데이터 기반 인간 이동성 시공간 루틴 생성기

본 논문은 인간 이동성 모델링 분야에서 시간적 루틴과 공간적 이동 패턴을 동시에 정확히 재현하는 것이 아직 미흡하다는 문제점을 지적하고, 이를 해결하기 위한 새로운 프레임워크 DITRAS(DIary‑based TRAjectory Simulator)를 제안한다. DITRAS는 두 단계로 구성된다. 첫 번째 단계는 ‘모빌리티 다이어리(Mobility Diary)’를 생성하는 것으로, 실제 이동 로그에서 개인별 일일·주기적 스케줄과 그 변동(루틴 파괴) 확률을 학습한다. 이를 위해 저자들은 MDL(Mobility Diary Learner)이라는 데이터‑드리븐 알고리즘을 개발했으며, 학습된 MDL은 마코프 체인 형태의 다이어리 생성기(MD)를 출력한다. 이 마코프 모델은 상태를 ‘루틴 유지’와 ‘루틴 파괴’로 정의하고, 전이 확률을 실데이터에서 추정함으로써 개인이 언제 일정을 따르고 언제 변화를 겪는지를 정량화한다. 두 번째 단계는 생성된 다이어리를 실제 이동 궤적으로 변환하는 과정이다. 여기서는 저자들이 이전 연구에서 제안한 d‑EPR(다중‑선호 탐색 및 복귀) 모델을 활용한다. d‑EPR은 기존 EPR 모델의 탐색‑복귀 메커니즘에 두 가지 확장을 추가한다. 첫째, 탐색 단계에서 목적지 선택 확률에 도시의 인구 밀도와 공간적 매력도를 반영하는 가중치를 도입해, 실제 도시 구조와 인구 분포가 탐색 행동에 미치는 영향을 모델링한다. 둘째, 복귀 단계에서는 단순 방문 빈도뿐 아니라 최근성(recency)까지 고려해, 사용자가 최근에 방문한 장소를 더 선호하도록 설계한다. 이러한 메커니즘은 개인이 새로운 장소를 탐색할 확률이 거리와 장소 매력도에 따라 조절되고, 이미 방문한 장소로 돌아갈 확률이 과거 방문 횟수와 시간적 최신성을 동시에 반영하도록 만든다. 저자들은 DITRAS를 실제 데이터에 적용해 성능을 검증한다. 실험에 사용된 데이터는 (1) 전국 규모 모바일 전화 통화 기록, (2) 이탈리아 토스카나 지역의 150,000대 차량 GPS 트레이스이다. 두 데이터셋 모두 수백만 개의 위치 샘플을 포함하고 있어, 다양한 스케일에서 모델의 일반성을 평가할 수 있었다. 평가 지표는 이동 거리 분포, 체류 시간, 방문 빈도, 일일 루틴 재현율, 루틴 파괴 기간 분포 등 총 9가지 표준 이동 지표를 포함한다. 비교 대상 모델로는 ORBIT, SLAW, SWIM, 기본 EPR, 그리고 MD와 d‑EPR을 각각 다른 조합으로 결합한 변형 모델들을 사용했다. 실험 결과, d‑EPR + MD(즉, DITRAS 전체 구현)가 모든 지표에서 가장 낮은 평균 절대 오차를 기록했으며, 특히 시간적 루틴 재현율과 루틴 파괴 기간의 분포에서 기존 모델 대비 20 % 이상 개선되었다. 공간적 측면에서도 탐색 거리와 방문 장소의 다양성에서 실제 데이터와 거의 일치하는 분포를 보였다. 또한, 두 메커니즘을 별도로 조합한 변형 모델(예: MD + SWIM, d‑EPR + 단순 일지)과 비교했을 때, 두 메커니즘을 동시에 모델링한 경우에만 통계적 차이가 유의미하게 낮아짐을 확인하였다. 이는 인간 이동성의 복합성을 정확히 포착하려면 시간·공간 메커니즘을 독립적으로 설계하고, 필요에 따라 자유롭게 조합할 수 있는 모듈형 프레임워크가 필요함을 시사한다. 논문은 또한 다음과 같은 주요 기여를 강조한다. 첫째, 데이터‑드리븐 방식으로 개인별 루틴과 변동성을 학습하는 MDL 알고리즘을 제시했다. 둘째, 도시 구조와 인구 밀도를 고려한 탐색 가중치를 포함한 d‑EPR 모델을 개발했다. 셋째, 두 메커니즘을 결합한 DITRAS 프레임워크를 공개 코드와 함께 제공함으로써 향후 연구자들이 다양한 공간·시간 메커니즘을 자유롭게 실험할 수 있는 기반을 마련했다. 마지막으로, 대규모 실데이터와 다양한 기존 모델을 포괄적으로 비교함으로써, 인간 이동성 시뮬레이션에서 시간·공간 양측면을 동시에 고려해야 한다는 근거를 실증하였다. 다만, 현재 MDL이 1차 마코프 모델에 머물러 장기 의존성(예: 주말·휴가 패턴) 표현에 한계가 있으며, d‑EPR의 탐색 거리 분포가 고정된 트렁케이트 파워‑로우 형태라 복합 교통수단(대중교통·자전거 등)과의 연계 모델링에는 추가적인 확장이 필요하다는 점을 언급한다. 향후 연구에서는 고차 마코프 모델이나 딥러닝 기반 시계열 모델을 도입해 장기 루틴을 더 정교히 포착하고, 다중 교통 모드와 연계된 공간 탐색 메커니즘을 통합하는 방향을 제시한다.