동적 기종점(OD, Origin-Destination) 행렬 추정은 관측된 링크 흐름(link flow)을 재현하도록 시뮬레이션을 위한 시변 입력 수요를 보정합니다. 학습된 정책이 단 한 번의 평가(evaluation)만으로 수요를 추정할 수 있기 때문에 강화학습(reinforcement learning)은 온라인 추정에 매우 적합하지만, 변동하는 목표 흐름으로 인해 집계된 보상(aggregate reward) 기반의 학습이 복잡해집니다. 본 연구에서는 시뮬레이션된 차량 전파 기록과 다운스트림 오류를 결합하여 개별 OD 요소를 유도하는 링크 흐름 전파 안내 기반 강화학습(LFPG-RL)을 제안합니다. 멜버른 간선 도로망에서 수집한 250개 평일 링크 흐름 궤적을 사용한 결과, LFPG-RL은 15분 간격당 평균 테스트 평균 제곱근 오차(RMSE) 7.41대, 평균 절대 백분율 오차 31.24%, 피어슨 상관계수 0.987을 달성했습니다. 최적화, 필터링, 그리고 안내가 없는 강화학습과의 비교 결과, 가장 강력한 기준선(baseline)인 전파 안내 기반 경사하강법(gradient descent) 대비 RMSE가 40.1% 감소했습니다. LFPG-RL은 빠른 수요 업데이트를 가능하게 하여 교통 시뮬레이션이 관측된 조건과 일치하도록 유지함으로써 교통 관리 전략의 평가를 지원합니다.
V2X(Vehicle-to-Everything) 통신 시스템은 차량 궤적 데이터뿐만 아니라 현실적인 수준의 충실도를 갖춘 무선 네트워크 매개변수도 포함하는 데이터셋을 기반으로 하며, 이를 통해 예측 및 최적화 모델의 구축이 가능하다. 오늘날 매우 중요한 연구 인프라 공백이 존재하며, 공개적으로 이용 가능한 데이터셋은 이동성 또는 네트워크 매개변수 중 하나에 국한되는 경우가 많고, 두 가지를 결합한 단일의 통합적 시각을 제공하는 경우는 드물다. 본 논문은 SUMO 교통 역학과 OMNeT++/Simu5G 네트워크 시뮬레이션을 결합하여 생성된 포괄적 데이터셋인 MINT-V2X를 소개한다. 검증 프레임워크는 3GPP Release 14(C-V2X), ETSI 표준 및 Shannon 용량 이론을 기반으로 한 14개의 표준화된 테스트로 구성된다. 결과 데이터셋은 3시간의 도시 교통 시뮬레이션 동안 15개 RSU(roadside unit)로부터 1,386대 차량의 987만 개 동기화된 데이터 포인트를 포함한다. 네트워크 지표 상관관계(CQI-SINR: 0.993; SINR-PDR: 0.946)를 통해 엄격한 알고리즘적 일관성을 입증한다. 마지막으로 RSU 부하 예측 사례 연구를 수행하여 데이터셋의 가치를 입증하며, 궤적 데이터를 사용할 경우 네트워크 이력만을 사용하는 베이스라인보다 더 나은 예측 성능을 달성함을 보인다. 데이터셋, 실험, 및 전체 SUMO 구성 파일은 대체 시뮬레이션 스택에서의 재현을 용이하게 하기 위해 GitHub 저장소에서 제공된다.
미시적 교통 시뮬레이션의 동적 기종점 행렬 추정(DODE) 문제를 마르코프 결정 과정(MDP)으로 재정의하고, 신용 할당(credit assignment) 문제를 해결하기 위해 다중 이진 행동 공간을 가진 PPO 기반 심층 강화학습(DRL) 프레임워크를 제안한다. Nguyen-Dupuis 네트워크 실험과 Santa Clara·San Jose 실제 고속도로 네트워크 사례 연구에서 기존 최강 기준선 대비 링크 교통량 MSE를 각각 23.7%, 59.2~88.3% 감소시켰다.
자율주행 테스트를 위한 현실적 교통 시뮬레이션에서 에이전트의 행동을 해석 가능한 축(안전성, 지도 준수, 속도 등)으로 제어하기 위해, CNeVA(Controllable Neural Variational Agents)는 채널별 할인 보상으로부터 폐쇄형 켤레 변분 추론으로 에이전트별 행동 잠재 변수를 학습하고 이를 rectified-flow 궤적 생성기에 조건화한다. Waymo Open Motion Dataset 벤치마크에서 경쟁력 있는 현실성을 유지하면서, 소프트 자격 게이트(soft eligibility gates) 도입으로 보상 해킹 없이 단조로운 안전성·속도 제어를 달성했다.
자율주행 테스트를 위한 제어 가능한 교통 시뮬레이션에서 기존 방식의 대규모 재학습 문제를 해결하기 위해, 항등 초기화된 FiLM 레이어를 활용해 사전학습된 diffusion 및 자기회귀 교통 모델에 스케치·잠재 행동 코드·텍스트 등 멀티모달 제어를 경량으로 추가하는 ECoSim 프레임워크를 제안한다. Waymo Open Sim Agents Challenge 평가에서 쌍 제어 데이터의 1% 미만만으로도 제어 오차를 최대 83% 감소시키고 문맥 인식 조건 전이를 통해 반사실적 시나리오 및 롱테일 합성을 달성했다.
RosettaSim은 대규모 언어 모델(LLM)의 어텐션 메커니즘과 구조적 사전지식을 활용하여 에이전트의 진입·이탈이 동적으로 발생하는 장기 교통 시뮬레이션을 통합 자기회귀 스트림으로 모델링하는 프레임워크다. Waymo Open Sim Agent Challenge(WOSAC)에서 단기·장기 시뮬레이션 모두 최고 성능을 달성했으며, 의미적으로 유사한 실제 시나리오를 검색해 문맥 인식 평가 기준으로 삼는 Retrieval-based Traffic Evaluation(RTE)은 기존 방법(r=0.74)보다 높은 상관관계(r=0.83)로 장기 시뮬레이션 품질을 더 신뢰성 있게 측정함을 보였다.
폐루프 교통 시뮬레이션은 상호작용형 다중 에이전트 행동을 장면 일관성과 제어 가능성을 유지하며 생성해야 하지만, 기존 diffusion 방식은 추론 비용이 높아 재계획 루프에 쓰기 어렵다. 인스턴스 중심(instance-centric) 장면 맥락과 다중모달 proposal 사전분포로 조건화한 잠재 diffusion에 PCA 기반 컴팩트 액션 잠재와 proposal 초기화, 선택적 test-time guidance를 결합해 재학습 없이 샘플링 효율을 높였고, Waymo Open Motion Dataset에서 현실성·안전성·제어 가능성의 균형과 목표 간 트레이드오프 조절을 보였다.
교통 마이크로시뮬레이션과 대리 안전 지표(surrogate safety measures)의 결합은 현재 또는 계획된 도로 인프라 설계에 대한 사고 빈도 예측을 위해 역사적 사고 데이터에 대한 선제적 대안으로 점점 더 많이 사용되어 왔다. 그러나 기존 마이크로시뮬레이션 기반 안전 연구들은 단순화된 규칙 기반 행동 모델을 채택해 왔으며, 이는 교통 흐름을 합리적으로 재현하지만 종종 현실적인 충돌(conflict) 역학을 생성하는 데 실패하여 사고 예측 정확도를 제한한다. 대규모 궤적(trajectory) 데이터셋으로부터 인간의 운전 행동을 직접 학습하는 머신러닝(ML) 기반 행동 모델의 최근 발전은 마이크로시뮬레이션의 현실성과 사고 빈도 예측을 잠재적으로 개선할 유망한 기회를 제공한다. 이 가능성을 조사하기 위해, 영국 리즈의 다섯 개 실제 신호 교차로에 대해 표준 규칙 기반 모델과 최신 ML 모델을 모두 사용하여 교통 마이크로시뮬레이션을 수행하였다. 시뮬레이션된 차량 궤적은 2차원 Time-to-Collision 지표를 사용하여 분석되어 시뮬레이션 충돌을 식별하였고, 이는 극값 이론(Extreme Value Theory)을 사용하여 모델링되어 사고 빈도를 예측하였다. 결과는 ML 모델의 충돌이 실제 사고 데이터와 부합하는 사고 예측을 산출한 반면, 규칙 기반 모델은 시뮬레이션된 특정 교차로에 대한 모델 보정(calibration) 부족으로 인한 것으로 추정되는 이유로 의미 있는 예측을 허용하지 못했음을 보여준다. ML이 생성한 시뮬레이션 사고를 직접 사용하여 실제 사고 빈도를 예측하는 것도 열악한 결과를 산출하였으며, 이는 현재 ML 모델이 충돌을 현실적으로 재현할 수는 있지만 아직 현실적인 사고(crash)를 생성할 수는 없음을 시사한다. 전반적으로, 이러한 발견은 ML 기반 행동 모델이 위치별 모델 보정 없이도 시뮬레이션 충돌로부터 사고 예측을 개선하는 데 유망함을 보여주며, ML 기반 교통 마이크로시뮬레이션의 명확한 향후 방향을 제시한다.
네트워크 이벤트의 구조적 속성과 의미를 동시에 모델링하는 기존 방법의 한계를 극복하기 위해, Net-Ev$^2$는 구조 안내 마스크 사전학습과 위상 인식 디퓨전 프로세스를 결합한 생성형 시뮬레이터를 제안한다. 이 방법은 자연어 이벤트 입력만으로 네트워크 토폴로지를 보존하며 이벤트 전파를 시뮬레이션할 수 있어 최신 수준의 성능과 강력한 일반화 능력을 보인다.