Neighbor-embedded Graph Neural Network-based Crowd Delivery Traffic Management in Smart City

도시들이 그 어느 때보다 거칠게 숨을 몰아쉬고 있습니다. 도로 위의 엄청난 차량 규모는 일상적인 출퇴근과 배송 경로를 멈춤과 출발이 반복되는 좌절의 엉킨 그물로 만들어 버렸고, 이는 공기를 질식시키고 시간을 낭비하게 합니다. "스마트 시티"의 비전 속에서, 기술은 단순히 교통량이 어디에 있을지 예측하는 것뿐만 아니라, 물품이 격자망을 통해 어떻게 이동하는지를 능동적으로 관리함으로써 이 혼란을 풀어내야 합니다. 핵심 과제는 두 가지 어려운 작업에 있습니다. 바로 트럭이 창고를 떠나기도 전에 해당 도로가 얼마나 붐빌지 정확히 아는 것, 그리고 그 후 작업에 적합한 차량을 선택하는 것입니다. 배송 밴은 조용한 동네를 통과하는 짧은 여정에는 완벽할 수 있지만, 정체된 고속도로를 가로지르는 장거리 운행에는 최악의 선택이 될 수 있으며, 특히 전기차처럼 주행 거리가 제한적인 경우 더욱 그렇습니다. 이 두 가지 결정, 즉 흐름을 예측하고 기계를 선택하는 일을 제대로 수행하는 것이 도로 위 차량 수를 줄이는 열쇠이며, 이는 결과적으로 모든 사람의 탄소 배출량을 낮추고 이동 시간을 단축합니다.

연구진은 도시 배송의 중추 신경계 역할을 하도록 설계된 새로운 시스템을 통해 이 문제에 도전했습니다. 그들은 이 창조물을 '이웃 삽입 그래프 신경망 기반 군집 배송 교통 관리(Neighbor-Embedded Graph Neural Network-based Crowd Delivery Traffic Management)' 모델이라고 부릅니다. 이름은 기술적이지만, 개념은 간단합니다. 이것은 먼저 교통 정체를 예측한 다음, 그 예측을 사용하여 특정 배송 경로에 가장 적합한 차량을 선택하는 두 부분으로 구성된 엔진입니다. 이 시스템은 여러 근처의 패키지를 각각 별도의 차량으로 보내는 대신 하나의 여정으로 통합하는 전략인 '군집 배송(crowd delivery)'을 처리하도록 구축되었습니다. 이 접근 방식은 활성화된 차량의 총수를 줄여 도시를 더 지속 가능하게 만들겠다는 목표를 직접적으로 겨냥합니다.

이 시스템의 첫 번째 부분인 '교통 정체 예측 유닛(Traffic Congestion Prediction Unit)'은 도로 상황을 보여주는 수정 구슬 역할을 합니다. 이 유닛은 교통 데이터를 고립된 상태로 보는 대신, 도시의 배송 스테이션들을 서로 연결된 지도로서 취급합니다. 시스템은 한 스테 station에서의 교통이 이웃한 스테이션에 어떻게 영향을 미치는지 학습하는데, 이는 마치 연못의 파동이 바깥으로 퍼져 나가는 것과 같습니다. 차량 수, 속도, 이동 시간에 대한 과거 데이터를 분석함으로써, 시스템은 정체가 네트워크를 통해 어떻게 흐르는지에 대한 역동적인 그림을 그려냅니다. 이를 통해 데이터가 누락되었거나 상황이 가변적인 경우에도 특정 배송 지점의 교통 흐름을 높은 정밀도로 예측할 수 있습니다. 연구진은 이러한 이웃 관계에 주의를 기울임으로써, 각 위치를 별개의 섬으로 취급했던 기존 방식보다 교통 흐름을 훨씬 더 잘 예측할 수 있다는 것을 발견했습니다.

시스템이 교통 상황이 어떠할지 알게 되면, 두 번째 부분인 '교통 관찰 및 관리 유닛(Traffic Observation and Management Unit)'이 넘겨받아 실제 결정을 내립니다. 이 유닛은 교통 예측치를 전달받아 이를 특정 배송 요청의 요구 사항과 대조합니다. 이 과정에서 이동 거리, 방문해야 할 정지 횟수, 사용할 도로 유형, 그리고 연료 유형이나 화물 적재 용량과 같은 차량 자체의 성능 등 다양한 요소를 고려합니다. 그런 다음 시스템은 어떤 차량이 가장 적합한지 결정하기 위해 점수를 계산합니다. 예를 들어, 많은 정지 지점이 있는 긴 경로에는 강력한 디젤 트럭이 필요하다고 판단하는 반 반면, 짧은 지역 운행에는 작은 전기 차량이 적합하다고 결정할 수 있습니다. 이러한 지능적인 매칭은 선택된 차량이 단순히 사용 가능한 상태일 뿐만 아니라, 실제로 그 작업에 적합하도록 보장하여, 작은 밴이 장거리 운행에 갇히거나 큰 트럭이 사소한 심부름에 에너지를 낭비하는 상황을 방지합니다.

이 접근 방식이 실제로 작동하는지 테스트하기 위해, 연구진은 복잡하고 혼잡한 교통 패턴을 가진 도시인 베이징의 확장된 실제 궤적 데이터를 사용하여 광범위한 평가를 실시했습니다. 그들은 시스템에 수천 건의 배송 요청을 입력하고 기존 방식과 비교하여 성능을 관찰했습니다. 결과는 명확했습니다. 새로운 모델은 예측 오류가 더 적었고 답변을 계산하는 데 걸리는 시간도 단축되었습니다. 구체적으로, 이 시스템은 표준 모델에 비해 교통 예측 오차를 눈에 띄는 차이로 줄였으며, 데이터를 처리하는 데 필요한 시간도 단축했습니다. 평가 과정에서 모델은 가장 효율적인 경로와 차량 조합을 성공적으로 식려냈으며, 이는 도시 교통의 혼란스럽고 변화무쌍한 특성을 압도하지 않고 처리할 수 있음을 입증했습니다.

또한 이 연구는 도시의 서로 다른 부분들 사이의 연결성을 무시했을 때 어떤 일이 발생하는지도 강조했습니다. 연구진이 스테이션 간의 상호 영향력을 고려하지 않은 버전의 시스템을 테스트했을 때, 예측 정확도가 떨어졌습니다. 이는 교통이 단순히 고립된 사건들의 집합이 아니라, 한 지역의 정체가 필연적으로 다음 지역에 영향을 미치는 연결된 흐름임을 확인시켜 주었습니다. 이러한 관계를 학습 과정에 직접 삽입함으로써, 새로운 모델은 교통이 움직이는 현실을 포착합니다. 연구진은 정확한 예측과 스마트한 차량 선택을 결합한 이 통합적인 접근 방식이 도로 위 배송 차량 수를 줄이는 실질적인 경로를 제공한다고 결론지었습니다. 비록 이 연구는 평가를 위해 과거의 궤적 데이터를 활용했지만, 결과는 이러한 시스템이 도시 물류의 효율성을 크게 향 향상시켜, 교통 체증이 적고 더 깨끗한 환경을 가진 미래를 향해 도시가 나아가는 데 도움을 줄 수 있음을 시사합니다.