교통 데이터에 최적수송 기반 그래프 클러스터링

초록

본 논문은 구조적 연결성과 노드 속성을 동시에 고려한 그래프 클러스터링 방법을 제안한다. 프레셰(k‑means)와 Gromov‑Wasserstein(GW)·Fused GW(FGW) 기반 최적수송 기법을 그래프 분할에 맞게 변형하고, 목표 그래프 선택 및 거리 기반 임베딩 기법을 도입한다. 합성 데이터와 실제 도로 교통 데이터를 통해 정확도, 잡음 강건성, 목표 그래프 영향 등을 체계적으로 평가한다.

상세 분석

이 연구는 두 가지 핵심 축을 중심으로 전개된다. 첫째, 그래프의 구조적 거리와 노드 속성 거리(연속형, 히스토그램, 함수형 등)를 선형 결합한 통합 거리 (d_{\alpha}= \alpha d_S + (1-\alpha)d_A) 를 정의하고, 이를 기반으로 프레셰(k‑means) 알고리즘을 확장한다. 프레셰 평균을 그래프 공간에서 정의하기 위해 Fréchet 평균 개념을 차용했으며, Lloyd‑type 반복을 통해 클러스터 중심을 업데이트한다. 초기 중심 선택에 k‑means++를 적용해 지역 최적해에 빠지는 위험을 완화한다. 복잡도는 거리 행렬 사전 계산 후 할당 단계가 (O(Nk)), 중심 업데이트가 최악 (O(N^2)) 이므로 대규모 그래프에선 효율적인 구현이 필요함을 지적한다.

둘째, 최적수송 기반 접근법으로 Gromov‑Wasserstein(GW)와 그 확장인 Fused GW(FGW)를 노드 파티셔닝에 맞게 변형한다. 기존 GW는 두 그래프 전체 구조를 비교하는 데 초점이었지만, 여기서는 원 그래프 (G) 를 작은 목표 그래프 (T) 에 매핑함으로써 각 노드를 목표 그래프의 클러스터에 할당한다. 목표 그래프 선택 전략으로는 (i) 균등 분포된 가상 노드, (ii) 데이터‑드리븐 클러스터 중심, (iii) 도메인‑특화된 교통 구간 등을 실험적으로 비교한다. FGW는 구조 거리와 속성 거리의 가중합을 비용 함수에 직접 포함시켜, 구조와 속성의 동시 융합을 가능하게 한다. 이론적으로는 FGW가 GW보다 더 강력한 삼중 거리 삼각 부등식을 만족함을 증명하고, 수렴 보장을 위한 Proposition 1·2를 제시한다.

또한, 거리 기반 임베딩을 도입해 각 노드의 구조·속성 정보를 저차원 유클리드 공간에 사전 매핑한다. 임베딩 후에는 전통적인 k‑means를 적용하거나, 임베딩 거리 행렬을 GW/FGW 입력으로 사용해 성능을 향상시킨다. 실험에서는 (1) 비속성 그래프에서의 GW 기반 파티셔닝이 Spectral Clustering과 동등하거나 우수함을, (2) 속성 그래프에서는 FGW가 구조‑속성 가중치 (\alpha) 에 민감하게 반응하면서도 잡음에 강인함을 확인한다. 특히, 목표 그래프를 데이터‑드리븐 방식으로 설정했을 때 클러스터 품질이 크게 개선되는 현상을 보고한다.

실제 도로 네트워크 데이터(프랑스 Rennes 지역)에서는 교통 흐름 시계열과 히스토그램 속성을 사용해 5~10개의 의미 있는 서브네트워크를 도출하였다. 결과는 교통량이 유사한 구간이 동일 클러스터에 모이며, 물리적 연결성(도로 연결)과 속성 유사성이 동시에 고려된 점을 강조한다. 마지막으로, 방법론의 확장 가능성(다중 속성, 비정형 데이터)과 계산 비용(특히 GW 최적화의 Sinkhorn 반복) 등에 대한 논의가 포함된다.