최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기응용통계연구 = The Korean journal of applied statistics, v.32 no.1, 2019년, pp.111 - 128
조수진 (이화여자대학교 통계학과) , 김보경 (이화여자대학교 통계학과) , 김나현 (이화여자대학교 통계학과) , 송종우 (이화여자대학교 통계학과)
Subways are eco-friendly public transportation that can transport large numbers of passengers safely and quickly. It is necessary to predict the accurate number of passengers in order to increase public interest in subway. This study groups stations on Lines 1 to 9 of the Seoul Metropolitan Subway u...
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
지하철 수요의정확한 예측이 교통정책 시행에 필수적인 이유는? | 이는 초기 수요 예측 실패로 인한 것으로 초기 예상 승객 수는 일평균24만 여명이었으나 실제 승객 수는 50만 명 규모로 2배에 달했다. 9호선의 예에서 알 수 있듯이 잘못된수요 예측은 교통 혼잡과 서비스 질의 하락, 에너지 낭비 등 사회적 비용을 증가시키기 때문에 수요의정확한 예측은 교통정책 시행에 필수적이다. 특히 지하철은 버스, 택시와 같은 교통수단에 비해 많은 승객들을 원거리까지 안전하고 신속·정확하게 원하는 지점으로 대량 수송할 수 있어 미래 지향적인 교통수단이라 할 수 있다 (Kim, 2016). | |
데이터 마이닝 기법을 이용해 제시한 지하철 승차인원 예측 모형에는 무엇이 있나? | 그후 각 그룹 별로 다양한 데이터 마이닝 기법을 이용해 지하철 승차인원 예측 모형을 제시하고, 수요 예측에 중요한 영향을 미치는 요인들을 도출하였다. 구체적으로 분석에 사용되는 모형은 다양한 변수 선택법(Stepwise, Ridge, LASSO)을 이용한 선형 회귀 모형, 포아송 일반화 선형 모형, 랜덤포레스트, 그래디언트 부스팅, 익스트림 그래디언트 부스팅, 서포트 벡터 기계이며 예측력 평가 지표로는 평균 제곱근 오차(root mean squared error; RMSE)를 이용하였다. 이를 기준으로 지하철 승차 인원에 관한 최적 예측 모형을 제시한 후, 최종적으로 2018년 10월에 개통되는 9호선 3단계 연장역인 8개의 신설역의3개월 수요를 예측하고자 한다. | |
지하철을 미래 지향적인 교통수단이라 말할 수 있는 이유는? | 9호선의 예에서 알 수 있듯이 잘못된수요 예측은 교통 혼잡과 서비스 질의 하락, 에너지 낭비 등 사회적 비용을 증가시키기 때문에 수요의정확한 예측은 교통정책 시행에 필수적이다. 특히 지하철은 버스, 택시와 같은 교통수단에 비해 많은 승객들을 원거리까지 안전하고 신속·정확하게 원하는 지점으로 대량 수송할 수 있어 미래 지향적인 교통수단이라 할 수 있다 (Kim, 2016). 따라서 지하철의 공익성을 증대시키기 위해서는 정확한 승객 수요 예측이 이루어져야 하며, 이에 따른 적절한 운송 계획이 입안되고 시행되어야 한다 (Song, 1991). |
Breiman, L., Friedman. J., Olshen, R., and Stone, C. (1984). Classification and Regression Trees, Chapman and Hall, New York.
Cortes, C. and Vapnik, V. (1995). Support-vector networks, Machine Learning, 20, 273-297.
Horel, A. E. and Kennard, R. W. (1970). Ridge regression: biased estimation for nonorthogonal problems, Technometrics, 12, 55-67.
Douglas, R. (2015). Gaussian mixture models, Encyclopedia of biometrics.
Kim, J. I. (2013). The determinants of subway riderships at AM-peak in Daegu metropolitan city: focusing on the land use of station neighborhood areas, Journal of Transport Research, 20, 15-25.
Kim, J. S. (2016). Subway congestion prediction and recommendation system using big data analysis, Journal of Digital Convergence, 14, 289-295.
R Development Core Team (2010). R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, Vienna, Austria, ISBN 3-900051-07-0. http://www.R-project.org.
Ridgeway, G. (2007). Generalized Boosted Models: A guide to the gbm package, https://cran.r-project.org/web/packages/gbm
Shon, E. Y., Kwon, B. W., and Lee, M. H. (2004). Modelling the subway demand estimation by station using the multiple regression analysis by category, Journal of Korea Society of Transportation, 22, 33-42.
Song, J. (1991). A study on prediction of passenger demand in Seoul Subway, Statistical Consulting, 6.
Tianqi, C. and Carlos, G. (2016). XGBoost: A Scalable Tree Boosting System, KDD '16 Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785-794.
Tibshirani, R. (1996). Regression shrinkage and selection via the lasso, Journal of the Royal Statistical Society B, 58, 267-288.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.