[논문]위치기반 트윗 데이터를 이용한 도심권 추정과 인구의 공간분포 분석

김태규; 이진규; 조재희

doi:10.9716/kits.2019.18.1.131

위치기반 트윗 데이터를 이용한 도심권 추정과 인구의 공간분포 분석
Discovery of Urban Area and Spatial Distribution of City Population using Geo-located Tweet Data 원문보기

한국IT서비스학회지 = Journal of Information Technology Services, v.18 no.1, 2019년, pp.131 - 140

김태규 (광운대학교 경영정보학과) , 이진규 (광운대학교 경영정보학과) , 조재희 (광운대학교 정보융합학부)

Abstract ▼ AI-Helper

This study compares and analyzes the spatial distribution of people in two cities using location information in twitter data. The target cities were selected as Paris, a traditional tourist city, and Dubai, a tourist city that has recently attracted attention. The data was collected over 123 days in 2016 and 125 days in 2018. We compared the spatial distribution of two cities according to the two periods and residence status. In this study, we have found a hot place using a spatial statistical model called dart-shaped space division and estimated the urban area by reflecting the distribution of tweet population. And we visualized it as a CDF (cumulative distribution function) curve so that the distance between all the tweets' occurrence points and the city center point can be compared for different cities.

주제어

표/그림 (10)

표 Volumn of the Geo Tweets
그림 Dart-type Space Division
그림 Data Mart Schema for Urban Spatial Analysis
그림 Dart-type Space Division Map of Paris
그림 Dart-type Space Division Map of Dubai
그림 Urban Areas in Paris
그림 Urban Areas in Dubai
그림 Comparison of Urban Area Size
그림 CDF of Two Cities by Year
그림 CDF of Two Cities by Residence Status

AI 본문요약
AI-Helper

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

문제 정의

이렇게 연동된 트윗의 위치정보는 트윗봇이나 중계기 위치가 아닌 사용자가 등록한 정확한 위치이다. 따라서 본 연구에서는 사용자의 정확한 위치 정보를 사용하기 위해 사용자가 Instagram앱이나 Foursquare앱을 통해 업로드한 트윗만을 추출하였다. 한편 현지인과 외국인 분류는 사용자 모국어(user_language) 필드값을 이용하여 구분하였다.
이에 따라 Cho and Baik(2018)은 다트형 공간분할 기법을 창안하였는데, 이것은 특정 지역(예 :지하철 역세권)의 중심점을 설정하고, 이 지역 내에서 SNS가 발생한 위치와 중심점 간의 거리 뿐만 아니라 SNS가 발생한 위치, 중심점, 그리고 정북 수직선이 형성하는 사잇각을 모두 계산한 후, 이 두 가지 속성값을 다트형 공간을 창출하는 기초 데이터로 사용한다. 본 논문에서는 이 공간분할 개념을 도시라는 비교적 큰 공간에 적용하여 그 효용성을 검증해 보았다.
본 연구에서는 파리와 두바이 두 도시에서 발생한 지오트윗 데이터를 사용하여 도시 내 사람의 공간분포를 분석하였다. 2016년과 2018년, 내국인과 외국인으로 구분하여 공간분포의 차이를 비교 · 분석 하였으며, 도심권의 면적을 계산하고 시각적으로 형상화하여 차이점을 이해하기 쉽게 만들었다.

제안 방법

‘다트형’ 공간분할 방식을 위해 생성한 도시 중심점과 트윗 발생지점 사이의 거리와 정북대비 각도를 활용하여 다양한 분석을 시도하였다.
이러한 이동성 연구는 Barbosa et al.(2018)에 의해 집대성되었는데, 이 연구보고서는 최근 10여년간 진행된 시공간데이터 분석 연구를 일목요연하고, 체계적으로 정리하였다. 특히 데이터 소스 종류를 소개하고, 이동성 지수들을 일반 지수와 물리적인 지수로 구분하였고, 이동성 모델을 개인 수준 모델과 전체수준 모델로 구분하여 정리하였으며, 응용 분야도 세 가지로 분류(교통수단에 의한 이동성, 다양한 디바이스에 의해 수집되는 복합적인 이동성, 그리고 물리적이 아닌 온라인 이동성)하여 정리되었는데, 연구방향을 제시하는 중요한 논문으로 평가한다.
2016년과 2018년, 내국인과 외국인으로 구분하여 공간분포의 차이를 비교 · 분석 하였으며, 도심권의 면적을 계산하고 시각적으로 형상화하여 차이점을 이해하기 쉽게 만들었다.
이는 ‘다트형 공간분할’과 ‘폴리라인’으로도 확인이 가능하다. 그러나 두 도시를 한 차트로 비교하기엔 제한적이기 때문에 CDF(cumulative distribution function)커브를 그려서 두 도시 내 트윗인구의 공간분포를 시각화 비교하였다.
도시중심점으로부터 10km 이내의 공간에서 수집된 트윗과 15°각도로 등분한 24개의 파이형 차원을 이용하여 폴리곤 형태를 만들어 두 도시의 도심권역을 추정하였다.
파리와 두바이 두 도시의 중심점으로부터 반경 10km 이내에서 발생된 모든 트윗지점과 도시 중심점 사이의 거리(km)라는 측정치를 x축에 배치하고, y축에 누적확률을 배치하여 CDF(cumulative distribution function) 커브를 도시하였다. 두 도시의 연도별 공간분포와 현지인-외국인의 공간분포를 각각 [Figure 8]과 [Figure 9]에 비교하였다. 이 커브에서 곡선의 기울기가 클수록 해당지역의 트윗량이 많음을 나타낸다.
둘째, 2016년 데이터와 2018년 데이터를 사용하여 두 시점의 공간분포를 비교하였고, 동시에 현지인과 외국인을 구분하여 두 집단의 차이를 비교하였다.
본 연구에서는 ‘다트(Dart)형 공간분할’이라는 공간 통계 모형을 이용하여 트위터 사용자의 공간분포를 집계하였고, 이를 통해 상기한 두 도시를 공간적으로 비교 분석하였다.
본 연구에서는 도넛반경을 1km, 파이각도를 15°로 설정하였으며, 이에 따라 도넛공간 10가지와 파이공간 24가지가 생성되었고, 이를 결합한 다트형 공간의 개수는 240가지이다.
셋째, 지오트윗 데이터를 창의적으로 변환하여 폴리 라인을 만들었고, 이를 이용해 도심권역을 추정하였다. 즉, 도심권역을 추정하는데 있어서 해당 지역에서 트윗 활동을 한 사람들의 수를 반영하는 방법을 제시하였다.
수식 (a)는 Haversine 거리 공식으로 두 지점 간의 직선 거리를 구하는데 사용된다. 이 공식에 의해 도시 중심좌표와 사용자가 트윗한 위치좌표 간의 거리를 계산하였다. 여기서 Lat은 Latitude(위도)를, Lon은 Longitude(경도)를 나타낸다.
도시 중심점으로부터 어느 정도의 거리까지 인구의 분포가 형성되어 있는지 확인할 수 있기 때문에 도심권역을 설명하기에 적합하다고 판단된다. 이 폴리라인을 통해 파리와 두바이 두 도시의 도심권역을 추정하였다.
셋째, 지오트윗 데이터를 창의적으로 변환하여 폴리 라인을 만들었고, 이를 이용해 도심권역을 추정하였다. 즉, 도심권역을 추정하는데 있어서 해당 지역에서 트윗 활동을 한 사람들의 수를 반영하는 방법을 제시하였다.
첫째, 기존의 ‘격자형’ 공간분할 방법과는 다른 새로운 ‘다트형’ 공간분할 방법을 제시하였고 이를 사용하여 두 도시 내 인구의 공간분포를 분석하였다.
(2018)에 의해 집대성되었는데, 이 연구보고서는 최근 10여년간 진행된 시공간데이터 분석 연구를 일목요연하고, 체계적으로 정리하였다. 특히 데이터 소스 종류를 소개하고, 이동성 지수들을 일반 지수와 물리적인 지수로 구분하였고, 이동성 모델을 개인 수준 모델과 전체수준 모델로 구분하여 정리하였으며, 응용 분야도 세 가지로 분류(교통수단에 의한 이동성, 다양한 디바이스에 의해 수집되는 복합적인 이동성, 그리고 물리적이 아닌 온라인 이동성)하여 정리되었는데, 연구방향을 제시하는 중요한 논문으로 평가한다.
파리와 두바이 두 도시의 중심점으로부터 반경 10km 이내에서 발생된 모든 트윗지점과 도시 중심점 사이의 거리(km)라는 측정치를 x축에 배치하고, y축에 누적확률을 배치하여 CDF(cumulative distribution function) 커브를 도시하였다. 두 도시의 연도별 공간분포와 현지인-외국인의 공간분포를 각각 [Figure 8]과 [Figure 9]에 비교하였다.
파리와 두바이에서 발생한 위치기반 SNS 데이터를 이용하였고, 이 데이터가 제공하는 속성 정보와 추가로 만든 파생 정보를 활용하여 공간분석을 수행하였다. 본 연구의 의의는 다음과 같다.

대상 데이터

Lenormand et al.(2016)의 연구도 주목 받는 이동성 분석 연구 중 하나인데, 2010년 10월부터 1,000일 동안 트윗터리언 57만 명이 보낸 2천 1백만건의 지오트윗 데이터를 수집한 후, 58개 도시를 선정하여 비교 분석하였다. 이 연구의 특징은 방문셀(visited cells) 개념을 사용한 점인데, 이 방법을 통해 현지인보다 관광객이 더 많은 장소(방문셀)를 이동한다는 결론을 도출하였다.
본 논문에서 제안하는 도넛형, 파이형, 다트형 공간차원에 의한 시각화 분석을 구현하기 위해와 [Figure 2]같은 데이터마트를 구축하였다. 메인 테이블은 다섯 가지 차원(사용자 속성, 다트형 공간분할, 트윗발생 위치좌표, 트윗발생 일시, 대상 도시)과 네 가지 측정치(트윗량, 트윗인구, 거리, 각도)로 구성되어 있다.
트위터의 Public Streaming API를 사용하여 파리와 두바이 두 도시에서 발생한 지오트윗을 수집하였고, 시간적 범위는 2016년(123일 간)과 2018년(125일 간)이며, 공간적 범위는 도시 중심점으로부터 반경 10km 이내로 설정하여 추출하였다.

데이터처리

(2014)와 같은 연구자는 2012년 1년 동안 트윗터리언 1,300만 명이 발생시킨 9억 4천만 건에 달하는 지오트윗 데이터를 사용하여 국적과 해외여행 여부, 평균 여행거리 등 사용자속성 정보를 구한 후, 해외여행 비율, 여행지 다양성, 출입국 비율 등을 계산하였다. 검증을 위해 국제관광 기구에서 발간하는 통계치와 비교하여 그 유의성을 입증하였다. 이는 온라인 데이터(지오트윗량)의 통계치를 오프라인 데이터(항공교통량)의 통계치로 검증한 사례로 주목된다.

이론/모형

도심권을 시각적으로 형상화하기 위해 폴리라인 개념을 사용하였다. 폴리라인은 파이형 공간차원을 이용하여 생성하는데, 각 파이공간(15°) 안에서 수집된 트윗점들의 위도 평균값과 경도 평균값의 위치를 점으로 찍고 그 점을 이어 다각형을 만든 것이다.
수식 (a)는 Haversine 거리 공식으로 두 지점 간의 직선 거리를 구하는데 사용된다. 이 공식에 의해 도시 중심좌표와 사용자가 트윗한 위치좌표 간의 거리를 계산하였다.
앞서 언급한 Haversine 거리공식을 사용해 도시중심점과 각 트윗점 사이의 거리를 계산하였다. 모든 트윗의 거리를 계산하였기 때문에 도시 중심점으로부터 어느 정도 떨어진 거리에 인구의 분포가 이루어져 있는지 확인할 수 있다.

성능/효과

넷째, 어떤 지역에서 발생한 GPS 정보만 있으면 본 논문에서 제안하는 공간분석 프레임워크를 적용하여 상세한 공간분석이 가능하다. 이 분석정보는 상가 및 주거시설의 입지선정, 마케팅 및 상권 분석 등 다양한 분야에 응용될 수 있다.
1절 핫플레이스 발견)에서 언급한 에펠탑과 샹젤리제거리 등 유명 관광지가 위치해 있는 구간이기 때문이다. 두바이는 반경 2km～2.5km 구간(버즈칼리파, 두바이몰)에 현지인의 트윗량이 많고, 외국인은 4km(뉴골드숙센터)에 트윗량이 많음을 확인할 수 있다.
이 연구의 특징은 방문셀(visited cells) 개념을 사용한 점인데, 이 방법을 통해 현지인보다 관광객이 더 많은 장소(방문셀)를 이동한다는 결론을 도출하였다. 또한 도시 간 이동링크를 분석하여 뉴욕과 런던이 58개 도시 중 월등하게 각각 글로벌 중심도시 1위와 2위를 차지하고, 이어서 3위 파리, 4위 동경, 5위 싱가포르라는 결론을 도출하였다.
(2016)의 연구도 주목 받는 이동성 분석 연구 중 하나인데, 2010년 10월부터 1,000일 동안 트윗터리언 57만 명이 보낸 2천 1백만건의 지오트윗 데이터를 수집한 후, 58개 도시를 선정하여 비교 분석하였다. 이 연구의 특징은 방문셀(visited cells) 개념을 사용한 점인데, 이 방법을 통해 현지인보다 관광객이 더 많은 장소(방문셀)를 이동한다는 결론을 도출하였다. 또한 도시 간 이동링크를 분석하여 뉴욕과 런던이 58개 도시 중 월등하게 각각 글로벌 중심도시 1위와 2위를 차지하고, 이어서 3위 파리, 4위 동경, 5위 싱가포르라는 결론을 도출하였다.
두바이의 경우는 두 연도 간의 변화가 두드러진다. 현지인의 경우 도심권역이 48% 확대되었고, 외국인의 경우 또한 20% 확대되었다. 이는 급성장하고 있는 두바이의 경제를 반영한 것이라고 추정된다.

후속연구

넷째, 어떤 지역에서 발생한 GPS 정보만 있으면 본 논문에서 제안하는 공간분석 프레임워크를 적용하여 상세한 공간분석이 가능하다. 이 분석정보는 상가 및 주거시설의 입지선정, 마케팅 및 상권 분석 등 다양한 분야에 응용될 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	트윗 데이터 분석 연구의 분류방식은?	트윗 데이터 분석 연구는 사용자의 분포와 이동성을 분석하는 연구와 사용자의 위치를 추정하는연구로 분류되며, GPS와 같은 위치값의 존재할 경우 상세한 분포 분석과 이동성 분석이 가능하고, 위치값이 없을 경우 후자와 같이 위치 추정 연구를 진행하게 된다(Cho and Seo, 2016).
	폴리곤의 형태가 24각형이 되는 이유는?	도시중심점으로부터 10km 이내의 공간에서 수집된 트윗과 15°각도로 등분한 24개의 파이형 차원을 이용하여 폴리곤 형태를 만들어 두 도시의 도심권역을 추정하였다. 폴리곤은 각 파이형 공간의 트윗위치의 산술평균 24개 지점을 꼭짓점 삼아 연결하여 형성한다. 따라서 폴리곤의 형태는 24각형이다.
	지오트윗 데이터 안에는 어떤 데이터가 존재하는가?	지오트윗 데이터 안에는 트윗봇에 의해 발생되는 데이터와 중계기(Cell) 위치값을 기록한 데이터가 존재한다. ‘트윗봇’은 트위터에서 트윗글을 예약된 시간에 올리게 하거나 다른 트위터 이용자를 자동으로 팔로우 하는 데 사용되는 서비스이며 ‘트위터(Twitter)’와 ‘로봇(robot)’의 합성어로 ‘로봇이 발송하는 트윗’이라는 의미이다.

참고문헌 (13)

Barbosa, H., M. Barthelemy, G. Ghoshal, C.R. James, M. Lenormand, T. Louail, R. Menezes, J.J. Ramasco, F. Simini, and M. Tomasini, "Human mobility : Models and Applications", Physics Reports, Vol.734, 2018, 1-74.

상세보기
Cho, J.H. and E.Y. Baik, "Geo-spatial Analysis of the Seoul Subway Station Areas Using the Haversine Distance and the Azimuth Angle Formulas", Journal of Information Technology Services, Vol.17, No.4, 2018, 139-150.
Cho, J.H. and I. Seo, "Investigation of Twitter Users' Activity Radius and Home Region in the City : The Case of Las Vegas", The Journal of Korean Institute of Communications and Information Sciences, Vol.42 No. 2, 2017, 505-513.
Cho, J.H. and I. Seo, "Comparing the spatial mobility of residents and tourists by using geotagged tweets," Journal of Information Technology Services, Vol.15, No.3, 2016, 211-221.
Gao, S., "Spatio-Temporal Analytics for Exploring Human Mobility Patterns and Urban Dynamics in the Mobile Age", Spatial Cognition and Computation, Vol.15, No.2, 2015, 86-114.

상세보기
Hawelka, B., I. Sitko, E. Beinat, S. Sobolevsky, P. Kazakopoulos, and C. Ratti, "Geo-located Twitter as Proxy for Global Mobility Patterns", Cartography and Geographic Information Science, Vol.41, No.3, 2014, 260-271.

상세보기
Hong, I.Y., "Spatial Distribution of Korean Geotweets", Journal of the Korean Cartographic Association, Vol.15, No.2, 2015, 93-101.
Kang, H.Y., H.J. Jung, and J.Y. Lee, "A Study of Subspacing Strategy for Service Applications in Indoor Space", Journal of Korea Spatial Information Society, Vol.23, No.3, 2015, 113-122.
Kulshrestha, J., F. Kooti, A. Nikravesh, and K.P. Gummadi, "Geographic Dissection of the Twitter Network", Proceedings of the Sixth International AAAI Conference on Weblogs and Social Media, 2012, 202-209.
Lenormand, M., B. Gonclves, A. Tugores, and J.J. Ramasco, "Human diffusion and city influence", Journal of the Royal Society Interface, Vol.12, 2015, doi:10.1098/rsif.2015.0473(Downloaded July 23, 2016).

상세보기
Shin, W.-Y., B.C. Singh, J.H. Cho, and A.M. Everett, "A New Understanding of Friendships in Space : Complex Networks Meet Twitter", Journal of Information Science, Vol.41, No.6, 2015, 751-764.

상세보기
Yin, J., Y. Gao, Z. Du, and S. Wang, "Exploring multi-scale spatiotemporal twitter user mobility patterns with a visual-analytics approach", ISPRS Int. J. Geo-Inf., Vol.5, No.10, 2016, 1-19.
Zheng, Y.T., Z.J. Zha, and T.S. Chua, "Mining Travel Patterns from Geotagged Photos", ACM Transactions on Intelligent Systems and Technology, Vol.3, No.3, 2012, doi:10.1145/2168752.2168770 (Downloaded July 21, 2015).

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