🤖 AI

HLSR: Hybrid Live Forecast Selective Dynamic Vehicle Rerouting for Real-Time Congestion Avoidance

본 논문은 네트워크 전체의 재계획 없이도 효과적인 실시간 혼잡 회피를 위해 실시간 속도와 단기 예측 및 운전자 맞춤형 지표를 결합하여 제한된 일부 차량만을 동적으로 경로 재설정하는 선택적 하이브리드 라이브 예측 프레임워크인 HLSR을 제안한다.

원저자: Xiao Wang, Shun Ren Yang, Hui Nien Hung

게시일 2026-08-19

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Xiao Wang, Shun Ren Yang, Hui Nien Hung

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

도시들은 점점 더 밀집해지고 있으며, 그 안의 도로들은 이를 따라잡기 위해 고군분투하고 있습니다. 농촌에서 도시 중심부로 더 많은 사람들이 이동함에 따라 교통 네트워크에 가해지는 압박은 심화됩니다. 단순히 도로를 더 많이 건설하는 것은 공간과 비용 문제로 인해 종종 불가능하기 때문에, 도시들은 기존 차량의 흐름을 관리할 더 스마트한 방법을 찾아야 합니다. 현재 스마트폰에서 볼 수 있는 것과 같은 기존 내비게이션 앱들은 운전자가 여정을 시작하는 순간의 교통 상황을 바탕으로 가장 빠른 경로를 찾는 데는 능숙합니다. 하지만 운전자가 이미 도로 위에 있을 때는 어려움을 겪습니다. 만약 앞쪽에 교통 정체가 형성되면, 이러한 앱들은 이미 특정 경로를 택해 주행 중인 운전자들을 경로 변경시키지 못하거나, 최악의 경우 너무 많은 운전자를 새로운 경로로 보내 다른 곳에 새로운 병목 현상을 만들기도 합니다. 교통 엔지니어들의 과제는 모든 차량의 계획을 변경하여 혼란을 야기하지 않으면서도, 딱 필요한 만큼만 개입하여 정체를 완화하는 것입니다.

이를 해결하기 위해 연구자들은 HLSR이라 불리는 새로운 시스템을 개발했습니다. 이는 '하이브리드 실시간-예측 선택적 동적 차량 경로 재설정(Hybrid Live–Forecast Selective Dynamic Vehicle Rerouting)'의 약자입니다. 이 방식은 개별 차량을 추적하는 미시적 교통 모델을 사용하여 대만 타이난 시를 대상으로 한 상세한 컴퓨터 시뮬레이션에서 테스트되었습니다. HLSR의 핵심 아이디어는 모든 것을 다루기보다 '선택적'으로 접근하는 것입니다. 도시의 모든 차량에 대해 경로를 다시 계획하는 대신, 이 시스템은 특정 병목 지점을 식별하고 정체될 가능성이 높거나 문제 지점에 접근 중인 차량에만 개입합니다. 이는 마치 흐름을 지켜보다가 정체가 발생하는 것을 포착하고, 차량들이 갇히기 전에 부드럽게 다른 경로로 유도하면서도 나머지 교통 흐름은 자연스럽게 흘러가도록 두는 교통 관리자와 같습니다.

이 시스템은 세 가지 주요 단계로 작동합니다. 첫째, 도로가 얼마나 꽉 찼는지와 차량이 얼마나 빠르게 움직이는지라는 두 가지 특정 징후를 살펴봄으로써 정체를 감지합니다. 시스템은 단 하나의 요소에만 의존하지 않습니다. 대신, 정체가 실제 상황인지 판단하기 위해 도로가 붐비는 것과 속도가 현저히 떨어지는 것 모두를 요구합니다. 이는 스스로 해소될 수 있는 사소한 속도 저하에 시스템이 반응하는 것을 방지합니다. 정체가 확인되면, 시스템은 경로를 재설정할 차량을 선택합니다. 시스템은 정체로 이어지는 도로 구간에 현재 있는 차량들과 해당 구간에 막 진입하려는 차량들을 살펴봅니다. 이를 통해 개입 시기를 적절히 맞추어, 운전자들이 완전히 정체된 줄에 갇히기 전에 조치를 취할 수 있도록 합니다.

HLSR의 가장 중요한 혁신은 최적의 새로운 경로를 계산하는 방식에 있습니다. 전통적인 시스템은 보통 현재의 교통 상황만을 고려합니다. 그러나 HLSR은 지금 이 순간 도로에서 일어나고 있는 일과 향후 몇 분 안에 일어날 단기 예측을 결합합니다. 운전자가 즉시 지나갈 경로 부분에 대해서는 도로 센서의 실시간 데이터를 신뢰합니다. 반면, 운전자가 나중에 도착하게 될 경로의 먼 부분에 대해서는 미래의 교통 속도 예측에 의존합니다. 이러한 하이브리드 접근 방식 덕분에 시스템은 지금은 원활해 보이지만 운전자가 도착할 때쯤에는 정체될 것으로 예측되는 경로를 피할 수 있습니다. 또한, 평균보다 빠르게 혹은 느리게 운전하는 등의 다양한 운전자 행동 양식을 고려하여 이러한 예측을 개인화합니다.

시뮬레이션 결과는 놀라웠습니다. 8,000대의 차량이 있는 시나리오에서, 이 새로운 시스템은 평균 이동 시간을 380.6초로 단축했습니다. 이는 동일한 수의 차량을 재경로 설정하기 위해 실시간 데이터만을 사용한 시스템이 기록한 평균 438.1초보다 훨씬 빨랐습니다. 또한, 도시의 모든 차량을 재경로 설정하려고 시도하며 실시간 데이터만을 사용한 시스템이 기록한 평균 408.1초보다도 우수한 성과를 보였습니다. 연구진은 하이브리드 실시간-예측 방식이 이러한 성공의 핵심 동력이었다는 것을 발견했습니다. 예측 요소가 없었다면 시스템의 성능은 눈에 띄게 떨어졌을 것입니다. 교통량이 16,000대, 나아가 20,000대로 증가했을 때도 HLSR 시스템은 테스트된 모든 방법보다 낮은 이동 시간을 유지하며 가장 효율적인 모습을 보였습니다.

연구진은 또한 차량을 재경로 설정하기 위해 얼마나 멀리까지 살펴봐야 하는지도 조사했습니다. 그들은 너무 멀리까지 살피면 정체 지점에서 멀리 떨어진 운전자들에게 불필요한 변화를 일으키고, 너무 가까운 곳만 살피면 도움이 필요한 운전자를 놓치게 된다는 것을 발견했습니다. 최적의 설정은 9개의 도로 구간을 뒤로 살펴보는 것이었으며, 이는 너무 많은 사람을 방해하지 않으면서도 조기에 개입해야 하는 균형을 맞추는 것이었습니다. 또한 연구진은 미래의 교통을 예측하는 다양한 방식을 테스트했습니다. 그들은 모든 도로 구간의 속도를 정확하게 예측하는 것보다, 최적의 경로를 구체적으로 순위 매기도록 설계된 시스템이 전체적인 목표인 이동 시간 단축에 더 효과적이라는 것을 발견했습니다.

궁극적으로 이 연구는 대상이 된 차량에만 집중하는 스마트한 접근 방식이 포괄적인 방식보다 더 효과적임을 입증합니다. 실시간 관찰과 단기 예측을 결합하고 필요한 곳에만 개입함으로써, 도시는 모든 차량의 경로를 변경하는 큰 혼란 없이도 이동 시간과 배출 가스를 줄일 수 있습니다. 이 시뮬레이션은 이 방법이 무거운 교통량도 처리할 수 있을 만큼 견고하며, 도시를 원활하게 움직이게 하려는 지능형 교통 시스템을 위한 실질적인 길을 제시하고 있음을 보여줍니다.

기술 요약: HLSR – 하이브리드 실시간-예측 선택적 동적 차량 경로 재설정 (Hybrid Live–Forecast Selective Dynamic Vehicle Rerouting)

1. 문제 정의

도시 교통 혼잡은 생산성을 크게 저하시키고 이동 비용과 배출량을 증가시킨다. 네트워크 전체에 걸친 실시간 최단 경로 재설정(예: 모든 결정 간격마다 모든 차량을 재계획하는 방식)은 시뮬레이션 상에서는 유망해 보이지만, 이는 모든 도로 위의 차량이 지속적으로 재계획될 수 있다는 비현실적인 가정에 의존한다. 또한, 기존의 선택적 경로 재설정 방식은 다음과 같은 세 가지 주요 한계를 가진다:

혼잡 탐지: 단일 지표 또는 국소 범위의 탐지기는 이질적인 혼잡 패턴과 네트워크 전체의 결합 현상을 놓치기 쉽다.
차량 선택: 고정된 공간 윈도우 또는 탐욕적(greedy) 선택 전략은 먼 거리의 차량을 과도하게 재설정하거나, 병목 구간에 접근하는 상류 교통량에 과소 대응하는 경향이 있다.
경로 할당: 현재의 실시간 교통량에만 기반한 정책은 미래의 결정 단계에서 통과할 구간에 필요한 단기 예측 정보를 무시하며, 이로 인해 상황 변화에 따라 최적의 경로를 찾지 못하는 하위 최적(sub-optimal) 경로 할당을 초래한다.

본 논문은 제한된 개입 범위 내에서 경로 할당을 최적화하기 위해 실시간 관측값과 단기 예측을 융합하면서, 혼잡의 영향을 받는 차량에 선택적으로 개입하는 프레임워크의 필요성을 다룬다.

2. 방법론: HLSR 프레임워크

저자들은 이중 임계값 탐지, 보정된 차량 선택, 그리고 하이브리드 실시간-예측 경로 비용 산정을 통합하는 3단계 프레임워크인 **HLSR (Hybrid Live–Forecast Selective Rerouting)**을 제안한다.

A. 시스템 모델 및 센싱

시스템은 구역(zone)으로 분할된 유향 도시 도로 네트워크에서 작동한다. 시스템은 다음을 활용한다:

실시간 센싱: 루프 검지기와 차량 보고로부터 도출된 실시간 구간 점유율($RO $) 및 속도 비율($ RV$).
결정 윈도우: 통계가 축적되고 제어 루프가 호출되는 이산 집계 윈도우 (기본값 $T=300$ 초).
속도 값: 현재 센서로부터의 실시간 속도( $V^{live}$ )와 미래 지평(horizon)을 위해 시공간 예측기에 의해 생성된 예측 속도( $V^{pred}$ )를 구분한다.

B. 1단계: 이중 임계값 혼잡 탐지

혼잡은 정규화된 점유율과 속도 지표가 모두 특정 임계값을 초과할 때( $RO > \delta_O$ 및 $1-RV > \delta_V$ )에만 선언된다. 이러한 이중 임계값 접근 방식은 점유율과 속도가 서로 상이하게 나타나는 경우 발생하는 허위 양성(false positive)을 방지한다. 개입의 가중치를 부여하기 위해 복합 심각도 지표($RS$)가 계산된다.

C. 2단계: 보정된 차량 선택

HLSR은 고정된 공간 윈도우 대신, 보정된 상류 홉 깊이(calibrated upstream hop depth, $\theta_{ur}$ )와 접근 차량 확장(approaching-vehicle expansion) 메커니즘을 사용한다:

상류 선택: 병목 구간으로부터 $\theta_{ur}$ 홉 상류의 구간에 현재 위치한 차량을 식별한다.
접근 확장: 이 윈도우 외부에 있지만 계획된 경로상 병목 구간으로 향하고 있으며 남은 홉 수가 $\le 2$ 인 차량들을 집합에 추가한다.
이를 통해 개입 범위를 병목 구간에 영향을 미칠 가능성이 있는 차량으로 제한하여, 먼 거리의 교통량을 불필요하게 재설정하는 것을 방지한다.

D. 3단계: 하이브리드 실시간-예측 경로 할 할당

이것이 핵심 혁신이다. 각 선택된 차량에 대해, 시스템은 $N_{cr}$ 개의 후보 경로를 생성(Yen의 K-최단 경로 알고리즘 사용)하고, 하이브리드 비용 함수를 기반으로 최적의 경로를 할당한다:

지평 적응형 속도 융합: 경로 구간의 비용은 예측 지평( $h$ )에 따라 실시간 속도와 예측 속도를 혼합한 융합 속도 $\tilde{V}$ 를 사용하여 계산된다:
$\tilde{V}(s, \tau, h) = \alpha(h) V^{live}(s, \tau) + (1 - \alpha(h)) V^{pred}(s, \tau, h)$
여기서 $\alpha(h)$ 는 지평에 따라 선형적으로 감소한다. 단기 구간은 실시간 데이터에 의존하고, 원거리 구간은 예측값에 의존한다.
운전자 맞춤형 예측: 예측 모듈은 네트워크 수준의 시공간 예측기인 LSTAN_GERPE를 사용한다. 결정적으로, 이 모델은 일반적인 네트워크 평균을 사용하는 대신 특정 차량에 대한 예측 속도를 개인화하기 위해 운전자 행동 파라미터( $B_d$ )를 포함한다.
순위 인지 미세 조정: 예측기는 선택적으로 K-최단 경로 순위 손실(k-shortest-path ranking loss)을 통해 미세 조정된다. 이는 모델이 단순히 엣지 수준의 정확도뿐만 아니라 후보 경로들의 상대적 순서를 보존하도록 보장한다.
다중 목적 스코어링: 최종 경로는 정규화된 통행 시간, 경로 길이, 경로 유사성 및 네트워크 점유율 균형의 가중 합을 최소화하는 방향으로 선택된다.

3. 주요 기여

본 논문은 네 가지 주요 기여를 주장한다:

선제적 선택적 경로 재설정: 이중 임계값 탐지와 보정된 상류 선택을 사용하는 제한된 개입 프레임워크를 통해, 혼잡 관련 차량에 대한 재설정을 제한하면서도 접근하는 교통량을 포착한다.
하이브리드 실시간-예측 비용 산정: 지평 의존적 가중치를 사용하여 실시간 속도와 예측 속도를 융합하는 새로운 경로 비용 메커니즘과 통행 시간 가중 K-최단 경로 생성을 제공한다.
운전자 인지 예측: 경로 산정을 위한 지원 모듈로서, 운전자 행동 개인화 및 순위 인지 미세 조정으로 강화된 네트워크 수준의 예측기(LSTAN_GERPE)를 활용한다. 이는 단순한 엔드 투 엔드 솔버가 아닌 지원 역할을 수행한다.
공정한 범위 평가: 다양한 교통 수요(8,000 ~ 20,000대)에 대해 클래식한 선택적 베이스라인, 최신 기법 재구현 모델, 그리고 네트워크 전체 실시간 Dijkstra와 비교하여 재생산된 Tainan SUMO 시나리오(seed 42)에서 종합적인 평가를 수행했다.

4. 실험 결과

실험은 SUMO(seed 42)를 사용하여 Tainan 도로 네트워크(204개 교차로, 561개 구간)에서 수행되었다.

8,000대 차량에서의 성능:
- HLSR은 380.6초의 평균 통행 시간을 달성했다.
- 이는 HLSR-LIVE(실시간 속도만 사용한 선택적 재설정)의 438.1초보다 57.5초 더 우수한 성능을 보였으며, 이는 하이브리드 예측의 가치를 입증한다.
- 동일한 선택적 집합에 실시간 Dijkstra를 적용한 CAIE-TT-Scoped(391.6초)보다도 11.0초 더 우수했다.
- 네트워크 전체 실시간 Dijkstra인 CAIE-TT(408.1초)와 경쟁력 있는 성능을 보이면서도 훨씬 적은 수의 차량에만 개입했다.
- Du-GAQ(425.5초) 및 NRR(525.5초)과 같은 다른 선택적 베이스라인보다 성능이 월등히 높았다.
확장성 (16,000대 및 20,000대 차량):
- HLSR은 높은 부하에서도 최상의 성능을 유지했다: 895.7초(16k) 및 971.7초(20k).
- 동일한 범위의 실시간 전용 제어 모델(예: HLSR-LIVE는 16k에서 1281.3초로 저하됨)과의 성능 격차가 더 벌어졌는데, 이는 심각한 혼잡 상황에서 과도한 재설정을 방지하기 위해 하이브리드 예측이 필수적임을 나타낸다.
절제 연구 (Ablation Studies):
- 하이브리드 비용 산정을 제거했을 때(HLSR-LIVE) 가장 큰 성능 저하(+57.5초)가 발생했다.
- 운전자 개인화 또는 순위 인지 예측기를 제거했을 때는 상대적으로 작지만 일관된 페널티가 발생했다.
- 상류 홉 깊이 $\theta_{ur}=9$ 가 개입 범위와 통행 시간 사이의 균형을 맞추는 최적의 값으로 확인되었다.

5. 의의 및 주장

본 논문은 하이브리드 실시간-예측 비용 산정이 예측 백본의 구체적인 선택이나 재설정되는 차량의 양보다는 선택적 경로 재설정의 성능 향상을 이끄는 주요 동력임을 입증한다고 주장한다.

주요 주장 사항은 다음과 같다:

효율성: HLSR은 훨씬 적은 수의 차량에만 개입하면서도 네트워크 전체 실시간 재설정 방식보다 낮은 평균 통행 시간을 달성하여, 계산 오버헤드와 운전자 불편을 줄인다.
강건성: 하이브리드 예측은 실시간 전용 선택적 방식이 실패하는 고수요 시나리오에서도 효과적으로 작동한다.
통합: 본 연구는 이중 임계값 탐지, 보정된 선택, 지평 적응형 비용 산정을 하나의 통합된 파이프라인으로 성공적으로 결합하여, 기존 3단계 경로 재설정 방식의 반복적인 한계를 해결했다.
예측의 역할: 예측 모듈은 엔드 투 엔드 재설정기가 아닌 경로 비용 산정을 위한 지원 구성 요소로 배치되어, 실시간 관측값이 근미래 결정의 권위 있는 기준이 되도록 보장한다.

저자들은 실시간 센싱과 단기 예측을 제한된 개입 범위 내에서 융합함으로써, HLSR이 실시간 도시 혼잡 완화를 위한 실용적이고 효과적인 솔루션을 제공한다고 결론짓는다.