매크로마이크로 교차 주의 변환기 기반 교통 속도 예측

초록

**
본 논문은 연결 차량(CV) 데이터를 활용해 미시 운전 행동 특성을 매크로 교통 흐름과 결합한 MMCAformer 모델을 제안한다. 매크로 흐름은 자체 어텐션으로, 매크로와 미시 특성 간 상호작용은 교차 어텐션으로 학습한다. Student‑t NLL 손실을 통해 점별 속도와 예측 불확실성을 동시에 제공한다. 플로리다 4개 고속도로 실험에서 기존 베이스라인 대비 RMSE·MAE·MAPE를 각각 9.0%, 6.9%, 10.2% 개선하고, 예측 구간 폭을 10–24% 감소시켰다. 특히 급제동·급가속 빈도가 가장 영향력 있는 특징으로 확인되었다.

**

상세 분석

**
MMCAformer는 기존 교통 속도 예측 모델이 매크로 수준(구간 평균 속도·볼륨)만을 이용해 온다는 한계를 극복하기 위해, 연결 차량(CV)으로부터 추출한 미시 운전 행동(속도 변동성, 급가속·급제동 빈도 등)을 동시에 입력한다. 모델 구조는 크게 두 단계의 어텐션 메커니즘으로 이루어진다. 첫 번째 단계는 매크로 특성 전용 self‑attention 블록으로, 시간·공간적 상관관계를 고차원적으로 포착한다. 두 번째 단계는 macro‑micro cross‑attention 블록으로, 매크로 토큰을 쿼리(query)로, 미시 토큰을 키(key)·밸류(value)로 사용해 두 특성 간의 상호작용을 학습한다. 이 설계는 미시 행동이 매크로 교통 상태에 미치는 영향(예: 혼잡 시 급제동 증가)과 반대로 매크로 상태가 미시 행동을 억제하거나 촉진하는 양방향 관계를 효과적으로 모델링한다.

손실 함수로는 Student‑t 분포 기반 negative log‑likelihood(NLL)를 채택하였다. 이는 일반적인 MSE 손실보다 heavy‑tail 오류에 강인하며, 예측값과 함께 스케일 파라미터(σ)와 자유도(ν)를 학습해 예측 구간을 직접 제공한다. 따라서 모델은 점별 속도 예측뿐 아니라 불확실성 추정도 동시에 수행한다.

데이터 측면에서 저자는 플로리다 주 4개 고속도로(총 565 구간)에서 2024년 110월 사이에 수집된 CV 트래젝터리를 활용했다. CV 침투율은 45% 수준으로, 실제 도로 상황을 충분히 반영한다. 매크로 특성은 구간 평균 속도와 CV 볼륨, 미시 특성은 속도 변동성(CV_SV)과 급가속·급제동을 각각 경량·중간·고강도로 구분한 6개의 빈도(총 7개 미시 변수)로 정의하였다. 모든 특성은 5분 간격으로 집계돼 시계열 입력으로 사용된다.

실험에서는 기존 ST‑Transformer, Graph‑WaveNet, ASTGCN 등 최신 베이스라인과 비교했으며, 평가 지표는 RMSE, MAE, MAPE와 예측 구간 평균 길이(MPI)이다. 매크로만 사용한 모델 대비 MMCAformer는 전반적인 정확도에서 9%~10% 정도 개선했으며, 특히 혼잡 구간(평균 속도 < 60 km/h)에서 성능 격차가 크게 나타났다. 불확실성 측면에서도 MPI가 10%~24% 감소해 보다 신뢰성 있는 예측이 가능함을 확인했다. 변수 중요도 분석(Attention 가중치 및 SHAP) 결과, 급제동·급가속 빈도가 가장 큰 영향을 미치는 것으로 나타났으며, 이는 교통 흐름이 급격히 변할 때 미시 행동이 주요 트리거임을 시사한다.

한계점으로는 CV 침투율이 아직 5% 수준에 머물러 전체 차량 흐름을 완전 대변하지 못한다는 점, 그리고 미시 행동을 3단계(경량·중간·고강도)로 이산화한 것이 연속적인 행동 강도를 충분히 표현하지 못할 가능성이 있다. 향후 연구에서는 CV 침투율이 높은 상황에서의 일반화 성능 검증과, 연속형 행동 강도 모델링, 그리고 교차 어텐션을 그래프 구조와 결합한 하이브리드 모델을 탐색할 여지가 있다.

**