PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.07044v1cs.LG

운영 중단 상황에서 도시 철도 수요 예측을 위한 계층적 예측 조정

Hierarchical Forecast Reconciliation for Urban Rail Transit Demand Prediction under Operational Disruptions

정확하고 일관된 승객 수요 예측은 도시 철도 교통(URT) 운영에 필수적이다. 승객 수요는 출발지-목적지(OD) 흐름이 보존 제약을 통해 역 단위 유입 및 유출로 집계되는 계층적 구조를 갖는다. 실무에서는 역 단위와 OD 단위 예측이 종종 독립적으로 생성되어, 이러한 제약을 위반하는 비일관적 예측을 낳고 운영 의사결정에 불일치를 초래한다. 이러한 문제는 예측 신뢰성이 가장 중요한 중단 상황에서 더욱 심각해진다. 본 논문은 역 단위와 OD 단위 URT 수요 예측을 공동으로 수행하기 위한 최초의 계층적 예측 조정 프레임워크를 제시한다. 신경망 기반 Fully Connected Reconciler(FCR)는 비일관적 기본 예측에서 일관적인 계층적 예측으로의 비선형 매핑을 학습하며, 구조적으로 정확한 일관성을 보장한다. 해당 방법은 코펜하겐 S-train 네트워크의 Rejsekort 스마트카드 데이터를 사용하여 1단계, 다단계, 중단 예측 시나리오 하에서 OLS, WLS, Minimum Trace(MinT) 변형들과 벤치마크 비교되었다. 결과는 조정이 계층적 일관성을 보장하는 동시에 OD 예측 정확도를 지속적으로 향상시킴을 보여준다. 정상 조건 하에서 FCR은 MinT 기반 방법들과 경쟁력 있는 성능을 보였다. 오라클 분석은 완벽한 역 단위 예측이 OD 예측 오차를 최대 34%까지 줄일 수 있음을 나타내며, 개선된 기본 예측의 가치를 부각한다. 심각한 중단 상황에서 FCR은 고전적 방법들을 능가하며, 다단계 목적지 측 지연 시나리오에서 OD 예측 오차를 최대 17.45%까지 감소시켰다. 이러한 결과는 계층적 조정이 예측 견고성을 향상시키는 효과적인 메커니즘임을 확립하며, 가장 도전적인 운영 조건에서 가장 큰 이점이 발생함을 보여준다.