본 논문은 차량의 GPS 데이터를 이용한 지도 매칭(map-matching)을 위한 새로운 딥러닝 기반 프레임워크를 제시합니다. 기존의 지도 매칭 방법들은 기하학적 근접성, 위상, 최단 경로 휴리스틱에 의존하여 운전자의 경로 선호도와 GPS 오차의 공간적 변동성을 고려하지 못하는 한계가 있습니다. 본 논문에서는 자연어 처리(NLP)에서 영감을 얻어, 트랜스포머 기반 인코더-디코더 모델을 사용하여 GPS 데이터의 맥락 정보를 학습하고, 이를 통해 정확한 차량 경로를 추정하는 방법을 제안합니다. 대규모 차량궤적 데이터를 사용하여 학습된 모델은 합성 및 실제 뉴욕 맨해튼 지역의 GPS 데이터를 이용한 실험에서 기존 방법보다 높은 정확도(75%)를 달성했습니다. 이는 운전자의 경로 선호도, 공간적 의존성, GPS 오차 패턴을 효과적으로 포착함으로써 확장 가능하고 강력한 지도 매칭 솔루션을 제공합니다. 본 연구는 지리 공간 모델링 및 도시 이동성 응용 분야를 위한 궤적 기반 기초 모델 발전에 기여합니다.
