나는 UberSim v2.0을 구축했다: 프로덕션급 도시 모빌리티 인텔리전스 플랫폼 🚗🧠

Uber를 열 때마다 **2.1배의 surge multiplier (탄력 가격 배수)**를 볼 때마다, 복잡한 시스템이 이미 수요를 예측하고, 가격을 최적화하며, 드라이버를 매칭하고, 향후 학습을 위한 이벤트를 기록했다는 사실을 알게 됩니다. 이 모든 과정은 밀리초(milliseconds) 단위 내에 이루어집니다.

나는 이러한 시스템들이 어떻게 작동하는지 이해하고 싶었습니다.

그래서 UberSim v2.0을 구축했습니다.

이는 현대적인 차량 공유 마켓플레이스(ride-sharing marketplaces) 뒤에 숨겨진 핵심 엔지니어링 과제들을 시뮬레이션하는 Python 기반의 도시 모빌리티 인텔리전스 플랫폼입니다.

단순한 대시보드 프로젝트를 만드는 대신, 나는 차량 공유 플랫폼 뒤에 있는 인텔리전스 레이어(intelligence layer)를 처음부터 다시 재현하고 싶었습니다.

🚀 무엇이 포함되어 있는가?

🧠 수요 예측 (Demand Forecasting)

• 시공간 수요 예측 (R² = 0.89)
• 날씨 영향, 계절성 (seasonality), 시차 특성 (lag features), 인접 구역 영향
• 여러 도시 구역에 걸친 승차 수요 예측

🕸️ 그래프 신경망 (Graph Neural Networks)

• 도시를 그래프 (graph)로 모델링
• 노드 (Nodes) = 도시 구역
• 엣지 (Edges) = 과거 여정 흐름 (historical trip flows)
• 전통적인 모델이 놓치는 공간적 모빌리티 패턴을 포착

🤖 강화학습 (Reinforcement Learning) 가격 책정

수동으로 작성된 규칙에 의존하는 대신 가격 정책을 학습하는 PPO 기반의 surge pricing (탄력 가격 책정) 엔진을 구축했습니다.

다음의 여러 목표를 동시에 최적화합니다:

• 📈 플랫폼 수익 (Platform revenue)
• 🚕 드라이버 수입 (Driver earnings)
• 😊 승객 복지 (Rider welfare)
• ⏱️ 대기 시간 (Wait times)
• ⚖️ 공정성 제약 조건 (Fairness constraints)

흥미로운 발견 중 하나는 다음과 같습니다:

RL (강화학습) 에이전트는 수요 급증에 공격적으로 반응하는 대신, 탄력 가격을 점진적으로 인상하는 법을 배웠습니다. 이러한 동작은 명시적으로 프로그래밍되지 않았습니다.

⚡ Kafka 스타일의 실시간 스트리밍 (Real-Time Streaming)

다음과 같은 이벤트 기반 아키텍처 (event-driven architecture)를 구현했습니다:

• 승차 요청 스트림 (Ride request streams)
• 드라이버 상태 업데이트
• 가격 책정 이벤트
• 매칭 결과

과거 데이터 재생 (historical replay) 및 라이브 마켓플레이스 지표를 지원합니다.

🧠 드라이버 상태 LSTM

네 가지 운영 드라이버 상태를 예측합니다:

• online_idle (온라인 유휴)
• online_busy (온라인 업무 중)
• relocating (이동 중)
• offline (오프라인)

Backpropagation Through Time (BPTT) 및 Adam 최적화 (optimization)를 사용하여 NumPy로만 완전히 구축되었습니다.

🧪 반사실적 A/B 테스트 (Counterfactual A/B Testing)

실제 운영 환경 스타일의 실험 기법을 구현했습니다:

• IPS (Inverse Propensity Scoring, 역 성향 점수)
• 이중 강건 추정 (Doubly Robust Estimation)
• CUPED 분산 감소 (variance reduction)
• 부트스트랩 신뢰 구간 (Bootstrap confidence intervals)

이를 통해 모든 실험을 실제 운영 환경에 배포하지 않고도 정책 (policies)을 평가할 수 있습니다.

🗺️ 멀티모달 교통 계획 (Multi-Modal Transit Planning)

여섯 가지 교통 수단을 아우르는 여정 계획:

• 🚗 차량 공유 (Rideshare)
• 🚌 버스 (Bus)
• 🚇 지하철 (Subway)
• 🚲 자전거 (Bike)
• 🛴 스쿠터 (Scooter)
• 🚶 도보 (Walking)

다음 요소들의 균형을 맞추기 위해 A*/Dijkstra 최적화를 사용합니다:

• 이동 시간 (Travel time)
• 비용 (Cost)
• CO₂ 배출량 (CO₂ emissions)
• 환승 횟수 (Number of transfers)

💡 배운 점

가장 어려운 문제는 수익을 극대화하는 것이 아닙니다.

공정성을 유지하면서 수익을 극대화하는 것입니다.

제약 조건 (constraints)이 없다면, 최적화는 자연스럽게 수요가 높은 지역을 우선시하고 공급이 적은 지역에 불이익을 줍니다.

공정성을 추가하면 최적화의 지형 (optimization landscape)이 근본적으로 변화합니다.

기타 깨달은 점들:

• 강화학습 (RL)은 인간이 명시적으로 프로그래밍하지 않은 전략을 발견합니다.
• 그래프 신경망 (GNNs)은 표 형식 모델 (tabular models)이 놓치는 공간적 관계를 포착합니다.
• 인과 추론 (Causal inference)은 정책 평가에 필수적입니다.
• 순수 NumPy는 사람들이 생각하는 것보다 더 강력합니다.

🛠️ 기술 스택 (Tech Stack)

Python · Streamlit · Plotly · Stable-Baselines3 · NetworkX · NumPy · Scikit-Learn · Gymnasium

🔮 다음 단계는?

• 그래프 어텐션 네트워크 (Graph Attention Networks, GAT)
• 다중 에이전트 강화학습 (Multi-Agent Reinforcement Learning)
• 실제 Kafka 브로커 연동 (Real Kafka Broker Integration)
• WebGL 도시 시각화 (WebGL City Visualization)
• 실제 데이터셋 통합 (Real-World Dataset Integration: NYC TLC, Chicago Divvy)

🔗 GitHub

https://github.com/kh-bikash/ubersim

피드백, 아이디어 및 기여를 환영합니다 🚀