.jpg)
.jpg)
.jpg)
.jpg)
군중 이동 경로-밀집도 함께 분석
AI 기반 군중 밀집 예측 신기술로 위험 예측 정확도 76% 향상
[보안뉴스 한세희 기자] 이태원 참사와 같은 다중 밀집 사고를 예방하려면 인파의 유입과 이동 경로를 실시간으로 감지할 수 있어야 한다.
KAIST는 전산학부 이재길 교수 연구팀이 군중 밀집 상황을 더 정확하게 예측할 수 있는 새로운 인공지능(AI) 기술을 개발했다고 17일 밝혔다. 대규모 인파가 모이는 축제·행사 안전 확보와 도심 교통 혼잡 완화뿐 아니라 감염병 확산 대응 등에도 활용이 기대된다.
군중이 모이는 양상은 단순히 인원수 증감만으로 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. 특정 지역에 몇 명이 있는지를 나타내는 정점 정보와 지역 간 인구 흐름이 어떤지를 보여주는 간선 정보를 동시에 분석해야 정확한 예측이 가능하다는 것이다.
지금까지 대부분 연구는 한 가지 정보만 이용했다. ‘현재 몇 명이 모여있나?’ 혹은 ‘어느 경로로 사람들이 몰려가고 있나?’에만 집중했다.
반면, 연구팀은 두 정보를 결합해야 진짜 위험 신호를 잡아낼 수 있다고 봤다. 예를 들어, 골목 A의 밀집도가 급증하는 현상은 단순히 ‘현재 인원’만으로는 예측하기 어렵다. 그러나 인근 지역 B에서 계속 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. 인구 수(정점 정보)와 인구 흐름(간선 정보)을 동시에 고려하면서, 공간적 관계와 시간적 관계를 함께 학습하는 기술이다. 공간적 관계는 ‘어느 지역끼리 연결돼 있는지’, 시간적 변화는 ‘언제, 어떻게 이동이 발생하는지’를 말한다.
또 연구팀은 3차원 대조 학습(3D contrastive learning) 기법을 도입, 2차원 공간인 지리 정보에 시간 정보를 더해 3차원 관계성을 학습하고자 했다. 이를 통해 AI는 ‘지금 인구가 많은지, 적은지’가 아니라 ‘시간에 따라 어떤 패턴으로 밀집이 진행하고 있는지’를 읽어낼 수 있게 됐다. 이를 통해 기존보다 훨씬 정확하게 혼잡 발생 장소와 시점을 예측할 수 있다는 설명이다.
연구팀은 서울·부산·대구 지하철과 뉴욕 교통 데이터, 한국·뉴욕의 코로나19 확진자 수 등 실제 세계 데이터를 직접 수집·가공해 연구용 데이터셋 6종을 구축하고 공개했다.
이를 바탕으로 연구진이 개발한 기술을 검증한 결과, 기존 최신 방법보다 최대 76.1% 높은 예측 정확도를 기록했다.
이재길 교수는 “이번 기술이 대형 행사 인파 관리, 도심 교통 혼잡 완화, 감염병 확산 억제 등 일상 속 안전을 지키는 데 기여하길 바란다”고 말했다.
이 연구엔 KAIST 전산학부 남영은 박사과정 학생이 제1 저자로, 나지혜 박사과정 학생이 공저자로 참여했다. 연구 성과는 최근 데이터마이닝 분야 국제 학술대회 ‘지식발견및데이터마이닝학회(KDD) 2025’에서 발표됐다.
※ 논문명: Bi-Modal Learning for Networked Time Series
※ DOI: https://doi.org/10.1145/3711896.3736856
이 기술은 중견연구 과제(RS-2023-NR077002, 인공지능 및 모빌리티 빅데이터 기반 군중관리 시스템 핵심기술 연구)와 사람중심인공지능핵심원천기술개발 과제(RS-2022-II220157, 강건하고 공정하며 확장 가능한 데이터 중심의 연속 학습)의 연구성과이다.
[한세희 기자(boan@boannews.com)]
AI 기반 군중 밀집 예측 신기술로 위험 예측 정확도 76% 향상
[보안뉴스 한세희 기자] 이태원 참사와 같은 다중 밀집 사고를 예방하려면 인파의 유입과 이동 경로를 실시간으로 감지할 수 있어야 한다.
KAIST는 전산학부 이재길 교수 연구팀이 군중 밀집 상황을 더 정확하게 예측할 수 있는 새로운 인공지능(AI) 기술을 개발했다고 17일 밝혔다. 대규모 인파가 모이는 축제·행사 안전 확보와 도심 교통 혼잡 완화뿐 아니라 감염병 확산 대응 등에도 활용이 기대된다.
군중이 모이는 양상은 단순히 인원수 증감만으로 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. 특정 지역에 몇 명이 있는지를 나타내는 정점 정보와 지역 간 인구 흐름이 어떤지를 보여주는 간선 정보를 동시에 분석해야 정확한 예측이 가능하다는 것이다.
▲바이모달 학습(bi-modal learning) 기반의 군중 밀집 위험 예측 작동 흐름도 [자료: KAIST]
지금까지 대부분 연구는 한 가지 정보만 이용했다. ‘현재 몇 명이 모여있나?’ 혹은 ‘어느 경로로 사람들이 몰려가고 있나?’에만 집중했다.
반면, 연구팀은 두 정보를 결합해야 진짜 위험 신호를 잡아낼 수 있다고 봤다. 예를 들어, 골목 A의 밀집도가 급증하는 현상은 단순히 ‘현재 인원’만으로는 예측하기 어렵다. 그러나 인근 지역 B에서 계속 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. 인구 수(정점 정보)와 인구 흐름(간선 정보)을 동시에 고려하면서, 공간적 관계와 시간적 관계를 함께 학습하는 기술이다. 공간적 관계는 ‘어느 지역끼리 연결돼 있는지’, 시간적 변화는 ‘언제, 어떻게 이동이 발생하는지’를 말한다.
또 연구팀은 3차원 대조 학습(3D contrastive learning) 기법을 도입, 2차원 공간인 지리 정보에 시간 정보를 더해 3차원 관계성을 학습하고자 했다. 이를 통해 AI는 ‘지금 인구가 많은지, 적은지’가 아니라 ‘시간에 따라 어떤 패턴으로 밀집이 진행하고 있는지’를 읽어낼 수 있게 됐다. 이를 통해 기존보다 훨씬 정확하게 혼잡 발생 장소와 시점을 예측할 수 있다는 설명이다.
연구팀은 서울·부산·대구 지하철과 뉴욕 교통 데이터, 한국·뉴욕의 코로나19 확진자 수 등 실제 세계 데이터를 직접 수집·가공해 연구용 데이터셋 6종을 구축하고 공개했다.
이를 바탕으로 연구진이 개발한 기술을 검증한 결과, 기존 최신 방법보다 최대 76.1% 높은 예측 정확도를 기록했다.
이재길 교수는 “이번 기술이 대형 행사 인파 관리, 도심 교통 혼잡 완화, 감염병 확산 억제 등 일상 속 안전을 지키는 데 기여하길 바란다”고 말했다.
이 연구엔 KAIST 전산학부 남영은 박사과정 학생이 제1 저자로, 나지혜 박사과정 학생이 공저자로 참여했다. 연구 성과는 최근 데이터마이닝 분야 국제 학술대회 ‘지식발견및데이터마이닝학회(KDD) 2025’에서 발표됐다.
※ 논문명: Bi-Modal Learning for Networked Time Series
※ DOI: https://doi.org/10.1145/3711896.3736856
이 기술은 중견연구 과제(RS-2023-NR077002, 인공지능 및 모빌리티 빅데이터 기반 군중관리 시스템 핵심기술 연구)와 사람중심인공지능핵심원천기술개발 과제(RS-2022-II220157, 강건하고 공정하며 확장 가능한 데이터 중심의 연속 학습)의 연구성과이다.
[한세희 기자(boan@boannews.com)]
<저작권자: 보안뉴스(www.boannews.com) 무단전재-재배포금지>
한세희기자 기사보기
.jpg)
.png)
.jpg)
