본 논문은 개인화된 경로 추천을 통해 교통 시스템의 효율성을 개선하는 문제를 다룹니다. 기존의 정적인 시스템 최적 교통 배정 문제를 단일 에이전트 심층 강화 학습(RL) 문제로 재구성하여, 중앙 에이전트가 OD 수요가 발생할 때마다 순차적으로 경로를 추천하고 전체 시스템의 여행 시간을 최소화하는 프레임워크를 제안합니다. 기존 교통 배정 방법의 반복 구조를 RL 학습 과정에 통합한 MSA-guided deep Q-learning 알고리즘을 개발하여 학습 효율과 해의 질을 향상시켰습니다. Braess 네트워크와 Ortuzar-Willumsen (OW) 네트워크에서의 실험 결과, Braess 네트워크에서는 이론적 시스템 최적 해에 수렴하고, OW 네트워크에서는 0.35%의 편차만 보였습니다. 추가적인 ablation study를 통해 경로 행동 집합의 설계가 수렴 속도와 최종 성능에 큰 영향을 미치는 것을 확인했습니다. 결론적으로, 학습 기반 순차적 배정을 통해 개별 경로 선택 행동과 시스템 수준의 효율성을 연결하는 이론적이고 실용적인 접근 방식을 제시합니다.
