Generative AI in Transportation Planning: A Survey

교통 계획에서 생성형 AI 활용의 혁신적 가능성

생성형 인공지능(GenAI)은 교통 계획 분야에 혁신적인 변화를 가져오고 있다. 특히 대규모 언어 모델(Large Language Models, LLMs)은 다양한 이종 데이터 소스에서 통찰력을 통합하여 교통 연구와 실무를 발전시키는 필수적인 도구로 자리 잡고 있다. 애리조나 주립대학교와 텍사스 A&M 대학교ㄱ, 캔자스 대학교 등 다학제 연구팀은 교통 계획 분야에서 생성형 AI를 효과적으로 활용하기 위한 최초의 포괄적인 프레임워크를 제시했다.

교통 계획은 장기적인 사회적 목표를 다루면서 다양한 교통 시스템 전반에 걸쳐 사람과 물자의 이동을 관리하고 향상시키기 위한 전략을 개발하는 체계적인 과정이다. 이 과정은 효율성, 형평성 및 지속 가능성의 균형을 맞추기 위해 데이터 기반 방법론을 통합하여 이동성 시스템을 개선한다. 교통 계획은 수요 예측, 인프라 설계, 교통 관리 및 대중 참여와 같은 활동을 포함한다.

기존에는 전문가 주도의 프레임워크에 의존했으나, 이러한 방법들은 현대 교통 시스템의 증가하는 규모와 복잡성을 관리하는 데 어려움을 겪고 있다. 특히 다양한 데이터 소스 통합, 실시간 동적 대응, 적응형 솔루션 생성 측면에서 한계를 보인다. 또한 기술 중심 솔루션에 대한 공공 기관의 예산 제약과 기술적으로 강한 인재를 유지하는 능력도 도전 과제다.

생성형 AI는 토지 이용 패턴, 교통량 계산, 환경 지표 등의 데이터를 합성하여 다양한 조건에서 미래 인프라 수요를 예측함으로써 여행 수요 생성을 혁신했다. 교통 시뮬레이션이나 정책 감정 모델링과 같은 애플리케이션은 생성형 AI가 속도, 정확성 및 범위를 향상시켜 계획자가 자신감을 가지고 정보에 입각한 결정을 내릴 수 있도록 돕는 능력을 보여준다.

전문가 주도에서 자율 AI로: 교통 분야 AI 기술의 3단계 진화

교통 분야에서 인공지능의 발전은 전통적인 접근 방식에서 생성형 AI 방법론으로의 변환적 전환을 보여준다. 역사적으로 전통적인 교통 계획은 전문가 주도 프로세스에 크게 의존했다. 도메인 전문가들은 중심 역할을 맡아 설문 조사와 관찰을 통해 수동으로 데이터를 수집하고, 단순화된 가정에 기반한 정적 모델을 구축하고, 심리적 프레임워크와 반복적 테스트를 사용하여 계획을 검증했다. 이러한 방법은 복잡하거나 동적인 시스템을 처리하는 능력이 제한적이었다.

AI 지원 방법론의 도입은 중요한 도약을 이루었다. 예측 모델과 같은 기계 학습은 교통량, 날씨 데이터, 가구 여행 일지 조사 등의 구조화된 데이터셋을 보다 효율적으로 분석할 수 있게 했다. AI 지원 시스템은 혼잡 예측, 신호 최적화, 교통 우회와 같은 작업에 대한 예측과 최적화 제안을 제공했다. 그러나 이러한 시스템은 재교육, 매개변수 조정 및 검증을 위해 상당한 인간 개입이 필요했다.

최신 진화인 생성형 AI는 고도의 자율 시스템을 향한 패러다임 전환을 대표한다. 생성 모델은 실시간 센서 입력과 소셜 미디어나 일기 예보와 같은 외부 소스를 포함한 대규모, 세밀한 데이터셋을 활용한다. 이러한 모델은 솔루션을 자율적으로 생성하고, 교통 시나리오를 시뮬레이션하고, 각 작업에 대한 명시적 프로그래밍 없이 인프라 설계를 최적화한다. 그럼에도 불구하고 기존 전문 지식의 통합은 이러한 AI 시스템을 안내하는 데 중요한 역할을 계속하고 있다.

교통 분야에서 생성형 AI 모델은 교통 계획 및 관리를 위한 정교한 데이터 합성, 시뮬레이션 및 의사 결정 능력을 제공한다. 생성적 적대 신경망(GANs)과 변분 오토인코더(VAEs)는 교통 흐름이나 다중 모달 교통 네트워크 시나리오와 같은 합성 교통 데이터를 생성하는 데 널리 사용되며, 계획자가 극단적인 기상 이벤트와 같은 희귀 조건에서 시스템 회복력을 평가할 수 있게 한다.

최근 확산 모델의 발전은 적응형 라우팅 계획이나 다중 모달 수요 예측과 같은 복잡한 시나리오를 생성하는 데 교통 분야에서의 응용을 확장했다. 이러한 모델은 현실적이고 맥락적으로 관련된 출력을 생성하기 위해 노이즈 데이터 입력을 반복적으로 개선한다.

대규모 언어 모델(LLMs)은 정책 분석, 이해 관계자 참여 및 대중 감정 분석을 포함한 텍스트 기반 교통 응용 프로그램을 혁신했다. 방대한 텍스트 데이터 코퍼스에서 훈련된 LLM은 교통 문제에 대한 자연어 설명을 해석하고 생성하여 실행 가능한 전략을 추천하고 의사 결정을 촉진할 수 있다.

다중 모달 대규모 언어 모델(MLLMs)은 LLMs의 기능을 이미지, 비디오 및 지리공간 데이터와 같은 추가 데이터 모달리티를 통합하여 확장한다. 이 다중 모달 통합을 통해 MLLMs는 실시간 교통 카메라 피드 분석이나 텍스트 정책 문서와 센서 데이터 통합과 같은 복잡한 교통 작업을 처리할 수 있다.

시나리오 생성부터 수요 예측까지: 생성형 AI로 혼잡 가격제 효과 시뮬레이션

생성형 AI는 교통 계획에서 다양한 작업을 지원하며, 전통적인 방법을 시나리오 생성, 수요 예측 및 교통 시뮬레이션과 같은 기능으로 향상시킨다.

시나리오 생성은 생성형 AI를 활용하여 인프라 설계, 정책 개입, 혼란 이벤트에 대한 대응 계획과 같은 대안 교통 전략을 탐색한다. 예를 들어, AI 모델은 혼잡 가격 책정의 영향을 시뮬레이션하거나, 대중교통 중심 개발을 최적화하거나, 극단적인 기상 조건에서 인프라 회복력을 모델링할 수 있다. 이러한 시나리오를 분석함으로써 계획자는 비용 효율적이고 환경적으로 지속 가능한 솔루션을 식별할 수 있다.

수요 예측은 생성형 AI를 적용하여 다중 모달 시스템 전반에 걸친 여행 수요 패턴을 예측한다. 모델은 관찰된 교통량 계산과 일치하도록 기원지-목적지(O-D) 매트릭스를 미세 조정하고, Shared Mobility 서비스의 채택을 추정하고, 인구통계학적 또는 경제적 변화로 인한 장기적인 수요 변화를 시뮬레이션할 수 있다. 이러한 예측은 시스템 병목 현상에 대한 통찰력을 제공하여 계획자가 교통 네트워크 전반에 걸쳐 여행 부하를 효과적으로 균형을 맞출 수 있게 한다.

교통 시뮬레이션 및 최적화는 교통 역학을 모델링하고 시스템 성능을 최적화하는 데 중점을 둔다. 생성형 AI는 인간 운전 차량과 자율 차량이 공존하는 혼합 자율성 시스템의 시뮬레이션을 가능하게 하여 차량 조정을 개선하고 정체 유발 파동을 줄인다. 또한 AI는 교통 신호 타이밍과 경로 선택 전략을 최적화하여 지연을 최소화하고 도시 이동성 효율성을 향상시킬 수 있다.

지속 가능성 및 회복력 계획은 생성형 AI의 역할을 저탄소 및 기후 회복력이 있는 교통 시스템 발전에 초점을 맞춘다. AI 모델은 환경 친화적인 운전 행동을 시뮬레이션하고, 전기 자동차 채택을 예측하고, 자연 재해와 같은 극단적인 시나리오에서 인프라 회복력을 평가할 수 있다. 또한 생성형 도구는 소외된 인구를 위한 공정한 이동성 솔루션을 보장하기 위해 교통 시스템의 접근성을 평가할 수 있다.

완전성·정확성·일관성·세분성: 지역 특화 교통 AI 데이터의 4가지 핵심 요건

데이터 준비는 생성형 AI를 하류 교통 계획 응용 프로그램에 적용하는 데 중요한 단계이다. 교통에서 생성형 AI의 응용은 여전히 새롭게 등장하고 있으며, 공개적으로 사용 가능한 벤치마크 데이터셋은 규모와 범위가 제한적이다. 효과적인 교통 특화 데이터셋을 개발하려면 도메인 특화 전략에 대한 신중한 고려가 필요하며, 시계열 예측, 인프라 모델링, 감정 분석 및 시뮬레이션 작업과 같은 인접 분야에서 통찰력을 도출해야 한다.

교통 계획은 관할 경계, 다양한 인구 통계 프로필, 각 지역에 특화된 독특한 교통 상황으로 인해 본질적으로 지역적 특성을 갖는다. 예를 들어, 로스앤젤레스의 운전 행동과 교통 우선순위는 뉴욕시, 중서부 지방, 아시아 도시 중심지의 운전 행동과 크게 다르다. 따라서 관할 지역 간 확장 가능한 데이터셋을 구축하려면 교통 조건, 인구 통계 분포 및 정책 환경의 상당한 변동성을 해결해야 한다.

교통 계획에서 생성형 AI 모델의 품질과 신뢰성을 보장하기 위해 데이터셋은 다음과 같은 주요 요구 사항을 충족해야 한다: 완전성, 정확성, 일관성, 세분성이다. 완전성은 피크 및 오프피크 시간, 주중 및 주말, 다양한 기상 조건과 같은 다양한 교통 조건을 포괄해야 하며, 지리적 경계와 관할 경계를 넘나들어야 한다. 또한 정확성을 위해 고품질 데이터가 AI 모델이 신뢰할 수 있는 출력을 생성할 수 있게 보장한다. 일관성은 다른 소스의 데이터셋을 조화시키는 것이 중요하며, 세분성은 교통 응용 프로그램이 종종 특정 수준의 세부 정보를 요구한다는 점을 염두에 두어야 한다.

실시간 적응과 편향 해소: 생성형 AI 교통 시스템 도입의 주요 과제와 해결책

생성형 AI를 교통 계획에 통합하는 데 있어 몇 가지 중요한 도전 과제가 있다. 지역적 뉘앙스와 데이터 편향은 지역 특정 여행 행동, 사회경제적 가변성, 인프라 설계와 같은 교통 시스템의 지역적 뉘앙스를 포착하는 데 있어 주요 도전 과제를 제기한다. 역사적 데이터에 의존하면 잘 문서화된 지역이나 인구를 우대하는 기존 편향이 영속될 위험이 있다.

실시간 적응성도 도전 과제로, 날씨 교란, 특별 이벤트, 예상치 못한 인프라 고장과 같은 빠르게 변화하는 조건에서 모델이 예측을 동적으로 업데이트해야 한다. 센서 데이터, 크라우드 소스 정보 및 정책 변경과 같은 다중 모달 입력의 통합은 구현을 더욱 복잡하게 만든다.

설명 가능성과 신뢰성 또한 특히 심층 학습 모델에서 생성형 AI 모델의 설명 가능성 부족은 교통 계획 내 고위험 의사 결정 프로세스에서 채택의 중요한 장애물이다. 이 불투명성은 계획자가 AI 생성 예측 뒤의 추론을 이해하고 신뢰하기 어렵게 만든다.

이러한 도전 과제를 해결하기 위해 향후 연구는 역동적인 시스템 변화를 고려하면서 다양하고 고품질의 데이터셋을 통합하는 적응형 실시간 모델 개발에 초점을 맞추어야 한다. 도메인 특화 지식과 불확실성 정량화 프레임워크의 통합은 강건성과 해석 가능성을 향상시켜 계획자가 AI 기반 예측에 자신감을 갖고 정보에 입각한 결정을 내릴 수 있도록 지원할 수 있다.

또한 교통 시스템에 생성형 AI를 적용할 때 모듈화된 파이프라인과 검색 증강 생성(RAG) 기반 접근 방식을 조합하는 것이 효과적이다. 모듈화된 파이프라인은 복잡한 문제를 작고 관리 가능한 구성 요소로 분해하여 확장성, 해석 가능성 및 정확성을 향상시킨다. RAG 기반 파이프라인은 생성형 AI의 실시간 도메인별 지식을 동적으로 통합하는 능력을 향상시켜 출력이 시기적절하고 정확한 데이터에 기반하도록 보장한다.

교통 계획에서 생성형 AI의 잠재력에도 불구하고, 모델 해석 가능성, 데이터 편향 해결, 시스템 확장성 유지 등 몇 가지 중요한 도전 과제가 남아 있다. 또한 인류 중심 솔루션을 위해서는 데이터, 알고리즘 및 교통 정책에 있어 형평성과 투명성을 보장하는 윤리적 프레임워크의 개발이 필수적이다.

FAQ

Q: 교통 계획에서 생성형 AI는 어떤 구체적인 이점을 제공합니까?

A: 생성형 AI는 교통 계획에 여러 이점을 제공합니다. 방대한 데이터셋을 처리하고 분석하는 확장성을 제공하며, 시간 소모적이고 노동 집약적인 작업을 자동화하여 운영 효율성을 향상시킵니다. 또한 변화하는 교통 조건과 새로운 데이터에 동적으로 대응하는 적응성, 복잡한 교통 데이터를 처리하기 위한 효율성, 그리고 다양한 사용자 그룹에 대한 개인화된 교통 서비스를 제공합니다.

Q: 생성형 AI가 교통 계획에서 직면하는 주요 도전 과제는 무엇입니까?

A: 생성형 AI는 교통 계획에서 몇 가지 중요한 도전 과제에 직면합니다. 지역별 교통 패턴과 인프라 설계에서의 지역적 차이를 포착하는 데 어려움이 있으며, 날씨 변화나 특별 행사와 같은 급변하는 조건에 실시간으로 적응하는 능력이 필요합니다. 또한 AI 모델의 예측이 어떻게 도출되는지에 대한 명확한 설명을 제공하는 설명 가능성도 중요한 과제입니다. 마지막으로, 다양한 지리적 맥락에 걸쳐 모델을 일반화하고 적용하는 일도 어려움으로 남아 있습니다.

Q: 교통 계획에 생성형 AI를 적용하기 위한 데이터 요구 사항은 무엇입니까?

A: 교통 계획에 생성형 AI를 적용하려면 완전성, 정확성, 일관성, 세분성을 갖춘 데이터가 필요합니다. 다양한 교통 조건(피크 시간대, 주중/주말, 기상 조건)을 포괄하는 완전한 데이터가 필요하며, 실시간 교통 데이터와 지리공간 데이터의 정확성이 중요합니다. 또한 다양한 소스에서 수집된 데이터가 상호 일관성을 유지해야 하며, 특정 분석에 필요한 세부 수준(예: 초 단위 GPS 추적 또는 광범위한 인구통계 트렌드)의 데이터 세분성도 중요합니다.

해당 기사에서 인용한 논문 원문은 링크에서 확인할 수 있다.

이미지 출처: 이디오그램 생성

기사는 클로드와 챗GPT를 활용해 작성되었습니다.