도시 대중교통 실시간 대응을 위한 통합 융합 분석 플랫폼 FASTER

본 논문은 급격히 증가하는 도시 인구와 복잡한 대중교통 네트워크가 초래하는 운영·안전 문제를 해결하기 위해, 전방위적인 데이터 융합과 의사결정 지원을 제공하는 FASTER(Fusion AnalyticS for public Transport Event Response) 플랫폼을 소개한다. FASTER는 연간 15억 건 이상의 승차 데이터를 실시간으로 처리하며, 승객 이동 예측부터 비상 대응 계획까지 전 과정을 자동화한다. 첫 번째 섹션에서는 기존 연구를 검토한다. 차량·보행자 이동 예측에 사용된 순차 추정, 데이터 동화, 스마트폰·Wi‑Fi 기반 센싱, 그리고 HMM·RNN·GAN 등 최신 머신러닝 기법들을 언급한다. 그러나 이들 방법은 GPS·셀룰러 데이터의 공간 해상도 제한, 실시간 처리 어려움, 그리고 단일 센서 의존성 문제를 안고 있다. 두 번째 섹션에서는 시스템 전체 구조를 설명한다. 데이터 소스는 CCTV 영상, 티켓 로그, Wi‑Fi 탐지, 열차 위치, 셀룰러 트레이스 등으로 다양하며, 각각 레이턴시와 정확도가 다르다. 이러한 이질적인 스트림을 통합하기 위해 람다 아키텍처를 도입했으며, ‘스피드 레이어’는 1 TB 수준의 일일 데이터를 저지연으로 처리해 KPI를 실시간 업데이트한다. ‘배치 레이어’는 대규모 시뮬레이션·모델 재학습을 담당한다. 핵심 모듈인 ‘조정 엔진’은 각 데이터 피드에 대해 선형 모델 기반 전문가‑학습자를 학습시킨 뒤, 신뢰도 추정값에 따라 가중치를 부여한다. 이렇게 얻어진 KPI(플랫폼 혼잡도, 열차 지연, 평균 대기시간 등)는 모든 사용자(운영센터, 계획팀)에게 동일하게 제공되어 정보 일관성을 보장한다. 특히 수요‑공급 격차(DSG) 추정 과정을 상세히 제시한다. 카메라와 티켓 데이터만으로는 DSG를 직접 측정하기 어렵기 때문에, 연결된 디바이스 관측치를 선형 모델로 스케일링하고, ‘혼합형 분류기’를 통해 ‘대기 승객 수’, ‘열차 놓친 승객 수’, ‘대기시간 사분위·표준편차’, ‘열차 간격(스펙트럼 클러스터링)’ 등을 특징으로 사용한다. 데이터 불균형을 보정하기 위해 부트스트랩 샘플링과 전진 특징 선택을 적용한다. 모델은 네트워크‑와 라인‑별, 최종적으로 역별로 계층화되어 지역 특성을 반영한다. 시뮬레이션 엔진은 에이전트 기반 미시 모델과 큐잉 네트워크 기반 중간 규모 모델을 혼합한다. 최단 경로 계산은 저빈도 업데이트와 이벤트 기반 재계산으로 최적화했으며, 필요 메트릭만을 동적으로 저장해 메모리 사용량을 15 % 절감하고 속도를 향상시켰다. 최적화 모듈은 연속 흐름 공급 모델을 구축하고, 시간‑확장 그래프에 승객 흐름을 흐름 변수로 매핑한다. 혼합정수 프로그램을 통해 비상 버스·열차 스케줄을 최소 지연으로 도출한다. 제약조건은 응답 라인 수, 중복 허용 범위, 최대 길이, 라인 커버 범위 등으로 정의되어, 실시간 운영 가능성을 확보한다. 시스템 적용 결과, 실시간 KPI 제공과 시뮬레이션·최적화 연계가 사고 대응 시간을 평균 30 % 단축시켰으며, 승객 대기시간을 12 % 감소시켰다. 마지막으로 논문은 데이터 프라이버시, 센서 고장 복구, 모델 설명성, 그리고 다중 도시 확장성 등 향후 연구 과제를 제시한다.