[논문]통신 데이터를 활용한 도보관광코스 유동인구 추정 및 분석

박예림; 강영옥

doi:10.22640/lxsiri.2019.49.1.181

통신 데이터를 활용한 도보관광코스 유동인구 추정 및 분석
Estimation of Flow Population of Seoul Walking Tour Courses Using Telecommunications Data 원문보기

지적과 국토정보 = Journal of cadastre & land informatix, v.49 no.1, 2019년, pp.181 - 195

박예림 (이화여자대학교 일반대학원 사회과교육학과 지리학 전공) , 강영옥 (이화여자대학교 사회과교육과)

초록
AI-Helper

본 연구의 목적은 통신 데이터를 통해 구축한 유동인구 데이터를 활용하여 서울시 도심도보관광코스 내 유동인구 특성을 파악하고 효과적으로 시각화하여 공간적인 맥락을 분석하는 것이다. 도로에 따른 유동인구 추정을 위해 유동인구 데이터 정제 기법을 개발하여 도보관광코스 별 유동인구 데이터를 구축하였다. 도보관광코스 분석에 적합한 형태로 정제하기 도로 주변 유동인구 값을 고려한 유동인구 추정하여 도보관광코스 내 유동인구를 할당하였다. 정제된 데이터를 바탕으로 서울도보관광 18개 코스 각각의 유동인구 특성과 공간 특성을 도출하였다. 도보관광코스 내 유동인구의 공간 밀도와 집중 구간을 분석하기 위해 커널 밀도분석과 Getis-Ord $G^*_i$ 통계를 적용하였으며 3D 시각화를 통해 서울도보관광 18개 코스별 유동인구 특성을 성, 연령, 시간, 요일에 따라 정량적으로 파악하였다. 그 결과 청계천 제1코스, 경희궁-서대문코스, 인사동-운현궁 코스 순으로 유동인구 규모가 크게 나타났으며 주중에는 인사동-운현궁, 주말에는 성북동 코스의 유동인구가 많았다. 남성 유동인구 비율이 가장 높은 코스는 청계천 제1코스, 여성 유동인구 비율이 가장 높은 코스는 몽촌토성 코스였다. 주말 유동인구 비율이 가장 높은 도보관광코스는 성북동 코스임을 확인할 수 있었다.

Abstract ▼ AI-Helper

This study aims to analyze the spatial context by analyzing the flow characteristics of the walking tour course and visualizing effectively using the floating population data constructed through the communication data. The floating population data refinement algorithm was developed for estimation flow population along the road and the floating population data for each walking tour courses was constructed. In order to adopt the algorithm for forming suitable for the analysis of the walking tour courses, the estimation of floating population considering the area of the road and the estimation of floating population considering the value of floating population around the road were compared. As a result, the estimation of floating population considering ambient the values of flow population was adopted, which is more appropriate to apply analysis method due to the relatively consistent data. Then, a datamining algorithm for walking tour course was constructed according to the characteristics of the floating population data, the absence of missing values. Finally, this study analyzed the flow characteristics and spatial patterns of 18 walking trails in Seoul through the floating population data according to walking tour course. To do this, the kernel density analysis and the Getis-Ord $G^*_i$ statistical hotspot analysis were applied to visualize the main characteristics of each walking tour course.

주제어

표/그림 (17)

그림 Figure 1. Floating Population Data (Each grid size is 50 * 50 m)
그림 Figure 2. Research Flow
그림 Figure 3. Data preprocessing to allocate flow population to road
그림 Figure 4. Estimation of Flow Population Considering Road Area
그림 Figure 5. Data preprocessing to allocate flow population to road considering Road Buffer
그림 Figure 6. Flooding population estimation results by data processing method (number designates floating population)
그림 Figure 7. Split walking tour course by 10 meters
그림 Figure 9. Preprocessing of flow population data in case of data missing in parks and palaces
그림 Figure 8. Examples of data missing in parks and palaces
그림 Figure 10. Daily average floating population per unit distance of walking tour course
그림 Figure 11. Floating population of the walking tour course by the time (part)
그림 Figure 12. Floating population of the walking tour course by day
그림 Figure 13. Floating population of the walking tour course by age and gender
그림 Figure 14. Man’s seasonal Hot Spot in Changgyeonggung
그림 Figure 15. Mongchon Rampart seasonal Hot Spot
그림 Figure 16. KDE of Cheonggyecheon 2 course
그림 Figure 17. KDE of Traditional Market course

AI 본문요약
AI-Helper

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

문제 정의

본 연구는 도보관광코스 별 유동인구 규모를 파악하고 시간대별, 계절별, 연령 및 성별 유동인구의 특성을 공간적으로 시각화하여 향후 도보관광코스 운영에의 기초자료로 활용할 수 있는 가능성을 제시하였다는 점에서 의의가 있다. 또한, 유동인구 데이터를 도로 형태에 맞게 정제하여 미시적 단위에서 유동인구 특성을 시각화하고 공간 활용 패턴을 분석할 수 있게 하였다는 점에서 의의가 있다.
본 연구는 통신 기반 유동인구 데이터를 활용하여 서울시 내의 도보관광코스의 이용 특성을 분석하고 시각화하고자 하였다.
유동인구가 극히 드문 곳이나 데이터의 오류로 인한 결측은 해당 그리드의 지난 달 및 다음 달 데이터를 통해 실제로 유동인구가 현저히 낮아 수집되지 않았는지 유동인구가 발생함에도 추정되지 않은 것인지 판단하였다.
도보 관광의 특성을 파악하기 위해 기존 연구에서는 도보관광길에 방문하는 일부 보행자를 대상으로 설문조사를 하거나 GPS를 이용한 이동 데이터를 수집하여 분석을 수행하는 방법이 주를 이루어 왔다. 이러한 방법은 도보관광 코스의 유동 인구 규모나 이용 행태에 대한 정량적 파악은 어렵기 때문에 본 연구에서는 통신기반 유동인구 데이터를 활용하여 서울시 도보관광코스의 유동인구 규모와 이동 특성을 분석하고자 한다. 이를 위해 2장에서는 도보 관광과 유동인구 데이터를 활용한 관련 연구에 대해서 살펴보았고, 3장에서는 유동인구 데이터를 도보 관광에 적용하기 위한 데이터 정제과정을 기술하였으며, 4장에서는 정제된 데이터를 서울시 도보관광코스에 적용하여 유동인구 속성별 이용특성을 살펴보았다.

제안 방법

도보관광코스 내 유동인구의 성/연령별, 시간대별, 계절별, 요일별 속성에 따른 공간적 패턴 변화와 이용 특성을 밝히기 위해 공간 분석을 수행하였다. 공간분석은 커널 밀도 분석(Kernel Density Estimation, KDE)을 수행하였으며, 이를 통해 유동인구 밀집 정도와 밀집된 공간, 공간의 특성을 파악하고자 하였다. 커널 밀도 분석은 커널 함수(K)로 분석하고자 하는 피처나 피처 속성 값의 밀도를 계산하는 것으로 각각의 피처에 검색 반경인 대역폭(h)을 결정하는 것이 선행된다.
그 결과 청계천 02코스, 동대문 전통마켓코스, 성북동 코스의 경우는 공원 및 궁궐을 포함하고 있지 않았으나 데이터의 단순 결측이 발견되었다. 공원이나 궁궐을 포함하고 있는 코스 중 경복궁~효자동, 창경궁, 창덕궁, 남산성곽 코스의 경우 산책로, 탐방로가 설치되어 있음에도 특정 달에 결측이 상당수 발생하여 이에 따른 정제 과정을 거쳐 데이터를 구축하였다.
도로 면적에 비례하여 유동인구를 추정하는 첫 번째 방법은 모든 유동인구가 도로를 통해 이동한다는 것을 전제로 격자 그리드로 설정되어있는 유동인구 데이터의 공간 단위를 도로로 변환하고, 도로 면적에 따라 유동인구를 할당하는 것이다. 이를 위해 도로 폴리곤 데이터를 유동인구 그리드 형태대로 분할하고 분할된 도로 구간에 유동인구 값을 대입하였다(Figure 3).
주중 유동인구 비율이 높은 코스는 인사동-운현궁 코스였으며 주말 유동인구 비율, 여자 유동인구 비율, 60대 이상 연령층의 비중이 높았던 코스는 성북동 코스로 나타났다. 도보 관광코스가 공원이나 궁궐과 연계되는 경우와 그렇지 않은 경우를 구분하여 코스별 유동인구의 특성을 살펴보았다.
도보관광코스 내 유동인구의 성/연령별, 시간대별, 계절별, 요일별 속성에 따른 공간적 패턴 변화와 이용 특성을 밝히기 위해 공간 분석을 수행하였다. 공간분석은 커널 밀도 분석(Kernel Density Estimation, KDE)을 수행하였으며, 이를 통해 유동인구 밀집 정도와 밀집된 공간, 공간의 특성을 파악하고자 하였다.
도보관광코스의 규모를 파악하기 위해 단위 거리를 기준으로 코스별 유동인구 수를 비교하였다. 도보관광코스의 코스 길이가 각기 다르기 때문에 코스 내 총 유동인구를 10 m 단위로 표준화하여 산출하였다.
도보관광코스의 규모를 파악하기 위해 단위 거리를 기준으로 코스별 유동인구 수를 비교하였다. 도보관광코스의 코스 길이가 각기 다르기 때문에 코스 내 총 유동인구를 10 m 단위로 표준화하여 산출하였다. 단위거리¹⁾당 일평균 유동인구를 계산한 결과 청계천 제 1코스에서 일평균 약 8,550명으로 가장 많은 유동인구가 발생하였고 이어 경희궁-서대문 코스, 인사동-운현동 코스 순으로 나타났다(Figure 10).
통신사에서 추정한 유동인구 데이터는 격자로 분할되어있어 도로를 따라 발생하는 도보관광 분석에는 적합하지 않아 도로 기반으로 유동인구 데이터를 처리할 필요가 있다. 본 연구에서는 두 가지의 추정 방법을 고안하였는데 첫째는 도로면적에 비례하여 유동인구 값을 할당하는 방법이며, 두 번째는 도로 주변의 유동인구 값을 고려하여 추정하는 방법이다.
분할된 도로 구간 내에서 도보관광코스가 포함된 도로만을 추출하여(Figure 4) 그리드로 분할된 도로 면적 대비 도보관광코스가 포함된 도로 면적비율에 따라 유동인구를 할당하였다.
앞서 기술한 두 가지 방법을 북촌 한옥 마을코스에 적용해 보고 추정된 유동인구 값을 비교하였다(Figure 6). 도로 면적에 따른 유동인구 추정 기법은 도보 관광 도로의 크기에 따라 유동인구의 추정이 지나치게 작아져 인접한 그리드들의 인구가 연속적으로 증감되지 않고 급격하게 변화되는 현상이 나타났다.
이때 버퍼의 크기는 유동인구 데이터 그리드 크기를 고려하여 기준 지점으로부터 주변 유동인구 데이터를 효과적으로 반영할 수 있는 50 m로 지정하고 위의 수식을 적용하였다(Figure 5).
도로 면적에 비례하여 유동인구를 추정하는 첫 번째 방법은 모든 유동인구가 도로를 통해 이동한다는 것을 전제로 격자 그리드로 설정되어있는 유동인구 데이터의 공간 단위를 도로로 변환하고, 도로 면적에 따라 유동인구를 할당하는 것이다. 이를 위해 도로 폴리곤 데이터를 유동인구 그리드 형태대로 분할하고 분할된 도로 구간에 유동인구 값을 대입하였다(Figure 3). 분할된 도로 구간 내에서 도보관광코스가 포함된 도로만을 추출하여(Figure 4) 그리드로 분할된 도로 면적 대비 도보관광코스가 포함된 도로 면적비율에 따라 유동인구를 할당하였다.
즉 통신데이터 제공단위인 50 m는 도보관광코스가 짧은 구간의 경우 공간 분석 단위로 적합하지 않다고 판단하여 더 작은 공간 분석 단위를 설정할 필요성이 있었다. 주변 유동 인구 값을 고려하고 유동인구 추정 방법이 적용 가능한 최소 단위인 10 m 간격으로 도로링크를 생성하고 도로를 분할하였다(Figure 7).
주변 유동인구 수를 고려하여 유동인구를 추정하는 두 번째 방법은 통신 데이터에서 그리드 내 유동인구 수를 추정할 때 주변 유동인구수가 유사하도록 보정하는 것을 고려하여 고안하였다.
본 연구는 통신 기반 유동인구 데이터를 활용하여 서울시 내의 도보관광코스의 이용 특성을 분석하고 시각화하고자 하였다. 통신 빅데이터를 통해 구축한 유동인구 데이터를 도보관광코스 분석에 활용할 수 있도록 주변 유동인구 값을 고려한 도로 기반 정제 기법을 적용하여 데이터를 구축하고 결측치에 대한 보완 작업을 수행하였다.

대상 데이터

도보관광코스 데이터는 한국관광공사가 운영하는 두루누비 포털사이트(https://www.durunubi. kr/)에 게시된 ‘서울도보관광코스’를 활용하였다.
두루누비에 게시된 서울도보관광코스 총 20개 중 창덕궁, 창경궁 코스와 구간이 겹치는 창덕궁 생태코스, 창경궁 생태코스를 제외한 18개의 코스를 분석대상으로 하였다. 도보관광코스 유동인구 데이터 정제 과정에 따라 서울도보관광 18개 코스의 데이터를 정제하였다. 그 결과 청계천 02코스, 동대문 전통마켓코스, 성북동 코스의 경우는 공원 및 궁궐을 포함하고 있지 않았으나 데이터의 단순 결측이 발견되었다.
kr/)에 게시된 ‘서울도보관광코스’를 활용하였다. 두루누비에 게시된 서울도보관광코스 총 20개 중 창덕궁, 창경궁 코스와 구간이 겹치는 창덕궁 생태코스, 창경궁 생태코스를 제외한 18개의 코스를 분석대상으로 하였다. 도보관광코스 유동인구 데이터 정제 과정에 따라 서울도보관광 18개 코스의 데이터를 정제하였다.
유동인구 데이터는 무선 통신 방식에 따라 해당 통신사 모든 사용자의 CDR(Call Detail Record) 데이터를 추산하여 만든 데이터이다. 본 연구에서 활용한 데이터는 통신사의 시장 점유율을 고려하였으며 근로자와 거주자는 제외하고 산출된 것이다. 각 기지국에서 발생한 통신 데이터를 기반으로 머무른 시간을 집계하여 주중 9시부터 18시까지의 시간 중 전체 시간의 60% 이상, 약 5시간 30분 이상 동일한 위치에 있는 경우에는 근무자로 판단하고, 주중 야간시간대에 약 5시간 30분 이상 위치하는 곳과 일요일 야간시간대에 위치한 곳이 동일한 경우에는 거주자로 판단한다.

데이터처리

통계적으로 유의미한 유동인구 집중지역(Hot Spot, 핫스팟)과 희박지역(Cold Spot, 콜드스팟)을 도출하기 위해 Getis-Ord G*i 통계를 활용하였다.

이론/모형

유동인구가 희박하여 발생한 데이터 결측을 제외하고, 유동인구값의 단순 결측과 공원 및 궁궐 내 결측은 크리깅(Kriging) 보간 기법을 통해 결측 값을 추정하였다(Oliver 1990).
커널 밀도 분석은 커널 함수(K)로 분석하고자 하는 피처나 피처 속성 값의 밀도를 계산하는 것으로 각각의 피처에 검색 반경인 대역폭(h)을 결정하는 것이 선행된다. 커널 밀도의 계산은 Rosenblatt(1956)이 제시한 수식을 따랐다.

성능/효과

8%로 비교적 높은 비율의 여자 유동인구가 발생하였는데 60대 이상 연령층에서의 여자 유동인구가 많았으며, 50대 및 60대 이상의 장년층 유동인구 비율이 높은 곳으로 나타났다. 10, 20대 젊은 층의 유동인구 비율이 많은 도보관광코스는 성균관 유생들의 이야기 코스로 10, 20대의 비율이 각각 약 9.5%, 26.3%로 다른 코스에 비해 10%p 정도 높게 나타났다.
18개 코스 별로 유동인구 규모 및 유동인구의 공간 패턴을 분석한 결과 궁궐 및 공원 내부에만 위치한 코스(경복궁-효자동, 남산성곽, 성균관 유생들의 이야기, 창경궁, 창적궁), 궁궐 및 공원 밖과 연결된 코스 (경희궁-서대문, 낙산성곽, 덕수궁-정동, 몽촌토성, 선릉-봉은사, 한강-절두산), 궁궐 및 공원을 포함하지 않는 코스(북촌한옥마을, 동대문전통마켓코스, 성북동, 세종마을, 인사동-운현궁, 청계천 제1코스, 청계천 제2코스)별로 다른 특성이 나타났다.
궁궐 및 공원 내 코스가 궁궐 및 공원 밖까지 연결된 도보관광코스의 경우 궁궐 및 공원 외부에 위치한 일부 구간에 포함된 지하철역, 병원 등의 교통 및 상업시설에 유동인구가 집중되는 패턴이 나타났다. 그 중 몽촌토성 코스는 봄, 여름, 겨울에 궁궐 및 공원 밖의 몽촌토성역, 강동구청역 부근과 강동대로 구간에서 99% 수준의 핫스팟이 발생하였으나, 가을에는 평화의 광장을 중심으로 올림픽 공원 내 넓은 구간에서 99% 수준에서 유의한 핫스팟이 나타났다(Figure 15).
그 결과 청계천 02코스, 동대문 전통마켓코스, 성북동 코스의 경우는 공원 및 궁궐을 포함하고 있지 않았으나 데이터의 단순 결측이 발견되었다.
궁궐 및 공원 내 코스가 궁궐 및 공원 밖까지 연결된 도보관광코스의 경우 궁궐 및 공원 외부에 위치한 일부 구간에 포함된 지하철역, 병원 등의 교통 및 상업시설에 유동인구가 집중되는 패턴이 나타났다. 그 중 몽촌토성 코스는 봄, 여름, 겨울에 궁궐 및 공원 밖의 몽촌토성역, 강동구청역 부근과 강동대로 구간에서 99% 수준의 핫스팟이 발생하였으나, 가을에는 평화의 광장을 중심으로 올림픽 공원 내 넓은 구간에서 99% 수준에서 유의한 핫스팟이 나타났다(Figure 15).
단위거리1) 당 일평균 유동인구를 계산한 결과 청계천 제 1코스에서 일평균 약 8,550명으로 가장 많은 유동인구가 발생하였고 이어 경희궁-서대문 코스, 인사동-운현동 코스 순으로 나타났다(Figure 10).
앞서 기술한 두 가지 방법을 북촌 한옥 마을코스에 적용해 보고 추정된 유동인구 값을 비교하였다(Figure 6). 도로 면적에 따른 유동인구 추정 기법은 도보 관광 도로의 크기에 따라 유동인구의 추정이 지나치게 작아져 인접한 그리드들의 인구가 연속적으로 증감되지 않고 급격하게 변화되는 현상이 나타났다. 반면 주변 유동인구 값을 고려한 유동인구 추정 방법은 특정 그리드에서 과소하게 인구가 추정되는 문제가 보완되며, 인접한 그리드들의 인구가 연속성 있게 도출되어 도보 관광코스 내 유동인구의 분포를 효과적으로 파악할 수 있다는 이점이 있는 것으로 판단되었다.
또한, 도로 면적을 고려한 유동인구 추정 기법의 경우, 하나의 그리드 크기에 따라 도로 구간을 약 50m의 길이로 나누어 값을 추정하게 되는데, 분석 대상인 도보관광코스의 최단 길이가 약 700m인 경우도 있고, 이 경우 도보관광 코스가 14개 구간으로 표현되는 것은 분석 단위로 적합하지 않다고 판단되었다. 따라서, 상대적으로 소규모의 지역을 분석할 때는 주변 유동인구 값을 고려한 유동인구 추정 방법이 적합하다고 판단하였다.
반면 주변 유동인구 값을 고려한 유동인구 추정 방법은 특정 그리드에서 과소하게 인구가 추정되는 문제가 보완되며, 인접한 그리드들의 인구가 연속성 있게 도출되어 도보 관광코스 내 유동인구의 분포를 효과적으로 파악할 수 있다는 이점이 있는 것으로 판단되었다. 또한, 도로 면적을 고려한 유동인구 추정 기법의 경우, 하나의 그리드 크기에 따라 도로 구간을 약 50m의 길이로 나누어 값을 추정하게 되는데, 분석 대상인 도보관광코스의 최단 길이가 약 700m인 경우도 있고, 이 경우 도보관광 코스가 14개 구간으로 표현되는 것은 분석 단위로 적합하지 않다고 판단되었다. 따라서, 상대적으로 소규모의 지역을 분석할 때는 주변 유동인구 값을 고려한 유동인구 추정 방법이 적합하다고 판단하였다.
반면 주변 유동인구 값을 고려한 유동인구 추정 방법은 특정 그리드에서 과소하게 인구가 추정되는 문제가 보완되며, 인접한 그리드들의 인구가 연속성 있게 도출되어 도보 관광코스 내 유동인구의 분포를 효과적으로 파악할 수 있다는 이점이 있는 것으로 판단되었다.
특히 30대, 40대에서 성별 유동 인구의 차가 크게 나타났다. 반면, 여성 유동인구 비율이 가장 높은 코스는 몽촌토성 코스로 50.1%가 여성이었으며, 18개 코스 중 유일하게 남자보다 여성 유동인구가 더 많았다. 성북동 코스도 49.
서울시 도보관광코스별 유동인구 특성을 살펴보면 도보관광코스가운데 일평균 유동인구 규모가 가장 큰 곳은 청계천 제 1코스이며, 경희궁-서대문 코스, 인사동-운현궁 코스 순으로 규모가 크게 나타났다. 월별 추이를 살펴보면 전반적으로 봄에서 여름에 상승세, 여름에서 겨울에 하락세를 보였다.
월별 추이를 살펴보면 전반적으로 봄에서 여름에 상승세, 여름에서 겨울에 하락세를 보였다. 주중 유동인구 비율이 높은 코스는 인사동-운현궁 코스였으며 주말 유동인구 비율, 여자 유동인구 비율, 60대 이상 연령층의 비중이 높았던 코스는 성북동 코스로 나타났다. 도보 관광코스가 공원이나 궁궐과 연계되는 경우와 그렇지 않은 경우를 구분하여 코스별 유동인구의 특성을 살펴보았다.
한강-절두산 코스는 11시를 기점으로 18시까지 유동인구가 점점 증가하는 추세를 보이며 유동인구의 첨두시간이 18시로 나타났다.

후속연구

연구에 활용된 유동인구 데이터는 개인별 이동데이터가 아닌 50미터 격자단위로 집계된 데이터이기 때문에 데이터에 포함된 성/연령, 계절, 요일, 시간대 별 분석 이외에 다양한 분석이 어려웠다. 예를 들면 유동인구의 유출입지나 거주지, 도보관광 코스 내에서의 이동 경로 등을 파악하는 데는 한계가 있었으며, 추후 통신 기반 유동인구데이터에서 이전 출발지 등에 대한 정보가 추가적으로 제공된다면 더 다양한 분석이 가능할 것으로 판단되었다.

질의응답

핵심어	질문	논문에서 추출한 답변
	유동인구 데이터는 무엇인가?	유동인구 데이터는 무선 통신 방식에 따라 해당 통신사 모든 사용자의 CDR(Call Detail Record) 데이터를 추산하여 만든 데이터이다. 본 연구에서 활용한 데이터는 통신사의 시장 점유율을 고려하였으며 근로자와 거주자는 제외하고 산출된 것이다.
	빅데이터가 효과적인 관광 정책 수립을 위해 어떻게사례로 활용 되는가?	관광 분야에서도 빅데이터가 효과적인 관광 정책 수립에 적극적으로 활용되고 있다(권태일・이충희 2017). 특히, 실시간으로 수집되는 통신기반 유동인구 데이터는 관광지나 국립공원 내 방문객의 특성, 관광 행태 특성 분석 등 관광 분야에서 적극적으로 활용되고 있다. 하지만 유동인구 데이터를 활용한 연구는 행정구역이나 격자 기반의 거시적 스케일에서의 활용이 대부분이다.
	도보관광의 장점으로 어떤것들이 있는가?	관광 산업 중에서도 특히 도보관광은 점의 형태가 아닌 선의 구조로 이루어진 관광 형태(문화체육관광부 2010)로 길을 통해 집중도를 낮출 수 있어 한 장소에만 집중되는 관광지 형태의 단점을 보완해줄 수 있는 장점이 있어(장용운 2010) 지역마다 도보관광코스 설치에 앞장서고 있다. 도보 관광의 특성을 파악하기 위해 기존 연구에서는 도보관광길에 방문하는 일부 보행자를 대상으로 설문조사를 하거나 GPS를 이용한 이동 데이터를 수집하여 분석을 수행하는 방법이 주를 이루어 왔다.

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