기술 요약: MobiWave

문제 정의

본 논문은 이동성 조건이 비정상적(non-stationary)인 도시 환경에서 자율 주행 플릿 재배치(autonomous fleet rebalancing) 문제를 다룹니다. 인간이 운전하는 플릿과 달리, 자율 주행 플릿은 플랫폼의 결정을 직접 실행할 수 있으므로, 최적화 목표를 단순한 주문 매칭에서 플릿 전체의 장기적 시스템 가치 극대화로 전환할 수 있습니다.

두 가지 주요 장애물이 이러한 환경에서의 신뢰할 수 있는 배포를 방해합니다:

1. 표현 모호성(Representation Ambiguity): 지역 및 국지적 교통 패턴은 종종 중첩됩니다. 표준적인 공간 집계 방식(예: 이웃 집계)은 이러한 패턴을 흐리게 만들어, 광범위한 정체 신호 뒤에 숨겨진 유용한 자유 흐름 도로(free-flowing side roads)를 가릴 수 있으며, 이는 최적이 아닌 재배치 결정으로 이어질 수 있습니다.
2. 모델 드리프트 및 적응(Model Drift and Adaptation): 사고, 공사, 기능 구역의 변화, 여행 습관의 변화 등으로 인해 도시 이동성은 진화합니다. 전체 과거 데이터로 재학습하는 것은 계산적으로 불가능하며, 제한된 최근 데이터로 모든 모델 파라미터를 업데이트하는 것은 위험(과적합, 파괴적 망각)하며 안정적인 지식을 지울 수 있습니다. 기존의 지속 학습(continual learning) 방법들은 배포에 중요한 드리프트를 공동으로 측정하고, 자원 예산 내에서 영향을 받는 레이어를 선택하며, 서비스 제약 조건에 대해 업데이트를 검증하는 데 실패하는 경우가 많습니다.

핵심 문제는 배포에 결정적인 상태 인지(재배치를 지원하는 도로 네트워크 정보 추출)와 지속적인 모델 적응(최근 데이터를 사용하여 진화하는 조건 하에서 신뢰할 수 있는 정책 유지)이라는 결합된 과제로 공식화됩니다.

방법론: MobiWave 프레임워크

MobiWave는 두 개의 연결된 모듈인 배포 지향 다중 스케일 그래프 웨이브렛(Dispatch-Oriented Multi-scale Graph Wavelet) 모듈과 **드리프트 가이드 레이어 선택적 최적화(Drift-Guided Layer-Selective Optimization, DGLS)**를 통합합니다.

1. 배포 지향 다중 스케일 그래프 웨이브렛

이 모듈은 중첩된 도로 네트워크 패턴을 여러 스케일에 걸쳐 분리함으로써 표현 문제를 해결합니다.

• 인과적 시간 구조(Causal Temporal Construction): 모델은 현재 구역 상태, 다중 시계열 요약(현재 윈도우 평균 및 변화량), 주기적 코드, 이웃 수요-공급 격차, 예상 차량 도착 등을 포함한 인과적 관측치를 사용하여 상태 표현 $Z_t$를 구축합니다. 이는 미래 데이터를 사용하지 않고도 일시적인 변화와 지속적인 불균형을 구분합니다.
• 다중 스케일 그래프 웨이브렛(Multi-scale Graph Wavelets): 표준 집계 대신, 입력값은 국지적 그래프 웨이브렛을 사용하여 여러 그래프 주파수 스케일에 따라 분해됩니다. 저주파 스케일은 부드러운 지역적 추세를 포착하고, 고주파 스케일은 집계가 가릴 수 있는 미세한 국지적 변화(예: 특정 도로 폐쇄)를 보존합니다.
• 배포 인식 게이팅(Dispatch-Aware Gating): 노드별 게이트 메커니즘은 재배치에 대한 가치를 기준으로 이러한 스펙트럼 스케일의 가중치를 동적으로 조절합니다. 이는 로컬 플릿 불균형과 외부 요인을 고려하여 각 스케일 $b$에 대한 가중치 $\alpha^b_{i,t}$를 계산합니다. 이를 통해 모델이 현재 배포 결정과 관련된 특정 주파수 성분에 집중하도록 보장합니다.
• 액션 생성(Action Generation): 융합된 스케일 특징은 플릿 격차와 이동 가치를 예측하는 정책 헤드로 전달됩니다. 이들은 마스크드 소프트맥스(masked softmax)와 타당성을 보장하는 반올림 절차(Allocate)를 통해 실행 가능한 정수 흐름 행렬(차량 이동)로 변환됩니다(인접성 제약, 플릿 보존 법칙 준수).
• 결합 훈련(Joint Training): 표현과 정책은 수요 예측, 이동 수익, 정책 손실을 결합한 손실 함수를 사용하여 공동으로 훈련되며, 게이팅 메커니즘의 붕괴를 방지하기 위한 규제 항이 포함됩니다.

2. 드리프트 가이드 레이어 선택적 최적화 (DGLS)

DGLS는 드리프트 증거에 따라 모델을 선택적으로 업데이트하여 적응 문제를 해결합니다.

• 배포 가중 스펙트럼 드리프트 탐지(Dispatch-Weighted Spectral Drift Detection): DGLS는 스케일 특징에 대한 최대 평균 편차(MMD)를 사용하여 최근 윈도우와 참조 윈도우 사이의 드리프트를 측정합니다. 결정적으로, 이 드리프트는 각 스케일의 배포 관련성(게이트 가중치)에 의해 가중치가 부여되어, 플릿 결정에 영향을 미치는 변화에 의해서만 적응이 트리거되도록 합니다. 히스테리시스 트리거(hysteretic trigger)는 노이즈로 인한 업데이트를 방지합니다.
• 레이어 선택(Layer Selection): 드리프트가 감지되면, DGLS는 업데이트할 레이어를 식별합니다. 레이어는 활성화 드리프트(MMD), 현재 그래디언트 민감도, 역사적 중요도(안정적인 지식 보호를 위함)라는 세 가지 신호를 기반으로 점수를 매깁니다. 그리디 알고리즘은 고정된 자원 예산(예: 파라미터 수 또는 FLOPs) 내에서 레이어의 하위 집합을 선택합니다.
• 드리프트 인식 Fast-Slow 업데이트(Drift-Aware Fast–Slow Update): 단기 충격과 지속적인 변화를 구분하기 위해, DGLS는 듀얼 모멘텀 옵티마이저를 채택합니다. "Fast" 메모리는 즉각적으로 반응하는 반면, "Slow" 메모리는 드리프트가 지속될 때만 업데이트됩니다. "Slow" 메모리의 기여도는 드리프트의 지속성에 의해 조절되어, 일시적인 급증이 영구적인 지식이 되는 것을 방지합니다.
• 후보 검증(Candidate Validation): 배포 전, 후보 업데이트는 최근 데이터의 홀드아웃 접미사(suffix)를 통해 검증됩니다. 업데이트는 모니터링된 서비스 또는 안전 제약을 저하시키지 않으면서 검증 세트의 배포 보상을 개선할 경우에만 수락됩니다. 만약 거부될 경우, 안정적인 모델과 옵티마이저 상태가 복구됩니다.

핵심 기여

1. 문제 공식화: 저자들은 이동성 드리프트 하에서의 자율 주행 플릿 재배치를 배포 결정적인 상태 인지와 지속적인 모델 적응의 결합된 문제로 공식화했습니다.
2. 배포 지향 그래프 웨이브렛: 도로 역학을 다중 그래프 주파수 스케일에서 분리하고, 수요 예측 및 플릿 제어에 특화된 스케일 가중치를 학습하여 표준 집계의 흐리게 하는 효과를 피하는 새로운 모듈을 제시했습니다.
3. DGLS 프레임워크: 배포 가중 스펙트럼 드리프트를 측정하고, 자원 예산 내에서 영향을 받는 레이어를 선택하며, 안정적인 지식을 보호하기 위해 검증 프로세스와 fast-slow 업데이트 메커니즘을 갖춘 선택적 최적화 방법을 제시했습니다.
4. 실증적 검증: 실제 데이터셋(Manhattan, Hangzhou)과 시뮬레이션 환경에서의 광범한 실험을 통해 프레임워크의 효과를 입증했습니다.

실험 결과

• 전반적 성능: MobiWave는 세 가지 데이터셋에서 기존의 방법들(전통적 방법, 딥 RL, 언어 모델 기반 배포 포함)보다 우수한 성능을 보였습니다. 가장 낮은 **공차(empty-loaded rate)**를 달{%ing} (예: Manhattan에서 차순위 모델의 32.35% 대비 30.22%) 달성하였으며 운영 이익을 개선했습니다.
• 드리프트에 대한 적응: 다섯 가지 유형의 이동성 드리프트(갑작스러운, 점진적, 구조적, 반복적, 공급 측면 드리프트) 하에서, MobiWave(특히 DGLS 구성 요소)는 일관되적으로 가장 우수한 공차를 달성했으며, 점진적 드리프트 시나리오에서 차순위 방법보다 최대 2.10%포인트 높은 성능을 보였습니다. 또한 더 빠른 회복력과 적은 망각을 보여주었습니다.
• 효율성: DGLS는 전체 모델 옵티마이저(135.94K)에 비해 단 62.22K 파라미터만을 업데이트하면서도(54.23% 감소) 더 우수한 성능을 유지했습니다. 이는 집중된 적응이 전체 모델 튜닝보다 더 효과적임을 확인시켜 줍니다.
• 절제 연구(Ablation Studies): 인과적 요약, 그래프 웨이브렛 또는 배포 인식 게이팅을 제거하면 성능이 저하되어 각 구성 요소의 필요성을 확인했습니다. 마찬가지로, 중요도 보호 또는 후보 검증을 제거하면 공차가 높아지거나 서비스 저하가 발생하여 안전장치의 가치를 입증했습니다.

의의 및 주장

본 논문은 MobiWave가 표현과 적응을 플릿 목표에 정렬함으로써 역동적인 도시 환경에서 자율 주행 플릿 재배치를 위한 견고한 솔루션을 제공한다고 주장합니다.

• 표현: 그래프 주파수 패턴을 분리하고 이를 배포 가치에 따라 가중치를 부여하는 것이 재배 경로를 식별하는 데 있어 표준적인 공간 집계보다 우월함을 입증했습니다.
• 적응: 신뢰할 수 있는 온라인 적응을 위해서는 단순히 파라미터를 업데이트하는 것 이상의 것이 필요하며, 배포 관련 드리프트를 측정하고, 영향을 받는 레이어를 선택하고, 서비스 제약 조건에 대해 업데이트를 검증해야 함을 주장합니다.
• 효율성 대 성능: 결과는 적응을 위해 전체 모델 업데이트가 반드시 필요하다는 통념에 도전하며, 드리프트 증거에 의해 유도된 선택적 업데이트가 훨씬 적은 파라미터 업데이트로 더 나은 성능을 달성할 수 있음을 보여줍니다.

저자들은 감지된 도로 변화가 모델 구성 요소의 선택을 가이드해야 하며, 모든 후보 업데이트는 신뢰할 수 있는 배포를 보장하기 위해 플릿 결과에 대해 검증되어야 한다고 결론짓습니다. 향후 연구로는 유향 그래프(directed graphs), 지연된 수요(delayed demand), 배터리 제약 조건 등을 탐색하는 것이 제안되었습니다.