Ⅰ.머리글

 중국, 불확실성 시대 맞춤형 항공 네트워크 모델 발표

 중국 항공 운송 네트워크의 구조적 한계를 해결할 새로운 모델이 등장했다. 기존 2계층 중심의 항공망은 대도시 공항에 집중되어 외곽 지역과의 연결이 부족했고, 수요 예측 실패나 기상 악화 같은 '불확실성'에 제대로 대응하지 못했다. 이에 따라 난징 항공항천대학 연구진은 현실적이고 유연한 3계층 항공 네트워크 최적화 모델을 발표했다.

 이번 모델은 대도시 공항(중심 허브), 중형 도시 공항(일반 허브), 외곽 소형 공항을 포함하는 계층형 구조를 반영했다. 특히 일반 허브가 여러 중심 허브에 연결될 수 있는 'r-allocation 전략'과 직접 연결 허용으로 네트워크의 유연성이 대폭 향상됐다.

더 나아가, 수요 변동과 운송 시간 지연 등 불확실성을 모델에 직접 반영하기 위해, 연구진은 분포 강건 최적화(DRO) 기법을 도입했다. 이는 다양한 예측 불가능 상황 속에서도 비용 증가 없이 안정적 운용이 가능하게 한다.

 연구진은 중국 북부 5개 성의 공항 데이터를 활용해 실험을 진행했고, 그 결과 허브 수가 늘어날수록 비용 절감, 운송 시간 단축, 허브 과부하 완화 등 모든 목표에서 성과를 입증했다. 특히 다중 연결 전략(r-allocation)이 단일 연결보다 훨씬 높은 효율성을 보였다.

이번 모델은 향후 중국 전역의 항공망 개선뿐 아니라, 기후 변화와 시장 변동성에 대응할 수 있는 글로벌 항공사 네트워크 전략으로도 주목받고 있다.

                                      그림 1. An example of three-layer airline network  

Ⅱ. 연구방법

본 연구의 핵심인, 새 모델, RDCHHLP 모델은 복잡한 항공 네트워크를 효율적이고 안정적으로 설계하기 위한 수학적모델이다. 모델의 이름을 해석해보면, 아래와 같은 의미를 갖고 있다.

R-allocation: 일반 허브 공항이 여러 중심 허브에 연결될 수 있는 전략이다.

Direct connection: 일반 허브끼리 직접 연결을 허용해서, 중심 허브를 거치지 않고 빠른 이동이 가능하도록 하였다.

Capaciy constraint: 각 허브 공항은 처리할 수 있는 양에 한계가 있기에, 과부하 방지를 위한 제약. 이를 모델에 반영해 균형 있게 사용하도록 하였다.

Hierarchical Hub Location Problem: 계층형 허브 위치 최적화 문제라는 뜻으로, 중심 허브–일반 허브–비허브 공항의 3계층 구조 전체를 어떻게 연결할지에 대한 것이다.

또한 새롭게 정한 RDCHHLP의 규칙에는 다음과 같다.

1. 비허브 공항은 반드시 하나의 허브 공항에 연결되어야 한다.
2. 일반 허브 공항은 r개의 중심 허브에 연결 가능해서 상황에 따라 다양한 경로 선택이 가능하다.
3. 일반 허브끼리 직접 연결 가능하다.
4. 각 허브 공항은 정해진 용량 이상으로 이용할 수 없다.

그림 2. An example of chromosomes and matrixes

 모델이 복잡하다 보니 직접 계산이 어려운 상황, 연구진은 AI 기반 메타휴리스틱 알고리즘으로 접근했다. AI 기반 휴리스틱을 위해 염색체 형식으로 네트워크를 표현했다

(a)Network structure – 네트워크 구조도

(b) Chromosome array – 염색체 배열

• level: 각 공항의 역할 (0: 중심 허브, 1: 일반 허브, 2: 비허브)
• allocation: 각 공항이 어느 허브에 연결돼 있는지 표시

(c) Direct connection matrix – 직접 연결 행렬

일반 허브 간 직접 연결 여부만 표현, 여기선 공항 3,4 간 연결이 있고 나머진 없다.

(d) Adjacency matrix – 인접 행렬

모든 공항 간 연결 관계를 0과 1로 표시한 표, ‘1’이면 연결됨, ‘0’이면 연결 안된다.

• NSGA-III: 다양한 해를 동시에 탐색해 최적의 조합을 도출하는 기술
• VNS(변형 이웃 탐색): 해를 조금씩 변형해 더 나은 해를 찾아가는 방법

이 두 가지를 결합해 빠르면서도 정확한 결과를 얻었다.

결과적으로, 기존 방식보다 다양한 해를 더 빠르게 찾고, 현실에서 바로 적용 가능한 해법이 가능해졌다.

Ⅲ. 결론

중국 북부 5개 성의 공항 데이터를 활용한 실험에서, 기존 항공망 설계 방식보다 AI 기반 허브 최적화 모델(RDCHHLP)이 비용 절감과 시간 단축, 네트워크 안정성 강화 측면에서 뛰어난 성과를 보였다.

연구진은 기존 단일 연결 방식과 새로 제안한 r-allocation 전략 및 직접 연결 허용 모델을 비교한 결과, 비용은 최대 15~20% 절감, 운송 시간은 최대 30% 단축, 허브 과부하 문제(UUD)는 대폭 개선된 것으로 나타났다.

특히 허브 수를 늘릴수록 네트워크 전반의 성능이 크게 향상되었고, 허브 용량 변화가 구조에 직접적 영향을 미치는 것으로 분석됐다. 또한 다중 연결 전략(r-allocation)이 단일 연결 방식보다 모든 측면에서 우수했으며, 불확실성 허용 수준을 높일수록 비용과 시간이 악화되는 경향도 확인되었다.

이에 따라 연구진은 불확실성이 커질수록 분포 강건 최적화(DRO) 모델이 필요하다고 강조했다. DRO는 예측 불가능한 상황에서도 안정적인 운용이 가능한 해법을 제공하며, 실제 비교에서도 기존 방식보다 보수성은 낮추고 성능은 높이는 결과를 보였다.

이번 실험은 중국뿐 아니라 전 세계 항공사, 그리고 기후 변화나 시장 불안정성에 직면한 물류·교통 산업에도 적용 가능성이 높다는 평가다. 본 연구를 통해 앞으로는 AI와 수학적 모델을 기반으로 한 유연하고 안정적인 네트워크 설계가 필수라는 점을 다시 한번강조했다.

요약

중국 북부 항공망 실험, AI 기반 허브 최적화의 효과 입증

비용 20% 절감, 시간 30% 단축, 과부하 문제도 해결