교통 흐름 모델과 자율주행 데이터를 잇는 분석 아키텍처

교통 데이터는 모델과 운영까지 이어져야 한다

교통 분석은 도시·고속도로 네트워크의 흐름을 다루는 동시에 자율주행 시스템의 성능과 안전성을 검증하는 작업이다. 센서 데이터를 모으는 데서 끝나지 않는다. 데이터 품질, 흐름 모형, 시뮬레이션, 온라인 운영이 하나의 체계로 맞물려야 신호 제어나 위험도 추정에 활용할 수 있다.

교통 흐름 모델은 해상도와 목적에 따라 구분한다. 매크로스코픽 모델은 연속체 가정과 PDE를 바탕으로 LWR, CTM처럼 흐름·밀도·속도의 관계를 표현한다. 네트워크 규모를 키우기 쉽고 신호나 램프 메터링 최적화와 연결하기 좋다.

메조스코픽 모델은 차량 집단이나 플라툰의 확률적 흐름을 표현해 연산량과 현실성 사이의 균형을 잡는다. 마이크로스코픽 모델은 IDM, MOBIL처럼 차량 추종과 차선 변경을 개별 행태로 모사하며, 안전성이나 충돌근접 지표 산출에 적합하다.

자율주행 측면에서는 카메라, 라이다, 라이다-이미지 융합, 레이더, GNSS/IMU와 HD Map을 함께 다룬다. HD Map에는 차선, 경계, 신호, 속도제한 정보가 포함된다. 시계열 센서 스트림, 객체·트랙 레이블, 시나리오·ODD 메타데이터, 이벤트 로그를 연결하려면 동기화, 타임스탬프, 캘리브레이션 관리가 필요하다.

품질 기준도 데이터 유형에 맞춰 정한다. 시야·조도·기상 ODD 커버리지, GT 정확도, 동적 객체 리콜·정밀도, 타임싱크 오차, 드리프트 지표가 여기에 포함된다.

데이터 변경과 안전 요구사항을 함께 관리하는 방식

교통 데이터는 지도와 센서, 시나리오가 계속 바뀌므로 변경 이력과 재현성이 중요하다. 스키마 진화와 SCD Type 2 기반 맵 버전관리, 개인정보 비식별화가 데이터 거버넌스의 중심이 된다.

안전과 보안은 데이터 운영과 분리하기 어렵다. ISO 26262/SOTIF 기능 안전과 UNECE R155 사이버보안 준거를 고려하고, 로그 무결성과 감사 추적성을 확보해야 한다.

입력 계층에는 도로변 센서의 루프·비전 데이터, FCD/프로브, V2X, AV 차량 로그가 들어온다. 수집 단계에는 Exactly-once 처리와 스키마 레지스트리를 적용한다. 이후 타임싱크, 좌표계·캘리브레이션 정합, 이상치·결측 대체, 차선 레퍼런스 정렬을 수행하고 품질 규칙으로 자동 검증한다.

원시 데이터는 데이터 레이크에, 파생 데이터는 Feature Store에 나누어 저장한다. SCD2 업서트와 파티션·타임트래블은 과거 결과를 다시 재현할 수 있게 한다.

물리 모형과 학습 모형의 역할을 나누고 결합하기

흐름 모델은 LWR/CTM을 신호·램프 제어에, 메조 모델을 수요·OD 추정에, IDM/MOBIL을 마이크로 시뮬레이션에 활용하는 하이브리드 구성이 가능하다. 학습 모델은 GBDT/Transformer 기반 ETA·TT 예측, VectorNet/Transformer 기반 궤적 예측, 서바이벌·이벤트 검출 기반 위험도 추정으로 이어진다.

학습 모델만으로 운영 결정을 내리기보다 물리 일관성 제약을 둔다. Physics-informed loss, 시뮬레이터와 서빙 간 일관된 스펙, 불확실성 추정과 안전 마진 반영이 결합 지점이 된다.

접근법	성능(정확)	확장성	일관성(물리)	안정성(로버스트)	운영 편의
매크로(LWR/CTM)	중	높음	높음	높음	높음
메조	중	중~높음	중	중	중
마이크로(IDM 등)	높음	중	중	중	중
학습(ML/DL)	높음	높음(서빙 기준)	가변(제약 필요)	가변(드리프트 영향)	중

입력에서 온라인 서빙까지의 흐름

⤢✕

SUMO/Aimsun은 네트워크와 신호를, CARLA/LGSVL은 자율주행 센서 환경을 검증하는 데 연동할 수 있다. Hardware-/Software-in-the-Loop으로 검증 단계를 나누고, 실도로 이벤트를 시나리오로 리플레이해 TTC/PET 기반 위험을 평가한다. 데이터 엔진은 마이닝, 학습, 배포를 반복한다.

온라인 서빙에서는 저지연 특징 조회와 캐시, 슬라이딩 윈도우 집계를 사용하며 A/B와 샤도잉으로 운영한다. 데이터·모델 드리프트, SLA의 P95 지연과 가용성, 안전 지표를 관측하고, Dead-letter 경로와 롤백 정책을 미리 정의한다. 접근통제, E2E 암호화, PII 최소화·마스킹도 함께 적용하며 표준 갱신은 주기적으로 검토한다.

제어와 위험 평가에 적용하는 패턴

도시 신호 최적화에서는 검지기·카메라 데이터를 링크 속도와 점유율로 집계하고, CTM 상태 추정을 거쳐 RL/MPC 기반으로 사이클과 그린분할을 최적화한다. 5분 창으로 배치 업데이트를 수행하며 우회전·보행자 충돌 제약을 포함하고, 샤도잉 뒤 점진적으로 롤아웃한다.

고속도로 램프 메터링은 LWR/CTM 기반의 병목 밀도 임계값 제어와 ALINEA 변형을 활용할 수 있다. 트럭 비율과 우천을 보정하고, RSU 실시간 수집과 엣지 제어기를 저지연으로 연결한다. 제어 경로에는 고정율 페일세이프 폴백을 둔다.

자율주행 궤적 예측에서는 급차선변경과 급정지 같은 희귀 상황을 마이닝하고, 액티브 러닝으로 레이블 비용을 줄인다. VectorNet/Transformer 멀티모달 예측 결과에는 샘플링·엔트로피 기반 불확실성을 반영해 안전 마진을 적용한다.

위험구간 탐지는 영상과 트랙을 융합해 TTC/PET를 산출하고 근접사고 히트맵을 만드는 방식으로 진행한다. 도로관리와 경찰의 협업은 제한속도, 표지개선, 단속 스케줄 최적화로 이어질 수 있다.

교차로 지연은 1025% 감소하고 통과량은 815% 증가하는 것으로 추정되며, ETA MAPE가 2040% 개선된 사례가 보고됐다. TTC<1.5s, PET<1.0s 기준 근접사고 지표의 발생률은 1530% 감소할 수 있고, 취약시간대 사고 다발 포인트를 선제적으로 개선할 수 있다. 액티브 러닝은 레이블링 비용을 3050% 절감하고, 크루즈·신호 최적화는 CO₂ 배출을 815% 줄일 수 있다. 드리프트 탐지와 롤백은 장애 평균복구시간(MTTR) 단축, 규제 준수, 감사 대응에도 연결된다.

기본도 추정값을 CTM 보정에 사용하는 예시

환경은 Python 3.10, numpy 1.26, pandas 2.1, scipy 1.11이다.

# Greenshields 기본도(v = v_f * (1 - k/k_j)) 파라미터 추정 예시
import numpy as np, pandas as pd
from scipy.optimize import curve_fit

# 예시 데이터: 밀도 k(veh/km), 속도 v(km/h)
df = pd.DataFrame({
    "k": [5,10,20,30,40,60,80,100],
    "v": [95,90,82,70,55,35,18,5]
})

def greenshields(k, v_f, k_j):
    return v_f * (1 - k / k_j)

popt, _ = curve_fit(greenshields, df.k.values, df.v.values, bounds=([60,60],[140,200]))
v_f, k_j = popt
q = df.k * greenshields(df.k, v_f, k_j)  # 유량 q = k * v
k_crit = k_j / 2.0                       # Greenshields에서 k_crit = k_j/2
q_max = k_crit * greenshields(k_crit, v_f, k_j)

print(f"자유속도 v_f≈{v_f:.1f} km/h, 포화밀도 k_j≈{k_j:.1f} veh/km")
print(f"임계밀도 k_crit≈{k_crit:.1f}, 최대유량 q_max≈{q_max:.0f} veh/h")

추정한 v_f, k_j는 CTM 셀 용량과 파라미터 보정에 사용할 수 있으며, 신호·램프 제어기의 목표 밀도와 유량을 설정하는 기준이 된다.