데이터 기반 일반화 주변 제어: 취리히 사례 연구

본 논문은 도시 교통 혼잡을 완화하기 위한 새로운 데이터‑기반 제어 프레임워크를 제시한다. 기존의 모델 기반 교통 신호 제어는 대규모 도시 네트워크를 정확히 모델링하는 데 높은 비용과 시간이 소요되며, 모델링 오류가 제어 성능에 직접적인 영향을 미친다. 반면, 머신러닝 기반 접근법은 대량의 시뮬레이션 데이터가 필요하거나, 데이터가 희소할 경우 학습이 어려워 실제 적용에 한계가 있다. 이러한 문제점을 해결하고자 저자들은 행동 시스템 이론을 기반으로 교통 시스템의 ‘행동(behavior)’을 직접 데이터에서 추출한다. 먼저, 도시를 p개의 동질적인 영역으로 분할한다. 각 영역은 평균 교통 밀도(veh/km)와 흐름(veh/h)을 측정하는 Eulerian 센서(또는 Lagrangian 센서) 데이터를 통해 정의된다. 센서 데이터는 영역별 평균값으로 집계되어 ρ(t)와 φ(t) 벡터를 형성한다. 교통 수요 d(t)는 외부 입력으로 가정하고, OD(Origin‑Destination) 매트릭스로 표현한다. 행동 기반 모델링 단계에서는 과거 입력(신호 제어)와 출력(밀도·흐름) 데이터를 Hankel 행렬 형태로 정리한다. 이 행렬은 시스템의 모든 가능한 궤적을 포괄하며, DeePC 알고리즘은 이 행렬을 이용해 미래 출력 예측과 최적 입력 계산을 동시에 수행한다. 제어 목적은 지정된 참조 궤적(예: MFD 기반 목표 밀도)과 실제 출력 간의 오차를 최소화하는 것이며, 이는 2차계획 문제(QP)로 변환된다. 제안된 DeePC는 다음과 같은 특징을 가진다. (1) 명시적인 물리 모델이 필요 없으며, 데이터만으로 시스템을 기술한다. (2) 제어 입력에 대한 하드 제약(최소·최대 녹색 시간, 상호 간격 등)을 직접 포함시켜 실시간 안전성을 보장한다. (3) 선형 관계 가정(밀도와 신호 시간 간)을 검증하기 위해 고해상도 마이크로시뮬레이션을 수행한다. 시뮬레이션 환경은 SUMO 기반의 취리히 전역 마이크로시뮬레이션으로, 실제 교통량과 OD 패턴을 반영한다. 전체 네트워크는 수천 개의 교차로와 수만 대의 차량을 포함하며, 이는 현재 문헌에서 가장 큰 폐쇄‑루프 마이크로시뮬레이션 중 하나이다. 시뮬레이션은 24시간 동안 5분 간격으로 데이터를 수집하고, DeePC는 매 5분마다 새로운 최적 신호 계획을 계산한다. 실험 결과는 두 가지 주요 지표에서 기존 고정 주기 신호와 비교해 우수함을 보여준다. 첫째, 전체 여행 시간이 평균 12 % 감소했으며, 피크 시간대에서는 15 % 이상 감소했다. 둘째, 차량이 정체 구간에 머무는 시간이 줄어들어 CO₂ 배출량이 평균 9 % 감소하였다. 또한, 제어 정책이 교통 흐름에 미치는 영향을 시각화한 결과, 특정 지역에서의 밀도 균형이 빠르게 회복되는 것을 확인했다. 논문의 한계로는 수요 예측을 외부 입력으로 단순히 제공한다는 점, 급격한 사고·공사 등 비정상 상황에 대한 강인성 검증이 부족하다는 점을 들 수 있다. 향후 연구에서는 (i) 실시간 수요 예측 모델과 DeePC를 통합해 완전 자율 제어 루프를 구축하고, (ii) 비선형 행동 모델(예: 커널 기반, 딥 네트워크)로 확장해 복잡한 교통 현상을 포착하며, (iii) 다목적 최적화(에너지, 대기질, 소음 등)를 포함한 다목표 제어 프레임워크를 개발할 계획이다. 결론적으로, 이 연구는 행동 시스템 이론과 DeePC를 결합해 대규모 도시 교통 네트워크에 적용 가능한 실시간, 데이터‑기반 신호 제어 방법을 제시했으며, 고해상도 마이크로시뮬레이션을 통한 실증을 통해 여행 시간과 환경 영향을 동시에 개선할 수 있음을 입증하였다.