공정한 대중교통 정류장 배치 클러스터링 관점과 새로운 알고리즘

초록

본 논문은 일반 메트릭 공간에서 대중교통 정류장 배치 문제(TrSP)를 정의하고, 공정성 기준으로 정당한 대표성(JR)과 코어 안정성을 연구한다. 기존의 라인 모델을 넘어 클러스터링 이론과 연결시켜, 비례 공정성(PF) 알고리즘을 활용한 근사 해와 새로운 Expanding Cost Algorithm(ECA), 그리고 λ‑Hybrid 알고리즘을 제안한다. 주요 결과로 JR에 대한 2.414‑근사 상한과 코어에 대한 (2, 1+√2)‑근사 하한을 제공하며, 실험을 통해 실제 카풀 데이터에 적용 가능함을 보인다.

상세 분석

논문은 먼저 TrSP 모델을 두 개의 메트릭 (d, d′)을 이용해 보행 비용과 대중교통 비용을 분리한다. 각 에이전트 i는 출발점 a_i와 목적지 b_i를 가지고, 선택된 정류장 집합 Y⊆C에 대해 직접 보행하거나 a_i→y₁→y₂→b_i 순으로 이동하는 두 가지 옵션 중 최소 비용을 선택한다. 공정성은 두 축, 즉 정당한 대표성(JR)과 코어 안정성으로 정의된다. JR은 β‑JR 형태로 근사화되며, 모든 규모가 충분히 큰 그룹이 현재 배치보다 β배 이상 이득을 얻을 수 없도록 요구한다. 코어는 (α, β)‑코어 형태로 이중 근사화되는데, 여기서 α는 그룹 크기 요구를, β는 비용 개선 비율을 조정한다.

핵심 기여는 클러스터링과 TrSP 사이의 구조적 대응을 밝혀낸 점이다. 특히, 전이 비용이 무시될 때(즉, d′≈d) TrSP를 전형적인 센트로이드 클러스터링 문제로 환원할 수 있다. 이때 ρ‑Proportional Fairness(PF)를 만족하는 클러스터링 알고리즘이 (2, ρ)‑코어 해를 제공한다는 정리를 증명한다. Greedy Capture(GC) 알고리즘은 1+√2 PF를 달성하므로, GC‑TrSP는 (2, 1+√2) 코어와 (2+√5)≈4.24‑JR 근사를 보장한다.

반대로, TrSP에서 β‑JR 알고리즘이 존재한다면 원래 클러스터링 인스턴스에 2β‑PF 해를 얻을 수 있음을 보여, 일반 메트릭에서는 JR 해 자체가 존재하지 않을 수도 있음을 증명한다. 구체적으로, JR을 1.366‑근사 이하로 달성하는 것이 불가능하고, 클러스터링 기반 접근법은 3‑JR보다 더 나은 보장을 제공하지 못한다는 하한을 제시한다.

이 한계를 극복하기 위해 논문은 Expanding Cost Algorithm(ECA)를 제안한다. ECA는 정류장 쌍을 동시에 고려하며, 각 에이전트의 실제 비용을 직접 최적화한다. ECA는 모든 메트릭에서 (1+√2)≈2.41‑JR 근사를 달성하고, 이 비율은 증명에 의해 최적임을 보인다. 그러나 ECA는 코어 보장을 제공하지 못한다.

두 알고리즘의 장단점을 보완하기 위해 λ‑Hybrid 알고리즘을 설계한다. 파라미터 λ≥0에 따라 정류장 단일 선택(GC)과 쌍 선택(ECA) 사이를 가중 평균한다. 분석 결과 λ‑Hybrid은 λ+3+√(λ²+10λ+9) / 2‑JR와 (2, √(λ²+6λ+1)+λ+1 / 2λ)‑코어 근사를 동시에 제공한다. λ를 조정함으로써 연구자는 JR과 코어 사이의 트레이드오프를 자유롭게 선택할 수 있다.

마지막으로, 논문은 작은 규모의 카풀 데이터셋을 이용해 실험을 수행한다. 실험은 GC‑TrSP, ECA, λ‑Hybrid 각각이 JR 및 코어 지표에서 어떻게 성능 차이를 보이는지 정량화한다. 결과는 λ‑Hybrid이 λ 값에 따라 두 지표를 균형 있게 조절할 수 있음을 확인한다. 또한, TrSP의 비용 최소화 문제가 일반 메트릭에서 NP‑hard임을 증명하여, 근사 알고리즘의 필요성을 이론적으로 뒷받침한다.

전반적으로 이 연구는 공정한 대중교통 인프라 설계에 클러스터링 이론을 성공적으로 적용하고, 기존 라인 전용 모델을 넘어 일반 메트릭에서도 실용적인 알고리즘을 제공한다는 점에서 의의가 크다.