비운영 참조 이전 1차 운영 · 2026-08-17 ~ 08-19

재료 다 넣기

상호작용 로지스틱 회귀 · logistic-interactions-v1+fd482d90

한 줄 결론 — 노선·정류장·시간대의 고정 조합을 하나의 확률식으로 보는 후보다. 2026-08-17~08-19 에 1차 운영 모델로 뽑혔다가 08번에 자리를 넘겼고, 지금은 서빙에도 일일 채점에도 들어가지 않는 비운영 참조다. 비교 관문을 채우기 전이라 성능 우위는 확정하지 않았다.

왜 믿나

1차 운영 선택 — 2026-08-17, 08-19 교체

팀 검토(0817 BE 최종 검토안)로 이 모델을 1차 운영 모델로 정했다. 평가가 아직 잠정이라 성능 입증은 아니고, 운영 적용을 위한 선택이었다. 2026-08-19 팀 검토로 08번(차량 상태 조건부 좌석 분포)으로 교체했다. 이 모델은 폐기가 아니다 — 서빙 계약에서 빠지고 평가 규약에는 기록으로 남는다.

08-17~08-19 의 그 안은 노선 예보 조회 v1 계약 위에 있었다. 배포 ID는 logistic-interactions-20260817-001로 잡아 뒀고, 입력은 노선·정류장 순번·KST 시간대(MORNING 07~09 / EVENING 17~20 / OTHER) 셋뿐이었다. 현재 차량의 위치·잔여석이 추론 입력이 아니라서 수집이 잠깐 끊겨도 예보 값이 변하지 않는 구조였고, 새 발행은 시간대 경계(07:00·09:00·17:00·20:00 KST)를 지날 때와 모델 승격·노선 판본 변경 때만 나가도록 돼 있었다. 이 경로는 한 번도 가동되지 않았다 — 적재할 계수 번들이 없어 발행 processor 가 뜬 적이 없다.

지금 이 모델의 자리는 비운영 참조다. 2026-08-19 결정 전까지는 차량 상태를 쓰지 않는 나머지 여섯과 같은 표본 위에서 매일 겨루는 대조군이었고, 그 결정으로 일일 채점이 2026-08-19 평가일에서 끊겼다 — 겨루는 자리가 아니라 지난 기록이 됐다. 학습 사건에 노선 판본이 없는 문제는 그래서 이 모델에서는 해소되지 않은 채로 남는다.

Q. 이 모델은 지금 무엇을 계산하나?

그 노선·정류장·시간대에서, 정류장 통과를 처음 감지한 뒤 관측의 유효 잔여석이 0일 확률을 계산한다. 특정 차량을 고르는 예보가 아니다.

Q. 어떻게 계산하나?

이 방식의 강점

• 노선·시간대·정류장과 사전에 고정한 조합을 하나의 확률식에서 함께 다룬다.
• 계수 크기를 줄이는 L2 규제가 희소한 조합항을 함께 줄여 무규제 적합보다 우연한 극단값을 누른다.
• 사용한 범주와 조합이 고정되어 모델 버전별 입력 구조와 계수 변화를 추적하기 쉽다.

재료 한눈에

운영 v1이 쓰는 재료의 정본 표다.

정원·점유율·혼잡도·API queryTime을 빼는 이유는 아래 장부의 "지금은 안 쓰는 재료 4개"에 있다.

Q. 보정은 실제로 적용됐나?

해설 기준: 아래 세 절(왜 이 방법인가 · 어떻게 작동하나 · 실측 워크스루)은 M1·M2 연구 수집분과 당시 연구 변형(실시간 특징 37개 + isotonic 보정)의 기록이다. 오늘 성적과 합치지 않는다. 운영 v1의 계산은 위 "어떻게 계산하나"가 기준이다.

왜 이 방법인가

Q. 정류장·시간만으로 AUC가 .9613인데 무엇을 더 보나?

검증 범위는 20일 코퍼스 보조 원천의 평일 고정창이다. validation 10,040건 중 만석은 583건이다. 직접 수집 validation은 443건, 만석은 14건이다. 다만 수집 날짜가 하루뿐이라 날짜 간 변동은 아직 못 본다.

정류장×30분 셀은 833개다. 이 중 281개, 33.73%는 학습 표본이 10건 이하다. 719개, 86.31%는 만석을 한 번도 못 봤다. 셀 비율을 그대로 쓰면 얇은 셀을 위험 0으로 외우기 쉽다.

그렇다고 위치를 버리면 안 된다. 아무것도 안 본 기준선은 AUC .5000이다. 앞 통과 버스 한 대만 보면 .7187이다. 정류장·시간을 보면 .9613이다. 원자료에서 커 보였던 2차 만석 효과도 정류장×30분으로 나누자 사라졌다. 위치와 시간이 먼저다.

이 모델은 그 위에서 묻는다. 같은 정류장, 같은 시간이라도 직전 버스가 만석이었는지, 상류 버스에 몇 석이 남았는지, 노선 전체에 만석 버스가 몇 대인지가 위험을 더 바꾸는가. 정류장×시간대 기준선이 이미 맞힌 몫은 새 모델의 공으로 세지 않는다.

순위와 확률 손실은 좋아졌다. ECE는 기준선보다 좋아졌다고 말할 근거가 없다. 다만 운영 후보의 보정 변형 가운데 ECE .0065는 2위다. 실제 만석인데 p_full<.5로 본 비율도 .6003에서 .3019로 줄었다.

어떻게 작동하나 — 연구 변형

Q. 위치·시간의 시작점은 어떻게 만드나?

먼저 노선×정류장×30분의 만석률을 만든다. 셀 표본에 노선 만석률 한 건어치를 섞는다.

학습 행은 자기 라벨을 뺀 LOO 값만 본다. 자기 정답을 자기 입력에 넣는 누수를 막는다. 예측 때는 학습 전체로 만든 값을 쓴다. 처음 보는 셀은 노선×정류장, 노선×30분, 노선, 전체 순서로 물러난다.

Q. 상호작용은 무엇을 더하나?

실제 코퍼스 학습에서 기초 입력은 37열이다. 결측 중앙값과 결측 표시 11열을 붙이면 48열이 된다. 이를 표준화한 뒤 원래 항 48개와 두 항씩 짝지은 항 1,128개를 만든다. 합계 1,176개다.

짝은 직전 버스 만석×상류 버스 잔여석, 셀 위험×노선 평균 잔여석, 시각×배차간격처럼 생긴다. 기본요금에 옵션 요금을 붙이는 계산과 닮았다. 위치·시간이 기본요금이고, 특정 재료가 함께 나타날 때만 붙는 조정값이 상호작용이다.

1,176개 계수는 모든 행에서 같은 고정값이다. 계수들이 공통 분포에서 서로 힘을 빌리지는 않는다. 대신 L2 규제로 전부 0 쪽으로 누른다. 날짜 순방향 교차검증이 고른 세기는 C=.003이다.

Q. 점수는 어떻게 확률이 되나?

작은 식 하나면 끝난다.

βx는 원래 항, γxx는 두 재료의 상호작용이다. 계수 부호는 인과효과가 아니다. 같은 데이터 안에서 다른 입력을 고정했을 때 점수가 움직인 방향이다.

원점수는 시간순 OOF 10,236건, 만석 572건으로 학습한 isotonic 보정기를 지난다. validation 라벨은 보정기에 들어가지 않았다. 마지막 출력은 p_full이고, 사용자에게 보일 값은 보수적으로 매핑한 p_board=1-p_full이다.

Q. 연구 변형에 들어간 재료는 어디까지였나?

remainSeatCnt=-1은 0으로 바꾸지 않는다. 결측으로 둔 뒤 학습 중앙값과 결측 표시를 함께 넣는다. 좌석 변화율과 속도의 시간축은 로컬 응답 수신시각이다.

실측 워크스루 — 한 건은 어떻게 나왔나

Q. 2026년 8월 3일 아침 범계역에서는 어떤 숫자가 들어갔나?

질의 시각은 07:24:01 KST다. 노선은 3330, 목표는 55번 롯데백화점.범계역이다.

셀 시작값부터 계산한다.

37개 입력과 상호작용을 모두 더한 로짓은 z=-.101958이었다. 따라서 원 만석확률은 sigmoid(z)=.474533이다. isotonic 보정 뒤에는 .530631이 됐다. 화면용 탈 확률은 1-.530631=.469369다.

이 버스의 정답은 출발 후 0석, label_full=1이었다. 이 한 건에서는 .5 기준의 만석 쪽에 섰다. 셀 시작값 .585526이 원점수 .474533으로 내려간 이유를 앞차 한 항의 공으로 떼어 말하지는 않는다. 1,176개 고정계수의 합이 만든 값이다.

Q. 언제 실패하나?

• 희소한 노선·정류장·시간대 조합에 항이 많으면 우연한 패턴을 배울 수 있다.
• 학습에 없던 정류장·시간대 조합이나 운행 정책 변경은 알려진 기본항만 남겨 국소 급등을 놓칠 수 있다.
• 같은 시간대 안의 연속적인 흐름과 경계 바로 전후의 완만한 변화를 표현하지 못한다.
• 실시간 좌석과 위치를 입력하지 않아 같은 범주 안에서 갑자기 바뀐 운행 상황을 놓칠 수 있다.
• 좌석 미제공이 만석 여부와 관련되면 남은 라벨 사건만으로 전체 운행을 대표하지 못할 수 있다.
• 행사·날씨·사고·정류장 순서 개편처럼 입력에 없는 변화가 생기면 학습한 관계가 유지되지 않을 수 있다.
• 만석이 드문 구간에서는 만석 누락률과 AUC가 작은 사건 수에 크게 움직인다. 만석과 비만석 중 한쪽이 없으면 PR-AUC와 ROC-AUC는 계산하지 않는다.
• 상호작용 계수는 다른 항을 함께 둔 조건부 관계다. 한 범주가 만석을 일으킨다는 인과 설명으로 쓰면 안 된다.
• 평일·주말·출근·퇴근·노선별 점추정은 각 구간의 표본만 설명한다. 만석률과 수집 품질이 다른 구간을 직접 견줘 강한 상황을 고르지 않는다.

연구 수집분에서 실측된 약점

해설 기준: M1·M2 연구 변형이다.

• 정답 자체가 개인 승차 성공은 아니다. 하차한 만큼 승차한 뒤 0석으로 출발해도 실제 승차자는 있다. 모델은 개인이 못 탄 사건이 아니라 좌석이 소진된 사건을 배운다. p_board도 그 라벨을 뒤집은 보수적 값이다.
• 얇은 셀에 맞춘 적응형 부분 풀링이 없다. 셀 prior는 노선 평균 한 건어치만 섞고, 1,176개 계수에는 같은 L2 규제를 건다. 표본 10건 이하 셀이 33.73%다. 새 셀 validation은 2건, 만석 0건뿐이라 외삽 성능은 아직 모른다.
• 고위험 구간이 낙관적이다. p_full∈[.7,.8) 177건의 평균 예측은 .7268, 실제 만석률은 .8701이다. 14.33%p 낮게 잡았다.
• isotonic의 ECE는 raw .0098에서 .0065로 내려갔지만 짝지은 개선 구간 [-.0059, +.0009]가 0을 지난다. 단조 계단이 원점수 여러 개를 같은 값으로 묶어 AUC도 .9792에서 .9775로 내려갔다.
• 직접 수집분 표본이 아직 얇다. 1회차 재대결의 train은 1,081건·만석 40건, validation은 443건·만석 14건이고 수집 날짜가 하루뿐이다. 이 모형의 직접분 AUC는 0.9650이지만 AUC 비교 21쌍 중 16쌍을 못 가려 승자를 정하지 않았다.
• 학습 범위는 두 노선의 평일 07:00~08:30·18:00~19:30이다. 주말, 새 노선, 새 정류장 조합, 마스터 개편 뒤 성능은 아직 없다.
• 상류 버스가 실제 바로 다음 버스라는 보장이 없다. 90초 이하 관측에서도 숨은 제3차량 하한은 3330 17.24%, 1650 12.01%였다. 잘못 고른 앞차의 잔여석과 상태가 상호작용 전체를 흔든다.

Q. 프로토타입과 무엇이 다른가?

Q. 예전 화면의 탑승 확률을 회귀식으로 바꾼 것뿐인가?

아니다. 목표와 계산 경계가 달라졌다.

Q. 개인정보와 미래 정답은 어떻게 막나?

• 공개 생성기는 승인된 현재 집계와 평가 파일의 집계 필드만 읽는다.
• 개별 차량을 다시 가리킬 수 있는 값은 내부 사건 결합에만 쓰고 모델 특징과 공개 결과에 넣지 않는다.
• 범주 사전과 계수 적합은 각 순방향 학습 구간에서만 만든다.
• 출발 뒤 만석 라벨은 학습·평가 정답으로만 쓰고 같은 사건의 예측 특징에 넣지 않는다.
• 공개 산출물에는 개별 시간·장소·차량 사례를 넣지 않고 구간 집계만 둔다.

학습·평가 분할 규칙과 라벨 정의는 평가 규약에 있다.

다음 확인

• 기본항만 둔 로지스틱 모델과 같은 평가 사건에서 비교해 고정 상호작용의 순이득을 확인한다.
• 학습에 없던 조합·시간대 경계·좌석 미제공 영향을 사전 정의해 다시 평가한다. 비용 가정에 따라 방향이 바뀌면 승자를 정하지 않는다.

참고·비교·출시 관문의 수치 기준은 평가 규약에 있다.