데이터 기반 버스 시간표 최적화와 계절별 지연 패턴 클러스터링

본 논문은 미국 내 버스 시스템의 정시성 향상을 위해 데이터 기반 최적화 프레임워크를 제시한다. 서론에서는 버스가 미국 대중교통의 핵심임을 강조하고, 현재 정시성 평균이 57.79%에 불과해 이용자 만족도와 이용률에 부정적 영향을 미친다는 실증적 근거를 제시한다. 기존 연구들은 주로 평균 대기시간 최소화, 환승 시간 최소화 등 다양한 목표를 다루었지만, 월·계절별 지연 패턴을 고려한 시간표 최적화는 드물었다는 점을 지적한다. 관련 연구 섹션에서는 전통적인 휴리스틱(그리디, 시뮬레이티드 어닐링, 탭서치)과 진화 알고리즘(유전 알고리즘), 그리고 입자 군집 최적화와 같은 자연 영감 기법들을 정리한다. 특히, 정시성 구간(