사고 인식 적응형 변동 그래프와 변환기 기반 장기 교통 흐름 예측

본 논문은 장기(다시간대) 교통 흐름 예측을 위해 시간에 따라 변하는 공간 의존성을 정밀하게 모델링하고, 사고·기상·공사 등 비정규 외생 요인의 영향을 그래프 구조에 직접 반영하는 새로운 프레임워크를 제안한다. 연구 배경으로는 교통 네트워크가 지속적인 사고, 날씨 변화, 도로 공사 등으로 인해 급격히 변동하고, 이러한 변동성을 고려하지 않은 기존의 정적 그래프 기반 모델은 장기 예측 시 큰 오차와 불확실성 과소평가 문제를 보인다. 첫 번째 단계에서는 ODOT 교통량 데이터와 크래시 기록을 활용해 시간대별 변동계수(CV)를 추정한다. 각 시간대 h에 대해 CV(h)를 로그정규분포의 표준편차 비율로 사용해 여행시간 샘플을 생성하고, 이 샘플을 그래프의 엣지 가중치 A_ij(h)로 매핑한다. 이렇게 하면 24개의 시간 조건부 인접 행렬이 만들어지며, 피크 시간대에는 높은 CV로 인해 가중치 분산이 커지고, 비피크 시간대에는 낮은 CV로 안정적인 가중치를 제공한다. 두 번째 단계에서는 사고 데이터에서 추출한 5가지 위험 신호(사고 정리 시간, 기상 상황, 과속 위반, 작업 구역, 도로 기능 등)를 이용해 A_ij(h)를 추가 교정한다. 각 신호는 해당 엣지의 여행시간 샘플과 상관관계를 사전 분석해 가중치 조정에 사용되는 감쇠 커널에 입력된다. 이 과정은 특정 구간에서 발생한 사고가 주변 링크에 미치는 영향을 확률적으로 전파함으로써, 정점 간 연결 강도가 시간에 따라 동적으로 변하도록 만든다. 세 번째 단계에서는 이러한 동적 그래프를 입력으로 받아 스페이시오-템포럴 트랜스포머(STT) 모델을 학습한다. STT는 공간 어텐션과 시간 어텐션을 별도 모듈로 구성해, 각 시간대에 맞는 그래프를 통해 공간 메시지를 전달하고, 멀티-헤드 셀프 어텐션을 통해 장기 시퀀스(수십 시간) 정보를 병렬적으로 처리한다. 이 구조는 RNN 기반 모델이 겪는 오류 누적과 병렬 처리 한계를 극복하고, 장기 예측에 필요한 장거리 의존성을 효과적으로 포착한다. 불확실성 정량화는 적응형 컨포멀 예측(ACP) 기법을 그대로 적용한다. ACP는 검증 단계에서 잔차 분포를 이용해 예측 구간을 동적으로 보정하며, 샘플 수가 제한된 상황에서도 사후 커버리지를 이론적으로 보장한다. 따라서 모델이 제공하는 예측값과 함께 신뢰구간이 실제 관측값을 일정 비율(예: 90%) 포함한다는 통계적 신뢰성을 확보한다. 실험은 콜럼버스 도시 교통망을 SUMO 시뮬레이터로 재현하고, 다시간 루프 주행을 통해 차량(VUT)의 여행시간 분포를 Monte Carlo 방식으로 생성하였다. 시뮬레이션 결과는 INRIX 실측 데이터와 비교했으며, 제안 모델은 2시간, 4시간, 8시간, 12시간 예측에서 기존 GAT‑LSTM, DCRNN, STGCN 등 베이스라인 대비 평균 절대오차(MAE)와 평균 절대백분율오차(MAPE)를 각각 12%~18% 개선하였다. 또한, 예측 구간의 커버리지 비율은 목표 90% 수준에서 2~3% 오차 내에 수렴해, 기존 방법보다 훨씬 잘 보정된 불확실성 추정 능력을 보여준다. 핵심 기여는 다음과 같다. (1) 시간대별 CV 프로파일을 이용한 동적 로그정규 그래프 생성으로, 시간에 따라 변하는 교통 변동성을 정량화하였다. (2) 사고·기상·공사 등 외생 요인을 반영한 그래프 가중치 교정 메커니즘을 도입해, 비정규 사건이 공간 의존성에 미치는 영향을 그래프 수준에서 직접 모델링하였다. (3) STT와 ACP를 결합해 장기 예측 정확도와 신뢰구간 품질을 동시에 향상시켰다. 이 접근은 교통 관리기관이 장시간 운영 계획을 수립하거나, 자율주행 차량이 미래 교통 상황을 사전에 고려한 경로 선택을 할 때 실용적인 의사결정 지원 도구로 활용될 수 있다.