이호
(Department of Railway Transport Research, The Korea Transport Institute)
,
최진경
(Department of Railway Transport Research, The Korea Transport Institute)
수도권 도시철도 일부 구간에서는 이용객의 집중화에 따라 극심한 혼잡이 발생하고 있다. 도시철도 운영회사들은 정기 및 분기별 혼잡조사를 실시하여, 혼잡개선 대책을 수립하고 있다. 하지만, 이러한 조사는 열차혼잡도에 국한되어 있으며, 이벤트 발생에 따른 비반복 혼잡에 대한 조사가 어려운 실정이다. 본 연구에서는 교통카드자료를 활용한 시간대별 승강장 혼잡도를 추정하는 알고리즘을 개발하도록 한다. 알고리즘 검증을 위하여 2호선 잠실~신도림 구간의 비환승역을 대상으로 혼잡도 추정치와 실측치 값을 비교하였으며, 오차의 범위는 ${pm}2%$ 이내였다. 연구결과는 승강장 혼잡도를 시간대별로 상시 모니터링할 수 있으며, 장기적인 승강장 혼잡도분석을 통한 승강장 대기공간의 적정성 여부도 판단할 수 있을 것이다. 추후 연구에서는 본 연구에서 반영하지 못한 역별 게이트에서 승강장까지의 혼잡상황을 고려한 동적보행시간이 고려되어야 할 것이다.
수도권 도시철도 일부 구간에서는 이용객의 집중화에 따라 극심한 혼잡이 발생하고 있다. 도시철도 운영회사들은 정기 및 분기별 혼잡조사를 실시하여, 혼잡개선 대책을 수립하고 있다. 하지만, 이러한 조사는 열차혼잡도에 국한되어 있으며, 이벤트 발생에 따른 비반복 혼잡에 대한 조사가 어려운 실정이다. 본 연구에서는 교통카드자료를 활용한 시간대별 승강장 혼잡도를 추정하는 알고리즘을 개발하도록 한다. 알고리즘 검증을 위하여 2호선 잠실~신도림 구간의 비환승역을 대상으로 혼잡도 추정치와 실측치 값을 비교하였으며, 오차의 범위는 ${pm}2%$ 이내였다. 연구결과는 승강장 혼잡도를 시간대별로 상시 모니터링할 수 있으며, 장기적인 승강장 혼잡도분석을 통한 승강장 대기공간의 적정성 여부도 판단할 수 있을 것이다. 추후 연구에서는 본 연구에서 반영하지 못한 역별 게이트에서 승강장까지의 혼잡상황을 고려한 동적보행시간이 고려되어야 할 것이다.
In some sections of the Seoul Metropolitan Subway, severe congestion can be observed during rush hours and on specific days. The subway operators have been conducting regular surveys to measure the level of congestion on trains: the results are then used to make plans for congestion reduction. Howev...
In some sections of the Seoul Metropolitan Subway, severe congestion can be observed during rush hours and on specific days. The subway operators have been conducting regular surveys to measure the level of congestion on trains: the results are then used to make plans for congestion reduction. However, the survey has so far focused just on train' congestion and has been unable to determine non-recurring congestion due to special events. This study develops an algorithm to estimate the platform congestion rate by time using individual public transportation card data. The algorithm is evaluated by comparison of the estimated congestion rate and the ground truth data that are actually observed at non-transfer subway stations on Seoul subway line 2. The error rates are within ${pm}2%$ and the performance of the algorithm is fairly good. However, varying walking times from gates to platforms, which are applied to both non-peak periods and peak time periods, are needed to improve the algorithm.
In some sections of the Seoul Metropolitan Subway, severe congestion can be observed during rush hours and on specific days. The subway operators have been conducting regular surveys to measure the level of congestion on trains: the results are then used to make plans for congestion reduction. However, the survey has so far focused just on train' congestion and has been unable to determine non-recurring congestion due to special events. This study develops an algorithm to estimate the platform congestion rate by time using individual public transportation card data. The algorithm is evaluated by comparison of the estimated congestion rate and the ground truth data that are actually observed at non-transfer subway stations on Seoul subway line 2. The error rates are within ${pm}2%$ and the performance of the algorithm is fairly good. However, varying walking times from gates to platforms, which are applied to both non-peak periods and peak time periods, are needed to improve the algorithm.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
Rsutdio라는 프로그램을 이용한 빅데이터 분석을 통해 이용자들이 겪는 장·단기적 문제를 풀고자 하였다.
현재 도시철도 시스템에서는 환승할 때 카드단말기에 태그를 하지 않는 이상 정확한 환승인원 파악이 어렵다. 따라서, 본 연구에서는 환승하여 승강장으로 유입되는 인원에 대한 이력환승자료를 구축하여 활용하도록 한다. 이력환승자료는 최단경로탐색 알고리즘을 적용한 기종점간 경로 설정 후, 이를 승객 OD 자료에 적용한 환승역에서 방향별 시간대별 환승 자료를 의미한다.
본 연구에서 개발된 승강장 혼잡도 추정 알고리즘에 대한 검증은 추정된 승강장 대기인원과 동일한 시간에 현장에서 조사된 승강장 대기인원을 비교하여 수행하도록 한다. 도시철도 운영회사에서는 열차편성에 대한 객차별 재차인원 조사를 위하여 2014년 4월 29일 2호선 내선 잠실역~신도림역 구간의 2398호(잠실나루역 출발시간 18:45)에 대한 승하차 인원을 조사하였다.
본 연구에서는 교통카드자료를 바탕으로 도시철도 승강장의 혼잡도 추정 알고리즘을 개발하였다. 알고리즘은 환승역 여부와 승강장 구조 등의 역사정보, 개별 승하차 자료, 이력 OD 자료, 이력 환승자료를 바탕으로 방향별 누적승강장유입인원을 계산하고 역별 열차출발시간정보를 토대로 승강장 대기인원을 산정하였다.
개찰구 통과 시 대중교통카드리더기는 각 개인의 고유카드번호와 함께 승하차시 역정보, 개찰구 통과 날짜와 시간, 해당역의 개찰구 번호 등 다양한 정보를 기록하게 된다. 본 연구에서는 이렇게 취득한 자료를 승강장에서의 승차대기인원을 산정하는데 활용하도록 한다. 추가로 앞서 제시한 개찰구를 통하여 취득된 교통카드자료를 본 논문에서는 AFC(Automatic Fare Collection) 자료로 명명한다.
예를 들어 국내에서 철도청 [4]이 수행한 수도권전철교통량조사에서는 수도권전철 전구간 이용승객을 대상으로 3일간 역별 승강인원 및 환승 통행량조사를 실시하였으며, 시간대별 총량을 보정하기 위하여 개집표자료를 활용하였다. 이를 통하여 향후 수송력 증대, 혼잡역 개선, 운영전반에 대한 개선방안 및 합리적인 업무추진의 기초자료를 확보하였다. 신성일[5]은 대중교통카드자료를 활용하여 도시철도의 혼잡도 지표를 산출하는 방법론을 제안하고 이를 서비스지표로 활용하는 방안을 제시하였다.
9%가 교통카드를 사용하고 있다. 이에 따라 과거에는 통행량 조사를 위하여 현장에 나가던 조사 방식이 주를 이루었지만, 현재는 점진적으로 교통카드자료를 활용하는 방안에 대해 검토하고 있다.
지금까지 철도분야에서 교통카드자료를 활용한 다양한 연구가 이루어졌지만, 아직까지 시간대별 승강장 혼잡도를 측정하고 이를 시계열적으로 분석하고자 하는 연구는 없었다. 이에 본 연구에서는 교통카드자료를 활용한 승강장 혼잡도 추정 알고리즘을 개발하고 향후 시간대별 승강장 혼잡도 모니터링 및 분석을 통한 도시철도 혼잡 개선 대책수립을 위한 기초자료를 제공할 수 있도록 한다.
이에 본 연구에서는 교통카드자료를 활용한 승강장 혼잡도 추정 알고리즘을 개발하도록 한다. 교통카드자료를 활용함으로써 시간별 승강장 혼잡도를 상시 모니터링 할 수 있으며, 추가적으로 장기적인 승강장 혼잡도 분석을 통하여 승강장 대기공간의 적정성 여부도 판단할 수 있을 것이다.
도시철도운영회사는 자체적으로 정기 및 분기 혼잡도 조사를 통하여 혼잡상황에 따른 운행간격조정이나 열차 스케쥴을 탄력적으로 운영함으로써 혼잡을 완화 시키려 노력하고 있다. 추가로, 역사 내부 연결 통로 및 계단 확대, 추가 설치 등의 지하철 이용시설을 확충하는 물리적 개선노력을 통해 혼잡을 완화하고자 하고 있다. 정기·분기 혼잡도 조사는 특정일을 정하여 조사하기 때문에 구체적인 혼잡유형 및 요일별·계절별 혼잡변동에 대한 조사가 이루어지지 못하고 있다.
가설 설정
둘째, 승객의 승강장 유입시간은 개찰구 진입시간에 개찰구에서 승강장까지의 보행시간을 포함하여 추정하였다. 본 연구에서 제시한 보행시간은 비첨두시를 가정한 것으로 역사 혼잡정도에 따라 보행시간이 증가될 가능성이 있다. 결과적으로 역사 혼잡정도에 따른 보행시간의 변화는 승강장 대기인원 추정치에 영향을 미치기에, 추가적으로 혼잡상황을 반영한 보행시간 연구가 필요할 것이다.
승강장에서 열차탑승을 위하여 대기하는 인원수는 조사되지 못하였으나, 조사원에 따르면 열차탑승을 대기하는 사람들은 대체로 열차에 탑승하였다고 한다. 이에 본 연구에서는 승차인원을 승강장 대기인원으로 가정하도록 한다. 하지만 승강장 대기인원 중 열차에 승차하지 않는 사람이 존재할 시 실제 승강장 대기인원과 차이를 보이기에, 추후 알고리즘에 대한 보다 정확한 검증을 위하여 추후 실제 승강장 대기인원을 조사할 필요가 있다.
평균 대기공간면적은 대기공간면적과 보행공간면적 합의 대략 30%로서, 본 연구에서의 승객이 대기할 수 있는 면적(이하 “승강장 실용대기공간면적”)은 승강장 가용면적의 30%로 가정하도록 한다.
제안 방법
4.1 절과 4.2절에 언급한 내용을 바탕으로 시간대별 승강장 대기인원 추정을 통한 승강장 혼잡도 추정 알고리즘을 개발하였다. Fig.
신성일[5]은 대중교통카드자료를 활용하여 도시철도의 혼잡도 지표를 산출하는 방법론을 제안하고 이를 서비스지표로 활용하는 방안을 제시하였다. 대중교통카드를 기반으로 진출입 수요가 많은 역사와 지하철 네트워크상의 혼잡구간 및 이용자행태 분석을 통해 환승수요를 분석함으로써, 노선별 환승에 따른 전환수요가 미치는 영향을 파악하였다. 엄진기 외[6]는 인천 1호선 구간을 대상으로 2009년 집계된 대중교통카드 자료를 활용하여 혼잡도와 정시성 지표를 도출하고, 도시철도 서비스를 평가하는 방안을 제시하였다.
이에 열차혼잡도에 따른 승강장 혼잡도 변화 영향에 대한 추가 연구가 필요할 것이다. 둘째, 승객의 승강장 유입시간은 개찰구 진입시간에 개찰구에서 승강장까지의 보행시간을 포함하여 추정하였다. 본 연구에서 제시한 보행시간은 비첨두시를 가정한 것으로 역사 혼잡정도에 따라 보행시간이 증가될 가능성이 있다.
알고리즘은 환승역 여부와 승강장 구조 등의 역사정보, 개별 승하차 자료, 이력 OD 자료, 이력 환승자료를 바탕으로 방향별 누적승강장유입인원을 계산하고 역별 열차출발시간정보를 토대로 승강장 대기인원을 산정하였다. 방향별 승강장 혼잡도는 승강장 대기공간 수용가능인원 대비 추정된 승강장 대기인원으로 계산하였다. 알고리즘 검증을 위하여 서울메트로 2호선 내선 6개역에 대한 승강장 대기인원 추정치와 동일한 시간대의 실측치 값과 비교하였으며, 승강장 대기인원 추정치는 실측치 비교하여 오차범위는 -18%~3%였으나, 승강장 혼잡도로 환산시 오차범위는 ±1.
상대식 승강장 경우 게이트 위치에 따라 방향구분이 가능한 경우 직접적으로 방향별 승강장 유입인원을 계산하지만, 게이트 위치가 승강장 방향구분을 하지 못할 때는 다음에서 언급하는 섬식 승강장방식을 따르도록 한다. 섬식 승강장에서 유입인원으로부터 방향별 인원을 구분하기 위하여 이력 OD 자료를 활용하도록 한다. 환승역이 있는 경우 이력 환승 자료를 바탕으로 방향별 환승 유입인원과 환승역 승강장 구조에 따른 방향별 승강장 유입인원을 추정하도록 한다.
섬식 승강장에서 진입인원의 방향별 승강장 구분을 위하여, OD 자료를 바탕으로 과거 시간대별·방향별 승강장 이용패턴을 활용하도록 한다.
실측자료의 유효성에 따라 2호선 내선 6개역(신천역 , 종합운동장역, 삼성역, 역삼역, 서초역, 낙성대역)을 선정하여, 열차 2398호 탑승을 위한 승강장 대기인원 추정치와 실측치 값을 비교하였으며, 결과는 Table 3과 같다. 삼성역을 제외한 5개 역들은 상대식 승강장 구조로 게이트별로 승강장 방향이 구분 되지만, 삼성역은 섬식 승강장으로 게이트별 방향별 구분이 어렵다.
본 연구에서는 교통카드자료를 바탕으로 도시철도 승강장의 혼잡도 추정 알고리즘을 개발하였다. 알고리즘은 환승역 여부와 승강장 구조 등의 역사정보, 개별 승하차 자료, 이력 OD 자료, 이력 환승자료를 바탕으로 방향별 누적승강장유입인원을 계산하고 역별 열차출발시간정보를 토대로 승강장 대기인원을 산정하였다. 방향별 승강장 혼잡도는 승강장 대기공간 수용가능인원 대비 추정된 승강장 대기인원으로 계산하였다.
2는 역별 개찰구 위치정보, 역사정보, 이력환승 자료, 이력 OD 자료, 역별 열차출발정보를 바탕으로 역별 방향별 승강장 혼잡도 추정을 위한 알고리즘을 보여준다. 역사정보를 바탕으로 환승역이 아닌 경우 역의 승강장 구조에 따라 방향별 승강장 유입인원을 분석하도록 한다. 상대식 승강장 경우 게이트 위치에 따라 방향구분이 가능한 경우 직접적으로 방향별 승강장 유입인원을 계산하지만, 게이트 위치가 승강장 방향구분을 하지 못할 때는 다음에서 언급하는 섬식 승강장방식을 따르도록 한다.
조사를 위하여 열차 내 출입문마다 조사원을 배치하고 열차가 역에 도착하고 출발하기 직전까지 역별 승·하차 인원을 조사하였다.
엄진기 외[6]는 인천 1호선 구간을 대상으로 2009년 집계된 대중교통카드 자료를 활용하여 혼잡도와 정시성 지표를 도출하고, 도시철도 서비스를 평가하는 방안을 제시하였다. 차량단위의 대중교통 서비스 평가를 위해 개별 이용자의 교통카드자료를 스케쥴에 의해 운행되는 차량단위로 집합화하였다. 분석결과로 차내 혼잡도와 정시성 간에는 밀접한 연관성이 있으며, 이전 역에서의 높은 승객수요가 지속적인 열차의 연착을 발생시킨다고 제시하였다.
대상 데이터
2014년 4월 29일(화요일) 수도권 지하철 총 327개역에 대한 개인별 교통카드이용실적 자료를 취득하였다. 역별 열차출발시간은 열차운행제어컴퓨터(TTC) 자료를 활용하였으며, 취득된 TTC 자료는 동일날짜의 2호선 순환노선에 대한 역별 열차 출발정보를 담고 있다.
AFC 자료는 개인 고유카드번호를 기준으로 진출입자료에 대한 매칭 후에 통행자별 OD(Origin-Destination) 형태로 취득되었다. Table 1은 연구에 활용된 개별 도시철도 승객의 OD 자료 예시를 보여준다.
알고리즘 검증을 위하여 서울메트로 2호선 내선 6개역에 대한 승강장 대기인원 추정치와 동일한 시간대의 실측치 값과 비교하였으며, 승강장 대기인원 추정치는 실측치 비교하여 오차범위는 -18%~3%였으나, 승강장 혼잡도로 환산시 오차범위는 ±1.7% 이내였다.
2014년 4월 29일(화요일) 수도권 지하철 총 327개역에 대한 개인별 교통카드이용실적 자료를 취득하였다. 역별 열차출발시간은 열차운행제어컴퓨터(TTC) 자료를 활용하였으며, 취득된 TTC 자료는 동일날짜의 2호선 순환노선에 대한 역별 열차 출발정보를 담고 있다.
성능/효과
1m2이며, 역삼역 내선 승강장 대기공간 수용가능인원은 470명이다. 결과적으로 최대 승강장 대기인원이 발생하는 18시 15분에 역삼역 내선의 승강장 혼잡도는 197%이다.
Van den Heuvel 외[8]는 자동운임정산 데이터(Automatic Fare Collection Data)를 통해 네덜란드 철도역에서 보행환경수준을 모니터링할 수 있는 시스템을 개발하고자 하였다. 교통카드자료를 철도역 운영과 설계를 확인할 수 있는 잠재적 요소로 판단하였으며, 환승시간과 대기시간을 줄일 수 있는 중요한 요소가 될 것 이라고 판단하였다. 추가로 Gokasar 외[9]는 이스탄불의 자동운임정산시스템과 가격정책, 운영자료의 빅데이터를 소개하고 이스탄불의 대중교통 스마트카드 운임 자료(Istanbulkart)를 통해 BRT를 이용하는 이용자들의 통행행태를 분석하고자 하였다.
국외에서는 Chan[7]은 런던의 지하철에서 사용 중인 자동운임정산시스템(Automatic Fare Collection System) “Oyster Card” 자료의 분석을 실시하여 역간 수요추정의 경우 직접 조사한 결과와 유사한 패턴을 도출하였다. 또한 교통카드자료를 통한 수요추정은 현재 수요를 반영한 시간대별 OD를 추정할 수 있고, 이를 통해 각 노선별로 안정적인 철도 서비스제공이 가능하다고 제시하였다. Van den Heuvel 외[8]는 자동운임정산 데이터(Automatic Fare Collection Data)를 통해 네덜란드 철도역에서 보행환경수준을 모니터링할 수 있는 시스템을 개발하고자 하였다.
차량단위의 대중교통 서비스 평가를 위해 개별 이용자의 교통카드자료를 스케쥴에 의해 운행되는 차량단위로 집합화하였다. 분석결과로 차내 혼잡도와 정시성 간에는 밀접한 연관성이 있으며, 이전 역에서의 높은 승객수요가 지속적인 열차의 연착을 발생시킨다고 제시하였다.
실측치 자료에 따르면 삼성역과 역삼역은 다른 역들과 비교하여 3배~14배 많은 승객들이 대기하고 있다. 승강장 대기인원 추정치와 비교하였을 시, 삼성역과 역삼역은 각각 추정치가 실측치 보다 9명, 2명이 많이 추정되었으며 실측치 대비 각각 3%와 1%의 오차를 보였다. 신천역, 종합운동장역, 서초역, 낙성대역은 2명에서 8명까지 추정치가 실측치보다 적게 추정되었으며 실측치 대비 -18%~-9% 오차를 보인다.
승강장 대기인원 추정치와 비교하였을 시, 삼성역과 역삼역은 각각 추정치가 실측치 보다 9명, 2명이 많이 추정되었으며 실측치 대비 각각 3%와 1%의 오차를 보였다. 신천역, 종합운동장역, 서초역, 낙성대역은 2명에서 8명까지 추정치가 실측치보다 적게 추정되었으며 실측치 대비 -18%~-9% 오차를 보인다. 하지만 대기인원 오차(%)는 실측 대기인원의 대소에 따라 많은 차이를 보인다.
후속연구
본 연구에서 제시한 보행시간은 비첨두시를 가정한 것으로 역사 혼잡정도에 따라 보행시간이 증가될 가능성이 있다. 결과적으로 역사 혼잡정도에 따른 보행시간의 변화는 승강장 대기인원 추정치에 영향을 미치기에, 추가적으로 혼잡상황을 반영한 보행시간 연구가 필요할 것이다. 마지막으로 이력환승자료가 아직 구축되지 않아 환승역에서 환승인원을 고려한 승강장 대기인원에 대한 검증이 이루어지지 않았다.
이에 본 연구에서는 교통카드자료를 활용한 승강장 혼잡도 추정 알고리즘을 개발하도록 한다. 교통카드자료를 활용함으로써 시간별 승강장 혼잡도를 상시 모니터링 할 수 있으며, 추가적으로 장기적인 승강장 혼잡도 분석을 통하여 승강장 대기공간의 적정성 여부도 판단할 수 있을 것이다. 이를 위해 먼저 2장은 교통카드자료를 포함한 빅데이터를 활용한 철도분야 연구사례를 살펴본다.
마지막으로 본 연구의 한계는 첫째, 열차가 도착하였지만 열차혼잡으로 인하여 탑승하지 못하는 경우는 알고리즘 상에서 반영되지 않았다. 이럴 경우 다음열차에 대한 승강장 혼잡도가 과소 추정되는 문제점을 가지게 된다.
결과적으로 역사 혼잡정도에 따른 보행시간의 변화는 승강장 대기인원 추정치에 영향을 미치기에, 추가적으로 혼잡상황을 반영한 보행시간 연구가 필요할 것이다. 마지막으로 이력환승자료가 아직 구축되지 않아 환승역에서 환승인원을 고려한 승강장 대기인원에 대한 검증이 이루어지지 않았다. 이러한 연구의 한계는 추후 알고리즘 업데이트를 통하여 보완되어야 한다.
본 연구는 역별 승강장 혼잡도에 대한 장기적인 DB 구축을 통하여, 요일별·계절별 혼잡도 분석 및 이벤트 발생에 따른 비반복 혼잡에 대한 보다 구체적인 혼잡완화 방안을 강구하는데 활용할 수 있을 것으로 본다.
마지막으로 이력환승자료가 아직 구축되지 않아 환승역에서 환승인원을 고려한 승강장 대기인원에 대한 검증이 이루어지지 않았다. 이러한 연구의 한계는 추후 알고리즘 업데이트를 통하여 보완되어야 한다.
이럴 경우 다음열차에 대한 승강장 혼잡도가 과소 추정되는 문제점을 가지게 된다. 이에 열차혼잡도에 따른 승강장 혼잡도 변화 영향에 대한 추가 연구가 필요할 것이다. 둘째, 승객의 승강장 유입시간은 개찰구 진입시간에 개찰구에서 승강장까지의 보행시간을 포함하여 추정하였다.
이에 본 연구에서는 승차인원을 승강장 대기인원으로 가정하도록 한다. 하지만 승강장 대기인원 중 열차에 승차하지 않는 사람이 존재할 시 실제 승강장 대기인원과 차이를 보이기에, 추후 알고리즘에 대한 보다 정확한 검증을 위하여 추후 실제 승강장 대기인원을 조사할 필요가 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
2014년 기준 서울의 도시철도 수송인원은 연간 몇명인가?
도시철도는 대도시 교통체계에 있어 첨두시 대량수송이 가능하다는 장점으로 2014년 기준 55개국 148개 도시에서 운행중에 있다. 2014년 기준 서울의 도시철도 수송인원은 연간 약 2,660백만명으로, 세계에서 혼잡한 도시철도 중 하나로 꼽힌다 [1,2]. 2011년 수도권 철도 서비스 만족도 조사 결과에 따르면, 도시철도의 접근성과 정시성에 대하여 응답자는 대체로 만족하고 있지만, 도시철도 혼잡에 대해서는 매우 불만족한 것으로 조사되었다[3].
2011년 수도권 철도 서비스 만족도 조사 결과에서 응답자들이 대체로 만족하고 있는 항목은 무엇인가?
2014년 기준 서울의 도시철도 수송인원은 연간 약 2,660백만명으로, 세계에서 혼잡한 도시철도 중 하나로 꼽힌다 [1,2]. 2011년 수도권 철도 서비스 만족도 조사 결과에 따르면, 도시철도의 접근성과 정시성에 대하여 응답자는 대체로 만족하고 있지만, 도시철도 혼잡에 대해서는 매우 불만족한 것으로 조사되었다[3]. 수도권 도시철도 일부구간에서는 출·퇴근 시간대 및 특정일에 승객이 집중화됨에 따라 극심한 혼잡이 발생하고 있다.
기존의 도시철도 운영회사들의 혼잡조사의 문제점은 무엇인가?
도시철도 운영회사들은 정기 및 분기별 혼잡조사를 실시하여, 혼잡개선 대책을 수립하고 있다. 하지만, 이러한 조사는 열차혼잡도에 국한되어 있으며, 이벤트 발생에 따른 비반복 혼잡에 대한 조사가 어려운 실정이다. 본 연구에서는 교통카드자료를 활용한 시간대별 승강장 혼잡도를 추정하는 알고리즘을 개발하도록 한다.
참고문헌 (11)
http://stat.seoul.go.kr/jsp3/ (Accessed 17 April 2015).
http://www.metro9.co.kr/index.do (Accessed 17 April 2015).
Korea Transport Database Center (2010) Korea Transport Survey and Database 2010, The Korea Transport Institute.
Y.S. Lee (1997) Traffic Survey in The Seoul Metropolitan Subway Lines, The National Railroad Administration.
S.I. Shin (2011) Congestion Index of Urban Rail Transit Using Public Transportation Card Data, Seoul Development Institute, Working Paper 2011-BR-04.
J.K Eom, M.H Choi, D.S Kim, J. Lee, J.Y Song (2012) Evaluation of Metro Services based on Transit Smart Card Data(A Case Study of Incheon Line 1), Journal of the Korean Society for Railway, 15(1), pp. 80-87.
J. Chan (2007) Rail Transit OD Matrix Estimation and Journey Time Reliability Metrics Using Automated Fare Data, The degree of Master of Science in Transportation, Massachusetts Institute of Technology.
J.P.A. van den Heuvel, J.H. Hoogenraad (2014) Monitoring the Performance of the Pedestrian Transfer Function of Train Stations Using Automatic Fare Collection Data, Transportation Research Procedia, Volume 2, pp. 642-650.
I. Gokasar, K. Simsek, K. Ozbay (2014) Using Big Data of Automated Fare Collection System for Analysis and Improvement of BRT in Istanbul, Transportation Research Board, TRB 2015 Annual meeting.
http://www.seoul.go.kr (Accessed 26 March 2014).
Metropolitan Railway Division (2013) Station and Accommodations of Design Principle in Subway, Ministry of Land, Infrastructure and Transport.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.