Skip to content

OldTemple91/black-mamba

BranchesTags

Repository files navigation

Black Mamba — AI 기반 MaaS 라우팅 엔진

CI Java 21 Spring Boot 3.5 Spring AI 1.0 Resilience4j Observability

대중교통 + 공유 모빌리티(따릉이·킥보드) + 개인 PM(전기자전거/킥보드)을 결합한 멀티모달 경로 엔진에, Spring AI 기반 RAG 파이프라인 / Reactor SSE 실시간 스트림 / Resilience4j 장애 대응 / 4축 관측성(Logs ↔ Metrics ↔ Traces ↔ Alerts/SLO) 을 통합한 "설명 가능한 MaaS" 라우팅 엔진.

🎬 20초 데모

Demo

테마 토글 → 출발/목적지 입력 → 이동수단·선호도 선택 → 🌧 비 날씨 → 경로 탐색 → 결과 카드(Timeline Bar + Carbon 배지) → 카드 클릭 시 지도 연동 → 다크 모드 전환

📌 한눈에 보기 (TL;DR)

영역 내용
🧭 자체 라우팅 알고리즘 8종 Baseline-Guided Recomposition (5패턴) + 2-Phase Hub Selection + 6-Dim Weighted Scoring 등
🧠 AI/RAG 풀 파이프라인 자연어 경로 검색 + Qdrant 3축 하이브리드 검색 + LLM narrative + Hallucination 자동 검증
⚡ 실시간 스트림 Reactor Flux 기반 SSE — 30초 재탐색, 변화 감지 push, HEARTBEAT, 자동 종료
🛡️ 장애 대응 Resilience4j 3층 방어선 (외부 API 5개) + RAG 킬 스위치 (CI 자동 검증)
🔍 4축 관측성 Loki ↔ Tempo ↔ Prometheus + Alertmanager + SLO Burn Rate + Exemplars + OTLP/gRPC
🏗️ Hexagonal Architecture Port/Adapter 분리, 4-module Gradle (api / application / domain / infra)
📊 성능 튜닝 Geohash 공간 캐시 — ODsay 히트율 46.9% → 80.4%
🌱 MaaS 정체성 자가용 대비 시간·비용·CO₂ 비교 + 날씨 인식 + 휠체어 접근성

👉 자체 알고리즘 카탈로그 · Core 개선기록 14건 · ADR 7건 · 로드맵

1. 프로젝트 개요

서울 한정, 대중교통과 다양한 이동수단(공유 모빌리티 + 개인 PM)을 결합한 멀티모달 경로 엔진입니다. 기존 길찾기 서비스가 최단시간/최단거리 만 보는 것과 달리, 본 프로젝트는 다음과 같은 현실 제약을 모두 반영합니다:

  • 공유 모빌리티는 항상 이용 가능한 게 아님 (재고·반납 정류소 검증 필요)
  • 환승은 아무 지점에서나 자연스럽게 일어나지 않음 (허브 기반 탐색)
  • 공유 자전거(따릉이 등)는 대여 가능 여부 뿐 아니라 반납 정류소 존재 여부 도 중요
  • 접근 도보가 길면 이론상 최적 경로 도 실제로는 외면받음

→ "가장 빠른 경로"가 아니라 "실제로 성공 가능성이 높은 경로" 를 추천합니다.

누구를 위한 것인가

  • 자가용 없이 도시를 이동하는 사용자
  • 단일 수단(지하철·버스)만으로 닿기 어려운 퍼스트마일·라스트마일 까지 안내가 필요한 사용자

무엇이 다른가

  • 단순 ETA → 6차원 신뢰도 평가 + 자가용 대비 시간·비용·CO₂ 비교
  • 닫힌 추천 → 자연어 설명 (RAG narrative + Hallucination 검증)
  • 단일 응답 → 실시간 변화 감지 (SSE Push)

2. 풀려는 문제

도시 이동에서 단순 "빠른 경로" 만으로는 해결되지 않는 문제들:

  1. 대중교통만 이용 — 환승은 적지만 도보가 길어 외면받기 쉬움
  2. 공유 자전거 결합 — 더 빠를 수 있지만 반납 정류소 없으면 경로 자체가 성립 안 함
  3. 이동수단 접근 도보 길이 — 추천 경로라도 접근 자체가 불편하면 선택 확률 ↓
  4. 실시간 데이터 품질 — 이론상 최적이 실제론 unusable 한 케이스 존재

핵심 질문 3가지:

  • 어디서 갈아타는 것이 현실적인가?
  • 실제로 탈 수 있고 반납할 수 있는가?
  • 최단시간보다 신뢰도 높은 경로는 무엇인가?

3. 핵심 설계

3.1 시스템 아키텍처

flowchart TB
    subgraph Client["👤 Client"]
        UI["React 19 + Vite 7<br/>TailwindCSS v4<br/>Dark Mode · Glassmorphism"]
    end

    subgraph API["🌐 API Layer (Spring MVC)"]
        RC["RouteController<br/>/api/routes"]
        NC["NaturalLanguageController<br/>/api/nlp/routes"]
        SC["RouteStreamController<br/>/api/routes/stream (SSE)"]
        PC["PlaceController<br/>/api/places"]
    end

    subgraph App["⚙️ Application Layer (Orchestration)"]
        ROS["RouteOptimizationService"]
        OS["OptimalSearchStrategy<br/>5패턴 병렬 (A/B/C/D/E)"]
        SS["SpecificMobilityStrategy"]
        HS["HubSelector<br/>2-Phase Primary+Fallback"]
        CPS["CandidatePointSelector<br/>30~80% 윈도우 + 120m 중복제거"]
        RSC["RouteScoreCalculator<br/>6차원 가중합 × 2 프로파일"]
        APP_POST["Post-Processors<br/>Accessibility · Weather · Carbon · RAG-narrative"]
    end

    subgraph Infra["🔌 Infra Layer (Port/Adapter)"]
        ODS["ODsay Adapter<br/>(대중교통)"]
        TMAP["Tmap Adapter<br/>(보행자)"]
        DDR["따릉이 Adapter<br/>(공유 모빌리티)"]
        NAV["Naver Adapter<br/>(지오코딩/POI)"]
        CACHE["Geohash Cache<br/>precision 7 · 150m 격자"]
        CB["Resilience4j<br/>CircuitBreaker + Retry + Fallback"]
    end

    subgraph AI["🧠 RAG Pipeline"]
        OLLAMA["Ollama<br/>llama3.2:3b · bge-m3"]
        QDRANT[("Qdrant Vector DB<br/>1024-dim · OD 이력")]
    end

    subgraph Obs["🔍 4축 Observability"]
        PROM[("Prometheus<br/>metrics + SLO")]
        LOKI[("Loki<br/>logs + traceId")]
        TEMPO[("Tempo<br/>traces OTLP/gRPC")]
        ALERT["Alertmanager<br/>→ Discord"]
        GRAF["Grafana<br/>4 dashboards"]
    end

    UI -->|HTTPS| RC & NC & SC & PC
    RC --> ROS
    NC -->|intent parse| OLLAMA
    NC --> ROS
    SC --> ROS
    PC --> NAV

    ROS --> OS & SS
    OS & SS --> HS & CPS
    HS & CPS --> ODS & TMAP & DDR
    ROS --> APP_POST
    APP_POST -->|RAG narrative| OLLAMA
    APP_POST -->|similar routes| QDRANT
    ODS & TMAP & DDR & NAV -.-> CACHE -.-> CB

    API -.emit.-> PROM & LOKI & TEMPO
    PROM --> ALERT
    PROM & LOKI & TEMPO --> GRAF

    classDef client fill:#eff6ff,stroke:#3b82f6,color:#1e3a8a
    classDef api fill:#f0f9ff,stroke:#0284c7,color:#0c4a6e
    classDef app fill:#fef3c7,stroke:#d97706,color:#78350f
    classDef infra fill:#f1f5f9,stroke:#64748b,color:#334155
    classDef ai fill:#f3e8ff,stroke:#9333ea,color:#581c87
    classDef obs fill:#dcfce7,stroke:#16a34a,color:#14532d
    class UI client
    class RC,NC,SC,PC api
    class ROS,OS,SS,HS,CPS,RSC,APP_POST app
    class ODS,TMAP,DDR,NAV,CACHE,CB infra
    class OLLAMA,QDRANT ai
    class PROM,LOKI,TEMPO,ALERT,GRAF obs
Loading

3층 구조:

  • L1 외부 엔진 (ODsay / Tmap / 따릉이) — 도로 그래프 · 시간표 기반 최단경로 제공
  • L2 Orchestration 층 (본 프로젝트 자체 구현) — L1 결과를 재조합해 5패턴 병렬 생성 + 2-Phase Hub + 6차원 스코어링 + 후처리
  • L3 AI + Observability — RAG narrative · Qdrant 유사 검색 · 4축 관측성

모듈 의존 (Hexagonal Architecture)

flowchart LR
    api[api<br/>Spring MVC] --> application
    application --> domain[domain<br/>Pure Java 21]
    infra --> application
    infra -.implements.-> application
    api -.-> infra

    classDef core fill:#fef3c7,stroke:#d97706
    classDef adapter fill:#f1f5f9,stroke:#64748b
    class domain,application core
    class api,infra adapter
Loading
  • domain / application = 외부 의존성 0 (Port 인터페이스만)
  • infra 가 Port 를 구현 (의존성 역전)
  • api 는 application 의 유스케이스만 호출

→ 외부 API · LLM · 벡터 DB 모두 어댑터 추가만으로 교체 가능 (예: Qdrant → Milvus, Ollama → OpenAI)

3.2 자체 설계 알고리즘 8종

A*/Dijkstra 같은 도로 그래프 최단경로 는 ODsay/Tmap 이 담당. 그 위에서 다중 이동수단을 재조합 · 평가 · 설명하는 Orchestration 층 을 직접 설계·구현했습니다.

# 알고리즘 한 줄 설명 코드
① Baseline-Guided Multimodal Recomposition 순수 대중교통 baseline 을 설계도 삼아 5패턴 (A/B/C/D/E) 병렬 탐색 OptimalSearchStrategy
② Two-Phase Hub Selection 환승점 후보를 이상적 거리로 먼저 검색, 0건이면 기준 완화해 재탐색 HubSelector
③ 30~80% Candidate Window + 120m 중복 제거 Baseline 의 중간 구간에서 후보 정류장 추출 CandidatePointSelector
④ Two-Phase Walking (Haversine → Tmap) 후보 필터는 직선거리로 빠르게, 확정 후 Tmap 보행 API 로 정밀화 MobilitySegmentBuilder
⑤ 6-Dim Weighted Scoring + 7 Penalty time / transfer / cost / walk / accessWalk / reliability × 2 프로파일 RouteScoreCalculator
⑥ Geohash Spatial Cache (precision 7) 150m 격자로 좌표 양자화 → ODsay 히트율 46.9% → 80.4% GeohashKeyGenerator
⑦ Accessibility Post-Processor 휠체어/노인 옵션을 라우팅 로직 비침투, 결과에만 후처리로 적용 AccessibilityPostProcessor
⑧ SSE Change Detection 30초 재탐색 + 추천 경로 변경 또는 2분 이상 차이 시만 UPDATE push RouteStreamService#changeReason

→ 의사코드, 임계값 근거, A*/Dijkstra 미채택 이유: 자체 알고리즘 카탈로그

3.3 AI/RAG 풀 파이프라인

설계 원칙 — 표준 Q&A RAG 가 LLM 이 답변 자체를 생성 하는 것과 달리, 본 프로젝트는 경로 계산은 결정론 알고리즘이 책임지고, LLM 은 자연어 입력 해석 + 결과 설명만 담당 합니다. MaaS 라우팅은 시간·비용 한 자리 차이로 약속에 늦을 수 있어, 같은 입력에 매번 답이 미세하게 달라지는 LLM 의 특성을 핵심 계산에 들이지 않은 의도적 분리.

단계 역할
Phase 1 — NLP 파싱 "강남에서 홍대까지 따릉이로 빠르게" → JSON 의도(origin/destination/mobility/preference) 추출
Retrieval bge-m3(1024차원) 임베딩 + Qdrant 3축 하이브리드 검색 (의미 유사도 + geohash + 이동수단)
Augmented 결정론 라우팅 결과 + 과거 사례 기반으로 시스템 프롬프트 합성 ("제공 수치만 사용 · 추측 금지" 가드)
Generation 최종 추천 1개에만 LLM 호출 → 자연어 설명문 2~3문장 (별도 스레드로 격리, 본 응답에 영향 X)
Hallucination 검증 LLM 출력 숫자(분/원) 정규식 추출 → 실측과 5분/1,000원 초과 차이면 자동 폴백
다층 폴백 LLM 타임아웃·빈약 응답까지 모두 결정론 원본으로 자동 복귀 → 본 응답 무중단
  • Spring AI 1.0.2 + Ollama (llama3.2:3b + bge-m3) + Qdrant v1.13.6
  • 외부 OpenAI 의존 없이 자체호스팅 → 비용 0 + 데이터 외부 유출 차단
  • 운영 메트릭: navigation.rag.narrative.{generated, fallback{reason}, similar_hit} (Prometheus)

3.4 운영 안정성 + 4축 관측성

외부 API 방어선

API 적용 맞춤 Fallback
ODsay (대중교통) Resilience4j 3층 (Retry → CircuitBreaker → Fallback) stale 캐시 (만료된 응답이라도 반환)
Tmap (보행) 동일 Haversine 직선거리 추정
따릉이 (정류소) 동일 snapshot 캐시 (마지막 정상 응답)
Naver Geocoding 동일 Naver Local 검색 폴백
Naver Local 동일 빈 결과 + 사용자 안내

추가:

  • TAGO 킬 스위치 — env 토글 한 줄로 호출 차단, 응답 500ms → <10ms (서울 미제공 대응)
  • RAG 킬 스위치 — SPRING_AUTOCONFIGURE_EXCLUDE + @ConditionalOnBean 으로 Ollama/Qdrant 부재 시에도 앱 3초 기동, 매 커밋 CI 에서 자동 검증

4축 관측성 (Logs ↔ Metrics ↔ Traces ↔ Alerts/SLO)

  • Loki (loki4j 2.0) — structured metadata, traceId 자동 삽입
  • Tempo 2.10 — OTLP/gRPC, Micrometer Tracing Bridge
  • Prometheus v3.11 + Grafana v12.4 — Exemplars 로 p95 스파이크 → Tempo 한 클릭 점프
  • Alertmanager v0.28 → Discord 웹훅
  • SLO Burn Rate 다중 윈도우 알림 — Google SRE Workbook 패턴 (Fast 1h × 14.4 + Slow 6h × 6) — 짧은 윈도우(즉각 감지) + 긴 윈도우(거짓 양성 방지) 조합
  • @Observed AOP — 외부 API · RAG · 라우팅 자동 계측

4. 실측·검증

Docker Compose 로 전체 스택 기동 후 실측 트래픽 발생 상태에서 자동 캡처.

4.1 실사용자 시나리오 벤치마크 (A-5)

역 좌표 편향을 제거한 실사용자 OD 30쌍 자동 배치 실험 결과:

지표 값
Mixed 경로 채택률 43% (TRANSIT_ONLY 대비)
평균 시간 단축 3.4분
최대 시간 단축 8분 (서초 아파트 → 성수 카페거리)
아파트 출발 케이스 70% Mixed 경로 승리

대표 시나리오 — 서초동 아파트 (37.4850, 127.0320) → 성수 카페거리 (37.5420, 127.0554):

순위 경로 타입 소요 비고
#1 TRANSIT_WITH_BIKE 28분 ✅ 추천
#2~3 TRANSIT_WITH_BIKE 33분, 34분
#4 TRANSIT_ONLY 36분 ← 전통적 직행 (8분 더 걸림)
#5 TRANSIT_WITH_BIKE 37분

추천 기준별 정책:

  • RELIABILITY (기본) — 대중교통 안정성 우선
  • TIME_PRIORITY — Mixed 경로 적극 추천 (평균 3.9분 단축)

→ 종합 수치 및 평가 방법론: docs/improvements/2026-04-23-A5-real-user-benchmark.md

4.2 Grafana 4축 관측성 대시보드

Overview — 요청 수 / p95 / 캐시 Hit률 / JVM Grafana Overview

Route Performance — 응답시간 히트맵, outcome 별 처리량 Grafana Route Performance

External APIs — ODsay/Tmap/따릉이 호출 + 캐시 Hit률 + Fallback Grafana External APIs

4.3 Qdrant 벡터 DB 실데이터

200+ points 저장, 각 포인트에 1024차원 bge-m3 벡터 + payload (doc_content, geohash, preference 등) 확인 가능.

Qdrant Dashboard

📁 캡처 스크립트: scripts/screenshots/capture.mjs — Playwright 헤드리스, Docker + Ollama 기동 후 실행

4.4 UI Screenshots

🌗 Light / Dark — 테마 토글로 즉시 전환

라이트 다크
Main Light Main Dark
Routes Light Routes Dark

우상단 🌙 / ☀️ 토글 · localStorage + prefers-color-scheme 우선순위 · 0.3s 부드러운 전환 Tailwind v4 @custom-variant dark (&:where(.dark, .dark *)) 전략

📱 Mobile — iPhone 14 viewport

라이트 다크
Mobile Light Mobile Dark
Mobile Routes Light Mobile Routes Dark

데스크톱은 lg:grid split layout, 모바일은 자동 vertical stack

🎨 Citymapper 스타일 Route Timeline Bar

각 경로의 구간 비율을 서울 지하철 15개 노선 공식 색상으로 수평 막대 분할:

[🚶 2' | 🚇 2호선 20' ━━━━━━━━━━━━ | 🚲 6' ]
                                     총 28분 · 3개 구간

5. 기술 스택

Backend Core

  • Java 21 (LTS, records / sealed interface / pattern matching 활용)
  • Spring Boot 3.5.13 + Gradle 8.14 멀티모듈
  • Reactor (Mono/Flux) — WebClient + 비동기 체인
  • Micrometer Observation + @Observed — 트레이싱/메트릭 통합

AI / RAG

  • Spring AI 1.0.2 (ChatClient / VectorStore 추상화)
  • Ollama — llama3.2:3b (Chat) + bge-m3 (Embedding, 1024차원)
  • Qdrant v1.13.6 — 벡터 DB (gRPC, HNSW 인덱스, Cosine 유사도, 3축 하이브리드 필터)

장애 대응

  • Resilience4j 2.2 — CircuitBreaker + Retry + Fallback (Reactor Operator)
  • 외부 API 5개 (ODsay / Tmap / 따릉이 / Naver Geocoding / Naver Local) 3층 방어선
  • TAGO 킬 스위치 (tago.enabled env 토글)
  • RAG 킬 스위치 (SPRING_AUTOCONFIGURE_EXCLUDE + @ConditionalOnBean)

관측성 (4축)

  • Prometheus v3.11 + Grafana v12.4 — Micrometer, Exemplars
  • Loki 3.7 — loki4j 2.0, structured metadata (stack_trace 펼치기)
  • Tempo 2.10 — OTLP/gRPC, Micrometer Tracing Bridge (OTel)
  • Alertmanager v0.28 — Discord 웹훅 + SLO Burn Rate (Google SRE 패턴)
  • cAdvisor v0.55 + Node Exporter v1.9 — 호스트/컨테이너 메트릭

MaaS 정체성

  • Carbon Footprint — 이동수단별 정밀 계수 (지하철 41 / 버스 68 / 공유 킥보드 22 g/km)
  • Weather-aware Routing — RAIN/SNOW 시 공유 모빌리티 페널티 (후처리 패턴 재사용)
  • Accessibility — 휠체어/노인 옵션 (엘리베이터 없는 역 필터 + 보행속도 재계산)
  • vs 자가용 비교 — 시간/비용/CO₂ 3축 narrative

Frontend

  • React 19 + Vite 7 + TailwindCSS v4
  • Naver Maps — 실시간 경로 라인 (passThroughStations 기반 경유 정류장 연결)
  • Dark Mode — localStorage + prefers-color-scheme 우선순위
  • Route Timeline Bar — 서울 지하철 15개 노선 공식색
  • Skeleton Loading + Glassmorphism + Hero CSS motion + prefers-reduced-motion 대응

Testing

  • JUnit 5 + Mockito + AssertJ — 단위 테스트 88개
  • WireMock — ODsay 클라이언트 HTTP 통합 테스트
  • Playwright — 프론트 UI 자동 스크린샷 + 데모 비디오 녹화

External APIs

  • ODsay (대중교통), TMAP (보행), 서울시 따릉이, 네이버 지오코딩/로컬, 기상청 예보 (선택)

6. 로컬 실행

6.1 전체 스택 (권장)

docker compose up -d     # 앱 + Qdrant + Prometheus + Grafana + Loki + Tempo

6.2 백엔드 단독 (개발 중)

./gradlew :api:bootRun

6.3 AI/RAG 사용 시 사전 준비 (Ollama)

ollama pull llama3.2:3b     # 자연어 파싱 + narrative (1.9GB)
ollama pull bge-m3          # 경로 임베딩 (1.2GB)
docker compose up -d qdrant # 벡터 DB

데모용 시드 200건 투입:

curl -X POST http://localhost:8081/api/rag/admin/seed

6.4 RAG 킬 스위치 (장애 시 서비스 지속)

Qdrant/Ollama 장애 발생 시 환경변수 한 줄로 RAG 없이 앱 기동 가능:

SPRING_PROFILES_ACTIVE=docker,no-rag docker compose up -d app

영향:

  • ✅ /api/routes, /api/routes/stream, /api/nlp/routes, /api/places — 완전 정상
  • ⚠️ 추천 경로 narrative → LLM 설명 대신 템플릿 narrative 폴백
  • ❌ /api/rag/similar-routes, /api/rag/admin/seed → 503 또는 스킵 메시지

→ 외부 의존성(Qdrant/Ollama)이 핵심 서비스(라우팅)를 끌어내리지 않도록 설계. 상세: application-no-rag.yml

6.5 부하 테스트 (k6)

5종 시나리오 — k6 가 로컬에 없으면 Docker(grafana/k6) 자동 사용:

./scripts/k6/run.sh smoke    # 1 VU, 30초 — 기본 정상성
./scripts/k6/run.sh load     # 50 VU, 7분 — 평시 SLO (p95 < 2s)
./scripts/k6/run.sh stress   # 50→200 VU, 10분 — 한계 탐색
./scripts/k6/run.sh spike    # 50→300→50 VU — 급증 대응
./scripts/k6/run.sh cache    # Cold vs Warm 응답시간 비교

상세 기준 및 SLO: docs/performance/perf-baseline.md

6.6 관측성 스택 접속

docker compose up -d

open http://localhost:3000     # Grafana (admin/admin) — 대시보드 자동 프로비저닝
open http://localhost:9090     # Prometheus
open http://localhost:3100     # Loki
open http://localhost:3200     # Tempo
Phase 스택 역할
1. Metrics Prometheus + Micrometer JVM/HTTP/비즈니스 메트릭 (navigation.route.*, navigation.cache.*)
2. Logs Loki + loki4j 애플리케이션 로그 Push, traceId 자동 삽입
3. Traces Tempo + Micrometer Tracing 분산 추적 (Zipkin 포맷), 로그↔트레이스 연결

상세 설계: docs/monitoring/observability-stack.md 관련 기술 블로그: 모니터링 시스템 개발 (Prometheus & Grafana LGTM)

6.7 주요 엔드포인트

엔드포인트 설명
GET /api/routes?originLat=... 1회성 경로 탐색
GET /api/routes/stream?... SSE 실시간 재탐색 (30초 주기)
GET /api/nlp/routes?q=강남에서 홍대까지 자연어 경로 검색
GET /api/rag/similar-routes?q=... 의미 유사 과거 경로
GET /actuator/circuitbreakers 외부 API 회로 상태
GET /actuator/prometheus 메트릭 스크레이프

6.8 Frontend

cd frontend
npm install
npm run dev

기본 포트 — backend: 8081, frontend: 5173

7. 한계와 로드맵

현재 한계

  • 완전 자유 탐색이 아닌 baseline 기반 재조합 — 외부 API quota/rate limit 때문에 전수 탐색 대신 캐시·백오프·pruning 으로 품질과 호출량 균형
  • 허브 모델이 정류소/후보점 수준 — Hub 도메인 일반화 예정 (SUBWAY_STATION, BIKE_STATION, CARSHARE_ZONE, CHARGING_STATION 등)
  • 점수 모델이 운영 리스크 부분 반영 — 현재 7가지 페널티. 사용자 클릭 로그 기반 가중치 학습은 Phase 2
  • 700m 이내 단거리 구간은 도보 전용 미제공 — 400 SHORT_DISTANCE 명시적 안내
  • 공유 킥보드 실시간 데이터 미제공 — TAGO 서울 데이터 없음. TAGO_ENABLED=false 로 외부 호출 스킵, 제공 시작 시 env 한 줄로 복구 가능 (T-7)
  • TMAP 429 시 도보 지표 근사치 — 백오프 동안 Haversine fallback 으로 서비스 유지
  • RAG narrative 는 로컬 LLM (llama3.2:3b) 기준 — 모델 교체는 env 한 줄, 상용 LLM(GPT-4/Claude) 연동도 Spring AI ChatClient 추상화로 설정 레벨 전환 가능

향후 로드맵

1) Hub Domain Generalization

2) Reliability Score Enhancement

  • 접근 도보 페널티 고도화
  • 공유 이동수단 가용성 risk 반영
  • 경로 실패 가능성 모델 강화

3) Automotive-Oriented Extension

  • 카셰어 존을 이동수단(Leg)이 아닌 환승 거점 가중치(MobilityHub)로 활용
  • 편도 카셰어 연동 시 Car → Transit → PM 완전 통합 경로 지원
  • EV charging-aware routing
  • PBV / mobility hub 시나리오 확장

4) RAG 표준 영역 확장

  • 같은 인프라(Qdrant · Ollama · @Observed)에 어댑터 추가만으로 Q&A · multi-turn 대화 · 사용자별 개인화 추천 등 표준 RAG 영역까지 확대

📚 더 알아보기

About

서울 대중교통 + 따릉이 + 개인 이동수단을 통합하는 허브 기반 신뢰도 인식 MaaS 라우팅 엔진 — 6차원 가중 스코어링으로 실제 이용 가능성이 높은 멀티모달 경로를 추천합니다.

Resources

Readme
Activity

Stars

0 stars

Watchers

0 watching

Forks

0 forks
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages