Development of a GraphLSTM-Attn Model for Time-Series Prediction of Urban Backstreets Parking

도심 이면도로의 불법·임시 주차는 심각한 교통 및 보행자 안전 문제를 야기하지만, 기존 연구는 정형적 환경에 집중하고 주차 행태를 설명하는 다양한 맥락 변수 통합에 한계가 있었다. 본 연구는 이를 극복하고 이면도로의 복잡하고 비정형적인 주차 차량 수를 정밀하게 예측하기 위해 시간적 의존성, 공간적 상호작용, 맥락 요소를 통합한 GraphLSTM-Attn 모델을 개발하였다. 제안 모델은 장기 시간 의존성을 학습하는 LSTM 기반의 시간 인코더와 거리 기반 감쇠 계수를 적용하여 인접 노드의 동적 중요도를 포착하는 graph attention network 기반의 공간 인코더를 결합하였다. 또한 shapley additive explanations 분석을 통해 예측 기여도가 높은 상위 3개의 맥락 변수를 선별하여 입력 구조를 효율화하였다. 안양시 CCTV 궤적 데이터를 활용한 실험 결과, RMSE는 1.031, R 2는 0.961의 높은 예측 성능을 보였다. 본 연구는 예측의 정확도를 높이는 동시에 주차 행태를 유발하는 핵심 요인을 정량적으로 규명하는 해석 가능한 예측 프레임워크를 제시하였다는 점에서 의의가 있다.