시간변화 그래프로 보는 대중교통 네트워크 동적 모델링

초록

본 논문은 버스 운행 데이터를 활용해 교통망을 시간‑변화 그래프(TVG)로 표현하고, Neo4j에 구현한 뒤 시간‑가중 최단경로, 중심성, 네트워크 직경·밀도 등 동적 지표를 분석함으로써 실시간 교통 관리와 추천 시스템에 활용 가능한 모델을 제시한다.

상세 분석

이 연구는 전통적인 정적 그래프가 교통망의 시간적 변동성을 반영하지 못한다는 한계를 지적하고, 시간축을 정점·간선에 명시적으로 부여하는 시간변화 그래프(TVG) 프레임워크를 도입한다. TVG는 (V, E, T, ρ, ζ) 형태로 정의되며, ρ는 특정 시점 t∈T에서 정점이 활성화되는지를, ζ는 간선이 t에 따라 갖는 가중치(예: 도착예정시간, 승객량)를 나타낸다. 이러한 정의는 교통수단의 스케줄 변동, 교통사고, 날씨 등 외부 요인에 의해 발생하는 네트워크 구조 변화를 정량화한다.

구현 단계에서는 캐나다 뉴브런즈윅주 몬크턴 시의 버스 GPS 피드와 GTFS(General Transit Feed Specification) 데이터를 수집해, 각 정류장을 정점, 정류장 간 운행 구간을 간선으로 매핑하였다. 시간축은 5분 간격으로 이산화했으며, 각 간선의 ζ값은 해당 구간의 실제 이동 시간과 승객 탑승·하차량을 복합 가중치로 설정했다. Neo4j의 시계열 플러그인과 Cypher 쿼리를 활용해 TVG를 그래프 데이터베이스에 저장하고, 동적 네트워크 분석을 수행했다.

분석 결과, 시간‑가중 최단경로는 피크 시간대와 비피크 시간대에 현저히 다른 경로를 제시했으며, 이는 정적 최단경로가 제공하지 못하는 실시간 최적화 가능성을 보여준다. 정점의 시간별 차수와 베트위니스 중심성은 특정 정류장이 특정 시간대에 교통 흐름의 병목이 되는지를 식별하는 데 유용했으며, PageRank는 승객 흐름이 집중되는 핵심 정류장을 도출했다. 또한, 시간에 따라 변동하는 네트워크 직경과 밀도는 전체 시스템의 복원력과 혼잡도를 정량화하는 지표로 활용될 수 있다.

기술적 관점에서 TVG를 Neo4j에 구현함으로써 대규모 실시간 스트리밍 데이터를 효율적으로 저장·쿼리할 수 있었지만, 데이터 전처리 비용과 시간 간격 선택이 결과에 미치는 민감도는 여전히 과제로 남는다. 또한, 현재 구현은 단일 모드(버스) 데이터에 국한되어 있어, 다중 모드(버스·지하철·자전거) 통합 시 그래프 복잡도가 급증할 가능성이 있다. 향후 연구에서는 그래프 압축 기법, 인크리멘털 업데이트, 머신러닝 기반 예측 모델과의 연계를 통해 실시간 의사결정 지원 시스템으로 확장할 필요가 있다.