🤖 machine learning

RIDE: An Open Dataset and Benchmark for Train Delay Prediction

이 논문은 벨기에 철도망의 열차 지연 예측을 위한 대규모 오픈 데이터셋이자 표준화된 벤치마크인 RIDE를 소개하며, 이는 그래프 신경망이 비학습 모델보다 우수한 성능을 보임을 입증하는 최초의 포괄적인 비교 평가를 용이하게 함과 동시에 다양한 예측 체계에 걸친 상세한 분석을 가능하게 한다.

원저자: Clément Elliker, Mathis Le Bail, Clément Mantoux, Jesse Read, Sonia Vanier

게시일 2026-06-04

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Clément Elliker, Mathis Le Bail, Clément Mantoux, Jesse Read, Sonia Vanier

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

벨기에 철도망을 수천 대의 열차가 끊임없이 움직이고, 멈추고, 서로를 기다리는 거대하고 복잡한 "따라하기(Follow the Leader)" 게임이라고 상상해 보세요. 때때로 열차 한 대가 갇히게 되면, 그 지연은 파도처럼 퍼져나가 다른 열차들까지 늦어지게 만드는 도미노 효과를 일으킵니다.

이 논문은 RIDE(TRaIn DElay Prediction Dataset and Benchmark)를 소개합니다. 이는 본질적으로 컴퓨터가 지연이 발생하기 전에 이를 예측하는 법을 배울 수 있도록 만든 거대한 오픈 소스 "훈련 체육관"입니다.

다음은 저자들이 수행한 작업을 쉬운 비유를 사용하여 설명한 내용입니다.

1. 문제점: 모두가 서로 다른 게임을 하고 있었습니다

이 논문 이전의 연구자들은 마치 서로 다른 재료, 서로 다른 오븐, 서로 다른 맛보기 스푼을 사용하는 요리사들이 레시피를 비교하려는 것과 같았습니다. 어떤 이들은 하나의 열차 노선만 보았고, 어떤 이들은 국가 전체를 보았으며, 어떤 이들은 다음 정거장의 지연을 예측했고, 어떤 이들은 다음 한 시간의 지연을 예측했습니다. 규칙이 너무 달랐기 때문에, 누구의 컴퓨터 프로그램이 실제로 최고의 요리사인지 알 수 없었습니다.

2. 해결책: 표준화된 "훈련 캠프"

저자들은 두 가지 주요 부분으로 구성된 표준화된 훈련 캠프인 RIDE를 구축했습니다.

원재료 (데이터셋): 그들은 2023년부터 2025년까지의 방대한 데이터를 수집했습니다. 다음과 같은 내용이 담긴 도서관을 상상해 보세요:
- 9,450만 개의 열차 이동 기록 (열차가 역에 도착, 출발 또는 통과할 때마다 기록).
- 360만 개의 완전한 열차 여정.
- 3,570만 개의 기상 보고서 (비나 눈이 운행을 늦출 수 있기 때문).
- 이 데이터들을 샌드위치 층처럼 정리했습니다:
  - 브론즈 (Bronze): 출처에서 가져온 가공되지 않은 날것의 데이터.
  - 실버 (Silver): 누락된 부분을 채우고 선로의 지도를 재구성한, 깨끗하게 정리되고 조직된 버전.
  - 골드 (Gold): 다양한 유형의 컴퓨터 모델이 바로 섭취할 수 있도록 특별히 준비된 최종 완성된 식사.
게임의 규칙 (벤치마크): 모든 컴퓨터 모델이 정확히 같은 게임을 수행하도록 엄격한 규칙을 설정했습니다.
- 목표: 특정 시점의 네트워크 상태(스냅샷)를 보고, 다음 15개 정거장에서 열차가 얼마나 늦어질지 예측하는 것입니다.
- 테스트: 그들은 2023~2024년 데이터로 모델을 학습시키고, 2025년 데이터로 테스트했습니다. 이것은 학생에게 작년 수학 문제를 가르치고 올해 시험을 치르게 하여, 학생이 단순히 암기한 것인지 아니면 실제로 학습한 것인지를 확인하는 것과 같습니다.

3. 콘테스트: 누가 승리하는가?

저자들은 서로 다른 유형의 "학생들"(컴퓨터 모델)을 초대하여 경쟁시켰습니다.

올드 스쿨 (비학습 모델): 이들은 단순한 규칙 기반 시스템입니다.
- 번역기 (The Translator): 열차가 현재 늦는 만큼 앞으로도 늦을 것이라고 가정합니다. (이미 직장에 늦었기 때문에 앞으로도 늦을 것이라고 추측하는 것과 같습니다.)
- 그래프-이벤트 (The Graph-Event): 열차가 선로에서 어떻게 상호작용하는지를 시뮬레이션하는 약간 더 똑똑한 규칙 기반 시스템입니다.
통계학자 (통계적 학습): 숫자 표에서 패턴을 찾는 데 능숙한 XGBoost와 같은 모델입니다.
딥 러너 (딥 러닝): MLP, LSTM(시퀀스에 강함), Transformer(주의 집중에 강함), GNN(그래프 신경망, 전체 네트워크의 연결 구조를 이해함)과 같은 복잡한 신경망입니다.

4. 결과: 승자들

경쟁을 진행한 결과, 다음과 같은 일이 일되었습니다:

학습이 규칙을 이기다: "딥 러닝"과 "통계적" 학생들은 "올드 스쿨"보다 확실히 뛰어난 성적을 거두었습니다. 복잡한 모델들은 단순한 규칙이 놓친 패턴을 학습했습니다.
챔피언: **그래프 신경망 (GNN)**이 1위를 차지했습니다. 이 모델을 열차뿐만 아니라 전체 철도 지도와 모든 열차가 서로에게 미치는 영향까지 이해하는 학생이라고 생각하면 됩니다.
준우승: Transformer와 LSTM 모델이 GNN의 바로 뒤를 바짝 쫓았습니다. 이들은 GNN만큼이나 우수했으며, 이는 데이터를 바라보는 방식이 달라도 유사한 성공에 도달할 수 있음을 시사합니다.
놀라운 점: 심지어 현재의 지연이 계속될 것이라고 추측하는 가장 단순한 "번역기" 모델조차도 큰 차이로 압도하기가 매우 어려웠습니다. 이는 매우 강력한 기준점(baseline)입니다.

5. 세부 사항: 상황에 따라 다릅니다

논문은 평균 점수뿐만 아니라 모델이 언제 잘 작동했는지도 살펴보았습니다:

단기 vs 장기: 향후 5분 이내의 상황을 알고 싶다면 단순한 모델이 훌륭합니다. 하지만 40분 후의 상황을 알고 싶다면 복잡한 GNN 모델이 가장 좋습니다.
작은 지연 vs 큰 지연: 열차가 약간 늦는 경우 단순한 모델이 잘 처리합니다. 하지만 열차가 매우 늦어지고 지연이 쌓이는 경우(교통 체증처럼), 열차 간의 상호작용을 이해하는 모델(GNN 같은 모델)이 훨씬 더 잘 예측합니다.

요약

이 논문은 다음과 같이 말합니다: "우리는 깨끗한 데이터와 엄격한 규칙을 갖춘 거대하고 공정한 놀이터(RIDE)를 만들었습니다. 그리고 다양한 컴퓨터 모델들이 그곳에서 놀게 했습니다. 열차 사이의 복잡한 연결망(그래프 신경망)을 이해할 수 있는 모델들이 현재 지연을 예측하는 데 가장 뛰어나지만, 상위 모델들 간의 격차는 작습니다. 이는 우리가 열차를 제시간에 운행하는 법을 계속 개선할 수 있는 견고한 토대를 제공합니다."

기술 요약: RIDE – 열차 지연 예측을 위한 오픈 데이터셋 및 벤치마크

문제 정의
열차 지연 예측은 철도 운영자와 승객이 운행 중단을 관리하고, 정보 시스템을 개선하며, 교통 관리를 최적화하는 데 매우 중요합니다. 그러나 이 분야의 발전은 표준화의 부재로 인해 저해되어 왔습니다. 기존 연구들은 서로 다른 데이터셋, 다양한 예측 대상(예: 다음 역 예측 vs 고정 시간 간격), 그리고 일관되지 않은 평가 프로토콜에 의존하고 있습니다. 이러한 파편화는 비학습(non-learning), 통계적 방법, 딥러닝 방법 간의 상대적 효능을 연구 간에 비교하거나 광범위한 결론을 도출하는 것을 어렵게 만듭니다.

방법론: RIDE 프레임워크
이러한 격차를 해소하기 위해 저자들은 2023~2025년 벨기에 국립 철도 네트워크를 기반으로 구축된 포괄적인 오픈 리소스인 RIDE(TRaIn DElay Prediction Dataset and Benchmark)를 소개합니다. 이 프레임워크는 계층적 데이터 파이프라인과 통합된 벤치마크 프로토콜로 구성됩니다.

데이터 파이프라인 (계층적 릴리스):
- Raw & Bronze: Infrabel(철도 운영, 인프라)과 Open-Meteo(날씨)로부터 로우 데이터를 수집합니다. Bronze 레이어는 스키마를 표준화하고 경량화된 무결성 검사를 수행합니다.
- Silver (중간 관계형 데이터셋): 9,450만 개의 열차 이벤트, 360만 개의 여정, 3,570만 개의 날씨 기록을 포함하는 재사용 가능한 정제된 관계형 데이터셋입니다. 이는 네트워크 토폴로지를 재구성하고, 정확한 열차 경로를 추론하며, 날씨 데이터를 운영 지점에 정렬합니다. 이 레이어를 통해 사용자는 핵심 정제 단계를 반복하지 않고도 맞춤형 데이터셋을 구축할 수 있습니다.
- Gold (벤치마크 데이터셋): Silver 레이어에서 파생된 모델 준비용 아티팩트입니다. 여기서는 **스냅샷(snapshot)**을 기본 단위로 정의합니다: 활성 열차, 해당 열차의 이력, 미래 스케줄을 포함하는 타임스탬프 기반의 네트워크 뷰입니다. Gold 릴리스는 두 가지 규모(Lite 및 Standard)와 서로 다른 모델 계열에 맞춘 네 가지 특정 데이터셋 형식을 제공합니다: Tabular (MLP/XGBoost/Transformer용), Sequential (LSTM용), Graph (GNN용), Graph-Event (규칙 기반 시뮬레이션용).
예측 작업:
- 대상: 모든 스냅샷 내 활성 열차에 대해, 다음 $n=15$ 개의 예정된 이벤트(도착, 출발 또는 통과)에서의 지연 시간(초 단위)을 예측합니다.
- 호라이즌(Horizon): 이는 약 40분의 평균 예측 호라이즌에 해당합니다.
- 재매개변수화(Reparameterization): 성능 향상을 위해 모델은 잔여(residual) 지연(미래 지연에서 마지막으로 알려진 지연을 뺀 값)을 예측하며, 추론 시 마지막으로 알려진 지연을 다시 더합니다.
평가 프로토콜:
- 지표: 주요 지표는 평균 절대 오차(MAE)와 평균 제곱근 오차(RMSE)입니다.
- 세부 분석: 집계된 점수를 넘어 모델의 동작을 분석하기 위해, 프로토콜에는 예측 호라이즌(이벤트까지 남은 시간) 및 지연-델타 빈(delay-delta bins)(마지막 알려진 상태 대비 지연 변화량)에 따른 세부 분석이 포함됩니다.
- 분할(Splits): 훈련 데이터는 2023~2024년에서, 테스트 데이터는 2025년에서 추출하여 현실적인 전방향 시간(forward-in-time) 평가를 보장합니다. 단일 고정 테스트 평가 테이블을 통해 모든 모델이 동일한 인스턴스에서 평가되도록 합니다.
평가된 모델:
벤치마크는 세 가지 접근 방식의 계열을 비교합니다:
- 비학습(Non-Learning): 번역(Translation) 베이스라인(마지막으로 알려진 지연을 예측) 및 그래프-이벤트(Graph-event) 모델(경험적 주행 시간과 우선순위 제약을 사용하는 결정론적 시뮬레이션).
- 통계적 학습(Statistical Learning): XGBoost (각 미래 이벤트 슬롯에 대한 독립적 회귀 모델로 훈련됨).
- 딥러닝(Deep Learning): 다층 퍼셉트론(MLP), 장단기 메모리(LSTM), 트랜스포머(Transformer), 그래프 신경망(GNN).

주요 결과
벤치마크의 Standard 티어에서 수행된 실험 결과는 다음과 같습니다:

학습 vs 비학습: 학습 기반 방법이 비학습 모델보다 명확하게 우수한 성능을 보였습니다. 그래프-이벤트 모델(88.41 MAE)은 번역 베이스라인(96.65 MAE)보다 크게 개선되었으나, 모든 학습 기반 접근 방식보다는 뒤처졌습니다.
최고 성능 모델: **그래프 신경망(GNN)**이 MAE 73.62, RMSE 194.56으로 가장 우수한 평균 성능을 달성했습니다.
아키텍처의 경쟁력: 가장 강력한 학습 기반 모델들(GNN, Transformer, LSTM, XGBoost)은 절대적 성능 면에서 서로 상당히 근접해 있습니다. 트랜스포머(74.54 MAE)와 LSTM(74.62 MAE)이 GNN의 뒤를 바짝 쫓고 있습니다. XGBoost(76.58 MAE)는 MLP(77.20 MAE)보다 우수한 성능을 보였습니다.
영역별 강점:
- 단기 호라이즌 (0–5분): XGBoost가 가장 좋은 성능을 보였는데, 이는 작고 안정적인 지연 변화를 처리하는 데 강점이 있기 때문으로 보입니다.
- 중기 호라이즌 (5–15분): LSTM이 강력한 성능을 보여, 순차적 모델링이 열차가 지연을 따라잡는 역학 관계를 잘 포착함을 시사합니다.
- 장기 호라이즌 (>15분) 및 큰 지연: GNN은 긴 호라이즌과 상당한 지연 누적이 발생하는 시나리오에서 탁월한 성능을 보였으며, 이는 네트워크 상호작용을 명시적으로 모델링하는 것이 전파 효과를 포착하는 데 중요하다는 것을 나타냅니다.
- 지연 회복: 그래프-이벤트 모델은 큰 음의 지연 델타(강한 회복)에서 가장 좋은 성능을 보였으며, 이는 예정된 주행 시간보다 빠른 시간을 예측하는 경향과 일치합니다.

의의 및 주장
본 논문은 RIDE를 전국 규모의 대규모 데이터셋에 대해 재사용 가능한 중간 데이터셋과 표준화된 벤치마크를 모두 제공하는 최초의 리소스라고 주장합니다. 이 연구의 의의는 다음과 같습니다:

표준화: 타겟, 시간 분할, 평가 지표에 대한 통일된 프로토콜을 확립하여 다양한 모델 계열 간의 직접적인 비교를 가능하게 했습니다.
포괄적 베이스라인: 공유된 대규모 데이터셋에서 비학습, 통계적, 딥러닝 모델에 대한 최초의 비교 평가를 제공했습니다.
세밀한 분석: 집계된 정확도를 넘어, 서로 다른 아키텍처가 예측 영역(예: 단기 vs 장기, 지연 누적 vs 회복)에 따라 뚜렷한 강점을 가지고 있음을 밝혀냈습니다.
향후 방향: 저자들은 아키텍처의 변화만으로는 상위 성능 모델들 사이에서 극적인 이득을 얻기 어렵다고 제안하며, 향후 진전은 더 나은 피처 설계와 문제 특화된 모델링 선택에 달려 있을 수 있다고 봅니다. 저자들은 RIDE가 지연 전파 및 대규모 교통 시스템에 대한 학습 연구를 위한 토대로서 역할을 할 것이라고 상정합니다.