[논문 리뷰] Sensor Placement for Urban Traffic Interpolation: A Data-Driven Evaluation to Inform Policy

Silke K. Kaiser|arXiv (Cornell University)|2026. 01. 12.

Traffic Prediction and Management Techniques인용 수 0

한 줄 요약

본 논문은 도시 전체 교통 보간을 위한 데이터 기반의 공간 및 시간 센서 배치 전략을 벤치마킹하고, 공간 커버리지와 활성 학습조차도 정확도를 크게 향상시키며, 임시 배치가 영구적 성능에 근접함을 보인다.

ABSTRACT

Data on citywide street-segment traffic volumes are essential for urban planning and sustainable mobility management. Yet such data are available only for a limited subset of streets due to the high costs of sensor deployment and maintenance. Traffic volumes on the remaining network are therefore interpolated based on existing sensor measurements. However, current sensor locations are often determined by administrative priorities rather than by data-driven optimization, leading to biased coverage and reduced estimation performance. This study provides a large-scale, real-world benchmarking of easily implementable, data-driven strategies for optimizing the placement of permanent and temporary traffic sensors, using segment-level data from Berlin (Strava bicycle counts) and Manhattan (taxi counts). It compares spatial placement strategies based on network centrality, spatial coverage, feature coverage, and active learning. In addition, the study examines temporal deployment schemes for temporary sensors. The findings highlight that spatial placement strategies that emphasize even spatial coverage and employ active learning achieve the lowest prediction errors. With only 10 sensors, they reduce the mean absolute error by over 60% in Berlin and 70% in Manhattan compared to alternatives. Temporal deployment choices further improve performance: distributing measurements evenly across weekdays reduces error by an additional 7% in Berlin and 21% in Manhattan. Together, these spatial and temporal principles allow temporary deployments to closely approximate the performance of optimally placed permanent deployments. From a policy perspective, the results indicate that cities can substantially improve data usefulness by adopting data-driven sensor placement strategies, while retaining flexibility in choosing between temporary and permanent deployments.

연구 동기 및 목표

• 도시 전역 교통 보간을 개선하기 위한 데이터 기반 센서 배치의 필요성을 제고한다.
• 현실 예산 하에서 중앙성, 특성/공간 커버리지, 활성 학습 등 여러 공간 배치 전략을 체계적으로 비교한다.
• 임시 센서에 대한 시간적 배치 방식 평가와 임시 배치와 영구 배치의 비교를 수행한다.
• 도시가 임시 배치와 영구 배치 중 어느 것을 택할지에 대한 활용 가능한 지침을 제공한다.

제안 방법

• 도로 네트워크를 특징이 있는 도로 구간으로 표현하고 데이터를 학습/검증/테스트 세트로 분할한다.
• K 개의 센서까지 평가(K ∈ {10,25,50,75,100})를 다양한 배치 전략으로 수행한다. 여기에는 매개... betweenness, closeness, feature diversity, feature redundancy, feature coverage, spatial dispersion, Voronoi Gini, 및 활성 학습이 포함된다.
• 센서 관찰로부터 도시 전역 교통량을 보간하기 위해 XGBoost를 사용하고, 성능은 평균 절대 오차(MAE)로 측정한다.
• 동일 예산 하에서 지속적 관찰을 통한 영구 배치와 시간-공간 선택을 통한 임시 배치를 비교한다.
• 기준 시나리오로 무작위 배치, 기존 배치, 모든 학습 데이터를 사용한 상한 등을 평가한다.

(a) Cycling network in Berlin.

실험 결과

연구 질문

• RQ1 주어진 예산과 도시/모드에서 어떤 공간 센서 배치 전략이 도시 전역 보간 오차를 가장 낮게 만드는가?
• RQ2 임시 센서의 시간적 배치 선택이 보간 정확도에 어떤 영향을 미치며, 유사 예산 하에서 임시 배치와 영구 배치 간 차이는 어떤가?
• RQ3 결과가 서로 다른 도시 맥락(스트라바 자전거 수를 활용한 베를린과 택시 수를 활용한 맨해튼) 및 교통수단(자전거 vs 차량 교통)에서도 일반화되는가?

주요 결과

• 고른 공간 커버리지와 활성 학습을 강조하는 공간 전략이 가장 낮은 예측 오차를 달성한다.
• 센서 10개 예산으로 이들 전략은 베를린에서 MAE를 60% 이상, 맨해튼에서 70% 이상 감소시킨다.
• 평일 전반에 걸쳐 측정을 고르게 분포시키는 시간 배치는 베를린에서 추가로 MAE를 약 7%, 맨해튼에서 약 21% 감소시킨다.
• 공간 및 시간 설계 원칙을 따르면 임시 배치는 최적 위치의 영구 배치 성능에 거의 근접할 수 있다.
• 본 연구는 데이터 기반 센서 배치 전략이 도시 정책의 데이터 활용도를 크게 향상시키며 임시와 영구 배치 간의 유연성도 제공한다는 근거를 제시한다.

(b) Street network in Manhattan, NYC.