군집분석을 통한 서울시 자전거 공유 시스템 수요 예측 :Prediction of bicycle sharing system demand in Seoul through clustering analysis

이창환

추천

검색

자료유형: 학위논문

저자정보: 이창환 (서울과학기술대학교, 서울과학기술대학교 대학원)

지도교수: 김경옥

발행연도: 2020

저작권: 서울과학기술대학교 논문은 저작권에 의해 보호받습니다.

이용수40

이 논문의 연구 히스토리 (2)

2020

군집분석을 통한 서울시 자전거 공유 시스템 수요 예측

이창환 데이터사이언스학과 2020.01 학위논문

2019

군집분석을 통한 공공자전거 수요예측

이창환 , 김경옥 대한산업공학회 추계학술대회 논문집 2019.11 학술대회자료

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

초록· 키워드

오류제보하기

공공 자전거 시스템은 출퇴근, 레저 등 다양한 이용성과 친환경적인 대중교통 등의 장점으로 현재 전 세계 많은 도시에서 시행하고 있다. 하지만 공공 자전거 시스템은 자전거 정류소별로 대여 및 반납되는 자전거 대수의 차이로 인해 정류소별로 자전거가 부족하거나 초과하는 현상이 발생한다. 이러한 문제를 해결하기 위해 트럭과 같은 운송수단으로 정류소에 자전거를 공급하거나 수거하며, 이를 효과적으로 수행하기 위해서는 정확한 자전거 수요예측이 필요하다. 이러한 자전거 수요예측은 공간 단위에 따라 정류소, 군집, 시스템 단위로 나뉘는데, 군집 내 정류소들이 지리적으로 인접한 군집을 수요를 예측할 때 다음과 같은 장점이 있다. 정류소 단위 수요예측에 비해 수요의 변동성이 감소하며 각 자전거 정류소의 초과수요나 초과공급 또는 교통사고와 같은 외부 요인이 인근 자전거 정류소 수요에 영향을 주는 점을 고려하기 때문에 수요예측을 더 정확하게 할 수 있다.
이러한 군집을 만들기 위해 군집분석을 했을 때 기존 논문에서는 -means, Gaussian Mixture Model 등의 방법을 통해 군집분석을 시도했으나 군집의 초기값이 무작위여서 군집을 반복할 때마다 군집이 계속 변화하거나 지리적으로 인접하지 않은 군집을 만들며, 시간이 오래 걸리는 등의 문제가 있다.
본 논문은 이러한 한계점을 극복하기 위해 3단계 -군집분석을 제안한다. 지리적으로 인접한 군집을 만들며 초기값에 따라 결과가 많이 달라지는 점을 해결하기 위해 데이터에 알맞은 초기값을 설정했으며 군집이 일정한 값으로 수렴하면서 시간이 적게 걸리는 최적의 모델을 제시한다. 이러한 연구를 통해 정류소 군집의 수요를 좀 더 정확히 예측함으로써 자전거 정류소별로 자전거 개수가 불균형한 문제 해결을 통해 공공 자전거 시스템의 효율성을 증진시킬 수 있을 것이다.

Bicycle sharing system is currently implemented in many cities around the world because it is an eco-friendly public transportation and has various uses, such as commute and leisure. However, in bicycle sharing system, the number of bicycles may be insufficient or exceed the bicycle station due to the difference in the number of bicycles rented and returned at the station. In order to solve this problem, the bicycles are supplied to or collected from the stations by transportation such as trucks. In order to effectively perform this, accurate bicycle demand is required. This bicycle demand prediction is divided into station, cluster, and system unit according to the space unit. When predicting demand based on geographically adjacent clusters, there are multiple advantages as follows. The demand prediction of bicycles is less volatile than the prediction of unit demand when predicting based on geographically adjacent clusters. Considering this impact, it is possible to forecast the demand more accurately.
When cluster analysis was conducted to make such clusters, existing papers attempted cluster analysis using -means, Gaussian Mixture Model, etc. However, since the initial center value of cluster is random, the clustering result keeps changing every time it is repeated, or makes the stations inside the cluster non-adjacent geographically and there are problems, such as it takes a long time.
This paper proposes a three-step cluster analysis to overcome the above limitations. In order to solve the problem that the results vary greatly depending on the initial values, we make the initial values suitable for the data and propose the optimal model that the clusters converge to the constant values. Through these studies, it is possible to more accurately predict the demand of the shelter community and to improve the efficiency of the public bicycle system, by solving the problem of an unbalanced number of bicycles at each bicycle stop.

I. 서 론 1
1. 연구배경 및 필요성 1
2. 연구 목적 및 논문 구성 4
II. 선행연구 5
1. 최적 자전거 정류소 및 최적 운송 경로 연구 5
2. 수요예측 연구 6
III. 3단계 2K-군집분석 8
1. 초기 중심점 설정 9
2. 3단계 -군집분석 과정 10
IV. 연구 방법 13
1. 군집분석을 위한 데이터 전처리 13
2. 수요예측 모델링 16
3. 실험 구성 20
V. 연구 결과 23
1. 연구 결과 24
2. 결과 분석 30
VI. 결론 33
1. 연구요약 33
2. 한계점 및 추후 연구 34
참고문헌 35
영문초록(Abstract) 40
감사의 글 42

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 (2)

초록· 키워드

목차

최근 본 자료

댓글(0)