기술 요약: 반복되는 대중교통 운행 일정: GTFS를 통한 안정적인 식별 및 유사성 분석

1. 문제 정의

대중교통 일정은 여러 달력 날짜가 동일한 승객 대상 시간표(예: 표준 평일)를 공유하는 반면, 주말, 공휴일 또는 특별 이벤트로 인해 서로 다른 형태의 반복적인 서비스 구조를 나타냅니다. 그러나 글로벌 표준인 일반 교통 정보 규격(GTFS)은 이러한 반복적인 "DayType(일 유형)"을 명시적으로 인코딩하지 않습니다. 대신, GTFS는 캘린더, 운행(trips), 정류장 시간(stop_times), 형상(shapes) 등의 상호 의존적인 테이블을 통해 서비스를 표현하며, 이로 인해 스케줄링, 차량 배차, 수요 분석 등을 수행하는 하위 모델들은 파편화된 데이터로부터 반복되는 공급 객체를 재구성해야 하는 상황에 직면합니다.

핵심 과제는 두 가지입니다:

1. 식별(Identification): 행정적 식별자(예: shape_id, stop_id)에 의존하지 않고(이러한 식별자는 물리적 서비스가 동일하더라도 피드 릴리스 사이에 변경될 수 있음), GTFS로부터 안정적이고 반복적인 서비스 클래스(DayType)를 어떻게 추출할 것인가?
2. 비교(Comparison): 추출된 일정들을 비교하여 엄격한 시간표 차이, 미세한 타이밍 변화(예: 1분 지연), 또는 실질적인 구조적 변화(예: 노선 추가 또는 삭제)를 어떻게 구분할 것인가?

2. 방법론

2.1. 공식 정의

본 논문은 두 가지 핵심 개념을 공식화합니다:

• 노선 패턴(Route Pattern): 정류장 순서와 이동 방향으로 정의되는 승객 대상 서비스 변체입니다. 행정적 식별자인 GTFS의 shape_id와 달리, 노선 패턴은 물리적 경로와 정류장 순서에 의해 정의됩니다.
• DayType (일 유형): 동일한 노선 패턴 세트가 동일한 시간에 운행되는 날짜들의 범주입니다. 이는 다음과 같이 트립 명세 집합으로 엄격히 정의됩니다: $DayType(d) = \{(p, dep_t, arr_t)\}$, 여기서 $p$는 노선 패턴이고, $dep_t/arr_t$는 첫 출발 및 마지막 도착 시간입니다.

2.2. H3 인덱싱을 통한 안정적 추출

행정적 식별자 재라벨링에 대한 안정성을 보장하기 위해, 저자들은 H3 계층적 지리 공간 인덱싱 시스템(Uber Technologies, 2018)을 사용하는 추출 방법을 제안합니다.

• 노선 패턴 키(Route Pattern Key): shape_id나 stop_id를 사용하는 대신, 정류장 좌표의 순차적 시퀀스를 H3 셀(해상도 15) 시퀀스로 변환합니다. 이 시퀀스는 노선 패턴에 대한 결정론적이고 안정적인 키 역할을 합니다.
• 추출 알고리즘:
  1. GTFS 캘린더 및 예외 테이블을 확장하여 모든 날짜에 대해 활성화된 트립 목록을 생성합니다.
  2. 각 활성 트립에 대해, 정류장 시퀀스를 H3 기반의 노선 패턴 키로 변환합니다.
  3. 트립 명세 튜플을 형성합니다: $(H3\_key, first\_departure, last\_arrival)$.
  4. 동일한 트립 명세 튜플 세트를 공유하는 날짜들을 하나의 DayType으로 그룹화합니다.
• 불변성(Invariance): 이 접근 방식은 두 GTFS 피드가 동일한 물리적 서비스를 설명하더라도, 정류장 좌표와 순서가 변경되지 않는 한 추출된 DayType 분할이 동일하도록 보장합니다.

2.3. 일정 비교 프레임워크

본 논문은 DayType $A$와 $B$를 비교하기 위한 3단계 계층 구조의 메트릭을 도입합니다:

1. 정확도 메트릭 ($d_0$):

   • 트립 명세 집합에 대한 **자카드 거리(Jaccard Distance)**를 사용합니다.
   • 노선 패턴, 출발 시간, 또는 도착 시간의 어떠한 차이도 별개의 DayType으로 취급합니다.
   • 데이터 품질 및 의도적인 타이밍 조정을 위한 엄격한 감사 신호 역할을 합니다.

2. 시간 허용 메트릭 ($d_\epsilon$):

   • 허용 오차 매개변수 $\epsilon$(예: 1, 3, 또는 5분)을 도입합니다.
   • 두 트립이 동일한 노선 패턴 키를 공유하고 출발/도착 시간이 $\le \epsilon$ 범위 내에서 차이가 나면 $\epsilon$-동등하다고 간주합니다.
   • 최대 $\epsilon$-동등 쌍의 수를 기반으로 시간 허용 자카드 거리를 계산합니다.
   • 이 계층은 정확한 차이가 단순히 작은 타이밍 변화인지 여부를 판단합니다.

3. 구조적 비교 가능성 진단:

   • 작은 일치 항목을 전체 일정의 유사성으로 과잉 해석하는 것을 방지하기 위해, 프레임워크는 다음을 계산합니다:
     • 매칭 비율 ($M_\epsilon$): 허용 오차 내에서 쌍을 이룰 수 있는 트립의 비율.
     • 트립 수 불균형 ($Q$): 두 DayType 간의 총 트립 수의 상대적 차이.
     • 미매칭 수 ($U_\epsilon$): 쌍을 이룰 수 없는 트립의 수.
   • 이를 통해 "동일한 일정의 타이밍이 조정된 버전"(높은 $M_\epsilon$, 낮은 $Q$)과 "구조적 서비스 변경"(낮은 $M_\epsilon$, 높은 $Q$)을 구분합니다.

3. 주요 기여

1. 공식화: 노선 패턴과 DayType을 차량 또는 승무원 스케줄링과 구별되는 반복적 공급 객체로 정의합니다.
2. 안정적 추출: 행정적 식별자 재라벨링에 불변하는 H3 노선 패턴 키를 사용하여 GTFS 추출 절차를 개발함으로써, 종단적 GTFS 분석의 재현성 문제를 해결합니다.
3. 비교 계층 구조: 엄격한 감사(정확), 타이밍 민감도(시간 허용), 그리고 구조적 변화(진단)를 분리하는 메트릭 시스템을 제안하여 단일 유사성 메트릭의 한계를 해결합니다.
4. 하위 활용성: 타임테이블 동기화, 차량 스케줄링, 수요 할당 및 불일치 진단 모델의 입력값으로 사용할 수 있는 압축된 반복 일정 세트를 제공합니다.
5. 실증적 검증: 일본과 캐나다의 GTFS 피드에 프레임워크를 적용하여, 다양한 네트워크 규모와 캘린더 인코딩 전략에 걸친 성공적인 추출을 입증했습니다.

4. 결과 및 발견 사항

프레임워크는 40개의 일본 및 38개의 캐나다 교통 기관에 적용되었습니다.

• 추출 성공: 알고리즘은 수동 개입 없이 모든 기관에 대해 반복되는 DayType을 성공적으로 식별하였으며, 표준 주간 사이클(평일/토요일/일요일), 공휴일 예외 및 단일 날짜 이상치를 복구했습니다.
• DayType 수: 양국 모두 비어 있지 않은 DayType의 중앙값은 4개였습니다. 그러나 일본 기관은 캐나다(최대 17개)에 비해 더 높은 변동성(최대 39개)을 보였는데, 이는 일본 샘플의 더 세분화된 공휴일/계절 캘린더를 반영합니다.
• 이질성 분석:
  • 정확한 이질성: 상당수의 기관에서 트립 공유가 없는(자카드 거리 = 1.0) DayType 쌍이 발견되었습니다. 이는 캐나다(36%)가 일본(15%)보다 더 흔하게 나타났습니다.
  • 허용 오차의 영향: 시간 허용 오차(1~5분)를 적용했을 때, 캐나다의 많은 "정확히 이질적인" 쌍들이 일부 매칭되는 트립을 확보했습니다. 이는 이들이 유사한 구조의 타이밍 변형임을 시사합니다. 일본의 경우 정확한 이질성이 더 지속적으로 나타났으며, 이는 서비스 체계 간의 강력한 구조적 분리를 의미합니다.
  • 구조적 실체: 허용 오차 하에서 매칭을 확보했음에도 불구하고, 중앙값 매칭 비율은 여전히 낮게 유지되었습니다(캐나다 6.3%, 일본 0%). 또한 높은 트립 수 불균형이 관찰되었습니다. 이는 "이질적"인 DayType들이 단순히 조정된 일정이 아니라, 근본적으로 다른 서비스 규모나 노선 세트를 나타낸다는 것을 확인시켜 줍니다.
• 중첩(Nesting): 일본 기관의 69%, 캐나다 기관의 58%에서 완전 중첩(한 DayType이 다른 DayType의 엄격한 부분 집합인 경우)이 관찰되었습니다. 이는 단계적인 서비스 감소가 두 지역 모두에서 흔한 관행임을 나타냅니다.

5. 의의 및 주장

본 논문은 자신의 기여를 새로운 최적화 알고리즘이 아닌 **방법론적 표현 계층(methodological representation layer)**으로 규정합니다. 그 의의는 다음과 같습니다:

• 간극 해소: 가공되지 않은 파편화된 GTFS 데이터를 하위 방법론적 모델(예: 결손 함수 분석, 차량 스케줄링)에 필요한 반복적 공급 객체와 연결합니다.
• 안정성: 서비스를 행정적 ID로부터 분리함으로써, 피드 릴리스에 따른 스케줄 진화에 대한 신뢰할 수 있는 종단적 분석을 가능하게 합니다.
• 미세한 해석: 제안된 메트릭 계층은 미세한 타이밍 노이즈를 구조적 서비스 변화로 오인하는 것을 방지하는 동시에, 정확한 일정 편차를 감사할 수 있는 능력을 유지합니다.
• 압축된 표현: 대규모의 날짜별 시간표를 압축된 반복 DayType 라이브러리로 변환하여, 보다 효율적인 스케줄링, 수요 할당 및 불일치 분석을 용이하게 합니다.

저자들은 GTFS가 DayType을 명시적으로 정의하지는 않지만, 본 프레임워크를 통해 이를 견고하게 추출하고 비교할 수 있으며, 이것이 고급 교통 계획 및 분석을 위한 필수적인 토대를 제공한다고 결론짓습니다.