모빌리티젠: 딥 디퓨전 기반 인간 이동 행동 생성 모델

초록

MobilityGen은 개인의 일일 이동을 사건(event) 수준에서 다속성 시퀀스로 정의하고, 트랜스포머 기반 디퓨전 모델을 이용해 대규모 공간·시간 범위의 현실적인 이동 데이터를 합성한다. 위치, 시간, 지속시간, 이동수단 등 행동 속성을 환경 컨텍스트(좌표·POI·토지이용)와 결합해 스케일링 법칙, 모드·목적지 연계, 공간적 변동성을 재현한다.

상세 분석

본 논문은 인간 이동 행동을 “시간 순서대로 정렬된 사건(event) 시퀀스”라는 통합적 관점으로 재구성한 점이 가장 큰 혁신이다. 기존 모델은 위치 선택, 모드 선택, 시간 배분 등을 별도 모듈로 다루어 상호 의존성을 충분히 포착하지 못했지만, MobilityGen은 각 사건을 ⟨위치, 시작시간, 지속시간, 이동수단⟩이라는 4‑tuple 로 정의하고, 이를 동일한 잠재 임베딩 공간에 매핑한다.

기술적으로는 DDPM(denoising diffusion probabilistic model)을 이산 시퀀스에 적용하기 위해 임베딩‑디퓨전‑라운딩 파이프라인을 설계했다. 사건의 범주형 속성(위치 ID, 이동수단)은 학습 가능한 룩업 행렬로 연속형 임베딩에 변환하고, 시간·지속시간은 소형 피드포워드 네트워크로 인코딩한다. 이렇게 얻어진 임베딩은 트랜스포머 인코더를 통해 관측된 여행 궤적의 전역 컨텍스트(예: 주변 POI, 토지이용)와 결합되어 디퓨전 과정의 가이드 신호로 활용된다. 역전파 단계에서는 트랜스포머 디코더가 점진적으로 가우시안 노이즈를 제거하며 원본 임베딩을 복원하고, 최종 선형 헤드가 각 속성을 다시 이산 토큰으로 변환한다. 손실 함수는 (1) 연속형 임베딩 복원 MSE, (2) 라운딩 후 이산 토큰의 로그우도 손실을 가중합한 형태이며, 일관성(consistency) 손실을 통해 속성 간 상관관계를 강제한다.

실험에서는 스위스 전역 GNSS 스마트폰 설문 데이터를 활용해 500 × 500 m 격자와 POI 기반 컨텍스트를 구축하였다. MobilityGen은 (i) 방문 횟수의 파레토 법칙, (ii) 일일 활동 시간 배분, (iii) 모드와 목적지 선택의 공동 분포 등 기존 메카니즘 모델(EPR, Container)과 유사하거나 우수한 통계적 재현성을 보였으며, 특히 장시간(주 단위) 연속성을 유지하면서도 일일 변동성을 자연스럽게 생성한다.

강점으로는 (a) 다속성·다스케일 의존성을 하나의 확률 모델에 통합, (b) 디퓨전 기반 샘플링으로 다양하고 현실적인 시나리오 생성 가능, (c) 환경 컨텍스트를 직접 입력받아 도시 설계·교통 정책 시뮬레이션에 바로 활용 가능함을 들 수 있다. 반면 한계점은 (1) 학습에 대규모 고품질 GNSS·POI 데이터가 필요하고, 현재는 스위스 한 국가에 국한된 실험이라 전이 가능성 검증이 부족하다. (2) 디퓨전 모델의 샘플링 비용이 비교적 높아 실시간 교통 수요 예측에는 부적합할 수 있다. (3) 잠재 임베딩의 해석성이 낮아 정책 입안자가 “왜 특정 모드·목적지가 선택됐는가”를 직관적으로 파악하기 어렵다. 향후 연구에서는 (i) 다국가·다문화 데이터로 일반화 테스트, (ii) 경량화된 디퓨전 변형(예: DDIM) 도입으로 추론 속도 개선, (iii) 임베딩에 그래프 신경망을 결합해 공간 구조를 보다 명시적으로 모델링하는 방안을 제시한다.

전반적으로 MobilityGen은 인간 이동 행동을 언어 모델링 기법과 결합한 최초의 시도 중 하나이며, 복합적인 행동·환경 상호작용을 데이터‑드리븐 방식으로 포착한다는 점에서 교통·도시 계획, 사회적 노출·분리 연구 등에 새로운 도구를 제공한다.