보편적인 시계열 표현 학습은 어렵지만 분류, 이상 탐지, 예측과 같은 실제 응용 분야에서 그 가치는 크다. 최근에는 시계열 표현을 다루기 위해 대조 학습(contrastive learning, CL)이 활발히 연구되고 있다. 그러나 핵심 과제는 CL에서의 데이터 증강 과정이 계절성 패턴이나 시간적 의존성을 왜곡할 수 있으며, 이는 불가피하게 의미 정보의 손실로 이어진다는 점이다. 이러한 문제를 해결하기 위해 본 연구에서는 시계열을 위한 위상적 CL(TopoCL)을 제안한다. TopoCL은 변환에 대해 불변으로 남는 데이터의 위상학적 특성을 포착하는 지속적 동형성(persistent homology)을 통합함으로써 이러한 정보 손실을 완화한다. 본 논문에서는 시계열 데이터의 시간적 특성과 위상적 특성을 서로 다른 양식(modality)으로 간주한다. 구체적으로, 지속적 동형성을 계산하여 시계열 데이터의 위상학적 특징을 구성하고, 이를 지속성 다이어그램(persistence diagrams, PDs)으로 표현한다. 이어서 이러한 지속성 다이어그램을 인코딩하기 위한 신경망을 설계한다. 우리의 접근법은 시간 양식(time modality) 내의 CL과 시간-위상 대응(time-topology correspondence)을 함께 공동 최적화함으로써, 시계열의 시간적 의미와 위상적 특성을 모두 포괄적으로 이해하도록 촉진한다. 분류, 이상 탐지, 예측, 전이 학습의 네 가지 하위 작업에 대해 광범위한 실험을 수행하였다. 그 결과, TopoCL은 최첨단 성능을 달성함을 확인하였다.

최근 다수의 연구가 차량-모든-것(V2X) 간 통신을 활용하여 협력적 교통 시스템을 조사해 왔다. 그러나 통신 장애에 노출된 상태에서 여러 자율주행 차량을 동시에 배치할 경우, 다양한 자율주행 차량 사이에 이상적 조건의 충돌이 발생하여 도로상에서 적대적 상황이 초래될 수 있다. 한국에서는 2021년 3월과 11월에 각각 가상 및 실제 도시 환경에서 자율주행 다중 차량 경주가 개최되었다. 경주 중에는 다수의 차량이 동시에 참여하였으며, 이는 저속 차량 추월, 교차로 협상, 교통법규 준수와 같은 기동을 요구했다. 본 연구에서는 경쟁 주행 모델을 배치하기 위해 완전 자율주행 구동 소프트웨어 스택을 도입하였고, 이를 통해 도시 자율주행 다중 차량 경주에서 우승할 수 있었다. 우리는 내비게이션, 인지, 계획과 같은 모듈 기반 시스템을 실제 및 가상 환경에서 평가한다. 또한 통신을 통해 다중 차량의 위치 데이터를 수집한 후 교통 분석을 수행하여 다중 에이전트 자율주행 시나리오에 대한 추가 통찰을 얻는다. 마지막으로, 다중 자율주행 차량의 공간적 분포를 비교하기 위한 교통 분석 방법을 제안한다. 각 팀의 주행 로그 데이터 간 유사도 분포를 연구함으로써 경쟁적 자율주행이 교통 환경에 미치는 영향을 규명한다. 한국에서 도시 자율주행 다중 차량 경주 우승으로 입증된 본 완전 자율주행 소프트웨어 아키텍처는 도시 로봇 택시에의 배치를 위한 준비가 완료되었다. 본 연구의 교통 분석은 다중 에이전트 시나리오를 다루고, 스마트시티 통합과 복잡한 도시 환경에서의 자율주행차 성능 최적화에 핵심적인 로봇 택시 기업 간의 경쟁적 충돌을 해소한다.

교통 네트워크에서 나타나는 복잡한 시공간 상관관계는 교통 예측 문제를 어렵게 만든다. 교통 시스템은 본질적으로 그래프 구조를 가지므로, 많은 연구가 그래프 신경망에 주목해 왔다. 최근에는 단일한 정적 그래프 구조에 의존하는 모델보다, 데이터에 적응하는 적응형 그래프를 구성하는 접근이 유망한 결과를 보였다. 그러나 이러한 그래프 적응은 학습 단계에서만 적용되며, 테스트 단계에서 사용되는 데이터까지 반영하지 못한다. 이러한 한계는 교통 예측에서 특히 문제가 될 수 있는데, 교통 데이터는 시간 시계열에서 예기치 않은 변화와 불규칙성을 겪는 경우가 흔하기 때문이다. 본 연구에서는 Progressive Graph Convolutional Network (PGCN)이라 불리는 새로운 교통 예측 프레임워크를 제안한다. PGCN은 학습 및 테스트 단계에서 온라인 입력 데이터에 점진적으로 적응함으로써 그래프들의 집합을 구성한다. 구체적으로, 우리는 그래프 노드 간의 추세 유사성을 학습하여 점진적 인접 행렬을 구성하도록 모델을 구현하였다. 이후 이 모델을 팽창(dilated)된 인과적 컨볼루션(dilated causal convolution)과 게이팅된 활성화 유닛(gated activation unit)과 결합하여 시간적 특징을 추출한다. 잔차(residual) 및 스킵(skip) 연결을 통해 PGCN은 교통 예측을 수행한다. 다양한 기하학적 특성을 지닌 7개의 실제 교통 데이터셋에 적용한 결과, 제안된 모델은 모든 데이터셋에서 일관된 성능으로 최첨단(state-of-the-art) 수준을 달성하였다. 결론적으로, PGCN이 입력 데이터에 점진적으로 적응하는 능력은 견고성을 바탕으로 서로 다른 연구 현장에서도 모델의 일반화를 가능하게 한다.

보편적인 시계열 표현 학습은 어렵지만 분류, 이상 탐지, 예측과 같은 실제 응용 분야에서 그 가치는 크다. 최근에는 시계열 표현을 다루기 위해 대조 학습(contrastive learning, CL)이 활발히 연구되고 있다. 그러나 핵심 과제는 CL에서의 데이터 증강 과정이 계절성 패턴이나 시간적 의존성을 왜곡할 수 있으며, 이는 불가피하게 의미 정보의 손실로 이어진다는 점이다. 이러한 문제를 해결하기 위해 본 연구에서는 시계열을 위한 위상적 CL(TopoCL)을 제안한다. TopoCL은 변환에 대해 불변으로 남는 데이터의 위상학적 특성을 포착하는 지속적 동형성(persistent homology)을 통합함으로써 이러한 정보 손실을 완화한다. 본 논문에서는 시계열 데이터의 시간적 특성과 위상적 특성을 서로 다른 양식(modality)으로 간주한다. 구체적으로, 지속적 동형성을 계산하여 시계열 데이터의 위상학적 특징을 구성하고, 이를 지속성 다이어그램(persistence diagrams, PDs)으로 표현한다. 이어서 이러한 지속성 다이어그램을 인코딩하기 위한 신경망을 설계한다. 우리의 접근법은 시간 양식(time modality) 내의 CL과 시간-위상 대응(time-topology correspondence)을 함께 공동 최적화함으로써, 시계열의 시간적 의미와 위상적 특성을 모두 포괄적으로 이해하도록 촉진한다. 분류, 이상 탐지, 예측, 전이 학습의 네 가지 하위 작업에 대해 광범위한 실험을 수행하였다. 그 결과, TopoCL은 최첨단 성능을 달성함을 확인하였다.

최근 다수의 연구가 차량-모든-것(V2X) 간 통신을 활용하여 협력적 교통 시스템을 조사해 왔다. 그러나 통신 장애에 노출된 상태에서 여러 자율주행 차량을 동시에 배치할 경우, 다양한 자율주행 차량 사이에 이상적 조건의 충돌이 발생하여 도로상에서 적대적 상황이 초래될 수 있다. 한국에서는 2021년 3월과 11월에 각각 가상 및 실제 도시 환경에서 자율주행 다중 차량 경주가 개최되었다. 경주 중에는 다수의 차량이 동시에 참여하였으며, 이는 저속 차량 추월, 교차로 협상, 교통법규 준수와 같은 기동을 요구했다. 본 연구에서는 경쟁 주행 모델을 배치하기 위해 완전 자율주행 구동 소프트웨어 스택을 도입하였고, 이를 통해 도시 자율주행 다중 차량 경주에서 우승할 수 있었다. 우리는 내비게이션, 인지, 계획과 같은 모듈 기반 시스템을 실제 및 가상 환경에서 평가한다. 또한 통신을 통해 다중 차량의 위치 데이터를 수집한 후 교통 분석을 수행하여 다중 에이전트 자율주행 시나리오에 대한 추가 통찰을 얻는다. 마지막으로, 다중 자율주행 차량의 공간적 분포를 비교하기 위한 교통 분석 방법을 제안한다. 각 팀의 주행 로그 데이터 간 유사도 분포를 연구함으로써 경쟁적 자율주행이 교통 환경에 미치는 영향을 규명한다. 한국에서 도시 자율주행 다중 차량 경주 우승으로 입증된 본 완전 자율주행 소프트웨어 아키텍처는 도시 로봇 택시에의 배치를 위한 준비가 완료되었다. 본 연구의 교통 분석은 다중 에이전트 시나리오를 다루고, 스마트시티 통합과 복잡한 도시 환경에서의 자율주행차 성능 최적화에 핵심적인 로봇 택시 기업 간의 경쟁적 충돌을 해소한다.

교통 네트워크에서 나타나는 복잡한 시공간 상관관계는 교통 예측 문제를 어렵게 만든다. 교통 시스템은 본질적으로 그래프 구조를 가지므로, 많은 연구가 그래프 신경망에 주목해 왔다. 최근에는 단일한 정적 그래프 구조에 의존하는 모델보다, 데이터에 적응하는 적응형 그래프를 구성하는 접근이 유망한 결과를 보였다. 그러나 이러한 그래프 적응은 학습 단계에서만 적용되며, 테스트 단계에서 사용되는 데이터까지 반영하지 못한다. 이러한 한계는 교통 예측에서 특히 문제가 될 수 있는데, 교통 데이터는 시간 시계열에서 예기치 않은 변화와 불규칙성을 겪는 경우가 흔하기 때문이다. 본 연구에서는 Progressive Graph Convolutional Network (PGCN)이라 불리는 새로운 교통 예측 프레임워크를 제안한다. PGCN은 학습 및 테스트 단계에서 온라인 입력 데이터에 점진적으로 적응함으로써 그래프들의 집합을 구성한다. 구체적으로, 우리는 그래프 노드 간의 추세 유사성을 학습하여 점진적 인접 행렬을 구성하도록 모델을 구현하였다. 이후 이 모델을 팽창(dilated)된 인과적 컨볼루션(dilated causal convolution)과 게이팅된 활성화 유닛(gated activation unit)과 결합하여 시간적 특징을 추출한다. 잔차(residual) 및 스킵(skip) 연결을 통해 PGCN은 교통 예측을 수행한다. 다양한 기하학적 특성을 지닌 7개의 실제 교통 데이터셋에 적용한 결과, 제안된 모델은 모든 데이터셋에서 일관된 성능으로 최첨단(state-of-the-art) 수준을 달성하였다. 결론적으로, PGCN이 입력 데이터에 점진적으로 적응하는 능력은 견고성을 바탕으로 서로 다른 연구 현장에서도 모델의 일반화를 가능하게 한다.

최근 도시 지역의 효과적인 표현을 학습하는 방법은 도시 역학을 이해하고 더 스마트한 도시를 발전시키는 핵심 접근으로서 상당한 주목을 받고 있다. 기존 접근들은 이동성(mobility) 데이터를 활용해 잠재 표현을 생성할 수 있는 가능성을 보여주었으며, 도시 지역의 내재적 특성에 대한 유의미한 통찰을 제공한다. 그러나 인간의 이동 패턴에 내재된 시간적 역학과 상세한 의미(semantics)를 통합하는 문제는 아직 충분히 탐구되지 않았다. 이러한 공백을 해소하기 위해, 우리는 도시 지역 표현 학습을 위한 새로운 모델인 Mobility Time Series Contrastive Learning for Urban Region Representations (MobiCLR)를 제안하며, 유입(inflow) 및 유출(outflow) 이동 패턴으로부터 의미적으로 타당한 임베딩(embedding)을 포착하도록 설계하였다. MobiCLR는 대조학습(contrastive learning)을 사용하여 표현의 변별력을 향상시키고, 인스턴스 단위의 대조 손실(instance-wise contrastive loss)을 적용함으로써 흐름(flow) 특이적 특징을 구별해 포착한다. 또한, 출력 특징을 이러한 흐름 특이적 표현과 정렬하도록 정규화 항(regularizer)을 개발하여, 이동성 역학에 대한 보다 포괄적인 이해를 가능하게 한다. 모델의 타당성을 검증하기 위해 시카고, 뉴욕, 워싱턴 D.C.에서 대규모 실험을 수행하여 소득(income), 교육 수준(educational attainment), 사회적 취약성(social vulnerability)을 예측한다. 그 결과, 본 모델은 최신(state-of-the-art) 모델들보다 성능이 우수함을 보여주었다.

본 연구는 기존 고속도로 인프라와의 연계를 통해 도시항공교통(Urban Air Mobility, UAM)을 통합하기 위한 고속도로-환승( highway-transfer ) Vertiport의 적합 입지(장소)를 식별하는 데 초점을 둔다. UAM은 전통적인 교통수단이 산업단지와 같은 교외의 고용 거점과의 연결에 종종 어려움을 겪는 서울수도권에서 교통 접근성을 향상시키기 위한 효과적인 해결책을 제공한다. 고속도로 시설에서 UAM과 지상교통을 통합함으로써, 교통 선택지가 제한된 지역에서 효율적인 연계(접속) 솔루션을 달성할 수 있다. Vertiport 적지 선정을 위한 본 제안 방법론은 지리정보, 기원지-목적지(Origin-Destination) 물동량, 이동시간과 같은 데이터를 활용한다. Vertiport 후보지는 입지의 바람직성, 통합 교통 접근성 및 교통 수요를 포함하는 기준에 따라 평가되고 선정된다. 이 방법론을 서울수도권에 적용한 결과, 148개의 후보지 중 56개의 적합 Vertiport 입지를 도출하였다. 제안된 방법론은 기존 교통 시스템과의 UAM 통합을 강화하면서 고속도로-환승 Vertiport 입지 선정을 위한 전략적 접근을 제공한다. 본 연구는 도시계획가와 정책결정자에게 유의미한 통찰을 제공하며, 향후 연구로 실시간 환경 데이터를 포함하고 Mobility-as-a-Service가 UAM 운영에 미치는 영향을 탐색할 것을 권고한다.

2020년 초부터 3년간, 코로나19(코로나바이러스감염증-19)의 대유행으로 인해 감염 확산을 막기 위한 사회적 거리두기 등 물리적 이동을 제한하는 정책이 시행되었다. 이는 많은 사람의 통행량 감소를 초래했으며, 도시 내 핵심적인 대중교통수단인 지하철 이용량도 큰 폭으로 감소시켰다. 하지만 팬데믹(Pandemic) 기간 중 이러한 감소 폭 및 패턴은 도시 내 전 지역에서 동일하게 나타나지 않으며, 유사한 패턴을 보이는 지역군을 식별한다면 회복력 있는 도시관리에 유용하게 활용될 수 있다. 이에 본 연구는 팬데믹 동안 서울 지하철 역별 이용량 감소 패턴을 동적 시간 왜곡(Dynamic Time Warping)과 응집형 계층적 군집화(Agglomerative Hierarchical Clustering)를 통해 분석하였다. 본 연구는 서울 지하철 이용자 수를 기준으로 코로나19 발생 시점(2020.01)부터 사회적 거리두기 전면 해제 이후의 시기(2023.04)까지 장기적인 관점에서, 분석 기간의 세부 단계를 정의하고, 그룹별, 단계별로 사람들의 이동성변화를 시간 단위 이용량 정보에 기반하여 시계열로 분석한다는 점에서 기존 연구들과의 차별성이 존재한다. 분석결과, 대부분의 역에서 2019년도 수준의 일상적인 이동성을 회복하지 못하였고, 이용자 수 규모가 상대적으로 적은 지하철 역 그룹이 이용자 수 규모가 큰 그룹보다 조기에 회복되었으며, 코로나19 유행 후반부로 갈수록 거리두기 정책과 비례하는 이용자 수 감소율의 변동 폭이 줄어들었다. 본 연구를 통해 향후 코로나19와 같은 유행병이나 충격이 발생할 경우, 지역별 필요에 부합하는 정책 지원에 활용될 수 있을 것으로 기대하며, 정책 적용을 위한 지하철 역의 우선순위를 선정함으로써 한정된 자원을 효율적으로 활용할 수 있을 것으로 기대한다.