전기 차량 라이드쉐어링 최적화를 위한 딥 그래프 강화학습 접근

초록

본 논문은 전기 차량을 이용한 다이얼‑어‑라이드 문제(E‑DARP)를 해결하기 위해, 도로 네트워크의 비유클리드·비대칭 특성을 직접 다루는 엣지 중심 그래프 신경망(GREAT)과 주의 메커니즘 기반 라우팅 정책을 결합한 심층 강화학습 프레임워크를 제안한다. 실험 결과, 기존 정확법·ALNS 대비 0.4% 이하의 최적성 격차와 수천 배 빠른 추론 속도를 달성했으며, 250 요청 규모에서도 9.5% 이상의 품질 향상과 100% 서비스 완수를 보였다.

상세 분석

이 연구는 전기 차량 라이드쉐어링 서비스에서 핵심적인 제약인 배터리 용량, 비선형 충전 동역학, 시간창, 승객 최대 탑승시간, 차량 적재 한계 등을 동시에 고려한 전기 다이얼‑어‑라이드 문제(E‑DARP)를 MDP 형태로 정형화하고, 이를 해결하기 위한 새로운 강화학습(RL) 아키텍처를 설계하였다. 기존의 노드 기반 그래프 신경망은 좌표 기반 거리 계산에 의존해 비대칭·비유클리드 비용을 표현하기 어려웠으나, 본 논문은 엣지 레벨의 특성(여행 시간, 에너지 소비 등)을 직접 입력으로 사용하는 GREAT(Graph Edge Attention Network) 인코더를 도입함으로써, 방향에 따라 달라지는 실제 도로 네트워크 비용을 자연스럽게 모델링한다.

정책 네트워크는 트랜스포머 스타일의 어텐션 디코더와 POMO(Parallel Optimistic Monte‑Carlo) 학습 방식을 결합해, 하나의 에피소드에서 다중 시작점을 동시에 탐색하고 최적해에 가까운 경로를 효율적으로 학습한다. 보상 함수는 총 이익(수익)에서 총 비용(에너지 소비, 대기·승차 시간 등)을 차감하는 형태로 설계되었으며, 서비스 완수율을 보장하기 위한 페널티와 충전 스케줄링을 유도하는 가중치를 포함한다.

학습 과정에서는 feasibility masking을 통해 시간창·배터리·용량 위반을 사전에 차단하고, 커리큘럼 러닝을 적용해 작은 인스턴스에서 시작해 점진적으로 규모를 확대한다. 실험에서는 두 가지 사례 연구를 수행했는데, 첫 번째는 기존 문헌에서 제공된 벤치마크(3050 요청)이며, 두 번째는 샌프란시스코 실제 도로 데이터를 기반으로 250 요청(500 노드)까지 확장한 대규모 인스턴스이다. 벤치마크에서는 최적해와 0.00.4% 차이의 GAP을 기록했으며, 정확법 대비 20배~7,000배 빠른 연산 속도를 보였다. 대규모 실험에서는 ALNS 대비 9.5% 높은 목표 함수를 달성하고, 추론 시간은 10초 이하로 실시간 적용 가능성을 입증했다.

또한 배터리 용량, 차량 대수, 라이드쉐어링 탑승 인원, 보상 가중치 등에 대한 민감도 분석을 수행해, 배터리 용량이 10% 증가할 때 수익이 6~15% 상승하고, 적절한 서비스 완수 인센티브가 없으면 서비스 커버리지가 급감함을 확인했다. 마지막으로, 결정론적 정책을 확률적 환경(요청 도착 변동, 교통 상황 변동)에 적용했을 때도 10% 수준의 불확실성 하에서 성능 저하가 미미함을 보여, 정책의 일반화 및 견고함을 검증하였다.

이러한 결과는 비대칭·비유클리드 비용을 직접 다루는 엣지 기반 GNN과 강화학습이 전기 차량 라우팅 문제에 효과적으로 적용될 수 있음을 증명하며, 실시간·대규모 전기 모빌리티 운영에 실용적인 솔루션을 제공한다.