서울시 공공자전거 이용량 예측과 영향요인 분석 : LSTM 모형과 해석가능한 기계학습을 활용하여 Prediction and determining factors of public bike ridership in Seoul, Korea : using LSTM model and interpretable machine learning model원문보기
최근 환경오염 및 도시민들의 건강 문제로 전 세계적으로 보행과 자전거에 대한 관심이 높아지고 있는 추세이다. 이에, 2015년부터 운영을 시작한 서울시 공공자전거 따릉이는 2021년 기준 자전거 40,500대와 거치대 2,600개소로 운영 중이며, 이용량도 지속적인 증가 추세에 있다. 또한, 2020년부터 본격적으로 시작한 COVID-19는 통행 행태에도 많은 변화를 가져왔다. 감염에 대한 두려움으로 불특정 다수가 이용하는 대중교통 이용량은 급격히 감소했으며, 감염위험이 비교적 낮은 보행 및 자전거와 같은 개인 교통수단 이용량은 증가하는 추세이다. 서울시의 지속적인 자전거 공급에도 대여소별로 수요에 알맞은 공급이 제공되지 않는 상황이 빈번하게 발생하고 있다. 이를 해결하기 위하여 ...
최근 환경오염 및 도시민들의 건강 문제로 전 세계적으로 보행과 자전거에 대한 관심이 높아지고 있는 추세이다. 이에, 2015년부터 운영을 시작한 서울시 공공자전거 따릉이는 2021년 기준 자전거 40,500대와 거치대 2,600개소로 운영 중이며, 이용량도 지속적인 증가 추세에 있다. 또한, 2020년부터 본격적으로 시작한 COVID-19는 통행 행태에도 많은 변화를 가져왔다. 감염에 대한 두려움으로 불특정 다수가 이용하는 대중교통 이용량은 급격히 감소했으며, 감염위험이 비교적 낮은 보행 및 자전거와 같은 개인 교통수단 이용량은 증가하는 추세이다. 서울시의 지속적인 자전거 공급에도 대여소별로 수요에 알맞은 공급이 제공되지 않는 상황이 빈번하게 발생하고 있다. 이를 해결하기 위하여 인공지능을 활용한 공공자전거의 이용에 영향을 미치는 요인들을 파악하고, 해당 요인들을 통하여 공공자전거 이용량을 예측할 필요가 있다. 기존 선행연구에서 COVID-19 펜데믹, 시설물까지의 거리, 토지이용 특성 및 자전거 인프라와 같은 대여소 부근 물리적 환경 요인이 공공자전거 이용량에 영향을 미친다고 밝힌 바 있다. Long Short-Term Memory(LSTM) 모형을 활용한 자전거 이용량 예측 연구에서는 타 시계열 모델보다 LSTM의 예측력이 우수함을 확인하였다. 하지만, 해당 연구들은 COVID-19 전후 자전거 이용량 변화 분석 연구가 주를 이루고 있으며, 이용량 예측 연구는 부족한 실정이다. 자전거 이용량에 영향을 미치는 요인 분석 연구에서는 요인 도출만 진행했으며, 각 변수의 중요도 및 임계값 분석 연구는 부족한 실정이다. 또한, LSTM을 활용한 이용량 예측 연구에서는 물리적 환경 요인을 고려하지 않았다는 한계점이 존재한다. 이에 본 연구의 목적은 다음과 같다. 해석가능한 기계학습 모형을 활용하여 이용량에 영향을 미치는 요인들의 변수 중요도 및 임곗값 분석을 진행하며, 시계열 자료(이용량, 기후)와 비시계열 자료(물리적 환경 요인)를 함께 고려한 LSTM 모형을 활용하여 COVID-19 이후 따릉이 이용량 예측을 진행한다. 이를 통해, 인공지능 기법을 활용한 공공자전거의 공급 및 인프라 구축의 가능성을 제시하고자 한다. 본 연구의 방법론은 다음과 같다. 우선 해석가능한 기계학습 모형과 공공자전거 이용량 자료와 대여소 반경 250m 내 물리적 환경 요인 자료를 활용하여 서울시 공공자전거 이용량에 영향을 미치는 요인을 도출한다. 다음으로 시계열 공공자전거 이용량 자료와 LSTM 기계학습 모형을 활용하여 공공자전거 이용량을 예측하였다. 분석 결과, 공공자전거 이용량에 영향을 미치는 주요 요인으로 대중교통 정류장과의 접근성, 공원녹지 공간에 대한 접근성, 토지이용 특성 등으로 나타났다. 또한, 기타공원까지 최단 거리, 자전거도로까지 최단 거리, 업무 연면적, 지하철역까지 최단 거리 순으로 영향력이 높게 나타났다. LSTM 기계학습을 활용한 공공자전거 이용량 예측모형의 경우 기존 선행연구에서 활용한 시계열 자료(공공자전거 이용량 자료)만 학습한 모형보다 공공자전거 이용에 영향을 미치는 물리적 환경 변수를 함께 학습시킨 모형의 예측력이 매우 높게 나타났다. 구체적으로 공원이 밀집한 성동구, 광진구, 영등포구의 이용량이 2022년 12월에도 많은 것으로 나타났다. 본 연구는 서울시 공공자전거 대여소 신설에 따른 공공자전거 이용량을 예측하고 대여소의 입지와 규모를 계획하는 데 유용하게 활용할 수 있을 것으로 판단된다.
최근 환경오염 및 도시민들의 건강 문제로 전 세계적으로 보행과 자전거에 대한 관심이 높아지고 있는 추세이다. 이에, 2015년부터 운영을 시작한 서울시 공공자전거 따릉이는 2021년 기준 자전거 40,500대와 거치대 2,600개소로 운영 중이며, 이용량도 지속적인 증가 추세에 있다. 또한, 2020년부터 본격적으로 시작한 COVID-19는 통행 행태에도 많은 변화를 가져왔다. 감염에 대한 두려움으로 불특정 다수가 이용하는 대중교통 이용량은 급격히 감소했으며, 감염위험이 비교적 낮은 보행 및 자전거와 같은 개인 교통수단 이용량은 증가하는 추세이다. 서울시의 지속적인 자전거 공급에도 대여소별로 수요에 알맞은 공급이 제공되지 않는 상황이 빈번하게 발생하고 있다. 이를 해결하기 위하여 인공지능을 활용한 공공자전거의 이용에 영향을 미치는 요인들을 파악하고, 해당 요인들을 통하여 공공자전거 이용량을 예측할 필요가 있다. 기존 선행연구에서 COVID-19 펜데믹, 시설물까지의 거리, 토지이용 특성 및 자전거 인프라와 같은 대여소 부근 물리적 환경 요인이 공공자전거 이용량에 영향을 미친다고 밝힌 바 있다. Long Short-Term Memory(LSTM) 모형을 활용한 자전거 이용량 예측 연구에서는 타 시계열 모델보다 LSTM의 예측력이 우수함을 확인하였다. 하지만, 해당 연구들은 COVID-19 전후 자전거 이용량 변화 분석 연구가 주를 이루고 있으며, 이용량 예측 연구는 부족한 실정이다. 자전거 이용량에 영향을 미치는 요인 분석 연구에서는 요인 도출만 진행했으며, 각 변수의 중요도 및 임계값 분석 연구는 부족한 실정이다. 또한, LSTM을 활용한 이용량 예측 연구에서는 물리적 환경 요인을 고려하지 않았다는 한계점이 존재한다. 이에 본 연구의 목적은 다음과 같다. 해석가능한 기계학습 모형을 활용하여 이용량에 영향을 미치는 요인들의 변수 중요도 및 임곗값 분석을 진행하며, 시계열 자료(이용량, 기후)와 비시계열 자료(물리적 환경 요인)를 함께 고려한 LSTM 모형을 활용하여 COVID-19 이후 따릉이 이용량 예측을 진행한다. 이를 통해, 인공지능 기법을 활용한 공공자전거의 공급 및 인프라 구축의 가능성을 제시하고자 한다. 본 연구의 방법론은 다음과 같다. 우선 해석가능한 기계학습 모형과 공공자전거 이용량 자료와 대여소 반경 250m 내 물리적 환경 요인 자료를 활용하여 서울시 공공자전거 이용량에 영향을 미치는 요인을 도출한다. 다음으로 시계열 공공자전거 이용량 자료와 LSTM 기계학습 모형을 활용하여 공공자전거 이용량을 예측하였다. 분석 결과, 공공자전거 이용량에 영향을 미치는 주요 요인으로 대중교통 정류장과의 접근성, 공원녹지 공간에 대한 접근성, 토지이용 특성 등으로 나타났다. 또한, 기타공원까지 최단 거리, 자전거도로까지 최단 거리, 업무 연면적, 지하철역까지 최단 거리 순으로 영향력이 높게 나타났다. LSTM 기계학습을 활용한 공공자전거 이용량 예측모형의 경우 기존 선행연구에서 활용한 시계열 자료(공공자전거 이용량 자료)만 학습한 모형보다 공공자전거 이용에 영향을 미치는 물리적 환경 변수를 함께 학습시킨 모형의 예측력이 매우 높게 나타났다. 구체적으로 공원이 밀집한 성동구, 광진구, 영등포구의 이용량이 2022년 12월에도 많은 것으로 나타났다. 본 연구는 서울시 공공자전거 대여소 신설에 따른 공공자전거 이용량을 예측하고 대여소의 입지와 규모를 계획하는 데 유용하게 활용할 수 있을 것으로 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.