도시 도로 교통 예측 가능성 연구

초록

본 논문은 베이징 시내 2·3·4순환로에 배치된 택시 GPS 데이터를 활용해 도로 구간별 평균 속도를 이산화하여 시간‑시계열 심볼로 변환하고, 엔트로피와 파노 부등식을 이용해 일일 교통 상태의 예측 가능성을 정량화한다. 결과는 평균 속도가 중간인 구간이 가장 예측이 어렵고, 주중·주말 모두 높은 예측 가능성을 보이며, 인접 구간 정보를 통해 관측 불가 구간을 복원할 수 있음을 보여준다.

상세 분석

이 연구는 기존 교통 예측이 요구하는 출발·목적지(O‑D) 정보 없이도, 대규모 택시 GPS 로그만으로 도로 구간의 교통 흐름을 충분히 파악할 수 있음을 증명한다. 먼저, 각 순환로를 1 km 길이의 구간으로 나누고, 구간별 평균 속도를 0–100 km/h 구간을 10 km/h 간격(또는 20 km/h)으로 이산화한다. 이렇게 얻어진 심볼 시퀀스는 마코프 전이 확률 행렬을 구성할 수 있게 하며, 전이 확률이 인접 속도 구간으로 머무르는 비율이 높아 ‘상태의 관성’이 존재함을 확인한다.

엔트로피 측정은 세 가지 방식으로 진행된다. (i) 랜덤 엔트로피 S_rand는 구간이 도달할 수 있는 서로 다른 속도 레벨 수 N_i에 대한 로그값으로, 순수히 상태 수만을 반영한다. (ii) 시간‑비상관 엔트로피 S_unc는 각 속도 레벨의 등장 확률 p_i(j)를 이용해 확률분포의 불확실성을 평가하지만 순서 정보를 무시한다. (iii) 실제 엔트로피 S_i는 전체 시퀀스에서 관측된 연속 서브시퀀스의 등장 확률을 고려해 시간적 상관까지 포함한다. 실제 엔트로피가 랜덤 엔트로피보다 현저히 낮은 것은 교통 상태가 무작위가 아니라 일정한 규칙성을 가진다는 강력한 증거이다.

파노 부등식 Π ≤ Π_max을 적용해 각 구간의 이론적 최대 예측 가능성을 계산한다. 여기서 Π_max은 엔트로피와 상태 수 N을 입력으로 하여 역함수 형태로 구한다. 실험 결과, ΔL = 1 km, ΔV = 20 km/h일 때 2순환로 구간의 Π_max 평균이 0.83에 달했으며, 이는 83 % 확률로 다음 시간 단계의 속도 상태를 정확히 예측할 수 있음을 의미한다. 또한, Π_unc와 Π_rand는 각각 Π_max보다 현저히 낮아, 시간적 순서 정보가 예측 성능에 핵심적인 역할을 함을 확인한다.

구간 길이와 속도 구간 폭을 변화시킨 민감도 분석에서는, 지나치게 짧은 구간(ΔL < 0.5 km)이나 지나치게 세분화된 속도 구간(ΔV < 5 km/h)에서는 데이터 부족으로 엔트로피가 증가해 예측 가능성이 떨어진다. 반면, 실용적인 범위(ΔL ≈ 1 km, ΔV ≈ 10–20 km/h)에서는 높은 Π_max이 일관되게 유지된다.

특히, 평균 속도가 중간(≈30–50 km/h)인 구간에서 Π_max이 최소값을 보이는 비단조적 관계가 관찰되었다. 저속(정체) 구간은 ‘정체 유지’ 혹은 ‘출발’ 두 가지 전이만 가능해 불확실성이 낮고, 고속 구간도 ‘속도 유지’ 혹은 ‘감속’ 두 가지 전이만 존재해 예측이 용이하다. 반면, 중간 속도 구간은 가속·감속·정지·유지 등 다수의 전이 옵션이 존재해 엔트로피가 상승하고, 따라서 예측이 가장 어렵다.

주중과 주말을 별도로 분석한 결과, 교통 흐름 자체는 차이가 크지만, Π_max 분포는 거의 동일했다. 이는 각각의 일별 패턴이 자체적으로 높은 규칙성을 가지고 있어, 일일 예측 모델을 구축하는 데 일관된 데이터 양식이 충분함을 시사한다.

마지막으로, 인접 구간의 상태 정보를 이용해 관측되지 않은 구간의 속도 상태를 추정하는 실험을 수행했다. 인접 구간들의 Π_max 평균이 높은 경우, 결측 구간의 상태를 70 % 이상 정확도로 복원할 수 있었으며, 이는 제한된 센서 배치 혹은 데이터 손실 상황에서도 실용적인 교통 관리가 가능함을 보여준다.

전반적으로, 이 연구는 대규모 이동 데이터와 정보 이론적 도구를 결합해 도시 교통의 내재된 예측 가능성을 정량화하고, 실시간 교통 관리·예보 시스템 설계에 중요한 이론적·실증적 근거를 제공한다.