딥러닝으로 여행 행동의 비밀을 풀다: 해석 가능한 심층 역강화 학습의 활용

Liang 등(2025)의 연구는 해석 가능한 심층 역강화 학습(DIRL) 프레임워크를 사용하여 여행 수요 모델링에서 행동 패턴과 선호도에 대한 통찰력을 제공합니다. 실제 데이터 분석을 통해 사회 인구 통계적 그룹 간의 차이점과 특정 활동 순서의 효용을 밝혀냄으로써, 교통 계획 및 정책 수립에 유용한 정보를 제공합니다.

여행 수요 모델링의 패러다임 변화: 과거 집계된 여행 기반 모델에서 벗어나, 인간 활동에 기반한 행동 중심 모델로의 전환이 이뤄지고 있습니다. 매일의 이동은 본질적으로 인간의 활동에 의해 결정되기 때문입니다. 이러한 맥락에서, Liang 등(2025)의 연구는 심층 역강화 학습(DIRL)을 활용하여 순차적인 활동-여행 의사결정 과정을 분석하는 획기적인 방법을 제시합니다.

해석 가능한 DIRL 프레임워크의 등장: 기존 DIRL 연구는 예측 정확도 향상에 초점을 맞춰왔습니다. 하지만, Liang 등(2025)은 한 발 더 나아가, 해석 가능한 DIRL 프레임워크를 개발하여 데이터 기반 머신러닝과 이론 기반 행동 모델 간의 간극을 메웠습니다. 이는 단순히 예측만 하는 것이 아니라, 왜 그러한 결정을 내리는지에 대한 통찰력을 제공한다는 점에서 매우 중요합니다.

적대적 IRL 접근 방식: 연구진은 적대적 IRL 접근 방식을 채택하여 활동-여행 행동의 보상 함수와 정책 함수를 추론했습니다. 정책 함수는 정책 함수에서 얻은 선택 확률을 기반으로 하는 대리 해석 가능 모델을 통해 해석되며, 보상 함수는 다양한 활동-여행 패턴에 대한 단기 보상과 장기 수익을 도출하여 해석됩니다. 이를 통해 단순한 예측을 넘어, 인간의 의사결정 과정을 심층적으로 이해하는 단계로 진입합니다.

실제 데이터 분석과 놀라운 결과: 실제 여행 조사 데이터 분석을 통해 두 가지 주요 결과를 얻었습니다. 첫째, 정책 함수를 통해 도출된 행동 패턴 통찰력은 의사결정에서 중요한 요소와 사회 인구 통계적 그룹 간의 차이점을 강조합니다. 둘째, 보상 함수를 통해 도출된 행동 선호도 통찰력은 개인이 특정 활동 순서에서 얻는 효용을 보여줍니다. 이는 단순한 통계적 분석을 넘어, 개인의 선호도와 행동 패턴 사이의 복잡한 상호 작용을 이해하는 데 기여합니다.

결론: Liang 등(2025)의 연구는 DIRL을 이용한 여행 수요 모델링 분야에 중요한 기여를 했습니다. 해석 가능한 모델을 통해 얻은 행동 패턴 및 선호도 통찰력은 교통 계획 및 정책 수립에 유용한 정보를 제공하며, 더 나아가 인간 행동에 대한 깊이 있는 이해를 제공합니다. 이 연구는 AI 기술이 단순한 예측 도구를 넘어 인간 행동의 복잡한 양상을 이해하는 데 사용될 수 있음을 보여주는 좋은 사례입니다.