적응형 메타 학습기로 구현하는 견고한 버스 도착 시간 예측 시스템
Beyond the Graph: An Adaptive Meta-Learner Fuses Explainability, Weather, and Dynamics for Robust Bus ETA Prediction
arXiv버스 도착 시간 예측의 어려움을 해결하기 위해, 적응형 하이브리드 앙상블 프레임워크 'HYB(nm)'이 제안되었습니다.
- 과거 패턴, 기상 정보, 실시간 그래프 등 다섯 가지 전문 모델을 결합하여 예측의 정확도와 견고성을 극대화합니다.
- 운송 기관은 이 기술을 통해 경제적인 단일 모델부터 고성능 맞춤형 시스템까지 유연하게 도입하여 도시 교통 효율성을 높일 수 있습니다.
- 기존 모델의 한계를 넘어선 강력한 예측 성능을 입증했으며, 다양한 운영 환경에서도 안정적인 ETA 예측이 가능합니다.
정확한 버스 예상 도착 시간(ETA) 예측은 도시 이동성, 승객 만족도 및 대중교통 효율성에 필수적이지만, 기존 모델들은 비선형 시공간 역학, 데이터 희소성, 기상 조건 등 다양한 요인에 취약합니다. 본 논문에서는 적응형 하이브리드 앙상블 프레임워크인 HYB(nm)을 제안했습니다. 이 프레임워크는 실시간 상황에 맞춰 다섯 가지 보완적인 모델들을 동적으로 결합하여 예측의 견고성을 높이는 것을 목표로 합니다.
HYB(nm)은 역사적 기준선(MST-AV), 주기적 시간 패턴 분석(GDRN-DFT), 비선형 역학을 위한 Koopman 신경 연산자(KOOP-NET), 기상 정보가 통합된 특징 공학 신경망(FENN), 그리고 실시간 그래프 컨볼루션 네트워크(MGCN) 등 다섯 가지 전문 모델의 강점을 결합합니다. 이 메타 학습기는 각 구성 요소의 장점, 예를 들어 MST-AV의 낮은 지연 시간 설명 가능성이나 FENN의 기상 복원력 등을 활용하여 예측 성능을 극대화합니다.
본 프레임워크는 4,000회 이상의 여정이 포함된 콜카타 버스 노선 데이터를 기반으로 평가되었으며, 기존 선도적인 그래프 신경망에 필적하는 최신 정확도를 보여주었습니다. 또한 HYB(k) 아키텍처는 운송 기관이 경제적인 단일 모델부터 맞춤형 고정밀 하이브리드까지 유연하게 활용할 수 있도록 설계되어 예측 및 공평한 도시 교통 발전에 기여합니다.