Ⅰ. 서 론

1. 연구배경 및 목적

신림선은 2020년대 들어 기존 노선의 연장 개통을 제외하면 단일 운행계통으로 최초로 새롭게 개통된 노선으로 남북방향 전철 노선이 부족했던 서울 동작·관악 서부 지역의 교통 접근성을 개선하고 간선 중전철(1·2·7·9호선)과의 환승 네트워크를 보완하는 역할을 수행한다. 특히 신림선은 순수 국내 기술로 개발된 한국형 무선기반 열차제어시스템(KRTCS)을 최초로 적용한 노선이며, 전 구간 무인운전으로 운영되어 기존 도시철도와 다른 운행특성을 보일 가능성이 있다.

한편, 서울 도시철도에서는 혼잡 역을 중심으로 승하차 시간이 증가하면서 정차시간이 길어지고, 이는 후속 열차의 진입 지연과 연쇄 지연을 유발해 정시성 및 서비스 신뢰도를 저하시키는 주요 요인으로 지적되어 왔다.

이에 본 연구는 무인운전·무선기반 신호시스템을 적용한 신림선을 대상으로 실제 운행자료 기반 정차시간 예측모형을 구축하고, 기존 운영연구(OR) 기반 정차시간 추정방식과 시계열 기반 예측모형의 적용성을 비교하고자 한다. 특히 본 연구는 정차시간을 단순히 단축 가능한 운영시간으로 보는 것이 아니라, 정차시간 증가가 후속 열차 지연, 운행시격 불안정, 시간표 미준수로 이어질 수 있는 핵심 운영변수로 보고 접근하였다.

이를 위해 신림선 환승역의 실측 정차시간 자료를 활용하여 ARIMA, LSTM, ARIMA+LSTM HYBRID 모형을 구축하고, 학습·검증·테스트 자료를 시간 순서에 따라 구분하여 모형 성능을 평가하였다. 또한 MAE와 R²뿐 아니라 RMSE와 MAPE를 추가 적용하여 예측오차의 절대적 크기와 상대적 오차 수준을 함께 검토하였다. 이를 통해 무인운전 도시철도에서 정차시간 예측모형이 열차 지연 가능성 진단, 운행시간표 조정, 혼잡시간대 운영관리 등 실무적 의사결정에 활용될 수 있는지를 검토하는 데 연구의 목적이 있다.

Ⅱ. 이론적 고찰 및 선행연구 검토

1. 이론적 배경

도시철도는 도시 교통체계의 핵심 수단으로서 높은 정시성과 수송 효율 확보가 중요하며, 이를 좌우하는 주요 요인 중 하나가 역 정차시간(Dwell Time)이다. 정차시간은 열차가 역에 완전 정차한 시점부터 승하차가 종료되고 재출발하기까지의 시간으로, 역간 운행시간, 배차간격, 차량 회차 주기 등 운행계획과 차량 운용 전반에 연쇄적으로 영향을 미친다. 따라서 정차시간을 적정하게 산정·관리하는 것은 서비스 품질 유지와 운영 효율 향상의 핵심 과제이다.

정차시간(T_dwell)은 일반적으로 도어개폐시간(고정시간)(T_door), 승하차 소요시간(수요에 따라 변동하는 변수시간)(T_boarding), 운영 여유시간(안전 확보 및 지연 보정 목적의 설정시간)(T_buffer)의 합으로 구성된다(식 (1)). 도시철도는 역간 거리가 짧아 정차시간이 전체 운행시간에서 차지하는 비중이 상대적으로 크므로, 정시성 확보를 위해서는 승객 승하차 및 작업에 지장을 주지 않는 범위에서 정차시간을 가능한 한 단축할 필요가 있다. 특히 고정적으로 소요되는 도어개폐시간과 운영 여유시간을 제외하면, 승하차 수요에 따라 변동되는 승하차 소요시간을 효율적으로 관리·최적화하는 것이 정차시간 관리의 핵심이라 할 수 있다(Kim, 2016).

이러한 배경에서 정차시간의 적정 산정과 예측을 위한 다양한 추정방식이 지속적으로 연구되어 왔다. 기존 연구는 접근 방식에 따라 유형화할 수 있으며, 대표적으로 과거 운행자료를 활용한 통계적·계량적 추정(OR 기반) 방식이 실무 적용 용이성으로 널리 활용되어 왔다. 동시에 OR 기반 방식의 한계를 보완하기 위해 승하차 과정을 수리적으로 모사하거나 시뮬레이션으로 예측하는 이론모델 기반 연구도 활발히 수행되고 있다. 각 정차시간 추정방식의 특성은 <Table 1>과 같다.

2. 운영연구(OR) 기반 방식에 따른 정차시간 모델

운영연구 기반 정차시간 추정연구는 크게 (1) 운영데이터 기반의 계량·통계(OR)형 정차시간 추정, (2) 승하차·혼잡 및 시설/행태 요인을 고려한 정차시간 메커니즘 분석, (3) 정차시간 저감을 위한 운영·시설 개선방안 제시로 구분된다.

국내에서는 Kim(2009)가 대도시 도시철도 주요 운영구간에서 반복되는 지연을 완화하기 위해 실제 운영자료와 주요 변수를 활용하여 최소 소요 정차시간을 산정하는 계량모형을 제안하며, 정시성 확보 관점에서 정차시간의 적정 추정 틀을 제시하였다. Kwak(2016)은 서울메트로 2호선을 대상으로 역·시간대별 유출입 승객수와 환승객수를 주요 독립변수로 하는 정차시간 추정모델을 구축하고, 추정된 정차시간을 표정속도 예측에 반영하여 예측값과 실측값 비교를 통해 모델의 타당성을 검증하였다. 또한 Oh(2005)은 혼잡 지하철역에서 승하차시간을 정의하고 영향요인을 정리한 뒤, 혼잡역 실측 분석을 통해 신설노선/개량사업 타당성 조사에 미치는 파급효과를 제시하였다.

해외 연구는 승하차·혼잡의 영향과 운영 개선 측면에서 축적되어 왔다. WMATA(2005)는 플랫폼에서의 여객 분산, 승하차시간 단축, 차량 내 행동 유도 등 승객 흐름 관리 중심의 정차시간 개선방안을 제시하였다. Puong(2004)은 MBTA Red Line을 대상으로 승하차 승객수·혼잡도가 도어 개폐시간 및 승하차시간에 미치는 영향을 정량화하여 도어 개폐시간 산정식과 파라미터를 도출하고, 입석 승객과 승하차시간의 관계를 통해 적정 입석 수준을 제안하였다. Harris and Anderson(2007)은 다국적 지하철 데이터를 활용해 실제 정차시간과 추정식 기반 계산값을 비교하여 큰 모수 변화 없이도 추정식의 일반 적용 가능성을 보였고, 혼잡도 수준에 따라 노선을 High-/Low-Frequency, Suburban으로 분류해 특성을 분석하였다. Pead(2007)는 혼잡시간대 승하차시간 증가가 정차시간과 후속 운행에 연쇄적으로 영향을 미치는 Snowball Effect를 고찰하고, 플랫폼 대기행태, 대기선, 스크린도어, 차량 출입문 위치 및 좌석 배치 등 시설·행태 요인이 승하차시간에 미치는 영향을 분석하였다.

3. 이론 기반 방식에 따른 정차시간 모델

이론 기반 접근의 선행연구는 실제 운행기록 분석과 운영 실험(시험운행)을 통해 최소소요 정차시간의 현실 적용 가능성을 검증하거나, 선로용량·수송력·운전시격 등 운행계획 이론을 바탕으로 혼잡 완화 및 정시성 확보 방안을 도출하는 방향으로 전개되어 왔다.

먼저 Cho and Chung(2015)는 서울지하철 2호선 주요 7개 역의 실제 운행기록 데이터를 비교·분석하여 운영환경에 적용 가능한 최소소요 정차시간 추정모델 개발을 시도하였다. 더 나아가 강남 구간의 상습 지연 해소를 위한 시험운행을 통해 혼잡시간대 ATO 열차 연속배차와 승강장 커트맨 배치를 단계적으로 적용하였고, 그 결과 운행 횟수 증가와 주요 역 정차시간 단축을 통해 승강장 혼잡 완화 및 누적 지연 감소 효과를 확인하였다.

또한 Chun(2017)은 차량 운행계획 수립을 위한 보편적 이론으로서 선로용량, 열차 수송력(승차효율·입석밀도) 산정, 필요 차량수 산정, 운전시격 결정 조건 및 산정방법을 체계적으로 정리하였다. 이를 바탕으로 혼잡률을 고려한 개선안을 적용해 혼잡 수준별 적정 운전시격을 도출하고, 전동차 운행 횟수 분석을 통해 운행 효율성과 정시성 확보가 가능하며, 결과적으로 이용자 편의 향상과 수요 증가가 기대됨을 제시하였다.

4. 시계열 기반 방식에 따른 정차시간 모델

시계열 기반 도시철도 예측 연구는 운영 데이터의 시간적 변동성과 비선형성을 반영하여 혼잡도·수요 등의 단기 예측 정확도를 높이는 데 초점을 둔다. Lee(2024)는 수도권 도시철도의 승객 분포를 보다 현실적으로 재현하기 위해, 기존처럼 특정 시간 단위(예: 15분/1시간)로 혼잡도를 집계하는 방식에서 나아가 개별 열차 단위로 승객 분포를 세분화하여 분석의 정밀도를 높였다. 또한 Transformer 기반 단기 열차 승객 분포 예측모형을 개발하고, 시계열 데이터 학습 과정에서 발생할 수 있는 불안정성을 완화하기 위해 시계열 학습 안정화 모듈과 시계열 특성에 적합한 손실함수를 도입함으로써 예측 성능 및 학습 안정성을 강화하였다.

5. 선행연구와 차별성

본 연구의 차별성은 단순히 신림선을 대상으로 시계열 모형을 적용했다는 점에 한정되지 않는다. 기존 정차시간 추정 연구는 주로 승하차 및 환승수요를 독립변수로 활용하여 최소소요 정차시간을 산정하거나, 평균 정차시간 또는 혼잡계수를 적용해 운행계획에 반영하는 방식이 중심이었다. 이러한 방식은 실무 적용이 용이하다는 장점이 있으나, 역별·시간대별로 불규칙하게 발생하는 정차시간 변동과 단기 지연 패턴을 직접 반영하는 데 한계가 있다.

본 연구는 이러한 한계를 보완하기 위해 실제 열차 운행자료에서 관측된 정차시간의 시간적 변동성을 직접 학습 대상으로 설정하였다. 또한 선형 구조를 설명하는 ARIMA, 비선형 패턴을 학습하는 LSTM, 그리고 ARIMA의 예측잔차를 LSTM으로 보정하는 HYBRID 모형을 동일한 자료 분할 조건에서 비교하였다. 이를 통해 단일 모형의 예측 정확도 비교에 그치지 않고, 정차시간 시계열에 포함된 선형 성분과 비선형 잔차 성분을 분리·보정하는 접근이 무인운전 도시철도 정차시간 예측에 유효한지를 검토하였다.

또한 본 연구는 예측모형의 활용 목적을 비첨두 시간대 정차시간 단축이 아니라, 정차시간 증가로 인한 열차 지연 가능성의 사전 진단과 시간표 준수 지원으로 설정하였다. 따라서 본 연구의 의의는 정차시간 예측 결과를 활용하여 특정 역·시간대에서 계획 정차시간 대비 초과 정차 가능성을 파악하고, 필요 시 운행시격 조정, 혼잡역 관리, 회복시간 확보 등 운영관리 전략 수립에 기초자료를 제공할 수 있다는 점에 있다.

Ⅲ. 정차시간 추정 모델

정차시간은 도시철도 운행시격을 결정하는 핵심 요소이자 서비스 품질을 좌우하는 주요 변수이다. 정차시간이 증가하면 전체 운행시간이 늘어나고, 결과적으로 열차 간 시격 확대가 반복되어 정시성과 수송 효율에 부정적 영향을 미친다. 그러나 현행 운행계획에서는 대부분의 역·시간대에 동일한 고정 정차시간을 가정하고 있어 실제 운행 여건과 괴리가 발생하며 예측오차를 내포한다(Kim, 2009).

본 연구는 신림선을 대상으로 정차시간의 실증 분석을 수행하였다. 분석자료는 2025년 2월 3일부터 2월 7일까지 5일간, 매일 05:00부터 익일 01:00까지 운행된 열차를 대상으로 구축하였다. 분석대상 역은 신림선 11개 역 중 환승 기능을 수행하는 샛강, 대방, 보라매, 신림역의 4개 역으로 설정하였다. 분석자료는 역별 실측 정차시간, 열차 운행횟수, 승하차 인원, 환승수요 등으로 구성하였으며, 서울 열린데이터 광장, 신림선 운행시간표 및 현장 측정자료를 활용하였다.

시계열 예측모형의 구축 과정에서는 자료의 시간적 순서를 유지하기 위해 무작위 분할을 적용하지 않았다. 전체 정차시간 자료는 시간 순서에 따라 학습자료 70%, 검증자료 15%, 테스트자료 15%로 구분하였다. 학습자료는 모형 추정에 사용하였고, 검증자료는 LSTM 및 HYBRID 모형의 학습 과정에서 과적합 여부와 학습 안정성을 확인하는 데 활용하였다. 최종 모형 간 성능 비교는 테스트자료를 기준으로 수행하였다.

역별 유효 관측치 수는 자료 결측 여부에 따라 일부 차이가 있으며, 샛강역은 919개, 대방·보라매·신림역은 각각 918개의 정차시간 자료가 분석에 활용되었다. 이에 따라 샛강역은 학습 643개, 검증 138개, 테스트 138개로 구분하였으며, 대방·보라매·신림역은 각각 학습 642개, 검증 138개, 테스트 138개로 구분하였다.

1. 운영연구(OR) 기반 방식 모델 구성

정차시간은 승하차 소요시간과 도어 개폐시간으로 구성되며, 수요가 지속 발생하는 혼잡 구간에서는 선행 열차 시격이 커질수록 누적 승하차 인원이 증가해 정차시간이 길어진다고 가정한다. 혼잡도는 초당 승하차 수요(단위시간당 수요)로 구분하며, 혼잡 수준이 높을수록 1인당 승하차 소요시간과 도어 개폐시간이 증가한다. 또한 승객 분포는 출입문별로 상이할 수 있으나, 최대 집중 위치의 승하차 인원이 승하차시간을 지배하며 이를 혼잡평준화율(Crowding Redistribution Balance, CRB)로 보정한다.

모형은 (1) 일일 환승객수에 유출입 비율을 적용해 시간대별 환승객 수를 추정하고, (2) 시간대별 열차 운행빈도로 평균 시격을 산정한 뒤, 총 승·하차 인원을 이용해 초당 승차·하차 수요 및 통합 초당 수요(Loading and Unloading Demand, LUD)를 계산한다. 이후 초당 수요 규모에 따라 혼잡 단계를 구분하고(극혼잡/혼잡/비혼잡), 기존 연구를 준용해 혼잡 보정계수(200%/180%/150%)를 적용한다. 최종적으로 최소소요 정차시간은 열차시격(Train Service Time, TST)과 LUD에 의해 결정되는 누적 수요에 1인당 승하차 소요시간(Loading and Unloading Time, LUT)을 적용하고, 도어 수(Number of Doors, ND), CRB, 도어개폐시간(Door Control Time, DCT)을 반영하여 산정하였다.

2. 시계열 예측 모델 구성

본 연구에서는 신림선 환승역의 정차시간 시계열 자료를 활용하여 ARIMA, LSTM, HYBRID모형을 구축하였다. 각 모형은 동일한 자료 분할 조건에서 비교되었으며, 전체 자료는 시간 순서에 따라 학습자료 70%, 검증자료 15%, 테스트자료 15%로 구분하였다. 시계열 자료의 특성을 고려하여 무작위 분할은 적용하지 않았으며, 최종 성능평가는 테스트자료를 기준으로 수행하였다.

ARIMA 모형은 정차시간 자료를 시간 순서대로 정렬한 후 초 단위로 변환하여 적용하였다. 정상성 확보를 위해 차분을 고려하였으며, auto_arima 함수를 활용하여 비계절형 ARIMA(p,d,q) 모형의 최적 차수를 자동 탐색하였다. ARIMA 모형은 정차시간 시계열에 포함된 자기상관성, 추세, 이동평균 성분 등 선형적 구조를 설명하는 데 활용하였다.

LSTM 모형은 정차시간 자료를 Min-Max Scaling을 통해 0~1 범위로 정규화한 후, 슬라이딩 윈도우 방식으로 입력자료를 구성하였다. 본 연구에서는 Time step을 5로 설정하여 과거 5개 시점의 정차시간을 입력자료로 사용하고, 다음 시점의 정차시간을 예측하도록 하였다. LSTM 모형은 1개의 LSTM 은닉층과 50개의 노드로 구성하였으며, 출력층은 Dense(1)을 적용하였다. 학습에는 Adam optimizer와 MSE 손실함수를 사용하였고, epoch는 30회, batch size는 32로 설정하였다. 검증자료는 학습 과정에서 손실함수의 변화와 과적합 가능성을 확인하는 데 활용하였다.

HYBRID 모형은 ARIMA 모형이 정차시간 시계열의 선형 성분을 우선 예측하고, 실제값과 ARIMA 예측값의 차이로 산출되는 잔차를 LSTM이 학습하여 보정하는 방식으로 구성하였다. 즉, ARIMA 예측값은 정차시간의 기본적인 선형 변화 성분으로 간주하고, ARIMA가 설명하지 못한 잔차는 비선형 변동 또는 단기 불규칙 성분으로 간주하였다. 이후 잔차 시계열을 Min-Max Scaling한 후 Time step 5의 슬라이딩 윈도우 구조로 변환하여 LSTM에 입력하였으며, 최종 예측값은 ARIMA 예측값과 LSTM 기반 잔차 예측값을 합산하여 산정하였다.

1) ARIMA 모델 구성방안

ARIMA 모델은 시계열 예측의 선형적 구조를 기반으로 미래 값을 예측하는 대표적인 통계적 기법이다. 본 연구에서는 입력된 정차시간 데이터를 시간 순서대로 정렬한 뒤, 정상성을 확보하기 위해 차분을 적용하고, 이후 Pmdarima 라이브러리의 auto_arima 함수를 활용하여 최적의 모형인 ARIMA(p,d,q)를 자동 탐색하였다. 이러한 사전 처리 과정을 통해 ARIMA 모형의 가정을 충족시키고, 학습 데이터에 대해 ARIMA 모형을 적합시킨 뒤, Forecast 함수를 이용하여 향후 시점의 정차시간을 예측하였다.

구체적으로, 원시 데이터의 시간(Time) 변수는 시간 순으로 정렬하고, 정차시간(dwell time)은 hh:mm:ss 형식을 초(Second) 단위로 변환하여 분석에 활용하였다. 시계열 데이터의 정상성(Stationarity)을 가지기 위해 필요한 차분 차수는 auto_arima 함수에 의해 자동으로 탐색되었으며, 이를 바탕으로 모형의 안정적인 학습을 도모하였다. 이후 학습된 ARIMA 모형을 기반으로 테스트 구간에 대해 미래 정차시간을 예측하였다.

ARIMA 모형은 시계열 데이터 내에 존재하는 추세(Trend), 자기상관성(Autocorrelation), 이동평균 효과(Moving Average Effect) 등을 효과적으로 설명할 수 있다는 장점이 있다. 그러나 데이터가 비선형적이거나 복잡한 패턴을 포함할 경우에는 예측 성능에 한계가 존재한다. 본 연구에서 ARIMA 모형은 정차시간 시계열의 선형적 패턴을 분석하고 예측하기 위한 목적으로 활용되었으며, 별도의 외생 변수나 다차원 입력은 고려하지 않는 단일 시계열 예측 방식으로 수행되었다.

2) LSTM 모델 구성방안

LSTM은 RNN의 한 종류로, 시계열 자료에 포함된 시간적 의존성과 비선형 패턴을 학습하는 데 활용되는 딥러닝 모형이다. 본 연구에서는 정차시간 자료를 0~1 범위로 정규화한 뒤, 과거 일정 시점의 정차시간을 입력자료로 사용하여 다음 시점의 정차시간을 예측하는 구조로 LSTM 모형을 구성하였다.

입력자료는 Time step 5의 슬라이딩 윈도우 방식으로 구성하였다. 예를 들어, t-4시점부터 t시점까지의 정차시간 자료를 입력값으로 사용하고, t+1시점의 정차시간을 예측하도록 하였다. 모형 구조는 1개의 LSTM 은닉층과 50개의 노드로 구성하였으며, 최종 출력층은 하나의 정차시간 값을 예측하기 위해 Dense(1)을 적용하였다. 학습 과정에서는 Adam optimizer와 MSE 손실함수를 사용하였고, epoch는 30회, batch size는 32로 설정하였다.

또한 본 연구에서는 전체 자료를 학습자료 70%, 검증자료 15%, 테스트자료 15%로 구분하여 적용하였다. 검증자료는 LSTM 모형의 학습 과정에서 손실값 변화와 과적합 가능성을 확인하기 위해 활용하였으며, 테스트자료는 최종 예측성능 평가에만 사용하였다. 이는 테스트자료가 모형 학습이나 하이퍼파라미터 조정에 직접 사용되는 것을 방지하고, 모형의 일반화 성능을 보다 객관적으로 평가하기 위한 절차이다.

다만 본 연구의 분석기간은 5일로 제한되어 있으며, LSTM 모형이 충분한 장기 패턴을 학습하기에는 자료의 규모가 제한적이다. 따라서 일부 역에서 LSTM의 예측성능이 낮게 나타날 수 있으며, 이는 모형 구조 자체의 한계라기보다는 관측기간의 제한, 정차시간 급변 구간의 존재, 역별 패턴의 불균등성, 딥러닝 모형의 복잡도 대비 학습자료 부족에 따른 일반화 성능 저하 가능성으로 해석할 수 있다.

3) HYBRID 모델 구성방안

HYBRID모형은 정차시간 시계열에 포함된 선형적 변화와 비선형적 잔차 변동을 단계적으로 학습하기 위해 구성하였다. 일반적으로 ARIMA는 자기상관성과 이동평균 구조를 기반으로 선형 시계열 패턴을 설명하는 데 강점이 있으나, 순간적인 혼잡 변화나 운영상 불규칙성으로 인해 발생하는 비선형 변동을 충분히 반영하는 데 한계가 있다. 반면 LSTM은 비선형 패턴 학습이 가능하지만, 자료의 규모가 제한적일 경우 과적합 또는 예측 불안정성이 발생할 수 있다.

이에 본 연구에서는 먼저 ARIMA 모형을 이용하여 정차시간의 선형 성분을 예측하였다. 이후 실제 정차시간에서 ARIMA 예측값을 차감하여 잔차를 산출하였으며, 이 잔차를 ARIMA 모형이 설명하지 못한 비선형 오차 성분으로 간주하였다. 산출된 잔차 시계열은 Min-Max Scaling을 통해 정규화한 뒤, Time step 5의 슬라이딩 윈도우 구조로 변환하여 LSTM 모형에 입력하였다. 잔차 LSTM의 모형 구조는 단일 LSTM 모형과 동일하게 1개 LSTM 층, 50개 노드, Dense(1) 출력층으로 구성하였으며, Adam optimizer와 MSE 손실함수를 적용하였다.

최종 예측값은 ARIMA 모형의 예측값에 LSTM이 예측한 잔차값을 더하여 산정하였다. 이러한 구조는 ARIMA가 정차시간의 기본적인 선형 흐름을 설명하고, LSTM이 ARIMA의 예측오차 중 비선형적 변동을 보정하는 방식이다. 따라서 HYBRID 모형은 단일 LSTM 모형이 제한된 자료 조건에서 보일 수 있는 불안정성을 완화하면서, 동시에 ARIMA 단일모형의 비선형 설명력 부족을 보완할 수 있다.

3. 정차시간 추정 모델간 비교

신림선 환승역인 샛강, 대방, 보라매, 신림역을 대상으로 OR 기반 최소소요 정차시간 추정방식과 ARIMA, LSTM, ARIMA+LSTM HYBRID 시계열 예측모형의 성능을 비교하였다. 모형 평가는 시간 순서에 따라 구분한 테스트자료를 기준으로 수행하였으며, MAE, RMSE, MAPE, R²를 활용하였다. MAE는 예측값과 실제값 간 절대오차의 평균으로, 정차시간 예측오차를 초 단위로 직관적으로 해석할 수 있다. RMSE는 큰 오차에 더 큰 가중을 부여하므로 특정 시간대의 급격한 정차시간 증가를 모형이 얼마나 잘 재현하는지 평가하는 데 활용하였다. MAPE는 실제 정차시간 대비 예측오차의 상대적 비율을 나타내며, 역별 평균 정차시간 수준이 다른 경우에도 오차 규모를 비교할 수 있다는 장점이 있다. R²는 실제 정차시간 변동에 대한 모형의 설명력을 나타내며, R²가 음수로 산출되는 경우 해당 모형이 단순 평균값을 사용하는 예측보다 낮은 설명력을 보이는 것으로 해석하였다. 모형별 실측 정차시간과 예측 결과의 비교는 <Fig. 1>과 같다.

<Fig. 1>

Comparison of Actual Dwell Times and Results by Prediction Model

역별·모형별 예측성능은 <Table 2>와 같다. 분석 결과, HYBRID 모형은 모든 역에서 가장 낮은 MAE와 RMSE를 보이며 실측 정차시간에 가장 근접한 예측 결과를 나타냈다. 샛강역의 경우 HYBRID 모형의 MAE는 0.98초, RMSE는 1.37초, MAPE는 1.95%로 나타났으며, R²는 1.00으로 산출되었다. 이는 해당 테스트 구간에서 HYBRID 모형이 실측 정차시간의 변동을 매우 높은 수준으로 재현하였음을 의미한다. 다만 샛강역의 R²가 매우 높게 산출된 점은 5일간의 제한된 관측자료와 특정 시간대 패턴에 대한 모형 적합 가능성을 함께 고려하여 해석할 필요가 있다. 특히 HYBRID 모형은 ARIMA를 통해 정차시간의 선형적 흐름을 먼저 추정하고, ARIMA가 설명하지 못한 잔차를 LSTM으로 추가 보정하는 구조이므로, 테스트 구간의 정차시간 패턴이 학습 구간과 유사하게 반복될 경우 매우 높은 설명력이 산출될 수 있다. 따라서 본 결과는 HYBRID 모형이 샛강역의 단기 정차시간 변동을 효과적으로 재현할 수 있음을 보여주는 결과로 해석할 수 있으나, 이를 장기적·일반적 예측성능으로 단정하기보다는 제한된 관측기간 내에서의 높은 적합도로 이해하는 것이 타당하다. 향후에는 장기간 자료와 다양한 운행일 조건을 추가로 반영하여 높은 R²가 안정적으로 유지되는지 검증할 필요가 있다.

대방역에서는 ARIMA 모형이 MAE 0.86초로 비교적 낮은 오차를 보였으나, R²는 -0.02로 나타나 실제 정차시간 변동성을 충분히 설명하지 못하였다. LSTM 모형은 MAE 6.18초, MAPE 17.23%, R² -23.20으로 예측 안정성이 낮게 나타났다. 반면 HYBRID 모형은 MAE 0.70초, RMSE 0.73초, MAPE 1.97%, R² 0.68로 분석되어, ARIMA의 선형 예측값에 잔차 보정을 적용한 효과가 확인되었다.

보라매역에서도 유사한 경향이 나타났다. ARIMA 모형은 MAE 1.80초, R² 0.02로 제한적인 설명력을 보였으며, LSTM 모형은 MAE 3.30초, R² -1.62로 평균값 예측보다 낮은 성능을 나타냈다. 반면 HYBRID 모형은 MAE 0.75초, RMSE 0.78초, MAPE 2.02%, R² 0.91로 나타나, 실측 정차시간의 변동을 가장 안정적으로 설명하였다.

신림역의 경우에도 HYBRID 모형이 가장 우수한 성능을 보였다. ARIMA 모형은 MAE 1.17초, R² -0.08로 나타났으며, LSTM 모형은 MAE 3.07초, R² -3.66으로 낮은 설명력을 보였다. 이에 비해 HYBRID 모형은 MAE 0.56초, RMSE 0.58초, MAPE 2.05%, R² 0.87로 나타나, 단일모형 대비 예측오차를 크게 감소시키는 것으로 분석되었다.

종합하면, 단일 LSTM 모형은 일부 역에서 R²가 음수로 산출되어 평균 정차시간을 기준으로 한 단순 예측보다 낮은 설명력을 보였다. 이는 본 연구의 분석자료가 5일간의 단기 관측자료로 제한되어 있어 LSTM이 충분한 장기 패턴을 학습하기 어려웠고, 정차시간 급증 구간이나 이상치성 변동이 존재했기 때문으로 판단된다. 또한 LSTM은 비선형 패턴 학습에 유리한 모형이나, 학습자료의 규모가 충분하지 않을 경우 모형 복잡도에 비해 일반화 성능이 낮아질 수 있다.

반면 HYBRID 모형은 ARIMA를 통해 정차시간의 선형적 흐름을 먼저 설명하고, ARIMA 예측값과 실제값의 차이로 산출된 잔차를 LSTM으로 보정함으로써 단일모형의 한계를 보완하였다. 이러한 결과는 정차시간 시계열이 단순한 선형 패턴만으로 구성되어 있지 않으며, 선형 성분과 단기 비선형 변동이 혼재되어 있음을 의미한다. 따라서 신림선과 같은 무인운전 도시철도 정차시간 예측에서는 ARIMA와 LSTM을 단순 비교하는 것보다, 두 모형의 역할을 분리하여 결합하는 HYBRID 접근이 보다 적합한 것으로 판단된다.

다만 HYBRID 모형의 높은 R²는 제한된 표본기간 내에서 산출된 결과이므로, 이를 일반화된 성능으로 단정하기에는 한계가 있다. 특히 본 연구의 관측기간은 5일로 한정되어 주간 변동성, 월간 변동성, 계절적 수요 변화, 행사·기상 등 외부요인을 충분히 반영하지 못하였다. 따라서 본 연구의 결과는 단기 관측자료 기반의 적용 가능성을 확인한 결과로 해석하는 것이 타당하며, 향후 장기간 자료를 활용한 추가 검증이 필요하다.

Ⅳ. 결 론

1. 연구결과 및 한계점

본 연구는 도시철도의 표정속도 예측 및 열차운행계획 수립에 핵심 입력으로 작용하는 정차시간의 추정 정확도를 제고하기 위해, 기존 운영연구(OR) 기반 방식과 시계열 예측모형인 ARIMA, LSTM, ARIMA+LSTM HYBRID 모형을 적용하고, 실측 정차시간과의 비교를 통해 모형별 예측성능을 평가하였다.

분석 결과, ARIMA 모형은 정차시간 시계열의 선형적 변화와 자기상관 구조를 일정 수준 설명하였으나, 역별 정차시간 변동이 크거나 불규칙한 구간에서는 예측오차가 증가하는 한계를 보였다. LSTM 모형은 비선형 패턴 학습이 가능함에도 불구하고, 일부 역에서 R²가 음수로 산출되어 평균값 기반 예측보다 낮은 설명력을 보였다. 이는 5일간의 단기 관측자료만으로는 LSTM이 충분한 시간적 패턴을 학습하기 어렵고, 모형 복잡도에 비해 학습자료 규모가 제한적이기 때문으로 판단된다.

반면 ARIMA+LSTM HYBRID 모형은 모든 분석대상 역에서 전반적으로 가장 낮은 예측오차를 보였다. HYBRID 모형은 ARIMA를 통해 정차시간의 선형 성분을 우선 예측하고, ARIMA가 설명하지 못한 잔차를 LSTM으로 보정하는 구조를 갖는다. 이러한 방식은 단일 ARIMA 모형의 비선형 설명력 부족과 단일 LSTM 모형의 학습 불안정성을 동시에 완화하는 효과가 있는 것으로 분석되었다.

본 연구의 실무적 의의는 정차시간 예측모형을 단순히 정차시간을 줄이기 위한 수단으로 해석하지 않고, 열차 지연 가능성을 사전에 진단하는 운영관리 도구로 제시했다는 점에 있다. 예를 들어 특정 역·시간대에서 예측 정차시간이 계획 정차시간을 지속적으로 초과하는 것으로 나타날 경우, 해당 구간은 후속 열차 지연 또는 시간표 미준수 가능성이 높은 관리대상으로 판단할 수 있다. 이 경우 운영기관은 혼잡역 승강장 관리, 열차 간격 조정, 회복시간 확보, 안내인력 배치, 혼잡 시간대 증편 검토 등 구체적인 운영대응 전략을 수립할 수 있다.

다만 본 연구는 2025년 2월 중 5일간의 단기 자료를 활용하였기 때문에, 주간·월간 변동성이나 계절적 요인을 충분히 반영하지 못한 한계가 있다. 또한 HYBRID 모형의 높은 성능은 제한된 자료 조건에서 산출된 결과이므로, 과적합 가능성을 완전히 배제하기 어렵다. 본 연구에서는 이를 보완하기 위해 학습·검증·테스트 자료를 시간 순서에 따라 구분하고, 테스트자료를 기준으로 최종 성능평가를 수행하였으나, 향후에는 보다 장기간의 실측 정차시간 자료를 확보하여 모형의 일반화 성능을 추가 검증할 필요가 있다.

2. 향후 연구

향후 연구에서는 분석기간을 확대하여 평일과 주말, 월별 수요 변화, 계절적 요인, 기상 및 행사 등 외부요인이 정차시간에 미치는 영향을 함께 검토할 필요가 있다. 특히 본 연구에서 활용한 5일간의 단기 관측자료는 무인운전 도시철도 정차시간 예측모형의 적용 가능성을 검토하는 데는 의미가 있으나, 장기적 운영패턴과 예외적 지연상황을 충분히 반영하기에는 한계가 있다.

또한 LSTM 및 HYBRID 모형의 예측 안정성을 높이기 위해 다양한 하이퍼파라미터 조합에 대한 추가 검토가 필요하다. 본 연구에서는 Time step 5, LSTM 1개 층, 50개 노드, epoch 30회, batch size 32를 적용하였으나, 향후에는 Time step, 은닉층 수, 노드 수, batch size, optimizer, early stopping 적용 여부 등에 따른 성능 변화를 체계적으로 검토할 필요가 있다.

아울러 정차시간 예측모형은 향후 단순 예측모형을 넘어 실시간 운영관리 모형으로 확장될 필요가 있다. 예측 정차시간이 계획 정차시간을 초과하는 구간을 사전에 탐지하고, 이를 열차 지연 가능성, 후속 열차 간격 변화, 승강장 혼잡도와 연계한다면 보다 실질적인 열차운영 의사결정 지원체계로 활용될 수 있다. 이를 위해 향후 연구에서는 실시간 열차 위치자료, 승강장 혼잡도, 열차별 승하차 인원, 출입문별 승객 집중도 등을 추가로 반영한 정차시간 예측모형 고도화가 필요하다.