도로망 분석을 위한 네트워크 임베딩: 덴마크 도로망 사례 연구

초록

본 논문은 도로 구간의 구조적 정보를 활용해 속성(도로 종류·속도 제한) 결핍 문제를 해결하고자, node2vec 기반 네트워크 임베딩을 적용한다. 덴마크 도로망을 대상으로 도로 종류와 속도 제한을 예측하는 두 과제에 대해 임베딩 품질, 하이퍼파라미터, 동질성·구조적 동등성의 영향을 정량적으로 평가한다. 결과는 적절한 파라미터 선택 시 매크로 F1 점수 0.57(도로 종류)·0.79(속도 제한)까지 끌어올릴 수 있음을 보여준다.

상세 분석

이 연구는 기존에 사회·생물 네트워크에 국한돼 있던 임베딩 기법을 공간 네트워크인 도로망에 적용함으로써 두 가지 근본적인 가정을 검증한다. 첫째, node2vec가 전제하는 ‘이웃 보존’(neighborhood preservation)과 ‘동질성’(homophily)이 도로망에서도 유효한가? 도로망은 평균 차수가 낮고, 섬·연결 끊김이 존재하며, 인접 도로 구간이 반드시 동일한 속성(예: 속도 제한)을 공유하지 않는다. 논문은 이러한 특성이 임베딩의 선형 분리 가능성을 저해한다는 점을 실험적으로 확인한다. 특히, 클래스별 동질성 정도가 높은 도로 구간은 임베딩 공간에서 더 뚜렷하게 군집화돼 높은 분류 성능을 보였지만, 동질성이 낮은 클래스는 성능이 현저히 떨어졌다.

둘째, node2vec가 제공하는 ‘p’(재방문 확률)와 ‘q’(탐색 깊이) 파라미터를 조정해 구조적 동등성(structural equivalence)을 강조할 경우, 도로망에 더 적합한 임베딩을 얻을 수 있다. 실험 결과, q 값을 크게 설정해 장거리 탐색을 유도하고, p 값을 낮게 잡아 현재 노드로의 재방문을 억제하면, 물리적으로 멀리 떨어져 있지만 기능적으로 유사한(예: 다리, 고속도로 구간) 도로들이 임베딩 공간에서 가까워졌다. 이는 동질성보다 구조적 유사성이 도로망 분석에 더 중요한 역할을 할 수 있음을 시사한다.

또한, 임베딩 차원(d)와 워크 수(r), 워크 길이(l) 등 기본 하이퍼파라미터가 성능에 미치는 영향도 정량화했다. 차원을 128~256으로 늘리면 표현력이 향상되지만, 과도한 차원은 과적합 위험을 높인다. 워크 수와 길이는 충분히 큰 값(예: r = 10, l = 80)일 때 안정적인 결과를 제공한다.

마지막으로, 임베딩을 직접 분류기에 입력했을 때 선형 모델(로지스틱 회귀)보다 비선형 모델(랜덤 포레스트, XGBoost)이 더 높은 F1 점수를 기록했다. 이는 임베딩 공간이 완전한 선형 분리를 보장하지 않으며, 복합적인 경계 학습이 필요함을 의미한다. 전체적으로, 이 논문은 도로망 특유의 구조적·속성적 제약을 고려한 임베딩 설계와 파라미터 튜닝이 기존 사회 네트워크 기반 임베딩보다 현저히 높은 예측 성능을 달성할 수 있음을 입증한다.