철도 시스템에서 AI 적용 현황 조사 및 분석

1. 일반 그룹

표 2에서 나타난 것처럼 이 그룹의 논문 2편은 다른 논문처럼 세부 주제에 치우치지 않고 기존 철도 시스템에서 AI가 어떠한 영향을 끼치고 있는지를 조망하고 있는데, 각 자료는 철도 시스템에 대한 관점에서 차이가 있다.

[1]은 AI가 철도 운영‧정비‧인프라‧승객 서비스 전반에서 정시성‧안전성‧비용 효율을 동시에 개선할 수 있는 핵심 기술임을 보여주는 보고서로써, 전 세계 철도 산업에 연 130~220억 달러 규모의 가치 창출 잠재력이 있다고 주장한다. 다만, 이러한 효과를 실현하려면 단편적 기술 도입이 아니라 데이터‧조직‧인재‧거버넌스를 포함한 전사적 디지털 전환 전략이 필수적이라고 강조하고 있다. [2]는 고속철도를 “AI 없이는 운영이 어려운 초복합 시스템”으로 규정하고, AI가 계획‧제어‧유지보수 전 영역에서 핵심 인프라가 되고 있음을 정리한 연구이다. 대규모 센서‧영상 데이터의 폭증으로 기존 경험 기반 운영이 한계에 이르렀으며, 딥러닝‧강화학습 기반 진단‧제어‧스케줄링이 실제 고속 철도의 운영 성능을 실질적으로 개선하고 있음을 보여주고 있다. 표 2는 이 “일반” 그룹의 논문들에 대한 전반적인 비교표이다.

2. 조사·분석 그룹

표 3에서 나타난 것처럼 이 그룹의 논문 5편은 공통으로 철도 시스템에서 다양한 AI 응용에 대한 조사‧분석 내용을 다루고 있는데 각 논문에서 분류 체계에 대한 관점이 다양하다.

[4]는 AI를 AI 기술(ML‧DL‧진화알고리즘‧전문가시스템 등), AI 연구 분야(패턴인식, 데이터마이닝, CV 등), 그리고 AI 응용(예지보전, 지연 예측, 자율제어 등) 이렇게 AI 3요소로 구조화하고, 각각을 철도 시스템의 7개 서브도메인과 대응하였다. 이후, 80여 편의 논문 분석을 통해 해당 논문이 AI 3요소와 서브도메인 대응표에서 어떠한 위치에 있는지 또는 어떠한 영역이 공백인지를 제시하고 있다. [5]는 안전이라는 세부 분야에 대해 200여 편의 논문을 대상으로 “Product – Runtime – Process - Trustworthiness”라는 AI 안전 프레임워크에 따라 조사‧분석한 논문이다. [11]은 [4]의 업데이트 논문으로 140여 편의 논문을 종합해 철도 AI 연구 지형을 체계적으로 재정리하였다. 특히, 철도 시스템의 7개 서브도메인 중 유지보수 및 검사 분야가 전체의 절반을 넘을 정도로 편중되어 있으며, 대부분은 비전 기반 결함 검출(CNN, YOLO 등)과 진동‧신호 기반 고장 예측(SVM, RF, LSTM) 연구로 구성되어 있음을 확인하였고, 수익 관리와 운송 정책 서브도메인은 사례 논문이 없어 이들 서브도메인을 더 이상 적용하지 않았다. [14]는 열차 운행계획 및 관리(TPM)라는 세부 분야에 대해 95편의 논문을 분석하여 지연 예측, 재편성, 용량 관리 등에 AI가 어떻게 활용되고 있으며, 어떤 기술이 어떤 문제에 가장 적합한지를 깊이 있게 정리하였다. [21]은 열차 배차 관리(TDM)라는 세부 분야에 대해 150여 편의 논문을 통해 조사‧분석한 논문이다. 이를 위해 실제 현장에서 발생하는 지연 문제를 데이터 기반으로 구조화하고 ML‧통계‧그래프 모델 등을 비교하면서 배차 의사결정에 적용 가능한 실용적인 분석 틀을 제시한다. 표 3은 이 “조사‧분석” 그룹의 논문들에 대한 전반적인 비교표이다.

3. 운영·유지보수 그룹

표 4에서 나타난 것처럼 이 그룹의 논문 6편은 철도 시스템에서 운영 및 유지보수 문제를 다루고 있는데, 각 논문은 자신이 다루는 운영 및 유지보수 대상에 따라 AI 적용방식에서 차이가 있다.

[2]는 메트로 철도에서 발생하는 전력 품질 문제를 해결하기 위해 UPQC에 ANN, NARMA-L2, ALA-PI 등 AI 기반 제어기를 적용한 연구로, 세 방식 모두 기존 제어보다 우수한 보상 성능을 보였다. 특히, ANN 제어기는 THD를 21.74%에서 1.46%로 감소시키고 응답속도(2ms)와 가장 뛰어난 PQ 개선 효과를 입증했다. [6]은 기존 ATO의 수동적 지각‧PID 제어 한계를 극복하기 위해 숙련 운전자의 조작 패턴을 모방학습으로 학습한 뒤 실제 운행환경(선로‧곡선‧기상 등)을 심층강화학습(DRL)으로 최적화하는 지능형ATO(iATO)를 제안한다. iATO는 지상–열차–시뮬레이터를 연계한 구조로 방대한 운행 빅데이터 기반 오프라인 학습과 시험선 검증을 거쳐 상용노선에서 단계적으로 성능을 비교‧ 향상시키는 운용 전략을 포함하고 있다. 또한, 핵심 평가 지표로 열차운행조건평가지수(TRCEI)를 정의하여 DRL의 보상함수로 사용함으로써 복합 목적 최적화를 실현한다. [8]은 ABA 신호‧레일‧영상 기반 DCNN(정확도 96.9%)과 7개 영향 인자를 결합해 구간별 건강지수를 산출하는 상태 기반 유지 보수 프레임워크를 제안했으며, 127개의 퍼지 규칙과 MILP 최적화로 중대 스쿼트가 집중된 핵심 구간(j7-j10)을 자동 선정하였다. 실제 125km 노선 사례에서 제안 방식은 기존 순환분쇄보다 중대 결함(평균심각도 2.15~2.25)을 포함하는 구간을 먼저 처리해 유지보수 효율성과 안전성을 크게 높였다. [10]은 고속철도 하부에 비닐‧플라스틱 등 이물질이 말려들어가 화재‧단락을 유발할 수 있다는 문제를 해결하기 위해, 기존 TEDS 영상검사 방식의 낮은 정확도와 오검출률을 개선하는 “DenseNet + SPP” 기반 개선형 YOLO 모델을 제안하였다. 실험 결과, 제안 모델은 mAP 94.05%, Precision 95.48%, Recall 99.48%, F1-score 0.974, 처리속도 58ms로 YOLOv3, SSD, Faster R-CNN을 모두 능가하였다. [15]는 메트로 차량 APU의 조기 고장 탐지를 위해, 운영사의 실제 센서 데이터를 활용하여 SAE 기반 비지도 이상 탐지 모델을 제안한다. 실제 고장 21건을 대상으로 한 실험에서 디지털 센서 기반 SAE가 Recall 47%, Precision 90%, F1-score 62%로 아날로그 센서 기반 SAE(33%, 70%, 45%)보다 크게 우수했다. [16]은 LSTM-AE를 활용해 APU 정상 패턴을 학습하고 재구성 오차로 이상을 탐지하는 비지도 예지보전 모델을 구축하여, Recall 100%, Precision 95%, F1-score 97.4%로 SAE보다 압도적으로 우수한 성능을 달성했다. 또한, 4건 중 3건의 고장을 1~16시간 사전 탐지하고 SHAP로 원인 센서를 설명해 유지보수 의사결정에 활용 가능한 고장 해석 기능을 제공한다. 표 4는 이 “운영‧유지보수” 그룹의 논문에 대한 전반적인 차이점을 나타낸다.

4. 지연 예측·분석 그룹

표 5에서 나타난 것처럼 이 그룹의 논문 4편은 철도 시스템에서 지연 자체에 대한 예측 및 분석 문제를 다루고 있는데, 각 논문은 이에 대한 접근방식에서 차이가 있다.

[12]는 물리 기반 주행 시뮬레이터와 실제 운행 데이터를 학습한 NN 보정 모델을 결합하여 물리 모델이 설명하지 못하는 운행 편차를 보정하는 하이브리드 지연 예측 모델을 제안한다. 특히 이 방식은 구배‧곡선 등 복잡 구간에서 효과적이며, 개별 물리‧ML 모델 대비 20~40% 이상 예측 성능을 향상시킨다. [17]은 지연이 새로 발생한 것인지 이전 구간에서 전파된 것인지 인과 구조를 구분하여 설계한 하이브리드 베이지안 네트워크를 제안한다. 이를 통해 기존의 휴리스틱 BN 및 기초선형 BN 대비 전반적 예측 성능을 크게 향상시켰다. 중국 WHGZ 고속철도의 37만여 이벤트 기반 실험에서 HB는 MAE 약 30초, 정확도 80%+, Kappa 0.69를 달성해 실용성과 해석 가능성을 모두 확보했다고 생각한다. [23]은 정적‧시계열‧시공간 데이터를 분리‧결합해 처리하는 CLF-Net(3D CNN + LSTM + FCNN) 모델을 적용하여 복합 요인이 작용하는 열차 지연 패턴을 구조적으로 학습한다. 중국‧네덜란드의 4개 노선에서 수행한 실험에서 CLF-Net은 기존 ML‧DL‧시공간 모델을 모두 능가하는 최소 RMSE‧MAE를 기록하며, 데이터 축소‧입력 차원 변화에도 높은 안정성을 보였다. [24]는 지연 프로파일과 지연 변화 프로파일을 K-means 클러스터링으로 분석하는 기법으로 기존 통계‧시각적 분석을 통해 파악하기 어려웠던 지연의 누적‧회복‧증가의 반복 패턴을 자동 식별하는 방법을 제안한다. 덴마크 Kystbanen 노선의 실측 데이터를 통해 역‧열차‧시간대별로 상이한 구조적 지연 요인을 밝혀내어 운영 개선에 활용 가능한 사례를 제공한다. 표 5는 이 “지연 예측‧분석” 그룹의 논문들에 대한 전반적인 차이점을 나타낸다.

5. 운행일정 관리 그룹

표 6에서 나타난 것처럼 이 그룹의 논문 6편은 철도 시스템에서 지연 상황 등을 반영하여 열차 운행 시간을 관리하는 문제를 다루고 있지만, 각 논문은 적용 환경 및 모델 등에서 차이가 있다.

[18]은 SVR 기반 기본 예측과 KF 기반 실시간 보정을 결합한 하이브리드 모델을 통해 비정상 상황에서 악화되는 운행시간 예측 성능(SVR 대비 MAE‧MAPE 약 40% 개선)을 크게 향상시켰다. 또한, 오프라인 SVR을 유지한 채 KF만 업데이트하기 때문에 계산시간이 약 0.9초에 불과하여 실시간 관제‧재스케줄링에 적용 가능함을 입증하였다. [19]는 단선 철도에서 열차 간 교행‧진행 순서를 Q-learning으로 자동 최적화하여 총지연을 최소화하고, FIFO보다 동일하거나 더 좋은 성능을 보였으며, FIFO에서 빈번히 발생하던 교착상태를 완전히 제거하는 강력한 안정성을 보여주었다. [20]은 초기 지연이 발생한 복선 철도망에서 충돌 없이 총지연을 최소화하는 열차시각표재편성 문제를 기존 연구보다 현실적인 환경(동일 방향 다중 열차의 동시 점유, 혼잡도‧지연을 포함한 확장 상태)을 반영한 Q-learning 기반 TTR 방법을 제안한다. 실험 결과, 네덜란드 실제 노선 데이터에서 RL은 상태 정의가 충분할 때 고품질의 TTR을 빠르게 학습했으며, 복잡한 다중 지연 상황에서도 충돌을 유발하지 않으면서 지연을 안정적으로 최소화하였다. [22]는 범용 학습 기반 열차시각표 환경(TTLE)과 다중 에이전트 행위자-평가자(MAA2C)를 적용해 단‧복선 모두에서 현실적 제약(열차간격 등)을 반영한 시각표 최적화를 수행한다. 실험 결과, 제안된 MAA2C는 기존 단일 에이전트 RL보다 충돌률이 낮고, 일정 적합도와 총 운행시간 최적화 성능에서 크게 우수한 결과를 얻었다. [25]는 전체 시각표를 그래프(GNN) 기반 상태 표현으로 변환하고, 모든 열차 쌍에 대한 우선순위를 트리 탐색으로 결정하는“GNN + RL” 하이브리드 구조를 제안한다. 또한, 작은 지연에서 큰 지연으로 점진적으로 확장하는 학습 커리큘럼과 국소 탐색을 통해 대규모 고속철도 환경에서도 안정적으로 고품질의 결과를 생성한다. 실험에서 제안 모델이 FCFS, FSFS보다 월등히 우수한 성능을 보였으며, 일부 중‧대규모 사례에서 Gurobi 최적해보다 더 빠르게 그리고 더 좋은 결과를 제시하였다. [26]은 단일선 철도에서 돌발 상황 발생 직후 24~48시간의 운행계획을 즉시 재조정해야 하는 초단기시각표 재편성(VSTR) 문제를 해결하기 위해 상태 축약, 계층형 보상, 교착 원인 페널티, 조기 종료 행동을 포함한 개선형 Q-learning을 제안한다. 영국 Cambria Line 실험에서 기존 RL 대비 평균 206.8분 지연 감소, 대규모 사례에서도 MIP 수준의 품질을 훨씬 빠르게 달성하여, 다른 조건에서도 그대로 적용할 수 있는 높은 전이성과 실시간에서도 적용 가능함을 보여주고 있다. 표 6은 이 “운행일정 관리” 그룹의 논문들에 대한 차이점을 나타낸다.

6. 안전·보안 그룹

표 7에서 나타난 것처럼 이 그룹의 논문 4편은 철도 시스템에서 AI를 적용할 때 필요한 안전 및 보안 문제를 다루고 있지만, 각 논문은 이에 대한 접근방식에서 차이가 있다.

[7]은 철도 시스템에서 AI 기술 응용 사례(OOD, FOS)를 통해 EU AI-Act와 기존 철도 안전규정의 연계 문제, AI 시스템의 적합성 평가, 안전인증 절차에서의 AI 처리 방법 등 법제도 정비의 필요성을 구체적으로 제시하고 있다. [9]는 열차 자동운전과 같은 운영 안전성에 초점을 맞춘다. AI‧ML의 비결정성으로 인해 기존 기능안전 표준이 적용되기 어렵다는 점을 지적하면서 자동열차운전(GoA3‧4)으로의 전환을 염두에 두고 실증 기반 안전성 확보, 안전(Fail-safe) 설계, 연합 학습 기반 데이터 공유 등 안전에 대한 운영적 해결방안을 제안한다. [13]은 AI의 비결정성‧불확실성‧설명불가성은 기존 철도 안전 규격과 충돌하기 때문에 기존 방식만으로는 검증‧인증이 어렵다고 지적하고, 고성능 모델체커와 별도의 경량 검증기가 상호 보완하는 인증 모델 검사 구조를 제안하는 등 AI, 자동운전, ETCS Level 3 등으로 고도화되는 미래 철도 시스템을 안전하게 도입하는 데 필요한 형식기법에 대한 프레임워크를 제시한다. 표 7은 이 “안전‧보안” 그룹의 논문에 대한 차이점을 나타낸다.

1. 분류체계

AI 기술을 반영하는 철도 시스템을 위한 분류체계 구성은 2가지 유형으로 크게 구분할 수 있다.

• 조사‧분석 논문 작성 지원 분류체계

• 철도 전 가치사슬에서의 AI 적용 현황 반영 분류체계

첫 번째 분류 방법은 해당 논문 작성자의 관점에 따라 자신의 분류체계를 제시하기 때문에 다른 조사‧분석 논문이나 적절한 수준의 의견을 수렴한 일반적인 분류체계에 적용할 수 없다. 예를 들면, “조사‧분석” 그룹 내의 [4], [5], [14], [21] 논문은 이 그룹 내 다른 논문의 분류체계로 사용할 수 없다. 이들 논문의 분류체계 구성을 정리하면 표 8과 같다.

이 가운데 [5]는 안전(Safety)에 대해서만, [14]는 TPM에 대해서만, 그리고 [21]은 TDM에 대해서만 다루었다. 그나마, 철도 시스템을 더욱 넓은 시각으로 다룬 [4]는 유지보수 및 검사(Maintenance & Inspection) 등 7개의 서브도메인으로 분류하였다. 하지만, 철도 산업 도메인 밖에 있는 비전공자로 추정이 되는 이들의 분류 방식은 자신들 논문의 기승전결 과정에서 필요한 분류체계이기 때문에 성격상 다분히 좁은 시각에서 다루어질 수밖에 없다. 따라서, AI 기술의 확장성도 고려하여 철도 시스템의 전체 분야를 모두 담을 수 있는 두 번째 분류 방법과 같은 포괄적인 분류체계를 구성해야 한다. 본고의 저자는 이러한 목적에 적합한 철도 시스템의 분류 방식을 UIC가 제시하고 있다고 보고 있다. 여기에서는 철도 시스템을 일차적으로 “철도 운영(Railway Undertakings)”, “인프라 관리(Infrastructure Management)”, “승객 경험(Passenger Experience)”, “지원 기능(Support Functions)”과 같이 4개의 그룹으로 분류하고, 각 그룹은 자신의 세부 분야를 포함하는 2단계 접근방식을 취하고 있다. 이 UIC 분류체계를 사용하면 철도 시스템에서 AI 응용을 다루는 연구자는 철도 시스템에서 AI 기술을 적용할 수 있는 세부 분야, 자신이 다루는 AI 응용의 상대적인 위치, 다른 서브도메인들과의 관계 그리고 글로벌 AI 응용 상황 등을 검토하는 데 유용한 도구로 사용될 수 있을 것으로 판단한다. 그림 1은 이러한 UIC 분류체계와 다른 논문들의 분류체계를 대응시킨 것이다.

그림 1

UIC 분류체계와 타 분류체계 간 대응 출처 Reprinted with permission from M. Gesualdi et al., “The journey toward AI-enabled railway companies,” International Union of Railways, Feb. 2024.

그림 1을 상세히 설명하면, [4]의 “Maintenance & Inspection”은 [1] “철도 운영” 그룹의 “Rolling stock maintenance”, “인프라 관리” 그룹의 “Network maintenance” 서브도메인 등으로, [5]는 [1] “철도 운영” 그룹의 “Safety” 서브도메인과 “인프라 관리” 그룹의 “Rail safety” 서브도메인으로 대응할 수 있고, [4]의 TPM, [14] 및 [21]은 [1] “인프라 관리” 그룹의 “Network planning & optimization” 및 “Network slot allocation and traffic management” 서브도메인으로 대응할 수 있다. 하지만, 현재는 [1]에서 자율주행 및 제어에 대한 서브도메인을 고려하지 않았기 때문에 [4]의 “Autonomous Driving & Control”을[1]의 특정 서브도메인으로 대응시킬 수 없다. 결국, [1] “인프라 관리” 그룹에서 “Autonomous Driving & Control” 서브도메인을 추가하는 것이 적절하다고 생각한다.

참고로, 저자가 작성한 논문의 분류체계 역시 주어진 논물들을 대상으로 작업을 하다 보니 편의상 일반, 조사‧분석, 운영‧유지보수, 지연 예측‧분석, 운행일정 관리 그리고 안전‧보안으로 분류하게 되었다.

2. AI 모델 적용

본고에서 다루는 26편의 논문 중 “지연 예측‧분석”, “운영‧유지보수”, 그리고 “운행일정 관리” 그룹에서 다음과 같이 AI 모델을 이용하였다.

• 지연 예측·분석: FCNN, LSTM, CNN, K-means 클러스터링

• 운영·유지보수: ANN, NARMA-L2, IL, DRL, (D)CNN, YOLOv3, DenseNet, SPP, SAE, LSTM-AE

• 운행일정 관리: SVR, (D)RL(Q-learning, Multi-agent, Tree-search), GNN

이들 세 그룹에서 사용한 AI 모델들을 학습 방식으로 재구성하면 다음과 같다.

• 지도학습: FCNN, SVR, ANN, (D)CNN, LSTM, NARMA-L2, YOLOv3, DenseNet, SPP

• 모방학습

• 비지도학습: K-means 클러스터링, SAE, LSTM-AE

• 강화학습: (D)RL(Q-learning, Multi-agent, Tree-search)

• 하이브리드학습: IL + RL, GNN + RL

또한, 이들 세 그룹에서 사용한 AI 모델들을 모델 구조 방식으로 재구성하면 다음과 같다.

• 벡터 기반 모델: FCNN, SVR, ANN, SAE, K-means 클러스터링

• 시계열 모델: LSTM, LSTM-AE, NARMA-L2

• 영상·공간 모델: (D)CNN, YOLOv3, DenseNet, SPP

• 시공간 모델: CNN + LSTM

• 그래프 기반 모델: GNN

• 에이전트 기반 모델: (D)RL(Q-learning, Multi-agent, Tree-search)

이러한 분석을 통해 철도 시스템에서 다양한 AI 응용에 걸쳐 대부분의 학습 모델과 모델 구조 방식을 적용하고 있다는 것을 알 수 있다. 특히, “운행일정 관리” 그룹에서 거의 공통적으로 강화학습 모델을 적용하고 있으며, 기반 알고리즘으로 주로 Q-learning 알고리즘을 사용하고 상황에 따라 다중 에이전트 또는 트리 탐색 알고리즘을 사용하고 있다. 이는 TTR 문제를 해결함에 있어 철도 운행 환경이 복잡하고 불확실성이 커서 Model-free 특성 및 실시간 대응 능력을 지원하기 위해 실제 운행 데이터를 사용하여 에이전트가 직접 탐험하며 최적 정책을 학습할 수 있는 Q-learning 기반 강화학습이 가장 적절하다고 판단한 것으로 보인다.