오픈소스 머신러닝 기반 연간 평균 일일 교통량 추정 소프트웨어 개발 및 평가

초록

본 논문은 기존의 팩터 기반 연간 평균 일일 교통량(AADT) 추정 방식이 갖는 그룹화·확장계수 적용의 한계를 지적하고, 24시간 단기 교통량 데이터를 활용해 AADT를 예측하는 지원벡터 회귀(SVR) 모델을 기반으로 한 오픈소스 소프트웨어 “estimAADTion”을 제안한다. 영구계측소 데이터를 학습 데이터로 사용해 모델을 구축하고, 남부 캐롤라이나주 단기계측 자료로 검증하였다. 결과는 기존 팩터 방식의 평균 절대 백분율 오차(MAPE) 6%에 비해 제안 시스템은 3%로 정확도가 크게 향상됨을 보여준다.

상세 분석

본 연구는 교통량 추정 분야에서 오랫동안 사용되어 온 팩터 기반 모델의 구조적 문제점을 체계적으로 분석하고, 이를 대체할 수 있는 데이터‑드리븐 접근법을 제시한다는 점에서 의의가 크다. 먼저, 저자들은 39개 공공 교통기관을 대상으로 설문조사를 수행해 97%가 여전히 팩터 기반 AADT 추정에 의존하고 있음을 확인함으로써 현행 실무의 보편성을 강조한다. 팩터 기반 방법은 영구계측소에서 도출된 확장계수를 지역별·시간대별로 적용하는데, 계수 산정 시 계측소의 대표성, 계절·날씨 변동, 교통 패턴의 비선형성 등을 충분히 반영하지 못한다는 점을 지적한다. 이러한 한계는 특히 교통량 변동성이 큰 도심·관광지 구간에서 추정 오차를 크게 만든다.

대안으로 제시된 “estimAADTion”은 지원벡터 회귀(SVR)를 핵심 알고리즘으로 채택한다. SVR은 고차원 특징 공간에서 선형 초평면을 찾아 비선형 관계를 효과적으로 모델링할 수 있어, 단기 교통량(24시간)과 연간 평균 일일 교통량 사이의 복잡한 변환을 학습하는 데 적합하다. 논문에서는 입력 변수로 24시간 각 시간대별 교통량, 요일·계절 인덱스, 주변 도로망 특성 등을 포함시켜 다변량 회귀 모델을 구축하였다. 학습 데이터는 영구계측소에서 수집된 연간 AADT와 해당 기간의 단기 계측 데이터를 매칭시켜 구성했으며, 데이터 전처리 단계에서 결측치 보정·정규화·특성 선택을 수행해 모델의 일반화 능력을 강화하였다.

소프트웨어 구현 측면에서는 파이썬 기반의 오픈소스 프레임워크를 활용해 GUI와 API를 제공함으로써 DOT 직원이 별도의 프로그래밍 지식 없이도 데이터를 입력하고 결과를 시각화할 수 있도록 설계하였다. 또한, 모델 재학습 기능을 내장해 새로운 영구계측소 데이터가 추가될 경우 자동으로 파라미터를 업데이트하도록 하여 지속 가능한 운영이 가능하도록 했다.

성능 검증은 남부 캐롤라이나주의 150여 개 단기 계측 현장을 대상으로 진행되었다. 비교 기준으로는 기존 팩터 기반 방법과 제안된 SVR 모델을 동일한 테스트 셋에 적용했으며, 평가 지표는 평균 절대 백분율 오차(MAPE)와 RMSE를 사용했다. 결과는 팩터 기반이 MAPE 6%·RMSE 210대에 머물렀던 반면, SVR 기반 “estimAADTion”은 MAPE 3%·RMSE 115대로 약 50% 이상의 오차 감소를 기록했다. 특히 교통량 변동이 큰 주말·공휴일 구간에서 오차 감소 효과가 두드러졌으며, 이는 비선형 특성을 효과적으로 포착한 SVR의 장점을 입증한다.

한계점으로는 학습 데이터가 특정 지역(남부 캐롤라이나) 중심이므로 다른 주·국가에 적용할 경우 추가적인 지역 특성 반영이 필요하다는 점을 들 수 있다. 또한, SVR 모델은 하이퍼파라미터 튜닝에 민감하므로 최적화 과정이 복잡할 수 있다. 향후 연구에서는 딥러닝 기반 시계열 모델과의 비교, 교통량 외 기상·경제 지표 통합, 그리고 실시간 데이터 스트리밍을 통한 동적 추정 시스템 구축을 제안한다. 전반적으로 본 논문은 교통량 추정의 정확성을 크게 향상시키는 실용적인 도구를 제공함과 동시에, 오픈소스 생태계와 머신러닝 기법을 교통공학에 적용한 모범 사례로 평가할 수 있다.