다중에이전트 강화학습 기반 모빌리티 협력 운영 최적화 시뮬레이터 개발 = Development of a Multi-Agent Reinforcement Learning-Based Simulator for Cooperative Mobility Operation Optimization

국문 초록 (Abstract)

본 硏究는 다중에이전트 강화학습과 다수단 이용자 균형 시뮬레이션을 결합한 모빌리티 운영자들의 협력적 운영 최적화 연구이다. 본 연구는 현대 도시의 교통 혼잡과 환경 문제를 해결하기 위한 방안 으로 서비스형 모빌리티(MaaS)가 대두되는 상황에서, 신규 모빌리티 서 비스의 비협력적 도입이 초래할 수 있는 부정적 파급 효과에 주목하였 다. 선행연구에 따르면, 개별 운영 주체가 자신의 이익만을 위해 경쟁적 으로 서비스를 공급할 경우, 도로 용량 초과로 인한 혼잡 가중(리바운드 효과)이나 기존 대중교통 수요 잠식(카니발리제이션)과 같은 ‘공유지의 비극’이 발생할 수 있다. 실제로 본 연구의 비협력 시나리오(S2) 분석 결과, 신규 교통 서비스 공급에 따라 시스템 총 통행시간이 오히려 증가 하고 버스 분담률이 급감하는 임계점이 확인되었다. 이러한 문제를 해결하기 위해 본 연구는 생성형 AI를 활용한 데이터 구축과 다수단 이용자 균형(MUE) 시뮬레이션, 그리고 다중에이전트 강 화학습(MARL)을 결합한 통합 프레임워크를 제안하여 협력적 도입의 효 과를 분석하다. 5개의 운영 주체(버스, DRT, PM, 택시, 규제자)를 인공 지능 에이전트로 정의하고, 이들이 상호작용하며 시스템 전체의 최적 정 책을 학습하도록 설계하였습니다 . 특히 강화학습 과정에서 에이전트들이 추구해야 할 목표로 효율성(총 통행시간), 지속가능성(탄소 배출량), 공공성(대중교통 분담률)의 3대 핵 심 성과지표를 선정하여 보상 함수를 구성하였다 . 이때, 특정 목표에 편향된 결과가 도출되는 것을 방지하기 위해 각 지표에 대한 가중치 합 을 고정하고, 격자 탐색(Grid Search) 방식을 통해 다양한 가중치 조합 을 실험함으로써 균형 잡힌 파레토 최적해를 도출하고자 하였다. 연구 결과, MARL 기반의 협력적 최적화 시나리오(S3)는 비협력 시나 리오 대비 효율성은 6.3%, 지속가능성은 9.7% 개선되었으며, 버스 분담 률은 11.28%p 회복되는 성과를 거두었다. 이는 AI 에이전트가 DRT를 버스의 보완재로 재정의하고 규제 정책을 병행하는 고차원적인 전략을 통해, 협력적 도입이 비협력적 방식 대비 실질적인 시스템 개선 가능성 이 있음을 정량적으로 입증하였다.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1.1 연구의 배경 및 필요성 1
• 1.2 연구질문 3
• 1.3 연구의 목적 및 내용 4
• 1.4 연구의 범위 및 방법 5
• 1.5 연구의 차별성 및 기대효과 5
• 1.6 논문의 구성 6
• Ⅱ. 이론적 고찰 및 선행연구 검토 7
• 2.1 교통망 분석 패러다임의 진화 7
• 2.2 모빌리티 서비스 운영 연구 16
• 2.3 인공지능 기반 교통 최적화 연구 23
• 2.4 선행연구의 한계 및 본 연구의 차별성 35
• Ⅲ. 연구 방법론 44
• 3.1 연구의 흐름 44
• 3.2 데이터 구축 및 분석 공간 설정 46
• 3.3 동적 시뮬레이션 환경 구축 50
• 3.4 다중에이전트(MARL) 기반 정책 최적화 모델링 63
• 3.5 시나리오 설정 및 성과지표(KPI) 정의 81
• Ⅳ. 분석 결과 83
• 4.1 기초 데이터 및 네트워크 분석 결과 83
• 4.2 비협력 시나리오(S2) 분석결과 97
• 4.3 MARL 기반 협력적 최적화 분석 결과 101
• 4.4 시나리오별 최종 성과 비교 및 정책 효과 113
• Ⅴ. 결론 및 향후 과제 115
• 5.1 연구 결과의 요약 및 학술적 시사점 115
• 5.2 정책적 제언 및 실무적 활용 방안 116
• 5.3 연구의 한계 및 향후 연구 방향 118