동넷 AI 설계: 왜 XGBRanker + SHAP인가

교통약자 맞춤형 경로 추천 서비스 “동넷”의 AI 파트 설계 문서를 정리했다. 결론은 단순하다. 정형(tabular) 데이터의 랭킹 문제이므로 트리 계열 부스팅 모델을 주력으로 쓰고, SHAP으로 추천 이유를 자동 생성한다.

문제 정의

경로 점수화: 경로 피처(도보거리, 환승 수, 계단 여부, 혼잡도 등) → 점수 → 회귀 또는 랭킹(LTR)
경로 등급 분류: 매우적합 ~ 이용어려움 → 다중분류
경로 속성 라벨링: 계단없음/엘리베이터/저상버스 → 다중라벨
부가 예측: 혼잡도, 사고위험 → 회귀/분류

지도 · 교통 피처를 표로 만들어서 학습하는 구조이므로 XGB/LightGBM/RF가 유리하다.

경로 수집: 4개 소스 병렬 호출 + fallback

출발지 · 도착지 선택
  ↓ 카카오 로컬 API로 좌표 획득
  ↓ 카카오 · 네이버 · 티맵 · OSMnx에 비동기 병렬 요청
  ↓ 좌표 시퀀스(polyline) 수집
  ↓ 50m 샘플링 후 대응 좌표 평균 거리 30m 이내면 동일 경로로 병합
  ↓ 피처 추출 → 점수화

티맵 보행자 API는 facilityType에서 계단 · 엘리베이터 여부를 직접 주기 때문에 접근성 피처의 핵심 재료다. OSMnx는 외부 API가 모두 실패해도 최소 1개 경로를 보장하는 fallback이자, 프로필별로 엣지 비용을 바꿔(휠체어면 계단 엣지 비용 = ∞, 폭염이면 실외 엣지 가중) 같은 알고리즘으로 다른 경로를 뽑는 레이어다.

피처 16개

stair_count, avg_slope_percent, max_slope_percent, min_slope_percent, slope_iqr,
elevator_ratio, sidewalk_width_avg_m, transfer_count, walk_distance_m,
total_duration_min, accident_zone_count, cctv_density, is_low_floor_bus,
crowd_level, weather_risk, shelter_nearby

경사도는 평균만으로 부족했다. 최대 경사(가장 가파른 구간)와 IQR(구간 편차)을 넣어야 “평균은 낮은데 한 구간이 급한” 경로를 잡아낸다.

모델 구성

모델	역할
XGBoost (XGBRanker)	프로필별 경로 점수(0~100)와 순위(LTR). 서비스 핵심
LightGBM (LGBMRanker)	비교 실험 대상. 범주형 피처 처리 강점
Random Forest	주력 모델이 유의미하게 넘어야 하는 baseline
로지스틱 회귀	등급 분류 baseline + 음성명령 의도 분류
선형 회귀	어떤 피처가 점수에 얼마나 영향을 주는지 초기 검증
DBSCAN	사고 데이터 클러스터링 → `accident_zone_count` 재료
SHAP	“엘리베이터 +18점, 계단 없음 +15점” 식 추천 이유 자동 생성

DNN · CNN · RNN · GAN · Diffusion · RL은 이 단계에서 제외했다. 데이터가 적고, 정형 피처 기반 점수화에 구조적으로 맞지 않으며, 2개월 일정에서 리스크가 크다. 특히 RL은 환경 · 보상 설계와 대량 상호작용 데이터가 필요해서 MVP 이후로 미뤘다.

로짓 단계에서 프로필 패널티

XGBoost 점수를 최종 출력이 아니라 로짓으로 취급한다. Softmax 이전에 프로필별 패널티 테이블을 적용해 로짓을 보정한 뒤 Softmax를 연산한다. Softmax 이후에 후처리하면 확률 스케일이 작아져 프로필 편향을 강하게 제어하기 어렵다. 추가 데이터가 들어오면 딥러닝 모델을 함께 학습해 XGBoost와 앙상블(Weighted Average)한 뒤 같은 구조를 유지한다.

결과

실제 부산 OD 380개 · 경로 후보 1,137개 · 프로필 평가 6,822개로 6개 랭킹 모델을 비교했고, NDCG@3 0.9166 ~ 0.9596을 확보했다. 서비스는 dongnet.kr, 코드는 github.com/llouis0622/KT-10.