다년간 24시간·주 7일 OD 수요 추정: 고해상도 교통 데이터와 GPU 기반 최적화

본 논문은 동적 OD(Origin‑Destination) 수요가 교통 시스템 모델링·분석에 핵심임을 강조하면서, 기존 연구들이 주로 ‘전형적인 하루’ 혹은 ‘몇 시간’에 한정된 추정에 머물러 있다는 문제점을 지적한다. 특히, 고해상도(5분) 교통량·속도 데이터가 센서 기술의 발전으로 대규모 수집 가능해졌음에도, 수천 일에 걸친 연속적인 OD 추정은 계산 복잡도와 데이터 처리량 때문에 실현되지 못했다. 이를 해결하기 위해 저자는 다음과 같은 단계적 프레임워크를 설계한다. 1. **데이터 전처리 및 차원 축소** - 2014‑2016년 사이 캘리포니아 새크라멘토 지역 고속도로(I‑5, SR‑99)에서 0.1마일 구간별 교통량·속도 데이터를 5분 간격으로 수집, 일별 288·링크 차원 행렬을 구성한다. - t‑SNE를 이용해 고차원 일별 패턴을 2차원 임베딩 후, k‑means(클러스터 수 k≈5~7)로 전형적인 일일 패턴을 군집화한다. 각 군집은 ‘주중 평일’, ‘주말’, ‘공휴일’, ‘특수 이벤트’ 등으로 해석된다. 2. **동적 할당 비율(DAR) 행렬 정의 및 보정** - 전통적인 동적 네트워크 로딩(DNL) 대신, 경로‑링크 인덱스 δₖₐᵣₛ와 시간 전이 함수 τₖₐᵣₛ(t) 를 이용해 이산 시간 형태의 DAR 행렬 ρₖₐᵣₛ(h₁,h₂)를 정의한다. - 관측된 링크 흐름 xₐ(t₂)와 속도 데이터를 활용해 ρ를 직접 추정한다. 이는 비선형·비연속적인 바이레벨 최적화 문제를 회피하고, 계산량을 O(|A|·|K|·N)에서 O(|A|·N) 수준으로 감소시킨다. 3. **경로 선택 모델링** - 각 군집별 평균 DAR 행렬을 기반으로 로그잇 선택 모델 pₖᵣₛ(h₁)=exp(−θ·cₖᵣₛ(h₁))/∑ₖ′exp(−θ·cₖ′ᵣₛ(h₁))을 적용한다. 여기서 cₖᵣₛ는 군집 평균 여행시간·속도 기반 비용이며, 파라미터 θ는 교차 검증을 통해 추정한다. 4. **비음수 최소제곱(NNLS) 문제 설정** - 목표 함수는 관측된 링크 흐름과 추정된 흐름 간 L₂ 차이를 최소화하는 형태이며, 변수는 시간 구간별 OD 흐름 q̂_{h₁}^{r s} ≥ 0이다. - 식 (10)을 이산화하여 행렬 형태 L = ||X·f̂ – x_obs||₂² 로 변환하고, f̂ = P·Q·ρ 로 전개한다. 여기서 P는 경로 선택 행렬, Q는 OD 흐름 벡터, ρ는 DAR 행렬이다. 5. **GPU 기반 확률적 투사 경사 하강법(SPGD)** - 대규모 NNLS 문제를 미니배치 샘플링으로 분할하고, 각 배치에 대해 경사 ∇L을 GPU에서 행렬 연산으로 빠르게 계산한다. - 업데이트 후 비음수 투사(projection) 연산을 적용해 q̂ ≥ 0 를 유지한다. 학습률은 Adam 방식으로 자동 조정한다. - 구현은 PyTorch 기반 CUDA 커널을 직접 작성했으며, 1일(288시간 구간)당 약 0.2초, 전체 3년 데이터는 3시간 내에 수렴한다. 6. **실험 및 결과** - 제안 방법을 기존 SPSA·베이즈 OD 추정과 비교했을 때, 평균 절대 오차(MAE)와 RMSE가 각각 12%·15% 개선되었으며, 실행 시간은 10배 이상 단축되었다. - 추정된 OD는 일별 피크 시간대(출퇴근)와 주말·공휴일 패턴이 뚜렷하게 구분되었고, 월·계절별 변동은 기상·특수 행사와 높은 상관관계를 보였다. - 연도별 비교에서는 2015년 대비 2016년 출퇴근 피크가 4% 증가했으며, 주말 평균 OD는 2% 감소하는 등 장기 트렌드 분석이 가능했다. 7. **의의 및 향후 연구** - 본 프레임워크는 고해상도 교통 데이터와 GPU 연산을 결합해, 실용적인 규모(수천 일·수천 링크)의 동적 OD 추정을 가능하게 한다. 이는 교통 정책·인프라 투자, 실시간 교통 관리, 그리고 미래 모빌리티 시뮬레이션에 직접 활용될 수 있다. - 향후 연구에서는 센서 결함·데이터 결측에 대한 베이지안 보정, 비정형 데이터(블루투스·모바일)와의 융합, 그리고 실시간 온라인 업데이트를 위한 연속 SPGD 알고리즘을 개발할 계획이다.