당신이 다음 주 화요일의 날씨를 예측하려고 한다고 상상해 보세요. 당신은 도구 상자에 세 가지 서로 다른 도구를 가지고 있습니다. 현재 비구름이 움직이는 모습을 보여주는 실시간 레이더, 결코 변하지 않는 지역의 산과 계곡이 그려진 지도, 그리고 화요일은 보통 바람이 분다는 것을 상기시켜 주는 달력입니다. 오랫동안 교통량을 예측하려던 컴퓨터 과학자들은 이 세 가지 도구를 하나의 거대한 믹서기에 모두 집어넣었습니다. 그들은 실시간 교통 데이터, 도로 지도, 그리고 시간대를 하나의 커다란 수프처럼 섞어서, 컴퓨터가 언제 어떤 성분이 중요한지 스스로 파악하기를 바랐습니다. 하지만 딸기 맛을 구분할 수 없는 스무디처럼, 이렇게 섞어버리면 컴퓨터가 도로 구조나 일상적인 패턴이 미래를 예측하는 데 어떻게 도움이 되는지 정확히 학습하기 어려워집니다. 이 논문은 바로 그 문제를 다룹니다. "만약 우리가 이 도구들을 마지막 순간까지 별도로 유지하여, 필요할 때만 예측을 가이드하도록 한다면 어떨까?"라고 질문하는 것입니다.

난퉁 대학교의 장페이베이(Peibei Jiang)와 동료들이 이끄는 이 연구는, 이 세 가지 성분인 실시간 교통량, 도로 구조, 일상 패턴을 뒤섞인 덩어리가 아닌 별개의 가이드로 취급하는 새로운 교통 흐름 예측 방식을 제안합니다. 연구팀은 먼저 "실시간 레이더"(최근 교통 이력)로부터 스스로 학습하는 시스템을 구축했습니다. 그런 다음, "지도"(고정된 도로 배치)와 "달력"(시간대)을 특별한 조력자로 불러들입니다. 단순히 이들을 섞는 대신, 시스템은 영리한 "적응형 융합(adaptive fusion)" 메커니즘을 사용합니다. 이것은 마치 실시간 보고를 들으면서도 지도와 달력을 확인하여 각 정보에 얼마만큼의 비중을 둘지 결정하는 똑똑한 교통 관제사와 같습니다. 교통 상황이 정상적이라면 일상적인 패턴을 더 신뢰할 것이고, 갑작스러운 정체가 발생하면 실시간 데이터에 더 의존할 것입니다. 논문은 이러한 정보원들을 분리하여 유지하고 스마트한 게이트가 결합 방식을 결정하게 함으로써, 컴퓨터가 다음 1시간, 2시간, 심지어 8시간 뒤의 교통 상황을 훨씬 더 날카롭게 예측할 수 있다고 제안합니다.

교통 시공간 문제 (The Traffic Time-Travel Problem)

교통량을 예측하는 것은 영화가 상영 중인 동안 결말을 추측하는 것과 비슷합니다. 당신은 현재의 장면(지금의 교통 상황), 대본(도로 배치), 그리고 장르(러시아 타임이니까 아마도 붐빌 것이다)를 가지고 있습니다. 목표는 다음 장면들이 일어나기 전에 미리 보는 것입니다. 현실 세계에서 이것은 매우 중요합니다. 교통 기관들은 도로가 30분 안에 막힐지 알아야 교통 신호를 바꾸거나 운전자들에게 다른 경로를 이용하라고 안내할 수 있기 때문입니다.

문제는 교통 데이터가 매우 무질서하다는 점입니다. 데이터는 빠르게 변하지만(차가 갑자기 브레이크를 밟는 경우), 도로 자체는 변화가 느립니다(다리는 움직이지 않습니다). 또한 교통에는 리듬이 있습니다. 오전 8시에는 항상 붐비고 새벽 3시에는 한산합니다. 기존의 컴퓨터 모델들은 이 모든 정보를 하나의 거대한 신경망에 밀어 넣음으로써 이 문제를 해결하려 했습니다. 그들은 도로 지도, 시간대, 실시간 교통 수치를 모두 같은 종류의 데이터인 것처럼 취급했습니다. 이 논문의 저자들은 이것이 책, 지도, 시계를 한데 붙여서 동시에 읽으려는 것과 같다고 주장합니다. 작동은 하겠지만, 컴퓨터에게는 지저분하고 혼란스러운 방식입니다.

새로운 전략: 분리된 도구, 스마트한 혼합

저자들은 PCAF(Prior-Conditioned Adaptive Fusion, 사전 조건부 적응형 융합)라고 불리는 프레임워크를 제안합니다. 모든 것을 섞는 대신, 그들은 세 개의 별도 경로를 구축합니다:

1. 동적 경로 (실시간 레이더): 이 부분은 최근의 교통 이력만을 살펴봅니다. 도로 배치나 시간대를 걱정하지 않고 자동차가 어떻게 움직이고 속도가 변하는지를 학습합니다. 이는 순수하게 방금 일어난 일에 반응하는 것입니다.
2. 공간적 사전 정보 (지도): 이것은 도로 네트워크의 고정된 "지도"입니다. 연구진은 도로가 어떻게 연결되어 있는지에 대한 안정적이고 변하지 않는 표현을 만들기 위해 **라플라시안 스펙트럼 기저(Laplacian spectral basis)**라는 수학적 도구를 사용합니다. 이는 도시의 뼈대와 같아서 변하지 않는 배경 맥락을 제공합니다.
3. 시간적 사전 정보 (달력): 이 부분은 시간대를 살펴봅니다. 모델은 첫 번째와 두 번째 "조파(harmonics)"(노래의 주요 비트와 그다음 비트라고 생각하면 됩니다)를 기반으로 한 특수 코드를 사용하여, 지금이 아침 출근 시간인지 아니면 늦은 밤인지를 이해합니다.

마법의 접착제: 적응형 융합

여기서 논문은 매우 영리해집니다. 모델이 "실시간 교통량" 읽기, "지도", 그리고 "달력"을 확보한 후, 단순히 이들을 짓이기지 않습니다. 대신, 사전 조건부 적응형 융합 메커니즘을 사용합니다.

제어 패널 앞에 서 있는 교통 관제사를 상상해 보세요. 그에게는 교통 상황의 실시간 피드(동적 부분)와 지도 및 달력으로부터 온 메모(사전 정보)가 있습니다.

• 먼저, 관제사는 실시간 피드와 메모를 함께 살펴보고 **후보 예측(candidate prediction)**을 만듭니다. 이것은 맥락에 기반한 "만약 이렇다면?"이라는 시나리오입니다.
• 그다음, 관제사는 게이팅 계수(gating coefficient)(0과 1 사이의 숫자)를 계산합니다. 이 숫자는 실시간 피드와 "만약 이렇다면" 시나리오 중 어디를 얼마나 신뢰할지 결정합니다.
• 만약 교통 상황이 이상하게 돌아간다면(예: 갑작스러운 사고), 관제사는 "달력은 무시하고 실시간 피드를 믿어!"라고 말할 수 있습니다 (높은 게이트 값).
• 만약 교통이 차분하고 예측 가능하다면, 관제사는 "실시간 피드는 노이즈가 많으니, 지도와 시간대에 더 의존하자"라고 말할 수 있습니다 (낮은 게이트 값).

이를 통해 모델은 유연해질 수 있습니다. 모든 상황에 대해 고정된 규칙을 사용하는 것이 아니라, 특정 순간의 교통 조건에 따라 혼합 방식을 조정합니다.

숫자가 말해주는 것

연구팀은 수백 개의 센서 데이터를 포함하는 네 가지 실제 교통 데이터셋(PEMS03, PEMS04, PEMS07, PEMS08)을 사용하여 이 새로운 방법을 테스트했습니다. 그들은 공정한 비교를 위해 동일한 조건에서 다시 실행된 다른 유명 모델들과 비교했습니다.

결과는 매우 강력했습니다. 이 새로운 방법은 12가지의 서로 다른 비교(다양한 도시와 오류 지표를 고려) 중 10가지에서 가장 낮은 오차를 기록했습니다. 구체적으로, 네 가지 데이터셋 모두에서 가장 낮은 **평균 절대 오차(MAE)**를 보였습니다.

• 실시간 교통 데이터만 사용했을 때(지도나 달력 없이)의 모델 버전과 비교했을 때, 새로운 방법은 MAE에서 5.37%, **RMSE(평균 제곱근 오차)**에서 **6.49%**의 평균 오차를 줄였습니다.
• PEMS03 데이터셋에서는 가장 강력한 경쟁자 중 하나와 비교했을 때 오차를 거의 9% 가까이 줄이는 극적인 개선을 보였습니다.

또한 논문은 더 긴 미래(최대 8시간 후)를 예측할 때 모델이 얼마나 잘 작동하는지 확인했습니다. 예상대로 멀리 내다볼수록 예측은 어려워졌고 오차도 커졌습니다. 하지만 모델은 모든 시간대에서 안정적이고 정확하게 작동했습니다.

"마법"에 대한 검증

이 논문에서 가장 흥란한 부분 중 하나는 저자들이 무엇을 배제했는가 하는 점입니다. 그들은 자신들의 성공이 단순히 더 많은 수학적 파라미터나 무작위 숫자를 추가했기 때문이 아님을 확인하고 싶었습니다.

• 단순한 수학의 문제가 아닙니다: 그들은 "무작위" 도로 지도와 "뒤섞인" 도로 연결을 사용하여 모델을 테스트했습니다. 그렇게 했을 때 모델의 성능은 떨어졌습니다. 이는 실제 도로 네트워크의 특정한 형태가 중요하다는 것을 증명하며, 단순히 모델이 지도를 가지고 있다는 사실 자체가 중요한 것이 아님을 보여줍니다.
• 단순히 시간의 문제가 아닙니다: 그들은 일일 주기의 첫 번째 "비트"만 사용했을 때를 테스트했습니다. 결과는 첫 번째와 두 번째 비트를 모두 사용했을 때보다 좋지 않았습니다. 이는 교통 패턴이 복잡하며 단순한 "아침 vs 밤" 신호 이상의 것이 필요함을 시사합니다.
• 단순히 게이트의 문제가 아닙니다: 그들은 자신들의 정교한 "후보 기반" 융합 방식을 단순한 "게이팅" 방식(두 입력을 직접 섞는 방식)과 비교했습니다. 그럼에도 불구하고 그들의 방식이 승리했습니다. 이는 결정하기 전에 "만약 이렇다면"이라는 후보 시나리오를 만드는 단계가 단순히 게이팅을 하는 행위 자체보다 더 중요한 단계임을 시사합니다.

결론

이 논문은 더 나은 교통 예측의 비결이 단순히 더 크고 복잡한 뇌를 만드는 것이 아니라는 점을 시사합니다. 그것은 정보를 더 잘 조직하는 것입니다. 실시간 교통량, 도로 지도, 일상 일정을 분리하여 유지하고, 이들을 결합하기 위해 스마트한 적응형 시스템을 사용함으로써 모델은 미래를 더 명확하게 볼 수 있습니다.

이 모델은 놀라울 정도로 효율적입니다. 학습 가능한 파라미터가 약 0.083백만 개(AI 치고는 매우 작은 수치)에 불과하며, 도시 전체에 대한 예측을 약 1.10밀리초 만에 수행할 수 있습니다. 이는 이 모델이 교통 신호를 바꾸거나 운전자들에게 정체를 피하도록 안내하는 실시간 시스템에 쉽게 사용될 수 있음을 의미합니다. 저자들은 모델이 고정된 지도를 사용하기 때문에 갑작스럽고 예상치 못한 변화(예: 교통 흐름 패턴을 즉각적으로 바꾸는 대형 사고)에는 어려움을 겪을 수 있다고 언급했지만, 결과는 서로 다른 유형의 정보를 분리하는 것이 교통 예측을 위한 승리하는 전략임을 강력하게 보여줍니다.