스마트카드 빅데이터를 이용한 대중교통 편의성 분석 :

문현구

추천

검색

자료유형: 학위논문

저자정보: 문현구 (경희대학교, 경희대학교 일반대학원)

지도교수: 김상국

발행연도: 2015

저작권: 경희대학교 논문은 저작권에 의해 보호받습니다.

이용수34

이 논문의 연구 히스토리 (3)

2016

스마트카드 빅데이터를 이용한 서울시 지역별 대중교통 이동 편의성 분석

문현구 , 오규협 , 김상국 외 1명 대한산업공학회지 2016.08 학술저널

2015

스마트카드 빅데이터를 이용한 대중교통 편의성 분석

문현구 산업공 2015.01 학위논문

2014

스마트카드 빅데이터를 이용한 서울시 대중교통 편의성 지표 개발

문현구 , 오규협 , 이영규 외 3명 대한산업공학회 추계학술대회 논문집 2014.11 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

스마트 기기 기반의 생활환경이 점차 확대됨에 따라 이를 기반으로 많은 양의 빅데이터가 축적되고 있다. 또한 교통분야에서도 ICT 기술이 발전함에 따라 비정형화된 데이터 수집 및 제공이 가능해졌고, 이를 활용하여 개별 맞춤형 정보를 제공하는 등 빅데이터를 이용한 많은 연구들이 진행되고 있다. 교통카드 데이터를 활용하여 수도권 폭설에 따른 대중교통 이용실적의 변화를 시간대와 지역별로 분석하는 연구가 이루어졌으며 또한 서울시 대중교통 이용객의 이동전화 위치 데이터를 이용하여 심야버스 노선을 선정하는데 활용하기도 하였다.
본 연구에서는 대중교통 이용객의 이동 데이터를 기반으로 지역별 대중교통 편의성 지표를 제안하고자 한다. 또한 제안된 편의성 지표를 실제 데이터에 적용하여 분석한다.
기존의 대중교통 편의성 연구들이 교통시설물을 이용한 분석이 주를 이루었기 때문에 이용객 중심의 편의성 지표를 제공하기에는 어려움이 있었다. 따라서 본 연구에서는 대중교통 이용객의 동적인 데이터를 이용하여 이용객이 체감할 수 있는 지역별 대중교통 편의성 지표를 제시하고자 한다.
본 연구에서는 지역별 분석을 진행하기 위하여 지역을 분할하는 기법 중 GeoHash 기법을 사용하였다. GeoHash 기법은 지역을 분할하는 다른 기법들에 비해 공간적으로 인접한 데이터가 서로 뭉치게 되어 데이터의 불러오기 및 저장시에 빠른 속도를 보이는 장점이 있다. 또한 편의성 실험을 위하여 대중교통 이용객 데이터 중 탑승시간과 하차시간, 탑승지역과 하차지역의 속성을 이용하여 이동거리, 이동시간, 지역별 이동량을 도출하였다. 최종적으로 도출된 값들을 이용하여 대중교통 편의성 지표를 제안하였다. 제안된 지표를 가지고 서울시 대중교통 이용객의 2012년 3월 12일부터 18일까지의 버스, 지하철 데이터를 이용하여 분석을 진행하였다.
본 연구는 대중교통 이용객의 이동 데이터를 이용하여 이용객이 체감할 수 있는 지역별 대중교통 편의성 지표를 제시하였으며, 이를 활용하여 대중교통 노선개선 등의 교통정책이나 다른 지역적 요소들과의 결합을 통해 소외지역 개발 등의 지역정책에 적용해 볼 수 있을 것으로 기대한다.

Recently, many smart devices are used widely and these devices accumulate a large amount of data. Since ICT(Information & Communication Technology), which enables to analyze unstructured data. has been developed in transportation, there has been much effort to provide better service such as civil planning and personalized recommendation. A study on the change of transportation use in severe weather condition was conducted to understand it by the time and regional groups. Another example of the study is determining late-night bus route by utilizing the location data of passengers’ cellular phone.
In this paper, the transportation convenience index based on the smart card big data is presented to understand current transportation systems according to regions. The objective is achieved by utilizing real-world big data.
Previous studies presented the analysis of transportation convenience based on traffic facilities. These studies did not provide the measurement for transportation convenience considering passengers’ movement data. Therefore, a new index is presented in this study to reflect how passengers actually feel the convenience of transportation in real world.
In this study, GeoHash technique is used to divide the regions in the zone since it maintains adjacency of space well. Also, passengers’ movement information such as moving distance, moving time and how many movements between zones is deducted by using data attributes as follows: initial boarding time, final getting off time, initial boarding location, and final getting off time. Based on the insights above, the realistic transportation convenience index is presented. A concrete example of transportation data from 12th of March to 18th of March is given to understand the index better.
The contribution of this study is providing the transportation convenience index by the regional zones based on the factors that passengers actually experience. And furthermore, this index can be used in the area such as a traffic policy or local policy.

#빅데이터 #스마트카드 #편의성 #대중교통

1. 서론 1
1.1. 연구 배경 및 목표 1
1.2. 논문의 구성 2
2. 관련 연구 4
2.1. 대중교통 스마트카드 데이터 분석 4
2.2. 대중교통 편의성 분석 5
3. 대중교통 스마트카드 데이터 전처리 7
4. 지역적 데이터 분석 9
4.1. 지역 데이터 전처리 9
4.2. 지역 분할 기법 소개 9
4.3. GeoHash를 이용한 공간분할 적용 12
5. 대중교통 편의성 분석 15
5.1. 대중교통 편의성 소개 15
5.2. 대중교통 편의성 지표 개발 16
6. 대중교통 편의성 실험 21
6.1. 실험 데이터 및 설계 21
6.2. 환승정보를 고려하지 않은 경우 23
6.3. 환승정보를 고려한 경우 34
6.4. 출/퇴근시간 편의성 분석 46
7. 결론 52
참 고 문 헌 54
Abstract 57

최근 본 자료

전체보기

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

이 논문의 연구 히스토리 (3)

초록· 키워드

목차

최근 본 자료

댓글(0)