Gridnberg: A Topography-Aware Pedestrian Routing Dataset for New York City

기술 요약: Gridnberg – 뉴욕시를 위한 지형 인식 보행자 경로 탐색 데이터셋

문제 정의
도시 네트워크 분석은 흔히 도로 네트워크를 평면(2D) 그래프로 단순화하여, 도로 구간을 수평 거리로만 비용이 정의되는 평평한 엣지로 취급합니다. 이러한 추상화는 보행 속도, 대사 에너지 소모량, 그리고 경로 선택에 상당한 영향을 미치는 고도 변화를 반영하지 못합니다. 뉴욕과 같은 도시들은 흔히 평탄하다고 인식되지만, 언덕, 경사로, 계단, 교량, 침하된 도로 등 상당한 지형적 변화를 포함하고 있습니다. 기존의 내비게이션 서비스들은 고도 데이터를 통합하기도 하지만, 그 데이터가 독점적이기 때문에 연구자들이 비용 모델을 검토하거나 재현하는 것을 방해합니다. 또한, NYCWalks와 같이 보도 특화 네트워크(sidewalk-specific networks)가 공간적 충실도를 개선했음에도 불구하고, 고도 데이터로 보강되지 않는 한 여전히 평면적인 상태로 남아 있습니다.

방법론
본 논문은 NYCWalks 보행 네트워크에 지형을 통합하는 워크플로인 Gridnberg를 소개합니다. 이 과정은 세 가지 주요 단계로 구성됩니다:

1. 데이터 통합:

   • 네트워크 기하 구조: 기본 데이터셋은 315,577개의 LineString 레코드(보도, 횡단보도, 보행로 포함)를 포함하는 NYCWalks 네트워크(Sevtsuk et al., 2026)이며, EPSG:6538 (NAD83(2011))으로 투영되어 있습니다.
   • 고도 출처: 고도 데이터는 2022년 NYC Planimetric Database(ELEVATION 클래스)에서 추출되었습니다. 보행 인프라와의 관련성을 확보하기 위해, 본 워크플로는 로컬 평균 계산 시 오염을 방지하고자 건물 지붕 및 수체(water features)를 제외하고 도로면 지점(roadbed spot) 및 교량 지점(bridge points, Feature Code 3000)만을 필터링합니다.
   • 좌표 정렬: 고도 지점(원래 US survey feet 및 EPSG:2263 기준)은 미터 단위로 변환됩니다.

2. 정점 고도 할당:

   • 보행 네트워크의 모든 정점 $v$에 대해, 할당된 고도($z_v$)는 50미터 반경 내의 모든 고도 관측값($z_p$)의 가중치 없는 평균값으로 계산됩니다.
   • 지원 기준: 정점은 반경 내에 적어도 하나의 고도 관측값이 존재할 때만 "지원(supported)"되는 것으로 간주됩니다. 최종 데이터셋에 유지되는 세그먼트는 모든 기하학적 정점이 지원되는 경우에만 포함됩니다. 이 엄격한 기준은 원본 세그먼트의 99.24%(315,577개 중 313,184개)를 보존합니다.
   • 50미터 반경은 공간적 특이성과 소스 커버리지 사이의 절충안입니다. 가장 가까운 기여 관측값까지의 중앙 거리는 10.14m입니다.

3. 지표 계산 및 경로 비용:

   • 세그먼트 지표: 유지된 세그먼트에 대해, 워크플로는 수평 길이($L$), 순 고도 변화($\Delta z$), 누적 상승($G^+$) 및 하강($G^-$)을 계산합니다. 또한 극단적으로 짧은 기하학적 단계에서 발생하는 노이즈를 피하기 위해 1미터 수평 단계 임계값을 적용하여 최대 절대 국부 경사($g_{max}$)를 계산합니다.
   • 경로 비용 함수: 데이터셋은 세 가지 비용 프로파일을 정의합니다:
     • 거리 전용 ($C_0$): $C_0 = L$.
     • 편안함 중심 (Comfort-oriented): 누적 경사 비율($q^+$ 및 $q^-$)에 따라 오르막과 내리막 주행에 비대칭적 페널티를 적용합니다. 5%($g_0$)와 8.33%($g_1$)에서 분기점을 가지며, 경사가 가파를수록 더 높은 가중치를 부여합니다.
     • 접근성 민감 (Accessibility-sensitive): 이동이 불편한 사용자의 노력을 반영하여, 특히 경사가 8.33%를 초과하는 경우 편안함 프로파일보다 더 높은 가중치를 사용합니다.
   • 비용 함수는 조각별 선형(piecewise linear)이며, 누적 경사가 특정 임계값을 초과하는 세그먼트에 페널티를 부과합니다. 이 프로파일들은 "장벽 없는(barrier-free)" 것이 아니라 "접근성 민감"한 것으로, 짧고 가파른 국부적 계단들을 엄격하게 배제하는 대신 경사 가중치가 적용된 누적 비용을 최소화합니다.

주요 결과

• 데이터셋 규모: 최종 릴리스에는 187,657개의 엔드포인트 노드와 313,184개의 물리적 세그먼트(626,368개의 방향성 엣지)가 포함됩니다.
• 지형 분포: 노드 고도는 -0.33m에서 121.09m 사이입니다. 엔드포인트 평균 절대 경사의 중앙값은 0.58%이며, 최대 국부 절대 경사의 중앙값은 0.88%입니다.
• 경사 통계: 12.79%의 세그먼트가 최소 5%의 국부 경사를 포함하며, 6.84%는 최소 8.33%에 도달합니다. 그러나 경로 비용 로직에 따라 한 방향으로라도 경사 페널티를 받는 세그먼트는 4.76%에 불과하며, 이는 국부적 최댓값과 세그gment 집계 비용 간의 차이를 보여줍니다.
• 네트워크 연결성: 데이터셋은 256개의 연결된 컴포넌트(connected components)를 생성합니다. 가장 큰 컴포넌트는 노드의 84.25%를 포함합니다. 작은 컴포넌트들은 스태튼 아일랜드(Staten Island)나 록어웨이 반도(Rockaway Peninsula)와 같이 지리적으로 분리된 지역, 또는 고도 커버리지가 "완전한 지원" 기준을 충족하기에 너무 희소한 지역에 해당합니다.
• 사례 연구: 경로 비교 결과, 경사 민감 프로파일은 경로가 약간 더 길어지는 경우가 있지만(예: 2.3% ~ 5.5% 더 김), 누적 상승량과 최대 국부 경사를 크게 줄이는 것으로 나타났습니다. 일부 진단 사례에서 거리 최소화 경로는 비현실적인 경사(예: >100%)를 가진 엣지를 포함하지만, 경사 민감 프로파일은 이를 성공적으로 회피합니다.

의의 및 주장
본 논문은 Gridnberg를 결정적이고 오류 없는 지면 진실(ground truth)이라기보다 재현 가능하고 지형을 인식하는 분석을 위한 도구로 포지셔닝합니다. 주요 기여는 다음과 같습니다:

1. 투명성: 지자체의 고도 데이터를 보행 네트워크에 매핑하는 방법을 공개적이고 검토 가능한 방식으로 구현하여, 독점적인 블랙박스 라우팅 엔진과 대조를 이룹니다.
2. 방법론적 명확성: 정점 고도를 할당하고, 방향별 경사 점수를 계산하며, 경로 비용 시나리오를 구축하는 구체적인 워크플로를 문서화합니다.
3. 진단적 가치: 데이터셋은 지형, 수직 인프라(교량 등), 그리고 데이터 아티팩트(artifact)를 구분하기 어려운 미결 과제들을 명시적으로 드러냅니다. 예를 들어, 저자들은 50m 윈도우 내에서 지면과 교량 상판 관측치가 혼합되거나 기하학적 아티팩트로 인해 극단적인 경사 값이 발생할 수 있음을 언급합니다.
4. 개선을 위한 토대: 이 릴리스는 지형이 접근성, 중심성, 보행 유동량 모델에 어떻게 영향을 미치는지 테스트할 수 있도록 하여, 고도로 정밀한 보행 네트워크 표현을 개선하기 위한 구체적인 기반 역할을 합니다.

저자들은 할당된 고도가 조사 수준의 측정값이 아닌 가중치 없는 로컬 평균이라는 점과, 휴리스틱 비용 함수가 세그먼트 분할에 민감하다는 점을 인정하며 데이터셋의 한계에 대해 겸허한 태도를 유지합니다. 그들은 실제 적용 시 수직 연결이나 데이터 불일치가 발생하는 엣지 케이스에 대한 명시적인 검토가 필요함을 강조합니다.