강화학습 기반 교통 네트워크 제어·경로 안내 및 서비스 운영 최적화 연구

Reinforcement learning for network control, route guidance, and service operation optimization

연구 내용

디지털 트윈과 강화학습 기반 의사결정으로 교통 네트워크의 경로 안내와 운영 정책을 최적화하고 서비스 수요 불균형을 완화하는 연구

교통 네트워크 운영에서 경로 안내와 제어 전략을 실시간으로 도출하기 위해 강화학습과 최적화 모형을 결합하는 연구를 수행합니다. TMC가 SO 원칙에 맞춰 AV를 유도하되 사용자 비준수와 같은 동적 요인을 포함하도록 혼합-평형 개념을 구성하고, 다중 에이전트 강화학습으로 시스템 성능과 사용자 간 불균형을 분석합니다. 또한 DRT 운영에서는 승객 수용과 총 통행시간을 동시에 고려하는 MINLP를 구성하고, 최대 지연률 기반의 수용 기준을 포함해 운행 파라미터의 파레토 해를 도출합니다. 네트워크 제어의 실시간 평가를 위해 디지털 트윈과 데이터 생성 기반의 강화학습 플랫폼을 구축합니다.

관련 프로젝트

7건

연구 흐름

초기 연구는 교통 운영에 필요한 실측 기반 입력을 확보하기 위해 스마트카드 데이터로 승객 O-D를 추정하고, 운행 수요와 이동 패턴을 추출하는 방법을 제안했습니다. 이후에는 경로 안내와 운영 의사결정을 강화학습 문제로 재구성하여, 사용자 비준수 상황에서도 네트워크 최적화를 달성할 수 있는 학습 프레임을 발전시켰습니다. 최근에는 링크 비용 학습의 확장성과 혼합 교통 교차로 제어, DRT 및 공유 모빌리티에서의 수요 불균형 완화까지 포함해 실시간 서비스 운영 정책으로 확장하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

SO 기반 네트워크 경로 안내
비준수 대응 교통 제어
DRT 수용-지연 최적화
스마트카드 기반 O-D 추정
실시간 링크 비용 학습
혼합교통 우선제어 정책
수요 불균형 완화 인센티브 설계
디지털 트윈 운영평가
교통정보 음영구간 생성
운영 파라미터 파레토 탐색