[논문 리뷰] BigSUMO: A Scalable Framework for Big Data Traffic Analytics and Parallel Simulation

Rahul Sengupta, Nooshin Yousefzadeh외 8명|arXiv (Cornell University)|2026. 01. 05.

Traffic Prediction and Management Techniques인용 수 0

한 줄 요약

BigSUMO는 ATSPM 및 희소 궤적 데이터를 사용한 도시 규모 분석과 병렬 SUMO 기반 시뮬레이션을 위한 엔드투엔드 오픈 소스 프레임워크로서, 서술적 분석, 중단 탐지, 그리고 처방적 교통 최적화를 가능하게 한다.

ABSTRACT

With growing urbanization worldwide, efficient management of traffic infrastructure is critical for transportation agencies and city planners. It is essential to have tools that help analyze large volumes of stored traffic data and make effective interventions. To address this need, we present ``BigSUMO", an end-to-end, scalable, open-source framework for analytics, interruption detection, and parallel traffic simulation. Our system ingests high-resolution loop detector and signal state data, along with sparse probe trajectory data. It first performs descriptive analytics and detects potential interruptions. It then uses the SUMO microsimulator for prescriptive analytics, testing hundreds of what-if scenarios to optimize traffic performance. The modular design allows integration of different algorithms for data processing and outlier detection. Built using open-source software and libraries, the pipeline is cost-effective, scalable, and easy to deploy. We hope BigSUMO will be a valuable aid in developing smart city mobility solutions.

연구 동기 및 목표

• ATSPM 및 희소 궤적 데이터에 대한 엔드투엔드형 확장 가능한 분석 및 시뮬레이션 파이프라인 제공.
• 대화형 노트북을 통한 서술적 분석과 병렬 SUMO 시뮬레이션을 통한 처방적 분석 제공.
• 다중 데이터 소스에서의 중단 탐지를 가능하게 하고 개입의 반사실 분석을 지원한다.
• 클라우드 배포와 광범위한 접근성을 위한 오픈 소스 구성요소 활용.
• 스마트 시티 모빌리티 솔루션의 응용 워크플로우와 잠재적 사용 사례를 시연한다.

제안 방법

• ATSPM 및 희소 궤적 데이터를 수집하고 대기 시간, 좌회전/우회전 동향, 대기열 길이, 제동 이벤트를 추출하기 위한 서술적 분석을 적용한다.
• GIS 데이터에서 공간 마스크를 생성해 궤적을 클립하고 GeoPandas와 MovingPandas로 데이터를 전처리한다.
• PyOD의 ABOD를 사용하여 ATSPM 기반 및 궤적 기반 이상치 분석을 결합해 중단을 탐지하고 병렬 교차로에서 실행한다.
• 대략 수백 개의 SUMO 마이크로시뮬레이션을 병렬 실행해 반사실 교통 개입을 평가한다.
• 베이스맵과 O-D/회전 움직임을 사용해 흐름과 속도를 보정해 사실적인 SUMO 시뮬레이션을 만들고 traffic 생성에 routeSampler를 활용한다.
• 일반 CPU에서 병렬 시뮬레이션을 실행해 모델 학습 및 평가를 위한 대규모 데이터를 생성한다.

실험 결과

연구 질문

• RQ1 ATSPM과 희소 궤적 데이터를 어떻게 통합해 도시 규모의 서술적 및 처방적 교통 분석을 생성할 수 있는가?
• RQ2 이질적인 데이터 소스를 활용한 확장 가능한 파이프라인에서 교통 중단을 탐지하는 효과적인 방법은 무엇인가?
• RQ3 변수 매개변수 하에서의 병렬 SUMO 마이크로시뮬레이션이 반사실 분석 및 개입 계획을 신뢰성 있게 지원할 수 있는가?
• RQ4 시뮬레이션을 관찰된 교통 행동과 일치시키기 위한 필요한 전처리, 마스킹 및 보정 단계는 무엇인가?
• RQ5 이 프레임워크가 교통 분야의 딥 러닝 모델용 데이터 생성을 어떻게 지원할 수 있는가?

주요 결과

• BigSUMO 파이프라인은 클리핑, 분석, 벡터화 및 이상치 탐지를 포함한 엔드투엔드 처리에서 교차로당 실제 시간 2–3분에 도달한다.
• 궤적 기반 중단 탐지는 실행 가능하고 ATSPM 기반 탐지와 보완적이며 병렬화를 통해 일반 CPU에서 다중 교차로 분석이 가능하다.
• SUMO 기반 처방적 분석은 수백 개의 병렬 시뮬레이션을 실행해 구간 최적화를 위한 반사실 시나리오를 탐색할 수 있다.
• 보정된 베이스맵, O-D 매트릭스, 속도 분포는 사실적인 SUMO 시뮬레이션과 관찰된 교통 패턴에 대한 더 빠른 수렴을 가능하게 한다.
• 이 프레임워크는 시공간 교통 동역학에 대한 그래프 기반 모델을 포함해 딥 러닝용 데이터 생성을 지원한다.