그래프 머신러닝 도로 교통 데이터의 결측을 보완하는 방법
실시간으로 차량 속도를 예측해 도로 정체를 줄이고, 긴급 대응을 조율하며, 시민들의 이동 효율을 높이는 것은 도로 교통 제어에서 매우 중요한 목표입니다.
하지만 예측에 필요한 속도 데이터는 GPS 누락, 기기 오류, 통신 지연 등으로 자주 비게 됩니다.
도로의 일부 구간에선 속도 정보가 수집되지 않거나, 샘플 수가 너무 적어 신뢰할 수 없는 경우가 많습니다.
속도 정보가 빠진 도로, 예측할 수 없는 정체.
단순한 통계나 딥러닝 모델로는 이 문제를 풀기 어려울 때, 도로 구간 간 연결 구조, 즉 도로 네트워크 자체를 학습하는 방법이 유용할 수 있습니다.
그래프 머신러닝으로 교통 속도 예측에 필요한 부족한 데이터를 보완할 수 있는 연구[1]를 소개합니다.
도로 구간 간 연결 구조를 그래프로 구성하고 이를 학습하면,
데이터가 부족한 도로 구간의 속도도 예측할 수 있습니다.
배경
도로 교통 데이터의 누락과 희소성
기존의 LSTM, CNN 등 시계열 기반 교통 예측 모델은 충분한 양의 연속적 데이터가 전제 조건입니다.
하지만 실제 도로 데이터는 GPS 누락, 오류, 간헐적 수집 등으로 인해 시공간적으로 매우 희소(sparse)한 특성을 보입니다.
또한 도로 구간 간의 물리적 연결을 고려하지 않기 때문에, 근처 도로의 흐름이나 영향을 반영하기 어려울 수 있습니다.
주요 아이디어
결측치를 인접한 도로의 정보로 예측
여기에서는 도로 구간을 노드(개체), 그리고 구간 간 물리적 연결 관계를 링크(엣지, 연결)로 구성하였습니다. 그리고 교통 속도를 노드의 속성으로 정의합니다. 이를 기반으로 그래프 세이지(GraphSage)를 활용하여 누락된 속도 데이터를 예측하는 모델을 제안합니다.
그래프 세이지는 그래프 뉴럴 네트워크(그래프 신경망, GNN, Graph Neural Network) 알고리즘 중 하나로, 개별 노드의 속성뿐만 아니라, 연결된 이웃 노드의 정보와 관계 구조까지 함께 학습합니다.
특히 이 알고리즘은 핀터레스트(Pinterest)의 이미지 추천 시스템인 PinSage에 기반한 모델로, 도로 교통처럼 대규모 네트워크 데이터를 처리하는 데 적합하며, 새로운 노드에 대해서도 예측이 가능한 유연한 구조를 갖추고 있습니다.
즉, 이 연구는 특정 도로의 교통 속도는 그 도로와 직접 연결된 인접 구간의 속도에 영향을 받는다고 가정합니다. 예를 들어, 맨해튼-뉴저지 도로 구간 A의 속도는, 인접 구간인 맨해튼-브루클린 B의 속도 정보로부터 예측 가능하다는 방식입니다.
솔루션
1단계. 도로 구간 간 네트워크 구성
도로 구간은 '방향과 속성이 같은 도로의 한 조각'을 의미합니다.
예를 들어, 교차로 A에서 B로 가는 도로 구간을 Segment 1이라고 한다면, 반대로 B에서 A로 가는 도로 구간은 또 다른 노드인 Segment 2로 정의할 수 있습니다.
그리고 각 노드의 속성으로 GPS로 수집한 시간대별 도로 구간의 교통 속도를 추가합니다.
이 때, 실험을 위해 일부를 특정 시간대의 교통 속도를 삭제하여 결측치를 만듭니다.(현실적인 결측 상황 재현)
참고로 아래는 각 도로 구간의 교통 속도를 그림으로 나타낸 것입니다. 여기에서 '검은색' 부분은 GPS 기록이 없는 구간입니다.
2단계. 결측치 보완
앞에서 삭제했던 도로 구간의 '속도'를 예측 모델을 통해 복구합니다. 즉, 현실에서 GPS 결측치가 있을 때, 값을 예측하여 보완하는 단계를 재현한 것입니다.
이 연구에서는 비교를 위해 KNN, Autoencoder, 그래프 세이지 등 다양한 모델을 활용하는데, 그래프 세이지는 연결된 다른 도로 구간의 속도를 고려하여 해당 도로 구간의 속도를 예측합니다.
결론적으로, 그래프 세이지로 결측치를 복구했을 때 전반적으로 오차가 가장 낮았음을 확인하였습니다.
3단계. 시간대별 교통 속도 예측
마지막으로, 시간대별 교통 속도를 예측하는 모델을 구축합니다.
ARIMA, SVR, KNN 등 전통적인 예측 모델과 그래프 세이지 모델을 비교하였으며, 예측에 사용하는 입력 데이터로는 초기 GPS로 수집한 원본 데이터(Original Data)와 결측치를 복원한 데이터(Recovered Data) 두 가지를 각각 사용하여 성능을 비교했습니다.
즉, 이 연구는 단순히 다양한 예측 모델의 성능만 비교한 것이 아니라, "데이터 복원 전 vs 복원 후" 예측 정확도까지 함께 분석함으로써 그래프 기반 복원 및 예측 기법의 실질적인 효과를 정량적으로 검증하였습니다.
결론
그래프 머신러닝으로 GPS 데이터 결측을 해결
그래프 세이지 모델은 기존의 예측 모델들과 비교해 RMSE 기준 약 5~10%의 성능 향상을 보였으며, 이는 단순 시계열 기반 예측보다 도로 구간 간의 연결 구조를 함께 고려하는 그래프 기반 모델이 예측 정확도를 유의미하게 향상시킬 수 있음을 보여줍니다.
교통 속도 예측은 실시간성, 정확성이 중요한 분야이지만, 현실 데이터는 누락과 불완전성이 빈번합니다.
기존 모델은 이런 희소 데이터에 취약했지만, 도로 네트워크의 구조적 연결 관계를 활용해 데이터 결측 상황에도 예측 가능성을 확보했습니다.
그래프 머신러닝을 활용한 예측 모델은 신호가 부족한 도로 구간에도 의미 있는 예측을 제공하며, 교통 운영 효율을 높이고 사각지대를 줄이는 데 실질적인 효과를 보여줍니다.
이는 스마트시티나 ITS(Intelligent Transport Systems) 분야에서 그래프 기반 분석이 가치있게 적용될 수 있음을 시사합니다.
(주) 사이람
1660-4230 | netminer@cyram.com
References
[1] Liu, Jielun & Ong, Ghim & Chen, Xiqun. (2020). GraphSAGE-Based Traffic Speed Forecasting for Segment Network With Sparse Data. IEEE Transactions on Intelligent Transportation Systems. 1-12. 10.1109/TITS.2020.3026025.