혁신적인 여행 수요 예측: 신경기호 AI의 등장

본 연구는 신경기호 AI를 활용하여 여행 수요를 예측하는 새로운 프레임워크를 제시합니다. 의사결정 트리 규칙을 신경망에 통합하여 예측 정확도와 해석력을 향상시켰으며, 다양한 데이터 소스를 활용하여 실험 결과의 우수성을 입증했습니다.

교통 계획, 자원 배분, 인프라 개발 최적화에 필수적인 여행 수요 예측 분야에 혁신적인 변화의 바람이 불고 있습니다. Kamal Acharya, Mehul Lad, Liang Sun, 그리고 Houbing Song이 주도한 최근 연구는 신경기호 인공지능(Neurosymbolic AI) 프레임워크를 통해 여행 수요 예측의 정확성과 해석력이라는 두 마리 토끼를 동시에 잡을 수 있는 가능성을 제시했습니다.

이 연구는 의사결정 트리(DT) 기반의 상징적 규칙을 신경망(NN)에 통합하는 독창적인 접근 방식을 활용합니다. 이는 마치 인간 전문가의 직관적인 판단과 컴퓨터의 정교한 계산 능력을 결합하는 것과 같습니다. DT는 데이터에서 해석 가능한 '만약-그러면' 규칙을 추출하여 복잡한 패턴을 간결하게 설명하고, 이 규칙들은 NN에 추가적인 특징으로 통합되어 예측 성능을 향상시키는 역할을 합니다.

연구팀은 지리 공간, 경제, 이동성 데이터 등 다양한 출처의 데이터를 활용하여 포괄적인 특징 집합을 구축했습니다. 이는 마치 여러 조각의 퍼즐을 맞춰 완성된 그림을 얻는 것과 같습니다. 실험 결과는 이러한 종합적인 데이터 세트, 특히 상징적 규칙으로 풍부하게 강화된 데이터 세트가 평균 절대 오차(MAE), R², 그리고 통행자 공통 부분(CPC)과 같은 여러 평가 지표에서 기존 방법을 능가하는 것을 보여주었습니다. 특히, 더 세밀한 분산 임계값(예: 0.0001)에서 선택된 규칙은 미묘한 관계를 포착하고 예측 오류를 줄이며 관찰된 통행자 패턴과 일치하는 데 뛰어난 효과를 보였습니다.

이 연구는 상징적 학습과 신경망 학습 패러다임을 결합함으로써, 높은 정확도와 동시에 결과의 해석력을 확보하는 획기적인 성과를 달성했습니다. 이는 단순히 예측 결과만을 제공하는 것이 아니라, 그 이유를 명확히 설명할 수 있는 인공지능 시스템을 구축하는 데 한 걸음 더 나아간 것입니다. 이는 앞으로 더욱 복잡하고 다양한 여행 수요 예측 문제에 효과적으로 대처하는 데 중요한 이정표가 될 것입니다.

주요 내용:

• 신경기호 AI를 이용한 여행 수요 예측 프레임워크 제시
• 의사결정 트리(DT) 규칙을 신경망(NN)에 통합
• 다양한 데이터 소스 활용 및 종합적인 특징 집합 구축
• MAE, R², CPC 등 여러 평가 지표에서 기존 방법 능가
• 세밀한 분산 임계값을 이용한 규칙 선택의 효과 입증
• 해석력과 정확도를 동시에 달성