[논문]도시철도 출·도착데이터를 이용한 승객이동 패턴 분석

백의영; 조재희; 김동건

doi:10.15207/jkcs.2019.10.12.315

도시철도 출·도착데이터를 이용한 승객이동 패턴 분석
Analysis of Passenger Movement Patterns Using Subway OD Data 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.10 no.12, 2019년, pp.315 - 325

백의영 (광운대학교 시공간분석연구실) , 조재희 (광운대학교 정보융합학부) , 김동건 (동덕여자대학교 정보통계학과)

초록
AI-Helper

본 연구의 목적은 누구나 쉽게 지하철 OD 이동패턴 정보를 분석할 수 있는 데이터마트를 설계하고 구축하는 것이다. 서울 열린데이터광장에서 받은 2017년도 데이터를 원천 데이터로 이용하였다. 다차원모델을 설계하였고, 가우시안 혼합 군집분석과 Tableau를 이용한 다차원 분석을 실시하였다. 흥미로운 사실은 교외지역과 서울 간 이동은 전체 이동량의 23%에 해당하며, 수원역의 이용객은 서울보다 교외로의 이동이 매우 크며, 반면 판교역은 이동량의 대부분이 서울로의 이동이다. 가우시안 혼합 군집결과 8개의 OD구간 군집을 발견하였고, 구간 거리와 승객 수에 의해 각 군집의 특징을 네이밍하였다.

Abstract ▼ AI-Helper

The purpose of this study is to design and construct a data mart that anyone can easily analyze subway OD movement patterns. Subway OD data of the year 2017 was downloaded from the Seoul Open Data Plaza and used as the source data. A multidimensional model was designed, and Gaussian mixed cluster analysis and visualization analysis using Tableau were performed. Interestingly, movement between suburban and Seoul accounts for 23% of the total traffic. The passengers of Suwon Station move to the suburbs much more than Seoul, while Pangyo Station mostly moves to Seoul. As a result of Gaussian mixed cluster, eight clusters of OD segments were found, and the characteristics of each cluster were characterized by segment distance and passenger size.

주제어

표/그림 (18)

표 Table 1. Existing Research Summary
그림 Fig. 1. Research Process Map
그림 Fig. 2. Dimensional Model for the Analysis of Subway Passenger Movement Patterns
표 Table 2. Basic Stats of Source Data
그림 Fig. 3. Subway Station Divided into 12 Axis Lines
표 Table 3. Number of Passengers Moving Inside and Outside of the Seoul City Boundary Area (Unit: person)
표 Table 4. Differences in the Number of Passengers by Season
표 Table 5. Percentage of Passengers Moving Inner Seoul and Outer Seoul (Unit: %)
표 Table 6. Percentage of Passengers Moving Outside of Seoul City Boundary Area (Unit: %)
표 Table 7. Percentage of Passengers Moving Inner Seoul (Unit: %)
표 Table 8. Top 10 Stations from Outer Seoul (Unit: person)
그림 Fig. 4. Passengers arriving in Seoul from outside Seoul
표 Table 9. The Top 10 Stations from Inner Seoul (Unit: person)
그림 Fig. 5. Fitted Gaussian Mixture Models Contour
표 Table 10. Top 10 Stations from Pangyo Station (Unit: person)
표 Table 11. Top 10 Stations from Digital Media City Station (Unit: person)
표 Table 12. Eight Clusters and their Properties
표 Table 13. Comparison Table of the Eight Clusters

AI 본문요약
AI-Helper

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

문제 정의

그러나 본 연구는 수도권 도시철도의 출·도착지의 통행패턴뿐만 아니라, 전체를 통찰할 수 있는 데이터마트를 구축하고 구축된 데이터마트를 이용해 분석하고자 하였다.
도시철도의 출·도착지를 본 연구에서 제안한 시계 및 축선에 따라 살펴보고자 하였다.
본 장에서는 본 연구에 관련된 선행연구를 고찰하고자 교통카드데이터를 분석한 기존 연구들을 살펴보았다. 선행연구를 통해 수도권 도시철도에서 발생하고 있는 문제점과 제시된 해결 방안에 대해 살펴보고, 최종적으로 본연구의 다차원모델 구축 방안을 논의한다.
수도권 통행인구의 출·도착지와 경유지를 파악한 후, 지역에 따른 이동특성을 도출해내고자 하였다.
앞에서 살펴본 연구들은 다른 대중교통보다 도시철도가 친환경적 교통수단임을 강조하여 생활 전반에서 이용률을 높이고자 하였다. 그러나 도시철도에 탑승한 후 목적지까지 이동하는 거리 개념을 고려하지 못한다는 한계점을 지닌다.
이동패턴에 의한 공간의 변화와 특성을 살펴보고, 권종별(무임·일반·청소년) 중심 역할 수행지역을 도출하여 서울시 상위기본계획상 공간 위계체계에 대한 시사점을 제시하고자 하였다.
대중교통의 노선계획 및 변경 등은 운영기업의 수입과 관련성이 크기 때문에 이용객과 지역적 특성이 고려된 정책이 필요하다. 이에 본 연구에서는 2017년 3개월(1, 4, 7월) 데이터를 이용하여 수도권 철도 운영기관에 인사이트를 제공하고자, 수도권 역 간 이동 인원 분석용 데이터마트를 구축하였다. 수도권이나 지방의 중소도시에서 이동하는 도시철도를 출·도착지별로만 살펴본 선행연구와는 다르게 수도권을 서울시계 내/외로 구분하였고, 12개 축선을 따라 분석하였다.

제안 방법

셋째, 지하철 구간을 승객 수와 역간 거리 변수를 이용하여 8개의 군집으로 분류하였다. 넷째, 누구나 쉽게 구간별 이동패턴 정보를 분석할 수 있는 데이터마트를 설계하였고, 방대한 양의 정보가 저장된 파일럿시스템을 구축하였다.
수도권의 지하철역은 서울시(351개), 인천시(87개),경기도(202개), 충청남도(10개), 그리고 강원도(6개)에 소재하고 있다. 다양한 수준으로 분석하려고 서울시계 내 지역(Inner Seoul; 351개)과 서울시계 외곽 지역(Outer Seoul; 305개)으로 분류하거나, 12개 축선(AXIS LINE; 의정부, 고양-파주 등), 그리고 행정구역(DISTRICT)으로 구분하여 집계에 이용하였다. 3개월간의 누적 승객 수를 서울시계 내외를 기준으로 분류 집계하면 Table 3과 같이 크게 네 가지 이동 경로로 구분할 수 있다.
더불어 수도권에서 도시철도를 이용하는 승객들의 지역적 이동특성에 관한 시사점을 제시하기 위해 도시철도 출·도착지 간 직선거리를 측정 및 유형화하였으며, 구분된 유형에 따라 군집화하였다.
2기 신도시로 건설되고 성공적인 테크노밸리가 조성된 ‘판교’역과 IT 및 미디어 산업클러스터가 조성되어 있으며, 3개 노선이 통과하고 있는 ‘디지털미디어시티’역의 승하차 패턴을 비교하는 것도 의미가 있다고 본다. 두 역은 직장이 밀집한 지역이기 때문에, 오피스타운으로 가정하여 두 역에서 각각 퇴근하는 상위 10개 역에 대해 검색해 보았다. 출근할 때 타는 역을 따로 작성하지 않은 이유는 출근과 퇴근의 이동 패턴은 비슷한 양상을 띠고 있기 때문이다.
최종 사용된 혼합분포의 형태는 VVV(ellipsoidal, varying volume, shape and orientation)이고, 최적 군집의 갯수는 BIC기준 8개로 결정하였다(BIC=-168902). 또한 각 군집의 특징을 파악하기 위해 구간 거리와 승객 수를 각각 A, B, C등급으로 구분하였다. 즉, 구간 거리가 0-20km까지는 A, 20km에서 40km까지는 B, 40km 이상 이동해야 하는 구간은 C로 표현하였고, 승객 수가 3,000명 이상이면 A, 100명에서 3천명 이내는 B, 100명 이하의 승객이 이동한 구간은 C로 분류하였다.
또한 출·도착지 간 거리를 계산하였고, 이 OD 간 거리와 승객 수를 기준으로 구간을 군집화하였다.
그러나 본 연구는 수도권 도시철도의 출·도착지의 통행패턴뿐만 아니라, 전체를 통찰할 수 있는 데이터마트를 구축하고 구축된 데이터마트를 이용해 분석하고자 하였다. 또한, 수도권을 서울시계 이내의 지역과 서울시계 외곽지역으로 구분하였으며, 이를 도시철도 축선을 따라 12개로 분리하여 살펴보고자 한다. 더불어 수도권에서 도시철도를 이용하는 승객들의 지역적 이동특성에 관한 시사점을 제시하기 위해 도시철도 출·도착지 간 직선거리를 측정 및 유형화하였으며, 구분된 유형에 따라 군집화하였다.
둘째, 지하철역을 공간 수준별로 체계화하였기 때문에 다양한 수준별로 종합표를 작성할 수 있고, 지도에 공간시각화가 가능하다. 셋째, 지하철 구간을 승객 수와 역간 거리 변수를 이용하여 8개의 군집으로 분류하였다. 넷째, 누구나 쉽게 구간별 이동패턴 정보를 분석할 수 있는 데이터마트를 설계하였고, 방대한 양의 정보가 저장된 파일럿시스템을 구축하였다.
수도권이나 지방의 중소도시에서 이동하는 도시철도를 출·도착지별로만 살펴본 선행연구와는 다르게 수도권을 서울시계 내/외로 구분하였고, 12개 축선을 따라 분석하였다.
도시철도의 출·도착지를 본 연구에서 제안한 시계 및 축선에 따라 살펴보고자 하였다. 시각화 툴인 태블로를이용하여 분석하였다.
월별로 집계된 수도권 도시철도 출·도착지 승객 수에 관한 데이터를 이용하여, 지역별 인구이동을 종합적으로 살펴볼 수 있는 시각화 분석용 데이터마트를 구축하였고, 구축된 데이터마트를 이용하여 심층적(시계 구분 및 축선 분류)으로 분석하였다.
Kim 등(2013)은 스마트카드 전자거래 빅데이터로부터 지리적으로 인접한 Zone을 발견하고 두 Zone 간의 연관성을 나타내는 이동패턴 분석기법인 ‘병합적 군집화 기법’을 제안하였다[16]. 제안한 분석기법에 상향식 접근법을 적용하여 데이터로부터 실생활이 반영되는 의미 있는 이동패턴을 찾는데 주안점을 두었다. 이를 통해 같은 기능을 수행하는 Zone을 파악하고, Zone 간의 연관성을 밝히기 위해 관계분석을 수행하였다.
Han(2016)은 교통카드데이터를 이용하여 통행자가 실제 출발한 죤과 도착한 죤을 기준으로 대중교통 O-D를 구축하였다[14]. 죤 별 접근구간에 따라 통행자의 통행 비율을 설정하고, 죤 별 인구수를 기준으로 죤과 정류장 사이에 가중치를 설정하여 O-D를 구축하였다. 더불어 구축된 O-D 데이터를 검증하기 위해ImTaS를 이용하여 통행량을 비교하였고, RMSE 및 R-Square 검증을 수행하였다.
출·도착역 간 구간 거리와 승객 수를 이용하여 가우시안 혼합 모델로 군집화하였다.

대상 데이터

‘서울 열린데이터광장(2019)’에서 출·도착역 간 이동 인원에 관한 데이터를 수집하였는데[17], 2017년도 6개월(3월이 제외된 1월부터 7월까지) 간의 월별 집계 데이터이다.
Fig. 4는 서울시계 외곽지역에서 서울시계 내로 이동하는 승객 수가 많은 8개 지역(안산시, 안양시, 고양시 일산서구, 광명시, 인천 계양구, 성남시 분당구, 수원시, 의정부시)과 서울시계 내에서 승객의 도착률이 높은 6개 구(강남구, 서초구, 송파구, 금천구, 노원구, 종로구)를 연결하여 지도 공간에서 살펴보았다. 승객 수는 선의 굵기로 나타내었고, 출발하는 지역을 색깔로 표현하였다.
서울시계 내와 서울시계 외에 대해서 도시철도가 이동하는 축선을 따라 12개 그룹(서울시계 351개 역, 인천_김포 99개 역, 성남_용인_광교 44개 역, 의정부_동두천 28개 역, 고양_파주 27개 역, 선바위_달월 23개 역, 병점_신창 20개 역, 별내_춘천 18개 역, 구리_용문 16개역, 군포_수원_청명 14개 역, 경기광주_여주 9개 역, 광명_안양 7개 역)으로 재분류하였다. 축선은 색깔로 구분하였고, Fig.
수집한 데이터는 1월부터 7월까지 중 3월이 제공되지 않아 6개월 전체를 분석하지 않았다. 비록 가을이 없지만, Table 4에서는 계절에 따른 변화를 살펴보기 위해 1월, 4월, 7월을 비교하였다.
‘서울 열린데이터광장(2019)’에서 출·도착역 간 이동 인원에 관한 데이터를 수집하였는데[17], 2017년도 6개월(3월이 제외된 1월부터 7월까지) 간의 월별 집계 데이터이다. 이 중 겨울, 봄, 여름에 해당하는 1월, 4월, 7월 데이터만을 선택하였다.
이에 본 연구는 수도권 도시철도의 출·도착지 간 직선거리(km)를 계산하고, 거리와 승객수를 기준으로 군집하였다.
출·도착역 간 구간 거리와 승객 수를 이용하여 가우시안 혼합 모델로 군집화하였다. 최종 사용된 혼합분포의 형태는 VVV(ellipsoidal, varying volume, shape and orientation)이고, 최적 군집의 갯수는 BIC기준 8개로 결정하였다(BIC=-168902). 또한 각 군집의 특징을 파악하기 위해 구간 거리와 승객 수를 각각 A, B, C등급으로 구분하였다.
28개 노선에 속한 역의 개수는 총 656개이고, 지역에 따라 운영되고 있는 도시철도 역의 개수는 Table 2와 같다. 출발역과 도착역을 연결한 링크는 337,493개이다. 3개월 동안 수도권 도시철도를 이용한 누적 승객은 678,661,635명이다.

데이터처리

죤 별 접근구간에 따라 통행자의 통행 비율을 설정하고, 죤 별 인구수를 기준으로 죤과 정류장 사이에 가중치를 설정하여 O-D를 구축하였다. 더불어 구축된 O-D 데이터를 검증하기 위해ImTaS를 이용하여 통행량을 비교하였고, RMSE 및 R-Square 검증을 수행하였다. 연구는 도시철도 이외에 버스와 같은 대중교통이 추가되어 O-D 구축이 이루어진다면 신뢰도가 높아질 것이라고 하였다.
제안한 분석기법에 상향식 접근법을 적용하여 데이터로부터 실생활이 반영되는 의미 있는 이동패턴을 찾는데 주안점을 두었다. 이를 통해 같은 기능을 수행하는 Zone을 파악하고, Zone 간의 연관성을 밝히기 위해 관계분석을 수행하였다. 권역 간 이동분석에 활용될 수 있다는 측면에서 의의가 있다.

성능/효과

넷째, 수원역의 이용객은 서울보다 교외로의 이동이 매우 크며, 부평역은 서울로의 이동이 상위 8위인 반면, 교외로의 이동은 2위로써, 교외 지역에 대한 연결강도가 더 크다. 부천역은 서울과 교외를 대등한 수준으로 이동하며, 판교역은 교외로의 이동은 크지 않은 반면, 서울로의 이동은 크다(6위).
Lee 등(2017)은 서울시 스마트카드 자료의 대중교통 통행 기종점 자료를 이용하여 대중교통 이동성을 평가하고, 이동성 개선이 시급한 취약지를 행정동 단위로 식별하였다[9]. 노인 취약지 43개 동, 미성년 취약지 44개 동, 기초생활 보장 수급자 56개 동을 식별하였고, 이 세 취약지를 통합하여 총 85개 동을 도출해 내었다. 이 연구는 교통 취약계층의 인구자료와 이동성 취약지를 식별하여, 서울시 대중교통 형평성 제고에 도움이 될 기초자료를 제공하였다는 점에 의의가 있다.
다섯째, 판교역은 서울 동남권과 강한 연결성을 보이며, 특히 신림역(4위)과 서울대입구역(5위)과도 연결성이 강한 것이 특이하다.
둘째, 교외지역에서 도시로 출퇴근하는 인구가 전체이동량의 23%를 차지하고 있다. 즉, 100명이 이동했다면 이 중 23명이 도심과 부심 간을 이동한 것이다.
먼저, 기존 연구에서 다뤄지지 않은 시계에 따른 이동성에 관한 지표를 역별로 도출하였고, 그 분포를 파악함으로써 수도권 도시철도를 운영하는 서울교통공사 등에 정책 개발 기초자료를 제공할 수 있다. 둘째, 지하철역을 공간 수준별로 체계화하였기 때문에 다양한 수준별로 종합표를 작성할 수 있고, 지도에 공간시각화가 가능하다. 셋째, 지하철 구간을 승객 수와 역간 거리 변수를 이용하여 8개의 군집으로 분류하였다.
본 연구에서 구축한 데이터마트를 이용하면 승객이 출발한 행정동과 도착한 행정동까지도 분석이 가능하다. Table 8에서는 시계 외에서 시계 내로 진입하는 상위 10개 역과 시계 외에서만 이동하고 있는 상위 10개 역을 각각 살펴보았다.
분석 결과 발견된 특징으로는 첫째, 봄에는 교외로의 이동이 많고, 겨울과 여름에는 서울로부터 이동이 많다.
02%가 인천_김포 내에서 이동하였다. 상위에 있는 축선일수록 서울시계와 가까운 인천, 경기 등의 지역이 나타났고, 서울에서 먼 지역일수록 도시철도를 이용한 비율이 낮게 나타났다.
셋째, 지하철 이용객의 경우 출발지에서 도착지로 이동할 때와 도착지에서 다시 출발지로 복귀할 때 동일한교통수단을 이용하는 경향이 크다.
여섯째, 디지털미디어시티역의 경우, 도심 방향보다 연신내, 응암, 불광(도심 역방향)으로부터의 이동성이 크며, 공항철도의 영향으로 인천공항 방향의 베드타운들과의 이동성이 크며, 경의선의 영향으로 일산 방향 역이 이동량 상위에 랭크되어 있다.
이상을 요약하면 Table 13과 같은데, BA(중거리이면서 승객규모가 큰 구간), CA/CB(장거리이면서 승객 규모가 크거나 중간인 구간)가 존재하지 않음을 확인할 수 있다.
이러한 과정을 통해 주요 변수가 생성되었고, 다차원모델이 설계될 수 있었다. 이어서 다차원 분석 도구인 태블로(Tableau)를 통해 다양한 데이터분석을 진행하였고, 최종 데이터마트 및 시각화 분석이 완료되었다. Fig.

후속연구

월별로 집계된 수도권 도시철도 출·도착지 승객 수에 관한 데이터를 이용하여, 지역별 인구이동을 종합적으로 살펴볼 수 있는 시각화 분석용 데이터마트를 구축하였고, 구축된 데이터마트를 이용하여 심층적(시계 구분 및 축선 분류)으로 분석하였다. 본 연구의 결과는 수도권 철도 운영기관에 인사이트를 제공할 수 있을 것으로 판단된다.
본 연구의 한계점은 원천 데이터에 기인한다. 서울 열린데이터광장[17]에서 받은 2017년도 데이터를 이용해 분석했는데, 현재보다 2년 과거 시점의 데이터이기 때문에 시의적절하지 않으나, 지하철 OD 데이터는 2년마다 제공되므로 2017년 데이터가 현재로서는 가장 최신 데이터이다.
또 다른 한계는 승객 속성과 탑승 일시 구분이 없다는 점이다. 승객의 연령, 성별, 국적 등이 제공되고, 탑승 일시가 기록되어 있다면 더욱 의미있고 다이내믹한 분석이 가능했을 것이다. 특정 출·도착지의 승객 구성 분포와 요일 및 시간대별 인구 분포는 역세권의 성격을 규정할 수 있고, 따라서 발견된 인구 이동 패턴에 대한 상세한 설명이 가능해지기 때문이다.
여의도와 가산디지털단지는 서부에서 많이 이동하고 있다. 연구는 향후 서울시 도시계획의 공간구조체계 개편을 위한 지침을 제시할 수 있는 근거로 사용될 수 있을 것이다.
서울 열린데이터광장[17]에서 받은 2017년도 데이터를 이용해 분석했는데, 현재보다 2년 과거 시점의 데이터이기 때문에 시의적절하지 않으나, 지하철 OD 데이터는 2년마다 제공되므로 2017년 데이터가 현재로서는 가장 최신 데이터이다. 향후 새로운 OD 데이터가 공공데이터포털에 올라오면, 본 논문이 사용한 2017년도 데이터와 함께 비교 연구를 실행할 계획이다. 또 다른 한계는 승객 속성과 탑승 일시 구분이 없다는 점이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	분석용 다차원모델의 선행과정은?	분석용 다차원모델을 설계하기 위해서는 먼저 데이터를 취합하고, 데이터에 나타난 결측값을 전처리하는 과정이 선행되어야 한다. 이러한 과정을 통해 주요 변수가 생성되었고, 다차원모델이 설계될 수 있었다.
	대중교통이란?	이 때문에 도시가 건설된 지 30년이 지난 현재까지도 경제적 독립성을 갖추어 도시 바깥으로 출입하지 않아도 생활할 수 있도록 만들어져야 할 계획도시의 기능이 원활하게 이루어지지 않고 있다. 대중교통은 누구나 제약 없이 이용 가능한 이동수단이다. 도심 외곽으로 분류되는 1기 신도시뿐만 아니라, 수도권 전역에서 도심지로 이동하는 양이 상당히 높다.
	수도권 5개 신도시 건설사업의 1기 신도시는?	정부는 서울의 도심 기능 분산과 주택공급을 확대하고자 1989년1)에 처음으로 '수도권 5개 신도시 건설사업'을 추진하였다. 1기 신도시에는 분당, 일산, 평촌, 산본, 중동이 포함되는데, 도시의 기능 및 환경에 대한 인식이 부족한 상태에서 진행되었다. 이 때문에 도시가 건설된 지 30년이 지난 현재까지도 경제적 독립성을 갖추어 도시 바깥으로 출입하지 않아도 생활할 수 있도록 만들어져야 할 계획도시의 기능이 원활하게 이루어지지 않고 있다.

참고문헌 (20)

Y. K. Bae. (2015). A study on the improvement of regional equality of public transit services based on indicators from a public transit-user perspective, KRIHS POLICY BRIEF, 545, 1-8.
H. J. Jung, Y. K. Shin, J. H. Park & H. Y. Yoon. (2018). Case Study on Regeneration of Toyama City by TOD. Journal of the Korean Society for Railway, 21(10), 1043-1056. DOI : 10.7782/JKSR.2018.21.10.1043

상세보기
S. J. Lim, J. T. Park & T. H. Kim. (2013). Comparative Study on the Characteristics of Public Transport Users According to the Types of Transit Station Influence Areas in Seoul Urban Railways. Journal of the Korean Society for Railway, 16(2), 129-137.

원문보기 상세보기
C. H. Choi. (2013). Suggestions for Improvement of Connectivity between Railway Stations in Small and Medium-sized Cities Based on a Survey Focused on the Joongang Line. Journal of the Korean Society for Railway, 16(1), 52-58.

원문보기 상세보기
J. M. Jang, S. K. Lee & J. K. Eom. (2019). A Study on the Analysis of Public Transportation Satisfaction in Cites with Urban railway. Journal of the Korean Society for Railway, 7(2), 325-334. DOI : 10.24284/JKOSUR.2019.6.7.2.325

상세보기
J. S. Lee & K. T. Kim. (2011). PRT Application Study Using Corridor Analysis; Focused on Nan-Gok Area. Journal of the Korean Society for Railway, 14(2), 188-193.

원문보기 상세보기
J. H. Cho & I. J. Seo. (2005). Implementation of the OLAP-based Subway Passenger Transit Pattern Analysis System. Information Systems Review, 7(1), 65-80.
M. Y. Lee & J. H. Kim. (2016). Analysis of Transit Passenger Movements within Seoul-Gyeonggi-Incheon Area using Transportation Card. The Journal of The Korea Institute of Intelligent Transport Systems, 15(5), 12-19. DOI : 10.12815/kits.2016.15.5.012

원문보기 상세보기
H. J. Lee, J. H. Ha & S. Lee. (2017). An Analysis on the Equity of Public Transit Service using Smart Card Data in Seoul, Korea. Journal of Korean Regional Science Association, 33(3), 101-113.

원문보기 상세보기
S. U. Han. (2015). Residential dstribution of public transport commuter by major subway influence area : focus of Seoul metropolitan region. Master's Thesis. Hanyang University, Seoul.
D. E. Lee & J. T. Oh. (2017) Factor Analysis for Transit Transfer using Public Traffic Card Data. The Journal of The Korea Institute of Intelligent Transport Systems, 16(1), 50-63. DOI : 10.12815/kits.2017.16.1.50
M. W. Lee, J. H. Han & H. S. Lee. (2018). Analysis of the Transit Ridership Pattern using Transportation Card Data : focusing on Ganghwa. The Journal of The Korea Institute of Intelligent Transport Systems, 17(2), 58-72. DOI : 10.12815/kits.2018.17.2.58

원문보기 상세보기
M. Y. Lee, J. E. Sohn & C. S. Cho. (2016). Constructing Transfer Data in Seoul Metropolitan Urban Railway Using Transportation Card. The Journal of The Korea Institute of Intelligent Transport Systems, 15(4), 33-43. DOI : 10.12815/kits.2016.15.4.033

원문보기 상세보기
A. R. Han. (2016). Estimating Transit Origin-Destination Trip Table Using Smart Card Dat. Graduate School, Myongji University. Seoul.
I. H. Shin & J. H. Lee. (2012). Analysis on the Central region and Characteristics by Analysis of Subway Passenger's Travel Pattern in Seoul. Journal of Society of Design Convergence, 11(2), 43-55.
K. H. Kim, K. H. Oh, Y. K. Lee & J. Y. Jung. (2013). Discovery of Travel Patterns in Seoul Metropolitan Subway Using Big Data of Smart Card Transaction Systems. Journal of Society for e-Business Studies, 18(3), 211-222. DOI : 10.7838/jsebs.2013.18.3.211

원문보기 상세보기
Metropolitan Government. (2019). Seoul Open Data Plaza, [Online]. https://data.seoul.go.kr
W. K. Kim. (2009.09.24). Segye Ilbo. Nationwide. Seoul [Online]. http://www.segye.com/newsView/20090923004023
C. Fraley & A. E. Raftery. (2002). Model-based clustering, discriminant analysis, and density estimation. Journal of the American statistical Association, 97(458), 611-631.

상세보기
L. Scrucca, M. Fop, T. B. Murphy & A. E. Raftery. (2016). mclust 5: clustering, classification and density estimation using Gaussian finite mixture models. The R Journal, 8(1), 289.

상세보기

저자의 다른 논문 :

LOADING...

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