머신러닝 기반의 경기도 광역버스 이용변화 예측 연구

김병관; 박지선; 정동재

추천

검색

질문

자료유형: 연구보고서

저자정보: 김병관 (경기연구원) 박지선 (경기연구원) 정동재 (서울대학교)

저널정보: 경기연구원 경기연구원 기본연구 [기본연구 2021-04] 머신러닝 기반의 경기도 광역버스 이용변화 예측 연구

발행연도: 2021.8

수록면: 1 - 141 (141page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

계절, 기상, 대기, 재난, 감염병과 같은 이벤트는 대중교통 이용과 통행행태 변화에 매우 큰 영향을 미치는 중요한 요인이다. 특히, 최근의 코로나19 팬데믹은 많은 통행자들의 통행과 대중교통 이용을 제한하였다. 대중교통과 같은 공공 교통서비스는 대중교통 이용에 영향을 미치는 다양한 요인을 분석하고 통행자들의 이용변화를 예측하여 대중교통 시스템의 안정성을 확보하는 것이 매우 중요하다. 이를 위해서는 다양한 이벤트 상황에 따른 대중교통 이용변화를 상시적으로 모니터링하고 대응할 수 있는 시스템을 구축할 필요가 있다.
이에 본 연구는 이를 위한 기초 연구로써 경기도 광역버스를 대상으로 계절, 요일, 기상, 대기오염, 감염병 등 주요 이벤트 상황에 따른 이용변화를 분석하였다. 그리고 머신러닝의 하나인 딥러닝을 이용하여 경기도 광역버스 이용수요 예측 모형을 개발하였다.
연구는 계절, 기상, 대기오염, 감염병, 광역버스 수송실적 등의 데이터를 수집하고 경기도 광역버스 1일 단위 이용수요 예측 목적에 맞게 자료를 가공하는 과정을 수행하였다. 이후 다양한 대중교통 이용환경 변수와 경기도 광역버스 이용수요 간의 관계 분석을 수행하였다. 그리고 딥러닝 모형과 비교･분석을 위하여 통계적 방법을 이용한 경기도 광역버스 이용수요 회귀모형을 구축하였다. 최종적으로 연구는 머신러닝의 딥러닝 기법을 이용하여 ① 통계모형과 비교를 위한 인구당 이용수요 모형, ② 경기도 광역버스 이용수요 모형, ③ 개별 노선 이용수요 모형의 3가지 모형을 구축하였다. 모형은 머신러닝 오픈소스 플랫폼인 텐서플로우(TensorFlow)를 이용하여 구현하였다.
연구에서 구축된 딥러닝 모형은 입력자료에 제약받지 않기 때문에 다양한 변수를 고려할 수 있어 통계모형보다 우수하고 장래 7일에 대한 예측에서 전체는 최대 91.0%, 개별 노선은 최대 87.3%의 예측 정확도를 보였다. 전반적인 모형 구축 결과에서 학습자료에 대한 모형 설명력은 높은 반면 예측 정확도는 과소 예측되는 것으로 나타났다. 이는 코로나19가 장기화됨에 따라 통행자의 반응 정도가 계속 달라지고 있기 때문으로 판단된다. 코로나19 팬데믹이 계속 진행되고 있는 상황에서 보다 정확하고 완성도 있는 모형을 구축하기 위해서는 향후, 좀 더 장기적이고 다양한 변화 양상을 반영할 수 있는 추가적인 데이터 확보가 필요하다고 할 수 있겠다.
광역버스와 같은 대중교통의 운영방안과 정책을 수립하기 위해서는 다양한 이벤트 상황에 따른 이용수요를 예측하는 것이 매우 중요하며 본 연구가 이러한 부문에서 기초 연구로 활용될 수 있을 것이라 기대한다.

Events such as seasons, weather, atmospheric conditions, disasters, and infectious diseases are important factors that greatly affect the changes of public transportation usage and travel behavior. In particular, the recent COVID-19 pandemic has restricted trip and public transportation usage of many traveller. For public transportation services, it is very important to secure the stability of the public transportation system by analyzing various factors that affect public transportation use and predicting changes in the use of passengers. To this end, it is necessary to establish a system that can constantly monitor and respond to changes in public transportation use according to various event situations.
Therefore, as a basic study for this purpose, this study analyzed changes in usage according to major events such as season, day of the week, weather, air pollution, and infectious disease targeting Gyeonggi metropolitan buses. And this study developed a model for predicting the demand for Gyeonggi metropolitan bus use using deep learning techniques, which is one of machine learning.
In this study, data such as season, weather, air pollution, infectious diseases, and metropolitan bus number of passengers were collected, and these data were processed according to the purpose of forecasting the daily demand for the Gyeonggi metropolitan bus use. After that, a relationship analysis was performed between various public transportation environment variables and the demand for use of Gyeonggi metropolitan buses. And a regression model of Gyeonggi metropolitan bus demand using statistical method was constructed for comparison and analysis with the deep learning model. Finally, this study developed three models using deep learning technique of machine learning: ① demand per population model for comparison with statistical model, ② Gyeonggi metropolitan bus demand model, ③ individual bus line demand model. These models were implemented using TensorFlow, a machine learning open source platform.
Since the deep learning models developed in this study are not restricted by input data, various variables can be considered. Therefore, deep learning model had better prediction accuracy than the statistical model, and the Gyeonggi metropolitan bus demand model showed up to 91.0% and individual bus line demand model up to 87.3% in prediction for the next 7 days. The overall model development results showed that the model explanatory power for the learning data was high, but the prediction accuracy was under-predicted. This result is because the degree of reaction of travelers is changing as COVID-19 continues for a long time. In the end, in order to build a more accurate and complete model in the context of the ongoing COVID-19 pandemic, it is necessary to secure additional data that can reflect longer-term and diverse changes. It is very important to predict the demand for use in order to establish operation plans and policies for public transportation such as metropolitan buses. It is expected that this study can be used as a basic research in these areas.

#머신러닝 #딥러닝 #경기도 광역버스 #이용수요 #코로나19 #Machine Learning #Deep Learning #Metropolitan Bus #Bus Use Demand #COVID-19

[표지]
[머리말]
[연구요약]
[차례]
표차례
그림차례
[제1장 서론]
제1절 연구의 배경 및 목적
제2절 연구의 범위 및 방법
[제2장 선행연구 검토 및 분석자료 구축]
제1절 선행연구 검토
제2절 데이터 수집·가공 및 분석자료 구축
[제3장 대중교통 이용환경과 이용수요 관계 분석]
제1절 주요 대중교통 이용환경 변수 검토
제2절 대중교통 이용환경과 이용수요 관계 분석
제3절 코로나19에 따른 이용수요 변화 분석
[제4장 머신러닝 기반의 경기도 광역버스 이용변화 예측 모형 구축]
제1절 딥러닝 모형과 통계모형의 비교 분석
제2절 경기도 광역버스 이용수요 예측 모형
제3절 개별 광역버스 노선 이용수요 예측 모형
[제5장 결론]
제1절 연구결과
제2절 정책제언
제3절 향후 연구과제
[참고문헌]
[Abstract]

참고문헌 (0)

참고문헌 신청

참고문헌이 DBpia에서 서비스 중이라면, [참고문헌 신청]을 통해 등록해보세요

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

김병관

소속기관 경기연구원

주요연구분야 사회과학 > 지리학 > 국제·지역개발학 TOP 10% 공학 > 기타공학 > 교통공학

논문수 12 이용수 1,692

박지선

소속기관 경기연구원

주요연구분야 사회과학 > 지리학 > 국제·지역개발학 TOP 5% 공학 > 기타공학 > 교통공학

논문수 20 이용수 2,845

정동재

소속기관 서울대학교

주요연구분야 공학 > 기타공학 > 교통공학 TOP 5% 공학 > 건축공학 > 환경공학

논문수 23 이용수 2,693

이 논문과 함께 이용한 논문

브랜드의 그린컬러 감성과 로고유형이 스타벅스 기업 이미지에 미치는 영향관계 연구

최성수 , 권용주 관광레저연구 2011 .09

포스트코로나 시대의 통근통행 행태변화

구동균 , 김현주 , 한아름 외 1명 대한교통학회 학술대회지 2023 .10

광역버스 차내 혼잡도 개선방안

송제룡 , 김채만 정책연구 2010 .05

이용자 관점의 UAM 버티포트 입지 기준 연구

김원진 , 황준문 , 전진우 외 1명 교통기술과정책 2023 .06

승객 승하차 이동 및 대기행태를 고려한 도시철도 승강장 점유면적 추정방안

이상준 , 신성일 , 이성희 외 1명 대한교통학회지 2021 .12

최근 본 자료

전체보기

UCI(KEPA) : I410-ECN-0101-2023-309-000109300

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (0)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)