Ⅰ. 서 론

급속히 증가하는 교통량으로 인해 교통 체증은 현대 사회에서 해결해야 할 중요한 문제로 자리 잡고 있다(Lee et al., 2023). 서울 연구원의 통계에 따르면, 불법주정차, 꼬리물기, 그리고 진출입로에서 무리한 끼어들기와 같은 행동들은 교통 체증 원인의 약 70%를 차지한 것으로 나타났다(Jilani et al., 2023). 특히, 차량이 집중되는 구간에서 발생하는 끼어들기 행위는 교통 흐름을 방해하며, 도로 전체의 체증을 가중시키는 주요 원인으로 작용한다.

본 연구에서는 진입로나 진출로에 접근하면서 사전에 차로를 변경하지 않고, 진입 및 진출 지점에 근접한 구간에서 급격하게 차로를 변경하여 주변 교통 흐름에 유의미한 교란을 일으켜, 이로 인해 전체 교통 시스템 의 안정성과 효율성을 저해하는 행위를 “얌체 끼어들기 (Selfish Cutting-In)” 행위로 정의한다. 특히, 차량이 잠시 다른 차로로 이동했다가 다시 원 차로로 복귀한 경우에도 그 과정에서 주변 차량의 급제동이나 급격한 차간 거리 조정을 유발하므로 이 또한 “얌체 끼어들기” 행위에 포함된다. 이러한 얌체 끼어들기 행위는 교통 흐름의 안정성을 저해할 뿐만 아니라, 인접 차로로 체증을 확산시키고, 뒤따르는 차량의 급정거나 감속을 유 발하여 사고 위험도를 증가시킨다(Ma and Li, 2023;Zheng and Liu, 2024). 이러한 행동이 빈번히 발생하는 혼 잡한 도로 환경에서는 교통 네트워크 전체의 효율성이 크게 저하될 수 있다.

현재, 점선 구간에서의 차로 변경 허용 기준 및 끼어들기 금지와 같은 법적 규제는 마련되어 있으나, 이러 한 규제는 운전자의 준수 여부에 의존하기 때문에 얌체 끼어들기와 같은 행동을 사전에 탐지하거나 실시간 으로 대응하는 데에는 한계가 있다(Xu et al., 2023). 교통 안내 표지판, 유도선, 디지털 신호 시스템 등을 통 해 진출입로의 교통 체증을 완화하려는 시도가 이어지고 있지만, 여전히 교통량이 많아지는 상황에서는 실 효성이 제한적이다(Choi et al., 2022;Bouhsissin et al., 2024). 따라서 얌체 끼어들기와 같은 비규칙적 행동을 사전에 탐지하여 교통 혼잡을 유발하지 않도록 하는 기술적 접근이 반드시 필요하다.

그러나, 이러한 방안은 물리적 인프라의 대규모 개편과 높은 설치·운영 비용이 수반되며, 모든 도로에 적용하기에는 현실적인 제약이 있다. 공정유도차로 또한 운전자의 규칙 준수 여부에 크게 의존하므로, 얌체 끼어들기와 같은 비규칙적 행동을 사전에 탐지하거나 방지하는 데 한계가 존재한다. 또한, 교통량이 실시간으로 변동하는 상황에서는 이러한 물리적 제한이 즉각적인 대응을 보장하기 어렵고, 초기 도입 시 운전자 혼란을 초래할 수 있다.

이러한 문제를 해결하기 위해, 본 연구에서는 진출입로에서 발생하는 차량의 얌체 끼어들기 행동을 실시 간으로 탐지할 수 있는 새로운 방법론을 제안한다. 제안하는 방법론은 강화학습 문제를 순차 모델링 접근법 으로 해결하고자 등장한 Decision Transformer 모델(Chen et al., 2021)을 기반으로 한다. Decision Transformer는 기존에 Atari 게임, MuJoCo 환경 등에서 우수한 성과를 입증한 바 있으며, 이러한 배경을 바탕으로 본 연구 에서는 도시 교통 시뮬레이션을 통해 차량 데이터를 수집하고, 이를 기반으로 차량의 과거 움직임 패턴을 학 습하여 끼어들기 가능성을 사전에 예측한다. 특히, 차량의 이동 궤적, 속도, 방향 등 과거 데이터를 종합적으 로 분석함으로써 진출입로에서 발생하는 차량의 얌체 끼어들기 행동을 미리 탐지하고, 이에 따른 적절한 대 응 방안을 마련하는 것을 목표로 한다. 이러한 시스템은 교통 흐름을 방해하는 행동을 예방하고, 결과적으로 교통 체증 완화와 도로 네트워크의 효율성 향상에 기여할 수 있을 것으로 기대된다.

Ⅱ. 관련 연구

최근 교통 혼잡 문제를 해결하기 위해 차량의 비정상적 행동을 사전에 탐지하고 예측하는 연구가 활발히 진행되고 있다. 특히 딥러닝 및 강화학습 기반의 예측 모델이 이러한 연구에 있어 효과적인 도구로 자리 잡 고 있으며, 교통 데이터를 정밀하게 분석하고 이를 시뮬레이션 기법과 융합한 연구들이 증가하는 추세이다.

Hema and Jaison(2024)은 딥러닝 기반의 스마트 시스템을 제안하여 차량의 종단 및 횡단 위치를 예측하는 연구를 수행하였다. 이 연구는 Long Short-Term Memory (LSTM) 네트워크와 Grey Wolf Optimization (GWO) 알고 리즘을 결합하여 초모수를 최적화함으로써 예측 정확도를 향상시켰다. 그러나 해당 연구는 실제 교통 환경에서 발생할 수 있는 다양한 운전 패턴이나 동적 환경의 복잡성을 충분히 반영하지 못했다는 한계가 있다.

Li et al.(2022b)은 Attention 메커니즘이 적용된 LSTM 모델을 활용하여 고속도로에서의 차로 변경과 충돌 위험을 예측하였다. 이 연구는 Attention 메커니즘을 통해 중요한 입력 정보를 학습하고, C4.5 결정 트리와 배 깅(Bagging) 알고리즘을 결합하여 선제적 판단 모델을 개발하였다. 그러나 이러한 접근법은 주로 고속도로 환경에 국한되었으며, 진출입로와 같은 도시 교통 환경에서의 복잡한 상호작용이나 다양한 도로 구간에서의 예측에는 제한적이다.

Li et al.(2022a)은 딥러닝 기반의 강화학습을 활용하여 자율주행 차량의 차로 변경 시 위험을 인식하고 최 소 기대 위험을 가지는 의사결정 전략을 학습하는 방법을 제안하였다. 이 연구는 CARLA 시뮬레이션을 활용 하여 기존 방법보다 안전하고 안정적인 차로 변경이 가능함을 확인하였으며, 특히 끼어들기 행동을 고려하 여 위험을 최소화하는 의사결정을 수행하도록 설계되었다. 그러나 해당 연구는 주행 안전성을 높이기 위한 보수적인 전략을 학습하는 경향이 있으며, 실제 교통 흐름에서 요구되는 유연한 의사결정 능력을 충분히 반 영하지 못한다는 한계가 존재한다.

본 연구는 이러한 기존 연구들을 기반으로 확장된 접근 방식을 제안한다. 기존 연구들이 주로 개별 차량 의 행동 예측에 초점을 맞춘 데 반해, 본 연구는 도시 교통 시뮬레이션 데이터를 활용하여 진출입로와 같은 복잡한 구간에서 얌체 끼어들기 행동을 사전에 탐지하고, 구간별 발생 가능성을 판별하는 데 중점을 둔다. 특히, 본 연구는 Target Vehicle의 과거 데이터를 분석하여 얌체 끼어들기 행동으로 전환될 가능성을 사전에 예측하며, 특정 위치에서의 얌체 끼어들기 시도를 판별함으로써 도시 교통 혼잡 문제의 실질적인 해결에 기 여하고자 한다.

Ⅲ. 문제 정의

본 장에서는 진출입로에서의 얌체 끼어들기를 사전에 예측하는 것을 목표로 하며, 문제 정의에 앞서 본 연구에서 사용되는 차량 유형을 행동 및 상호작용 관점에서 정의하고 설명한다. <Table 1>은 본 연구에서 사 용된 주요 차량 유형과 각 정의를 요약한 내용을 제시한다.

<Fig. 1>은 <Table 1>에 정의된 차량 유형 간의 상호작용 및 그로 인한 교통 상황 변화를 시각적으로 나타 낸다. 그림에서 Normal Driving Vehicle (NDV)는 진출입로에서 규칙적으로 차례를 기다리는 차량을 의미하 며, 이러한 정상적인 흐름을 방해하는 차량이 Selfish Cutting-In Vehicle (SCV)이다. SCV는 얌체 끼어들기를 시도하여 다른 차량의 주행 흐름을 방해하며, 이로 인해 Affected Vehicle (AV)는 급정거하거나 차로를 변경 해야 하는 상황에 직면한다. 이러한 상호작용은 교통 체증을 가중시키고, 주변 차량의 안전을 위협하는 결과 를 초래한다. 반면, Uninfluenced Vehicle (UV)는 이러한 상황에 영향을 받지 않고 정상적으로 주행하는 차량 을 나타낸다.

본 연구에서 예측하고자 하는 대상은 Target Vehicle (TV)로, 이는 SCV의 끼어들기 행동 및 이에 따른 AV 의 반응(급정거, 차로 변경 등)을 기반으로 행동을 예측하는 차량이다. 이러한 정의와 상호작용 분석은 TV의 행동 예측 모델을 설계하고 검증하는 데 필수적인 기초 자료로 활용된다.

<Fig. 2>는 본 연구에서 해결하고자 하는 진출입로 구간에서의 얌체 끼어들기를 사전에 예측하기 위한 문 제를 교통 시뮬레이션을 활용하여 시각화한 것이다. 연구에서는 주어진 진출입로 구간을 동일한 길이를 갖 는 다섯 개의 구간(Section)으로 나눈다. Section 1은 진출입로로부터 가장 먼 초기 구간이며, Section 5는 진출 입로에 가장 가까운 구간으로, SCV의 얌체 끼어들기 시도와 이에 따른 AV의 급정거 및 차로 변경이 집중적 으로 발생하는 구간이다. 해당 구간에 대한 구현 및 수치에 관한 자세한 설명은 실험 설계 부분에서 다룬다.

본 연구는 진출입 차로(가장 바깥 차로) 외 다른 차로에 있는 TV의 Section 1 진입 전 행동 정보를 바탕으 로, 특정 구간에서 얌체 끼어들기를 시도할 가능성을 예측하는 문제를 해결하고자 한다. 즉, 본 연구는 TV의 과거 이동 데이터를 기반으로 SCV로 전환될 가능성을 사전에 예측하며, 해당 차량이 진출입로 근처의 특정 구간(Section 1~5) 중 어느 구간에서 얌체 끼어들기를 시도할지를 판별하는 것을 목표로 한다. 이를 위해 교 통 시뮬레이션 소프트웨어 AIMSUN을 활용하여 테스트 환경을 구성하고, 차량의 행동 정보를 수집하여 예 측 모델링에 활용한다. 차량의 상태 정보는 속도, 위치, 방향 등의 특징 정보를 포함한다.

본 연구에서는 각 차량의 상태 정보를 <Table 2>와 같이 수식으로 정의하며, 이를 활용하여 각 차량 유형 을 <Table 3>에 따라 정의한다.

<Table 2>는 시간 t에서 차량 i의 상태 정보를 위치(x_i (t)), 속도(υ_i (t)), 방향(θ_i (t)), 차량 간 거리(d_ij (t))의 네 가지 변수로 정의한다. 위치는 차량이 도로상에서 차지하는 공간을 나타내며, 속도는 위치의 시간 변화율 로 특정 시점에서의 이동 속도를 의미한다. 방향은 차량의 진행 방향을 나타내며, 이는 라디안 단위로 표현 된다. 마지막으로, 차량 간 거리는 두 차량의 유클리드 거리이며, 차량 간 관계와 끼어들기 가능성을 분석하 는 데 활용된다.

<Table 3>에서는 <Table 2>의 상태 정보를 기반으로 차량 유형을 정의하며, 각 차량 유형의 수식은 차량이 특정 시간 범위 또는 조건에서 가지는 상태 정보의 집합으로 표현된다. SCV는 TV의 상태 정보를 활용하여 미래 행동을 정의하며, UV는 다른 차량의 행동에 영향을 받지 않는 상태를 나타낸다. AV는 SCV와의 거리 조건을 충족할 때 영향을 받는 차량의 상태를 나타내며, NDV는 규칙에 따라 정상적으로 주행하는 차량의 상태를 정의한다. 마지막으로, TV는 시간 시퀀스 내 상태 정보를 포함하며, 본 연구의 주요 예측 대상이다.

각 차량의 상태 정보와 이를 기반으로 한 차량 유형의 정의는 실험에서 차량 간 상호작용을 체계적으로 분석하고, 예측 모델을 구축하기 위한 기반 자료로 활용된다.

Ⅳ. 제안 방법론

본 연구는 진출입로에서 발생하는 얌체 끼어들기 행동, 엄밀히 말하자면 TV가 SCV로 전환되는 구간의 예 측을 위해 Decision Transformer 모델을 활용한다. Decision Transformer는 강화학습 문제를 시퀀스 모델링 문 제로 재구성하여, Transformer 아키텍처를 통해 경로를 모델링하고 목표 보상(Returns-to-go)을 조건으로 최적 의 행동을 생성하는 방식으로 설계되었다. 이 모델은 Transformer의 Encoder 구조와 GPT-2 아키텍처를 결합 하여 강화학습을 사용하지 않으면서도 강화학습과 유사한 방식으로 문제를 해결할 수 있도록 설계되었다. 이는 일반적인 강화학습 알고리즘에 요구되는 복잡한 구성 요소 없이 단순히 시퀀스 데이터를 학습함으로써 효율적으로 높은 성능을 달성할 수 있다.

Decision Transformer의 구조는 <Fig. 3>에 나타나 있다. 이 모델은 입력 임베딩(Input Embedding), Transformer Encoder, 출력 레이어(Output Layer), 목표 보상 조건화(Sequence Conditioning with Returns-to-go)의 네 가지 주요 구성 요소로 이루어져 있다. 입력 임베딩 단계에서는 차량의 상태 정보(속도, 위치, 방향 등)와 목표 보상 값을 포함하여 입력 데이터를 벡터화한다. Transformer Encoder는 입력된 시퀀스를 처리하여 시점 간의 관계를 학습하며, Multi-Head Attention과 Feedforward Layer로 구성된다. 목표 보상 조건화 단계는 목표 보상을 조건으로 추가하여 모델이 예측 과정에서 보상 정보를 반영할 수 있도록 설계되었다. 최종적으로 출력 레이어는 TV가 SCV로 전환될 가능성과 특정 구간(Section 1~5)에서의 얌체 끼어들기 행동을 예측하는 결과를 도출한다.

Decision Transformer는 시퀀스 데이터 내 시간적 관계를 효과적으로 학습할 수 있다는 점에서 기존의 강화 학습 기반 접근법 대비 간결하면서도 높은 성능을 보여준다. 본 연구에서는 이러한 모델 구조를 다중 클래스 분류 문제에 적합하도록 재설계하였으며, 차량 상태와 행동 데이터를 입력으로 활용하여 SCV로의 전환 가 능성과 특정 구간에서의 끼어들기 행동을 사전에 예측할 수 있음을 확인하였다. Decision Transformer는 복잡 한 강화학습 구성 요소 없이도 교통 시뮬레이션 데이터 기반의 행동 예측 문제에서 효율적이고 신뢰할 수 있는 결과를 제공한다.

1. Input Embedding

Input Embedding은 Decision Transformer의 첫 번째 단계로, 모델 입력 데이터를 Transformer가 처리할 수 있 는 고차원 벡터로 변환한다. 입력 데이터는 수식 (1), (2), (3)에 따라 차량의 과거 상태(State), 행동(Action), 목 표 보상(Returns-to-go)으로 구성되며, 각 데이터는 독립적인 modality-specific 선형 계층을 통해 벡터화된다. 이 과정은 차량 데이터의 의미와 시간적 순서를 반영하는 Positional Encoding과 결합되어 입력 시퀀스를 모 델에 적합한 형태로 정제한다. 이를 통해 모델은 차량의 시간적 관계와 맥락적 정보를 학습할 수 있는 기반 을 마련한다.

먼저, 상태, 행동, 목표 보상 각각에 대해 독립적인 선형 계층이 적용되어 고차원 벡터 공간으로 매핑되며, 이 과정에 대한 수식은 (4), (5), (6)과 같다.

여기서 W_s, W_a, W_R 는 각각 상태, 행동, 목표 보상을 임베딩하기 위한 학습 가능한 가중치 행렬이다. 이 어서, 시간적 순서를 나타내는 학습 가능한 Positional Encoding인 e_t이 추가된다. 이를 통해 시퀀스의 각 토큰 이 시간 순서를 포함한 형태로 변환되며, 최종 입력 벡터는 수식 (7)과 같이 표현된다.

이 과정에서 얻어진 시퀀스 입력 벡터 {x₁, x₂, ⋯, x_T}는 Transformer 인코더로 전달된다.

2. Transformer Encoder

Transformer Encoder는 Decision Transformer의 핵심 모듈로, 입력 데이터의 시간적 연속성과 행동 간 상호 관계를 학습한다. 이는 Self-Attention과 Feedforward Network로 구성된 여러 계층으로 이루어진다. Self-Attention 메커니즘은 각 토큰 간의 상호작용을 학습하며, Decision Transformer에서는 Causal Attention Mask를 적용하여 현재 시점 이전의 토큰만 참조할 수 있도록 한다. 이에 대한 Self-Attention은 수식 (8)과 같다.

여기서 q_i , k_j, υ_j는 각각 Query, Key, Value 벡터이며, d_k는 차원의 스케일링 계수이다. 이 메커니즘은 상 태, 행동, Returns-to-go 간의 관계를 학습하여, 차량 행동 예측에 중요한 의존성을 모델링한다. Attention 출력 은 Residual Connection을 통해 입력값과 결합되고, Layer Normalization을 통해 정규화되어 학습 안정성을 높 인다. 이후, Feedforward Layer를 통해 추가적으로 처리된다. Feedforward Layer는 비선형 활성화 함수와 두 개 의 선형 계층으로 구성되며, 수식은 (9)와 같다.

W₁, W₂는 학습 가능한 가중치 행렬이고, b₁, b₂는 편향 벡터이다. Feedforward Layer는 토큰 간 상호작용 이 아닌 각 토큰의 독립적인 변환에 초점을 맞춘다.

3. Output Layer

Output Layer는 Transformer Encoder에서 생성된 Last Hidden State를 기반으로 차량의 행동을 예측하는 단 계이다. Hidden State는 Fully Connected Layer를 거쳐 행동 공간(Action Space)으로 매핑되며, softmax 함수를 통해 각 행동 클래스에 대한 확률 분포를 생성하며, 이에 대한 수식은 (10)과 같다.

여기서 h_t는 시점 t에서의 Hidden State이며, W_o와 b_o는 학습 가능한 가중치와 편향이다.

결과적으로 모델은 TV가 SCV로 전환될 가능성을 포함한 차량 행동을 다중 클래스 분류로 예측한다. 이 과정에서 모델은 교차 엔트로피 손실(Cross-Entropy Loss)을 활용하여 예측 확률 분포와 실제 레이블 간의 차 이를 최소화하도록 학습된다.

4. Sequence Conditioning with Returns-to-go

Sequence Conditioning은 Returns-to-go를 기반으로 입력 시퀀스를 조건부 학습하는 과정을 포함한다. 행동 예측에서 Returns-to-go 기반 조건부 학습은 모델이 특정 클래스 레이블에 도달하기 위한 조건부 학습을 가능 하게 하는 중요한 요소이다. Returns-to-go는 각 시점에서 남아 있는 목표 보상을 나타내며, 이를 통해 모델은 목표 클래스에 도달하는 데 필요한 경로를 학습한다.

모델 입력에서 Returns-to-go는 매 타임스텝에서 갱신되며, 이 과정은 수식 (11)로 정의된다.

여기서 R ^ t 는 시점 t에서의 남은 목표 보상을, r_t는 시점 t에서의 실제 보상을 의미한다. Returns-to-go는 학 습 과정에서 각 클래스 레이블에 대한 목표 확률 분포를 모델이 인식하도록 돕는 역할을 한다.

행동 예측에서는 Returns-to-go를 활용하여 모델이 특정 클래스 레이블에 대해 높은 확률을 부여할 수 있 도록 조건을 제공한다. 이를 통해 Transformer는 클래스 간의 관계를 학습하고, 목표 클래스를 중심으로 확률 분포를 조정할 수 있다.

Returns-to-go 기반 조건부 학습은 모델이 단순히 과거 데이터를 기반으로 예측하는 것을 넘어, 특정 목표 를 달성하기 위한 경로를 학습하도록 유도하는 역할을 한다. 이를 통해 Decision Transformer는 목표 지향적 인 학습을 수행하며, 높은 성능을 보장할 수 있다.

Ⅴ. 실험 및 결과

1. 실험 설계

1) 테스트 베드 선정 및 시뮬레이션 환경 구성

본 연구에서는 진출입로에서 발생하는 얌체 끼어들기 행동을 예측하기 위해 광주광역시 동구 다목적체육 관 앞 제2순환도로 진입로를 테스트 베드로 선정하였다. 해당 지역은 광주 내 주요 지역과 다른 도시로의 접 근성이 높으며, 출퇴근 시간대를 비롯한 혼잡 시간대에 교통 체증이 빈번히 발생하는 구간이다. 특히, 4차선 도로에서 주행 중이던 차량들이 진입로로 갑작스럽게 진입하며 얌체 끼어들기 행동이 빈번히 나타나는 특성 을 가지고 있어 연구에 적합한 테스트 베드로 판단되었다.

시뮬레이션 환경에서 구현된 도로는 총 길이 1,200m의 4차선 구조로 설계되었으며, 평균 속도는 약 19.44m/s 로 설정되었다. 해당 도로는 연구의 목적에 따라 총 250m의 구간을 50m 단위로 나누어 Section 1부터 Section 5까지 다섯 개의 Section과 직진(끼어들기 미발생)을 포함하여 총 여섯 개의 클래스로 구분하였다(<Fig. 4>). Section의 번호가 증가할수록 얌체 끼어들기 행동에 따른 위험도가 높아지며, Section 1은 진출입로로부터 가장 먼 초기 구간으로 안정적인 교통 흐름을 보이는 반면, Section 5는 진출입로에 가장 가까운 고위험 구간으로 얌체 끼어들기 행동과 AV의 급정거 및 차로 변경이 빈번히 발생한다.

2) 차량 데이터 생성

본 연구에서 사용된 차량 데이터는 실제와 유사한 가상 환경에서 주행 실험 시나리오를 통해 생성되었다. 차량 종류는 Car, Truck, Taxi, Van의 네 가지로 구성되며, 각 차량의 세부 설정은 <Table 4>에 요약되어 있다. 차량의 경로는 특정 구간에 집중되지 않도록 <Table 5>에 제시된 변수가 정규 분포를 따르도록 설정하였으 며, 이를 통해 시뮬레이션의 현실성을 확보하였다.

얌체 끼어들기 차량의 수는 실험 구간별로 다르게 설정되었으며, 차량 도착 간격은 지수 분포(Exponential Distribution)를 따르도록 설계되었다. 각 구간에서의 차량 수는 포아송 분포(Poisson Distribution)를 기반으로 생성되었으며, 이는 일정 시간 또는 공간 내에서 발생하는 사건을 모델링하는 데 적합한 확률 분포로, 구간 별 차량 밀도의 변동을 효과적으로 반영한다(Aimsun, 2024).

본 연구에서는 총 60개의 시나리오를 설계하였으며, 이를 통해 약 9,000대의 차량 데이터를 생성하였다. 각 구간당 약 1,500대의 데이터를 포함하며, 학습 데이터와 테스트 데이터는 각각 80%와 20%의 비율로 분리 하여 사용하였다. 생성된 데이터의 주요 변수는 <Table 6>에 정의되어 있다.

3) 평가지표

본 연구의 예측 모델 성능 평가를 위해 Accuracy, Precision, Recall, F1-Score를 주요 평가지표로 사용하였다. 각 평가지표의 정의는 <Table 7>에 명시되어 있으며, 여기서 True Positive (TP), False Positive (FP), False Negative (FN), True Negative (TN)는 예측 모델의 성능을 수치화하는 데 사용된다. True Positive (TP)는 차량이 정확하게 차로를 변경한다고 예측한 건수, False Positive (FP)는 차로를 변경하지 않는 차량이 차로를 변경한다고 예측한 건수, False Negative (FN)는 실제로 차로를 변경하는 차량을 감지하지 못한 건수, True Negative (TN)는 차로를 변경하지 않는 차량을 차로를 변경하지 않는다고 바르게 예측한 건수를 나타낸다. 즉, Accuracy는 모델의 전체적 인 정확도를 나타내며, Precision은 양성(차로 변경)으로 예측된 데이터 중 실제 양성인 데이터의 비율을 의미한 다. Recall은 실제 양성 데이터 중 올바르게 예측된 비율을 나타내고, F1-Score는 Precision과 Recall의 조화를 평가하는 지표로, 모델 성능의 균형을 측정하는 데 유용하다.

이러한 평가지표를 기반으로 시뮬레이션에서 수집된 데이터를 분석한 결과, Section 5에서 발생하는 얌체 끼어들기 행동이 가장 빈번하며, 해당 구간에서의 TV 예측 성능이 전체 모델의 성능 평가에 중요한 영향을 미치는 것으로 나타났다. 이를 통해 모델의 예측 성능을 향상시키고, 진출입로에서 발생하는 교통 체증 문제 를 해결하는 데 기여할 수 있음을 확인하였다.

2. 실험 결과

본 연구에서는 제안된 Decision Transformer 모델의 예측 성능을 평가하고, 동일한 문제를 대상으로 Transformer 및 RNN 모델과의 성능을 비교 분석하였다. 실험 결과는 <Fig. 5>, <Fig. 6>, <Table 8>, <Table 9>에 제시되어 있다.

<Fig. 5>, <Fig. 6>은 학습 과정에서의 Accuracy와 Loss의 변화를 시각화한 결과이다. <Fig. 5>에서는 학습이 진행될수록 Decision Transformer가 가장 빠르게 Accuracy가 상승하며 최종적으로 Transformer와 RNN을 뛰어넘는 성능을 기록하였다. <Fig. 6>에서는 모든 모델의 Loss가 점진적으로 감소하며, 특히 Decision Transformer가 가장 안정적인 학습 과정을 보였다. 이를 통해 Decision Transformer가 우수한 성능을 보임을 확인하였다.

<Table 8>, <Table 9>는 Decision Transformer, Transformer, RNN 모델의 예측 성능을 Confusion Matrix와 Accuracy, Precision, Recall, F1-Score의 네 가지 평가지표를 통해 비교한 결과를 나타낸다. Decision Transformer는 모든 평가지 표에서 Transformer 및 RNN 모델을 상회하며, 시간적 맥락을 반영한 행동 예측 문제에서 높은 성능을 기록하였다.

먼저, Accuracy 관점에서 Decision Transformer는 0.9461로 가장 높은 성능을 나타냈으며, Transformer(0.9272)와 비교하여 약 0.019, RNN(0.9022)과 비교하여 약 0.044의 성능 차이를 보였다. 이는 Decision Transformer가 데이터의 시간적 연속성을 보다 효과적으로 학습함으로써 높은 예측 정확도를 달성했음을 의미한다.

Precision은 Decision Transformer가 0.9479로 가장 높은 값을 기록했으며, Transformer(0.9365) 대비 약 0.0114, RNN(0.9073) 대비 약 0.0406 높은 결과를 나타냈다. 이는 Decision Transformer가 False Positive를 효과적으로 줄임으로써 정확한 예측을 수행할 수 있었음을 보여준다. Recall에서는 Decision Transformer가 0.9461을 기록하 며 Transformer(0.9272)와 RNN(0.8942)을 각각 약 0.019, 0.052 상회하였다. Recall은 True Positive를 정확히 식별 하는 능력을 나타내는 지표로, Decision Transformer가 얌체 끼어들기와 같은 행동을 탐지하는 데 있어서 탁월 한 성능을 보였음을 의미한다. 마지막으로, F1-Score는 Decision Transformer가 0.9459로 가장 높은 값을 나타냈 다. 이는 Transformer(0.9265)와 약 0.0194, RNN(0.8965)과 약 0.0494의 성능 차이를 보이며, Precision과 Recall 간의 균형 측면에서도 Decision Transformer가 우수한 성능을 보였음을 입증한다.

전반적으로, Decision Transformer는 모든 평가지표에서 Transformer와 RNN 모델을 상회하는 성능을 기록 하였다. 특히, Recall 및 F1-Score에서 다른 모델 대비 큰 차이를 보이며, 얌체 끼어들기 행동과 같은 시간적, 맥락적 의존성이 높은 문제에서 모델의 강점을 확인할 수 있었다. 이는 Decision Transformer가 시퀀스 데이 터 내 시간적 연속성과 행동 패턴을 효과적으로 반영할 수 있음을 시사하며, 제안된 방법론의 실효성과 타당 성을 입증하는 결과이다.

3. 논의 및 고찰

본 연구에서는 도시 교통 시뮬레이션 데이터를 활용하여 진출입로 구간에서 발생하는 차량의 얌체 끼어 들기 행동을 효과적으로 예측하였다. 이를 위해 AIMSUN 시뮬레이션을 활용하여 차량의 위치, 속도, 가속도, 앞 차량과의 거리 등 다양한 주행 데이터를 수집하고, 이를 기반으로 차량의 차로 변경 패턴을 분석하였다. 특히, SCV의 비정상적인 차로 변경 행태를 보다 정교하게 탐지하고 예측하고자 하였다.

예측 모델로는 Decision Transformer를 활용하여 시퀀스 데이터 기반의 학습 방식을 적용하였으며, 이를 통 해 진출입로 구간에서의 얌체 끼어들기 행동을 효과적으로 분석하고 사전에 탐지할 수 있는 가능성을 제시 하였다. 본 연구의 핵심은 이러한 얌체 끼어들기 행동을 사전에 예측함으로써, 교통 흐름의 안정성을 높이고 돌발적인 차로 변경으로 인한 위험 요소를 줄이는 데 있다.

실험 결과, Decision Transformer는 기존의 Transformer 및 RNN 모델과 비교하여 모든 평가지표에서 높은 성능을 보였으며, 특히 Recall 값이 우수하게 나타났다. 이는 모델이 얌체 끼어들기 행동과 같은 돌발적인 차 량 행동의 패턴을 효과적으로 학습할 수 있음을 의미하며, 이를 통해 예측이 어려운 차로 변경 행동을 보다 신뢰성 있게 탐지할 수 있는 가능성을 보여준다. 또한, F1-Score에서의 높은 성능은 Precision과 Recall 간의 균형 측면에서도 Decision Transformer의 우수성을 뒷받침한다. 이러한 결과는 시퀀스 데이터 기반의 행동 예 측에서 Transformer 기반 접근법이 기존의 RNN 모델보다 효과적임을 입증하며, 차량 행동 예측 문제에서 시 퀀스 모델링이 중요한 역할을 할 수 있음을 보여준다.

본 연구의 결과는 단순한 모델 성능 비교를 넘어, 시뮬레이션 데이터를 기반으로 한 차로 변경 예측 연구 의 가능성을 탐색하는 데 중요한 의미를 가진다. 특히, Decision Transformer를 활용하여 얌체 끼어들기 행동 을 사전에 예측함으로써, 운전자의 위험 행동을 조기에 탐지하고 이를 바탕으로 실시간 교통 관리 시스템을 설계할 수 있는 기초 데이터를 제공하였다. 이는 혼잡 구간에서의 교통 흐름 최적화를 가능하게 하고, 나아 가 운전자 및 보행자의 안전을 도모할 수 있는 방안을 제시한다는 점에서 의미가 크다.

그럼에도 불구하고, 본 연구는 AIMSUN 시뮬레이션 데이터를 활용하였다는 점에서 몇 가지 한계를 가진 다. 실제 도로 환경은 시뮬레이션 환경에 비해 복잡하고 다양한 변수들이 교통 흐름에 영향을 미치지만, 이 러한 요소들이 본 연구의 시뮬레이션 실험에 충분히 반영되지 못하였다. 예를 들어, 도로상의 다양한 날씨 조건, 차량 간의 상호작용, 운전자 행동의 불확실성 등은 실제 환경에서 교통 흐름에 중요한 영향을 미칠 수 있으나, 시뮬레이션 환경에서는 이를 단순화하여 설정하였다. 이러한 단순화는 실제 데이터와의 차이를 야기 하며, 이는 모델 성능 평가의 일반화 가능성을 제한할 수 있다. 또한, 시뮬레이션 환경에서 생성된 데이터는 제한된 시나리오를 기반으로 하였기에, 다양한 교통 상황과 환경 변수를 포함하지 못한 한계를 가진다. 이러 한 제한은 제안된 모델이 실제 도로 환경에서 다양한 상황에 얼마나 잘 대응할 수 있는지에 대한 추가적인 검증이 필요함을 시사한다.

따라서, 향후 연구에서는 실제 교통 데이터를 활용하여 보다 다양한 도로 상황과 환경 변수를 고려한 추 가적인 실험과 검증이 필요하다. 예를 들어, 실제 도로에서 수집된 교통 흐름 데이터, 차량 센서 데이터, 및 운전자 행동 데이터를 결합하여 Decision Transformer의 성능을 검증할 수 있을 것이다. 이를 통해 모델의 일 반화 가능성과 실용성을 더욱 정교하게 평가하고, 실제 교통 환경에서도 안정적으로 적용할 수 있는 예측 시 스템을 개발할 수 있을 것으로 기대된다. 또한, 다중 모달 데이터(예: 교통 카메라 영상, 차량 텔레메트리 데 이터 등)를 활용하여 모델의 예측 성능을 향상시키는 방안도 고려될 수 있다.

결론적으로, 본 연구는 시뮬레이션 기반 데이터를 활용하여 진출입로 구간에서 발생하는 차량의 끼어들기 행동을 예측하는 새로운 방법론을 제안하였으며, Decision Transformer의 유용성과 가능성 또한 입증하였다. 향후 연구를 통해 실제 교통 데이터를 활용하여 모델의 적용 가능성을 검증하고, 실제 교통 환경에서도 안정 적으로 활용될 수 있는 실시간 교통 관리 시스템을 구현함으로써, 교통안전 및 효율성 향상에 기여할 수 있 을 것으로 기대된다.

Ⅵ. 결 론

본 연구에서는 시뮬레이션 기반 데이터를 활용하여 진출입로 구간에서 발생하는 차량의 끼어들기 행동을 예측하는 새로운 접근법을 제시하였다. 이를 위해 도시 교통 시뮬레이션 도구인 AIMSUN을 활용하여 차량 의 주행 데이터를 수집하고, 이를 바탕으로 차로 변경 패턴을 분석하였다. 또한 SCV (Selfish Cutting-In Vehicle)가 교통 흐름과 안전성에 미치는 영향을 분석하고, 이를 사전에 예측할 수 있는 가능성을 탐색하는 데 중점을 두었다.

예측 모델로는 제안한 Decision Transformer 모델을 활용하여 시퀀스 데이터 기반의 학습 방식을 적용하였으 며, 이를 통해 얌체 끼어들기 차량의 행동 패턴을 보다 정교하게 모델링하고 예측할 수 있음을 확인하였다. 실험 결과, Decision Transformer는 기존의 Transformer 및 RNN 모델과 비교하여 높은 성능을 보였으며, 특히 Recall 값이 우수하게 나타나 얌체 끼어들기 차량의 사전 감지 가능성이 높음을 확인하였다. 이러한 결과는 시뮬레이션 환경에서 차량 행동을 예측하는 데 있어 시퀀스 기반 학습의 유용성 및 높은 신뢰성을 보여준다.

본 연구의 의의는 교통 체증 완화와 교통안전 증대를 위한 끼어들기 행동 예측 모델 개발에 실질적으로 기여했다는 점에 있다. 특히, 얌체 끼어들기 차량의 행동을 사전에 예측함으로써 위험 상황에 대한 조기 대 응이 가능해졌으며, 이로써 실시간 교통 관리 시스템 구축의 기초를 마련할 수 있음을 확인하였다. 이러한 결과는 궁극적으로 본 기술이 향후 교통 관리 및 예측 시스템에 효과적으로 적용되어, 도로 안전 강화와 교 통 효율성 향상에 기여할 수 있는 중요한 기반을 제공함을 시사한다.

향후 연구에서는 실제 도로 환경에서 수집된 데이터를 활용하여 Decision Transformer의 실용성과 일반화 가능성을 검증하는 과정이 필요하다. 특히, 다양한 도로 상황, 교통 밀도, 운전자 행동 변수 등을 고려한 실 험 설계를 통해 모델의 성능을 더욱 정교하게 평가하고, 특정 구간에서의 예측을 넘어 얌체 끼어들기 차량의 궤적 자체를 예측하는 방향으로 연구를 확장하고자 한다. 이를 통해 보다 현실적인 교통 예측 모델을 구축하 고, 실시간 교통 관리 및 기술과의 연계를 강화하는 데 기여하고자 한다.