Vessel Traffic Flow Prediction on Sparse Data via Spatio-Temporal Graph Neural Networks with a Learnable Tweedie Head

기술 요약: 학습 가능한 트위디 헤드(Tweedie Head)를 이용한 희소 데이터 기반 선박 교통 흐름 예측 연구

1. 문제 정의

정확한 선박 교통 흐름 예측은 스마트 항만 운영과 항행 안전을 위해 필수적이다. 그러나 해상 교통 데이터는 도시 도로 네트워크와 비교했을 때 고유한 도전 과제를 제시한다. 밀집된 도시 교통과 달리, 해상 이동은 본질적인 무작위성, 이질성, 그리고 심각한 제로 인플레이션(zero inflation)(간헐적인 활동 급증과 긴 비활동기의 반복) 특성을 보인다.

본 논문은 기존의 시공간 그래프 신경망(ST-GNN)이 이러한 해상 맥락에서 성능이 크게 저하된다는 점을 지적한다. 고도로 희소한 데이터로 학습될 때, 이러한 모델들은 **보수적인 제로 근접 예측(near-zero predictions)**으로 수렴하는 경향이 있어, 중요한 비제로(non-zero) 교통 급증 현상을 포착하는 데 실패한다. 제로 인플레이션 음이항(ZINB) 모델이 희소성을 처리하기 위해 제안되었으나, 본 논문은 이들의 한계를 다음과 같이 언급한다: ZINB의 두 부분 구성(제로 생성 과정과 카운트 과정을 별도로 모델링)은 제로 생성 가정이 위반될 경우 최적이 아닌 결과를 낼 수 있으며, 갑작스러운 교통 급증의 롱테일(long-tailed) 동작을 포착하는 데 어려움을 겪을 수 있다. 또한, 다른 도메인에서 사용되는 기존의 트위디 기반 접근 방식은 트위디 가능도(Tweedie likelihood)의 다루기 힘든 무한 급수를 우회하기 위해 대리 학습 목적 함수(예: 하한 근사치)에 의존하며, 이는 복잡성과 근사 오차를 유발한다.

2. 방법론

저자들은 임의의 ST-GNN 백본에 플러그 앤 플레이(plug-and-play) 방식으로 부착할 수 있도록 설계된 모델 불가지론적(model-agnostic) 학습 가능한 트위디 헤드를 제в안한다. 핵심 구성 요소는 다음과 같다:

• 그래프 정식화: 해상 시스템은 노드가 항만 및 앵커리지 구역을 나타내고, 에지가 선박 궤적 전이를 통해 유도된 항행 연결을 나타내는 유향 그래프 $G=(V, E, A)$로 모델링된다.
• 트위디 모델링: ZINB의 두 부분 메커니즘 대신, 모델은 트위디 지수 분포 가족(구체적으로 $1 < p < 2$ 범위의 복합 푸아송-감마 분포)을 활용한다. 이 분포는 명시적인 제로 게이팅 메커니즘 없이도 제로 결과와 연속적인 양수 값을 자연스럽게 모델링한다.
• 학습 가능한 분산 파라미터: 핵심 혁신은 노드 수준의 분산 파워 파라미터 $p$를 예측하는 것이다. 이 헤드는 백본 특징을 분리하여 각 노드에 대한 평균 $\mu$와 파워 $p$를 예측한다. 이를 통해 모델은 근사 푸아송(near-Poisson) 교통($p \approx 1.1$)부터 과분산된 감마(Gamma) 유사 교통($p \approx 1.9$)에 이르기까지 공간적 이질성을 적응적으로 포착할 수 있다.
• 학습 목적 함수 (단위 편차): 정확한 트위디 로그 가능도에 필요한 다루기 힘든 무한 급수를 피하기 위해, 저자들은 **트위디 단위 편차(Tweedie unit deviance)**를 최적화한다. 이는 근사 오차 없이 안정적인 역전파를 보장하는 폐쇄형(closed-form) 목적 함수를 제공한다. 손실 함수는 다음과 같이 정의된다:
  $$d(y, \mu, p) = 2 \left( \frac{y^{2-p}}{(1-p)(2-p)} - \frac{y \mu^{1-p}}{1-p} + \frac{\mu^{2-p}}{2-p} \right)$$
  (여기서 $y=0$일 때 첫 번째 항은 0으로 설정됨).
• 추론: 모델은 트위디 평균 $\hat{y} = \mu$를 점 예측값으로 출력한다.

3. 실험 설정

• 데이터셋: 2024년 9월부터 11월까지의 로스앤젤레스 및 롱비치(LA/LB) 항만의 실제 자동 식별 시스템(AIS) 데이터.
• 그래프 구축: 정지 상태의 AIS 신호에 대한 DBSCAN 클러스터링을 통해 30개의 다각형 노드(터미널 및 앵커리지)를 추출하였다. 선박 전이 횟수를 기반으로 198개의 유향 에지를 구축하였다.
• 베이스라인: 제안된 헤드는 세 가지 대표적인 ST-GNN 백본인 STGCN, DCRNN, Graph WaveNet(GWNet)에 대해 테스트되었다.
• 비교 대상: 각 백본은 세 가지 출력 헤드로 평가되었다:
  1. Base: 표준 회귀 (MAE 손실).
  2. +ZINB: ZINB 헤드.
  3. +Tweedie (제안 방식): 제안된 학습 가능한 트위디 헤드.
• 지표: "전체(All)" 데이터와 "비제로(Non-zero)" 데이터 모두에 대해 평균 절대 오차(MAE)와 평균 제곱근 오차(RMSE)를 보고하였다 (빈번한 제로 값으로 인한 편향을 완화하기 위함).

4. 주요 결과

• 비제로 이벤트 성능: 기존 ST-GNN(Base)은 전체적으로 가장 낮은 MAE를 달로 기록했으나, 비제로 이벤트에서는 성능이 저조하여 교통 급증을 과소 예측하는 경향을 확인했다. +ZINB와 +Tweedie 모두 비제로 MAE를 개선하여 실제 교통 활동에 대한 더 나은 민감도를 입증했다.
• RMSE 우수성: 제안된 +Tweedie 방식은 세 가지 백본 모두에서 일관되게 가장 낮은 RMSE와 비제로 RMSE를 달성했다. RMSE는 큰 오차에 더 큰 패널티를 부여하므로, 이는 트위디 헤드가 Base 및 ZINB 모델에 비해 갑작스러운 교통 급증의 규모를 포착하는 데 더 우수함을 나타낸다.
• 정성적 분석: 1-step-ahead 예측 시각화 결과, Base 모델은 평탄하고 보수적인 예측을 내놓고, ZINB 모델은 제로 인플레이션 게이트($\pi$)의 할인 효과로 인해 정점의 크기를 과소 예측하는 경향이 있는 반면, 트위디 헤드는 앵커리지와 터미널 구역 모두에서 교통 급증의 상승과 하강을 밀접하게 추적하며 더 날카롭고 비례적인 예측을 생성하였다.

5. 의의 및 주장

본 논문은 제안된 모델 불가지론적 학습 가능한 트위디 헤드가 다음과 같은 이유로 희소한 해상 교통 예측에 대한 강력한 솔루션을 제공한다고 주장한다:

1. 근사 오차 제거: 대리 가능도 근사에 의존하는 대신 폐쇄형 단위 편차를 최적화함으로써, 무한 급수 합산의 복잡성 없이 안정적인 학습을 보장한다.
2. 이질성 포착: 학습 가능한 노드 수준의 분산 파워 $p$를 통해 모델이 서로 다른 항만 구역의 특정 통계적 특성에 적응할 수 있게 한다.
3. 신뢰성 향 향상: 이 프레임워크는 비제로 교통 이벤트의 예측을 크게 개선하여, 기존 ST-GNN이나 ZINB 기반 접근 방식보다 실무적인 해상 교통 제어를 위한 더 신뢰할 수 있는 신호를 제공한다.

한계점 및 향 향후 연구:
저자들은 이 방법이 스파이크 예측을 개선하지만, 가장 극단적인 이벤트 발생 시 여전히 보수적인 경향이 있음을 인정하였다. 본 연구는 단일 지역(LA/LB)과 특정 3개월 기간의 시간 단위 집계 데이터로 제한되어 있다. 향-후 연구로는 교차 지역 평가, 외생 정보(예: 기상, 일정)의 통합, 동적 그래프 업데이트, 그리고 극단적인 교통 급증을 더 잘 처리하기 위한 꼬리 인식(tail-aware) 목적 함수 또는 하이브리드 접근 방식의 탐색이 제안되었다.