두 단계 승객 선택 기반 대중교통망 설계: 머신러닝·컨텍스트 확률 최적화 통합

본 논문은 대중교통망 설계(Transit Network Design, TND) 문제를 기존의 고정된 O‑D 수요 가정에서 탈피하여, 두 단계의 승객 선택 과정을 통해 수요 불확실성을 계층적으로 모델링하는 새로운 프레임워크 2LRC‑TND를 제안한다. 첫 번째 레벨에서는 현재 대중교통을 필수적으로 이용하는 ‘핵심 수요’를 식별한다. 이를 위해 여행자별 컨텍스트 정보(xᵣ) 를 입력으로 하는 다중 머신러닝 분류기(C_core)를 학습하고, C_core(xᵣ)=1이면 해당 여행을 핵심 수요(Cᵣ=1)로, 아니면 잠재 수요(Cᵣ=0)로 구분한다. 두 번째 레벨은 핵심 수요가 아닌 여행자(잠재 수요)가 제시된 대중교통 경로(p)에 대해 채택할지 여부를 판단한다. 경로 p는 환승 횟수, 총 소요시간, 서비스 빈도 등 경로 특성을 포함하고, 이를 컨텍스트 변수와 함께 입력받는 또 다른 이진 선택 모델(C_adopt)로 학습한다. C_adopt(xᵣ,p)=1이면 잠재 여행자 Dᵣ=1, 즉 해당 경로를 채택한다. 경로가 실제 네트워크 설계(z)에 의해 가용(feasiblе(z,p)) 해야만 채택이 유효하므로, 잠재 수요의 채택은 “가용 경로 존재 ∧ 채택 모델이 1”이라는 논리식으로 정의된다. 이러한 두 레벨 확률 변수를 바탕으로 여행자별 대중교통 이용 여부 Uᵣ 를 식 (1)과 같이 정의하고, 전체 네트워크 설계 변수 z_a (arc a 를 열지 여부)와 결합한다. 기대 커버리지는 g(U)=∑₍r∈T₎ eᵣ·Uᵣ 로 표현되며, 목표는 E