[논문]스마트카드 자료를 활용한 대중교통 승객의 통행목적 추정

전인우; 이민혁; 전철민

doi:10.11108/kagis.2019.22.1.028

스마트카드 자료를 활용한 대중교통 승객의 통행목적 추정
Estimating the Trip Purposes of Public Transport Passengers Using Smartcard Data 원문보기

한국지리정보학회지 = Journal of the Korean Association of Geographic Information Studies, v.22 no.1, 2019년, pp.28 - 38

전인우 (서울시립대학교 공간정보공학과) , 이민혁 (서울시립대학교 공간정보공학과) , 전철민 (서울시립대학교 공간정보공학과)

초록
AI-Helper

스마트카드 자료에는 개별 승객의 대중교통 이용기록이 저장되고, 이를 활용하면 정류장별, 시간대별 통행수요를 분석할 수 있다. 다만 스마트카드 자료에는 통행목적이 기록되어 있지 않기 때문에 통근, 통학, 여가 등의 목적별 수요는 설문조사 자료를 기반으로 추정되고 있다. 하지만 설문조사 자료에는 일부 표본의 통행만 기록되어 있어 전반적인 대중교통 통행수요를 추정하는데 한계가 있다. 만약 스마트카드 자료에서 통행목적을 추정할 수 있다면, 전수조사에 가까운 통행목적별 대중교통 수요에 대한 분석이 가능하다. 이에 본 연구에서는 스마트카드 자료에 기록된 승객의 O-D 통행빈도, 체류 시간, 출발 시각 등을 고려하여 통근, 통학, 귀가의 통행목적을 추정하는 방법론을 제시한다. 결과적으로 제시한 방법론을 적용하여 승객 중 근로자와 대학생을 분류하였다. 제시한 방법론의 검증으로는 가구통행실태조사 자료의 목적별 통행패턴과 본 연구를 통해 추정한 목적별 통행패턴을 비교하였다.

Abstract ▼ AI-Helper

The smart card data stores the transit usage records of individual passengers. By using this, it is possible to analyze the traffic demand by station and time. However, since the purpose of the trip is not recorded in the smart card data, the demand for each purpose such as commuting, school, and leisure is estimated based on the survey data. Since survey data includes only some samples, it is difficult to predict public transport demand for each purpose close to the complete enumeration survey. In this study, we estimates the purposes of trip for individual passengers using the smart card data corresponding to the complete enumeration survey of public transportation. We estimated trip purposes such as commute, school(university) considering frequency of O-D, duration, and departure time of a passenger. Based on this, the passengers are classified as workers and university students. In order to verify our methodology, we compared the estimation results of our study with the patterns of the survey data.

주제어

표/그림 (11)

표 TABLE 1. An example of smartcard data
그림 FIGURE 1. Estimating residence zones and activity zones of passengers
표 TABLE 2. The variables in the algorithm
그림 FIGURE 2. Determining university zones
표 TABLE 3. Rules for estimating trip purposes
그림 FIGURE 3. The cumulative distribution of duration for commute and school in survey data
표 TABLE 4. Smartcard data with trip purposes estimated
그림 FIGURE 4. Spatial distribution of estimated population of residence zones (a) and activity zones (b)
표 TABLE 5. Comparison of travel ratio by trip purpose between smartcard data and survey data
그림 FIGURE 5. Comparing deparutre times of smartcard data and survey data
그림 FIGURE 6. Comparing the travel times of between smartcard data and survey data

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 스마트카드 자료에 나타난 승객의 거주지에서 활동지로의 통행빈도, 활동지에서의 체류시간, 활동지로의 출발시각 범위 등을 고려하여 승객의 통행목적을 추정하는 방법론을 제안한다. 본 연구에서 추정하는 통행목적은 정기적인 통행에 해당하는 통근과 통학이며, 통학은 대학교로의 통행만을 대상으로 한다.
본 연구에서는 스마트카드 자료에 나타난 통행정보를 활용하여 승객의 통행목적을 추정하는 방법론을 제시하고자 한다. 전수에 가까운 대중 교통 통행수요를 알 수 있는 스마트카드 자료에서 통행목적을 추정할 수 있다면, 설문조사 자료를 이용하는 것보다 정확한 통행목적별 수요를 추정할 수 있다.
본 연구에서는 스마트카드 자료에서 승객의 통행목적을 추정하는 방법론을 제안하였다. 승객의 통행목적을 추정하기 위해 승·하차 정류장 정보를 이용하여 승객별 거주지 및 활동지를 탐색하였고, 근로자와 대학생을 구분하기 위해 활동지에 대학교 존을 고려하였다.
통근 통행 이후의 활동시간은 8 시간 이상에서, 통학 통행(성인 기준) 이후의 활동시간은 4시간 이상에서 누적분포가 급격히 증가하는 것을 알 수 있다. 이에 본 연구에서는 활동지에서의 체류시간이 8시간 이상일 경우, 통근 목적으로, 활동지가 대학교 존이면서 체류 시간이 4시간 이상일 경우, 통학 목적으로 승객의 통행을 분류하였다.

가설 설정

승객의 스마트카드 데이터에 앞서 분석된 거주지에서 활동지로 3일 이상 통행한 기록이 포함되어 있을 경우, 해당 승객은 통근 및 통학 목적의 정기적인 통행을 한다고 가정하였다. 통행목적은 활동지의 유형(대학교 존(zone)), 활 동지에서의 체류시간, 활동지로의 출발시각 범위를 고려하여 통근과 통학으로 분류하였고 거주지로의 통행은 귀가로 분류하였다.
Jun and Dongyuan(2013)은 스마트카드에서 근로자의 거주지를 추정하는 방법론을 제안 하였다. 이 연구에서는 오전 첨두시에 대중교통을 이용한 승객을 전부 근로자로 가정하고 이들의 오전 첨두시 승차 정류장을 거주 지역, 오후 첨두시의 승차 정류장을 직장으로 가정하였다. Zou et al .

제안 방법

가구통행실태조사 자료를 이용하여 근로자와 학생을 분류하는 이항 선택 모형을 만들고, 이를 스마트카드 자료에 적용하여 통근, 통학, 귀가, 기타로 구분하여 통행목적을 추정하였다. DBSCAN (Density-based Spatial Clustering of Application with Noise) 알고리즘을 이용하여 통행패턴이 유사한 군집을 생성하였고, 이를 통행목적별로 나누어 통행패턴의 차이를 비교하였다. Alsger et al .
Medina(2018)은 싱가포르의 가구통행실태조사 자료와 스마트카드 자료를 이용하여 통근과 통학 통행을 분류하는 방법론을 제시하였다. 가구통행실태조사 자료를 이용하여 근로자와 학생을 분류하는 이항 선택 모형을 만들고, 이를 스마트카드 자료에 적용하여 통근, 통학, 귀가, 기타로 구분하여 통행목적을 추정하였다. DBSCAN (Density-based Spatial Clustering of Application with Noise) 알고리즘을 이용하여 통행패턴이 유사한 군집을 생성하였고, 이를 통행목적별로 나누어 통행패턴의 차이를 비교하였다.
우선, 가구통행실태자료에서 통행목적별 통행량을 교통존 단위로 집계 하여, 교통존별 통행목적 비율을 산정한다. 그리고 스마트카드 자료에 나타난 승객의 통행에 대하여, 하차 정류장이 위치한 교통존의 통행목적 비율과 출발시각을 고려하여 통근, 통학, 쇼핑, 여가, 귀가 등의 통행목적을 추정하였다.
또한 활동지로의 출발시각 범위는 최대 출발 시각과 최소 출발시각의 차이를 의미하여 차이가 1시간 이내일 경우, 통근으로, 1시간 초과일 경우, 통학으로 분류하였다. 즉, 승객의 활동지로의 통행 데이터가 있을 때, 출발시각의 범위 가 1시간 이내이면 근로자로, 1시간을 초과할 경우, 대학생으로 분류한 것이다.
스마트카드 자료에서 추정한 승객들의 거주지 및 활동지는 실제 토지이용패턴과 유사한 모습을 보였다. 스마트카드 자료로부터 추정한 통행 목적별 패턴은 가구통행실태조사 자료를 이용하여 목적별 출발시각 및 통행시간 분포 측면에서 비교・분석하였다. 각 지표에 대해서 본 연구의 결과와 가구통행실태조사 자료의 결과가 전반적으로 동일한 패턴을 보였다.
승객의 통행목적을 추정하기 위해 승·하차 정류장 정보를 이용하여 승객별 거주지 및 활동지를 탐색하였고, 근로자와 대학생을 구분하기 위해 활동지에 대학교 존을 고려하였다.
,(2018)도 스마트카드에서 승객의 통행목적을 추정하기 위해 가구통행실태조사 자료를 활용하였다. 우선, 가구통행실태자료에서 통행목적별 통행량을 교통존 단위로 집계 하여, 교통존별 통행목적 비율을 산정한다. 그리고 스마트카드 자료에 나타난 승객의 통행에 대하여, 하차 정류장이 위치한 교통존의 통행목적 비율과 출발시각을 고려하여 통근, 통학, 쇼핑, 여가, 귀가 등의 통행목적을 추정하였다.
승객의 통행목적을 추정하기 위해 승·하차 정류장 정보를 이용하여 승객별 거주지 및 활동지를 탐색하였고, 근로자와 대학생을 구분하기 위해 활동지에 대학교 존을 고려하였다. 이 후 승객의 거주지에서 활동지까지의 통행빈도, 체류시간, 출발시각의 범위 등의 통행정보를 이용하여 통행목적을 통근, 통학, 귀가로 나누어 추정하였다.
전수에 가까운 대중 교통 통행수요를 알 수 있는 스마트카드 자료에서 통행목적을 추정할 수 있다면, 설문조사 자료를 이용하는 것보다 정확한 통행목적별 수요를 추정할 수 있다. 이를 위해 본 연구에서는 승객의 승・하차 정류장 정보를 이용하여 거주지 및 활동지를 추정하고, 거주지와 활동지를 오가는 통행의 빈도, 출발 시각 및 체류 시간 등을 분석하여 통근, 통학 등의 통행목적을 분 류하는 방법론을 개발하였다. 제안하는 방법론의 검증은 스마트카드 자료에서 추정한 통행목 적별 패턴과 가구통행실태조사 자료에서의 통행 목적별 패턴을 비교・분석하여 수행하였다.
,(2018)은 런던의 대중교통을 이용한 승객들을 대상으로 거주지 및 활동지를 추정하는 휴리스틱 알고리즘을 제안하였다. 하루 중 첫 번째 통행의 승차 정류장과 마지막 통행의 하차 정류 장의 거리가 500m 이내이고, 정류장 이용 횟수가 임계값을 초과하면, 해당 정류장들을 거주지로 결정하였다. 활동지 역시, 동일한 방법으로 추정하였다.

대상 데이터

본 연구에서는 스마트카드 자료에 나타난 승객의 거주지에서 활동지로의 통행빈도, 활동지에서의 체류시간, 활동지로의 출발시각 범위 등을 고려하여 승객의 통행목적을 추정하는 방법론을 제안한다. 본 연구에서 추정하는 통행목적은 정기적인 통행에 해당하는 통근과 통학이며, 통학은 대학교로의 통행만을 대상으로 한다. 즉, 본 연구를 통해 승객의 통행목적이 추정되면, 해당 승객을 근로자와 대학생, 그 외 유형으로 분류하는 것이 가능하다.
본 연구에서는 2015년 10월 12일 ~ 2015 년 10월 18일에 스마트카드를 통해 서울시 및 수도권의 대중교통 정류장을 이용한 승객의 통행목적을 추정하였다. 스마트카드 자료에 있는 약 1억 건의 대중교통 이용기록 중 10회 이상 통행 기록이 있고 승객 유형이‘성인’인 약 574만 명의 승객을 연구대상으로 설정하였다.
본 연구에서는 통근 및 통학 통행을 추정하기 위해 2015년 10월 12일 ~ 2015년 10월 18 일 동안 이용한 스마트카드 자료를 활용하였고, 서울시 및 수도권에 위치한 대중교통 정류장을 이용한 승객을 대상으로 하였다. 이 중 5일간 10회 이상의 통행기록을 보유한 성인(Adult) 승객 데이터만 추출하여 분석에 사용하였다.
스마트카드 자료에 있는 약 1억 건의 대중교통 이용기록 중 10회 이상 통행 기록이 있고 승객 유형이‘성인’인 약 574만 명의 승객을 연구대상으로 설정하였다.
스마트카드 자료에서 분석한 통행목적별 패턴이 실제 통행목적별 패턴과 유사한지 검증하기 위해 2010년 가구통행실태조사 자료를 활용하였다. 표 5는 본 연구를 통해 분석한 스마트카드 자료의 목적별 통행비율과 가구통행실태조사 자료에 나타난 대중교통 이용객의 목적별 통행 비율을 비교한 것이다.
본 연구에서는 통근 및 통학 통행을 추정하기 위해 2015년 10월 12일 ~ 2015년 10월 18 일 동안 이용한 스마트카드 자료를 활용하였고, 서울시 및 수도권에 위치한 대중교통 정류장을 이용한 승객을 대상으로 하였다. 이 중 5일간 10회 이상의 통행기록을 보유한 성인(Adult) 승객 데이터만 추출하여 분석에 사용하였다. 하루의 통행은 오전 4시부터 시작한다고 가정하여 오전 0시~3시까지의 통행은 이전 날짜 통행의 연장으로 간주하였다.

데이터처리

이를 위해 본 연구에서는 승객의 승・하차 정류장 정보를 이용하여 거주지 및 활동지를 추정하고, 거주지와 활동지를 오가는 통행의 빈도, 출발 시각 및 체류 시간 등을 분석하여 통근, 통학 등의 통행목적을 분 류하는 방법론을 개발하였다. 제안하는 방법론의 검증은 스마트카드 자료에서 추정한 통행목 적별 패턴과 가구통행실태조사 자료에서의 통행 목적별 패턴을 비교・분석하여 수행하였다.

성능/효과

통학 통행의 경우, 가구통행실태조사에서는 오전 첨두시(7시~9시)에 대부분의 통행이 발생하지만, 본 연구의 결과에서는 10시 이후에도 지속적으로 통학 통행이 발생하는 것을 확인하였다. 대학생의 귀가 통행은, 가구통행실태조사와 본 연구 결과 모두 근로자의 귀가 통행에 비해 첨두시에 집중되는 현상이 덜한 것으로 나타났다.
본 연구를 통해 추정한 스마트카드의 통행목적별 출발시각 및 통행시간 분포를 가구통행실태조사 자료와 비교해본 결과, 전체적으로 유사한 패턴을 보임을 확인할 수 있었다. 대학생으로 분류된 승객들의 통학 및 귀가 통행에 대한 출발시각이 가구통행실태조사와는 다소 상이한 모습을 보였는데, 이는 가구통행실태조사 자료와 본 연구에서 분석한 스마트카드의 시점이 다르기 때문에 발생한 문제로 판단된다.
그림 6은 목적별 통행시간의 분포를 30분 간격으로 나누어 비교한 것이다. 본 연구에서 제안한 방법론을 통해 스마트카드에서 추정한 통근/통학별 통행시간과 가구통행실태조사 자료에 나타난 통근/통학별 통행시간은 매우 유사하게 나타났다. 통근/통학 통행 모두 30분 이내 급간에서 약간의 차이를 보이지만, 전체적으로 모든 급간에서 통행비율이 비슷하게 나타나는 것을 확인하였다.
이 외에도 대학 밀집 지역에 해당하는 신촌 일대가 활동지로 나타났다. 이를 통해 본 연구 에서 제시한 방법론으로 추정한 승객의 거주지 및 활동지가 실제 토지이용패턴과 유사함을 확인 할 수 있었고 기존 대중교통 이용 통계에서 나타난 지역별 수요가 정성적으로 드러난 것을 확인할 수 있었다.
본 연구에서 추정하는 통행목적은 정기적인 통행에 해당하는 통근과 통학이며, 통학은 대학교로의 통행만을 대상으로 한다. 즉, 본 연구를 통해 승객의 통행목적이 추정되면, 해당 승객을 근로자와 대학생, 그 외 유형으로 분류하는 것이 가능하다.
표 5는 본 연구를 통해 분석한 스마트카드 자료의 목적별 통행비율과 가구통행실태조사 자료에 나타난 대중교통 이용객의 목적별 통행 비율을 비교한 것이다. 통근 통행과 귀가 통행의 비율은 거의 유사하게 추정되었지만 스마트 카드 자료에서 통행목적을 추정하지 못한 기타 통행의 비율이 가구통행실태조사에 비해 높게 나타난 것을 확인할 수 있었다.
본 연구에서 제안한 방법론을 통해 스마트카드에서 추정한 통근/통학별 통행시간과 가구통행실태조사 자료에 나타난 통근/통학별 통행시간은 매우 유사하게 나타났다. 통근/통학 통행 모두 30분 이내 급간에서 약간의 차이를 보이지만, 전체적으로 모든 급간에서 통행비율이 비슷하게 나타나는 것을 확인하였다.
근로자의 귀가 통행 역시, 본 연구의 결과와 가구 통행실태조사에 나타낸 패턴이 유사함을 보였다. 통학 통행의 경우, 가구통행실태조사에서는 오전 첨두시(7시~9시)에 대부분의 통행이 발생하지만, 본 연구의 결과에서는 10시 이후에도 지속적으로 통학 통행이 발생하는 것을 확인하였다. 대학생의 귀가 통행은, 가구통행실태조사와 본 연구 결과 모두 근로자의 귀가 통행에 비해 첨두시에 집중되는 현상이 덜한 것으로 나타났다.

후속연구

각 지표에 대해서 본 연구의 결과와 가구통행실태조사 자료의 결과가 전반적으로 동일한 패턴을 보였다. 다만, 보다 정교한 검증을 위해서는 동일한 시점에 조사된 스마트 카드 및 가구통행시태조사 자료를 이용해야 할 것이라 판단된다.
대학생으로 분류된 승객들의 통학 및 귀가 통행에 대한 출발시각이 가구통행실태조사와는 다소 상이한 모습을 보였는데, 이는 가구통행실태조사 자료와 본 연구에서 분석한 스마트카드의 시점이 다르기 때문에 발생한 문제로 판단된다. 동일한 시점의 설문조사 자료와 스마트카드 자료를 비 교한다면, 본 연구를 통해 추정한 대학생들의 통행패턴을 보다 정교하게 검증할 수 있을 것이라 사료된다.
따라서 스마트카드에서 대학생들을 분류하고, 그들의 대중교통 이용패턴을 분석할 수 있다는 점은 모빌리티 서비스 수요 분석 측면에서 매우 활용가치가 높다고 할 수 있다. 또한 쇼핑, 여가활동 등 비정기적인 목적의 대중교통 통행에 대한 추정 및 도보, 택시 등 타수단과 연계한 분석이 수행된다면, 보다 미시적으로 시민들의 대중교통 이용패턴을 파악할 수 있으리라 사료된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	스마트카드 자료란 무엇인가?	스마트카드 자료에는 대중교통 이용객들의 승・하차 정류장 및 시간, 이용 노선, 환승 등의 통행정보가 기록된다. 서울시 및 수도권의 하루 평균 대중교통 이용객 수는 천만 명이 넘고, 이 중 98%가 스마트카드를 사용한다(Bin et al .
	스마트카드 자료에 기록되지 않는 것은 무엇인가?	하지만 통행목적별 수요를 파악하기 위해 스마트카드 자료를 활용하는 것에는 한계가 있다. 스마트카드 자료에는 승객의 통행목적이 기록되지 않기 때문이다. 통행목적별 수요를 분석한 기존 연구에서는 가구통행실태조사와 같은 설문 조사 자료를 주로 이용하였다.
	가구통행실태조사로 기록된 통행정보의 장점과 한계는 각각 무엇인가?	가구통행실태조사에는 거주지, 성별, 연령, 직업 등 개인의 인구 사회적 속성과 통행목적이 포함된 통행정보가 기록되어 있다. 이로 인해 인구 속성 및 통 행목적과 연계한 대중교통 이용패턴에 대한 분 석이 가능하다는 장점이 있지만, 개인정보 노출 우려로 인해 거시적인 교통존 단위의 통행정보가 기록되어 있고, 설문조사 방식이기 때문에 전수조사에 한계가 있다.

참고문헌 (11)

Alsger, A., A. Tavassoli, M. Mesbah, L. Ferreira and M. Hickman. 2018. Public transport trip purpose inference using smart card fare data. Transportation Research Part C: Emerging Technologies, 87:123-137.

상세보기
Amaya, M., R. Cruzat and M. A. Munizaga. 2018. Estimating the residence zone of frequent public transport users to make travel pattern and time use analysis. Journal of Transport Geography, 66:330-339.

상세보기
Barry, J., R. Newhouser, A. Rahbee and S. Sayeda. 2002. Origin and destination estimation in New York City with automated fare system data. Transportation Research Record: Journal of the Transportation Research Board, 1817:183-187.

상세보기
Bin, M.Y., S.J. Lee and E.S. Jung. 2011. A Study on Analysis Travle Patterns and Applications Using Gueonggi-Do Traffic Card Data. Gyeonggi Research Institute, pp.1-148
Han, S.U., H.Y. Kang and M.H. Lee. 2015. Residential Distribution of Public Trasport Commuter by Smart Card through the Use of the Major Sub way Influence Area : Fous on Metropolitan, Journal of Korea Planning Association, 50(4):103-117.
Jun, C. and Y. Dongyuan. 2013. Estimating smart card commuters origin-destination distribution based on APTS data. Journal of Transportation Systems Engineering and Information Technology, 13(4):47-53.

상세보기
Lee, S.G. and M. Hickman. 2014. Trip purpose inference using automated fare collection data. Public Transport, 6(1-2):1-20.
Medina, S.A.O. 2018. Inferring weekly primary activity patterns using public transport smart card data and a household travel survey. Travel Behaviour and Society 12:93-101.
Sari Aslam, N., T. Cheng and J. Cheshire. 2018. A high-precision heuristic model to detect home and work locations from smart card data. Geo-spatial Information Science, pp. 1-11
Yang, H.J., H.W. Nam and C.M. Jun. 2018. Analysing Potential Improvement of Public Transit Services in OD Level Using Time-Distance Accessibility and Smartcard Traffic Volume, The Korean Association of Geographic Information Studies, 21(2):80-93.
Zou, Q., X. Yao, P. Zhao, H. Wei and H. Ren. 2018. Detecting home location and trip purposes for cardholders by mining smart card transaction data in Beijing subway. Transportation 45(3):919-944.

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