도로 네트워크를 위한 학습 기반 거리 인덱스 종합 평가와 벤치마크

초록

본 논문은 도로 네트워크에서 최단거리 추정에 사용되는 10개의 머신러닝 기반 거리 인덱스를 7개의 실제 도로 그래프와 실제 트래젝터리 워크로드에 대해 학습 시간·쿼리 지연·저장 용량·정확도 네 가지 축으로 체계적으로 평가한다. 또한 기존 비학습 인덱스와 비교하여 실용적인 트레이드오프를 제시하고, 인코더‑디코더 추상화를 도입해 설계 공간을 정리한다.

상세 분석

이 연구는 도로 네트워크를 가중 무방향 그래프로 모델링하고, 최단거리 추정 문제를 “노드 쌍 → 거리” 함수 근사로 정의한다. 기존의 Dijkstra나 전통적인 거리 오라클이 높은 전처리 비용과 저장 요구를 갖는 반면, 학습 기반 인덱스는 노드 임베딩과 경량 디코더를 통해 O(1) 혹은 O(d) 시간에 근사값을 제공한다. 논문은 먼저 인코더‑디코더 프레임워크를 제시한다. 인코더는 고정 좌표, 사전 학습된 그래프 임베딩, 혹은 GNN 기반 메시지 패싱을 통해 각 노드를 d 차원 벡터로 매핑하고, 디코더는 합성곱, 평균, 차이, Hadamard 등 다양한 퓨전 연산 후 작은 피드포워드 네트워크 혹은 ℓ1/ℓ2 노름을 적용한다.

10개의 ML 방법은 크게 네 그룹으로 나뉜다. (1) Landmark 기반 비학습 인덱스는 인코더‑디코더 구조와 동일하게 동작하지만 학습 단계가 없으며, 거리 상한을 이용해 빠른 추정을 제공한다. (2) GeoDNN은 위도·경도 좌표만을 입력으로 하는 단순 NN으로, 학습 비용이 낮지만 네트워크 구조 변화에 취약하다. (3) DistanceNN·EmbedNN은 Node2Vec·LINE·Poincaré 등 무감독 임베딩을 사전 학습하고, 이를 고정 인코더로 활용해 디코더를 학습한다. 이 접근은 임베딩 차원과 퓨전 방식에 따라 정확도가 크게 달라진다. (4) GNN 기반 모델은 그래프 구조를 직접 활용해 메시지를 전파함으로써 지역적·전역적 정보를 동시에 캡처한다.

실험에서는 7개의 도로 네트워크(예: 캘리포니아, 독일, 한국 주요 도시)와 트래젝터리 기반 쿼리 집합을 사용해 각 방법의 학습 시간, 저장 요구량, 평균·최대 쿼리 지연, 평균 절대 오차(MAE), 상대 오차 등을 측정했다. 결과는 다음과 같다. 학습 기반 인덱스는 비학습 대비 저장량을 5‑10배 절감하면서 평균 지연을 2‑3배 단축했지만, 최악의 경우 10% 이상의 상대 오차가 발생했다. 특히 GNN 모델은 높은 정확도(MAE < 5%)를 보였지만, 학습 시간과 GPU 메모리 요구가 크게 늘어났다. 반면 Landmark 기반 인덱스는 정확도는 다소 낮지만(오차 8‑12%), 업데이트 시 재계산 비용이 비싸다. GeoDNN은 가장 가벼운 모델이지만, 도로 네트워크의 비선형 거리 특성을 충분히 포착하지 못한다.

핵심 인사이트는 다음과 같다. 첫째, 도로 네트워크는 낮은 평균 차수와 큰 지름을 가지므로, 임베딩 차원을 크게 늘려도 과적합 위험이 낮다. 둘째, 퓨전 연산 중 평균과 Hadamard가 가장 안정적인 성능을 제공한다. 셋째, 업데이트 친화성을 고려한다면 인코더를 고정된 lookup 테이블 형태로 두고 디코더만 재학습하는 구조가 실용적이다. 넷째, 하드웨어 가속(GPU/TPU) 활용 시 학습 비용이 크게 감소하지만, 추론 단계에서는 경량 디코더만으로도 충분히 마이크로초 수준의 지연을 달성할 수 있다. 마지막으로, 논문이 제공하는 오픈소스 벤치마크 프레임워크는 새로운 모델을 손쉽게 추가·비교할 수 있게 설계돼 향후 연구의 표준이 될 가능성이 높다.