대규모 보행·자전거 네트워크 추정: 모바일·크라우드 데이터 기반 머신러닝 모델

초록

본 연구는 호주 뉴사우스웨일즈 지역의 19만 개 보행 링크와 11만 개 자전거 링크에 대해, 모바일 통신 데이터와 Strava와 같은 크라우드소스 데이터를 결합한 머신러닝 모델을 구축한다. 관측된 교통량, 인구·토지 이용, 기후·대기질, 지형 등 30여 개 변수를 활용해 편향을 보정하고, 새로운 이상치 탐지·완화 기법을 적용해 추정 정확도를 높였다. 결과는 대규모 활성교통 네트워크의 일일 이용량을 정밀하게 예측할 수 있음을 보여준다.

상세 분석

이 논문은 활성교통(보행·자전거) 데이터의 부족과 편향이라는 두 가지 근본적인 문제를 동시에 해결하려는 시도로서, 데이터 통합과 머신러닝 파이프라인 설계에 큰 의의를 둔다. 첫째, 관측된 교통량(27,631건 보행, 18,535건 자전거)이라는 제한된 레이블을 기반으로, 모바일 통신사에서 제공하는 일일 링크‑레벨 보행 추정치(약 9.5억 건)와 Strava Metro의 자전거 추정치를 보조 입력으로 활용한다. 이는 기존 연구가 주로 소규모 도시나 특정 구역에 국한되었던 것과 달리, 2백만 헥타르에 달하는 광역 지역 전체를 포괄한다는 점에서 혁신적이다.

둘째, 편향 보정에 있어 인구밀도, 소득, 토지 이용 혼합도(LUM), 공원 비율, POI 밀도 등 사회경제·물리적 변수들을 특징으로 포함시켜, 크라우드소스 데이터가 특정 사용자군(예: 레저용 사이클리스트)에게 과도하게 치우치는 현상을 통계적으로 조정한다. 특히, 토지 이용 혼합도는 다양한 용도 간 상호작용을 정량화함으로써, 보행·자전거 수요와의 비선형 관계를 모델이 학습하도록 돕는다.

셋째, 머신러닝 알고리즘으로는 Gradient Boosting Decision Tree(GBDT) 계열을 중심으로 여러 모델을 비교하고, 교차검증을 통해 최적 하이퍼파라미터를 탐색한다. 피처 중요도 분석 결과, 모바일 기반 보행 추정치와 Strava 데이터가 가장 높은 기여도를 보였으며, 기후·대기질 변수는 계절성 변동을 설명하는 보조 역할을 수행한다.

넷째, 대규모 네트워크에 적용되는 추론 단계에서 발생할 수 있는 이상치(예: 특정 링크에서 비현실적으로 높은 추정량)를 탐지하기 위해, 예측값의 분포를 기반으로 IQR 기반의 자동 제거 규칙과, 공간적 인접 링크와의 일관성을 검증하는 공간적 스무딩 기법을 결합한 새로운 절차를 제시한다. 이 절차는 모델이 과도한 편향을 학습하거나 데이터 결함에 의해 왜곡되는 것을 방지한다.

마지막으로, 검증 결과는 관측된 카운트와의 평균 절대오차(MAE)와 결정계수(R²)가 각각 보행 0.71/0.68, 자전거 0.73/0.71 수준으로, 기존 소규모 연구보다 현저히 높은 정확도를 달성함을 보여준다. 그러나 관측소의 공간적 불균형, 모바일 데이터의 시간적 격차, 그리고 코로나19 기간의 정책 변동 등은 여전히 모델의 한계로 남는다. 전반적으로, 데이터 통합·편향 보정·대규모 추론·이상치 완화라는 네 가지 핵심 요소를 체계적으로 구현함으로써, 활성교통 정책 수립에 실용적인 정량적 근거를 제공한다.