Predicting the Impact on Speed Reduction in Adjacent Networks of a Link Using the Graph Attention Model

Abstract

교통 혼잡은 도로 이동의 비효율성을 초래하는 장애물로, 통행 시간과 연료 이용을 증가시켜 경제적 및 환경적 비용을 초래한다. 이러한 문제의식에서 출발하여 본 연구는 도로 네트워크 내의 링크가 인접 네트워크에 미치는 영향을 파악해 미래 교통 상황에 더 지대한 영향을 끼치는 링크를 선별하는 것을 목표로 한다. 대한민국의 수도인 서울의 도심부 도로 네트워크에 중점을 둔 이 연구에서는 새롭게 정의한 Impact on Adjacency Network Index (IANI)를 기반으로 네트워크 규모의 속도 감소를 예측할 수 있는 모델을 개발했다. 이 모델은 교통 흐름과 도로 네트워크의 특성을 고려하도록 설계되었다. 교통 흐름의 특성을 반영하기 위해서 새롭게 개발된 인접 행렬이 활용되었으며, 서로 다른 위계를 갖는 연속류 및 단속류 흐름을 고려하여 도로 네트워크 특성을 반영하였다. 또한, 어텐션 값에 대한 손실 함수를 도입하여 그래프 어텐션 모델의 현실성과 예측 결과의 신뢰성을 향상하였다. 교통 흐름이 고려된 인접 행렬은 그래프 어텐션 모델과 함께 활용되었을 때 전통적인 거리 기반의 인접 행렬에 비해 향상된 성능을 보였다. 단속류를 구분한 경우에도 마찬가지로 IANI 예측값의 정확도가 상승하는 것을 확인할 수 있었다. 현실성있는 어텐션 값을 위해 손실 함수에 어텐션 값을 추가한 경우 예측 성능 자체는 악화된다. 하지만 이에 비해 현실적인 주요 링크 선별에 중요한 recall의 값은 상승하였기에 이점이 더 많다고 할 수 있다. 본 연구에서 제시한 모델은 다양한 교통 시나리오에서 실시간 주요 링크 선별을 통한 대응 가능성을 보여준다. 이 모델의 결과는 신호 최적화 및 도로 확장과 같은 교통 전략 측면에서 사용될 것으로 기대된다.

Traffic congestion has long been recognized as a significant impediment to urban mobility, causing delays, increased travel times, and considerable economic and environmental costs. In light of these challenges, this study aims to identify the influence of links within a road network on adjacent networks to prioritize them for future applications. Focusing on the urban road network of Seoul, South Korea, we developed an impact on adjacent network index and a high-performance prediction model for network-scale speed reduction. The model incorporates the property of traffic flow and heterogeneity of road networks, accounting for interrupted and uninterrupted flows. Furthermore, we introduced a loss function for attention values to enhance their realism and the reliability of prediction results. Consequently, when paired with a graph attention model, the traffic flow-aware adjacency matrix demonstrated enhanced performance in comparison to the traditional distance-based adjacency matrix. Also, applying the heterogeneity of road networks brought advanced performance in speed reduction prediction tasks. Adding an attention loss weakened the prediction task, which is natural but strengthened the recall of the true data. Our results demonstrate the model's real-time performance and its potential for practical applications in various traffic scenarios. The results of this model are anticipated to be concurrently used in transportation operations such as signal optimization and traffic planning like road expansion.