데이터가 답이다 마코프 체인 기반 차간 거리 모델

본 논문은 차량 간 거리 유지와 가속·감속 행동을 모델링하는 전통적인 물리 기반 접근법이 실제 운전자의 행동 변동성을 충분히 포착하지 못한다는 문제점을 지적한다. 이를 해결하기 위해 저자들은 ‘경험적 확률 패러다임(Empirical Probabilistic Paradigm)’을 제안한다. 이 패러다임은 차량 상태 전이를 확률적 마코프 과정으로 간주하고, 각 상태에 대한 가속도 분포를 직접 데이터에서 추출한다는 두 가지 핵심 원칙에 기반한다. 구체적인 구현 모델인 마코프 체인 차간 거리(MC‑CF) 모델은 다음과 같은 절차로 구성된다. 첫째, 차량 상태를 ‘선행차 속도, 추종차 속도, 차간거리’라는 3차원 연속 변수로 정의하고, 이를 일정한 구간(예: 0.5 m·0.5 m·0.5 m³)으로 이산화한다. 둘째, 대규모 자연주의 데이터셋인 Waymo Open Motion Dataset(WOMD)에서 추출한 100 k 이상 차량쌍을 이용해 각 이산 상태에서 다음 상태로 전이될 확률을 경험적 빈도로 계산한다. 셋째, 각 상태에 속한 가속도 값을 히스토그램이나 커널밀도추정(KDE)으로 모델링하여, 상태별 가속도 확률분포를 구축한다. 시뮬레이션 단계에서는 현재 상태에서 전이 확률에 따라 다음 상태를 샘플링하고, 해당 상태의 가속도 분포에서 무작위 가속도를 추출해 차량 동역학을 업데이트한다. 데이터 전처리는 최소 10 s 지속, 최대 45 m 차간, 최소 3 m/s 속도 조건을 만족하도록 필터링했으며, 가속도 값이 -10 m/s²~5 m/s² 범위를 벗어나는 경우는 센서 노이즈로 간주해 제거하였다. 이렇게 정제된 데이터는 10 Hz로 샘플링되어, 고해상도 시간축에서 상태 전이를 정확히 포착한다. 전이 행렬은 희소 행렬 형태로 저장해 메모리 효율성을 확보했으며, 가속도 분포는 각 상태별 최소 2000개의 샘플을 확보해 충분히 통계적 신뢰성을 확보하였다. 성능 평가는 두 가지 축으로 진행되었다. 첫째, 1‑step 예측 정확도(RMSE)와 전체 트래젝터리 평균 절대오차(MAE)에서 MC‑CF는 기존 물리 기반 모델(IDM, Gipps, FVDM, SIDM) 대비 20 %~30 % 정도 개선하였다. 둘째, 오픈루프 시뮬레이션에서 충돌 발생률을 측정했을 때, MC‑CF는 보수적 추론 전략(가속도 상한·하한 적용)과 고속 자유 흐름 데이터(TGSIM) 통합을 통해 충돌을 전혀 발생시키지 않았다. 또한, 모델의 일반화 능력을 검증하기 위해 Naturalistic Phoenix(PHX) 데이터셋에 대해 제로샷 테스트를 수행하였다. WOMD에서 학습된 전이 확률과 가속도 분포만을 그대로 적용했음에도 불구하고, MC‑CF는 PHX 데이터에서도 동일 수준의 예측 정확도를 유지했으며, 이는 모델이 데이터셋 간 차이를 크게 의존하지 않음을 의미한다. 마지막으로, 마이크로시뮬레이션 환경인 링로드 실험을 통해 대규모 교통 흐름에서의 확장성을 확인하였다. 다양한 초기 조건(평형 상태, 급격한 차단 파동)에서 MC‑CF는 충돌 없이 안정적인 흐름을 유지했으며, 파동 전파 속도와 진폭 등 매크로 수준의 교통 현상도 실제 관측치와 일치하였다. 특히, 자유 흐름과 혼잡 상황을 동시에 포함한 복합 시나리오에서도 모델은 자연스러운 확률적 변동성을 보존하면서도 전체 시스템의 안정성을 확보하였다. 결론적으로, MC‑CF 모델은 ‘데이터‑우선’ 접근법이 파라미터 기반 모델의 해석 가능성을 유지하면서도, 대규모 자연주의 데이터가 제공하는 복합 확률성을 그대로 활용한다는 점에서 향후 지능형 교통 시스템, 자동운전 차량 시뮬레이션, 그리고 정책 평가에 중요한 기반이 될 것으로 기대된다.