버스 배차간격은 승객의 대기시간 및 차내 혼잡도 등 서비스 수준에 직접적인 영향을 미치고 간접적으로는 버스 운행비용 및 이용자의 교통수단 선택에 영향을 미치는 중요한 요소이다. 대부분의 선행연구에서 버스 배차간격은 첨두시와 비첨두시 구간 통행량을 기반으로 시간대별 수요의 차이만을 반영하고 있다. 이러한 방식의 배차계획하에서는 세분화된 시간적 수요의 차이까지 고려하지 못하므로 승객들의 대기시간 비용이 증가하게 되는 요인이 될 수 있다. 또한, 승객의 승차패턴은 노선, 도로, 정류장의 공간적 배치 특성에 따라 다를 수 있으므로 버스 승객들의 시공간적 수요분포 특성과 변화를 고려한 배차간격 조절에 관한 연구가 필요하다. 본 연구에서는 교통카드 데이터에서 획득한 승객 탑승정보를 바탕으로 정책적 대기시간 제약과 운행 대수 제약조건 및 노선 특성을 반영하여 승객들의 대기시간을 최소화하는 방향으로 배차간격을 조절하는 알고리즘을 제안하였다. 개발 알고리즘의 활용성 검증을 위해 서울시 간선노선 중 143번 노선에 적용한 결과, 승객 대기시간 감축비용을 계산하였을 때 비용절감 효과는 일일 기준 약 600,000원에 이르는 것으로 나타났다. 따라서 개발 알고리즘의 적용 노선을 확장할 경우 버스 승객의 편익 증진에 이바지할 것으로 기대된다.
버스 배차간격은 승객의 대기시간 및 차내 혼잡도 등 서비스 수준에 직접적인 영향을 미치고 간접적으로는 버스 운행비용 및 이용자의 교통수단 선택에 영향을 미치는 중요한 요소이다. 대부분의 선행연구에서 버스 배차간격은 첨두시와 비첨두시 구간 통행량을 기반으로 시간대별 수요의 차이만을 반영하고 있다. 이러한 방식의 배차계획하에서는 세분화된 시간적 수요의 차이까지 고려하지 못하므로 승객들의 대기시간 비용이 증가하게 되는 요인이 될 수 있다. 또한, 승객의 승차패턴은 노선, 도로, 정류장의 공간적 배치 특성에 따라 다를 수 있으므로 버스 승객들의 시공간적 수요분포 특성과 변화를 고려한 배차간격 조절에 관한 연구가 필요하다. 본 연구에서는 교통카드 데이터에서 획득한 승객 탑승정보를 바탕으로 정책적 대기시간 제약과 운행 대수 제약조건 및 노선 특성을 반영하여 승객들의 대기시간을 최소화하는 방향으로 배차간격을 조절하는 알고리즘을 제안하였다. 개발 알고리즘의 활용성 검증을 위해 서울시 간선노선 중 143번 노선에 적용한 결과, 승객 대기시간 감축비용을 계산하였을 때 비용절감 효과는 일일 기준 약 600,000원에 이르는 것으로 나타났다. 따라서 개발 알고리즘의 적용 노선을 확장할 경우 버스 승객의 편익 증진에 이바지할 것으로 기대된다.
Bus headway plays an important role not only in determining the passenger waiting time and bus service quality, but also in influencing the bus operation cost and passenger demand. Previous research on headway control has considered only an hourly difference in the distribution of ridership between ...
Bus headway plays an important role not only in determining the passenger waiting time and bus service quality, but also in influencing the bus operation cost and passenger demand. Previous research on headway control has considered only an hourly difference in the distribution of ridership between peak and non-peak hours. However, this approach is too simple to help manage ridership demand fluctuations in a short time scale; thus passengers' waiting cost will be generated when ridership demand exceeds the supply of bus services. Moreover, bus ridership demand varies by station location and traffic situation. To address this concern, we propose a headway control algorithm for minimizing the waiting time cost by using Smart Card data. We also provide proof of the convergence of the algorithm to the desired headway allocation using a set of preconditions of political waiting time guarantees and available fleet constraints. For model verification, the data from the No. 143 bus line in Seoul were used. The results show that the total savings in cost totaled approximately 600,000 won per day when we apply the time-value cost of waiting time. Thus, we can expect that cost savings will be more pronounced when the algorithm is applied to larger systems.
Bus headway plays an important role not only in determining the passenger waiting time and bus service quality, but also in influencing the bus operation cost and passenger demand. Previous research on headway control has considered only an hourly difference in the distribution of ridership between peak and non-peak hours. However, this approach is too simple to help manage ridership demand fluctuations in a short time scale; thus passengers' waiting cost will be generated when ridership demand exceeds the supply of bus services. Moreover, bus ridership demand varies by station location and traffic situation. To address this concern, we propose a headway control algorithm for minimizing the waiting time cost by using Smart Card data. We also provide proof of the convergence of the algorithm to the desired headway allocation using a set of preconditions of political waiting time guarantees and available fleet constraints. For model verification, the data from the No. 143 bus line in Seoul were used. The results show that the total savings in cost totaled approximately 600,000 won per day when we apply the time-value cost of waiting time. Thus, we can expect that cost savings will be more pronounced when the algorithm is applied to larger systems.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
기존연구의 이러한 한계점을 극복하기 위해 본 연구에서는 교통카드 데이터를 통해 획득한 승객들의 승하차 정보를 바탕으로 시공간적인 승객수요 패턴과 교통상황을 고려하고 정책적 대기시간 제약과 운행 대수 제약조건 반영하여 승객들의 대기시간을 최소화하는 방향으로 배차간격을 조절하는 알고리즘을 제안한다.
본 연구에서는 별도의 비용 투입 없이 버스 배차간격 조절을 통해 버스 서비스 수준을 개선하는 방안을 제시하였다. 또한, 본 연구는 승객들의 시공간적 수요 분포 패턴의 특성과 변화를 고려할 수 있는 배차간격 조절방안을 제시하고 있다는 점에서 의미를 가진다. 국내에서 각 차량은 단일 노선을 운행하는 경우가 일반적이며 1시간 단위에 몇 대의 차량을 운행할지까지만 결정한다.
본 연구에서는 별도의 비용 투입 없이 버스 배차간격 조절을 통해 버스 서비스 수준을 개선하는 방안을 제시하였다. 또한, 본 연구는 승객들의 시공간적 수요 분포 패턴의 특성과 변화를 고려할 수 있는 배차간격 조절방안을 제시하고 있다는 점에서 의미를 가진다.
본 연구에서는 승객들의 통행수요를 시간 분할 없이 정류소 단위에서 회차별로 파악하고 이를 바탕으로 다양한 제약조건을 반영하여 승객들의 대기시간을 감소시킬 수 있는 배차간격 조절 알고리즘을 제안하였다. 개발 알고리즘의 활용성 검증을 위해 143번 노선에 적용한 결과, 버스 대기시간 가치를 금전적으로 환산하는 방법을 적용하여 대기시간 감축비용을 계산하였을 때 비용절감 효과는 일일 기준 약 600,000원에 이르는 것으로 나타났다.
이에 본 연구에서는 승객들의 통행수요를 시간 분할 없이 정류소 단위에서 파악하고 이를 바탕으로 승객들의 시공간적 도착 분포와 운행노선의 현실적 제약조건을 반영하여 운행횟수의 증감 없이 승객들의 대기시간을 감소시키는 배차간격 조절 알고리즘을 제안하고자 한다. 개발 알고리즘을 검증하기 위해 실제 운영 중인 서울시 143번 노선의 교통카드 데이터를 사용하여 대기시간과 비용 감축 효과를 분석하였다.
이에 본 연구에서는 한국스마트카드에서 제공한 2011년 교통카드 자료를 이용하여 승객들의 통행수요를 바탕으로 대기시간 최소화 알고리즘을 개발하기 위해 별도의 데이터 오류 및 결측 보정, 데이터베이스 구축작업을 수행하였다. 분석 데이터의 시간적 범위는 일반적인 결과를 도출하기 위하여 주중인 2011년 10월 19일 수요일의 교통카드 데이터를 사용하였다.
가설 설정
i 차량의 차고지 출발시각과 i+1, i-1번째 차량 사이의 차고지 출발시각과의 비율 차이가 각 정류소에 도착할 때도 일정하다고 가정하고 Ti,j를 결정한 것이다. 직전 차량과 직후 차량의 정류소 도착시각은 알고리즘이 최초로 실행될 때 교통카드 데이터를 통해 추정된 시각을 사용하며 이후에는 알고리즘으로 변경된 차고지 출발시각을 사용한다.
)의 계산을 위한 다양한 방법들이 존재한다. 대부분의 연구에서 대기시간 가치는 승객의 편익 관점이 아닌 비생산 시간의 증가 개념으로 접근하며 이에 따라서 대기시간 가치를 선형적인 형태의 단일 변수로 가정하고 계산한다[3,8,15]. 대기시간 가치는 우선 통행시간을 기준으로 차내 통행시간과 차외 소요시간을 각각 다른 가중치를 설정하여 적용하는 방법 [3,15]과 차내·외를 동일한 가중치로 계산하는 방법이 있다[8].
운행횟수의 증가를 통해 버스 운행비용을 조절하면 승객들의 대기시간이 감소하는 경향을 보인다. 본 연구에서는 버스 운행횟수를 증감 없이 유지하므로 운행횟수 조절을 통한 버스 운행비용의 변화는 고려하지 않는다. 따라서 본 연구에서는 대기시간 비용에 초점을 맞춰 총 교통비용을 계산한다.
승객들의 도착분포와 차량별 정류소 도착시각을 이용하여 개인별 대기시간을 계산할 수 있으며 이를 수행하기에 앞서 승객들의 승차분포를 도착분포로 변환해주는 방법이 필요하다. 이를 위한 가정으로 차량과 차량 사이에 도착한 승객들은 균일한 분포로 도착하였다고 가정하였다. 즉, 승객들의 차량 승차시각은 교통카드 데이터를 이용하여 파악할 수 있으며, 승객들의 정류소 도착시각은 기 추정된 버스 도착시각으로 부터 그 분포를 예측할 수 있다.
Newell[10]은 승객의 대기시간을 최소화하는 방법으로 배차간격을 결정하였고 이를 승객들의 누적 도착분포를 이용하여 계산하였다. 즉, 승객들이 균일하게 정류소에 도착한다고 가정하여 승객들의 대기시간은 평균 배차간격의 1/2과 같다고 제시하였다. 이외의 많은 연구에서 승객들의 대기시간 분포를 균일분포로 가정하여 사용하고 있다[4,6,9,14].
제안 방법
본 연구에서는 Kim et al.[7] 연구의 교통카드 보정 방안에 따라, 교통카드데이터에서 발생 가능한 데이터의 오류 및 결측 현황을 검토하고 이를 보정하였다. 오류의 경우 기대치 오류와 논리 오류로 구분하였으며 결측의 경우 승차 결측과 하차 결측으로 구분하였다.
정류소별 도착시각은 구간별 이동속도를 이용하여 계산한다. 각 차량은 시간대에 출발한 차량과 유사한 구간별 이동속도를 가질 것이며 본 논문에서는 직전 차량과 직후 차량의 움직임을 반영하여 정류소별 도착시각을 결정하였다. 그 식은 아래와 같다.
이에 본 연구에서는 승객들의 통행수요를 시간 분할 없이 정류소 단위에서 파악하고 이를 바탕으로 승객들의 시공간적 도착 분포와 운행노선의 현실적 제약조건을 반영하여 운행횟수의 증감 없이 승객들의 대기시간을 감소시키는 배차간격 조절 알고리즘을 제안하고자 한다. 개발 알고리즘을 검증하기 위해 실제 운영 중인 서울시 143번 노선의 교통카드 데이터를 사용하여 대기시간과 비용 감축 효과를 분석하였다.
재차 인원은 차량이 각 정류소를 출발할 때 차내에 탑승한 승객 수를 의미한다. 대기시간 비용은 승객들이 탑승한 시간을 기준으로 시간대별 대기시간 비용의 증감이 어느 정도 발생하였는지를 계산하였다. 알고리즘을 수행하기 전 총 대기시간 78,607분에서 13,990분이 감소한 결과를 보였고 이는 17.
본 연구에서는 버스 운행횟수를 증감 없이 유지하므로 운행횟수 조절을 통한 버스 운행비용의 변화는 고려하지 않는다. 따라서 본 연구에서는 대기시간 비용에 초점을 맞춰 총 교통비용을 계산한다. 일반적인 대기시간 비용은 다음 식(2)과 같다[5,8,9].
하지만 승객들이 승차하지 않은 정류소의 도착시각은 교통카드 데이터에서 별도로 저장하고 있지 않으므로 앞서 말한 방법으로 파악할 수 없다. 따라서 승객들이 승차하지 않은 정류소의 차량 도착시각은 별도의 추정방법이 필요하며 본 연구에서는 해당 일의 노선의 구간별 평균 통행시간을 통해 누락된 차량 도착시각을 추정하는 방법을 사용하였다. 구간별 평균 통행시간은 통행 시간 측정이 가능한 차량만을 대상으로 계산되었다.
이후 승객들의 승차분포를 도착분포로 변환하고 이를 바탕으로 현재 노선의 승객들의 대기시간을 계산한다. 마지막으로 정류소별 차량의 도착시각을 변경시키면서 승객들의 대기시간이 최소화되는 배차간격을 탐색하는 알고리즘을 반복 수행하여 최적 수렴 값을 도출해낸다.
먼저 정류소별 차량의 도착시각을 승차가 발생한 정류소와 발생하지 않은 정류소로 구분해서 각각 결정한다. 이후 승객들의 승차분포를 도착분포로 변환하고 이를 바탕으로 현재 노선의 승객들의 대기시간을 계산한다.
먼저 노선정보는 노선 ID, 노선을 구성하는 정류소, 정류소를 지나는 순서, 노선의 총 배차차량 및 순서 등을 포함하며, 승객들의 승차정보는 해당 노선을 이용한 승객 ID, 승객들의 승차정류소 및 승차시각을 포함한다. 본 연구에서 사용한 변수는 차량의 차고지 출발시각, 차량의 정류소 도착시각, 승객의 승차시각 및 대기시간, 탑승한 승객의 수, 차량이 정류소를 지나는 데 걸리는 최소시각이다.
알고리즘 수행을 위해 차량별 정류소 도착시각과 승객의 탑승 정류소와 정류소 도착시각을 저장하고, 대기시간을 최소화하는 배차간격과 최소 대기시간을 저장할 변수를 각각 생성한다.
앞서 추정한 차량별 정류소 도착시각과 승객들의 대기시간 분포를 이용하여 승객들의 대기시간을 최소화하는 차량 배차간격 조절 알고리즘을 제시하였다. 알고리즘 수행의 단계별 과정은 다음과 같다.
우선 차량의 정류소별 도착시각을 추정하기 위해 탑승자가 있는 정류소와 탑승자가 없는 정류소에 대해 각기 다른 방법을 적용하였다. 탑승자가 있는 정류소의 차량 도착시각은 정류소별 탑승한 사람들의 승차 최소시각을 바탕으로 계산하였다.
먼저 정류소별 차량의 도착시각을 승차가 발생한 정류소와 발생하지 않은 정류소로 구분해서 각각 결정한다. 이후 승객들의 승차분포를 도착분포로 변환하고 이를 바탕으로 현재 노선의 승객들의 대기시간을 계산한다. 마지막으로 정류소별 차량의 도착시각을 변경시키면서 승객들의 대기시간이 최소화되는 배차간격을 탐색하는 알고리즘을 반복 수행하여 최적 수렴 값을 도출해낸다.
구간별 평균 통행시간은 통행 시간 측정이 가능한 차량만을 대상으로 계산되었다. 즉, 운행차량 중 구간을 구성하는 두 정류소의 탑승정보가 모두 존재하는 차량에 한하여 평균 통행시간을 계산하고 이를 이전 정류소 도착시각에 더하여 누락된 정류소의 도착시각을 계산한다. 구간별 평균 통행 시간의 계산은 식 (3)과 같다.
우선 차량의 정류소별 도착시각을 추정하기 위해 탑승자가 있는 정류소와 탑승자가 없는 정류소에 대해 각기 다른 방법을 적용하였다. 탑승자가 있는 정류소의 차량 도착시각은 정류소별 탑승한 사람들의 승차 최소시각을 바탕으로 계산하였다. 하지만 승객들이 승차하지 않은 정류소의 도착시각은 교통카드 데이터에서 별도로 저장하고 있지 않으므로 앞서 말한 방법으로 파악할 수 없다.
5% 정도의 높은 발생빈도를 보였다. 하차결측에 대해서는 별도의 보정 작업이 필요하다고 생각하여 버스 이용자의 연계 통행자료를 이용해 유실된 하차 결측 정보를 역추정하여 결측 값을 보정하는 방법을 사용하였다[10].
국내 대중교통 통행 비용의 산정은 임금율법과 한계대체율법을 사용하여 도출하는 것이 일반적이다. 한계대체율법과 임금율법을 적용하여 대기시간 비용을 산정한 연구 중 Son[13]의 연구가 가장 최신이며 비용 산정이 타당하다고 판단하여 본 연구의 대기시간 가치로 적용하였다. 이때 도출한 서울 시내 간 대기시간 가치는 시간당 2,722원이다.
대상 데이터
개발 알고리즘을 적용하고 평가하기 위해 C#(Visual studio 2012)을 이용하여 알고리즘을 구현하였으며, 적용대상 노선은 143번으로 선정하였다. 143번 노선은 간선노선으로 하루 평균 이용객이 가장 많은 버스 노선으로서 강북에서 강남을 통과하는 노선으로 지역 및 승객수요의 다양성이 반영되어 버스 배차간격의 적정성을 평가하는데 효율적이라고 판단하였다.
노선과 정류소에 대한 정보는 총 3개의 테이블에 분할·저장되었으며 승객의 승차 및 하차가 이루어진 정류장들의 위칫값과 같은 구체적인 정보들이 포함되었다.
이에 본 연구에서는 한국스마트카드에서 제공한 2011년 교통카드 자료를 이용하여 승객들의 통행수요를 바탕으로 대기시간 최소화 알고리즘을 개발하기 위해 별도의 데이터 오류 및 결측 보정, 데이터베이스 구축작업을 수행하였다. 분석 데이터의 시간적 범위는 일반적인 결과를 도출하기 위하여 주중인 2011년 10월 19일 수요일의 교통카드 데이터를 사용하였다. 교통카드 데이터를 통하여 수집 가능한 정보는 Table 1과 같다.
729km로 3:37 AM에 첫 차량이 운행을 시작하였고, 마지막 차량이 10:10 PM에 차고지에서 출발하였다. 분석일 기준으로 31,433명이 탑승하였고 54대의 차량이 운행되었으며 본 노선의 총 운행횟수는 201회였다.
143번 노선은 간선노선으로 하루 평균 이용객이 가장 많은 버스 노선으로서 강북에서 강남을 통과하는 노선으로 지역 및 승객수요의 다양성이 반영되어 버스 배차간격의 적정성을 평가하는데 효율적이라고 판단하였다. 해당 노선의 총 길이는 60.729km로 3:37 AM에 첫 차량이 운행을 시작하였고, 마지막 차량이 10:10 PM에 차고지에서 출발하였다. 분석일 기준으로 31,433명이 탑승하였고 54대의 차량이 운행되었으며 본 노선의 총 운행횟수는 201회였다.
성능/효과
개발 알고리즘을 적용하고 평가하기 위해 C#(Visual studio 2012)을 이용하여 알고리즘을 구현하였으며, 적용대상 노선은 143번으로 선정하였다. 143번 노선은 간선노선으로 하루 평균 이용객이 가장 많은 버스 노선으로서 강북에서 강남을 통과하는 노선으로 지역 및 승객수요의 다양성이 반영되어 버스 배차간격의 적정성을 평가하는데 효율적이라고 판단하였다. 해당 노선의 총 길이는 60.
본 연구에서는 승객들의 통행수요를 시간 분할 없이 정류소 단위에서 회차별로 파악하고 이를 바탕으로 다양한 제약조건을 반영하여 승객들의 대기시간을 감소시킬 수 있는 배차간격 조절 알고리즘을 제안하였다. 개발 알고리즘의 활용성 검증을 위해 143번 노선에 적용한 결과, 버스 대기시간 가치를 금전적으로 환산하는 방법을 적용하여 대기시간 감축비용을 계산하였을 때 비용절감 효과는 일일 기준 약 600,000원에 이르는 것으로 나타났다.
5분이 감소하였다. 대기시간을 바탕으로 총 대기시간 비용을 계산해 보면 최초 3,566,003원에서 2,931,458원으로 615,489원의 비용감소 효과가 나타났다. 또한, 본 연구에서는 차내 혼잡도 가치를 비용으로 환산하여 총 교통비용에 포함하지는 않았으나 Table 3에서 볼 수 있듯이 알고리즘 수행 전 최대 재차 인원은 51명에서 46명으로 감소하였고 전반적으로 최대 재차 인원이 감소하는 경향을 보이고 있다.
01% 미만으로 나타났다. 따라서 본 연구에서 제안하는 알고리즘 수행과정에서 분석결과에 직접적인 영향을 주지 않을 것으로 판단하여 기대치 오류 값과 논리 오류 값을 포함한 칼럼을 필터링 기법을 통해 제외하였다.
교통카드 데이터를 이용하여 승객 및 노선에 대한 정보를 획득할 수 있으며, 승객에 대한 정보는 승·하차 시각, 정류소 정보와 탑승 노선, 탑승 차량, 탑승 거리를 알 수 있다. 또한, 개별 노선에 대해서는 운행횟수, 차량 대수, 차량별 출발시각 파악이 가능하여 배차계획 수립을 위한 효율적인 분석이 가능하다.
대기시간을 바탕으로 총 대기시간 비용을 계산해 보면 최초 3,566,003원에서 2,931,458원으로 615,489원의 비용감소 효과가 나타났다. 또한, 본 연구에서는 차내 혼잡도 가치를 비용으로 환산하여 총 교통비용에 포함하지는 않았으나 Table 3에서 볼 수 있듯이 알고리즘 수행 전 최대 재차 인원은 51명에서 46명으로 감소하였고 전반적으로 최대 재차 인원이 감소하는 경향을 보이고 있다.
또한, Figure 8의 그래프에서 점선은 회차별 기존 대기시간의 누적 값을 나타내며, 실선은 알고리즘 수행 후 회차별 개선된 대기시간의 누적 값을 보여준다. 분석결과 해당 시간대의 대기시간 누적 값은 알고리즘 수행 전 약 67분에서 알고리즘 수행 후 약 46분으로 21분 정도 대기시간의 감소가 발생하였다.
승차정보 결측은 본 연구에서 사용한 데이터에서 발생하지 않았으며 하차정보 결측의 경우 7.5% 정도의 높은 발생빈도를 보였다. 하차결측에 대해서는 별도의 보정 작업이 필요하다고 생각하여 버스 이용자의 연계 통행자료를 이용해 유실된 하차 결측 정보를 역추정하여 결측 값을 보정하는 방법을 사용하였다[10].
수렴 그래프의 X축은 수행횟수를 나타내며 Y축은 승객들의 총 대기시간을 나타낸다. 알고리즘 수행횟수가 증가할수록 계산된 총 대기시간의 변화가 점차 감소하며 수행횟수가 3회가 되었을 때 총 대기시간의 변화가 더 이상 나타나지 않았고 총 대기시간은 64,617분에 수렴하였다.
대기시간 비용은 승객들이 탑승한 시간을 기준으로 시간대별 대기시간 비용의 증감이 어느 정도 발생하였는지를 계산하였다. 알고리즘을 수행하기 전 총 대기시간 78,607분에서 13,990분이 감소한 결과를 보였고 이는 17.8%의 대기시간 감소 효과를 의미한다. 대기시간 비용은 전 시간대에 걸쳐서 감소하는 추세를 보이고 있으며 특히 오후 2시 이후부터 큰 폭으로 감소하는 경향을 보여주고 있다.
후속연구
따라서 본 연구에서 제시하는 방법론을 현장에 적용하기 위해서는 해당 노선의 수요패턴을 일반화할 수 있을 정도의 데이터 표본의 확장이 필요하다. 데이터의 시간적 범위를 일이 아닌 주나 월 혹은 년 단위로 확보하여 본 알고리즘을 추후 적용한다면 장기간의 배차계획을 결정하는 문제에서도 적용될 수 있는 확장성을 갖는다.
마지막으로, 본 분석은 하루 치 교통카드 데이터를 사용하여 분석의 결과를 제시하였기 때문에 해당 노선의 일반적인 패턴으로 간주하기엔 다소 무리가 있다. 따라서 본 연구에서 제시하는 방법론을 현장에 적용하기 위해서는 해당 노선의 수요패턴을 일반화할 수 있을 정도의 데이터 표본의 확장이 필요하다. 데이터의 시간적 범위를 일이 아닌 주나 월 혹은 년 단위로 확보하여 본 알고리즘을 추후 적용한다면 장기간의 배차계획을 결정하는 문제에서도 적용될 수 있는 확장성을 갖는다.
또한, 교통카드 데이터만을 이용하여 버스의 정류소 도착시각을 추정하는 방법을 사용하였으나 향후 교통카드 데이터와 버스운행관리 시스템에서 제공하는 버스의 정류소 출·도착 정보와 연계하여 활용한다면 보다 정확한 분석이 가능할 것으로 판단된다.
우선, 대기시간 가치의 적용을 2007년도의 자료를 이용하였으나 연구에서 사용한 교통카드 데이터는 2011년 데이터로 그 시간 단위가 다르므로 시점에 맞는 대기시간 가치를 적용하는 것이 필요할 것이다. 또한, 본 연구에서 제안한 알고리즘은 혼잡도와 차량 용량제약과 같은 다양한 교통비용들에 대해 고려하는 것이 필요하다. 또한, 교통카드 데이터만을 이용하여 버스의 정류소 도착시각을 추정하는 방법을 사용하였으나 향후 교통카드 데이터와 버스운행관리 시스템에서 제공하는 버스의 정류소 출·도착 정보와 연계하여 활용한다면 보다 정확한 분석이 가능할 것으로 판단된다.
또한, 교통카드 데이터만을 이용하여 버스의 정류소 도착시각을 추정하는 방법을 사용하였으나 향후 교통카드 데이터와 버스운행관리 시스템에서 제공하는 버스의 정류소 출·도착 정보와 연계하여 활용한다면 보다 정확한 분석이 가능할 것으로 판단된다. 마지막으로, 본 분석은 하루 치 교통카드 데이터를 사용하여 분석의 결과를 제시하였기 때문에 해당 노선의 일반적인 패턴으로 간주하기엔 다소 무리가 있다. 따라서 본 연구에서 제시하는 방법론을 현장에 적용하기 위해서는 해당 노선의 수요패턴을 일반화할 수 있을 정도의 데이터 표본의 확장이 필요하다.
이는 업무의 효율성이나 자동화 수준 향상을 위해 시스템 개선이 필요한 부분이다[12]. 본 연구에서 제시한 알고리즘을 적용하여 승객들의 수요패턴을 바탕으로 배차계획을 작성하고 이를 프로그램으로 개발하고 상용화한다면, 배차원의 숙련도와 관계없이 승객들의 대기시간 비용을 감축할 수 있는 배차간격의 결정이 가능할 것이다.
스마트카드 시스템을 통해 수집된 데이터는 개인의 통행수단, 통행시간, 환승 및 승·하차 정류장 위치의 정보를 포함하고 있어 기존의 연구에서 추적할 수 없었던 버스 이용자의 통행패턴을 정확하게 파악할 수 있기 때문에 보다 효율적이고 과학적인 버스 운행 계획을 제안하는 데 이용될 수 있다.
그러나 본 연구에서 제시하는 방법론을 실제 현장에서 적용하기 위해서는 몇 가지 추가적인 보완이 필요하다. 우선, 대기시간 가치의 적용을 2007년도의 자료를 이용하였으나 연구에서 사용한 교통카드 데이터는 2011년 데이터로 그 시간 단위가 다르므로 시점에 맞는 대기시간 가치를 적용하는 것이 필요할 것이다. 또한, 본 연구에서 제안한 알고리즘은 혼잡도와 차량 용량제약과 같은 다양한 교통비용들에 대해 고려하는 것이 필요하다.
하지만 서울시의 버스 재정지원 금액이 2007년 1,649억 원에서 2010년 3,069억 원으로 지속적으로 증가하고 있는 실정이다. 이러한 시의 재정부담 실정을 고려한다면 버스 운행횟수를 증가시키는 방법보다는 현 운행횟수를 유지하면서 배차간격을 효율적으로 조절함으로써 승객들이 느끼는 체감 서비스 수준을 향상하는 방안이 적절할 것으로 판단된다.
참고문헌 (15)
Ceder, A. 2002, Urban transit scheduling: framework, review and examples, Journal of urban planning and development, 128(4):225-244.
Lee, B. K. 2008, Analysis on Efficiency for a Bus Network System, Daejeon Development Institute.
Haghani; Ali; Banihashemi, M. 2002, Heuristic approaches for solving large-scale bus transit vehicle scheduling problem with route time constraints, Transportation Research Part AlPolicy and Practice 36(4):309-333.
Kim J. E. 2012, (A) study on the effect of adjusting bus headways using Seoul's traffic card data, Thesis of Seoul National University.
Kim, J. E; Cheon, S. H; Lee, Y. I. 2011, A Development For Bus Interval Decision Model Considering Congestion Ratio, Journal of Korean society of Transportation, 2011(1):292-296.
Kim, S. K; Park, J. H; Jo J. S. 2007, The Estimation and Application of Origin-Destination Tables by Using Smart Card Data, Seoul Development Institute.
Kim, W. I; Son, B. S; Chung, J. H; Kim, E. C. 2011, Development of Real-Time Optimal Bus Scheduling and Headway Control Models, Transportation Research Record: Journal of the Transportation Research Board, 2111(2):33-41.
Ko, S. Y; Ko, J. S. 1998, A Development of Optimal Bus Headway and Fleet Size Model, Journal of Korean Society of Transportation, 16(2): 169-176.
Newell, G. F. 1979, Some Issues Relating to the Optimal Design of Bus Routes, Transportation Science, 13(1):20-35.
Park, J. S; Ko, S. Y; Kim, J. S; Kwon, Y. S. 2007, Determining Transit Vehicle Dispatching Time, Journal of Korean Society of Transportation, 25(3):137-144.
Son, S. H; Choi, K. J; Yoo, J. H. 2007, An Estimation of Generalized Cost for Transit Assignment, Journal of Korean society of Transportation, 25(2): 121-132.
Wren, A; Wren, D. O. 1995, A genetic algorithm for public transport driver scheduling, Computers & Operations Research 22(1):101-110.
Yun, H. L; Kim, S. J; Sin, S. I; Lee, S. H; An, K. J. 2011, Proposals to Improve the Seoul City Bus Quasi-Public Operating System, The Seoul Institute.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.