일일 교통 데이터 기반 확률적 O‑D 수요 추정 및 공분산 분석

본 논문은 교통 네트워크의 불확실성과 신뢰성 문제를 해결하기 위해, 일일 교통량 데이터를 활용한 확률적 O‑D(Origin‑Destination) 수요 추정 프레임워크를 제안한다. 전통적인 결정론적 O‑D 추정은 평균 수요만을 고려하고, 흐름의 변동성을 무시한다는 한계가 있다. 저자들은 이러한 한계를 극복하기 위해 세 가지 주요 기여를 제시한다. 첫째, O‑D 수요를 다변량 정규분포(MVN)로 모델링하고, 여행자들의 일일 경로 선택을 다항분포로 표현한다. 이를 통해 링크·경로 흐름의 분산이 O‑D 수요 변동, 경로 선택 변동, 측정 오차라는 세 가지 원천으로부터 발생한다는 수학적 분해식을 도출한다. 이때 사용된 행동 모델은 Ma와 Qian이 제안한 일반화된 통계적 교통 할당(GESTA) 모델이며, 이는 확률적 경로 선택과 네트워크 균형을 동시에 만족한다. 둘째, 평균과 공분산을 동시에 추정하기 위해 Iterative Generalized Least Squares(IGLS) 알고리즘을 적용한다. IGLS는 두 서브문제로 나뉜다. (1) 현재 공분산을 고정한 상태에서 O‑D 평균 벡터 q를 GLS 형태로 업데이트하고, (2) 관측된 링크 흐름의 공분산을 이용해 O‑D 공분산 Σ_q를 추정한다. 공분산 추정 단계에서는 라쏘(Lasso) 정규화를 도입해 희소성을 강제한다. 라쏘 패널티 λ는 편향과 분산 사이의 트레이드오프를 조절하며, 실험에서는 적절한 λ가 과소평가를 방지하고 해석 가능한 공분산 구조를 제공한다는 점을 확인한다. 셋째, 제안된 프레임워크의 통계적 성질과 관측가능성을 이론적으로 분석한다. 평균 추정에 대해, 확률적 O‑D 추정은 표본 크기 n이 충분히 클 경우 O(1/n) 수준의 오차 경계 내에서 기존 결정론적 추정보다 열등하지 않음을 증명한다. 또한, 2차 통계(공분산) 정보를 활용하면 O‑D 수요의 식별성이 크게 향상되어, 기존 연구에서 제기된 관측가능성 문제를 완화한다. 실험은 두 개의 인공 소규모 네트워크와 두 개의 실제 대규모 네트워크(수천 개의 링크와 수만 개의 O‑D 쌍)에서 수행되었다. 시뮬레이션 데이터와 실제 교통 카운트 데이터를 모두 사용했으며, IGLS 알고리즘은 10~15 회의 반복만에 수렴했다. 라쏘 정규화를 적용한 공분산 행렬은 대부분의 분산·공분산 값을 약간 낮추는 경향을 보였지만, 적절한 패널티 선택을 통해 편향과 분산 사이의 균형을 맞출 수 있었다. 실제 대규모 네트워크 실험에서는 링크 흐름과 속도 데이터를 결합해 공분산을 추정함으로써, 모델이 현실적인 데이터 환경에서도 안정적으로 동작함을 입증했다. 결론적으로, 이 연구는 (1) O‑D 수요의 평균과 공분산을 동시에 추정하는 이론적·계산적 프레임워크, (2) 일일 교통 데이터에 내재된 변동성을 정량화하는 통계적 네트워크 균형 모델, (3) 라쏘 정규화를 통한 희소 공분산 추정 및 효율적인 계산, (4) 관측가능성 문제에 대한 새로운 해석을 제공한다. 이러한 기여는 교통 정책 설계, 신뢰성 평가, 그리고 미래의 데이터‑드리븐 교통 관리 시스템에 직접 활용될 수 있는 기반을 제공한다.