PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.13730v1cs.LG

SeoulMMOD: 대규모 멀티모달 출발지-목적지 흐름 벤치마크

SeoulMMOD: A Large-Scale Multimodal Origin-Destination Flow Benchmark

출발지-목적지(OD) 흐름 예측(forecasting)은 도시 전역에서 인간 이동의 규모와 패턴을 예측하여 도시 모빌리티(mobility) 의사결정을 지원한다. 기존의 공개 OD 벤치마크 대부분은 단일 교통 서비스 또는 최대 두 가지 수단(mode)만을 다루어, 도시 전역 모빌리티에 대한 부분적인 관점만을 제공한다. 수단 범위가 부분적이면, 관측된 수요 변화를 교통 수단 간 이동(shift)과 전체 이동량(total travel)의 변화로 분리하기 어렵다. 우리는 서울의 도시 전역 멀티모달 모빌리티를 위한 대규모 공개 벤치마크인 SeoulMMOD를 소개한다. SeoulMMOD는 25개 자치구(district)와 426개 행정동(sub-district)에 걸친 6가지 도시 이동 수단에 대한 전체 모빌리티를 추정하는 3년간의 시간 단위 OD 흐름 데이터를, 이동 시간, 이동 거리, 캘린더(calendar), 강우량, 관심 지점(POI, point-of-interest) 신호와 함께 제공한다. SeoulMMOD를 사용하여 우리는 공통 프로토콜 하에서 14개의 예측 베이스라인(baseline)을 벤치마킹하고, 공간적 스케일링(spatial scaling), 결합 학습(joint training) 대 수단별 분리 학습(mode-separate training), 그리고 연도 간 일반화(cross-year generalization)의 효과를 분석한다. 결과는 자치구 수준에서 작동하는 여러 시공간(spatio-temporal) 모델이 행정동 수준 OD 예측으로는 확장되지 않으며, 단순한(naive) 결합 멀티모달 학습이 정확도를 일관되게 향상시키지는 않음을 보여준다. 종합적으로, 이 데이터셋과 벤치마크는 도시 규모에서 다중 수단, 다년도 OD 예측을 위한 재현 가능한 테스트베드(testbed)를 구축한다.

arXiv:2607.03394v1cs.AI

모바일 데이터에서 비즈니스 인사이트까지: 대규모 도시 이동성 분석 및 의사결정 지원을 위한 엔드투엔드 애널리틱스 프레임워크

From Mobile Data to Business Insights: An End-to-End Analytics Framework for Large-Scale Urban Mobility Analysis and Decision Support

모바일 애플리케이션에서 수집한 실시간 위치 데이터는 관광 계획, 주차 관리, 버스 노선 최적화, 자원 배분 등 다양한 도시 문제를 해결하는 데 강력한 도구로 활용된다. 아울러 위치 기반 서비스, 시장 점유율 분석, 행동 프로파일링(behavioral profiling) 등 상업 분야의 전략적 의사결정을 형성하는 데 있어 매우 귀중한 인사이트를 제공한다. 본 광범위한 연구에서는 도시 환경 내 스마트폰 사용자의 행동 및 패턴을 관광, 교통, 소매 도메인을 중심으로 분석함으로써 앞서 언급한 모든 과제를 다루고자 한다. 우리의 접근법은 유스케이스 정의, 아키텍처 설계, 모듈 구현을 포함하는 정교한 데이터 플랫폼을 처음부터 구축하는 것을 포함한다. 데이터 익명화, ETL 파이프라인, Google BigQuery 및 Vertex AI를 활용한 데이터 처리 및 머신러닝 모델 개발 등 최신 기법과 기술을 적용하였다. 재사용 가능한 분석 빌딩 블록에 기반한 모듈식 아키텍처를 개발하여 복수의 이해관계자 주도 유스케이스를 지원하는 데이터 제품을 생성하였다. 또한 Power BI를 통한 인터랙티브 데이터 시각화 기법을 적용하여 이해관계자가 분석 결과를 효과적으로 해석할 수 있도록 하였다. 개발된 모델들은 이동성 프로파일링, 빈번 이동 궤적 마이닝(frequent trajectory mining), 영향권 분석(area of influence analysis), 교통 이상 탐지, 출발지-목적지 패턴 분석 등 광범위한 이동성 애널리틱스 과제를 다룬다. 결과는 본 프레임워크가 세밀한 공간적·시간적 해상도에서 사용자 이동성 동태를 포착하는 능력을 보여주며, 도시 계획 및 전략적 비즈니스 의사결정에 실행 가능한 인사이트를 제공함을 입증한다.

arXiv:2606.31207v1cs.AI

Towards Inclusive Mobility Modeling: Characterizing and Evaluating Elderly Trajectory Patterns in Urban Systems

스마트 시티 이동성 모델링에서 노인 인구가 과소 대표되는 문제를 다루며, Citi Bike 데이터를 활용해 노인 이용자가 공간적으로 제한된 활동 반경(958m)과 낮은 이동 엔트로피(1.82)를 보이는 구조적으로 차별화된 이동 패턴을 가짐을 정량적으로 규명하였다. 1차 마르코프 체인과 QLoRA로 파인튜닝된 Qwen3-4B를 세 가지 인구통계 학습 설정에서 비교 평가한 결과, 다수 집단 위주의 학습 데이터로 훈련된 모델은 노인의 이동 특성을 체계적으로 왜곡하며, 고성능 대규모 언어 모델(LLM)도 인구통계 데이터가 부족한 상황에서 하위 집단 충실도를 보장하지 못함을 보였다.

arXiv:2507.00028v2cs.LG

HiT-JEPA: A Hierarchical Self-supervised Trajectory Embedding Framework for Similarity Computation

The representation of urban trajectory data plays a critical role in effectively analyzing spatial movement patterns. Despite considerable progress, the challenge of designing trajectory representations that can capture diverse and complementary information remains an open research problem. Existing methods struggle in incorporating trajectory fine-grained details and high-level summary in a single model, limiting their ability to attend to both long-term dependencies while preserving local nuances. To address this, we propose HiT-JEPA (Hierarchical Interactions of Trajectory Semantics via a Joint Embedding Predictive Architecture), a unified framework for learning multi-scale urban trajectory representations across semantic abstraction levels. HiT-JEPA adopts a three-layer hierarchy that progressively captures point-level fine-grained details, intermediate patterns, and high-level trajectory abstractions, enabling the model to integrate both local dynamics and global semantics in one coherent structure. Extensive experiments on multiple real-world datasets for trajectory similarity computation show that HiT-JEPA's hierarchical design yields richer, multi-scale representations. Code is available at: https://anonymous.4open.science/r/HiT-JEPA.

arXiv:2606.21022v1cs.LG

동적 희소 OD 수요 예측을 위한 구조 인식 그래프 다중 작업 학습

Structure-Aware Graph Multi-Task Learning for Dynamic Sparse OD Demand Prediction

출발지-목적지(OD) 수요 예측은 지능형 교통 시스템의 기초이지만, 실제 OD 흐름은 종종 동적으로 희소하고, 롱테일 분포를 띠며, 이질적인 제로 흐름(zero-flow) 패턴을 특징으로 한다. 이러한 특성은 OD 연결이 활성화되어 있는지 여부와, 활성화된 이후 생성되는 수요의 규모를 구분하기 어렵게 만든다. 기존의 많은 방법은 OD 예측을 주로 단일 흐름 회귀(flow regression) 작업으로 다루어, 저빈도·간헐적·롱테일 OD 상호작용을 모델링하는 능력이 제한된다. 이러한 과제를 해결하기 위해, 동적 희소 OD 수요 예측을 위한 구조 인식 그래프 다중 작업 학습(Structure-Aware Graph Multi-Task Learning) 프레임워크인 SAGMTL을 제안한다. SAGMTL은 OD 예측을 구조적 상태 모델링과 흐름 강도(flow intensity) 추정으로 분해하고, 통합 프레임워크 내에서 지역 활동 상태, OD 연결 활성, 에지 수준 흐름 강도를 공동으로 학습한다. 구체적으로, 노드-에지 협력 표현(node-edge collaborative representation) 모듈은 상호작용적 노드-에지 업데이트를 통해 지역 의미, 시간적 역학, 공간적 사전지식(spatial priors)을 포착하여 동적 OD 상호작용을 위한 구조 인식 표현을 생성한다. 이러한 표현을 바탕으로 SAGMTL은 안정적인 수요 패턴과 단기 변동을 공동 모델링하여 OD 흐름을 추정한다. 다중 제약 목적함수는 희소성 인식과 구조적 일관성을 더욱 향상시킨다. 베이징, 청두, 난징의 세 가지 실제 도시 이동 데이터셋에 대한 실험에서 SAGMTL은 최신 베이스라인 대비 전반적으로 우수한 성능을 달성한다. 추가 분석은 지역 활동, 연결 상태, 흐름 강도를 명시적으로 모델링하는 것이 동적 희소 OD 수요 예측의 견고성(robustness)을 향상시킴을 보여준다.

arXiv:2606.17530v1physics.soc-ph

뉴욕시 혼잡 가격책정 이후 대중교통 증가와 공간적으로 불균형한 여행 수요 변화

Public transit gains and spatially uneven travel demand changes after NYC congestion pricing

뉴욕시는 2025년 1월 미국 최초의 구역 기반(cordon-based) 혼잡 가격책정 프로그램을 시행하여, 대규모 가격 개입에 대해 도시 전체의 이동성이 어떻게 반응하는지 평가할 기회를 제공했습니다. 이러한 정책은 교통 수단과 위치 간에 파급 효과(spillovers)를 유발하기 때문에, 신뢰할 수 있는 대조군을 구성하기 어렵습니다. 우리는 보정된 불확실성(calibrated uncertainty)을 갖는 확률론적 반사실적(counterfactual) 수요 예측을 생성하기 위해 시계열 파운데이션 모델(time series foundation models)을 사용하여 이 문제를 해결합니다. 버스, 지하철, 그리고 전체 통행량 데이터에 이 프레임워크를 적용한 결과, 정책 시행 후 버스와 지하철 승차량이 정책이 없었을 것으로 예상되는 수요에 비해 유의미하게 증가한 반면, 전체 여행 수요는 소폭 감소한 것으로 나타났습니다. 이러한 효과는 공간적으로 이질적입니다: 전체 여행 수요의 감소는 혼잡 완화 구역(Congestion Relief Zone) 내에 집중되어 있는 반면, 대중교통의 증가는 맨해튼 중심부를 넘어 확장됩니다. 사회인구학적 분석은 지역별로 불균형한 적응을 추가로 보여주며, 이는 공간적 형평성(spatial equity)의 시사점을 강조합니다. 우리의 프레임워크는 깨끗한 대조군을 사용할 수 없을 때, 도시 전체 개입에 대한 불확실성 인지(uncertainty-aware) 평가를 위한 확장 가능한 접근 방식을 제공합니다.