Scaling Real-Time Traffic Forecasting with a Graph-Aware Transformer (Uber DeepETT)
Author: Olcay Cirit, Yogesh Luthra, Niru Agrawal | Source: Uber Engineering Blog | Published: 2026-05
한 줄 요약
Uber가 GNN의 표현력을 살리되 고정 크기 입력으로 상수 시간 추론을 유지하는 graph-aware Transformer(DeepETT)로 실시간 교통 예측을 재구축해, 장거리 도착시간 정확도 6%·분산 설명력 19% 개선과 연 $1억 가치를 달성.
핵심 주장/내용
- 매 5분, 전 세계 ~1억 도로 세그먼트의 estimated traversal time(ETT)을 3시간 horizon까지 예측. 이 레이어가 라우팅·가격·도착시간·내비 상류에 위치
- 두 가지 스코핑 결정으로 리스크 축소: ① 라우팅을 학습 루프에 넣지 않음(세그먼트 ETT만 예측, 라우팅이 소비) ② 동적 그래프(GNN/시퀀스) 대신 사전 집계된 고정 크기 입력 → 다운샘플링 없이 모든 관측 활용 + 예측 가능한 지연
- 두 계약: 세그먼트 레벨(MSE) + 트립 레벨(MAE). 세그먼트 MSE가 좋아져도 합산 트립 MAE가 나빠질 수 있는 역설 존재
- resolution(정보량) vs calibration(체계적 오차) 분해: 세그먼트 ~30% 분산 설명이 트립 레벨에서 ~85%로 증폭. millisecond 단위 세그먼트 이득이 트립 레벨 single-digit % 이득으로 복리
- 모델: 각 spatiotemporal view(세그먼트/그래프 이웃/지역 × 정적/과거/실시간 집계)를 토큰으로 임베딩 → Transformer 블록. 그래프 임베딩은 별도 message-passing으로 사전 계산
- Always Be Calibrating: 주간 재학습 후 calibration drift로 다운스트림 정확도 하락 발견 → Flink 파이프라인으로 도시별 10분 버킷 실시간 보정 → 트립 레벨 잔차 평탄화
주요 수치 / 사실
- 장거리 도착시간 정확도 6% 개선, 분산 설명력 19% 증가, 내비 결함 2.73% 감소
- 연 $1억 모빌리티 총예약 상승
- 초당 ~200만 세그먼트 예측(Uber 최대 처리량 모델), 실시간 피처 16만+ 행/초 수집
- GPS ping 약 4초마다, 일 수백억 위치 업데이트
- 파이프라인: Spark(과거/주간 집계) + Flink(실시간 갱신)
관련 위키
Source: 원문 보기