지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 허태영
- 발행연도
- 2018
- 저작권
- 충북대학교 논문은 저작권에 의해 보호받습니다.
이용수12
이 논문의 연구 히스토리 (3)
2018
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
본 논문에서는 네트워크 공간 데이터를 분석하는데 있어서 유클리드 거리를 이용하였을 때의 문제점을 지적하고, 네트워크 구조를 기반으로 한 연구를 제안하였다. 본 연구에서는 교통사고 발생위치에 대해 기존의 평면 기반이 아닌 네트워크 기반 공간 점 패턴 분석을 통해 교통사고 발생지역의 군집성 여부를 연구하였다. 서울시 강남구와 뉴욕시 브루클린과 맨하튼 지역에서 발생한 교통사고에 대해 함수를 이용하여 네트워크 기반 분석 방법을 통해 공간적 군집성을 기존의 평면 공간 분석 결과와 비교하였다. 군집성을 파악한 후 평면과 네트워크 분석 방법에 대한 모형 적합성은 AIC값의 차이를 이용하여 판단하였다.
분석결과 국내의 경우, 요일별 K, G, F 함수의 평면과 네트워크 공간 패턴 분석에서 군집성 결과는 평면과 네트워크에서 모두 군집으로 동일한 결과를 제공하였다. 하지만, 사고유형별 군집성 결과는 평면이 네트워크보다 군집을 과대 추정하는 것을 확인하였다. 국외의 경우도 평면이 네트워크보다 군집을 과대 추정하는 경향이 있었지만, 다양한 결과가 나타나는 것을 확인하였다. AIC값의 차이는 네트워크 모형이 평면보다 10이상으로 큰 차이를 보여 네트워크 기반 공간 패턴 분석 모형이 기존의 평면 분석 방법보다 우수하다는 것을 실제 데이터 분석을 통해 확인하였다. 본 연구에서 제안한 네트워크 기반 분석을 통해 교통사고 발생위치에 대한 공간 군집성 분석 결과를 이용하여 교통사고 발생 지점을 정확하게 파악하고 문제점을 해결하는데 활용할 수 있을 것으로 판단된다. 또한 네트워크 기반 범죄, 전염병 등 다양한 분야에 적용하여 활용할 수 있을 것으로 사료된다.
분석결과 국내의 경우, 요일별 K, G, F 함수의 평면과 네트워크 공간 패턴 분석에서 군집성 결과는 평면과 네트워크에서 모두 군집으로 동일한 결과를 제공하였다. 하지만, 사고유형별 군집성 결과는 평면이 네트워크보다 군집을 과대 추정하는 것을 확인하였다. 국외의 경우도 평면이 네트워크보다 군집을 과대 추정하는 경향이 있었지만, 다양한 결과가 나타나는 것을 확인하였다. AIC값의 차이는 네트워크 모형이 평면보다 10이상으로 큰 차이를 보여 네트워크 기반 공간 패턴 분석 모형이 기존의 평면 분석 방법보다 우수하다는 것을 실제 데이터 분석을 통해 확인하였다. 본 연구에서 제안한 네트워크 기반 분석을 통해 교통사고 발생위치에 대한 공간 군집성 분석 결과를 이용하여 교통사고 발생 지점을 정확하게 파악하고 문제점을 해결하는데 활용할 수 있을 것으로 판단된다. 또한 네트워크 기반 범죄, 전염병 등 다양한 분야에 적용하여 활용할 수 있을 것으로 사료된다.
목차
Ⅰ. 서 론 11.1 연구의 배경 및 목적 1Ⅱ. 평면 공간 분석과 네트워크 공간 분석 42.1 평면 공간 42.1.1 점 분포 패턴 및 공간적 완전 무작위 42.1.2 평면 공간 분석과 한계점 42.2 네트워크 공간 52.2.1 네트워크 사건 52.2.3 네트워크 거리 62.2.3 네트워크 공간 분석과 특징 62.2.4 네트워크에 대한 기본 정의 82.2.5 네트워크에서 점 과정(point process) 10III. 커널 밀도 함수 123.1 평면 커널 밀도 추정 133.2 네트워크 커널 밀도 추정 14IV. 네트워크 공간 점 패턴 분석 164.1 함수 164.1.1 평면 공간 함수 164.1.2 네트워크 공간 함수 164.2 함수 184.2.1 평면 공간 함수 184.2.2 네트워크 공간 함수 194.3 함수 194.3.1 평면 공간 함수 194.3.2 네트워크 공간 함수 204.4 완전 격자, 불완전 격자와 임의 네트워크 204.5 Akaike Information Criterion(AIC) 214.5.1 우도 방법 214.5.2 AIC 22V. 실증분석 255.1 강남구 교통사고 자료 255.1.1 자료 설명 255.1.2 탐색적 자료 분석 255.1.3 강남구 교통사고 지점 및 집중도 281) 요일별 292) 사고유형별 315.1.4 함수를 이용한 평면과 네트워크 공간 점 패턴 분석 결과 331) 요일별 342) 사고유형별 375.1.5 함수를 이용한 평면과 네트워크 공간 점 패턴 분석 결과 411) 요일별 422) 사고유형별 455.1.6 함수를 이용한 평면과 네트워크 공간 점 패턴 분석 결과 491) 요일별 502) 사고유형별 535.1.7 평면과 네트워크공간 분석 모형 비교(AIC) 571) 요일별 572) 사고유형별 585.2 뉴욕 브루클린 교통사고 자료 605.2.1 자료 설명 605.2.2 탐색적 자료 분석 615.2.3 뉴욕시 브루클린 교통사고 지점 및 평면과 네트워크 함수 비교 631) 34번 council 632) 37번 council 643) 39번 council 654) 44번 council 665.2.4 평면과 네트워크 공간 분석 모형 비교(AIC) 671) 34번 council 672) 37번 council 683) 39번 council 694) 44번 council 705.2.5 사고유형과 함수별 평면과 네트워크 공간 분석 701) 34번 council 702) 37번 council 723) 39번 council 734) 44번 council 755.3 뉴욕시 교통사고 자료 765.3.1 자료 설명 765.3.2 탐색적 자료 분석 765.3.3 뉴욕시 교통사고 지점 및 평면과 네트워크 함수 비교 771) 1번 council 772) 2번 council 785.3.4 평면과 네트워크 공간 분석 모형 비교(AIC) 801) 1번 council 802) 2번 council 815.3.5 사고유형과 함수별 평면과 네트워크 공간 분석 821) 1번 council 822) 2번 council 83VI. 결론 및 향후 연구 85VII. 참고문헌 90
최근 본 자료
댓글(0)
0