이태원 참사 예방 AI 군중밀집 예측 기술 나왔다
이태원 참사와 같은 다중밀집사고를 예방하려면 단순 인원수 파악을 넘어 인파의 유입·이동 경로를 실시간으로 감지하는 기술이 필요하다. 국내 대학 연구진이 군중 밀집 예측 신기술을 개발하는 데 성공했다. 이제 대규모 인파가 모이는 축제·행사, 도심 교통 혼잡 완화뿐 아니라 감염병 확산 대응 등에도 활용될 수 있다.
KAIST는 전산학부 이재길 교수 연구팀이 군중 밀집 상황을 더 정확하게 예측할 수 있는 새로운 인공지능 기술을 개발했다고 17일 밝혔다.
연구팀에서 개발한 바이모달 학습(bi-modal learning) 기반의 군중 밀집 위험 예측 작동 흐름도. 정점 기반 시계열은 특정 지역에서의 지표 변화(예: 밀집도 증감)를 나타내고, 간선 기반 시계열은 시간에 따라 변하는 지역 간 인구 이동 흐름을 나타낸다. (KAIST 제공)
군중이 모이는 양상은 단순히 인원수 증감으로만 설명되지 않는다. 같은 인원이라도 어디서 유입되고 어느 방향으로 빠져나가는지에 따라 위험 수준이 달라진다.
이재길 교수팀은 이러한 움직임을 ‘시간에 따라 변하는 그래프(time-varying graph)’라는 개념으로 표현했다. 즉, 특정 지역에 몇 명이 있는지(정점 정보)와 지역 간 인구 흐름이 어떤지(간선 정보)를 동시에 분석해야만 정확한 예측이 가능하다는 것이다.
반면 지금까지의 대부분 연구는 한 가지 정보만 이용했다. ‘현재 몇 명이 모여있나?’ 혹은 ‘어느 경로로 사람들이 몰려가고 있나?’에만 집중했던 것이다. 하지만 연구팀은 두 가지를 결합해야만 진짜 위험 신호를 잡아낼 수 있다고 강조했다.
예를 들어, 특정 골목 A의 밀집도가 급증하는 현상은 단순히 ‘현재 인원’만으로는 예측하기 어렵다. 그러나 인근 지역 B에서 계속해서 A 방향으로 인파가 몰려오는 흐름(간선 정보)을 함께 보면, ‘곧 A 지역이 위험하다’는 신호를 미리 포착할 수 있다.
연구팀은 이를 위해 ‘바이모달 학습(bi-modal learning)’ 방식을 개발했다. 이는 인구수(정점 정보)와 인구 흐름(간선 정보)을 동시에 고려하면서, 공간적 관계(어느 지역끼리 연결돼 있는지)와 시간적 변화(언제, 어떻게 이동이 발생하는지)를 함께 학습하는 기술이다.
특히 연구팀은 3차원 대조 학습(3D contrastive learning) 기법을 도입했다. 즉, 2차원 공간(지리) 정보뿐만 아니라 시간 정보를 더해 모두 3차원 관계성을 학습하고자 했다. 이를 통해 인공지능이 단순히 ‘지금 인구가 많은지, 적은지’가 아니라 ‘시간에 따라 어떤 패턴으로 밀집이 진행하고 있는지’를 읽어낼 수 있게 됐다. 그 결과, 기존보다 훨씬 더 정확하게 혼잡 발생 장소와 시점을 예측할 수 있다.
연구팀은 서울·부산·대구 지하철과 뉴욕 교통 데이터, 한국·뉴욕의 코로나19 확진자 수 등 실세계 데이터를 직접 수집·가공해 연구용 데이터셋 6종을 구축하고 공개했다.
제안 기술을 검증한 결과, 기존 최신 방법 대비 최대 76.1% 높은 예측 정확도를 기록하며 세계 최고 수준의 성능을 입증했다.
이재길 교수는 “사회적 파급력을 낼 수 있는 기술 개발이 중요하다”며 “이번 기술이 대형 행사 인파 관리, 도심 교통 혼잡 완화, 감염병 확산 억제 등 일상 속 안전을 지키는 데 크게 기여하길 바란다”고 말했다.
