그래프 위 비정상성에 대응하는 조각별 정상성 모델링 및 교통 예측

본 논문은 그래프 신호 처리(GSP)와 머신러닝 분야에서 널리 활용되는 그래프 와이드-센스 정상성(GWSS) 개념이 실제 대규모 비정상 데이터에 적용하기엔 지나치게 제한적이라는 문제점을 제기한다. GWSS는 공분산 행렬과 그래프 시프트 연산자(라플라시안 또는 인접 행렬)가 동일한 고유벡터 집합을 공유한다는 정의에 기반한다. 이러한 특성은 스펙트럴 그래프 커널, 그래프 가우시안 프로세스, 그리고 공동 와이드-센스(JWSS) 모델 등에서 핵심 가정으로 사용되어 왔다. 그러나 실제 교통 흐름, 소셜 네트워크, 전력망 등에서는 시간·공간에 따라 통계적 특성이 급격히 변하는 비정상 현상이 빈번히 발생한다. 저자들은 먼저 GWSS가 서브그래프에 자동으로 전이되지 않음을 ‘슈퍼스테이셔너리(superstationary)’ 개념을 통해 이론적으로 증명한다. 두 행렬이 ‘슈퍼커뮤트(super‑commute)’해야만 모든 가능한 서브그래프가 GWSS를 유지할 수 있음을 보이며, 실제 데이터에서는 이 조건이 거의 만족되지 않음을 실험적으로 확인한다. 따라서 전체 그래프를 그대로 GWSS 기반 모델에 적용하는 것은 근본적으로 잘못된 접근이 될 수 있다. 이를 해결하기 위해 제안된 핵심 방법은 ‘정상 연결 서브그래프 클러스터링(SCSC)’이다. SCSC는 다음과 같은 단계로 구성된다. 1. **활성 컴포넌트 추출**: 시간적 변동성이 큰 구간(예: 교통량 급증 구간)을 탐지해, 해당 구간을 그래프 상의 연결된 서브셋으로 정의한다. 이는 변동성이 높은 영역을 먼저 식별함으로써 클러스터링의 초기 후보를 제공한다. 2. **정상성 검정 및 병합**: 인접한 활성 컴포넌트를 순차적으로 병합하면서, 병합 후 서브그래프가 GWSS를 만족하는지 검정한다. 정상성이 유지되는 경우에만 병합을 진행하고, 더 이상 병합이 불가능하면 현재 서브그래프를 최종 클러스터로 확정한다. 3. **독립성 가정**: 서로 다른 클러스터 간에는 공분산이 거의 없다고 가정하여, 각 클러스터를 독립적인 GWSS 프로세스로 모델링한다. 이 알고리즘은 전통적인 정점‑단위 클러스터링이 겪는 ‘정상성 유지 실패’ 문제를 회피한다. 활성 컴포넌트를 기본 단위로 삼음으로써, 클러스터링 과정에서 발생하는 행렬 커뮤트 검증을 효율적으로 수행할 수 있다. 복잡도는 그래프의 엣지 수에 선형에 가깝게 스케일한다는 점에서 대규모 네트워크에도 적용 가능하다. 클러스터링이 완료된 후, 각 서브그래프에 대해 간단한 조각별 선형 예측 모델(예: 1‑차 다항 회귀 또는 AR(1) 모델)을 적용한다. GWSS가 보장되는 영역에서는 그래프 푸리에 변환을 이용한 필터링이 최적의 예측 파라미터를 제공한다는 기존 이론을 그대로 활용한다. 저자들은 이를 ‘조각별 선형 예측’이라고 부르며, 복잡한 딥러닝 모델에 비해 학습 및 추론 비용이 현저히 낮다. 실험은 텍사스‑댈러스‑포트워스 지역의 고해상도 교통 데이터(4764개 도로 구간, 2분 간격 여행 시간, 2013년 1~3월)를 대상으로 수행되었다. 각 서브그래프에 대해 10분·20분 미래 시점의 여행 시간을 예측했으며, 평균 절대 백분율 오차(MAPE) 기준으로 최신 그래프 기반 딥러닝 모델(예: Graph Convolutional Network, Temporal GNN)과 비교했다. 결과는 10분 예측에서 0.41%, 20분 예측에서 0.66% 정도의 MAPE 차이만을 보였으며, 이는 실용적인 수준으로 평가된다. 더 중요한 점은 학습 시간이다. 제안 방법은 일반 개인용 PC에서 약 3시간 내에 학습을 마친 반면, 딥러닝 기반 모델은 GPU 2대를 사용해도 22시간이 소요되었다. 메모리 사용량과 전력 소비 측면에서도 크게 우위를 점했다. 논문의 주요 기여는 다음과 같다. 1. **GWSS 비포함성 이론**: GWSS가 서브그래프에 자동으로 전이되지 않음을 수학적으로 증명하고, ‘슈퍼스테이셔너리’와 ‘슈퍼커뮤트’ 개념을 도입해 조건을 명시하였다. 2. **SCSC 알고리즘**: 활성 컴포넌트를 활용한 효율적인 정상 서브그래프 탐색 방법을 제시했으며, 복잡도는 선형 수준으로 대규모 그래프에 적용 가능하도록 설계하였다. 3. **실제 데이터 검증**: 대규모 교통 데이터에 적용해 딥러닝 대비 경쟁력 있는 예측 정확도와 현저히 낮은 계산 비용을 동시에 달성하였다. 이는 그래프 신호 처리 기반 모델이 실시간 교통 예측 등 실용적인 응용 분야에서도 충분히 활용될 수 있음을 보여준다. 결론적으로, 본 연구는 그래프 위 비정상 프로세스를 ‘조각별 정상성’으로 분할함으로써, 기존의 복잡하고 비용이 많이 드는 그래프 기반 머신러닝 모델을 대체하거나 보완할 수 있는 새로운 패러다임을 제시한다. 향후 연구에서는 보다 정교한 활성 컴포넌트 탐지 기법, 다중 스케일 클러스터링, 그리고 교통 외의 다른 도메인(전력망, 소셜 네트워크 등)으로의 확장이 기대된다.