 합니다.

실험 결과
이 방법은 다양한 경로 할당을 가진 1,000 개의 미시적 시뮬레이션 (SUMO) 에서 생성된 데이터를 사용하여 잉골슈타트 도시 네트워크(734 개 노드, 1,034 대 차량) 에서 검증되었습니다.

• 정확도: GenTTP 는 어텐션 기반 융합 변형을 사용하여 총 통행 시간 예측 오차 **10.3%**를 달성했습니다. 비교 대상인 베이스라인 모델 (STAEformer, ADGCRN, Graph WaveNet) 은 **18% 에서 82.7%**까지의 오차를 보였습니다.
• 흐름 예측: 이 모델은 노드당 평균 2.64 의 편차 (MAE) 를 보이며 흐름 예측을 수행하여, 특히 희소하게 분포된 노드에서 점유율의 동적 변화를 포착하는 데 어려움을 겪었던 베이스라인들을 능가했습니다.
• 효율성: GenTTP 추론은 미시적 시뮬레이션을 실행하는 것보다 훨씬 빠르므로, 신속한 시나리오 분석을 위한 실현 가능한 대리 모델이 됩니다.

의의 및 주장
이 논문은 GenTTP 가 변화하는 경로 할당에 대한 네트워크 결과 예측 불가능성이라는 교통 모델링의 중요한 격차를 해소한다고 주장합니다. 이전 모델들이 기존 패턴의 연속성을 예측하는 관측적 모델인 반면, GenTTP 는 특정 라우팅 정책의 혼잡 결과를 분석할 수 있는 개입적 모델입니다.

저자들은 이 작업을 연결된 자율주행 차량 (CAV) 함대의 조정을 위한 필수 도구로 위치시킵니다. 여기서 라우팅 전략은 단순히 관측되는 것이 아니라 능동적으로 제어될 수 있기 때문입니다. 비반복적이거나 비전형적인 수요 분포에 대한 정확하고 동적인 추정을 제공함으로써, 이 프레임워크는 시스템 성능을 최적화하거나 혼잡 발생을 방지하려는 함대 운영자를 위한 신속한 시나리오 평가 및 의사결정을 지원합니다. 저자들은 현재 결과가 특정 마이크로 시뮬레이터와 수요 다양성에 국한되어 있으며, 다양한 네트워크와 조건에서의 일반화 가능성을 평가하기 위해 추가 검증이 필요하다고 겸손하게 언급합니다.