도시 교통 시뮬레이션 (Urban traffic simulation)은 전기차 충전소 배치 등을 포함한 인프라 계획을 위한 핵심적인 도구입니다. 그러나 많은 도시에서 현실적인 교통 시뮬레이션을 수행하는 데에는 두 가지 근본적인 데이터 제한 사항이 걸림돌이 됩니다. 첫째, 대부분의 도시에서 상세한 실제 교통 측정 데이터는 도로 구간의 아주 적은 부분에 대해서만 사용할 수 있습니다. 둘째, 통근 교통 (commuter traffic) 모델링에 필수적인 고용 분포 (employment distribution) 데이터는 시뮬레이션에 필요한 해상도로 제공되는 경우가 드뭅니다. 본 논문은 이 두 가지 제한 사항을 직접적으로 해결하는 유전 알고리즘 (genetic algorithm) 기반의 프레임워크를 제시하며, 상세한 직장 위치 데이터 없이도 희소한 도로 관측 데이터로부터 도시 교통 시뮬레이션을 보정 (calibrating)합니다. 노스캐롤라이나주 그린즈버러 (Greensboro, North Carolina)를 대상으로 SUMO 교통 시뮬레이션 플랫폼을 사용하여, 우리의 접근 방식은 직장 분포 (job distributions)와 게이트 교통 (gate-traffic) 파라미터를 최적화하여 시뮬레이션된 교통 흐름을 교통 유량 (traffic-flow rates)이 알려진 소수의 도로 샘플과 일치시킵니다. 우리는 이 접근 방식이 실제 측정값과 잘 상관관계가 있는 시뮬레이션 교통을 생성하고, 훈련에 사용되지 않은 도로 구간에도 일반화되며, 해당 고용 데이터를 직접 사용하여 훈련하지 않았음에도 불구하고 인구 조사 고용 데이터 (census employment data)와 유망한 질적 일치성을 보이는 직장 분포를 생성함을 입증합니다. 본 연구는 최소한의 실제 관측 데이터만으로도 현실적인 도시 교통 시뮬레이션을 달성할 수 있음을 보여주며, 다양한 도시에 교통 모델을 배포하는 장벽을 낮추는 확장 가능하고 데이터 경량화된 (data-light) 시뮬레이션 보정 접근 방식을 제공합니다.