[논문]스마트카드 빅데이터를 이용한 서울시 지역별 대중교통 이동 편의성 분석

문현구; 오규협; 김상국; 정재윤

doi:10.7232/jkiie.2016.42.4.296

[국내논문] 스마트카드 빅데이터를 이용한 서울시 지역별 대중교통 이동 편의성 분석
Analysis of Regional Transit Convenience in Seoul Public Transportation Networks Using Smart Card Big Data 원문보기

대한산업공학회지 = Journal of the Korean Institute of Industrial Engineers, v.42 no.4, 2016년, pp.296 - 303

문현구 (경희대학교 산업경영공학과) , 오규협 (경희대학교 산업경영공학과) , 김상국 (경희대학교 산업경영공학과) , 정재윤 (경희대학교 산업경영공학과)

Abstract ▼ AI-Helper

In public transportation, smart cards have been introduced for the purpose of convenient payment systems. The smart card transaction data can be utilized not only for the exact and convenient payment but also for civil planning based on travel tracking of citizens. This paper focuses on the analysis of the transportation convenience using the smart card big data. To this end, a new index is developed to measure the transit convenience of each region by considering how passengers actually experience the transportation network in their travels. The movement data such as movement distance, time and amount between regions are utilized to access the public transportation convenience of each region. A smart card data of five working days in March is used to evaluate the transit convenience of each region in Seoul city. The contribution of this study is that a new transit convenience measure was developed based on the reality data. It is expected that this measure can be used as a means of quantitative analysis in civil planning such as a traffic policy or local policy.

Keyword

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 대중교통 이용객의 이동행태를 분석하여, 지역별 이동거리, 이동시간, 이동량 등 대중교통 이용자들이 체감할 수 있는 요소들을 반영한 편의성 지표를 제안한다.
com). 본 연구에서는 지역의 결합과 분할이 편리한 GeoHash 기법을 도입하여 교통 데이터 분석 연구를 진행하였다.
본 연구에서는 대중교통 이용객의 이동거리 및 이동시간과 지역별 대중교통 이용량을 결합하여 이용객이 체감할 수 있는 편의성 지표를 제안한다. 서울시 도시철도 이용객의 편의성 설문조사 결과에 따르면 편의성에 대한 주요 요인이 대기시간, 접근시간, 이동시간, 요금 등의 순으로 나타났다(Byun et al.
본 절에서는 GeoHash 기법을 이용하여 생성된 Zone G_i의 평균 이동거리를 나타내는 계산식을 제시한다. 두 지역간의 거리는 Zone의 중점 간 직선거리로 측정하며 Zone G_i의 평균 이동거리 D_i는 각 지역으로 이동하는 이용객의 비율을 이동거리에 가중평균하여 계산한다.
본 절에서는 표정속도에 지역 거주자들의 실제 이동량을 결합함으로써 대중교통 이용객이 체감할 수 있는 이동 편의성(transit convenience) 측도를 개발하였다. 먼저 Zone G_i에서 N개의 G_j지역으로 이동하는 경우, 지역 G_i의 유출 편의성 \(CV_{i}^{out}\)은 다음과 같이 계산된다.
본 논문에서는 대중교통 이용객의 이동 데이터에 기반하여 대중교통 이동 편의성을 측정하는 측도들을 정리 및 개발하였고, 제시된 지표들을 활용하여 서울시 지역별 대중교통 이동 편의성을 측정하였다. 데이터 전처리로는 스마트카드에 기록된 대중교통 승하차 데이터를 버스 승강장 및 지하철 역 기준으로 정리하고, 사각 격자로 구분된 서울시 각 지역별로 결합하여 지역별 이동량 및 이동거리, 이동속도, 이동 편의성 등을 계산하였다.

제안 방법

본 논문에서는 대중교통 이용객의 이동 데이터에 기반하여 대중교통 이동 편의성을 측정하는 측도들을 정리 및 개발하였고, 제시된 지표들을 활용하여 서울시 지역별 대중교통 이동 편의성을 측정하였다. 데이터 전처리로는 스마트카드에 기록된 대중교통 승하차 데이터를 버스 승강장 및 지하철 역 기준으로 정리하고, 사각 격자로 구분된 서울시 각 지역별로 결합하여 지역별 이동량 및 이동거리, 이동속도, 이동 편의성 등을 계산하였다. 지역별 결합을 위하여 버스 승강장 및 지하철역들의 GPS 위치를 기준으로 GeoHash 코드라는 geo-coding 기법을 사용하여 지리적 데이터로 변환하여 기초 데이터로 사용하였다.
, 2008; Jang, 2010). 대중교통 스마트카트 데이터를 이용하여 각 승객의 이동 경로를 생성하고, BRT(Bus Rapid Transit) 이용객과 비 BRT 이용객을 비교 분석한 후, BRT 승객의 이동 흐름지도와 설문조사로 작성된 교통 편의지역 지도를 비교 분석하였다(Tao et al., 2014). 또한 스마트카드 데이터를 이용한 서울시 지하철 이동패턴 분석 연구에서는 유사한 행태의 Zone을 발견하고 두 Zone 간의 이동패턴을 도출하는 MZP(Movement Pattern between Zones)를 제시하였다(Kim et al.
, 2013). 대중교통 평가지표를 혼잡도와 이용거리를 기반으로 제안하고 제안된 지표를 바탕으로 스마트카드 데이터를 활용하여 버스 회사에 대해 평가하였다(Trepanier et al., 2009).
[Figure 1]은 본 연구의 전체 프레임워크를 나타낸다. 스마트카드 데이터 중 본 연구에 필요한 승객의 이동 데이터(승차일시, 승차 정류장ID, 하차일시, 하차 정류장ID)를 Sqoop을 통하여 추출한다. 추출된 데이터를 Hadoop의 HDFS(Hadoop Distributed File System)에 저장한다.
Tajo를 통해 추출된 데이터를 Lucene에 저장한다. 저장된 데이터를 작성된 Java 프로그램을 사용하여 지역별 편의성 지표를 계산한다.
지도 서비스에서는 GPS에서 사용하는 좌표계인 WGS84가 널리 쓰이고 있으므로, 중부원점 TM 좌표인 정류소의 위치를 WGS84 좌표로 변환하였다. 변환된 위치 데이터를 주소지와 맵핑하기 위하여 geo-coidng을 진행하였다. 정류소의 WGS84 위치와 지역별 주소지를 기반으로 지역을 분할하여 다양한 분석에 활용한다.
헥사곤 방식의 예로는 서울시 심야버스 노선선정 사례가 있다. 심야버스 노선 선정을 위하여, [Figure 2](b)과 같이 서울시 전역을 약 1km 반경의 1,250개 헥사곤으로 나누어 유동인구 밀집도와 이동수요를 분석하였다(http://news.joins.com/article/11961889).
본 논문에서는 “해당 지역 거주자들이 자신이 실제로 원하는 목적지까지 얼마나 빠르게 접근할 수 있느냐”를 기준으로 대중교통 편의성 지표를 개발하였다.
본 논문에서는 “해당 지역 거주자들이 자신이 실제로 원하는 목적지까지 얼마나 빠르게 접근할 수 있느냐”를 기준으로 대중교통 편의성 지표를 개발하였다. 이를 평가하기 위하여 실 데이터를 기반으로 지역민들의 타 지역으로의 이동량을 가중평균 후 반영하여 평균 표정속도를 측정함으로써, 해당 지역 거주자들의 체감 편의성을 반영하고자 하였다.
제안된 지표는 해당지역에서 모든 지역으로 이동하는 표정속도를 실제 이동량으로 가중평균함으로써 전체 이용객이 체감한 속도들을 편의성 지표에 반영하였다는 특징이 있다.
본 연구에서는 제안된 대중교통 평가 지표들을 이용하여 서울시 대중교통 이용객 데이터에 적용 분석하였다. 서울시의 지역별 편의성 평가를 위하여, GeoHash를 이용하여 서울시를 사각격자로 나누어 각 지역별 대중교통 편의성을 분석하였다.
구분된 Zone에 속하는 모든 정류소의 이동은 해당 Zone의 이동으로 반영하였다. 이용객의 이동은 모든 환승을 포함하여 목적지, 도착시간을 도출하였다. 도출된 이동과 시간을 바탕으로 앞 절에서 제시된 이동거리, 표정속도, 편의성을 계산하였다.
이용객의 이동은 모든 환승을 포함하여 목적지, 도착시간을 도출하였다. 도출된 이동과 시간을 바탕으로 앞 절에서 제시된 이동거리, 표정속도, 편의성을 계산하였다.
계산된 데이터를 활용하여 지역별 대중교통 평균 이동량, 평균 이동거리, 평균 표정속도, 대중교통 편의성을 평가하였으며, 나아가 출근, 퇴근시간의 대중교통 편의성을 지역별로 비교 평가해보았다.
환승대기시간이 포함된 이용객의 이동시간을 반영한 평균 표정속도를 계산하였다. [Figure 5]는 지역별 대중교통 평균 표정속도를 순서대로 정렬한 그래프이며 [Figure 6]은 지역별 표정속도를 지도에 표시한 것이다.
서울시내의 이동이 가장 많은 출근시간과 퇴근시간의 대중교통 편의성을 비교 분석하였다. 실험 데이터는 동일 기간의 6시~9시(3시간)의 이동 데이터를 출근시간 데이터로, 17시~20시(3시간)의 이동 데이터를 퇴근시간 데이터로 사용하였다.
본 논문에서는 대중교통 이용객의 실제 이동 데이터에 기반하여 지역별 대중교통 편의성 평가 측도들을 제시하고 서울시를 대상으로 수행하였다. 대중교통 편의성을 평가하기 위하여, GeoHash 기법을 이용하여 지역을 사각 격자로 분할하여 정거장 및 이동데이터를 매핑하였고, 생성된 Zone 간의 대중교통 이용객의 출발지와 도착지를 기준으로 거리, 이동시간 및 속도를 측정하였다. 또한 환승을 고려하여 실제 최종 목적지까지 이동 데이터로 결합하고, 정차시간까지 포함한 표정속도를 계산한 후, 지역별 이동량을 반영하여 최종적인 이동 편의성을 측정하였다.
대중교통 편의성을 평가하기 위하여, GeoHash 기법을 이용하여 지역을 사각 격자로 분할하여 정거장 및 이동데이터를 매핑하였고, 생성된 Zone 간의 대중교통 이용객의 출발지와 도착지를 기준으로 거리, 이동시간 및 속도를 측정하였다. 또한 환승을 고려하여 실제 최종 목적지까지 이동 데이터로 결합하고, 정차시간까지 포함한 표정속도를 계산한 후, 지역별 이동량을 반영하여 최종적인 이동 편의성을 측정하였다.

대상 데이터

버스 정류소는 지하철과 달리 정류소 위치의 추가 및 변경되는 경우가 있으므로 분석을 위해서는 이용객이 이용한 시기의 정확한 정류소의 위치가 필요하다. 정류소 위치는 서울시 교통정보과에 요청하여 해당 시기의 정류소의 위치 정보를 수집하였다. 수집된 정류소의 위치는 중부원점 TM(Transverse Mercator) 좌표계를 기반으로 작성되어 있다.
서울시를 GeoHash 코드의 길이를 활용하여 다양한 크기의 격자(Zone)로 쪼갤 수 있지만, 그중에서도 지역별 특성을 반영할 수 있는 적합한 크기인 6자리 GeoHash 코드로 1.2km× 609.4m크기(약 0.73km2)의 격자를 이용하여 738개의 Zone으로 구분하였다.
본 연구에서는 제안된 대중교통 평가 지표들을 이용하여 서울시 대중교통 이용객 데이터에 적용 분석하였다. 서울시의 지역별 편의성 평가를 위하여, GeoHash를 이용하여 서울시를 사각격자로 나누어 각 지역별 대중교통 편의성을 분석하였다.
제안된 지표를 통한 실험을 위하여 2012년 3월 12일부터 16일까지 서울시 버스 및 지하철의 주중 이용객 데이터를 사용하였다. 또한 서울시 간의 접근성 평가에 집중하기 위하여 서울시 내부 이동 데이터만을 추출하여 사용하였으며, 마을버스 이동데이터는 데이터 처리량 감소를 위해 본 분석에서는 제외하였다.
서울시내의 이동이 가장 많은 출근시간과 퇴근시간의 대중교통 편의성을 비교 분석하였다. 실험 데이터는 동일 기간의 6시~9시(3시간)의 이동 데이터를 출근시간 데이터로, 17시~20시(3시간)의 이동 데이터를 퇴근시간 데이터로 사용하였다. 사전 연구에 따르면 하루 이동량의 50%가 이 시간대에 분포하고 있음에 근거하였다(Kim et al.
본 논문에서는 대중교통 이용객의 실제 이동 데이터에 기반하여 지역별 대중교통 편의성 평가 측도들을 제시하고 서울시를 대상으로 수행하였다. 대중교통 편의성을 평가하기 위하여, GeoHash 기법을 이용하여 지역을 사각 격자로 분할하여 정거장 및 이동데이터를 매핑하였고, 생성된 Zone 간의 대중교통 이용객의 출발지와 도착지를 기준으로 거리, 이동시간 및 속도를 측정하였다.
제시된 측도들을 이용하여 서울시 대중교통(버스 및 지하철)의 평일 이동 데이터를 대상으로 6자리 GeoHash 격자(약 0.73km²)로 분할된 738개 지역들의 지역별 대중교통 편의성을 평가하였다. 한 지역의 일평균 이동량은 12,420명이고, 1회 평균 이동거리는 10.

이론/모형

데이터 전처리로는 스마트카드에 기록된 대중교통 승하차 데이터를 버스 승강장 및 지하철 역 기준으로 정리하고, 사각 격자로 구분된 서울시 각 지역별로 결합하여 지역별 이동량 및 이동거리, 이동속도, 이동 편의성 등을 계산하였다. 지역별 결합을 위하여 버스 승강장 및 지하철역들의 GPS 위치를 기준으로 GeoHash 코드라는 geo-coding 기법을 사용하여 지리적 데이터로 변환하여 기초 데이터로 사용하였다.
본 연구에서는 대중교통 정류소의 인접 정류소를 빠르게 추출하고, 다양한 크기의 격자를 활용하여 분석 목표인 지역의 크기를 변화시키기 위하여 GeoHash 코드를 사용하였다.

성능/효과

마지막으로 사각 격자(Grid) 방식은 헥사곤 방식과 마찬가지로 동일한 형태의 지역으로 분할한다는 점에서 유사하지만, 필요에 따라 계층화하기 용이하다. [Figure 2](c)는 서울을 격자방식인 GeoHash 기법으로 분할한 예시이다(http://geohash.
[Figure 3]은 738개 Zone으로 서울시를 분할하여 해당 기간의 평일 하루 평균 이동량을 순위별로 나타낸 그래프이다. 평균 이동량이 많은 상위 5개 지역은 [Table 2]와 같이 강남구 역삼1동을 비롯하여, 종로구 종로1-4가동, 마포구 대흥동, 중구 명동, 강남구 대치4동이 포함되었으며, 이동량이 적은 지역은 [Table 3]과 같이 마포구 용강동, 서초구 양재1동, 성북구 장위3동 등으로 나타났다. 서울시 각 지역별 평일 하루 평균 이동량은 12,420명으로 나타났다.
08로 측정이 되었다. 편의성 점수 결과 표정속도가 가장 높았던 강서구 공항동이 편의성 점수도 가장 높게 측정이 된 것을 알 수 있다. 편의성 점수 상위권 지역은 서초구 내곡동, 강남구 세곡동, 마포구 상암동 등이 포함되었으며, 편의성 점수가 가장 낮은 지역은 노원구 월계2동으로 4.
편의성 점수 상위권 지역은 강서구 공항동을 포함하여 도봉구 도봉1동, 서초구 양재2동에서 측정이 되었다. 퇴근시간 평균 편의성 점수는 출근시간 평균 편의성 점수에 비해 2점 정도 낮은 것을 확인할 수 있었다. 이는 퇴근시간 표정속도가 출근시간 표정속도보다 전반적으로 낮기 때문이라고 예상된다.
80이었다. 또한, 출근시간대의 이동 편의성은 25.24이고 퇴근시간 대의 이동 편의성은 23.89로 퇴근시간대가 조금 더 느리게 체감할 것으로 분석되었다.
실험 결과, 제시된 이동 편의성 측도가 표정속도에 많은 영향을 받는 것으로 나타났다. 편의성 점수가 높은 지역들은 주로 시 외곽 지역에 위치하고 있었다.

후속연구

본 연구에서는 제안된 기법은 서울시를 비롯한 각 행정단위들의 지역별 대중교통 이동 편의성을 분석하는 데 활용할 수 있으며, 앞으로 증가하게 될 스마트카드 빅데이터를 기반으로 도시개발 및 교통서비스 개선을 위하여 활용될 수 있을 것으로 기대한다(Lee and Sohn, 2015).
추후 연구로는 사용자 이동 시간대, 사용 편의성, 접근성, 혼잡도, 안락함 등을 반영한 대중교통 편의성 지표개선, 시설물과 지리적 특성 데이터와 결합하여 이용 및 거주 목적에 따른 지역별 편의성 지표로 확장할 수 있을 것으로 기대한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	대중교통 스마트카드 데이터 분석은 어떻게 활용되었나?	대중교통 스마트카드 데이터 분석은 이용자들의 이동 정보를 추출하여 이동패턴 및 행동패턴 등의 유용한 정보를 발견하거나 패턴정보를 다른 요소들과 결합하여 대중교통 수요예측 및 지역별 노선 개선 등에 활용되었다(Park et al., 2008; Jang, 2010).
	대중교통이란 어떤 서비스인가?	대중교통이란 시민들이 이용하는 교통시설과 수단을 의미하며, 정해진 시간계획과 노선을 따라서 제공되는 교통 서비스이다(Han, 2010). 대중교통에 대한 서비스 평가 및 개선을 위하여 다양한 연구들이 진행되었다(Chien et al.
	Voronoi Diagram의 장점은 무엇인가?	보로노이 다이어그램(Voronoi Diagram)은 두 개의 지점을 잇는 선분과 직교하는 직선을 그리는 과정을 반복하여 지역을 분할한다. 보로노이 다이어그램은 통신 네트워크상에 최적의 센서 노드 배치 등에 종종 이용되어 불필요한 지역크기를 최소화할 수 있다. [Figure 2](a)는 마드리드 지역의 대중교통 정류소를 기준으로 보로노이 다이어그램으로 지역을 분할한 예시이다(http://www.

참고문헌 (17)

Andreassen, T. W. (2005), (Dis) satisfaction with public service : the case of public transportation, Journal of Service Marketing, 9(5), 30-41.
Anthony, F., Chris, E., James, H., and Skylar, L. (2013), Spatio-temporal Indexing in Non-relational Distributed Databases, Proc. IEEE Int. Conf. on Big Data, 291-299.
Bagchi, M. and White, P. R. (2005), The potential of public transport smart card, Transport Policy, 12(5), 464-474.

상세보기
Byun, J. H. and Jang, K. T. (2014), User Convenience Analysis of Urban Railway Using Survey, Proc. 10th Autumn Conf. of the Korean Society for Railway, 839-844.
Cantwell, M., Caulfield, B., and O'Mahony, M. (2009), Examining the factors that impact public transport commuting satisfaction, Journal of Public Transportation, 12(2), 1-21.

상세보기
Chien, S. I. and Qin, Z. (2004), Optimization of bus stop locations for improving transit accessibility, Transportation Planning and Technology, 27(3), 211-227.

상세보기
Dell'Olio, L., Ibeas, A., and Cecin, P. (2011), The quality of service desired by public transport users, Transport Policy, 18(1), 217-227.

상세보기
Friman, M. (2004), Implementing quality improvements in public transport, Journal of Public Transportation, 7(4), 49-65.

상세보기
Han, J. S. (2010), Geography of transportation, Hanul Academy, Paju, Korea.
Jang, W. (2010), Travel time and transfer analysis using transit smart card data, Journal of the Transportation Research Board, 2144, 142-149.

상세보기
Kim, K. H., Oh, K. H., Lee, Y. K., Kim, S. H., and Jung, J. Y. (2014), An Analysis on Movement Patterns between Zones Using Smart Card Data in Subway Networks, International Journal of Geographical Information Science, 28(9), 781-1801.
Konjar, M., Lisec, A., and Drobne, S. (2010), Method for delineation of functional regions using data on commuters, Proc. 13th AGILE Int. Conf. on Geographic Information Science, 1-10.
Lee, S. J., Lee, Y., and Shin, H. (2015), Empirical Study on the Determinants of Service Quality Deterioration of Taxi Industry : Based on Traffic Accidents by Taxi in Seoul, Journal of the Korean ORMS Society, 40(4), 83-105.
Lee, W. S. and Sohn, S. Y. (2015), Topic Model Analysis of Research Trend on Spatial Big Data, Journal of Korean Institute of Industrial Engineers, 41(1), 64-73.

원문보기 상세보기
Park, J. Y. and Kim, D. J. (2008), The potential of using the smart card data to define the use of public transit in Seoul, Journal of the Transportation Research Board, 2063, 3-9.

상세보기
Tao, S., Corcoran, J., Mateo-Babiano, M., and Rohde, D. (2014), Exploring Bus Rapid Transit passenger travel behaviour using big data, Applied Geography, 53, 90-104.

상세보기
Trepanier, M., Morency, C., and Agard, B. (2009), Calculation of transit performance measures using smartcard data, Journal of Public Transportation, 12(1), 79-96.

저자의 다른 논문 :

LOADING...

활용도 분석정보

상세보기

다운로드

내보내기

활용도 Top5 논문

해당 논문의 주제분야에서 활용도가 높은 상위 5개 콘텐츠를 보여줍니다.
더보기 버튼을 클릭하시면 더 많은 관련자료를 살펴볼 수 있습니다.

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