[논문]클러스터링 기법을 활용한 출발 여객 체류 시간 분석

안덕배; 김휘양; 백호종

doi:10.12673/jant.2019.23.5.380

클러스터링 기법을 활용한 출발 여객 체류 시간 분석
Analysis of Departing Passengers' Dwell Time using Clustering Techniques 원문보기

한국항행학회논문지 = Journal of advanced navigation technology, v.23 no.5, 2019년, pp.380 - 385

안덕배 (한국항공대학교 항공교통물류학부) , 김휘양 (한국항공대학교 항공교통물류학부) , 백호종 (한국항공대학교 항공교통물류학부)

초록
AI-Helper

본 연구는 실제 공항에서 수집되는 여객 데이터를 활용하여 공항 내 여객의 체류 시간을 분석한 연구이다. 여객의 체류 시간은 공항 터미널 설계, 공항의 수익성에 영향을 주어 중요한 여객 특성으로 간주되어 왔지만 실제 여객 데이터 수집의 어려움으로 그에 대한 분석이나 실시간 공항 운영에 활용하기가 어려웠다. 하지만 스마트 공항의 일환으로 세계 유수의 공항에서 방대한 양의 여객 데이터를 수집하고 있고, 축적된 데이터를 활용하여 공항 내 여객 체류 시간 분석이 가능해졌다. 본 연구에서는 인천 국제 공항에서 수집된 여객 데이터를 활용하여 여객 체류 시간 분석을 수행하였으며, 방대한 양의 자료를 효율적으로 처리하기 위해 데이터 마이닝 기법인 클러스터링을 활용하여 여객을 체류 시간에 따라 구분하였다. 분석 결과 인천 국제 공항 출발 여객은 체류 시간에 따라 1) 체류 시간이 짧고 대부분의 시간을 에어사이드에서 보내는 여객, 2) 평균 3 시간 정도의 체류 시간을 갖는 여객, 3) 총 체류 시간이 압도적으로 긴 여객 등 크게 3 개의 클러스터로 구분할 수 있는 것으로 나타났다.

Abstract ▼ AI-Helper

This paper is concerned with departure passengers' dwell time analysis using real system data. Previous researches emphasize the importance of dwell time analysis from perspective of airport terminal planning and non-aeronautical revenue. However, short-term airport operation using passengers' dwell time is considered impossible due to absence of passengers' behavior data. Recently, in accordance with the wave of smart airport, world leading airports are systematically collecting passenger data. So there is high possibility of analyzing passengers' dwell time with the data stacked in the airport database. We conducted dwell time analysis using data from Incheon Int'l airport. In order to handle passenger data, we adapted clustering algorithm which is one of data mining techniques. As a clustering result, passengers are divided into 3 clusters. One is the cluster for passengers whose dwell time is relatively short and who tend to spend longer time in the airside. Another is the cluster for passengers who have near 3 hours dwell time. The other is the cluster for passengers whose total dwell time is extremely long.

주제어

표/그림 (8)

그림 그림 1. 유럽 주요 공항의 누적 여객 도착 분포 Fig. 1. The cumulative arrival diagrams for a major European airports.
표 표 1. 공용체크인시스템 샘플 데이터 Table 1. AirCUS data (sample).
표 표 2. 여객흐름관리시스템 샘플 데이터 Table 2. PFMS data (sample).
그림 그림 2. 클러스터 개수에 따른 비용 함수 값 Fig. 2. Cost function VS. number of clusters.
그림 그림 3. 총 체류 시간 클러스터 Fig. 3. Clusters for total dwell time.
표 표 3. 총 체류 시간 클러스터링 결과 Table 3. Clustering results for total well time.
그림 그림 4. 에어사이드 체류 시간 클러스터 Fig. 4. Clusters for airside dwell time
표 표 4. 에어사이드 체류 시간 클러스터링 결과 Table 4. Clustering results for airside well time

AI 본문요약
AI-Helper

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

문제 정의

하지만 스마트 공항 구축의 일환으로 방대한 양의 여객 데이터가 수집되고 있으며, 축적된 데이터를 활용하여 스마트 공항을 실현하기 위한 논의가 활발하게 이루어지고 있다. 그런 관점에서 본 연구는 실제 공항에 수집된 데이터를 활용하여 여객의 행동 특성을 분석하였다는 데 그 의의가 있다.
둘째, 본 연구는 PFM에 활용될 수 있는 기초 연구로 여객의 체류 시간을 분석하였다. 따라서 해당 결과를 토대로 하여 성별, 연령, 국적 등과 같은 여객의 인구통계학적 정보와 항공기 운항 정보 등을 결합하여 실제 공항에서의 여객 흐름 예측이 가능한 모형 구축이 요구된다.
본 연구는 PFM을 실현하기 위한 기초 연구로서, 인천국제공항에서 수집된 여객 데이터를 바탕으로 공항 내 여객 흐름 예측에 필수적인 출발 여객의 체류 시간에 대한 분석을 수행하였다. 항공기 운항 정보에서 추출할 수 있는 항공기 출발 시각 (STD;schedule time of departure)과 여객 데이터에서 추출할 수 있는 체크인카운터 통과 시각, 보안 검색대 통과 시각의 차를 활용하여 출발 여객의 터미널 총 체류 시간과 에어사이드 체류 시간을 계산하고 데이터 마이닝 기법 중 하나인 클러스터링을 활용하여 여객을 체류 시간에 따라 몇 개의 클러스터로 구분하였다.
본 연구에서는 공항 터미널 계획, 공항 수익성 측면에서 중요하고 PFM 구축에 직접적으로 영향을 주는 공항 내 여객 체류 시간에 대한 분석으로 하였다. 공항에서 실시간으로 수집되는 여객 데이터를 바탕으로 체류 시간 분석으로 수행하였으며, 많은 양의 데이터를 보다 효율적으로 분석하기 위하여 데이터마이닝 기법 중 하나인 클러스터링을 이용하여 여객을 체류 시간에 따라 구분하였다.
본 장에서는 공항 터미널 계획, 공항의 수익성과 관련된 여객 체류 시간에 대한 기존 연구를 고찰하고 공항 내 여객 체류 시간 분석의 중요성에 대해 확인한다.

제안 방법

본 연구에서는 공항 터미널 계획, 공항 수익성 측면에서 중요하고 PFM 구축에 직접적으로 영향을 주는 공항 내 여객 체류 시간에 대한 분석으로 하였다. 공항에서 실시간으로 수집되는 여객 데이터를 바탕으로 체류 시간 분석으로 수행하였으며, 많은 양의 데이터를 보다 효율적으로 분석하기 위하여 데이터마이닝 기법 중 하나인 클러스터링을 이용하여 여객을 체류 시간에 따라 구분하였다.
이러한 관점에서 K-means 알고리즘은 분석 대상 데이터와 관련된 전문가와의 협업이 요구된다[8]. 본 연구에서는 수식 2에서 제시된 비용 함수 값의 변화 추이를 고려하여 유의미하다고 판단되는 클러스터의 개수를 선택하였다.
본 연구에서는 출발 예정 시각과 탑승권 발권시각, 보안검색대 통과 시각과의 차이를 각각 총 체류 시간과 에어사이드 체류 시간으로 정의하고 이를 산출한 뒤, 여객 체류 시간 분석을 수행하였다.
그래프에서 클러스터 개수가 증가함에 따라 비용 함수 값이 감소하는 것을 알 수 있다. 클러스터 개수가 3개로 증가할 때까지는 비용 함수의 감소폭이 크지만, 그 이후에는 큰 변화가 없는 것으로 나타나 본 연구에서는 클러스터 개수를 3개로 선정하고 여객 체류 시간에 대한 분석을 수행하였다.
본 연구는 PFM을 실현하기 위한 기초 연구로서, 인천국제공항에서 수집된 여객 데이터를 바탕으로 공항 내 여객 흐름 예측에 필수적인 출발 여객의 체류 시간에 대한 분석을 수행하였다. 항공기 운항 정보에서 추출할 수 있는 항공기 출발 시각 (STD;schedule time of departure)과 여객 데이터에서 추출할 수 있는 체크인카운터 통과 시각, 보안 검색대 통과 시각의 차를 활용하여 출발 여객의 터미널 총 체류 시간과 에어사이드 체류 시간을 계산하고 데이터 마이닝 기법 중 하나인 클러스터링을 활용하여 여객을 체류 시간에 따라 몇 개의 클러스터로 구분하였다.

대상 데이터

인천 국제 공항 내의 체크인카운터, 수하물카운터, 보딩게이트에서 수집되는 여객 정보로 사용 체크인카운터, 탑승권 발권 시각, 수하물 탁송 시각, 이용 항공사, 도착지, 승객 예약 기록(PNR; passenger name record) 등의 정보가 수집된다.
인천 국제 공항 내의 출국장 및 보안검색대에서 수집되는 여객 정보로 여객의 국적, 성별, 나이, 출국장 통과시각, 보안검색대 통과시각, 출발 예정 시각 등이 포함되어 있다.

성능/효과

기존 문헌 및 연구 결과에서 여객의 체류 시간이 공항의 설계, 수익성, 운영에 영향을 준다는 것을 알 수 있었다. 출발 여객의 체류 시간은 공항 시설 혼잡에 직접적으로 영향을 미치는 주요 변수이며, 체류 시간에 따라 공항 설계 및 공항 운영 효율성이 달라진다.
두 번째 클러스터에 속하는 여객은 평균 약 3 시간가량의 총 체류 시간을 갖고, 이 가운데 2 시간 40 분가량을 에어사이드에서 보내는 것으로 나타났다. 첫 번째 클러스터의 여객보다는 상대적으로 공항에 일찍 도착한 승객으로, 그에 따라 랜드사이드,에어사이드에서 모두 첫 번째 클러스터의 여객보다 많은 시간을 소비하는 것으로 나타났다.
일반적인 K-means 알고리즘은 초기 클러스터 중심을 임의선택한 후 일련의 계산을 진행한다. 따라서 초기 클러스터 중심선택이 클러스터 분석 결과에 민감하게 작용하며, 알고리즘 수행 결과 지역해(local minima)가 산출될 가능성이 크다. 이런 약점을 극복하고자 제안된 것이 K-means++ 알고리즘이다.
반면, 두 번째 클러스터의 여객은 첫 번째 클러스터에 비해 총 체류 시간, 에어사이드 체류 시간 모두 길었으며, 에어사이드에 체류하는 시간이 더 길지만 첫 번째 클러스터에 비해 랜드사이드에 체류하는 시가 역시 긴 것으로 나타났다. 마지막으로 세 번째 클러스터의 경우 대부분 특정 항공사를 이용하는 여객으로 이른 체크인에 따라 굉장히 큰 총 체류 시간을 갖는 클러스터로 구분되었다.
마지막으로 전체 여객의 1%에 해당하는 세 번째 클러스터에 속하는 여객은 11 시간 이상의 시간을 총 체류 시간으로 갖지만 에어사이드 체류 시간은 두 번째 클러스터의 여객과 비슷한 것으로 나타났으며 총 체류 시간의 차이가 세 번째 클러스터를 결정하는 요인으로 작용한 것으로 보인다. 세 번째 클러스터에 해당하는 여객은 주로 에바 항공 이용 여객이었으며, 항공사에서 제공하는 이른 체크인 서비스에 따라 먼저 체크인을 한 후 별도의 일정을 마치고 출발 예정 시각에 맞추어 에어사이드로 들어오는 것으로 보인다.
첫 번째 클러스터는 총 출발 여객에 61%에 해당하는 클러스터로서 2 시간 이하의 짧은 체류 시간을 갖고 에어사이드에서 압도적으로 많은 시간으로 보내는 여객 클러스터로 나타났다. 반면, 두 번째 클러스터의 여객은 첫 번째 클러스터에 비해 총 체류 시간, 에어사이드 체류 시간 모두 길었으며, 에어사이드에 체류하는 시간이 더 길지만 첫 번째 클러스터에 비해 랜드사이드에 체류하는 시가 역시 긴 것으로 나타났다. 마지막으로 세 번째 클러스터의 경우 대부분 특정 항공사를 이용하는 여객으로 이른 체크인에 따라 굉장히 큰 총 체류 시간을 갖는 클러스터로 구분되었다.
여객의 에어사이드 체류 시간의 경우도 여객의 총 체류 시간의 클러스터링 결과와 비슷하게, 클러스터에 따라 여객의 에어사이드 체류 시간이 증가하는 것으로 나타났다. (그림 4, 표 4 참고) 하지만 앞선 결과와는 다르게 세 번째 클러스터의 평균에어사이드 체류 시간은 두 번째 클러스터의 체류 시간과 큰 차이가 없는 것으로 보아 여객의 총 체류 시간에 따라 세 번째 클러스터가 구분되는 것으로 보인다.
클러스터링 분석 결과 여객은 체류 시간에 따라 크게 3 개의 클러스터로 구분되었다. 전체 여객의 61%에 해당하는 첫 번째 클러스터에 속하는 여객들은 평균 2 시간미만의 총 체류 시간과 1 시간 30분 정도의 에어사이드 체류 시간을 갖는 것으로 나타났다. 첫 번째 클러스터에 속한 여객은 대부분의 시간을 에어사이드에서 소비하는 것으로 분석되었다.
전체 여객의 61%에 해당하는 첫 번째 클러스터에 속하는 여객들은 평균 2 시간미만의 총 체류 시간과 1 시간 30분 정도의 에어사이드 체류 시간을 갖는 것으로 나타났다. 첫 번째 클러스터에 속한 여객은 대부분의 시간을 에어사이드에서 소비하는 것으로 분석되었다.
두 번째 클러스터에 속하는 여객은 평균 약 3 시간가량의 총 체류 시간을 갖고, 이 가운데 2 시간 40 분가량을 에어사이드에서 보내는 것으로 나타났다. 첫 번째 클러스터의 여객보다는 상대적으로 공항에 일찍 도착한 승객으로, 그에 따라 랜드사이드,에어사이드에서 모두 첫 번째 클러스터의 여객보다 많은 시간을 소비하는 것으로 나타났다.
클러스터링 결과, 인천 국제 공항을 이용하는 여객은 총 체류 시간과 에어사이드 체류 시간에 따라 크게 3 가지 클러스터로 구분되는 것으로 나타났다. 첫 번째 클러스터는 총 출발 여객에 61%에 해당하는 클러스터로서 2 시간 이하의 짧은 체류 시간을 갖고 에어사이드에서 압도적으로 많은 시간으로 보내는 여객 클러스터로 나타났다.
(2005)은 스페인 아스투리아스 공항의 여객을 대상으로 여객의 공항 내 체류 시간과 소비 사이의 관계에 대한 분석을 수행하였다. 휴가 여객의 공항 내 체류 시간(93.62 분)은 비즈니스 여객의 체류 시간(82.30 분) 보다 큰 것으로 조사되었으며, 두 종류의 여객 모두 공항 내 평균 소비(4.26 유로, 약 5,500 원)의 1/3을 주차비, 1/4를 식음료에 소비하는 것으로 나타났다. 또한 휴가, 비즈니스 여객 모두 공항 체류 시간이 길어질수록 공항 내 소비가 증가하고 체류 시간이 상대적으로 긴 휴가 여객의 소비가 더 큰 것으로 나타났다[4].

후속연구

둘째, 본 연구는 PFM에 활용될 수 있는 기초 연구로 여객의 체류 시간을 분석하였다. 따라서 해당 결과를 토대로 하여 성별, 연령, 국적 등과 같은 여객의 인구통계학적 정보와 항공기 운항 정보 등을 결합하여 실제 공항에서의 여객 흐름 예측이 가능한 모형 구축이 요구된다.
본 연구는 실제 여객 데이터를 활용하여 여객의 체류 시간을 분석하였다는 데 의의가 있지만 여전히 한계점 존재하며 그에 따른 추후 연구가 필요하다.
첫째, PFM을 실현하기 위해서는 여객의 터미널 도착 시간에 대한 정보 수집이 필요하다. 본 연구에서는 공항에서 여객의 정보가 처음으로 수집되는 체크인카운터를 기준으로 하여 여객의 체류 시간을 분석하였지만, 향후 여객의 공항 도착 시간에 대한 정보를 활용한 여객의 행동 특성 분석이 수행되어야 한다.
이러한 한계에도 불구하고, 본 연구는 실제 여객 데이터를 활용하여 여객의 체류 시간을 분석하였다는 점에서 PFM의 기초자료로 활용될 수 있을 것으로 기대된다.
하지만 최근 영국 히드로 공항, 싱가폴 창이 공항, 독일 뮌헨 공항 등과 같은 세계적인 공항에서 실시간으로 여객 데이터를 시스템적으로 수집하고 있으며, 이러한 여객 데이터에는 여객의 성별, 나이, 국적 등과 같은 여객 기본 정보뿐 아니라 체크인 시각, 보안검색대 통과 시각 등과 같은 여객의 행동을 유추할 수 있는 정보가 포함되어 있다. 이렇게 실시간으로 수집되는 여객 관련 정보를 활용하여 PFM 실현을 위한 단기적인 여객 행동 특성 분석이 가능할 것으로 예상된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	PFM은 무엇인가?	PFM은 공항 시설물의 접점에서 여객 탐지 및 추적을 통해 공항 내에서 여객의 흐름을 예측하고 관리하는 것을 말한다[1]. PFM을 구현하기 위해서는 여객 출현 시점, 여객 체류 시간 등과 같은 여객 행동 특성에 대한 분석이 요구된다.
	PFM 구현을 위해 필요한 정보는 무엇인가?	PFM은 공항 시설물의 접점에서 여객 탐지 및 추적을 통해 공항 내에서 여객의 흐름을 예측하고 관리하는 것을 말한다[1]. PFM을 구현하기 위해서는 여객 출현 시점, 여객 체류 시간 등과 같은 여객 행동 특성에 대한 분석이 요구된다. 설문 조사를 통해 수집되는 장기적인 공항 이용객 특성과는 다르게 여객 데이터 수집의 어려움으로 PFM을 위해 필요한 단기적인 여객의 행동 특성을 파악하는 것은 어렵다고 여겨져 왔다[2].
	PFM을 구현하고 활용하기 어려운 이유는 무엇인가?	PFM을 구현하기 위해서는 여객 출현 시점, 여객 체류 시간 등과 같은 여객 행동 특성에 대한 분석이 요구된다. 설문 조사를 통해 수집되는 장기적인 공항 이용객 특성과는 다르게 여객 데이터 수집의 어려움으로 PFM을 위해 필요한 단기적인 여객의 행동 특성을 파악하는 것은 어렵다고 여겨져 왔다[2].

참고문헌 (8)

Frost & Sullivan, Global airport passenger flow management market, forecast to 2025, Frost & Sullivan, San Antonio: TX, Report ASDR-431586, 2017.
R. de Neuvfille and A. R. Odoni, Airport Systems: Planning, Design and Management, 2nd ed, New York, NY: McGraw Hill Education, pp. 497-611, 2013.
A. Graham, Managing Airports, 4th ed, London: Routledge, pp. 188-219, 2014
E. Torres, J. S. Dominguez, L. Valdes, and R. Aza, "Passenger waiting time in an airport and expenditure carried out in the commercial area," Journal of Air Transport Management, Vol. 11, Issues 6, pp. 363-367, Nov. 2005.

상세보기
Z. Huang, "Extensions to the k-means algorithm for clustering large data sets with categorical values," Data Ming and Knowledge Discovery, Vol. 2, Issues 3, pp. 283-304, Sept. 1998.
S. Raschka, Python Machine Learning, 1th ed, Birmingham: Packt Publishing Ltd., 2015
D. Arthur and S. Vassilvitskii, "K-means++: the advantages of careful seeding," in Proceeding of the 18th annual ACM-SIAM Symposium on Discrete Algorithms, New Orleans: LA, pp. 1027-1035, Jan. 2007.
S. Theodoridis, A. Pikrakis, K. Koutroumbas and D. Cavouras, Introduction To Pattern Recognition: A Matlab Approach, Cambridge, MA: Academic Press, 2010

저자의 다른 논문 :

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