본 연구는 공공자전거의 대여량을 예측하는 딥러닝 모형을 개발하였다. 이를 위하여 공공자전거 대여량 자료, 기상 자료, 그리고 지하철 이용량 자료를 수집하였다. 지수평활 모형, ARIMA 모형과 LSTM기반의 딥러닝 모형을 구축한 후 MSE와 MAE 평가 지표를 사용하여 예측 오차를 비교·평가하였다. 평가 결과, 지수평활 모형으로 MSE 348.74, MAE 14.15 값이 산출되었다. ARIMA 모형으로 MSE 170.10, MAE 9.30 값을 얻었다. 그리고 딥러닝 모형으로 MSE 120.22, MAE 6.76 값이 산출되었다. 지수평활 모형의 값과 비교하여 ARIMA 모형의 MSE는 51%, MAE는 34% 감소하였다. 그리고 딥러닝 모형의 MSE는 66%, MAE는 52% 감소하여 딥러닝 모형의 오차가 가장 적은 것으로 파악되었다. 이러한 결과로부터 공공자전거 대여량 예측 분야에서 딥러닝 모형의 적용시 예측 오차를 크게 감소시킬 수 있을 것으로 판단된다.
본 연구는 공공자전거의 대여량을 예측하는 딥러닝 모형을 개발하였다. 이를 위하여 공공자전거 대여량 자료, 기상 자료, 그리고 지하철 이용량 자료를 수집하였다. 지수평활 모형, ARIMA 모형과 LSTM기반의 딥러닝 모형을 구축한 후 MSE와 MAE 평가 지표를 사용하여 예측 오차를 비교·평가하였다. 평가 결과, 지수평활 모형으로 MSE 348.74, MAE 14.15 값이 산출되었다. ARIMA 모형으로 MSE 170.10, MAE 9.30 값을 얻었다. 그리고 딥러닝 모형으로 MSE 120.22, MAE 6.76 값이 산출되었다. 지수평활 모형의 값과 비교하여 ARIMA 모형의 MSE는 51%, MAE는 34% 감소하였다. 그리고 딥러닝 모형의 MSE는 66%, MAE는 52% 감소하여 딥러닝 모형의 오차가 가장 적은 것으로 파악되었다. 이러한 결과로부터 공공자전거 대여량 예측 분야에서 딥러닝 모형의 적용시 예측 오차를 크게 감소시킬 수 있을 것으로 판단된다.
This study developed a deep learning model that predicts rental demand for public bicycles. For this, public bicycle rental data, weather data, and subway usage data were collected. After building an exponential smoothing model, ARIMA model and LSTM-based deep learning model, forecasting errors were...
This study developed a deep learning model that predicts rental demand for public bicycles. For this, public bicycle rental data, weather data, and subway usage data were collected. After building an exponential smoothing model, ARIMA model and LSTM-based deep learning model, forecasting errors were compared and evaluated using MSE and MAE evaluation indicators. Based on the analysis results, MSE 348.74 and MAE 14.15 were calculated using the exponential smoothing model. The ARIMA model produced MSE 170.10 and MAE 9.30 values. In addition, MSE 120.22 and MAE 6.76 values were calculated using the deep learning model. Compared to the value of the exponential smoothing model, the MSE of the ARIMA model decreased by 51% and the MAE by 34%. In addition, the MSE of the deep learning model decreased by 66% and the MAE by 52%, which was found to have the least error in the deep learning model. These results show that the prediction error in public bicycle rental demand forecasting can be greatly reduced by applying the deep learning model.
This study developed a deep learning model that predicts rental demand for public bicycles. For this, public bicycle rental data, weather data, and subway usage data were collected. After building an exponential smoothing model, ARIMA model and LSTM-based deep learning model, forecasting errors were compared and evaluated using MSE and MAE evaluation indicators. Based on the analysis results, MSE 348.74 and MAE 14.15 were calculated using the exponential smoothing model. The ARIMA model produced MSE 170.10 and MAE 9.30 values. In addition, MSE 120.22 and MAE 6.76 values were calculated using the deep learning model. Compared to the value of the exponential smoothing model, the MSE of the ARIMA model decreased by 51% and the MAE by 34%. In addition, the MSE of the deep learning model decreased by 66% and the MAE by 52%, which was found to have the least error in the deep learning model. These results show that the prediction error in public bicycle rental demand forecasting can be greatly reduced by applying the deep learning model.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
또한 반경 100m 이내에 주거 시 설, 업무 시설, 근린 시설이 모두 존재하는 토지 이용 특성을 갖는 대여소를 선정하고자 하였다.
이러한 결과로부터 공공자전거 대여량 예측 분야에서 딥러닝 모형의 적용 가능성을 평가하여 제시하고자 한다.
또한 연구에서는 제안한 모형의 성능이 인접한 정류장수, 패치 크기, 학습 비율 등과 같은 다양한 변수를 포함함에 따라 변할 수 있음을 보여주었다. 따라서 사용되는 변수에 대한 정산이 필요하며, 이를 통하여 딥러닝 모델의 활용 가능성을 제시하였다.
본 연구는 공공자전거의 대여량을 예측하는 딥러닝 모형을 개발하여 평가하였다. 이를 위하여 공공자전거 대여량 자료와 이와 상관관계가 높은 변수인 기상 자료, 지하철 이용량 자료를 수집하였다.
본 연구에서 공공자전거의 대여량을 예측하기 위한 딥러닝 모형을 구축하였고 기존 연구에서 많이 사용 된 시계열 분석 모형과 비교하였다. 이때 시계열 분석 기법은 지수평활 모형과 ARIMA 모형 두 가지를 선정 하였다.
본 연구에서는 기존 연구에서 언급된 기상 특성이외에 지하철 이용 및 시간대 특성을 함께 사용하여 대여 량 예측과정에 보다 국내 환경에 적합한 변수들을 포함하도록 하였다. 이때, 토지 이용 특성에 따른 영향을 상쇄하기 위해서 주거 시설과 업무 시설, 근린 시설이 균일하게 분포되어있는 곳을 분석 지점으로 선정하였 다.
본 연구의 목적은 공공자전거의 대여량을 예측하는 딥러닝 모형을 개발하여 평가하는 것이다. 이를 위하여 공공자전거 대여량 자료를 활용하였고, 또한 이와 상관관계가 높은 변수인 기상 자료, 지하철 이용량 자 를 수집하였다.
운영자 홈페이지의 자료를 기반으로 도시내 시·공간적 이용자 형태를 예측하고자 하였다.
가설 설정
수집한 대여량 자료와 기타 자료를 딥러닝 모형에 입력하기 위하여 하나의 데이터 셋으로 가공하였다. 이때, 공공자전거 대여량은 출퇴근 시간 등의 영향을 받기 때문에 1시간 단위 분석이 가장 적합하다고 판단 하여 데이터 셋을 1시간 단위로 구성하였다.
제안 방법
그리고 지하철 이용량 자료와 자전거 대여량의 관계를 명확하게 설명하는 연구결과가 없는 관계로, 본 연구에서는 분석 대여소의 입지 특성 상 ‘대여’자료는 지하철의 ‘하차’자료와 상 관이 있다고 가정하고 하차했을 때의 이용량을 직접적으로 한정하여 적용하였다.
다음으로는 5월 1일 00시부터 5월 31일 23시까지 1시간 단위의 자료를 이용하여 예측모형의 평가를 실시하였다.
대여이력 자료의 시간적 범위는 2017년 1월 1일부터 2019년 5월 31일까지로 설 정하였고, 공간적 범위는 서울시의 모든 공공자전거 대여소를 포함하도록 설정하였다.
또한 시계열 자료에 효과적인 LSTM 기반 순환신경망을 사용한 딥러닝 모형을 구축하여 예측력이 향상 되도록 구성하였다.
이를 가공하여 지수평활 모형, ARIMA 모형과 딥러닝 모형을 각각 구축한 후 평가 지표를 선정하여 예측 오차를 비교· 평가하였다.
이를 가공하여 지수평활 모형, ARIMA 모형과 LSTM기반의 딥러닝 모형을 각각 구축한 후 MSE와 MAE 두가지 평가 지표를 사용하여 예측 오차를 비교· 평가하였다.
이를 위하여 자기상관함수(Autocorrelation Function, ACF)와 편 자기함수(Partial Autocorrelation Function, PACF)를 이용한 자동 탐색을 진행하였다.
Pearson분석은 명목형 변수를 사용하지 않고 연속형 변수를 사용하며, 대여량, 지하철 이용량, 기온, 강 수량, 풍속을 선정하여 분석하였다.
(2017)은 대전광역시의 공공자전거 자료로 대여량을 예측하고자 2013년과 2014년의 대여 정보 및 기상 정보를 가공하여 공공자전거 이용패턴을 분석하였다. 랜덤 포레스트 알고리즘을 이용하여 2015년의 대여량을 예측하였고 실제 대여량과의 오차를 산출하였다. 평가 결과로부터 평균제곱근오차는 낮게 관측되어 향후 공공자전거 재배치 작업의 효율성을 높일 수 있을 것으로 전망하였다.
모형 구축에 앞서, 약 22만개의 데이터로 구성된 데이터 자료를 훈련·검증·시험 데이터 3가지로 분류하였다.
본 연구에서는 많은 신경망 모형중에서 시계열 자료 분석에 효과적이라고 알려진 LSTM을 활용한 순환신경망을 사용하였다.
대상 데이터
검증 데이터는 2019년 4월에 해당하는 데이터 자료로 설정하여 과적합을 효과적으로 방지하도록 하였다.
그리고 시험 데이터는 다른 모형과 마찬가지로 2019년 5월에 해당하는 데이터 자료를 이용하였다.
기상 자료는 기온, 풍속, 강수량의 자료를 수집하였고, 지하철 이용량 자료는 대여소 인근에 위치한 지하철역의 이용량을 수집하였다.
두 번째로, 기타 자료를 구성하기 위하여 선정된 지점의 기상 자료와 지하철 이용량 자료를 수집하였다.
따라서 본 연구에서는 최종적으로 ‘여의나루역 1번 출구 앞’대여소를 대상 지점으로 선정하였다.
따라서 20,400개의 1시간 단위 대여량을 모형을 구축하는 자료로 사용하였다.
먼저, 2017년 1월부터 2019년 3월까지의 196,800개 데이터를 훈련데이터로 설정하여 모형의 학습에 사용 하였다.
이를 위하여 공공자전거 대여량 자료를 활용하였고, 또한 이와 상관관계가 높은 변수인 기상 자료, 지하철 이용량 자 를 수집하였다.
이를 위하여 공공자전거 대여량 자료와 이와 상관관계가 높은 변수인 기상 자료, 지하철 이용량 자료를 수집하였다.
자료는 서울 열린 데이터 광장과 기상 자료 개방 포털에서 수집한 대여량 자료와 기상 자료, 지하철 이용량 자료 등으로 약 22 만개의 데이터를 포함한 데이터 셋을 구성하였다.
지수평활 모형, ARIMA 모형, 딥러닝 모형을 각각 구축하기 위하여 2017년 1월 1일 00시부터 2019년 4월 30일 23시까지 1시간 단위의 데이터 셋을 이용하였다.
지하철 이용량 자료는 서울 열린 데이터 광장을 이용하였고, 여의나루역 지하철 이용량 자료를 추출하였다.
최종적으로 가공된 자료는 21,145개의 행과 11개의 열로 정리되었고, 약 22만개의 데이터를 가지는 데이터 셋을 구성하였다.
대여량 자료를 수집하기 위하여 서울시의 공공데이터 개방 포털인 열린 데이터 광장에서 ‘공공자전거 대 여이력’ 자료를 이용하였다.
본 연구의 자료는 크게 자전거 대여량 자료와 기타 자료의 2개로 구성되었다.
데이터처리
즉, 각 모형별 예 측 대여량과 실제 대여량을 비교하여 평균제곱오차와 평균절대오차를 산출하고 이를 이용하여 각 모형을 비 교 평가하였다.
Lim and Chung(2019)은 시계열 분석 기법인 Holt-Winters 모형을 이용하여 공공자전거의 대여량을 예측하 였고 지수평활 모형과 비교하여 평가하였다. 1년 6개월 동안의 실제 대여량 자료를 이용하였고, 평가 지표로 평균제곱오차를 사용하였다. 분석 결과 Holt-Winters 모형은 적정한 오차값을 나타내었고, 이러한 예측모형을 이용하여 대여소별 수요예측을 실시한 후 공유자전거 재배치에 활용할 수 있다고 판단하였다.
Pearson 상관분석을 통해 본 연구에서 수집된 대여량과 기상 자료, 지하철 이용량 자료의 관계성을 분석하 였다.
운영자 홈페이지의 자료를 기반으로 도시내 시·공간적 이용자 형태를 예측하고자 하였다. 이 를 위하여 시계열 분석 기법인 ARMA(Auto Regressive Moving Average) 모형을 적용하였으며 시간별 예측 대 여량과 실제 대여량을 비교하여 평균제곱오차와 평균절대오차를 도출하였다. 이러한 결과로부터 자전거 이 용자의 수요를 미리 예측할 수 있음을 확인하였다.
최종적으로 선정된 세가지 모형을 활용하여 2019년 5월 동안의 1시간 단위 대여량을 예측하고, 산출된 예 측 대여량과 실제 대여량에서 평균제곱오차와 평균절대오차를 계산하여 각 모형을 비교 평가하였다.
이론/모형
따라서 ADF 검사(Augmented Dickey-Fuller test)를 시행하였다.
성능/효과
그리고 딥러닝 모형의 MSE는 약 66%, MAE는 약 52% 감소하여 딥러닝 모형의 오차가 가장 적은 것으로 파 악되었다.
그리고 ‘여의나루역 1번 출구 앞’ 대여소 100m 이내로 한국전력공사 남서울지역본부와 서울아파트가 위치하고 여의동로를 건너면 여의도 한강공원이 위치하여, 주거·업무 시설 및 근린 시설이 모두 존재하는 토지이용 특성을 만족하였다.
또한 딥러닝 모형의 활용이 공공자전거 대여량 예측의 정확도를 높일 수 있음을 확인하였다.
반면 딥러 닝 모형의 MSE는 약 66%, MAE는 약 52% 감소하여 딥러닝 모형의 오차가 가장 적은 것으로 파악되었다.
지수평활 모형의 결과값과 비교하여 ARIMA 모형의 MSE는 약 51%, MAE는 약 34% 감소하였다.
선형회귀분석방법으로 분석한 결과, 대여량은 평균 기온이 높아질수록 증가하는 것으로 나타났다. 강수량 10mm 이상, 평균기온 29도 이상, 그리고 풍속이 7 m/s 이상이면 대여량이 감소하는 것으로 제시하였다. 또한 지하철 출입구 인근 대여소의 대여량은 퇴근 시간대에 높았으며, 공원과 일반상업지역의 경우 오후 시간대대여량이 높은 것으로 분석되었다.
공공자전거의 이용 특성과 관련한 연구에서는 주로 자전거 대여량에 영향을 미치는 독립변수를 조사하였으며 기온과 풍속, 강수량, 지하철 출입구, 주말 여부, 토지 이용 특성 등이 유의한 것으로 나타났다.
(2015)은 시단위의 공공자전거 이용량을 예측하기 위하여 컨벌루션 신경망 기반의 딥러닝 모형 을 개발하였다. 과거의 자료에 기상자료를 추가하여 구축한 모형은 기존의 모형과 비교하여 우수한 예측 성 능을 보였다. 또한 연구에서는 제안한 모형의 성능이 인접한 정류장수, 패치 크기, 학습 비율 등과 같은 다양한 변수를 포함함에 따라 변할 수 있음을 보여주었다.
다중회귀모형을 사용하여 분석한 결과, 대여소 인근 토지 이용 특성, 즉 주거·업무 지역 여부, 교육·상업 지역 여부, 공원이나 지하철 출입구, 자전거 도로 등의 시설 특성에 따라 공공자전거 대여량에 영향을 미치는 요인인 것으로 확인되었고, 거리 역시 영향력의 강도에 유의한 변수로 확인되었다.
Do and Noh(2014)는 대전시 공공자전거‘타슈’를 대상으로, 이용자들의 공공자전거 대여 패턴과 특성을 조사하였다. 다중회귀분석으로 분석한 결과, 공원 주변의 대여량이 비교적 높았고, 평일보단 주말의 대여량이 높은 것으로 드러났다. 이 외에도 주변 인구수와 자전거 도로의 길이, 버스 승·하차 인원수, 지하철 출입구로부터의 거리, 수변공간까지의 거리 등이 영향력 있는 변수로 분석되었다.
과거의 자료에 기상자료를 추가하여 구축한 모형은 기존의 모형과 비교하여 우수한 예측 성 능을 보였다. 또한 연구에서는 제안한 모형의 성능이 인접한 정류장수, 패치 크기, 학습 비율 등과 같은 다양한 변수를 포함함에 따라 변할 수 있음을 보여주었다. 따라서 사용되는 변수에 대한 정산이 필요하며, 이를 통하여 딥러닝 모델의 활용 가능성을 제시하였다.
강수량 10mm 이상, 평균기온 29도 이상, 그리고 풍속이 7 m/s 이상이면 대여량이 감소하는 것으로 제시하였다. 또한 지하철 출입구 인근 대여소의 대여량은 퇴근 시간대에 높았으며, 공원과 일반상업지역의 경우 오후 시간대대여량이 높은 것으로 분석되었다.
1년 6개월 동안의 실제 대여량 자료를 이용하였고, 평가 지표로 평균제곱오차를 사용하였다. 분석 결과 Holt-Winters 모형은 적정한 오차값을 나타내었고, 이러한 예측모형을 이용하여 대여소별 수요예측을 실시한 후 공유자전거 재배치에 활용할 수 있다고 판단하였다.
(2014)은 캐나다 몬트리올의 공공자전거인 ‘BIXI’를 대상으로 대여소에서의 대여 특성과 반납 특성에 관한 기상 요인, 시간대 요인, 주변 지역의 인프라 요인, 토지 이용과 주변 환경의 요인을 조사하였다. 분석 결과, 대여소 주변의 상업 시설 요인과 교육 시설 요인, 업무 시설 요인은 공공자전거의 대여특성과 반납 특성, 대여소 개수 등에 큰 영향을 미치는 것으로 분석되었다.
(2016)은 대여소의 위치와 기상 조건이 공공자전거 대여 및 이용패턴에 미치는 영향을 파악하였다. 선형회귀분석방법으로 분석한 결과, 대여량은 평균 기온이 높아질수록 증가하는 것으로 나타났다. 강수량 10mm 이상, 평균기온 29도 이상, 그리고 풍속이 7 m/s 이상이면 대여량이 감소하는 것으로 제시하였다.
(2012)은 공공자전거 대여량과 연관성이 있을 수 있는 많은 요인들에 대한 분석을 통하여 날씨, 회원 여부, 휴일 여부 등이 어떠한 영향을 미치는지를 분석하였다. 여러 요인 중 기온과 강수량, 구름의 양이 공공자전거 대여량에 영향을 주었고, 또한 회원 및 휴일 여부에 따른 대여량을 비교한 결과, 비가 오는 날엔 회원의 대여량이 비회원의 대여량보다 높은 결과를 나타내는 것을 도출하였다.
이 외에도 주변 인구수와 자전거 도로의 길이, 버스 승·하차 인원수, 지하철 출입구로부터의 거리, 수변공간까지의 거리 등이 영향력 있는 변수로 분석되었다.
(2016)은 교통류가 확률적이고, 비선형적인 특성을 가지고 있기 때문에 ARMA와 ARIMA(Auto Regressive Integrated Moving Average) 같은 기존 시계열 모형보다는 딥러닝 모형을 이용한 교통류 예측이 더 욱 적합하다고 판단하였고, 단기 교통류를 예측하기 위하여 LSTM(Long Short-Term Memory)과 GRU(Gated Recurrent Units) 두 가지 신경망을 이용하여 비교 평가하였다. 평가 결과, LSTM과 GRU같은 순환신경망 기반 딥러닝 모형이 ARIMA 모형보다 예측 오차가 작다는 것을 보여주었다.
평가 결과, 지수평활 모형으로부터 MSE는 348.74, MAE는 14.15가 산출되었다.
랜덤 포레스트 알고리즘을 이용하여 2015년의 대여량을 예측하였고 실제 대여량과의 오차를 산출하였다. 평가 결과로부터 평균제곱근오차는 낮게 관측되어 향후 공공자전거 재배치 작업의 효율성을 높일 수 있을 것으로 전망하였다.
후속연구
향후에는 대여량과 관련성 있는 다양한 변수를 추가하여 모형 구축에 사용한다면 오차를 보다 감소시킬 것으로 예상 된다.
질의응답
핵심어
질문
논문에서 추출한 답변
공공자전거는 어떻게 인식되는가?
공공자전거는 교통 혼잡을 완화하고 접근성을 높여주는 친환경적인 교통수단으로 인식되고 있으며, 이에 따라 많은 지자체에서 선도적인 교통사업으로 추진되고 있다. 서울시에서는 2015년 10월, ‘따릉이’라는 명칭으로 공공자전거 사업을 시작하였으며 현재는 약 1,500개의 대여소, 약 2만대의 자전거를 운영 중이다.
서울시는 가장 많은 공공자전거를 소유한 도시를 목표하고 있으며 그에 따른 적정 규모의 산정 및 사업 효율화 방안을 마련 중이지만 수요가 많아지면서 문제점들이 있는가?
그러나 이용 수요가 많아지는 만큼 문제점들도 발생하고 있다. 이 중 이용자 측면에서 가장 큰 문제점은 수요와 공급의 불균형이 존재한다는 것이다. 또한 운영자 측면에서는 정확한 수요예측 방법이 확립되지 않고 운영되고 있다는 것이다. 예를 들어, 강북 지역의 공공자전거 대여량은 강남 지역보다 약 3만 건 많은데 비하여 공급되는 자전거 댓 수는 오히려 406대가 적었다. 이런 문제는 지역별 대여량 예측 값의 큰 오차 때문에 발생된 것으로 자전거 수요에 맞는 적정 공급량을 예측하지 못하여 이용자에게 불편을 제공하는 것은 물론 사업 운영에 따른 적자도 함께 증가하는 원인이 되고 있다. 또한 향후 사업 확대 시 보다 정확한 정량적 근거를 제시할 수 없는 한계점도 갖고 있다.
지수평활 모형의 특징은?
지수평활 모형은 단변량 예측 방법으로서, 독립변수와 종속변수는 동일하다. 즉 대여량 외에 다른 변수를 입력하지 않는다.
참고문헌 (11)
Do M. and Noh Y.(2014), "Analysis of the Affecting Factors on the Bike-sharing Demand focused on Daejeon City," Journal of the Korean Society of Civil Engineers, vol. 34, no. 5, pp.1517-1524.
Faghih-Imani A., Eluru N., El-Geneidy A. M., Rabbat M. and Haq U.(2014), "How land-use and urban form impact bicycle flows: Evidence from the bicycle-sharing system (BIXI) in Montreal," Journal of Transport Geography, vol. 41, pp.306-314.
Fu R., Zhang Z. and Li L.(2016), "Using LSTM and GRU Neural Network Methods for Traffic Flow Prediction," 31st Youth Academic Annual Conference of Chinese Association of Automation, p.329.
Kaltenbrunner A., Meza R., Grivolla J., Codina J. and Banchs R.(2010), "Urban cycles and mobility patterns: Exploring and predicting trends in a bicycle-based public transport system," Pervasive and Mobile Computing, vol. 6, no. 4, pp.455-466.
Kim D., Shin H., Park J. and Im H.(2012), "The Impact of Weather on Bicycle Usage-Focus on Usage of Bike-sharing System in Goyang," Journal of Transport Research, vol. 19, no. 3, pp.77-88.
Kim Y., Kim W., Park B., Park S., Park T., Oh H., Lee S., Lee Y., Lee J., Lim Y., Jeon J. and Cho S.(1989), Introduction to Statistics, Yongji-Munhwa, Korea.
Lee J., Jeong G. and Shin H.(2016), "Impact Analysis of Weather Condition and Locational Characteristics on the Usage of Public Bike Sharing System," Journal of the Korean Society of Transportation, vol. 34, no. 5, pp.394-408.
Lim H. and Chung K.(2019), "Development of Demand Forecasting Model for Seoul Shared Bicycle," Journal of the Korea Contents Association, vol. 19, no. 1, pp.132-140.
Min J., Mun H. and Lee Y.(2017), "Demand Forecast for Public Bicycles ("Tashu") in Daejeon using Random Forest," Proc. of the Korea Information Science Society Congress, p.969.
Sa K.(2019), A Study on the Characteristics of Physical Environments Affecting the Usage of Public Bike in Seoul, Korea, Master's Thesis, Hanyang University.
Yang H., Xie K., Ozbay K., Ma Y. and Wang Z.(2015), "Use of Deep Learning to Predict Daily Usage of Bike Sharing Systems," Transportation Research Record, vol. 2672, no. 36, pp.92-102.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.