시공간 그래프 신경망을 활용한 도로 단위 불법주정차 예측 모델 개발
Fine-Grained Prediction of Illegal Parking at the Road-Segment Level Using Spatiotemporal Graph Neural Networks
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
불법주정차는 도로 용량 감소, 응급차량의 접근 방해, 보행자 안전 저해 등 다양한 도시 문제를 유발하고 있다. 그러나 현재의 관리 체계는 민원 접수나 CCTV 탐지 이후의 사후 대응에 의존하고 있어, 단속 인력과 장비의 효율적 배분이 어렵다는 한계를 지닌다. 본 연구는 도로 세그먼트 단위에서 불법주정차 발생 가능성을 예측하기 위한 시공간 그래프 신경망 기반 모델을 제안하였다. 제안된 GRU–GAT–ZINB 구조는 시간적 의존성을 학습하는 GRU(Gated Recurrent Unit), 도로망의 공간적 관계를 반영하는 GAT(Graph Attention Network), 그리고 극심한 데이터 희소성을 처리하기 위한 ZINB(Zero-Inflated Negative Binomial) 분포를 결합하였다. 연구는 2021년 9월부터 2024년 3월까지 서울시 강남구의 불법주정차 63만여 건을 활용하여 6,274개 도로 세그먼트의 시간 단위 예측을 수행하였다. 실험 결과, 제안 모델은 실제 데이터의 희소성을 정밀하게 재현하며(zero rate 0.9959), 상위 20% 고위험 도로를 64.6% 정확도로 식별하였다(Hit Rate@20% = 0.6455). 또한 구성요소별 분석을 통해 GAT와 ZINB의 결합이 예측 성능 향상에 유의하게 기여함을 확인하였다. 본 연구는 도로 단위의 정밀 예측을 통해 단속 자원의 효율적 배분과 도시 교통 관리의 선제적 대응을 지원할 수 있는 기반을 제시한다.
Abstract
Illegal parking causes various urban problems, such as reduced road capacity, obstruction of emergency vehicle access, and threats to pedestrian safety. However, the current management system mainly relies on post-hoc enforcement through civil complaints or CCTV detection, which limits efficient allocation of enforcement resources. This study proposes a spatiotemporal prediction model for illegal parking at the road-segment level using graph neural networks. The proposed GRU–GAT–ZINB architecture integrates a Gated Recurrent Unit (GRU) for temporal dependency learning, a Graph Attention Network (GAT) for capturing spatial relationships within the road network, and a Zero-Inflated Negative Binomial (ZINB) distribution to handle extreme data sparsity. Using approximately 630,000 violation records collected from Gangnam District, Seoul (September 2021–March 2024), the model generated hourly predictions for 6,274 road segments. Experimental results show that the proposed model accurately reproduced the data’s sparsity (zero rate = 0.9959) and effectively identified high-risk roads (Hit Rate@20% = 0.6455). Ablation analysis further confirmed that both the GAT and ZINB components significantly contributed to performance improvement. This study demonstrates that fine-grained, road-segment-level prediction enables more efficient allocation of enforcement resources and provides a methodological foundation for proactive, data-driven urban traffic management.