[논문]빅데이터 분석을 이용한 지하철 혼잡도 예측 및 추천시스템

김진수

doi:10.14400/jdc.2016.14.11.289

빅데이터 분석을 이용한 지하철 혼잡도 예측 및 추천시스템
Subway Congestion Prediction and Recommendation System using Big Data Analysis 원문보기

디지털융복합연구 = Journal of digital convergence, v.14 no.11, 2016년, pp.289 - 295

초록
AI-Helper

지하철은 버스와 택시에 비해 많은 승객들을 안전하고 신속하게 대량 수송할 수 있는 미래 지향적인 교통수단이다. 지하철 이용자의 증가에 따른 혼잡도 증가는 지하철을 쾌적하게 이용할 수 있는 시민들의 권리를 저해하는 요인 중의 하나이다. 따라서 지하철 내의 혼잡도 예측은 승객의 이용 편의성과 쾌적성을 극대화할 수 방법 중 하나이다. 본 논문에서는 기존의 지하철 혼잡도를 다중 회귀 분석으로 예측하고 빅데이터 처리를 통한 실시간으로 혼잡도를 모니터링하고, 자신의 출발역과 도착역 정보뿐만 아니라 다양한 정보를 추가하여 개인화된 혼잡도 예측 시스템을 제안한다. 제안된 혼잡도 예측 시스템을 적용한 결과 예측혼잡도가 실제혼잡도에 비해 평균 81% 정확도를 보였다. 본 논문에서 제안한 예측 및 추천 어플리케이션을 지하철 고객에 적용하면 지하철 혼잡도 예측과 개인 사용자의 편리성에 도움이 될 것으로 예상된다.

Abstract ▼ AI-Helper

Subway is a future-oriented means of transportation that can be safely and quickly mass transport many passengers than buses and taxis. Congestion growth due to the increase of the metro users is one of the factors that hinder citizens' rights to comfortably use the subway. Accordingly, congestion prediction in the subway is one of the ways to maximize the use of passenger convenience and comfort. In this paper, we monitor the level of congestion in real time via the existing congestion on the metro using multiple regression analysis and big data processing, as well as their departure station and arrival station information More information about the transfer stations offer a personalized congestion prediction system. The accuracy of the predicted congestion shows about 81% accuracy, which is compared to the real congestion. In this paper, the proposed prediction and recommendation application will be a help to prediction of subway congestion and user convenience.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 지하철 내의 혼잡도 예측을 통한 승객의 이용 편의성을 극대화하고, 군중밀도가 높은 지하철 구간의 경우 차량 칸별 고른 승객 분포를 유도하여 승객의 편의성을 높일 수 있는 개인 혼잡도 예측 시스템을 제안한다. 본 논문에서 제안하는 시스템은 기존의 지하철 혼잡도와 빅데이터 처리를 통한 실시간 혼잡 상황을 모니터링하다.
또한 승강장 및 지하철 객차내의 혼잡도는 승객들의 동선을 최소화하려는 심리적 요인으로 인해 환승통로, 환승계단, 환승 엘리베이터 등과 같은 특정지점이 타 지점에 비해 혼잡도가 상대적으로 높다. 이러한 심리적 요인과 승객의 출발역, 도착역, 환승역 정보를 파악하여 보다 균등한 객차 혼잡비율을 조절할 수 있는 객차번호를 추천하고자 한다.

가설 설정

SNS나 인터넷으로부터 지하철역 및 혼잡도와 연관된 단어들의 출현빈도를 추출한다. SNS에 지하철역명이 출현하면 SNS 사용자가 해당 역에 위치한다고 가정하고 해당 역과 함께 사용된 단어들을 분석하여 해당 역 근처에 대중이 모일 수 있는 원인을 추출, 유추하고 해당 사항에 대해 가중치를 적용하여 혼잡도 예측에 사용한다. SNS에 나타난 해쉬 태그는 역과 연관된 중요한 키워드이므로 역명과 해쉬 태그와의 연관도를 분석하여 개인의 선호도를 조사한다.
이때, 오차 εi는 정규분포 N(0,σ2)을 따르며 오차들 서로 독립이라 가정한다.

제안 방법

SNS나 인터넷으로부터 지하철역 및 혼잡도와 연관된 단어들의 출현빈도를 추출한다. SNS에 지하철역명이 출현하면 SNS 사용자가 해당 역에 위치한다고 가정하고 해당 역과 함께 사용된 단어들을 분석하여 해당 역 근처에 대중이 모일 수 있는 원인을 추출, 유추하고 해당 사항에 대해 가중치를 적용하여 혼잡도 예측에 사용한다.
SNS에 지하철역명이 출현하면 SNS 사용자가 해당 역에 위치한다고 가정하고 해당 역과 함께 사용된 단어들을 분석하여 해당 역 근처에 대중이 모일 수 있는 원인을 추출, 유추하고 해당 사항에 대해 가중치를 적용하여 혼잡도 예측에 사용한다. SNS에 나타난 해쉬 태그는 역과 연관된 중요한 키워드이므로 역명과 해쉬 태그와의 연관도를 분석하여 개인의 선호도를 조사한다.
모니터링된 정보와 개인의 출발역과 도착역 정보를 기반으로 출발역과 도착역(환승역 포함)의 다양한 정보를 예측 및 추천한다. 개인화된 정보와 개인의 선호도를 적용하여 전동차 각 구간의 혼잡도 정보를 미리 예측한다. 예측된 혼잡도를 바탕으로 효율적인 추천을 유도할 뿐만 아니라 전체적인 혼잡도를 균등하게 분포시킬 수 있다.
본 논문에서는 지하철 혼잡도 예측을 위해 2013년과 2014년도 통계자료를 수집하여 데이터베이스에 저장한다. 또한 개인화된 승객의 개인적인 요구 사항을 반영하기 위해 각 플랫폼의 계단, 장애인 및 노약자용 엘리베이터 등의 위치 정보, 차량의 칸번호, 문번호와의 매칭을 위한 데이터베이스를 구축한다. 예를 들어, 환승역이라면 환승통로와 가장 빠른 차량의 칸 번호와 문 번호를 저장한다.
본 논문에서 제안하는 시스템은 기존의 지하철 혼잡도와 빅데이터 처리를 통한 실시간 혼잡 상황을 모니터링하다. 모니터링된 정보와 개인의 출발역과 도착역 정보를 기반으로 출발역과 도착역(환승역 포함)의 다양한 정보를 예측 및 추천한다. 개인화된 정보와 개인의 선호도를 적용하여 전동차 각 구간의 혼잡도 정보를 미리 예측한다.
본 논문에서 설계한 개인 선호도에 따른 혼잡도 예측 및 추천 시스템은 먼저 각 지하철역에 대한 다양한 정보 데이터베이스를 생성하고, 각 역별 혼잡도 예측을 위한 다중 회귀 모형을 구축한다. 사용자가 출발역과 도착역, 최적/최단 선택을 설정하면 개인화된 정보에 따른 예측된 혼잡도와 승하차(환승 포함) 지점에 대한 다양한 정보를 추천한다.
본 논문에서는 지하철 내의 혼잡도 예측을 통한 승객의 이용 편의성을 극대화하고, 군중밀도가 높은 지하철 구간의 경우 차량 칸별 고른 승객 분포를 유도하여 승객의 편의성을 높일 수 있는 개인 혼잡도 예측 시스템을 제안한다. 본 논문에서 제안하는 시스템은 기존의 지하철 혼잡도와 빅데이터 처리를 통한 실시간 혼잡 상황을 모니터링하다. 모니터링된 정보와 개인의 출발역과 도착역 정보를 기반으로 출발역과 도착역(환승역 포함)의 다양한 정보를 예측 및 추천한다.
본 논문에서 제안한 혼잡도 예측 및 추천시스템은 각 지하철역에서 수집한 통계자료와 SNS 실시간 자료를 포함한 주변 정보를 활용하여 다중회귀모형을 구축한다. 사용자가 이동하려는 역정보를 앱에 설정하면, 사용자의 위치, 시간 등의 정보와 현재의 빅데이터 분석 결과에 따른 예상 혼잡도 및 다양한 추천 정보를 보여준다.

대상 데이터

개인 선호도에 따른 혼잡도 예측 및 추천을 위해 인천 지하철1호선의 역을 모집단으로 선정하여 자료를 구축하고 실험하였다. 인천지하철 1호선의 경우 전동차의 규모가 작은 중량 열차가 운영되고 있으며, 하나의 편성당 차량 대수도 8량이다.
차량 정원은 좌석과 입석을 모두 포함하여 총 970명으로 승객 수송 능력은 타 노선에 비해 상대적으로 작다. 국가통계포털에서 인천광역시 기본 통계 중 지하철 수송(2012~2014) 통계조회를 통해 자료를 수집하였고, 2013년 인천의 1일 시민교통량 중 12.2%인 약 738,000명이 지하철을 이용한다[15].
독립 변수들에 해당하는 자료 수집은 통계청 자료와 웹문서 및 SNS 내의 혼잡 관련 내용 탐색, 그리고 다음지도로부터 일정 반경 내에 있는 버스 정류장 정보, 대형 건물, 버스 시간 정보 등의 다양한 자료를 수집하였다.
본 논문에서는 지하철 혼잡도 예측을 위해 2013년과 2014년도 통계자료를 수집하여 데이터베이스에 저장한다. 또한 개인화된 승객의 개인적인 요구 사항을 반영하기 위해 각 플랫폼의 계단, 장애인 및 노약자용 엘리베이터 등의 위치 정보, 차량의 칸번호, 문번호와의 매칭을 위한 데이터베이스를 구축한다.

성능/효과

다중 회귀분석을 통해 혼잡도에 영향을 주는 주요한 변수들을 추출한 결과, 수입(천원)을 제외한 승하차여객수(# In Passenger, # Out Passenger), 출입구(# Exit), 통로(# All Access), 환승 정류장수(# Transit Stop), 건물수(# Building), 빅데이터(# Big Data), 열차당 버스수(Bus/Subway) 등이 95%의 신뢰도를 기준으로 p <0.05인 유효한 결과로 계산되었다.
또한, 인천지하철1호선의 경우 부평역 방향(허브역)으로 갈수록 혼잡도가 증가하며 부평역 반대방향으로 갈수록 혼잡도가 감소하는 경향이 있다. 본 논문에서 제안한 혼잡도 예측 시스템을 통해 개인화된 매체와 연동하여 개인화된 선호도에 따라 혼잡한 차량 내 사용자별 효율적인 차량 및 칸을 선택할 수 있다. 먼저, 각 사용자의 출발역과 도착역을 설정, 개인이 원하는 최단/최적 선택을 지정하면 사용자가 입력한 시간과 도착 시간을 기준으로 예측되는 혼잡도와 도착지 또는 환승역 차량 칸의 위치 및 문 번호를 추천해 보여준다.
사용자가 이동하려는 역정보를 앱에 설정하면, 사용자의 위치, 시간 등의 정보와 현재의 빅데이터 분석 결과에 따른 예상 혼잡도 및 다양한 추천 정보를 보여준다. 본 시스템의 예측 혼잡도는 약 81%정도의 정확도를 보였다. 그러나 특정 환승역과 같은 대규모 중심역 방향쪽의 역들은 낮은 예측도에 비해 혼잡도가 증가되고, 반대 방향은 혼잡도가 감소되었다.
[Table 3]은 다중회귀분석의 결과를 보여준다. 혼잡도 타당성 검증을 위해 도출된 회귀식에 인천지하철1호선의 각 역에서 관측된 독립변수들의 값을 적용했을 때 예측된 혼잡도와 실제 관측된 혼잡도, 그리고 예측 정확도는 [Table 4]에서 보여주며, 예측혼잡도는 실제혼잡도와 비교하여 평균 81%의 정확도를 보였다. 그러나 테스트한 역 중의 혼잡도 예측과 실제 혼잡도 차이가 현저히 나는 경우도 발생하였다.

후속연구

향후 연구에서는 이러한 허브역을 기준으로 가중치를 부여하여 혼잡도 예측에 적용하면 보다 효율적인 예측이 가능할 것이며 역 주위의 사건 사고나 행사 등과 같은 다양한 혼잡도 예측 인자 등에 대해서도 연구해야 할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	지하철은 어떤 교통수단인가?	지하철은 버스와 택시에 비해 많은 승객들을 안전하고 신속하게 대량 수송할 수 있는 미래 지향적인 교통수단이다. 지하철 이용자의 증가에 따른 혼잡도 증가는 지하철을 쾌적하게 이용할 수 있는 시민들의 권리를 저해하는 요인 중의 하나이다.
	혼잡도 지표는 어떤 요인인가?	혼잡도 지표는 지하철 운행 시 승객들의 안전 및 복지를 위한 가장 중요한 요인 중 하나이다. 국토교통부내 도시철도 건설과 지원에 관한 기준에 나타난 자료에는 혼잡도가 150%를 넘는 경우 해당 노선에 증량 또는 증편을 요구하고 있기 때문에, 운영기관에서는 출퇴근시간 및 혼잡 시간대를 분석하여 열차 간 시간 조정 자료 활용과 증량, 증편 등의 정책 결정 자료로 이용된다.
	빅데이터 분석이 필요하게 된 배경은?	다양한 형태의 정보기술 활용 중 각종 소셜 네트워크 서비스(Social Network Service, SNS)를 통해 자신의 정보를 단순히 공유하고 교환할 뿐만 아니라 SNS를 통해 수집된 다양한 정보를 개인 혹은 집단 지성 축적을 위해 정보의 재생산, 재분석, 재배포 등을 수행하고 있다. 이와 같은 정보기술의 발전과 이용 확산은 데이터의 양적 팽창을 가져왔고, 여러 분야에서 데이터의 흐름을 주시할 필요성이 제기되었다[8].

참고문헌 (16)

Yong-Hyun Cho, "Metropolitan commuting time in half", Koera Railroad Research Institute, 2013.
Seung-Kirl Baek, Dong-Joo Park, "A Status and Policy Direction of Transportation Welfare in Interregional Transportation", Transportation technology and policy, v.9, no.5, pp.52-60. 2012.
Seon-Ha Lee, Choon-Keun Cheon, Byung-Doo Jung, Byung-Young Yu, Eun-Ji Kim, "Study on Methodology for Effect Evaluation of Information Offering to Rail passengers - Focusing on the Gate Metering Case Study considering congested conditions at a platform -", The Korea Institute of Intelligent Transport Systems, Vol.14, No.3, pp.50-62, 2015
Jong-Hyung Kim, Jhi-Eon Sohn, The Congestion Index of Urban Rail for the Transportation Welfare in Incheon, Incheon Development Institute, 2014.
Mi-Young Bin el al., Study on Rail Construction Feasibility by Considering Transportation Welfare, Gyeonggi Research Institute, 2012.
Keun-Won Kim, Dong-Woo Kim, Kyoo-Sung Noh, Joo-Yeoun Lee, "An Exploratory Study on Improvement Method of the Subway Congestion Based Big Data Convergence", JOURNAL OF DIGITAL CONVERGENCE, Vol.13, No.2, pp.35-42, 2015
http://www.ictr.or.kr
Kyoung-Ho Choi, Jin-Ah Yoo, "A reviews on the social network analysis using R", Journal of the Korea Convergence Society, Vol. 6, No. 1, pp. 77-83, 2015.
James Manyika, Michael Chui, "Big data: The next frontier for innovation, competition, and productivity", McKinsey Global Institute, May 2011.
John Gantz, David Reinsel, "Extracting Value from Chaos", IDC IVIEW, June 2011.
Jeong-Mee Lee, "Understanding Big Data and Utilizing its Analysis into Library and Information Services", Journal of the Korean Biblia Society For Library And Information Science Vol. 24, No. 4, pp. 53-73, 2013.
Jung-Hoon Kim, Jun-Young Go, Keun-Ho Lee, "A Scheme of Social Engineering Attacks and Countermeasures Using Big Data based Conversion Voice Phishing", Journal of the Korea Convergence Society, Vol. 6, No. 1, pp. 85-91, 2015.
Keun-Won Kim, Dong-Woo Kim, Kyoo-Sung Noh, Joo-Yeoun Lee, "An Exploratory Study on Improvement Method of the Subway Congestion Based Big Data Convergence", Journal of Digital Convergence, Vol.13, No.2, pp.35-42, 2015.
Rencher, Alvin C., Christensen, William F., Methods of Multivariate Analysis, Wiley Series in Probability and Statistics, 709 (3rd ed.), John Wiley & Sons, 2012.
http://kosis.kr/
Hee-Seog Koh, A Study of the train operating efficiency - Incheon Subway Line 1 to attract utilizes the center, Korea National University of Transportation, 2015.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증