구름과 바람 대신 수천 명의 사람들이 지하철 시스템을 통해 몰려드는 모습을 추적한다고 상상해 보십시오. 이것이 바로 도시 철도 교통량 예측의 세계입니다. 과학자들이 다음 몇 분 안에 지하철역에 얼마나 많은 승객이 들어올지 예측하려고 노력하는 분야입니다. 이것이 왜 중요할까요? 정확히 언제 인파가 몰릴지 알 수 있다면, 더 많은 개찰구를 열고, 추가 열차를 투입하여 모든 사람이 끼이거나 갇히는 것을 방방지할 수 있기 때문입니다. 이를 위해 컴퓨터는 두 가지 까다로운 요소, 즉 공간(역들이 웹처럼 어떻게 연결되어 있는지)과 시간(인파가 조수처럼 어떻게 밀려오고 빠져나가는지)을 동시에 이해해야 합니다. 기존의 컴퓨터 프로그램은 경직된 로봇과 같았습니다. 단순하고 직선적인 규칙만을 따를 수 있었기에, 복잡하고 변화무쌍한 도시의 현실을 처리하지 못했습니다. 그들은 어떤 역이 오전에는 조용하다가 점심시간에는 혼잡해질 수 있다는 점이나, 한 역에서의 지연이 몇 마일 떨어진 역에까지 영향을 미칠 수 있다는 점을 파악하는 데 어려움을 겪었습니다.

이때, AGHA-Net이라는 더 똑똑하고 유연한 디지털 두뇌를 구축한 새로운 연구팀이 등장했습니다. 이 새로운 방식은 단순히 정적인 지도를 보는 것이 아니라, 실제로 군중이 움직이는 모습을 실시간으로 관찰하는 매우 세심한 지휘자를 떠올리게 합니다. AGHA-Net은 역 사이의 연결이 고정되어 있다고 가정하는 대신, 실시간으로 지도를 다시 그리는 법을 배웁니다. 즉, 출퇴근 시간의 급증으로 인해 어떤 역들이 갑자기 서로 "대화"하고 있는지 포착합니다. 이와 함께, 단순히 5분 전의 일뿐만 아니라 몇 시간 또는 며칠 전의 패턴까지도 포착하는 인간의 기억력과 같은 특수한 어텐션(attention) 시스템을 결합합니다. 연구진은 이를 중국 항저우 메트로의 실제 데이터로 테스트했습니다. 그 결과, AGHA-Net은 기존 방식들보다 승객 수를 훨씬 더 잘 예측하며, 15분 후나 45분 후를 예측할 때 모두 오차가 적음을 확인했습니다. 이는 맑은 날에만 작동하는 수정구슬에서, 폭풍 속에서도 볼 수 있는 첨단 기상 레이더로 업그레이드된 것과 같습니다.

기존 지도의 문제점

당신이 10년 전에 그려진, 업데이트되지 않은 지도를 사용하여 도시를 탐색하고 있다고 상상해 보십시오. 만약 새로운 다리가 생기거나 도로가 폐쇄된다면, 당신의 지도는 쓸모없게 됩니다. 많은 기존 지하철 예측 도구들이 바로 이런 상황이었습니다. 이들은 "역 A는 역 B와 연결되어 있다"라고 규정하고 이를 영원히 고수하는 사전 정의된 지도(인접 행렬이라고 불림)에 의존했습니다. 하지만 현실 세계에서 역 사이의 "연결"은 끊임없이 변합니다. 아침 출근 시간에는 오피스 단지 근처의 역이 가장 중요한 허브가 될 수 있지만, 밤에는 쇼핑몰 근처의 역이 그 역할을 대신합니다. 기존 모델들은 이러한 변화에 적응하지 못했습니다. 정적인 지도에 갇혀 군중의 역동적인 춤을 놓치고 말았습니다.

게다가, 이러한 기존 모델들은 과거를 기억하는 데 서툴렀습니다. 지난 몇 분간의 데이터는 볼 수 있었지만, 화요일 출근길과 토요일 밤의 파티 사이의 차이와 같은 장기적인 추세를 이해하는 데는 어려움이 있었습니다. 이들은 종-종 미래를 예측하려 할수록 오차가 누적되는 실수를 저질렀습니다.

새로운 해결책: AGHA-Net

저자들은 컴퓨터에게 세 가지 초능력을 부여함으로써 이러한 문제를 해결하는 방법인 AGHA-Net을 제안합니다.

1. 형태가 변하는 지도 (적응형 그래프 합성곱)
고정된 지도를 사용하는 대신, AGHA-Net은 학습 가능한 노드 임베딩을 사용합니다. 모든 지하철역이 시간대에 따라 모양이 변하는 비밀 신분증을 가지고 있다고 상상해 보십시오. 컴퓨터는 이 신분증을 보고 현재 어떤 역들이 "친구"인지 파악합니다. 만약 아침 출근 시간의 급증으로 역 A와 역 B가 마치 바로 옆에 있는 것처럼 행동한다면, 컴퓨터는 그 사이에 새로운 선을 그립니다. 이것을 **적응형 그래프 합성곱(Adaptive Graph Convolution, AdaGCN)**이라고 합니다. 이를 통해 모델은 종이 지도에 적힌 관계가 아닌, 실제로 변화하는 역 간의 관계를 포착할 수 있습니다.

2. 기억의 기어 (시공간 게이트 유닛)
지도가 업데이트되면, 모델은 사람의 흐름을 처리해야 합니다. 연구진은 ST-GRU(시공간 게이트 순환 유닛)라는 특별한 엔진을 구축했습니다. 이것은 '어디서'(공간)와 '언제'(시간)라는 두 가지 요소를 동시에 섞는 기어 시스템과 같습니다. 기존 모델에서는 컴퓨터가 지도를 보고, 그다음 시계를 본 뒤, 예측을 시도했습니다. 하지만 AGHA-Net은 이 두 가지를 동시에 수행합니다. 군중의 위치와 움직임에 대한 기억을 심장 박동과 동시에 업데이트하여, 교통량의 갑작스러운 급증이나 감소를 훨씬 빠르게 잡아낼 수 있습니다.

3. 이중 렌즈 어텐션 (하이브리드 어텐션)
마지막으로, 모델은 큰 그림을 볼 필요가 있습니다. 연구진은 두 개의 서로 다른 렌즈가 병렬로 작동하는 하이브리드 어텐션(Hybrid Attention) 레이어를 추가했습니다.

• 순차적 셀프 어텐션(Sequential Self-Attention): 이는 전체 타임라인을 스캔하여 장기적인 패턴을 찾는 광각 렌즈와 같습니다. "지난주 이 시간에 무슨 일이 있었나?"라고 물으며 오늘을 예측하는 데 도움을 줍니다.
• 쌍선형 시간적 어텐션(Bilinear Temporal Attention): 이는 정보를 압축하는 효율적인 특수 렌즈입니다. 모든 초 단위의 데이터를 다 보려고 하면 너무 느려지기 때문에, 데이터를 관리 가능한 형태로 압축하여 숨겨진 추세를 찾아냅니다. 이는 일기의 모든 단어를 읽는 대신, 반복되는 주제를 빠르게 포착하는 탐정과 같습니다.

실험 결과가 보여준 것

연구팀은 항저우의 3개 메트로 노선에 있는 80개 역의 실제 승객 데이터를 사용하여 AG-Net을 테스트했으며, 데이터는 2019년 1월 1일부터 1월 25일까지의 범위를 포함합니다. 그들은 15분, 30분, 45분의 서로 다른 시간 간격을 살펴보았습니다.

결과는 명확했습니다. AG-Net이 이 게임의 승자였습니다.

• 15분 예측의 경우, 차순위 모델의 오차(MAE)가 24.01인 것에 비해 21.65의 오차율을 기록했습니다.
• 30분 예측에서는 22.37의 오차를 기록하며 경쟁 모델들을 앞섰습니다.
• 까다로운 45분 예측에서도 22.96의 오차로 정확성을 유지했습니다.

연구진은 또한 다양한 유형의 역에서 어떻게 작동하는지도 확인했습니다.

• 통근역 (역 A): 아침과 저녁에 인파가 몰리는 곳입니다. AG-Net은 사람들이 출근하기 위해 몰려드는 "조수" 패턴을 완벽하게 잡아냈습니다.
• 상업역 (역 B): 높은 유동 인구로 하루 종일 붐비는 곳입니다. 모델은 혼란스러운 상황 속에서도 길을 잃지 않고 잘 처리했습니다.
• 주거역 (역 C): 낮에는 조용하다가 저녁에 급증하는 곳입니다. 모델은 저녁 퇴근 시간 전의 고요함을 정확하게 예측했습니다.

이것이 중요한 이유

새로운 기계의 모든 부분이 왜 필요한지를 증명하기 위해, 연구진은 "절제 연구(ablation studies)"를 수행했습니다. 기본적으로 모델의 구성 요소를 하나씩 제거하며 무엇이 고장 나는지 확인하는 과정입니다.

• 적응형 그래프 합성곱(형태가 변하는 지도)을 제거했을 때, 오차가 35% 이상 급증했습니다. 이는 고정된 지도가 충분하지 않다는 것을 입증했습니다.
• 쌍선형 시간적 어텐션(효율적인 렌즈)을 제거했을 때, 모델은 더 먼 미래를 예측할수록 더 많은 실수를 하기 시작했습니다. 이는 이 부분이 시간이 지남에 따라 오차가 쌓이는 것을 막는 데 결정적임을 보여주었습니다.

논문은 유연한 지도, 즉각적으로 업데이트되는 기억, 그리고 이중 렌즈 어텐션 시스템을 결합함으로써 AG-Net이 지하철 인파를 예측하는 훨씬 더 신뢰할 수 있는 방법을 제공한다고 결론짓습니다. 이것은 단순한 수학적 기술이 아닙니다. 이는 도시 계획가들이 더 나은 결정을 내리고, 실제로 필요할 때 열차를 보낼 수 있으며, 모두를 위해 지하철을 원활하게 운영할 수 있음을 의미합니다. 현재 모델은 주어진 데이터를 처리하는 데 매우 뛰어나지만, 저자들은 향후 버전이 날씨나 공휴일 같은 외부 요인까지 살펴봄으로써 더욱 똑똑해질 수 있다고 제안합니다.