Reinforcement Learning Agent-Driven Transportation Emission Reduction Forecasting and Autonomous Carbon Credit Trading Framework

본 연구는 운송 부문의 탄소배출 감축량 예측과 탄소배출권 자동거래를 통합적으로 지원하기 위한 강화학습 기반 통합 프레임워크를 제안한다. 이를 위해 차량 운행 거리, 속도, 하중, 교통 조건, 기상 요인 등 다양한 다변량 시계열 운송 데이터를 상태 공간으로 활용하여 강화학습 기반 의사결정 구조를 설계하였다. 제안된 시스템에서는 강화학습 에이전트가 운송 데이터로부터 탄소배출 감축 가능성을 예측하고, 이를 바탕으로 탄소배출권 시장에서의 매매 의사결정을 자동으로 수행하도록 구성하였다. PPO, SAC, DDPG 알고리즘을 적용한 비교 실험 결과, PPO 기반 모델이 예측정확도 93.2%와 수익성 지수 118%를 기록하며 기존 수동 거래 방식 대비 각각 9%p와 18%p의 성능 향상을 보였다. 또한 블록체인 기반 스마트 계약을 통합하여 거래 검증 시간을 약 23% 단축하고 이중 거래를 방지함으로써 거래의 투명성과 무결성을 확보하였다. 본 연구는 운송 데이터 기반 감축량 예측과 탄소배출권 자동거래를 단일 프레임워크로 통합한 연구로서, 운송 부문 탄소배출 관리의 자동화 가능성을 제시하고 탄소중립 정책 이행을 위한 기술적 활용 가능성을 실증적으로 제시한다.