중단 후 지하철 네트워크 여행 시간 예측을 위한 베이지안 프레임워크

이 논문은 지하철 등 고빈도 철도 시스템에서 불가피하게 발생하는 운행 중단 사고 이후, 서비스가 재개되는 복구 기간 동안의 열차 여행 시간을 예측하는 새로운 통계 모델을 제안합니다. 중단이 해제되었다고 공표된 후에도 열차 운행은 불규칙하며, 이로 인한 대기 및 여행 시간의 불확실성은 승객 불만과 시스템 신뢰도 하락으로 이어집니다. 기존 연구가 고정된 시간표 하에서의 지연 전파에 주로 집중한 반면, 본 연구는 시간표가 무의미해지는 중단 직후의 혼란스러운 상황에서, 특정 하류역까지의 소요시간을 '한 번에' 예측하는 데 초점을 맞춥니다. 연구의 실증 분석은 몬트리올 지하철의 녹색선과 주황선 데이터를 기반으로 합니다. 사용된 데이터는 두 가지로, 첫째는 모든 블록 섹션의 점유/해제 신호를 담은 **궤도 점유 데이터**로, 이를 통해 각 열차의 정확한 역 도착/출발 시각을 재구성하여 궤적을 추출했습니다. 둘째는 **중단 로그 데이터**로, 중단의 시작/종료 시간, 지속 시간, 원인 등을 기록하지만, 기록의 누락이나 시간 오류가 존재합니다. 저자들은 이 로그의 부정확성을 인지하고, 중단 종료 시점을 '공식 기록'이 아닌 '중단 후 첫 번째 열차가 출발한 실제 시점'으로 재정의하여 분석의 현실성을 높였습니다. 방법론적 핵심은 **베이지안 시공간 모델링 프레임워크**입니다. 모델은 중단 후 여행 시간을 두 가지 주요 요소로 분해합니다: (1) **지연 구성요소**: 중단 동안 열차가 네트워크상에 밀집되면서 발생하는 선후행 열차 간의 공간적 격차와 상호작용에서 기인한 지연. (2) **주행 구성요소**: 중단으로 인해 길어진 헤드웨이 동안 플랫폼에 축적된 많은 승객을 태우기 위해 필요한 추가적인 정차 시간을 반영합니다. 이 모델이 기존 접근법과 차별화되는 점은 두 가지 주요 통계적 혁신에 있습니다. 첫째, **비대칭 및 두꺼운 꼬리를 가진 분포의 채택**입니다. 분석 결과, 중단 후 여행 시간은 정규분포를 따르지 않으며, 이동 거리가 길어질수록 분포의 비대칭성과 변동성이 커지는 특징을 보였습니다. 이를 모델링하기 위해 저자들은 더 유연한 **스큐-노멀** 및 **스큐-t 분포**를 사용했습니다. 특히 스큐-t 분포는 극단값(아웃라이어)을 더 잘 수용하여 긴 구간 이동 예측에서 더욱 강건한 성능을 보였습니다. 둘째, **열차 간 오차의 상관관계 모델링**입니다. 복구 기간에는 열차들이 짧은 간격으로 연속 출발하므로, 한 열차의 지연이 바로 뒤따르는 열차에 영향을 미치는 '연쇄 효과'가 발생합니다. 논문은 이를 **1차 이동평균(MA(1)) 오차 구조**를 도입하여 포착했으며, 이는 열차 간 의존성을 무시하는 모델보다 현실을 훨씬 정확히 반영합니다. 실험 결과, 제안된 베이지안 스큐-t 모델은 전통적인 가우시안 기반 모델이나 의존성을 고려하지 않은 모델 등의 기준 모델(Baseline)에 비해, **점 예측 정확도(예: RMSE)**와 **불확실성 정량화(예: 예측 구간의 적절한 커버리지)** 모두에서 지속적으로 우수한 성능을 기록했습니다. 이는 복구 기간 여행 시간의 복잡한 통계적 특성을 정확히 모델링한 데 기인합니다. 결론적으로, 이 연구는 운행 중단 이후의 불확실한 환경에서 열차 여행 시간을 예측할 때, 단순한 점 추정을 넘어 **분포의 유연성(비대칭성, 이분산성 수용)**과 **열차 간 순차적 의존성**을 반드시 함께 고려해야 한다는 중요한 통찰을 제시합니다. 제안된 베이지안 프레임워크는 정확한 예측과 함께 예측의 불확실성을 정량화함으로써, 보다 신뢰할 수 있는 실시간 승객 정보 시스템 구축과 운영자의 효율적인 서비스 복구 결정을 지원할 수 있는 실용적인 도구가 될 것입니다.