돌발 상황 기반 시공간 교통 예측 : 4채널 하이브리드 그래프와 K-hop 사건 전파 기반 = Incident-Aware Traffic with 4-Channel Hybrid Adjacency and K-hop Event Propagation

국문 초록 (Abstract)

도시 교통망에서 돌발 상황(사고, 공사, 행사, 기상 등)은 짧은 시간에 비정상적인 혼잡 패턴을 유발하며, 주변 도로의 교통 흐름에도 연쇄적인 영향을 미친다. 그러나 기존 교통 예측 모델들은 주로 정상 상태의 패턴 학습에 초점을 맞추어, 돌발 발생 후의 우회 경로 선택 및 혼잡 확산 패턴을 명시적으로 반영하지 못하는 한계를 가진다.
본 연구는 이러한 한계를 해결하기 위해 그래프 어텐션 네트워크(GAT) 기반의 시공간 교통 예측 모델을 제안한다. 제안 모델은 (1) 도로 방향성과 거리 기반 연결성을 통합한 4채널 하이브리드 인접행렬, (2) 돌발 영향 범위를 명시적으로 확산시키는 K-hop 사건 전파 메커니즘, (3) 데이터로부터 비국소적 의존성을 학습하는 자기적응 인접행렬(Adaptive adjacency) 을 핵심 구성요소로 갖는다.
서울시 강남구 실제 ITS(속도) 및 UTIC(돌발) 데이터를 활용한 실험 결과, 제안 모델은 기존 모델 대비 우수한 예측 성능을 보였다. 특히 ablation study를 통해 돌발 채널의 단순 추가는 오히려 성능을 저하시키나, K-hop 전파를 적용하면 유의미한 개선이 나타남을 확인하였다. 이는 돌발의 공간적 영향 범위를 명시적으로 모델링하는 것이 우회 패턴 학습의 핵심임을 시사한다.

다국어 초록 (Multilingual Abstract)

In urban road networks, non-recurrent traffic incidents such as crashes, road works, events, and adverse weather cause abnormal congestion patterns within a short period of time and induce cascading effects on traffic flow in surrounding links. However, most existing traffic prediction models primarily focus on learning regular-state patterns and thus fail to explicitly represent post-incident detour route choices and the propagation of congestion.
To address this limitation, this study proposes a spatio-temporal traffic prediction model based on Graph Attention Networks (GAT). The proposed model has three key components: (1) a four-channel hybrid adjacency matrix, (2) a K-hop incident propagation mechanism that explicitly diffuses the spatial impact range of incidents, (3) an adaptive adjacency module that learns non-local dependencies directly from data.
Experiments using real-world ITS(speed) and UTIC(incident) data from the Gangnam district of Seoul demonstrate that the proposed model achieves superior prediction performance compared to existing models. In particular, the ablation study shows that simply adding an incident channel to the input degrades performance, whereas applying K-hop propagation yields significant improvements. These findings suggest that explicitly modeling the spatial extent of incident impacts is crucial for learning detour patterns.

목차 (Table of Contents)

• 1.서론 1
• 1.1.연구 배경 및 동기 1
• 1.2.기존 연구의 한계 3
• 1.3.제안 방법 5
• 1.4.연구 기여 6
• 2.관련 연구 8
• 2.1.교통 속도 예측 8
• 2.2.교통 속도 예측을 위한 그래프 신경망 9
• 2.2.1.공간 그래프 모델 11
• 2.2.2.시간 그래프 모델 12
• 2.2.3.시공간 그래프 신경망 13
• 2.3.돌발 상황 인지 예측 및 경로 안내 14
• 3.제안 방법 15
• 3.1.개요 15
• 3.2.4채널 하이브리드 인접행렬 17
• 3.3.K-hop 이벤트 전파 21
• 3.4.모델 구조 23
• 3.4.1.공간 모듈 24
• 3.4.2.시간 모듈 25
• 3.4.3.ST-Block 및 출력층 26
• 4.실험 27
• 4.1.데이터셋 27
• 4.2.데이터 전처리 29
• 4.3.실험 환경 30
• 4.4.평가 지표 32
• 4.5.Ablation Study 설계 33
• 5.결과 34
• 5.1.전체 성능 34
• 5.2.Ablation Study 성능 35
• 5.3.돌발 상황 분석 36
• 5.4.논의 37
• 6.결론 38
• 참고문헌 40
• Abstract 44