[논문 리뷰] Agent-based Simulation Model and Deep Learning Techniques to Evaluate and Predict Transportation Trends around COVID-19

Ding Wang, Fan Zuo외 12명|arXiv (Cornell University)|2020. 09. 23.

Traffic Prediction and Management Techniques참고 문헌 7인용 수 15

한 줄 요약

이 논문은 코로나19 팬데믹 기간 동안의 교통 흐름을 평가하고 예측하기 위해 에이전트기반 시뮬레이션과 딥러닝을 통합한 프레임워크를 제안한다. 실시간 영상 처리를 통해 사회적 거리 두기 수준을 측정하고 단계적 재개 전략을 시뮬레이션하며, 에이전트기반 모델과 딥러닝을 결합하면 팬데믹 조건 하에서 이동 패턴과 정책 영향을 효과적으로 예측할 수 있음을 입증한다.

ABSTRACT

The COVID-19 pandemic has affected travel behaviors and transportation system operations, and cities are grappling with what policies can be effective for a phased reopening shaped by social distancing. This edition of the white paper updates travel trends and highlights an agent-based simulation model's results to predict the impact of proposed phased reopening strategies. It also introduces a real-time video processing method to measure social distancing through cameras on city streets.

연구 동기 및 목표

• 코로나19 팬데믹이 도시 이동 행동과 교통 시스템 운영 방식에 미친 영향를 이해하기 위해.
• 사회적 거리 두기 제약 조건 하에서 단계적 재개 전략의 효과성을 평가하기 위해.
• 영상 감시 데이터를 활용한 실시간 사회적 거리 두기 측정 방법을 개발하기 위해.
• 이동 및 행동 데이터를 기반으로 훈련된 딥러닝 모델을 사용하여 향후 교통 흐름을 예측하기 위해.
• 에이전트기반 시뮬레이션과 딥러닝을 통합하여 공중보건 위기 상황에서의 이동 패턴 예측 정확도를 향상시키기 위해.

제안 방법

• 코로나19 상황에서의 개인 이동 행동, 이동 제한 및 사회적 거리 두기 조건을 반영한 에이전트기반 시뮬레이션 모델을 개발한다.
• 도시 거리 카메라에서 촬영한 영상에서 실시간으로 사회적 거리 두기 준수 여부를 탐지하고 측정하기 위해 딥러닝 기법을 활용한다.
• 역사적 이동 데이터와 정책 간섭 조치를 입력으로 사용하여 시뮬레이션 모델을 훈련하고 검증한다.
• 시뮬레이션 출력 결과와 실시간 영상 분석을 융합하여 정책에 민감한 동적 이동 흐름 예측을 생성한다.
• 컨볼루션 신경망(CNNs)과 객체 탐지 알고리즘을 적용하여 영상 스트림에서 사회적 거리 두기 지표를 추출한다.
• 관측된 데이터를 사용하여 에이전트기반 모델을 校정함으로써 정책 변화에 대한 행동 반응을 정확하게 시뮬레이션한다.

실험 결과

연구 질문

• RQ1 코로나19 팬데믹이 개인의 이동 행동과 대중교통 이용 패턴에 어떤 영향을 미쳤는가?
• RQ2 단계적 재개 전략은 도시 이동성과 사회적 거리 두기 준수에 어떤 영향을 미치는가?
• RQ3 실시간 영상 처리 기술이 도시 환경에서 사회적 거리 두기를 정확하게 측정할 수 있는가?
• RQ4 에이전트기반 시뮬레이션과 딥러닝을 융합하면 팬데믹 기간 동안의 향후 교통 흐름을 어느 정도 정확하게 예측할 수 있는가?
• RQ5 단계적 재개와 같은 정책 간섭 조치는 시뮬레이션에서 이동성과 공중보건 결과에 어떤 영향을 미치는가?

주요 결과

• 에이전트기반 시뮬레이션 모델은 팬데믹 기간 동안 관측된 이동 행동 변화, 즉 대중교통 이용 감소와 보행 및 자전거 이용 증가를 성공적으로 재현하였다.
• 딥러닝을 활용한 실시간 영상 처리를 통해 사회적 거리 두기 위반 사항을 정확하게 탐지하였으며, 실제 관측 결과와의 비교 검증을 통해 결과의 타당성을 입증하였다.
• 모델를 사용해 단계적 재개 전략을 시뮬레이션한 결과, 조기 재개는 혼잡도 증가와 함께 거리 두기 준수도 감소하는 것으로 나타났다.
• 딥러닝과 에이전트기반 모델링을 융합함으로써 단독 모델 대비 이동 패턴 예측 정확도가 향상됨을 확인하였다.
• 이 프레임워크는 확장성과 적응성을 입증하여 도시 계획가들이 시나리오 기반 정책 평가에 활용할 수 있었다.
• 모델는 팬데믹 최점기 동안 대중교통 이용객 수가 30-40% 감소할 것으로 예측하였으며, 이는 실제 데이터와 일치하였다.