도시로의 인구 집중으로 교통혼잡, 소음공해, 환경오염 등의 다양한 도시문제들이 발생하고 있다. 자동차의 이용을 줄이고, 대중교통을 활성화시키고자 하는 교통수요 관리정책이 시행되고 있으며, 공유교통 서비스도 이러한 정책의 일환으로 등장하였다. 공유교통 서비스는 공유 자동차, 공유 자전거에 이어 최근 공유 전동킥보드가 등장하면서 큰 인기를 끌고 있다.
공유 전동킥보드는 서비스 지역 내에서 자유롭게 대여하고, 반납할 수 있는 free-floating 서비스로 제공되고 있다. 이러한 공유 전동킥보드의 특징은 특정 시간대, 특정 공간에 전동킥보드가 밀집되는 현상이 나타났고, 이를 보완하고자 이용수요보다 더 많은 기기들이 공급되어있다. 이는 이용자 측면에서는 편리할 수 있지만, 도시미관 저해, 보행통행 방해 등 새로운 도시문제를 일으키고 있다. 이에 따라 본 연구는 공유 전동킥보드의 문제점을 개선하고, 효율적인 운영방안을 제시하기 위해 최적 재배치 알고리즘을 개발하였다.
본 연구에서는 ㈜피유엠피의 공유 전동킥보드 서비스인 씽씽의 이용자료를 이용하였다. 이용자료를 검토하여 전체 이용량의 30% 이상이 발생하는 서울시 강남구와 서초구를 공간적 범위로 설정하고, 월별 이용량이 가장 많은 2020년 10월을 시간적 범위로 설정하였다. 분석범위의 이용현황을 살펴보면, 이용량은 전국 대비 약 31%에 해당하지만, 이용기기 수는 약 58%를 차지하여 다른 지역에 비해 과잉공급되어 있는 것으로 나타났다. 또한, 시간대별 이용현황을 살펴보면, 오전·오후 첨두가 뚜렷하게 나타나 이용수요를 고려한 재배치를 통해 효율적인 운영이 가능할 것으로 판단하였다.
공유 전동킥보드의 free-floating 방식의 특성에 따라 분석지역을 200m 사각 격자로 구분하여 분석 단위로 설정하였다. 전체 2,298개 격자 중 사유지와 공원, 학교 등과 같이 공유 전동킥보드가 이용할 수 없는 지역을 제외한 1,164개 격자를 분석범위로 설정하였다. 또한, 1,164개 격자를 격자별 통행행태를 반영하여 5개의 권역으로 군집화하였다. 군집분석에는 community structure 방법론을 적용하였으며, 계층적 구조로 이루어져 있고 격자 간의 통행량을 가중치로 반영할 수 있는 Louvain algorithm을 적용하였다. Louvain algorithm은 다른 방법론에 비해 계산시간이 빠르고, 최적화 성능이 뛰어나다는 장점이 있다. 군집화된 5개 권역 중 신사동 가로수길, 강남역 인근 상업지역이 포함된 권역에 대하여 이용수요 예측 및 최적 재배치를 수행하였다.
이용수요 예측을 위해 LSTM(long short-term memory)을 활용하였다. LSTM은 cell state를 통해 RNN(recurrent neural network)의 기울기 소실 문제를 해결한 방법론으로 교통분야에서는 주로 시계열 예측 시 활용된다. LSTM의 cell state는 이전 단계의 정보를 받아오는 부분이며, 총 3개의 gate(forget gate, input gate, output gate)를 통해 cell state를 제어한다. 각 gate에서는 활성화 함수에 의해 연산되며, 활성화 함수는 정보를 얼마나 전달하는지에 대한 척도로 본 연구에서는 총 4개(sigmoid, tanh, ReLU, ELU)의 활성화 함수를 고려하였다. 본 연구에서는 시간대별 이용수요를 예측하였으며, 추가 변수로 시간변수(평일, 주말, 시간대)와 기상변수(온도, 풍속)를 고려하였다. 이용수요 예측 결과, 활성화 함수로 tanh를 적용하였을 때의 예측 결과가 가장 뛰어난 것으로 분석되었다.
본 연구에서는 공유 전동킥보드의 불필요한 과잉공급을 줄여 효율적인 운영을 위해 이용수요와 공급량을 일치시키는 완전 재배치를 수행하였다. 재배치 알고리즘의 최적해 도출을 위해 유전알고리즘을 활용하였다. 유전알고리즘은 생물의 진화를 모방하여 문제를 연산하는 방법으로 자연계의 유전학을 바탕으로 교배, 돌연변이 등 실제 진화 과정을 차용하여 최적해를 도출한다. 초기해 선택을 위한 선택연산은 룰렛 휠 선택 방법을, 새로운 해를 도출하기 위한 변이연산은 순서 교차 방법을 적용하였다. 전동킥보드의 특성을 반영하여 고장 나고, 충전이 필요한 기기를 반영한 재배치 알고리즘을 개발하였다. 개발한 알고리즘은 최적해 도출을 위해 범용적으로 사용되는 CPLEX와 비교하였으며, 계산시간 측면에서 유전알고리즘이 월등한 성능을 보였다. 다음으로 최적 재배치 알고리즘을 실제 이용사례에 적용하였다. 재배치가 필요한 전동킥보드의 양을 고려하여 재배치 차량은 1∼3대를 반영하였으며, 이용수요 예측 시 고려하지 못한 추가 잠재수요를 20%, 40% 고려하였다. 최적 재배치 결과, 잠재수요 20%를 고려하였을 때는 재배치 차량 2대로 최적해를 도출할 수 있었으며, 잠재수요를 고려하지 않을 때는 재배치 차량이 3대 필요한 것으로 도출되었다.
본 연구의 결과는 최근 급증하고 있는 공유 전동킥보드 이용으로 인해 발생하는 다양한 도시문제를 해결하기 위한 기초자료가 될 수 있을 것으로 판단한다. 또한, 이용행태를 고려한 권역 설정으로 공유 전동킥보드 운영 관리를 위한 적절한 권역 구분이 가능하고, 불필요한 공급을 줄여 효율적인 운영이 가능할 것으로 예상된다.

Due to the concentration of the population into the city, various urban problems such as traffic congestion, noise pollution, and environmental pollution are occurring. Traffic demand management policies are being implemented to reduce the use of cars and revitalize public transportation, and shared transportation services have also emerged as part of these policies. Shared transportation services have skyrocketed with the recent emergence of shared e-scooters following car-sharing and bike-sharing.
Shared e-scooters are provided as free-floating services that can be freely pick-up and drop-off within the service area. The characteristic of these shared e-scooters is that e-scooters are concentrated in a specific time period and space, and more e-scooters are supplied than the demand for use to compensate for this. It may be convenient from the user''s point of view, but it is causing new urban problems such as obstruction of urban beauty and obstruction of pedestrian walk. Accordingly, this study developed an optimal rebalancing algorithm to improve the problems of shared e-scooters and to present efficient operation plans.
In this study, We used the trip data of Xing Xing, a shared e-scooters service of PUMP Corporation. By reviewing the trip data, Gangnam-gu and Seocho-gu in Seoul, where more than 30% of the total usage occurs, were set as spatial scopes, and October 2020, when monthly usage is the highest, was set as temporal scopes. Looking at the travel pattern of the analysis area, the ridership is about 31% of the total trips, but the number of e-scooters used accounts for about 58%, indicating that they are oversupplied compared to other regions. In addition, looking at the travel pattern by time period, the peaks in the morning and afternoon were clearly visible, so it was judged that efficient operation would be possible through rebalancing in consideration of the demand.
According to the characteristics of the free-floating method of the shared e-scooters, the analysis area was divided into a 200m square grid and set as an analysis unit. Of the total 2,298 square grids, 1,164 square grids were set as the scope of analysis, excluding areas where shared e-scooters were not available, such as private land, parks, and schools. In addition, 1,164 square grids were clustered into five areas by reflecting the traffic behavior of each grid. The community structure methodology was applied to cluster analysis, and the Louvain algorithm, which consists of a hierarchical structure and can reflect the traffic volume between grids as a weight, was applied. Louvain algorithm has the advantage of faster calculation time and better optimization performance than other methodologies. Among the five clustered areas, the demand prediction and optimal rebalancing were performed for the areas including Sinsa-dong Garosu-gil and commercial areas near Gangnam Station.
LSTM(long short-term memory) was used to predict hourly demand. LSTM is a methodology that solves the vanishing gradient problem of RNN(recurrent neural network) through cell state, and is mainly used in time series prediction in the transportation field. The cell state of LSTM is a part that receives the information from the previous step, and the cell state is controlled through three gates(forget gate, input gate, and output gate). Each gate is calculated by an activation function, and four activation functions(sigmoid, tanh, ReLU, and ELU) were considered in this study as a measure of how much information is transferred. In this study, the hourly demand was predicted, and time variables(weekdays, weekends, and time period) and weather variables(temperature and wind speed) were considered as additional variables. As a result of predicting the hourly demand, it was analyzed that the prediction result when tanh was applied as an activation function was the best.
In this study, for efficient operation by reducing unnecessary oversupply of shared e-scooters, complete rebalancing was performed to match the demand and supply. Genetic algorithms were used to derive the optimal solution of the rabalancing algorithm. Genetic algorithms are methods of calculating problems by imitating the evolution of living things, and derive optimal solutions by borrowing actual evolution processes such as crossovers and mutations based on natural genetics. The selection operation for initial solution selection was applied with the roulette wheel selection method, and the order crossover method was applied to the variation operation for deriving a new solution. A rebalancing algorithm was developed that reflects devices that require repairing and charging by reflecting the characteristics of e-scooters. The algorithm was compared with CPLEX, which is commonly used for optimization and derivation, and the genetic algorithm showed superior performance in terms of calculation time. Next, the optimal rebalancing algorithm was applied to actual use cases. Considering the amount of e-scooters that require relocation, 1 to 3 relocation vehicles were reflected, and additional potential demands that could not be considered when predicting the demand were considered 20% and 40%. As a result of optimal rebalancing, considering the potential demand of 20%, the optimal solution could be derived for two relocation vehicles, and it was found that three relocation vehicles were needed when the potential demand was not considered.
The results of this study are judged to be basic data for solving various urban problems caused by the use of shared e-scooters, which have recently increased rapidly. In addition, it is expected that it will be possible to distinguish appropriate areas for operation management of shared e-scooters by setting areas considering usage behavior, and efficient operation will be possible by reducing unnecessary supply.