$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

데이터마이닝 기법을 이용한 서울시 지하철역 승차인원 예측
A study on the number of passengers using the subway stations in Seoul 원문보기

응용통계연구 = 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)

초록
AI-Helper 아이콘AI-Helper

지하철은 많은 승객들을 원거리까지 안전하고, 신속 정확하게 원하는 지점으로 대량 수송할 수 있는 친환경적인 교통수단이다. 지하철의 공익성을 증대시키기 위해서는 정확한 승객 수요 예측이 이루어져야 한다. 본 연구는 정확한 지하철 수요예측을 위하여, 군집분석을 통해 서울시 1-9호선 지하철역들을 군집화 하였다. 그 후, 전체 역과 각 군집 별 최종 예측 모형을 제시하였다. 군집화 결과, 294개의 역이 3개로 군집화 되었으며 그룹 1은 상공업지구, 그룹 2는 주상복합지구, 그룹 3은 주거지구가 중심이 되는 역들로 나타났다. 그 후 각 군집 별로 다양한 데이터 마이닝 기법을 이용해 지하철 승차인원 예측 모형을 제시하고, 수요 예측에 중요한 영향을 미치는 요인들을 도출하였다. 그리고 최종 모형을 바탕으로 2018년 10월에 개통될 서울시 9호선 3단계 연장역인 8개 신설역의 3개월 수요를 예측하였다. 8개 신설역의 월평균 시간당 평균 승차인원은 약 241에서 452명, 월평균 시간당 최대 승차인원은 약 969에서 1,515명으로 추정되었다. 본 분석의 최종 모형을 활용한 신설역의 지하철 수요 예측은 대중교통 정책 결정을 위한 기초자료로 활용되어 효율적인 지하철 운영 방안 수립에 기여할 수 있을 것이다.

Abstract ▼ AI-Helper 아이콘AI-Helper

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...

주제어

#지하철   #수요예측   #익스트림 그래디언트 부스팅   #랜덤 포레스트   #선형 모형  

표/그림 (19)

질의응답

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).
질의응답 정보가 도움이 되었나요?

참고문헌 (14)

  1. Breiman, L., Friedman. J., Olshen, R., and Stone, C. (1984). Classification and Regression Trees, Chapman and Hall, New York. 

  2. Breiman, L. (2001). Random forests, Machine Learning, 45, 5-32. 

    crossref

  3. Cortes, C. and Vapnik, V. (1995). Support-vector networks, Machine Learning, 20, 273-297. 

    상세보기

  4. Horel, A. E. and Kennard, R. W. (1970). Ridge regression: biased estimation for nonorthogonal problems, Technometrics, 12, 55-67. 

    상세보기 crossref

  5. Douglas, R. (2015). Gaussian mixture models, Encyclopedia of biometrics. 

  6. 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. 

  7. Kim, J. S. (2016). Subway congestion prediction and recommendation system using big data analysis, Journal of Digital Convergence, 14, 289-295. 

  8. Lee, J., Go, J. Y., Jeon, S., and Jun, C. (2015). A study of land use characteristics by types of subway station areas in Seoul analyzing patterns of transit ridership, The Korea Spatial Planning Review, 84, 35-53. 

    crossref

  9. 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. 

  10. Ridgeway, G. (2007). Generalized Boosted Models: A guide to the gbm package, https://cran.r-project.org/web/packages/gbm 

  11. 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. 

  12. Song, J. (1991). A study on prediction of passenger demand in Seoul Subway, Statistical Consulting, 6. 

  13. 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. 

  14. Tibshirani, R. (1996). Regression shrinkage and selection via the lasso, Journal of the Royal Statistical Society B, 58, 267-288. 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로