EV 간 에너지 거래를 위한 다음 충전소 추천 학습 순위 기반 접근

본 논문은 전기차(EV) 간 피어‑투‑피어(P2P) 에너지 거래가 급증함에 따라, 거래가 이루어질 최적의 충전소를 운전자가 선택하도록 돕는 ‘다음 충전소 추천’ 문제를 학습‑순위(Learning‑to‑Rank) 프레임워크로 정의한다. 기존 연구는 주로 충전 수요 예측, 고정형 충전소 이용 패턴, 혹은 단일 차량의 다음 목적지 예측에 머물렀으며, EV‑EV 거래처럼 두 차량이 동시에 이동 중인 복합 상황을 다루지 못했다. 이러한 연구 격차를 메우기 위해 저자들은 (1) 대규모 도시 EV 이동 데이터(수백만 건)와 충전소 메타데이터를 결합한 새로운 데이터셋을 구축하고, (2) 각 ‘결정 이벤트’마다 후보 충전소 집합을 자동 생성한 뒤, (3) 배터리 잔량, 거래 역할(공급자/소비자), 후보 충전소까지의 거리, 충전 속도, 시간대별 이용자 밀집도(구글 Popular Times) 등 5가지 핵심 특성을 추출하였다. 특히, 거래 파트너가 이동 중이므로 후보 충전소 선택이 다중 가능성을 갖는다. 이를 반영하기 위해 ‘확률적 관련도 정제’를 도입해 각 후보에 0~1 사이의 graded relevance 라벨을 부여하였다. 실제 선택된 충전소에는 가장 높은 확률을 할당하고, 거리·충전 속도·시간대 인기 등을 고려해 다른 후보에도 낮은 확률을 부여함으로써 라벨의 불확실성을 정량화하였다. 학습‑순위 모델로는 Gradient Boosted Decision Tree 기반의 LightGBM, XGBoost, CatBoost를 동일한 하이퍼파라미터 탐색 범위에서 비교하였다. 데이터 전처리 과정에서는 각 여정에서 ‘충전 의사결정 시점’을 식별하고, 해당 시점에 인접한 5~10개의 후보 충전소를 선정하였다. 라벨링된 학습 데이터는 NDCG, Recall, MRR 등 표준 랭킹 지표를 최적화하는 손실 함수에 직접 사용되었다. 실험 결과 LightGBM이 다른 두 모델을 앞서 NDCG@k, Recall@k, MRR 전반에서 우수한 성능을 보였으며, 특히 초기 순위(Top‑1)에서 거의 완벽에 가까운 NDCG@1 = 0.9795와 MRR = 0.9990을 기록했다. 이는 모델이 실제 운전자가 선택할 가능성이 높은 충전소를 정확히 예측한다는 의미이며, EV‑EV 거래 매칭 시스템에서 실시간 파트너 매칭 및 대기시간 최소화에 직접 활용될 수 있다. 특성 중요도 분석 결과 배터리 잔량이 가장 큰 영향을 미치고, 그 다음으로 거리와 시간대별 인기 순으로 중요도가 나타났다. 이는 정책 입안자나 충전 인프라 운영자가 어느 요소에 투자해야 효율성을 높일 수 있는지에 대한 실질적인 인사이트를 제공한다. 논문의 한계로는 (1) 데이터가 특정 도시(브리즈번) 중심이며, 다른 지역으로의 일반화 검증이 부족하고, (2) 무선 충전 패드(WCP)와 같은 새로운 충전 기술의 실제 가용성을 충분히 검증하지 못했으며, (3) 라벨링에 사용된 확률적 모델이 실제 거래 성공 확률을 완전히 반영하지 못할 가능성이 있다. 향후 연구에서는 다지역 데이터 확장, 실시간 교통·날씨 정보 통합, 강화학습 기반 동적 매칭 전략 결합 등을 통해 보다 포괄적이고 실시간 대응이 가능한 EV‑EV 에너지 거래 지원 시스템을 구축할 필요가 있다.