그래프 신경망을 활용한 경로 선택 모델의 혁신

초록

본 논문은 전통적인 Recursive Logit(RL) 모델에 그래프 신경망(GNN)을 결합한 하이브리드 모델인 ResDGCN‑RL을 제안한다. GNN을 통해 도로망의 공간적 연관성을 학습함으로써 IIA(독립성) 가정의 제한을 완화하고, 경로 간 대체 효과를 보다 정밀하게 포착한다. 도쿄 실거래 트래젝터리 데이터를 이용한 실증 분석에서 기존 로그식 모델 및 기존 하이브리드 모델보다 예측 정확도가 현저히 향상된 것을 확인하였다.

상세 분석

이 연구는 두 가지 핵심 흐름을 결합한다. 첫째, Recursive Logit(RL)은 링크 기반의 동적 선택 모델로, 선택 집합을 사전에 생성하지 않아도 되는 장점을 갖는다. 그러나 전통적인 RL은 효용 함수가 사전에 정의된 형태에 의존하고, 오차항이 독립적이라는 IIA 가정을 유지한다는 한계가 있다. 둘째, 그래프 신경망(GNN)은 도로망을 그래프 구조로 표현해 노드와 엣지 간의 복잡한 상호작용을 학습할 수 있다. 특히, 메시지 패싱 메커니즘을 통해 인접 링크들의 특성을 집계함으로써 경로 전체의 구조적 정보를 효율적으로 추출한다. 논문은 이러한 GNN을 RL의 효용 함수에 잔차(residual) 형태로 삽입하는 ResDGCN‑RL 모델을 설계한다. 구체적으로, 기존의 선형 효용(시간, 거리, 비용 등)과 별도로, DGCN(Depthwise Graph Convolutional Network) 기반의 비선형 변환을 통해 링크‑레벨 특성을 학습하고, 이를 로그 확률에 추가한다. 이때 손실 함수에 외생 파라미터 λ를 도입해, 사전 정의된 효용의 해석 가능성(EI)과 데이터‑드리븐 잔차의 예측 성능 사이의 트레이드‑오프를 명시적으로 조절한다. 수학적으로는 GNN이 다중 교차 효과(cross‑effect)를 포착함으로써 IIA를 완화한다는 점을 증명한다. 실험에서는 도쿄의 대규모 트래젝터리 데이터를 사용해, 기존 MNL, C‑Logit, Path Size Logit, 그리고 최근의 ResLogit 등과 비교하였다. 결과는 Top‑1 정확도와 로그우도 모두에서 ResDGCN‑RL이 우수함을 보여준다. 특히, 경로가 많이 겹치는 구간에서 대체 효과가 정확히 반영되는 것을 시각화하여, 모델의 해석 가능성도 확보한다. 한계점으로는 GNN의 학습 비용이 증가하고, 하이퍼파라미터 튜닝이 복잡해질 수 있다는 점을 언급한다. 향후 연구에서는 멀티‑모달 네트워크 확장, 실시간 교통 상황 반영, 그리고 베이지안 프레임워크와의 통합을 제안한다.