🤖 machine learning

Non-Parametric Spatiotemporal Trajectory Prediction via State-Conditioned Transition Sampling

이 논문은 상태 조건부 전이 테이블을 활용하여 GPU 없이도 트랜스포머 수준의 정확도를 달성하는 동시에 데이터가 부족한 시나리오에서 딥러닝 모델을 크게 능가하는, 학습이 필요 없는 비매개변수 방식의 다중 모드 궤적 예측 방법을 소개한다.

원저자: Michael Fore, Akshay Jain, Justin Downes, Rohan Pradhan, Duncan Botti

게시일 2026-08-17

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Michael Fore, Akshay Jain, Justin Downes, Rohan Pradhan, Duncan Botti

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

당신이 친구가 다음에 어디로 갈지 추측하려고 한다고 상상해 보세요. 만약 당신이 그저 친구가 길을 따라 걷고 있다는 사실만 알고 있다면, 당신은 친구가 계속 직진할 것이라고 추측할지도 모릅 모릅니다. 하지만 만약 당신이 친구가 번잡한 기차역에 있고, 특정 시간대에 특정 승강장을 향해 가고 있다는 사실을 알고 있다면, 당신의 추측은 훨씬 더 정교해질 것입니다. 이것이 바로 궤적 예측(trajectory prediction)의 핵심입니다. 궤적 예측은 배, 자동차, 또는 사람과 같이 움직이는 물체의 미래 경로를 예측하려는 과학의 한 분야입니다. 이는 매우 까다로운 작업인데, 미래는 단순히 하나의 직선이 아니기 때문입니다. 배는 날씨, 시간대, 또는 다른 배들의 위치에 따라 왼쪽으로 돌 수도, 오른쪽으로 돌 수도, 혹은 계속 직진할 수도 있습니다. 이를 해결하기 위해 과학자들은 보통 거대하고 복잡한 컴퓨터 두뇌(딥러닝 모델이라 불리는)를 구축하며, 이 모델은 규칙을 배우기 위해 엄청난 양의 데이터와 강력한 그래픽 카드를 필요로 합니다. 하지만 만약 슈퍼컴퓨터나 수년간의 훈련 없이도 훌륭한 추측을 할 수 있다면 어떨까요?

이 논문은 특히 덴마크 주변 해역에서 배가 다음에 어디로 갈지를 예측하는 영리한 "훈련이 필요 없는(training-free)" 방법을 소개합니다. 저자들은 수백만 개의 사례를 먹여서 학습시켜야 하는 거대하고 복합적인 AI 두뇌를 만드는 대신, 마치 초스마트한 사서처럼 행동하는 시스템을 만들었습니다. 그들은 배들이 어디에 있었고 그 다음에 어디로 갔는지에 대한 15만 개의 스냅샷이 담긴 거대한 "전이 테이블(transition table)", 즉 디지털 로델스(rolodex)를 구축했습니다. 시스템이 배의 미래를 예측해야 할 때, 그것은 신경망이 하는 방식처럼 "생각"하지 않습니다. 대신 과거의 가장 유사한 상황들을 찾아냅니다. 시스템은 다음과 같이 묻습니다: "배가 정확히 이 지점에, 이 속도로, 이 방향을 향해, 이 요일, 이 시간에 있었던 적이 있는가?" 그러고 나서 현재 상황과 얼마나 밀접하게 일치하는지에 따라 답변의 가중치를 부여합니다.

마법은 이 로델스를 사용하는 방식에서 일어납니다. 저자들은 데이터를 다루는 두 가지 방법을 만들었습니다. 첫 번째는 마치 GPS가 최적의 경로 하나를 알려주는 것과 유사하게, 가장 가능성 높은 경로를 따라가는 "빔 서치(beam search)"와 같습니다. 두 번째인 "다양한 샘플링(diverse sampling)"은 마치 사서에게 가장 흔한 경로뿐만 아니라, 배가 취할 수 있는 몇 가지 서로 다른 그럴듯한 경로들을 제안해 달라고 요청하는 것과 같으며, 이를 통해 경로들이 모두 똑같아 보이지 않도록 보장합니다. 그들은 선박 이동 데이터셋을 통해 테스트를 진행했고 놀라운 사실을 발견했습니다: 그들의 단순하고 컴퓨터 부하가 적은 방법이 데이터가 충분할 때 5,700만 개의 파라미터를 가진 거대 AI 모델(TrAISformer라고 불리는)만큼이나 정확했다는 점입니다. 하지만 진짜 핵심은 이것입니다: 만약 AI에게 아주 적은 양의 데이터(단 10%)만 주었을 때, AI는 무너져 내려 형편없는 예측을 내놓은 반면, 이 단순한 방법은 안정적이고 정확한 상태를 유지했습니다.

저자들은 이 접근 방식이 새로운 항로나 다른 해역처럼 과거 데이터가 풍부하지 않은 곳에서 게임 체인저가 될 수 있다고 제안합니다. 이 방법은 훈련을 위한 그래픽 카드가 필요하지 않고 처음부터 다시 "학습"할 필요도 없기 때문에 거의 즉시 배치될 수 있습니다. 그들은 AI가 필요로 하는 데이터의 단 10%만으로도 자신들의 방법이 실제로 두 배 더 정확하다는 것을 발견했습니다. 이는 때때로 과거를 영리하고 가중치가 부여된 렌즈로 바라보는 것이, 컴퓨터가 스스로 미래를 꿈꾸도록 가르치려 노력하는 것보다 더 강력할 수 있음을 상기시켜 줍니다. 논문은 이 방법이 모든 시나리오에 완벽한 것은 아니라고 결론짓습니다(한 번도 본 적 없는 매우 드물고 특이한 기동에는 어려움을 겪습니다). 하지만 이 방법은 거대 AI 모델이 실패하는 지점인 데이터가 부족한 환경에서 빛을 발하는, 견고하고 저비용인 대안을 제공합니다.

기술 요약: 상태 조건부 전이 샘플링을 통한 비매개변수적 시공간 궤적 예측

문제 정의

움직이는 개체(선박, 차량, 보행자)의 미래 위치를 예측하는 것은 해양 감시, 교통 관리, 수색 및 구조 분야에 적용되는 근본적인 공간 컴퓨팅 과제입니다. 이 작업은 본질적으로 다중 모드(multi-modal) 특성을 가집니다. 경로 교차점에서 개체는 여러 갈래의 서로 다른 방향으로 진행할 수 있으며, 이는 예측기가 단일 결정론적 경로를 출력하는 대신 이러한 불확실성을 표현해야 함을 의미합니다.

TrAISformer [7]와 같은 최근의 딥러닝 접근 방식은 궤적 예측을 시퀀스 모델링으로 다룸으로써 최첨단 성능을 달ek하지만, 다음과 같은 상당한 한계를 가집니다:

높은 자원 비용: GPU 학습과 방대한 파라미터 수(예: 5,700만 개)를 요구합니다.
데이터 희소성 민감도: 학습 데이터가 제한될 경우 성능이 급격히 저하됩니다.
이식성 부족: 새로운 지리적 영역이나 개체 유형에 맞게 모델을 재학습해야 합니다.

반면, 단일 지점 이웃 탐색(SPNS) [5]과 같은 고전적인 비매개변수 방법은 학습이 필요 없지만, 분기되는 경로를 표현하지 못하거나 다중 모드 불확실성을 제공하지 못하며, 종종 예측을 단일 중앙 경로로 수렴시키는 문제가 있습니다.

방법론

저자들은 고전적인 이웃 탐색과 딥러닝 사이의 간극을 메우는 학습이 필요 없는 비매개변수적 방법을 제안합니다. 이 접근 방식은 두 단계로 작동하는 상태 조건부 전이 샘플링(State-Conditioned Transition Sampling) 프레임워크에 기반합니다.

1. 오프라인 전이 테이블 구축

이 방법은 공간을 그리드로 이산화하는 대신, 과거 궤적으로부터 평면 전이 테이블을 구축합니다.

데이터 추출: 고정된 시간 간격 $\Delta t$ (1시간)로 분리된 관측값 쌍을 추출합니다.
상태 표현: 각 행은 현재 상태 $s_i$ (위도, 경도, 속도, 침로, 시간, 요일)와 후속 위치 $p^+_i$ 를 저장합니다.
인덱싱: 효율적인 이웃 검색을 위해 현재 위치에 BallTree 공간 인덱스를 구축합니다. 테이블은 약 150,000개의 레코드(9.6 MB)를 포함하며, 빈닝(binning)이나 이산화를 피합니다.

2. 상태 조건부 가중치 조회

쿼리 상태 $q$ 가 주어지면, 시스템은 역사적 전이를 검색하고 5개 차원에 대한 **곱 커널(product kernel)**을 기반으로 가중치를 할당합니다:
$w_i = K_{sp} \cdot K_{brg} \cdot K_{spd} \cdot K_{hr} \cdot K_{dow}$

공간 ( $K_{sp}$ ): 대권 거리(great-circle distance)에 대한 4차 커널 (적응형 대역폭).
침로 ( $K_{brg}$ ): 침로 차이에 대한 von Mises 밀도.
속도 ( $K_{spd}$ ): 속도 차이에 대한 가우시안 분포.
시간 ( $K_{hr}, K_{dow}$ ): 시간 및 요일에 대한 순환 가우시안(Cyclic Gaussians).

이 가중치가 적용된 다음 위치 집합은 상태 조건부 공간 전이에 적용된 Nadaraya-Watson 커널 회귀를 나타냅니다.

3. 자기회귀 추론 모드

이 방법은 공유된 전이 표현을 사용하여 두 가지 추론 모드를 지원합니다:

다양성 샘플링(Diverse Sampling): 서로 다른 가능한 경로들을 커버하는 $N$ 개의 브랜치를 생성하기 위해 시스템은 순차적으로 샘플링합니다. 이후의 브랜치( $j > 1$ )를 위해 **공간적 척력 페널티(spatial repulsion penalty)**가 가중치에 적용되어, 이전에 생성된 브랜치 근처의 관측값을 억제합니다. 이를 통해 다양한 경로를 탐색하도록 강제합니다.
빔 서치(Beam Search): 가장 가능성이 높은 단일 경로를 찾기 위해, 시스템은 $B$ 개의 활성 브랜치를 병렬로 유지합니다. 각 단계에서 각 브랜치당 $C$ 개의 후보를 샘별하며, 누적 로그 밀도(cumulative log-density)에 따라 상위 $B$ 개의 경로를 유지합니다. 이는 고교통 구간에서 벗어나는 경로를 제거합니다.

주요 기여

상태 조건부 예측기: 전통적인 코스 게이팅(course-gating)을 부드러운 다차원 곱 커널 가중치(공간, 침로, 속도, 시간)로 대체하는 전이 예측기를 제공합니다.
다양성 증진 샘플링: 공간 전이 조회를 위한 다양성 증진 순차 샘플링을 적용하여, 학습된 파라미터 없이도 서로 다른 가능한 경로를 커버하는 다중 모드 궤적 예측을 가능하게 합니다.
데이터 효율성 입증: 이 학습 불필요 방식이 전체 데이터 가용 시 5,700만 개의 파라미터를 가진 트랜스포머와 대등한 성능을 보이면서도, 데이터가 희소한 환경에서는 압도적으로 우수한 성능을 보임을 체계적으로 입증했습니다.

실험 결과

본 방법은 Constant Velocity, SPNS, NCDM, LSTM seq2seq 모델, 그리고 TrAISformer를 포함한 베이스라인 모델들과 함께 DMA 덴마크 해양 AIS 데이터셋(1,481개 테스트 궤적, 3시간 예측 범위)을 통해 평가되었습니다.

정확도 (전체 데이터):
- Top-1 FDE (3h): 제안된 빔 서치는 9.00 km를 달성하여 TrAISformer의 argmax(9.84 km)보다 우수한 성능을 보였습니다.
- Best-of-16 FDE (3h): 다양성 샘플링은 2.49 km를 달성하여 TrAISformer의 샘플링(2.66 km)보다 뛰어난 성능을 보였습니다.
데이터 효율성:
- 학습 데이터를 **10%**로 줄였을 때, 제안된 방법은 2.60 km의 FDE를 유지한 반면, TrAISformer는 5.61 km로 저하되어 2.2배의 정확도 우위를 보였습니다.
- 1% 데이터 상황에서 제안된 방법(5.24 km)은 급격한 성능 저하를 겪은 TrAISformer(14.33 km)를 크게 앞질렀습니다.
계산 비용:
- 이 방법은 GPU가 필요 없으며 학습된 파라미터가 0개입니다.
- 추론은 CPU에서 궤적당 14–46 ms가 소요됩니다.
- 테이블 구축에는 전체 데이터 기준 21초가 소요됩니다.

의의 및 주장

본 논문은 비매개변수적 전이 기반 예측이 넓은 운용 범위에서 경쟁력이 있다고 주장합니다. 주요 의의는 배포 유연성에 있습니다:

새로운 지리적 영역: 이 방법은 딥러닝 모델보다 10배 적은 역사적 데이터를 사용하여 새로운 지역에 배포할 수 있게 합니다.
자원 제약: GPU 학습과 복잡한 하이퍼파라미터 튜닝을 제거하며, 커널 대역폭을 설정할 때 데이터 특성에 의존합니다.
안정성: 데이터가 부족한 환경에서도 안정적이고 정확하며, 이는 딥러닝 모델이 실패하는 영역입니다.

저자들은 이 방법이 전이 테이블에 표현되지 않은 행동(예: 희귀 기동)을 외삽(extrapolate)할 수 없으며, 고정 속도 가정을 기반으로 한다는 한계를 인정합니다. 또한, 다양성 샘플링은 다중 모드 커버리지(Best-of-N)에 탁고하고, 빔 서치는 단일 궤적 정확도(Top-1)에 더 우수하므로, 사용자는 특정 사례에 적합한 모드를 선택해야 합니다.