물리 기반 확산 모델을 이용한 차량 속도 궤적 생성

초록

본 논문은 마이크로 트립 수준에서 차량 속도와 가속도 시계열을 합성하기 위해 물리 제약을 소프트하게 적용한 확산 모델을 제안한다. 1‑D U‑Net과 트랜스포머 기반 Conditional Score‑based Diffusion Imputation(CSDI) 두 아키텍처를 비교 평가했으며, CSDI가 워터스테인 거리와 구분 점수에서 우수한 성능을 보였다. 생성된 궤적은 에너지 소비 평가와 같은 ITS 응용에 바로 활용 가능함을 실증하였다.

상세 분석

이 연구는 차량 속도 궤적 생성이라는 특수한 시계열 합성 문제에 확산 모델을 적용한 최초 사례 중 하나로, 기존 마코프 체인 기반 방법이 갖는 이산화와 장기 의존성 부족 문제를 근본적으로 해결한다. 저자는 속도와 가속도를 동시에 다루는 듀얼 채널 입력을 설계하고, 물리적 제약(예: 초기·최종 속도 0, 가속도 한계, 평균 속도·소요 시간 조건)을 손실 함수에 소프트 페널티 형태로 삽입함으로써 하드 제약이 초래하는 최적화 충돌을 회피한다. 특히 CSDI는 트랜스포머의 자기‑어텐션을 활용해 전체 마이크로 트립을 “누락된” 상태로 보고 조건부 생성 과정을 수행한다. 이는 기존 시계열 임퓨테이션에서 사용되던 프레임워크를 생성 문제에 확장한 것으로, 전체 시퀀스를 한 번에 샘플링하면서도 조건을 정밀히 제어한다.

실험에서는 시카고 CMAP 설문조사에서 추출한 6,367개의 1 Hz 마이크로 트립을 사용했으며, 데이터는 평균 속도, 지속 시간, 거리 등 다변량 특성을 포괄한다. 모델 학습 단계에서 하드 제약을 직접 적용한 버전은 훈련 불안정과 물리 위반(예: 비현실적인 가속도 피크)으로 성능이 급격히 저하되는 반면, 소프트 제약을 도입한 CSDI는 워터스테인 거리(Wasserstein distance)에서 속도 0.30, 가속도 0.026이라는 낮은 값을 기록하고, 구분 점수(Discriminative score) 0.49로 실제 데이터와 거의 구별이 불가능한 수준을 달성했다. 또한, 합성된 궤적을 에너지 소비 모델에 투입했을 때, 실제 궤적 기반 평가와 통계적으로 유의미한 차이가 없음을 TSTR(Train on Synthetic, Test on Real) 실험으로 검증하였다.

비교 대상인 전통적 마코프 체인, GAN, Normalizing Flow 등은 각각 해석 가능성·계산 효율성·다중 모달성에서 장점을 보이지만, 훈련 불안정, 모드 붕괴, 물리 제약 적용의 어려움 등으로 종합적인 품질에서는 뒤처졌다. 특히 DoppelGANger와 SDV 같은 최신 시계열 생성 모델은 장기 의존성 포착에 한계가 있었으며, 가속도·속도 경계 조건을 만족시키지 못했다.

이 논문의 주요 기여는 (1) 차량 속도·가속도 시계열에 특화된 확산 모델 설계, (2) 물리 제약을 소프트 페널티로 통합한 학습 전략, (3) 설계·실험 과정에서 발생한 실패 사례를 체계적으로 기록해 향후 연구자에게 실용적인 가이드라인을 제공한 점이다. 또한, 오픈소스 코드와 전처리 파이프라인을 공개함으로써 재현성을 높였으며, ITS 분야에서 대규모 합성 데이터가 필요한 에너지 평가, 배출량 시뮬레이션, 연결·자율 차량 테스트 등에 바로 적용할 수 있는 실용적 가치를 제시한다.