공간정보와 통합 스마트카드 자료를 활용한 도시철도 역사 보행 기종점 분석 기법 개발 A Comprehensive Framework for Estimating Pedestrian OD Matrix Using Spatial Information and Integrated Smart Card Data원문보기
TOD (Transit-Oriented Development)는 대중교통 중심의 복합기능을 가진 집약적인 도시구조이며, 미래지향형 지속가능한 도시를 유지하기 위해 제시되는 개념이다. 최근 도시철도 역사를 중심으로 복합 환승센터 개발이 활발히 추진되고 있으며, 사업의 규모와 복잡성으로 인해 보다 과학적이고 객관적인 분석을 통한 계획과 유지관리 등이 요구되고 있다. 이에 따라, 본 연구에서는 공간정보와 통합 스마트카드 자료를 활용하여 도시철도 역사 보행 기종점 추정을 위한, 표준화된 분석 절차를 개발하고자 하였으며, 삼성역 사례 분석을 통해 제시된 분석 절차 및 방법에 대한 검증을 수행하였다. 본 연구에서 제시된 분석 절차는 자료 수집 기술과 빅데이터DB분석 기법 발전에 따라 유기적 확장 가능한 분석 환경을 마련하였다는 데 큰 의의를 가진다.
TOD (Transit-Oriented Development)는 대중교통 중심의 복합기능을 가진 집약적인 도시구조이며, 미래지향형 지속가능한 도시를 유지하기 위해 제시되는 개념이다. 최근 도시철도 역사를 중심으로 복합 환승센터 개발이 활발히 추진되고 있으며, 사업의 규모와 복잡성으로 인해 보다 과학적이고 객관적인 분석을 통한 계획과 유지관리 등이 요구되고 있다. 이에 따라, 본 연구에서는 공간정보와 통합 스마트카드 자료를 활용하여 도시철도 역사 보행 기종점 추정을 위한, 표준화된 분석 절차를 개발하고자 하였으며, 삼성역 사례 분석을 통해 제시된 분석 절차 및 방법에 대한 검증을 수행하였다. 본 연구에서 제시된 분석 절차는 자료 수집 기술과 빅데이터 DB 분석 기법 발전에 따라 유기적 확장 가능한 분석 환경을 마련하였다는 데 큰 의의를 가진다.
TOD (Transit-Oriented Development) is one of the urban structure concentrated on the multifunctional space/district with public transportation system, which is introduced for maintaining sustainable future cities. With such trends, the project of building complex transferring centers located at a ur...
TOD (Transit-Oriented Development) is one of the urban structure concentrated on the multifunctional space/district with public transportation system, which is introduced for maintaining sustainable future cities. With such trends, the project of building complex transferring centers located at a urban railway station has widely been spreaded and a comprehensive and systematic analytical framework is required to clarify and readily understand the complicated procedure of estimation with the large scale of the project. By doing so, this study is to develop a comprehensive analytical framework for estimating a pedestrian OD matrix using a spatial information and an integrated smart card data, which is so called a data depository and it has been applied to the Samseong station for the model validation. The proposed analytical framework contributes on providing a chance to possibly extend with digitalized and automated data collection technologies and a BigData mining methods.
TOD (Transit-Oriented Development) is one of the urban structure concentrated on the multifunctional space/district with public transportation system, which is introduced for maintaining sustainable future cities. With such trends, the project of building complex transferring centers located at a urban railway station has widely been spreaded and a comprehensive and systematic analytical framework is required to clarify and readily understand the complicated procedure of estimation with the large scale of the project. By doing so, this study is to develop a comprehensive analytical framework for estimating a pedestrian OD matrix using a spatial information and an integrated smart card data, which is so called a data depository and it has been applied to the Samseong station for the model validation. The proposed analytical framework contributes on providing a chance to possibly extend with digitalized and automated data collection technologies and a BigData mining methods.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
궁극적으로 두 번째 유형으로 제시된 확장된 보행 기종점 자료도 계획 단계에서 활용이 가능한 수준의 연구가 진행되어야 하지만, 현재로선 시설 배치와 연계하여 분석 가능한 DB가 부족한 실정이다. 따라서 본 연구에서는 첫 번째 유형의 보행 기종점 자료 분석 기법에 초점을 맞추고자 한다.
추후, 검증 지점 추가 혹은 경로기반 통행을 비교 분석하는 방식 등 검증절차에 대해 상세화가 필요하며, 검증에 대한신뢰성 확보가 필요할 것이다. 또한, 도시철도역사의 특성을 반영한 개별 모형의 신뢰성 향상을 위해, 건물별 연상면적, 층별 시설이용 특성, 시간대별 활동인구 등 상세한 속성을 포함한 동적 공간 정보 DB를 통해 모형 확장하고자 하며, 이용자 설문조사를 통한 통행발생 지점을 열차 출입문 위치로, 핀 포인트 수준으로 상세화하여, 수요추정 뿐만 아니라 수요예측 정밀도를 향상하고자 한다. 셋째, 보행 기종점 분석 체계를 승강장-출입구에서 승강장-개찰구-출입구로 확장하여 추후 보행동선 예측, 도시철도 역사 내 경로 선택 등에 활용 할 수 있는 세부적인 자료 구축을위한 연구가 필요하다.
본 연구에서는 교통 빅데이터 기반의 보행자 기종점 추정 관련 연구와 철도 역사 관련 실증 사례 등 관련된 기존문헌을 고찰하였다. 교통카드 자료 획득이 용이해짐에 따라 국내·외에서 다양한 연구가 수행되고 있다.
본 연구에서는 대중교통을 이용하는 이용객들이 주로 사용하는 교통카드와, 도시철도 역사 내 설치되어 있는 자동 출·개찰 시스템, 토지이용 공간정보 자료를 활용하여 자료 기반의 도시철도 역사 내 보행자 기종점 추정을 위한 표준화된 분석 절차를 마련하고자 하고, 삼성역을 대상으로 사례분석을 수행하였다.
본 연구에서는 도출된 보행 기종점을 검증하기 위해 자동 출·개찰 시스템 자료와 영상 촬영 자료를 이용하여 출발 통행(출입구→승강장) 2,307통행과 도착통행(승강장→출입구) 25,764통행에 대한 기종점 추정 결과를 검증하였다.
즉, 도시철도 역사 내 기종점은 출입구 수와 승강장 수로 결정되며, 출입구가 8개, 승강장이 2개인 경우에는 총 10개의 기종점을 대상으로 하는 10×10의 OD matrix를 도출하게 된다. 본 연구에서는 통합 스마트카드 자료와 역사 인근의 토지이용 및 공간정보를 활용하여 도시철도 역사 내의 기종점을 통합적으로 도출하기 위한 체계를 마련하고자 한다.
본 연구에서는, 앞서 수집한 자료 및 분석체계를 이용하여 삼성역의 보행 기종점 추정을 위한 통합 보행 기종점 분석프로그램을 개발하였다. Figure 7에 개발한 통합 보행 기종점 분석 프로그램 UI (User Interface)를 제시하였으며, 개발한 프로그램은 앞서 수집한 공간정보 및 통합 스마트카드 자료, 분석하고자 하는 역사에 대한 정보, 시간대 정보 등을 입력하면, 본 연구에서 제시된 분석 절차 및 연산과정에 의거하여, 보행 기종점 자료가 출력되도록 구성되어 있다.
승강장의 경우 분석대상 역에 도착하는 보행자와 분석대상 역에서 다른 역으로 이동하는 보행자가 이용하는 역사내 기종점으로 정의되며, 통합 스마트카드 자료를 이용한 통행사슬 분석을 통해 이용객의 승강장 방향을 추정할 수 있다. 섬식 승강장의 경우 방향 별 승강장을 설정 할 필요는 없으나, 본 연구에서는 보다 신뢰성 있는 기종점 자료 생성을 위해 상대식 승강장을 기준으로 각 방향 별 승강장을 구분하여 기종점 자료를 생성하였다. 교통카드 자료로부터 직접 추출된 관측 자료인 통행사슬 자료를 이용하여 철도를 이용한 통행의 최적 경로를 도출하여 도시철도 이용객이 어느 방면의 지하철을 이용하여 유입했는지, 유출했는지 분석하였다.
앞서 언급한 바와 같이, 본 연구의 목적은 도시철도 역사 내·외부의 공간정보와 통합 스마트카드 자료를 이용하여 도시철도 역사 내 보행 기종점 추정을 위한 과학적이고 표준화된 분석체계를 제시하는데 있다.
이러한 문제는 KTDB와 보행자 기종점 자료의 활용 목적 및 분석 대상의 차이로 기인한 것으로 신뢰성 여부에 대한 논쟁보다는, 상이한 위계의 기종점 자료에 대한 연계성 및 정합성 유지를 위해, 유기적인 연구체계 하에서 연구의 고도화가 이뤄져야 한다. 이에 본 연구는 도시철도 역사 등 교통시설이 입지한 지역의 공간 정보 및 이용 특성을 고려하여 스마트카드 자료와 관련한 자료를 융합하고 도시철도 역사 내 보행기종점 분석 방법을 체계화하여, 보다 표준화된 분석 기틀을 마련하고자 하였다. 또한, 분석 방법의 기초 입력 자료를 공간 정보, 지속적으로 구득이 가능한 스마트카드 자료 및 추후 디지털화되어 구득이 용이할 수 있는 기술 기반의 정보로 한정하였다.
, 2016)에서 도시철도 역사 내에서도 경로선택 모형 등의 통행 배분 연구가 수행되었으나, 주변 토지이용 계획과 이용자의 전주기 통행을 정확히 파악하지 못한 보행 발생량, 보행 기종점 통행량은 경로선택 모형의 입력 자료로 제 역할(Garbage- in & Garbage-out)을 하지 못한다. 이에 본 연구에서는 계층적 오류를 최소화할 수 있는 자료 기반의 종합적인 분석 기법을 제시하고자 하며, 이를 통해, 단계별 모형의 신뢰성을 향상시킴에 따라 전체적인 결과의 신뢰성을 향상시킬 수 있는 선순환 구조를 구축하여, 보다 체계적인 연구 수행 기틀을 마련하고자 한다.
제안 방법
섬식 승강장의 경우 방향 별 승강장을 설정 할 필요는 없으나, 본 연구에서는 보다 신뢰성 있는 기종점 자료 생성을 위해 상대식 승강장을 기준으로 각 방향 별 승강장을 구분하여 기종점 자료를 생성하였다. 교통카드 자료로부터 직접 추출된 관측 자료인 통행사슬 자료를 이용하여 철도를 이용한 통행의 최적 경로를 도출하여 도시철도 이용객이 어느 방면의 지하철을 이용하여 유입했는지, 유출했는지 분석하였다. 최적 경로는 두 철도역 간(From station-To station)의 여러 경로에 대해서 이동거리가 최소가 되는 경로를 선택하였으며, 이동 경로에서 분석대상 역과 연결되는 이전 역, 이후 역 정보를 추출하여 승강장 추정에 활용하였다.
도시철도 역사 내의 주요 기·종점을 출입구, 승강장으로 정의하였으며, 출입구와 승강장에 대한 통행 배분 체계를 적용하여 최종 보행 기종점을 도출하였다.
우선, 보행 기종점 추정 프로그램의 입력 자료는 앞서 수집된 삼성역의 통합 스마트카드 자료와 공간정보 자료이며, 두 자료를 융합하여 대중교통 수단 혹은 노선 간 환승 정보가 자동 추출 된다(통합 스마트카드 자료+ 공간정보 자료 → Figure 7의 오른쪽 상단 박스에 있는 Bus stop section, AFC section 매칭 → 수단 및 노선 간 환승 OD 생성). 또한, 공간정보 자료에 매칭 가능한 출입구 영향권역을 설정하고, 보행 기종점 추정을 위한 분석 파라미터로 분석대상 역사에 대한 역 ID, 분석 시간대를 정의하여 입력하면 분석가가 도출하고자 하는 역사에 대해 설정한 시간대 (오전 첨두, 오후 첨두, 전일)에 대한 결과를 도출하게 된다.
삼성역 인근의 토지이용 현황은 주거시설, 업무시설, 상업시설로 구분하여 도출하고자 하였으며, 주거시설은 삼성역 인근의 주거인구 수, 업무시설은 직장인구 수, 상업시설은 상업시설 수를 조사하여 공간정보 자료를 구축하였다. 또한, 삼성역 인근의 버스정류장 위치를 권역별로 매칭하여 버스 정류장 위치에 대한 공간정보를 생성하였다. 공간정보 자료 구축을 위한 토지이용 현황 조사는 소상공인마당 상권분석시스템 1)에서 제공하고 있는 자료를 활용하였으며, 삼성역 인근의 토지이용 현황을 앞서 설정한 4개의 출입구 구역을 기준으로 조사하여 Table 4에 제시하였다.
조사된 토지이용 현황 자료는 직 승·하차 통행에 대한 보행 기종점 추정 시 활용된다. 또한, 수단간 환승 통행에 대한 보행 기종점 추정을 위해 버스 정류장과 삼성역 지상 공간 구역을 매칭하여 분석에 활용하였다. 삼성역 인근의 각 권역 별 공간정보에 따르면, 코엑스 몰이 포함되어 있는 3구역의 경우 직장인구 수가 57,595명으로 나타나 가장 높은 비율을 나타냈으며, 상가업소 수도 1,361개로 높은 비율을 나타냈다.
보행 기종점 추정에 앞서, 통합 스마트카드 자료를 이용하여 5가지의 통행 유형에 따라 승하차 보행량, 개찰구 이용 현황 등에 대한 특성 및 삼성역 통행에 대한 기초 통행패턴에 대하여 분석하였다(Table 3 참조). 분석 결과에 의하면, 삼성역을 출발지 및 도착지로 하는 통행이 전체 통행의 88.
보행 기종점 추정은 역사 내 통행 특성 파악이 매우 중요하며, 본 연구에서는 통행 유형에 따라 역사 내 보행 기종 점을 추정하는 절차를 분리하여 논리적 정밀도를 높였다. 도시철도 이용객의 통행 유형에 따라, 도시철도 역사를 최초 출발지 또는 최종 도착지로 하는 직 승·하차 통행, 타 노선 혹은 타 수단과의 환승을 통해 최종 목적지로 이동하기 위해 역사를 이용하는 환승 통행 유형으로 구분 할 수 있다.
삼성역은 다양한 업무시설과 상업시설이 밀집되어 있는 고밀도 업무지구 역사로, Figure 6과 같이 1개의 섬식 승강장과 8개의 출입구, 세 구역의 자동 출·개찰 시스템으로 구성되어 있다. 본 연구에서는 1개의 섬식 승강장을 방향별로 구분하여 2개의 승강장, 8개의 출입구에 대하여 각 방향별로 4개의 구역으로 구분하여 총 6개의 기종점에 대한 보행 기종점 matrix를 추정하였다.
2구역의 경우 업무지역, 주거지역 및 학교가 밀집해 있는 주택상업지역으로 분류되며 주거 인구수가 전체 권역 중 80% 이상의 높은 비율을 차지하고 있다. 본 연구에서는 시간대별 통행 목적 비율(주거, 업무, 여가)에 따른 통행 분포를 적용할 수 있는 모형을 제시하였으나, 본 연구의 시간적 분석 대상인 삼성역의 오전 첨두시간대에는 업무통행이 대부분을 차지하기 때문에 업무통행 비율을 100%로 적용하여 출입구에 대한 통행 분포를 적용하였다.
추가적으로, 도시철도 역사를 기준으로 통행 방향을 고려하면, 지상 시설에서 도시철도 역사 내부로 이동하는 유입통행(in-flow), 도시철도 역사 내부에서 도시철도 역사 외부로 통행하는 유출통행(out-flow)으로 구분할 수 있다. 본 연구에서는 통행 유형과 방향 특성을 고려하여, 분석대상 역사를 거쳐 간 이용객의 통행 유형을 5가지로 정의하였다(Figure 2와 Table 1 참조).
직 승·하차의 경우, 인근 토지 이용 공간정보 특성을 적용하여 Equation 1과 같이 출입구 배분 모형을 제시하였다. 분석 대상 역사를 이용하는 이용객들의 분석 목적에 따라 주거인, 직장인, 상업시설 이용자로 구분하고자 하였으며, 주거인, 직장인, 상업시설 이용자는 앞서 디파짓토리를 통해 구축한 출입구 인근의 주거인구수, 직장인구수, 상업시설 수의 비율을 적용하였다. 예를 들어, 오전 첨두 시간대 업무지구 인근의 역사에 대한 기종점을 추정하는 경우, 업무 목적을 100%로 적용하여 직장인구수 비율에 따라 출입구 기종점이 배분된다.
삼성역 인근의 토지이용 현황은 주거시설, 업무시설, 상업시설로 구분하여 도출하고자 하였으며, 주거시설은 삼성역 인근의 주거인구 수, 업무시설은 직장인구 수, 상업시설은 상업시설 수를 조사하여 공간정보 자료를 구축하였다. 또한, 삼성역 인근의 버스정류장 위치를 권역별로 매칭하여 버스 정류장 위치에 대한 공간정보를 생성하였다.
본 연구에서는 도출된 보행 기종점을 검증하기 위해 자동 출·개찰 시스템 자료와 영상 촬영 자료를 이용하여 출발 통행(출입구→승강장) 2,307통행과 도착통행(승강장→출입구) 25,764통행에 대한 기종점 추정 결과를 검증하였다. 삼성역은 섬식 승강장으로 구성되어 있어 승강장에 대한 검증은 분석에서 제외하고, 출입구에 대한 결과를 검증하였다. Figure 6과 같이 자동 출·개찰 시스템 인근에 비디오 영상장치를 장착하여 혼잡 시간대에 역사 외부에서 내부로 들어오는 유입통행(inflow)과 역사 내에서 외부로 통행하는 유출통행(outflow)에 대하여 출입구 방향 별 비율을 산정하였으며, 삼성역 오전 첨두시간대 개찰구 별 통행량과 개찰구 별 출입구 방향 비율을 Figure 8에 제시하였다.
앞서 설정한 통행 유형을 기준으로 구체적으로 설명하자면, 직승·하차와 환승승하차에 따른 차별화된 출입구 선택 패턴을 적용하여 출입구에 대한 기종점 보행량을 추정하였다.
앞서 언급한 바와 같이, 본 연구에서는 동적 DB인 교통카드 태그 자료와 정적 DB인 자동 출·개찰 시스템 자료를 융합하여 통합 스마트카드 자료로 정의하였다.
유출통행 비율 또한 비디오 영상자료를 통해 각 개찰구에서 출입구로 분포하는 비율을 도출하여 분석에 활용하였다.
Figure 6과 같이 자동 출·개찰 시스템 인근에 비디오 영상장치를 장착하여 혼잡 시간대에 역사 외부에서 내부로 들어오는 유입통행(inflow)과 역사 내에서 외부로 통행하는 유출통행(outflow)에 대하여 출입구 방향 별 비율을 산정하였으며, 삼성역 오전 첨두시간대 개찰구 별 통행량과 개찰구 별 출입구 방향 비율을 Figure 8에 제시하였다. 이 때, 유입통행은 유입한 출입구에서 가장 가까운 개찰구를 이용한다는 가정 하에 출입구 1구역과 4구역은 각각 개찰구 1그룹과 2그룹으로 100% 유입하는 것으로 설정하였으며, 출입구 2구역과 3구역에서 개찰구 3그룹으로 유입하는 비율은 비디오 영상자료 분석을 통해 도출하였다. 유출통행 비율 또한 비디오 영상자료를 통해 각 개찰구에서 출입구로 분포하는 비율을 도출하여 분석에 활용하였다.
이에 도시철도 역사를 출·도착지로 하는 이용객의 경우, 인근 토지 이용의 공간정보 특성에 따른 출입구이용 패턴을 보일 것이며, 타 수단(버스)과의 환승을 통해 다른 목적지로 이동하기 위해 역사를 이용하는 이용객의경우 버스정류장의 위치에 따른 출입구 이용 특성이 나타날 것이라는 연구 가설을 설정하여 분석방안을 수립하였다 (Figure 5 참조).
직 승·하차의 경우, 인근 토지 이용 공간정보 특성을 적용하여 Equation 1과 같이 출입구 배분 모형을 제시하였다.
교통카드 자료로부터 직접 추출된 관측 자료인 통행사슬 자료를 이용하여 철도를 이용한 통행의 최적 경로를 도출하여 도시철도 이용객이 어느 방면의 지하철을 이용하여 유입했는지, 유출했는지 분석하였다. 최적 경로는 두 철도역 간(From station-To station)의 여러 경로에 대해서 이동거리가 최소가 되는 경로를 선택하였으며, 이동 경로에서 분석대상 역과 연결되는 이전 역, 이후 역 정보를 추출하여 승강장 추정에 활용하였다.
대상 데이터
2016년 11월 1일 삼성역을 이용한 이용객들에 대한 교통카드 실적 자료와 삼성역 자동 출·개찰 시스템 자료를 통합한 통합 스마트카드 자료를 수집하였으며, 삼성역 인근의 공간정보 자료로 주거인구 수, 직장인구 수, 상가업소 수, 버스정류장 등의 자료를 수집하였다.
삼성역 분석을 위해서, 2016년 11월 1일 스마트카드 자료와 AFC 자료를 이용하여 통합 스마트카드 자료를 구축하였다. 2016년 11월 1일의 스마트카드 실적 기반 삼성역을 이용한 통행 수는 120,923건 이었으며, AFC 자료와의매칭을 통한 이상치 및 결측치 343건의 통행을 제외한 120,580건의 통행 자료를 이용하여 분석을 수행하였다. 수집된 통합 스마트카드 자료는 서울교통공사(전 서울메트로)에서 제공하고 있는 ‘역별 일별 시간대별 승하차 인원’ 자료에서 제시한 121,448건과 1% 미만의 오차율을 보여 수집 자료의 신뢰성을 확인하였다.
또한, 삼성역 인근의 버스정류장 위치를 권역별로 매칭하여 버스 정류장 위치에 대한 공간정보를 생성하였다. 공간정보 자료 구축을 위한 토지이용 현황 조사는 소상공인마당 상권분석시스템 1)에서 제공하고 있는 자료를 활용하였으며, 삼성역 인근의 토지이용 현황을 앞서 설정한 4개의 출입구 구역을 기준으로 조사하여 Table 4에 제시하였다. 조사된 토지이용 현황 자료는 직 승·하차 통행에 대한 보행 기종점 추정 시 활용된다.
삼성역은 2호선 하나의 노선만이 통과하는 단일역이지만, 코엑스, 무역센터 등에 의해 업무 통행 및 상업시설 이용 통행 등이 복합적으로 발생하기 때문에 높은 이용 수요를 보이는 역사이다. 또한, 2023년 준공을 목표로 사업이 진행되고 있는 강남권 광역복합센터와 지리적으로 맞닿아 있어 본 연구의 활용도가 높을 것으로 판단하여, 분석 대상으로 선정하였다. 삼성역은 다양한 업무시설과 상업시설이 밀집되어 있는 고밀도 업무지구 역사로, Figure 6과 같이 1개의 섬식 승강장과 8개의 출입구, 세 구역의 자동 출·개찰 시스템으로 구성되어 있다.
2016년 11월 1일 삼성역을 이용한 이용객들에 대한 교통카드 실적 자료와 삼성역 자동 출·개찰 시스템 자료를 통합한 통합 스마트카드 자료를 수집하였으며, 삼성역 인근의 공간정보 자료로 주거인구 수, 직장인구 수, 상가업소 수, 버스정류장 등의 자료를 수집하였다. 또한, 도시철도 역사 내의 보행자 통행 패턴 분석을 위해 영상 자료를 수집하였다. 도시철도 역사 내의 주요 기·종점을 출입구, 승강장으로 정의하였으며, 출입구와 승강장에 대한 통행 배분 체계를 적용하여 최종 보행 기종점을 도출하였다.
이에 본 연구는 도시철도 역사 등 교통시설이 입지한 지역의 공간 정보 및 이용 특성을 고려하여 스마트카드 자료와 관련한 자료를 융합하고 도시철도 역사 내 보행기종점 분석 방법을 체계화하여, 보다 표준화된 분석 기틀을 마련하고자 하였다. 또한, 분석 방법의 기초 입력 자료를 공간 정보, 지속적으로 구득이 가능한 스마트카드 자료 및 추후 디지털화되어 구득이 용이할 수 있는 기술 기반의 정보로 한정하였다. 특히, 공간 정보는 추후 도시재생 등 다양한 도시계획 및 개발사업과 연계하여, 보다 객관적인 수요 예측을 위한 핵심 연계 정보로 활용될 예정이다.
제안된 도시철도 역사 보행 기종점 분석 기법과 구현된 UI를 활용하여, 추정된 삼성역 보행 기종점 자료는 Table 5와 같이 도출하였다. 본 연구에서는 교통카드 자료를 통해 도출할 수 없는 도시철도 역사를 단순 통과하는 통과 보행자는 분석 대상에서 제외하였으며, 실제 지하철을 이용한 보행자를 대상으로 교통카드 실적 자료 기반으로 분석을 수행하였다. 보행 기종점 추정 결과에 따르면, 기점이 승강장, 종점이 출입구인, 타 역에서 삼성역으로 유입하는도착 통행이 25,764 통행으로, 오전 첨두시간대 전체 삼성역 이용자의 90% 이상을 차지하고 있으며, 종합운동장역 방향의 승강장으로 도착한 통행이 대부분의 비율을 차지하고 있다.
본 연구에서는 교통카드 자료와 자동 출·개찰 시스템 자료를 사용하였으며, 해당 자료를 통칭하여 통합 스마트카드로 정의하였다.
본 연구에서는 도시철도 역사 내 기종점을 지하철 승·하차를 수행하는 승강장과 역사로의 유출·유입의 기준이 되는 출입구로 설정하였다.
본 연구에서는 보행 기종점 분석체계를 자료 수집과 보행 기종점 추정의 2단계 모듈로 구성하였으며, 삼성역을 대상으로 사례분석을 수행하였다. 2016년 11월 1일 삼성역을 이용한 이용객들에 대한 교통카드 실적 자료와 삼성역 자동 출·개찰 시스템 자료를 통합한 통합 스마트카드 자료를 수집하였으며, 삼성역 인근의 공간정보 자료로 주거인구 수, 직장인구 수, 상가업소 수, 버스정류장 등의 자료를 수집하였다.
본 연구에서는 앞서 제시한 보행 기종점 분석체계 기법을 활용하여 삼성역을 대상으로 보행 기종점을 추정하였 다. 삼성역은 2호선 하나의 노선만이 통과하는 단일역이지만, 코엑스, 무역센터 등에 의해 업무 통행 및 상업시설 이용 통행 등이 복합적으로 발생하기 때문에 높은 이용 수요를 보이는 역사이다.
삼성역 분석을 위해서, 2016년 11월 1일 스마트카드 자료와 AFC 자료를 이용하여 통합 스마트카드 자료를 구축하였다. 2016년 11월 1일의 스마트카드 실적 기반 삼성역을 이용한 통행 수는 120,923건 이었으며, AFC 자료와의매칭을 통한 이상치 및 결측치 343건의 통행을 제외한 120,580건의 통행 자료를 이용하여 분석을 수행하였다.
다시 말하자면, “통합 스마트카드 자료”는 교통카드 자료로부터 수집되는 이용자의 수단, 통행사슬 등의 전체 통행에 대한 정보와 도시철도 역사 기반으로 수집되는 AFC 정보를 통해 도시철도 역사를 이용한 이용객들이 언제, 어느 방면에서 유입하고 어느 방면으로 유출하는지 추정하고 검증할 수있는 자료이다. 수도권 전체 교통카드 정보 중에서 분석대상 역사(삼성역)를 이용한 교통카드 태그정보와 AFC 자료에서 추출한 단말기 태그정보를 매칭하여, Figure 1과 같이 통합 스마트카드 자료를 구축하였다. 구축된 통합 스마트카드 자료는 카드 ID, 통행 ID, 이용자 유형 등의 이용자 정보, 통행 수, 이전 통행, 이후 통행 등을 포함하는 통행사슬 정보, 분석대상 역사에 도착한 시간, 개찰구 정보 등에 대한 통행 정보만을 추출하여 정리한 DB이다.
이론/모형
교통카드 자료 기반으로 도출한 출입구 기종점 보행량 분석 결과를 현장조사와 AFC자료 기반으로 도출한 보행량과 비교하여 Table 6에 제시하였다. 검증을 위한 평가 척도는 OD 추정 시 일반적으로 활용되는 기준인 GEH를 사용하였으며, Figure 3에 의해 도출된다. GEH 값이 0%에 가까울수록 두 비교 데이터가 일치성이 높다고 판단 할수 있으며, 일반적으로 GEH가 10% 이내인 경우를 수용 가능한 수준으로 판단한다(Chitturi et, al.
성능/효과
도출된 삼성역의 보행 OD matrix에 대하여 각 출입구에 대한 통행량을 자동 출·개찰 시스템 자료와 영상 자료를 기반으로 하여 검증하고자 하였으며, 분석 결과 GEH 값이 모든 출입구에 대해 10% 미만으로 나타나 본 연구에서 제시한 공간정보 기반의 출입구 배정 방법론이 실제 보행자들의 통행과 유사한 패턴을 보이는 것을 확인하였다.
본 연구에서는 교통카드 자료를 통해 도출할 수 없는 도시철도 역사를 단순 통과하는 통과 보행자는 분석 대상에서 제외하였으며, 실제 지하철을 이용한 보행자를 대상으로 교통카드 실적 자료 기반으로 분석을 수행하였다. 보행 기종점 추정 결과에 따르면, 기점이 승강장, 종점이 출입구인, 타 역에서 삼성역으로 유입하는도착 통행이 25,764 통행으로, 오전 첨두시간대 전체 삼성역 이용자의 90% 이상을 차지하고 있으며, 종합운동장역 방향의 승강장으로 도착한 통행이 대부분의 비율을 차지하고 있다. 승강장으로 도착한 이용객들의 통행 패턴은 출입구 3구역으로의 유출하는 통행이 가장 높은 것으로 나타났으며, 이는 코엑스 몰, 무역센터 등이 연결되어 있는 5,6 번 출구로의 출근 통행으로 인한 결과로 판단된다.
분석 결과, 유출·입 통행에 대하여 모든 출입구에서의 GEH 값이 10% 이하로 나타나, 본 연구에서 제시한 공간정보 기반의 출입구 배정 방법론이 실제 보행자들의 통행과 유사한 패턴을 보이는 것을 확인하였다.
분석 결과에 의하면, 삼성역을 출발지 및 도착지로 하는 통행이 전체 통행의 88.2%를 차지하는 것으로 나타나 대부분의 통행이 직승·하차 통행인 것으로 나타났다.
수집된 통합 스마트카드 자료는 서울교통공사(전 서울메트로)에서 제공하고 있는 ‘역별 일별 시간대별 승하차 인원’ 자료에서 제시한 121,448건과 1% 미만의 오차율을 보여 수집 자료의 신뢰성을 확인하였다.
삼성역의 경우, 오전 첨두시간은 8-10시 사이에 나타나는데, 업무 및 상업시설로 인한 출퇴근 통행을 반영하고 있으며, 상업시설 개점시간이 대부분 10시이기 때문에 다른 도시철도 역사 보다 오전 첨두시간대가 한 시간 가량 늦게 나타나는 양상을 띤다. 해당 일의 오전 첨두 시간대의 통행량은 28,069건으로, 전체 일일 통행량의 약 23.3%를 차지하는 높은 비율을 보인다.
후속연구
본 연구에서 제시한 도시철도 역사 내 보행 기종점 분석체계는 향후 도시철도 역사 시설 개선, 서비스 기술 개발 등을 위한 설계 및 효과분석 시 기초 자료로 활용이 가능 할 것이다. 또한, 도시철도 역사에서 복합 환승역사까지 다양한 범위의 철도 역사에 대한 분석을 가능하도록 지원함으로써 보다 효율적이고 편리한 역사 설계, 서비스 제공에 기여 할 것으로 기대된다. 이러한 자료의 디지털화, DB화, 그리고 교통 알고리즘과 연계한 시스템구축에 대한 연구는 보행자의 속성을 도출하기 위한 기술, 역사 내 모니터링 기술 등의 다양한 신기술이 개발되고 접목되어 도시철도역사 계획, 설계 뿐만 아니라 통합 운영 및 유지·관리 차원의 활용이 가능할 것으로 기대된다.
이는 사당역(4호선), 교대역(3호선), 강남역(신분당선), 선릉역(분당선)과 연계되어 있는 방향적 특성이 반영된 것으로, 교통카드를 활용한 통행 패턴 분석을 통해 분석대상 역사와 관련된 타 노선과의 관계를 살펴볼 수 있는 자료로 활용 될 수 있을 것으로 보인다. 또한, 이러한 추세는 추후 종합운동장역과 연계되는 9호선 확장 및 서울시 동남권에서 추진하고 있는 영동대로-종합운동장역 주변 국제교류지구 개발 사업이 완료되면 새로운 통행 패턴을 보이게 되어 본 연구에서 개발한 보행 기종점 추정 방법의 활용성이 증가 할 것으로 예상된다.
셋째, 보행 기종점 분석 체계를 승강장-출입구에서 승강장-개찰구-출입구로 확장하여 추후 보행동선 예측, 도시철도 역사 내 경로 선택 등에 활용 할 수 있는 세부적인 자료 구축을위한 연구가 필요하다. 마지막으로 사례분석 관련하여, 현재 오전 첨두시간대를 대상으로 분석을 수행함으로써 업무통행만을 대상으로 분석을 수행하였으나, 역사에 대한 다양한 분석을 지원하기 위해서는 통행 목적에 대한 추가적인 자료 조사를 통해 비첨두 시간, 오후 첨두 시간 등의 다양한 시간대에 대한 동적 OD matrix를 도출 할 필요가 있다. 셋째, KTDB 등 기존 OD와 연계한 분석을 바탕으로 연구 결과의 정합성 추구하여, 이용자들이 보다 쉽게 이용할 수 있는 실용 학문적 근거 제시 등이 필요할 것으로 판단된다.
본 연구에서 제시한 도시철도 역사 내 보행 기종점 분석체계는 향후 도시철도 역사 시설 개선, 서비스 기술 개발 등을 위한 설계 및 효과분석 시 기초 자료로 활용이 가능 할 것이다. 또한, 도시철도 역사에서 복합 환승역사까지 다양한 범위의 철도 역사에 대한 분석을 가능하도록 지원함으로써 보다 효율적이고 편리한 역사 설계, 서비스 제공에 기여 할 것으로 기대된다.
마지막으로 사례분석 관련하여, 현재 오전 첨두시간대를 대상으로 분석을 수행함으로써 업무통행만을 대상으로 분석을 수행하였으나, 역사에 대한 다양한 분석을 지원하기 위해서는 통행 목적에 대한 추가적인 자료 조사를 통해 비첨두 시간, 오후 첨두 시간 등의 다양한 시간대에 대한 동적 OD matrix를 도출 할 필요가 있다. 셋째, KTDB 등 기존 OD와 연계한 분석을 바탕으로 연구 결과의 정합성 추구하여, 이용자들이 보다 쉽게 이용할 수 있는 실용 학문적 근거 제시 등이 필요할 것으로 판단된다.
또한, 도시철도역사의 특성을 반영한 개별 모형의 신뢰성 향상을 위해, 건물별 연상면적, 층별 시설이용 특성, 시간대별 활동인구 등 상세한 속성을 포함한 동적 공간 정보 DB를 통해 모형 확장하고자 하며, 이용자 설문조사를 통한 통행발생 지점을 열차 출입문 위치로, 핀 포인트 수준으로 상세화하여, 수요추정 뿐만 아니라 수요예측 정밀도를 향상하고자 한다. 셋째, 보행 기종점 분석 체계를 승강장-출입구에서 승강장-개찰구-출입구로 확장하여 추후 보행동선 예측, 도시철도 역사 내 경로 선택 등에 활용 할 수 있는 세부적인 자료 구축을위한 연구가 필요하다. 마지막으로 사례분석 관련하여, 현재 오전 첨두시간대를 대상으로 분석을 수행함으로써 업무통행만을 대상으로 분석을 수행하였으나, 역사에 대한 다양한 분석을 지원하기 위해서는 통행 목적에 대한 추가적인 자료 조사를 통해 비첨두 시간, 오후 첨두 시간 등의 다양한 시간대에 대한 동적 OD matrix를 도출 할 필요가 있다.
Table 5의 결과에서 주목할 사항은 오전 첨두시 삼성역으로 유입하는 통행 비율이 높으며, 종합운동장 방면의 승강장에서 하차하는 승객 비율이 높게 나타난다는 점이다. 이는 사당역(4호선), 교대역(3호선), 강남역(신분당선), 선릉역(분당선)과 연계되어 있는 방향적 특성이 반영된 것으로, 교통카드를 활용한 통행 패턴 분석을 통해 분석대상 역사와 관련된 타 노선과의 관계를 살펴볼 수 있는 자료로 활용 될 수 있을 것으로 보인다. 또한, 이러한 추세는 추후 종합운동장역과 연계되는 9호선 확장 및 서울시 동남권에서 추진하고 있는 영동대로-종합운동장역 주변 국제교류지구 개발 사업이 완료되면 새로운 통행 패턴을 보이게 되어 본 연구에서 개발한 보행 기종점 추정 방법의 활용성이 증가 할 것으로 예상된다.
이러한 자료의 디지털화, DB화, 그리고 교통 알고리즘과 연계한 시스템구축에 대한 연구는 보행자의 속성을 도출하기 위한 기술, 역사 내 모니터링 기술 등의 다양한 신기술이 개발되고 접목되어 도시철도역사 계획, 설계 뿐만 아니라 통합 운영 및 유지·관리 차원의 활용이 가능할 것으로 기대된다.
본 연구에서 나타난 한계점을 보완하고 보다 신뢰성 있는 결과를 도출하기 위해서는 다음과 같은 추가적인 연구가 필요하다. 첫째, 본 연구에서는 현재 삼성역과 같은 단일 노선을 대상으로 하는 도시철도 역사에 대한 분석 체계를 제시하였으나, 2개 이상의 노선이 교차하는 환승역에 대한 보행 기종점 분석 체계를 추가적으로 개발하여 적용 범위를 확장 할 필요가 있다. 둘째, 본 연구는 도시철도 역사 보행 기종점 수요분석을 위한 표준화된 방법론 혹은 분석 체계 구축에 중점을 두고 있기 때문에, 모형 신뢰성은 주요 스크린 라인에서 오차율 10% 이내로 검증 하였다.
둘째, 본 연구는 도시철도 역사 보행 기종점 수요분석을 위한 표준화된 방법론 혹은 분석 체계 구축에 중점을 두고 있기 때문에, 모형 신뢰성은 주요 스크린 라인에서 오차율 10% 이내로 검증 하였다. 추후, 검증 지점 추가 혹은 경로기반 통행을 비교 분석하는 방식 등 검증절차에 대해 상세화가 필요하며, 검증에 대한신뢰성 확보가 필요할 것이다. 또한, 도시철도역사의 특성을 반영한 개별 모형의 신뢰성 향상을 위해, 건물별 연상면적, 층별 시설이용 특성, 시간대별 활동인구 등 상세한 속성을 포함한 동적 공간 정보 DB를 통해 모형 확장하고자 하며, 이용자 설문조사를 통한 통행발생 지점을 열차 출입문 위치로, 핀 포인트 수준으로 상세화하여, 수요추정 뿐만 아니라 수요예측 정밀도를 향상하고자 한다.
또한, 분석 방법의 기초 입력 자료를 공간 정보, 지속적으로 구득이 가능한 스마트카드 자료 및 추후 디지털화되어 구득이 용이할 수 있는 기술 기반의 정보로 한정하였다. 특히, 공간 정보는 추후 도시재생 등 다양한 도시계획 및 개발사업과 연계하여, 보다 객관적인 수요 예측을 위한 핵심 연계 정보로 활용될 예정이다.
질의응답
핵심어
질문
논문에서 추출한 답변
TOD란 무엇인가?
TOD (Transit-Oriented Development)는 대중교통 중심의 복합기능을 가진 집약적인 도시구조이며, 미래지향형 지속가능한 도시를 유지하기 위해 제시되는 개념이다. 최근 도시철도 역사를 중심으로 복합 환승센터 개발이 활발히 추진되고 있으며, 사업의 규모와 복잡성으로 인해 보다 과학적이고 객관적인 분석을 통한 계획과 유지관리 등이 요구되고 있다.
역사를 거쳐 간 이용객의 통행 유형은 어떤 것이 있는가?
보행 기종점 추정은 역사 내 통행 특성 파악이 매우 중요하며, 본 연구에서는 통행 유형에 따라 역사 내 보행 기종 점을 추정하는 절차를 분리하여 논리적 정밀도를 높였다. 도시철도 이용객의 통행 유형에 따라, 도시철도 역사를 최초 출발지 또는 최종 도착지로 하는 직 승·하차 통행, 타 노선 혹은 타 수단과의 환승을 통해 최종 목적지로 이동하기 위해 역사를 이용하는 환승 통행 유형으로 구분 할 수 있다. 추가적으로, 도시철도 역사를 기준으로 통행 방향을 고려하면, 지상 시설에서 도시철도 역사 내부로 이동하는 유입통행(in-flow), 도시철도 역사 내부에서 도시철도 역사 외부로 통행하는 유출통행(out-flow)으로 구분할 수 있다. 본 연구에서는 통행 유형과 방향 특성을 고려하여, 분석대상 역사를 거쳐 간 이용객의 통행 유형을 5가지로 정의하였다(Figure 2와 Table 1 참조).
교통카드 자료 이용시 장점은?
교통카드 자료는 암호화된 가상 카드번호, 승차정보, 하차정보, 노선정보, 사업자정보, 차량정보, 요금정보, 환승정보 등의 27가지 항목의 다양한 정보를 포함하고 있다. 즉, 교통카드 자료는 이용자 정보 뿐만 아니라 수단과 관련된 정보, 운영자와 관련된 정보 등의 다양한 분야의 정보를 수집할 수 있는 장점이 있다. 또한, 환승에 대한 정보를 포함하는 등 이용자가 통행한 전체 통행에 대한 통행사슬 정보를 도출할 수 있어 다양한 분야에서의 활용도가 높다.
참고문헌 (17)
Bagchi M., White P.R. (2005), The Potential of Public Transport Smart Card Data, Transportation Policy 12, 464-474.
Chitturi M. V., Shaw J. W., Campbell IV J. R., Noyce D. A. (2014), Validation of Origin-Destination Data From Bluetooth Reidentification and Aerial Observation, Transportation Research Record: Journal of the Transportation Research Board, 2430, 116-123.
Jung R., Chung J., You S. (2016), Analysis of Route Choice Behavior in Subway Station: Focusing on Walking Distance, http://dx/doi.org/10.15793/kspr2016.88.005.
Korea Railroad Research Institute (2015-2017), Technical Development of Public Transportation Planning & Operation Efficiency.
Lee M.Y., Kim J.H. (2016), Analysis of Transit Passenger Movements Within Seoul-Gyeonggi-Incheon Area Using Transportation Card, Journal of the Korea Institute of Intelligent Transport Systems 15(5), 12-19.
Munizaga M., Palma C., Mora P. (2010), Public Transport OD Matrix Estimation From Smart Card Payment System Data, The 9th International IEEE Conference on Transport Research, Lisbon, 2988.
Park J., Kim S., Jo J., Heo M. (2008), The Study on Error, Missing Data and Imputation of the Smart Card Data for the Transit OD Construction, J. Korean Soc. Transp., 26(2), Korean Society of Transportation, 109-119.
Pelletier M.P., Trepanier M., Morency C. (2011), Smart Card Data Use in Public Transit: A Literature Review, Transportation Research Part C 19 (2011), 557-568.
Seaborn C., Wilson N.H., Attanucci J. (2009), Using Smart Card Fare Payment Data to Analyze Multi-Modal Public Transport Journeys (London, UK), 88th Annual Meeting of the Transportation Research Board, Washington D.C.
Seoul Metropolitan Government (2017), Report news, February 6, 2017.
Shin K. (2016), Inferring the Transit Trip Destination Zone of Smart Card User Using Trip Chain Structure, J. Korean Soc. Transp., 34(5), Korean Society of Transportation, 437-448.
Statistics Korea (2010-2015), available: http://www.index.go.kr/potal/main/EachDtlPageDetail.do?idx_cd1259.
Trepanier M., Chapleau R., Tranchant N. (2007), Individual Trip Destination Estimation in Transit Smart Card Automated Fare Collection System, Journal of Intelligent Transportation Systems: Technology, Planning, and Operations 11(1), 1-15.
Utsunomiya M., Attanucci J., Wilson N. (2006), Potential Uses of Transit Smart Card Registration and Transaction Data to Improve Transit Planning, Transportation Research Record: Journal of the Transportation Research Board, 1971, 119-126.
You S., Jung R., Chung J. (2016), An Analysis on Evacuation Scenario at Metro-stations Using Pedestrian Movementbased Simulation Model, Journal of the Korea Institute of Intelligent Transport Systems 15(2), 36-49.
You S., Kim K., Jeong E., Lee J. (2017), An Empirical Study for Analyzing an Integrated Mobility at Intermodal Transit Center, Journal of the Korea Institute of Intelligent Transport Systems, 16(5).
※ AI-Helper는 부적절한 답변을 할 수 있습니다.