링크 및 도시 간 일반화 가능한 교통량 추정을 위한 용량 기반 심층 학습

Capacity-Aware Deep Learning for Generalizable Traffic Volume Estimation Across Links and Cities

네트워크 전체의 교통량 추정은 일반적으로 고정된 센서로부터 측정값을 전파하는 방식으로 이루어지며, 이는 센서 밀도에 크게 의존하며 센서가 부족한 네트워크에서는 적용이 제한됩니다. 본 연구에서는 널리 사용 가능한 지역 데이터(예: 차량 속도 정보, 도로 및 위상 관련 정보, 기상 관측 자료)만을 사용하여 시간별 교통량을 추정하는 링크 수준 학습 프레임워크를 제안합니다. 희소한 센서 측정값을 기반으로 지도 학습을 수행하고, 다음과 같은 두 가지 일반화 환경에서 성능을 평가합니다. 첫째, 훈련 네트워크 내의 새로운 링크(intra-network), 둘째, 새로운 도시(inter-network). 본 연구는 교통량 추정을 희소한 감독 하에 이루어지는 공간적 분포 변화 문제를 해결하는 것으로 정의합니다. 또한, 공간적 강건성을 향상시키기 위해, 링크별 구조 용량과 시간대별 활용률의 곱으로 교통량을 모델링하는 용량 기반 방식을 도입하여, 교통 이론적 제약을 학습 과정에 직접 통합했습니다. 다양한 일반화 환경에서 수행한 실험 결과는 제안된 구조 제약이 공간 분포 변화 상황에서 최첨단 기준 모델보다 일관되게 우수한 성능을 보임을 보여줍니다.

Network-wide traffic volume estimation typically relies on propagating measurements from fixed sensors, making performance highly dependent on sensor density and limiting deployment in sparsely instrumented networks. We propose a link-level learning framework that estimates hourly traffic volumes from widely available territorial data only, including probe speed profiles, road and topological descriptors, along with weather observations. A supervised local mapping is learned from sparse sensor measurements and evaluated under two generalization settings: intra-network (unseen links within the training network) and inter-network (unseen city). This formulation frames traffic volume estimation as a spatial out-of-distribution generalization problem under sparse supervision. To enhance spatial robustness, we introduce a capacity-aware formulation that models volume as the product of a link-specific structural capacity and an hourly regime-aware utilization ratio, embedding traffic-theoretic constraints directly into the learning process. Extensive experiments in both generalization settings demonstrate that the proposed structural constraints consistently outperform a state-of-the-art baseline under spatial distribution shift.