💻 computer science

Spatial Fairness in Taxi Demand Prediction: A Hybrid Approach Leveraging District Profiles

본 논문은 데이터 결측치 보완을 위한 비음수 행렬 분해와 화이트 샤크 최적화의 결합, 시계열 모델링을 위한 LSTM, 그리고 높은 정확도를 유지하면서 도시 구역 간 예측 격차를 최소 최소화하기 위해 상대적 고충 근접성에 기반한 공정성 인식 정규화 메커니즘을 통합한 하이브리드 택시 수요 예측 프레임워크를 제안한다.

원저자: Ghazalak Eslami, Foad Ghaderi

게시일 2026-08-04

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ghazalak Eslami, Foad Ghaderi

원본 논문은 CC BY 4.0 (https://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

도시를 수백만 개의 작은 맥박—이동을 원하는 사람들—이 매초 혈관을 통해 흐르는 거대하고 살아있는 유기체라고 상상해 보십시오. 도시가 원활하게 돌아가기 위해서는 교통 시스템의 '심장'이 이 맥박이 어디에서 가장 강하고 어디에서 약한지를 정확히 알아야 합니다. 이것이 바로 데이터 과학의 한 분야인 택시 수요 예측의 세계입니다. 이는 특정 시간, 특정 동네에서 얼마나 많은 사람이 이동을 필요로 할지 추측하려는 시도입니다. 하지만 까다로운 점이 있습니다. 도시는 무질서합니다. 데이터는 종종 누락되곤 합니다(예를 들어, 출발지를 말하지 않은 채 요청된 탑승 건처럼 말이죠). 또한 모든 동네가 다 같지는 않습니다. 어떤 곳은 북적이는 중심지인 반면, 어떤 곳은 조용하거나 빈곤으로 어려움을 겪고 있습니다. 만약 컴퓨터 모델이 번화하고 부유한 지역만을 학습한다면, 조용한 지역들을 잊어버려 그곳의 사람들이 결코 오지 않을 택시를 기다리며 영원히 대기하게 만들 수도 있습니다. 이 논문은 중요한 질문을 던집니다. 우리는 단순히 똑똑할 뿐만 아니라, 어떤 동네도 뒤처지지 않도록 **공정(fair)**한 예측 시스템을 구축할 수 있을까요?

이 연구를 수행한 연구자들인 가잘락 에슬라미(Ghazalak Eslami)와 포드 가데리(Foad Ghaderi)는 단순히 숫자만 보는 것이 아니라 도시의 이야기를 이해하는 '초스마트' 택시 예측기를 만들기로 했습니다. 그들은 도시를 빠진 조각이 있는 거대한 퍼즐처럼 다루었습니다. 먼저, 그들은 깨진 데이터 부분을 고쳐야 했습니다. 퍼즐 조각의 절반이 사라진 상태에서 퍼즐을 맞춘다고 상상해 보십시오. 단순히 무작위로 추측할 수는 없습니다. 저자들은 **비음수 행렬 분해(Non-negative Matrix Factorization, NMF)**라는 영리한 기술을 사용했는데, 이는 마치 퍼즐의 숨겨진 패턴을 찾아내어 빠진 조각이 마땅히 어떠해야 하는지를 추측하는 것과 같습니다. 이 추측을 더욱 날카롭게 만들기 위해, 그들은 "백상아리 최적화(White Shark Optimization, WSO)" 알고리즘을 추가했습니다. 이것은 데이터 속을 헤엄치며 최적의 빈칸 채우기 방식을 찾아내는 배고프고 똑똑한 상어를 떠올리게 합니다. 이를 통해 문제를 풀기 시작하기도 전에 퍼즐을 완벽하게 완성하는 것입니다.

하지만 완벽한 퍼즐만으로는 충분하지 않습니다. 그림은 공정해야 합니다. 연구팀은 동네들이 단순히 이동 수요의 양만 다른 것이 아니라, 그들이 겪는 고충 또한 다르다는 것을 깨달았습니다. 어떤 지역은 실업률이 높고, 어떤 곳은 주거가 밀집되어 있으며, 어떤 곳은 소득이 낮습니다. 저자들은 이를 **상대적 고난 근접성(Relative Hardship Proximity, RHP)**이라는 새로운 방식으로 측정하는 방법을 고안했습니다. 단순히 "이 동네는 가난하다"라고 말하는 대신, RHP는 고난의 패턴을 살펴봅니다. 이는 서로 다른 두 가족이 소득은 매우 다를지라도, 높은 임대료, 긴 통근 거리, 일자리 부족이라는 동일한 문제의 조합으로 고통받고 있다면 그들이 "상대적으로 유사한" 고난을 겪고 있다고 인식하는 것과 같습니다. 모델은 이를 사용하여 동네들을 그룹화합니다. 만약 모델이 한 동네에서 실수를 하면, 그 동네의 "친구들"(유사한 동네들)을 확인하여 같은 실수를 했는지 점검합니다. 만약 그렇다면, 모델은 쉬운 지역뿐만 아니라 모두에게 공정하기 위해 더 노력하도록 수학적 벌칙(gentle scolding)을 받게 됩니다.

시카고의 방대한 데이터셋을 대상으로 진행된 이 실험의 결과는 매우 유망합니다. 연구팀은 상어의 데이터 수정 방식과 공정성 검사를 결적으로 결합한 이 하이브리드 접근법이 매우 정확한 예측 점수를 달 achievement 했다는 것을 발견했습니다. 구체적으로, 그들은 평균 제곱근 오차(RMSE) 5.1과 평균 절대 오차(MAE) 3.8에 도달했습니다. 이를 설명하자면, 이들의 "상어와 공정성" 모델을 ARIMA나 표준 신경망과 같은 다른 인기 있는 모델들과 비교했을 때, 이 모델이 명백한 승자였음을 의미합니다.

아마도 가장 흥激한 발견은 공정함의 비용일 것입니다. 보통 컴퓨터에게 공정함을 강요하면 전체적인 정확도는 약간 떨어지기 마련입니다. 저자들은 이 "공정성의 가격(Price of Fairness)"을 측정했으며, 그 결과가 약 **2%**로 매우 낮다는 것을 발견했습니다. 이는 우리가 전체적인 정확도를 크게 희생하지 않으면서도, 어려움을 겪는 동네의 사람들이 더 나은 서비스를 받을 수 있는 훨씬 더 형평성 있는 시스템을 얻었음을 의미합니다. 실제로 이 모델은 가장 취약한 지역에 대한 예측력을 가장 많이 개선하면서도, 이미 잘 갖춰진 지역의 오차는 아주 약간만 증가시켰습니다. 이는 마치 가장 힘들어하는 학생들을 돕기 위해 시간을 더 쓰기로 결정한 선생님과 같습니다. 학급 평균은 아주 미세하게 떨어질 수 있지만, 어떤 학생도 뒤처지지 않게 되는 것과 같습니다.

결론적으로, 이 논문은 우리가 스마트한 도시와 공정한 도시 사이에서 하나를 선택할 필요가 없음을 시사합니다. 지역 프로필을 사용하여 지역적 니즈를 이해하고, 모델이 정직하도록 특별한 "공정성 벌칙"을 사용함으로써, 우리는 모두를 위해 작동하는 교통 시스템을 만들 수 있습니다. 이 연구는 적절한 도구가 있다면, 우리는 누락된 데이터를 채우고, 유사한 동네 간의 연결 고리를 찾으며, 당신이 어디에 살든 택시를 호출했을 때 시스템이 당신을 위해 준비되어 있도록 보장할 수 있음을 보여줍니다.

기술 요약: 택시 수요 예측에서의 공간적 공정성

문제 정의
정확한 택시 수요 예측은 효율적인 도시 교통 관리에 매우 중요하지만, 기존 모델들은 서로 다른 사회경제적 지역 간의 서비스 품질에 대한 형평성 있는 배분을 간과하는 경우가 많습니다. 시카고와 같은 도시에서 교통 가용성의 불균형은 기존의 불평등을 심화시켜, 소외된 공동체가 더 긴 대기 시간과 필수 서비스에 대한 제한된 접근성을 겪게 만들 수 있습니다. 또한, 실제 데이터셋은 상당한 양의 누락된 데이터(예: 누락된 승차 커뮤니티 구역)로 인해 발생하는 문제가 있으며, 이는 견고한 예측 모델을 훈련하는 데 걸림가 됩니다. 본 연구는 누락된 데이터가 존재하는 상황에서 예측 정확도를 개선하는 동시에, 알고리즘적 편향을 명시적으로 완화하여 인구통계학적으로 다양한 도시 구역 전반에 걸쳐 공정한 서비스 할당을 보장하는 이중 과제를 해결합니다.

방법론
제안된 프레임워크는 데이터 임퓨테이션(결측치 보간), 공정성을 인식하는 공간 의존성 모델링, 그리고 다해상도 예측 정교화의 세 가지 주요 단계로 구성된 하이브리드 접근 방식입니다.

하이브리드 NMF-WSO를 통한 데이터 임퓨테이션:
누락된 수요 데이터를 처리하기 위해, 저자들은 비음수 행렬 분해(NMF)와 화이트 샤크 최적화(WSO)를 결합하여 수요 행렬을 재구성합니다.

구역 프로필: 임의의 초기화에 의존하는 대신, 모델은 구역별 프로필(평균 주행 거리, 소요 시간, 가격)을 활용합니다. 이러한 특징들은 관측된 수요와의 피어슨 상관관계에 따라 정규화 및 가중치가 부여되어, NMF 행렬의 정보가 풍부한 초기값을 생성하는 데 사용됩니다.
최적화: 자연 모사 메타휴리스틱 기법인 WSO 알고리즘은 행렬 $W$ 와 $H$ 의 분해를 정교화하여, 누락된 데이터로 인해 가려진 잠재적인 시공간 구조의 재구성을 최적화하는 데 사용됩니다.

공간 의존성 모델링 및 공정성 시뮬레이션:
프레임워크는 타겟 구역의 예측을 돕기 위해 유사한 구역을 식별함으로써 공간 의존성을 모델링합니다.

상대적 고난 근접성 (Relative Hardship Proximity, RHP): 절대적인 고난 수준이 아닌, 사회경제적 어려움의 상대적 특성을 기반으로 커뮤니티 구역 간의 유사성을 평가하는 새로운 지표를 도입합니다. RHP는 도시 전체 중심점으로부터의 인구통계학적 특징(예: 빈곤율, 실업률, 교육 수준) 편차 벡터 간의 코사인 유사도로 계산됩니다. 이를 통해 구조적으로 유사한 과제에 직면한 구역들을 그룹화할 수 있습니다.
결합 유사도: 유사도 점수는 수요 빈(bin) 근접성과 인구통계학적 유사도(RHP를 통한)를 가중 결합하여 계산됩니다. 상위 $k$ 개의 가장 유사한 구역들이 타겟 구역의 과거 시계열 데이터를 보완하기 위해 선택됩니다.
LSTM 아키텍처: LSTM(Long Short-Term Memory) 네트워크는 타겟 구역과 상위 유사 이웃들의 결합된 시계열을 처리하여 미래 수요를 예측합니다.

공정성 인식 정규화:
형평성을 강제하기 위해, 손실 함수( $L_{total} = L_{base} + \lambda \cdot L_{fairness}$ )에 공간 인식 정규화 항이 통합됩니다.

지역적 공정성: 이 항은 인구통계학적으로 유사한 구역 간(RHP에 의해 정의됨)의 예측 오차 불균형에 대해 페널티를 부여합니다. 이는 두 구역 사이의 국지적 공정성 지표 $F(d)$ 의 차이를 최소화하며, 여기서 $F(d)$ 는 특정 구역의 정규화된 고난 지수와 정규화된 평균 제곱근 오차(RMSE) 사이의 차이로 정의됩니다.
전역적 공정성: 보조 항은 사전에 정의된 인구통계학적 그룹 간의 평균 오차가 일관되게 유지되도록 보장합니다.
목적: 정규화는 비록 전체 오차가 약간 증가하더라도, 고난 지역에서의 예측 불일치를 줄이도록 모델을 유도합니다.

다해상도 예측 정교화:
정확도를 높이기 위해 시스템은 두 단계의 접근 방식을 채택합니다. 1시간 단위 LSTM 모델과 15분 단위 LSTM 모델이 각각 훈련됩니다. 네 개의 연속적인 15분 예측치를 합산하고, 이 합계를 원래의 1시간 예측치와 함께 입력 특징으로 사용하여 그래디언트 부스팅 회귀(GBR) 모델이 최종 수요 예측을 정교화합니다.

주요 기여

구역 수준 프로필 통합: 본 연구는 선형 회귀 및 데이터 정규화를 통해 구역별 특징(주행 거리, 소요 시간, 가격)을 NMF 초기화에 통합함으로써, 기존의 무작위 초기화보다 더 정확한 수요 역학 표현을 제공합니다.
잠재 요인 추출 강화: NMF에 화이트 샤크 최적화를 적용함으로써 복잡한 수요 패턴과 상관관계를 포착하는 능력을 향상시켜 데이터 임퓨테이션 성능을 개선했습니다.
상대적 고난 근접성 (RHP): RHP의 도입은 단순한 절대적 고난 지표를 넘어, 상대적인 사회경제적 어려움을 기반으로 수요 관계를 시뮬레이션할 수 있게 하여 공정성을 고려한 구역 그룹화를 가능하게 합니다.
공정성 인식 정규화: 프레임워크는 유사한 공간 단위 간의 불평등한 오차 분포에 페널티를 주는 정규화 메커니즘을 명시적으로 포함하여, 예측력을 크게 희생하지 않으면서도 균형 잡힌 성능을 촉진합니다.

결과
대규모 시카고 택시 데이터셋(2013년 5월~11월)을 통해 평가한 결과, 제안된 프레임워크는 5.1의 RMSE와 3.8의 MAE를 달성하며 ARIMA, MLP, GRU, T-GCN, ST-GAT를 포함한 벤치마크 모델들을 능가했습니다.

임퓨테이션: 하이브리드 NMF-WSO 방식은 누락된 데이터를 성공적으로 재구성했으며, 임퓨테이션 검증을 위해 사용된 홀드아웃 테스트 데이터에서 시간 단위 모델은 6.9의 RMSE를 기록했습니다.
공정성 영향: 공정성 정규화( $\lambda = 0.48$ )를 도입했을 때 공정성 격차가 크게 감소했습니다. 구체적으로, 고난 지역(High RHP)의 RMSE는 6.2에서 5.4로 감소한 반면, 저난 지역은 4.6에서 4.9로 약간 증가했습니다. 그룹 간 최대 공정성 격차는 정규화 전 1.2에서 정규화 후 0.5로 감소했습니다.
공정성의 비용 (PoF): 형평성 개선에는 미미한 정확도 손실이 따랐습니다. PoF는 약 2%(전체 오차가 4.9에서 5.0으로 증가)로 계산되었으며, 이는 상당한 공정성 이득을 얻으면서도 예측 성능의 트레이드오프를 최소화할 수 있음을 보여줍니다.
통계적 유의성: T-검정 결과, 모델의 예측은 서로 다른 RHP 그룹 간에 실제 값으로부터 통계적으로 유의미한 편차를 보이지 않았으며, 이는 일관된 성능을 나타냅니다.

의의
본 논문은 수요 예측 모델에 구조화된 공정성 제약을 포함하는 것이 윤리적으로 필요할 뿐만 아니라 기술적으로도 가능하다는 점을 주장합니다. 공정성을 우선시함으로써, 모델은 부유한 동네에 유리할 수 있는 알고리즘적 편향을 방지하고, 이를 통해 사회적 형평성을 증진할 수 있습니다. 연구 결과는 "공정성을 인식하는" AI 시스템이 높은 수준의 예측 정확도를 유지하면서도 교통 자원의 형평성 있는 배분(취약 지역의 대기 시간 및 서비스 격차 감소)을 강화할 수 있음을 시사합니다. 이 접근 방식은 도시 계획가들이 교통 서비스 제공의 구조적 불평등을 해결하기 위한 확장 가능한 솔루션을 제공합니다.

기술 요약: 택시 수요 예측에서의 공간적 공정성

유사한 논문