[논문]도시 빅데이터를 활용한 스마트시티의 교통 예측 모델 - 환경 데이터와의 상관관계 기계 학습을 통한 예측 모델의 구축 및 검증 -

장선영; 신동윤

doi:10.13161/kibim.2018.8.3.012

문제 정의

빅데이터를 처리하여 예측하는데 의미가 있다. 따라서 이러한 분석 방법을 기반으로 버스 배차 지연에 관련된 여러 가지 도시데이터를 활용하여 도시데이터와 머신러닝이 문제의 해결에 효율적으로 활용될 수 있음을 나타내고자 한다.
본 연구는 모든 상황을 고려하여 배차 간격을 새로이 제시해주고 문제를 해결해 주는 것을 목적으로 하지 않는다. 버스 배차 간격을 설정하고 조정하는 수학적 알고리즘은 매우 복잡하며 상호간에 영향을 미치는 요소가 상당히 많다.
본 연구는 버스의 지연 예측이라는 구체적인 문제에 대하여 이에 관련된 여러 가지 도시데이터를 활용하여 도시데이터와 머신러닝이 문제해결에 효율적으로 활용될 수 있음을 나타내고자 하였다. 연구에서 다루어진 대중교통은 도시에서 매우 동적인 요소로 겉으로만 파악하기에는 그 연관성이 상당히 복잡한 영역이다.
연구의 목적은 도시의 상황적 변화에 대응하는 유연한 체계를 가진 스마트 시티의 교통 네트워크를 구축하기 위한 방법으로서도시 빅데이터와 머신러닝의 활용에 대한 시사점을 나타내는 것이다. 구체적으로, 도시의 대중교통 시스템 중 버스를 대상으로 하여 기존의 배차 모델이 도시의 실시간적 상황에 대응하지 못하는 고정형이라는 문제에 주목한다.
Test 6은 Test 5의 조건에서 테스트 데이터의 직전 1시간을 더하여 트레이닝 하였다. 이 테스트는 과거 데이터만으로 트레이닝하여 현재의 상황을 예측한 것과 과거 데이터와 테스트 날의 직전 시간대가 포함된 트레이닝 데이터를 학습시켰을 때의 차이를 관찰하기 위함이다. 직전 시간대를 포함하여 실험하는 이유는 이 데이터의 특성이 시간적, 공간적 연속성을 가지고 있으며, 이 특성이 결과에 주요한 영향을 줄 수 있으리라 예상하기 때문이다.
최종적으로, 연구결과를 바탕으로 도시 빅데이터와 머신러닝의 활용을 통해 도시 상황에 유연하게 대처하는 교통 시스템과 그것이 도시 효율의 증대 및 시민의 편의성 증진에 기여하는 가능성에 대해 논의한다.

가설 설정

, 2006). 강수량은 도로 정체에 영향을 주며, 이는 버스가 배차 간격을 유지는 데 문제가 생길 수 있다는 가정 하에 시행되었다. Test 1은 비가 오지 않은 날의 데이터로 비가 온 날의 예측이 가능한지에 대한 것이다.

제안 방법

Test 1과 Test 2는 큰 차이는 아니지만 트레이닝 데이터의 비율이 높은 사례가 예측 결과의 성공(correct) 비율이 높았다. Test 3은 1:1의 비율로 강수량이 없는 날과 비교하였다. 그러나 데이터의 수량이 많더라도 트레이닝 데이터의 비율과 테스트 데이터의 비율이 적절하지 않아 예측 결과의 성공 비율은 다른 사례에 비해 현저하게 낮았다.
데이터의 보정과 관련하여 특히, 날씨 데이터는 정류소의 위치마다 다를 수 있다. 그러나 기상자료 개방포털을 통해서는 정류소 기준의 날씨 데이터를 획득하는데 한계가 있어 본 연구에서는 개방된 날씨실황 분석자료를 사용하되 대상 구간의 해당 행정동들(고잔1동, 고잔2동, 호수동)을 기준으로 데이터를 각 구간에 일괄적으로 적용하였다
앞서 언급한 연구들 역시 데이터 기반의 통계이므로 예전부터 이미 빅데이터와 맥락을 같이 하고 있었다고 볼 수 있다. 그러나 빅데이터 활용 사례들은 초단위와 분단위로 생성되는 많은 양의 정보에서 사람이 미처 고려하지 못한 복잡한 관계까지도 분석하여 예측한다.
그리고 공간적으로 연속된 정류장을 대상으로 한다. 따라서 데이터 셋의 사례 수를 정확하게 동일한 양으로 맞추기에는 한계가 있어 시간대를 중심으로 하여 데이터의 트레이닝과 테스트 비율에 중점을 두었다.
마지막으로, 상관관계 매트릭스를 통하여 영향 요소들을 분석한다. 이 과정은 레이블에 영향을 주는 요소를 판단하고 독립변수들 간의 상관관계를 나타낸다.
연구의 핵심은 과거에 누적된 데이터뿐만 아니라 실시간으로 수집되는 데이터를 통해 그 다음 순간의 상황을 예측하고, 사람들이 이에 대응할 수 있도록 지원하는데 있다. 본 연구는 약한 인공지능의 가능성과 방법론에 초점이 맞추어져 있으므로 프로토타이핑의 수준으로 이루어졌다. 그러나 데이터 수집에 양과 유형의 제약이 없는 공공기관에서 본 연구와 같은 방법론을 활용한다면 향후 도래하게 될 지능형 교통 체계의 구현에 유용하게 활용될 수 있을 것이다.
버스 지연에 관한 예측 모델의 구축은 머신러닝 프로토타이핑툴(RapidMiner Studio)을 활용하였다. 이 모델은 버스의 누적된 운행 정보와 당시의 날씨, 속도 정보 등을 패턴화하여 이를 바탕으로 현재의 도로상황에서 버스가 지연될 것인지를 예측한다. 62번 버스는 공식적으로 평일 배차 간격을 5~10분으로 명시하고 있다.
, 2009, Kim, 2012). 이 연구들은 도시의 생활, 교통 현황과 과거 운행기록에 대한 다양한 통계자료를 바탕으로 탄력배차 시행에 관한 모형을 구축하였다. 이 방법 또한 일종의 누적된 데이터들을 활용하여 상황에 맞게 모델을 제시한 것이지만 도시 데이터의 실시간적인 분석과 적용에 있어서는 한계가 있다.
특히 민간 부문은 정부 부문에 비해 다양한 데이터 수집방법(스마트폰의 GPS 정보, 블루투스, 카메라, 모바일 기기의 신호 등을 통한 추출)을 통해 대규모 교통 데이터를 실시간으로 수집하고, 데이터의 품질 또한 향상되고 있어 역할이 커지고 있다. 이탈리아 밀라노의 지능형 교통 정보 시스템은 밀라노 시내의 교통량, 기후변화, 속도 등에 관한 데이터를 5~15분 간격으로 관찰하고 분석했다. 이 축적된 데이터들로 향후 2~24시간의 교통 상황을 예측한다.

대상 데이터

이는 0(Yes/Delay)과 1(No)에 대한 각각의 신뢰도(confidence)와 함께 표현되며, 이 신뢰도에 근거하여 레이블이 최종적으로 판단된다. Test 5의 잘못된 예측은 510개의 사례 중에서 44개였으며, Test 6은 19개였다.
누적된 데이터는 분 단위이고, 시간의 흐름에 따라 연속된 정보이다. 그리고 공간적으로 연속된 정류장을 대상으로 한다. 따라서 데이터 셋의 사례 수를 정확하게 동일한 양으로 맞추기에는 한계가 있어 시간대를 중심으로 하여 데이터의 트레이닝과 테스트 비율에 중점을 두었다.
제시하는 프로토타이핑 모델은 실제 운행하는 버스의 실시간 데이터를 기반으로 만들어진다. 데이터는 정부에서 제공하는 공공 데이터 포털(Open Data Portal, Gyeonggi Bus Information System (GBIS), National Weather Center)의 오픈 데이터와 분석 자료, 실시간 API (Application Program Interface) 데이터를 통해 수집한다. 이 데이터들은 날씨, 도로 속도, 정류소 상황, 실시간 버스 운행정보와 같은 도시의 교통 환경 요소들로서 버스 운행의 인터벌 패턴을 구성하기 위한 기초적인 자료가 된다.
데이터의 수집 기간은 2017년 9월 14일부터 9월 27일로, 평일을 대상으로 하였다. 시간대는 배차에 가장 문제가 생기는 출근 시간대(7~9시)와 퇴근 시간대(18~20시)를 중심으로 하였다.
도로 속도 데이터(T-speed)는 경기버스정보 시스템에서 정류소를 중심으로 나누어진 구간별 속도를 실시간으로 수집하였다. 버스 데이터는 공공데이터 포털에서 제공하는 노선에 관한 정보와 경기버스정보 시스템에서 제공하는 API를 통해 각 정류소별 2분 간격의 데이터를 수집하였다.
도로 속도 데이터(T-speed)는 경기버스정보 시스템에서 정류소를 중심으로 나누어진 구간별 속도를 실시간으로 수집하였다. 버스 데이터는 공공데이터 포털에서 제공하는 노선에 관한 정보와 경기버스정보 시스템에서 제공하는 API를 통해 각 정류소별 2분 간격의 데이터를 수집하였다. 이 데이터에는 정류소 아이디(ID), 노선 아이디, 첫 번째 차량과 두 번째 차량의 위치정보,도착예상시간, 저상버스 여부, 차량번호 등이 포함되어 있다.
버스 지연에 영향을 미치는 조건 요소들의 가중치를 알기 위해서‘Calculate Weights’오퍼레이터를 활용하였다.
본 연구에서 활용한 도시 데이터는 실시간 날씨와 도로 속도, 버스 위치, 정류소 정보이다. 해당 데이터는 공공데이터 포털과 경기버스정보 시스템, 기상청의 기상자료개방포털을 통해 수집하였다
따라서 집중적으로 데이터를 수집할 시간대를 설정하였다. 수집 대상은 경기도 안산시의 시내 주요 구간을 경유하는 62번 시내버스이다. 62번 버스는 상행 73개, 하행 77개의 정류소에 정차한다.
버스 데이터는 공공데이터 포털에서 제공하는 노선에 관한 정보와 경기버스정보 시스템에서 제공하는 API를 통해 각 정류소별 2분 간격의 데이터를 수집하였다. 이 데이터에는 정류소 아이디(ID), 노선 아이디, 첫 번째 차량과 두 번째 차량의 위치정보,도착예상시간, 저상버스 여부, 차량번호 등이 포함되어 있다. 이들 중 변수로 사용된 항목은 정류소 아이디(B-stop), 첫 번째 차량의 도착예상시간(B-predictT1), 두 번째 차량의 도착예상시간(B-predictT2), 첫 번째 도착예정 버스와 두 번째 도착예정 버스의 간격(B-interval), 버스의 지연여부(IntervalType2)이다.
이 중에서 문제가 되는 구간인 하행 17개 정류소(총 5km 구간)에 대한 정보를 수집하였다. 해당 노선은 학교 12곳(초등학교: 4, 중학교: 4, 고등학교: 3, 대학: 1)과 대형 교회, 시청, 경찰서, 시외버스터미널, 지하철역 등 도심의 주요 밀집지역을 경유하는 도시의 중심노선이다.
트레이닝 데이터 셋(training data set)은 프로그램 내의‘Read Excel’오퍼레이터를 통해 로드된다. 트레이닝 데이터 셋과 테스트 데이터 셋(test data set)은 Table 1에서 설명한 10개 유형의메타 데이터를 포함한다.
본 연구에서 활용한 도시 데이터는 실시간 날씨와 도로 속도, 버스 위치, 정류소 정보이다. 해당 데이터는 공공데이터 포털과 경기버스정보 시스템, 기상청의 기상자료개방포털을 통해 수집하였다

데이터처리

예측값은 0(Yes) 또는 1(No)로 표현되며, 레이블(label)의 판단에 대한 신뢰도가 도출된다. 예측된 결과는 실제 버스의 지연여부와 비교되어 예측의 정확도를 판단한다.

이론/모형

버스 지연에 관한 예측 모델의 구축은 머신러닝 프로토타이핑툴(RapidMiner Studio)을 활용하였다. 이 모델은 버스의 누적된 운행 정보와 당시의 날씨, 속도 정보 등을 패턴화하여 이를 바탕으로 현재의 도로상황에서 버스가 지연될 것인지를 예측한다.
제시된 모델은 네이브 베이즈(Naïve Bayes)의 방식을 활용해 트레이닝 하였다.

성능/효과

Test 1과 Test 2는 큰 차이는 아니지만 트레이닝 데이터의 비율이 높은 사례가 예측 결과의 성공(correct) 비율이 높았다. Test 3은 1:1의 비율로 강수량이 없는 날과 비교하였다.
Test 3은 1:1의 비율로 강수량이 없는 날과 비교하였다. 그러나 데이터의 수량이 많더라도 트레이닝 데이터의 비율과 테스트 데이터의 비율이 적절하지 않아 예측 결과의 성공 비율은 다른 사례에 비해 현저하게 낮았다. 이는 반대로 조건이 완전히 같지 않더라도 누적된 사례의 수가 충분하다면 예측 성공의 결과치는 높아질 수 있음을 의미한다.
먼저, 강수량이 없더라도 트레이닝을 위한 누적된 데이터의 양이 많아질수록 예측 정확도는 높게 나타남을 발견할 수 있었다. 또한 테스트 데이터에 강수가 있는 날의 데이터를 포함하면 더 높은 예측 정확도의 결과를 도출할 수 있었다.
강수량을 중심으로 한 테스트에서는 다음과 같은 결과를 얻었다. 먼저, 강수량이 없더라도 트레이닝을 위한 누적된 데이터의 양이 많아질수록 예측 정확도는 높게 나타남을 발견할 수 있었다. 또한 테스트 데이터에 강수가 있는 날의 데이터를 포함하면 더 높은 예측 정확도의 결과를 도출할 수 있었다.
이 테스트는 트레이닝 데이터와 테스트 데이터의 비가 온 시간대가 다르다. 본 실험에서는 시간이 속성(attribute)으로 작용하였기 때문에 강수량이라는 요소가 두 데이터 셋 모두 포함하고 있더라도 Test 1과의 예측 성공 확률과 비교하였을 때 극명한 차이를 나타내진 않았다. Test 4는 강수량의 시간대가 달라 그 영향은 미미한 수준으로 나타났지만 강수량이 있는 날의 데이터가 더 누적된다면 비 오는 날에 대한 예측 성공의 정확도는 더 높아지리라 예상된다.
이는 20~22일에 누적된 데이터 셋 전체(2397개)에서 테스트에 맞는 사례가 없어 분류가 제대로 되지 않은 것이다. 트레이닝 데이터 셋의 규모를 18~22일(6500개)로 확장하였을 때 510개의 테스트 사례 중에서 잘못된 예측은 4개로 도출되었다. Figure 4는 데이터의 양이 많이 누적될수록 옳은 예측을 할 수 있음을 보여준다.

후속연구

본 실험에서는 시간이 속성(attribute)으로 작용하였기 때문에 강수량이라는 요소가 두 데이터 셋 모두 포함하고 있더라도 Test 1과의 예측 성공 확률과 비교하였을 때 극명한 차이를 나타내진 않았다. Test 4는 강수량의 시간대가 달라 그 영향은 미미한 수준으로 나타났지만 강수량이 있는 날의 데이터가 더 누적된다면 비 오는 날에 대한 예측 성공의 정확도는 더 높아지리라 예상된다.
그러나 데이터 수집에 양과 유형의 제약이 없는 공공기관에서 본 연구와 같은 방법론을 활용한다면 향후 도래하게 될 지능형 교통 체계의 구현에 유용하게 활용될 수 있을 것이다. 구체적으로 도출된 연구결과는 자율주행 자동차, 버스가 보편화 될 앞으로의 시대에 도시의 상황을 고려한 실시간 버스 배차 간격을 설정하는데 있어 기초 연구로서 활용될 수 있을 것이다.
본 연구는 약한 인공지능의 가능성과 방법론에 초점이 맞추어져 있으므로 프로토타이핑의 수준으로 이루어졌다. 그러나 데이터 수집에 양과 유형의 제약이 없는 공공기관에서 본 연구와 같은 방법론을 활용한다면 향후 도래하게 될 지능형 교통 체계의 구현에 유용하게 활용될 수 있을 것이다. 구체적으로 도출된 연구결과는 자율주행 자동차, 버스가 보편화 될 앞으로의 시대에 도시의 상황을 고려한 실시간 버스 배차 간격을 설정하는데 있어 기초 연구로서 활용될 수 있을 것이다.
버스 배차 간격을 설정하고 조정하는 수학적 알고리즘은 매우 복잡하며 상호간에 영향을 미치는 요소가 상당히 많다. 다만, 본 연구는 도시 빅데이터의 실시간 분석과 반영을 통해서 버스가 배차간격을 지키는데 그 정확도를 높여 문제를 완화시키는 데 기여한다. 빅데이터를 처리하여 예측하는데 의미가 있다.
이미 미국과 스위스 등 유럽 국가들은 공공도로에서 자율주행 버스를 시범 운영하였으며 한국도 추진하고 있다. 따라서 본 연구의성과는 이러한 지능형 교통 체계의 도입에 힘입어 도시 데이터를 적극적으로 활용하여 스마트 시티의 편의성 향상을 구현하는 기초적인 방법론으로써 유용하게 참고 될 수 있을 것이다.
향후 도시는 전체적으로 교통의 효율을 추구하는 지능형교통체계를 필연적으로 받아들이게 될 것이다. 지능형교통체계(Intelligent Transport System, ITS)란, 교통수단과 교통시설에 전자ㆍ제어 및 통신 등 첨단교통기술과 교통정보를 개발ㆍ활용함으로써 교통체계의 운영 및 관리를 과학화ㆍ자동화하고, 교통의 효율성과 안전성을 향상시키는 교통체계이다(Dobre & Xhafa,2014, Intelligent Transport Society of Korea).

핵심어	질문	논문에서 추출한 답변
	버스정보 시스템으로 부터 실시간으로 전달 받을 수 있는 정보는?	현재의 대중교통 시스템은 각종 ICT (Information and Communications Technology)의 적용으로 활용의 편의성이 높아졌다. 시민들은 버스정보 시스템(Bus Information System, BIS)으로부터 버스의 위치와 대기 시간, 남아있는 좌석의 수와 같은 정보를 실시간으로 전달받을 수 있다. 이와 같은 버스정보 시스템은 정류장에 부착된 고정된 시간표와 노선 정보 외에 버스의 실시간 위치 정보를 전혀 알 수 없었던 몇 년 전의 과거에 비하면 비교적 스마트해졌다고 할 수 있다.
	지능형교통체계란 무엇인가?	향후 도시는 전체적으로 교통의 효율을 추구하는 지능형교통체계를 필연적으로 받아들이게 될 것이다. 지능형교통체계(Intelligent Transport System, ITS)란, 교통수단과 교통시설에 전자ㆍ제어 및 통신 등 첨단교통기술과 교통정보를 개발ㆍ활용함으로써 교통체계의 운영 및 관리를 과학화ㆍ자동화하고, 교통의 효율성과 안전성을 향상시키는 교통체계이다(Dobre & Xhafa,2014, Intelligent Transport Society of Korea). 이 지능형 교통체계는 교통상황에 따라 실시간으로 대응하는 신호의 운영 또는 교통 소통 개선과 같이 도시 시스템 전체를 대상으로 기능하여 도시 전체의 효율 향상을 목표로 한다.
	머신러닝 프로토타이핑툴이 버스지연을 예측하는 방법은?	버스 지연에 관한 예측 모델의 구축은 머신러닝 프로토타이핑툴(RapidMiner Studio)을 활용하였다. 이 모델은 버스의 누적된 운행 정보와 당시의 날씨, 속도 정보 등을 패턴화하여 이를 바탕으로 현재의 도로상황에서 버스가 지연될 것인지를 예측한다. 62번 버스는 공식적으로 평일 배차 간격을 5~10분으로 명시하고 있다.

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

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (15)

이 논문을 인용한 문헌

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (15)

이 논문을 인용한 문헌

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

AI 본문요약
AI-Helper