[논문]누적합 관리도를 활용한 생활인구 이상치 탐색

김형준; 손소영

doi:10.7469/jksqm.2020.48.2.241

누적합 관리도를 활용한 생활인구 이상치 탐색
CUSUM Chart Applied to Monitoring Areal Population Mobility 원문보기

品質經營學會誌 = Journal of Korean society for quality management, v.48 no.2, 2020년, pp.241 - 256

Abstract ▼ AI-Helper

Purpose: Certain places in Seoul such as Shinchon, Hongdae, and Gangnam, often suffer from sudden overflow of mobile population which can cause serious safety problems. This study suggests the application of spatial CUSUM control chart in monitoring areal population mobility data which is recently provided by Seoul metropolitan government. Methods: Monitoring series of standardized local Moran's I enables one to detect spatio-temporal out-of-control status based on the accumulation of past patterns. Moreover, we visualize such pattern map for more intuitive comprehension of the phenomenon. As a case study, we have analyzed the female mobility population aged 25 to 29 appeared in 51 Jipgyegu near Hongik university on fridays from January, 2017 to June, 2018. They are validated by exploring related articles and through local due diligence. Results: The results of the analysis provide insights in figuring out if the change of the mobility population is short-term by particular incident or long-term by spatial alteration, which allows strategic approach in constructing response system. Specific case near popular downtown near Hongik University has shown that newly opened hotels, shops of global sports brand and franchise bookstores have attracted young female population. Conclusion: We expect that the results of our study contribute to planning effective distribution of administrative resources to prepare against drastic increase in floating population. Furthermore, it can be useful in commercial area analysis and age/gender specific marketing strategy for companies.

주제어

표/그림 (11)

표 Table 1. Algorithm for CUSUM Control Chart using Local Moran's I
그림 Figure 1. Map of 'dong's in Seoul and Seogyo-dong
그림 Figure 2. Map of 'Jipgyegu' in Seogyo-dong
그림 Figure 3. Average Areal Population of Female (aged 25-29) for each Jipgyegu in Friday Nights (17-01)
표 Table 3. Descriptive Statics for Female (aged 25 to 29) Areal Population on Friday Nights from January 2017 to June 2018
표 Table 4. The Number of outliers for each Jipgyegu during the study period
그림 Figure 4. Map of Jipgyegu in Seogyo-dong based on the Number of Outliers
그림 Figure 5. Female Areal Population (aged 25-29) of Jipgyegu 1114066050002 in Friday Nights (17-01)
그림 Figure 6. LISA for Female Areal Population (aged 25-29) of Jipgyegu 1114066050002 in Friday nights (17-01)
그림 Figure 7. LISA CUSUM chart of Female Areal Population (aged 25-29) in Friday nights (17-01) for Jipgyegu 1114066050002
그림 Figure 8. The result of Geosurveillance in May 26th, 2017 and March 23rd, 2018 for Jipgyegu 1114066050002

AI 본문요약
AI-Helper

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

문제 정의

앞서 선행되었던 연구들 중 소셜미디어 데이터와 토픽모델링을 결합한 것과 같이, 키워드와 토픽 등으로 시공간적 이상치를 설명하는 연구가 차후에 진행될 수 있을 것으로 생각된다. 더 나아가, 본 연구는 데이터가 시간대별 생활인구를 제공함에도 불구하고, 세밀한 변화를 탐지하는 CUSUM 관리도를 택하고 있기 때문에 일별 이상치를 탐색하였다. 주어진 데이터를 잘 활용하려면, 시간대별 이상치를 탐지하기 위한 공간관리도에 관해서조금 더 많은 연구가 되어야 한다.
, 2018; Seo & Yun, 2019), 학습을 위해서는 다량의 데이터를 필요로 하고, 모형들의 1차적인 목표는 과거의 추세를 활용하여 미래를 예측하는 것이다(Han & Yu,2019). 본 연구는 미래 예측이 아닌 짧은 기간의 데이터만으로도 과거에는 없었던 변동성에 민감하게 반응하는 방법론을 고려하고자 한다.
본 연구는 서울시 공공데이터에서 새롭게 제안하는 생활인구를 이용하여 일자별 이상치를 탐색하고자 하였다. 이전 공중보건 분야에서 자주 사용되었던 공간통계량의 누적합 관리도를 이용하였다.
서울의 인구는 서울에 거주하는 인구뿐만 아니라 위성도시에서 출퇴근하는 수많은 직장인과 관광객들이 혼재되어 있기 때문에 상주인구가 도시서비스의 수요를 잘 설명하지 못하기 때문에 생활인구의 필요성이 대두되었다. 본 연구는 서울시에서 제공하는 생활인구 추계 빅데이터를 모니터링하여 이상치 쏠림이 언제 어디에서 발생하는지를 규명하고자 한다.
본 연구에서는 해당 생활인구 추계 데이터와 국지적 모란지수의 누적합 관리도를 이용하여 생활인구 이상치를 탐지하는 프레임워크를 제안하고자 한다. 우선, 서울시의 관심 행정동의 집계구 i (=1,2, .
이어지는 본문에서는 인구이동 패턴 이상치 탐지와 누적합 관리도에 관련된 선행 문헌들을 고찰하였다. 다음으로 사용하고자 하는 프레임워크의 알고리즘과 생활인구 데이터에 대해 상세히 설명하고, 해당 방법론을 마포구 서교동에 적용하여 결과를 제시하고 해석하였다.

제안 방법

공간 통계량의 누적합 관리도를 통하여 시공간적인 이상치를 확인 할 수 있었다. 각각 집계구에 대해서 누적합 관리도를 구한 후, 발생한 이상치 횟수를 활용하여 어느 구역에 언제 이상치가 발생하였는지, 해당 이상치가 지속적으로 이어지는지 등에 대해 알 수 있었다. 해당 이상치들은 시간이 지나면서 특정 집계구들이 주변 집계구들에 대비하여 더 많이 몰리는지를 과거의 모란지수와 비교하여 증가하였는지를 확인 할 수 있었다.
Table 4는 분석 구간(74개)동안 집계구별로 이상치가 발생한 횟수를 나타낸다. 공간가중행렬로는 한 점이라도 맞닿으면 이웃으로 간주하는 Queen 방식을 택하였다. Table 4의 이상치 탐지 개수의 직관적인 이해를 돕기 위하여 지도화하여 Figure 4로 나타내었다.
이어지는 본문에서는 인구이동 패턴 이상치 탐지와 누적합 관리도에 관련된 선행 문헌들을 고찰하였다. 다음으로 사용하고자 하는 프레임워크의 알고리즘과 생활인구 데이터에 대해 상세히 설명하고, 해당 방법론을 마포구 서교동에 적용하여 결과를 제시하고 해석하였다. 마지막으로 본 연구가 기여하는 점과 제한점에 대해 서술하였다.
2011). 더불어 Yamada et al. (2009)의 연구에서 고안한 GeoSurveillance를 이용하여 집계구별 누적합을 시각화하였다. 해당 값들을 지도와 매칭하여 젊음의 거리이자 서울 문화의 집합체라 할 수 있는 마포구 서교동(홍익대학교 인근)에 예시로 적용한 결과 생활인구 원 데이터에서는 파악하기 어려웠던 시공간적 이상치를 탐지 할 수 있었다.
앞서 설명한 것과 마찬가지로 홍대입구역 1번 출구 쪽에 이전보다 더 많이 인구들이 주변보다 몰리는 것을 탐지하였다. 어떤 변화가 일어났는지 확인하기 위하여 해당 시점 언론 기사탐색과 지역 실사를 실시하였다. 해당 지역에는 17년도 상반기에 건물이 두 개가 생기면서 사람들이 서서히 몰리기 시작했다 할 수 있다.
우리는 Kracalik et al. (2011)와 Manogaran & Lopez(2018), Yamada et al. (2009)의 연구에서 제안된 프레임 워크를 이용하여 국지적 모란지수의 CUSUM 관리도를 그리고, GeoSurveillance 프로그램(Yamada et al., 2009)을 이용하여 시각화 하고자 한다.
이상치 이외에도 각 누적합을 h 대비하여 몇 분위에 위치하는지에 따라 4분위로 나눠 25% 미만이면 흰색,25% 이상 50% 미만이면 하늘색, 50% 이상 75% 미만이면 보라색, 75% 이상 100% 미만이면 파란색, 총 5단계로 지도화한다.
(2018)의 연구에서 도심에서의 예상치 못한 인구이동의 이상치를 찾는 것의 중요성을 강조하였다. 저자들은 단일 클래스 서포트 벡터 머신(one-classSupport Vector Machine)을 이용하여 과거와는 다른 패턴을 보이는 지역과 시간을 탐색하였다. 다양한 연구들이 행해졌음에도 불구하고 해당 논문들은 공간자기상관성을 고려하지 않았고, 추가적으로 확률분포 가정이나 모형 학습을 위한 대용량 데이터를 필요로 하는 제한점이 존재했다.
직관적인 결과 해석과 세분화된 인구이동 패턴을 확인하기 위하여 지역별, 연령대 별, 성별을 특정지어 연구를 진행하였다. 우선, 분석 대상지로는 서울 문화공간의 중심지라고 불리우는 홍익대학교 인근을 선정하였다.
, 2009). 첫 번째로는 Retrospective change detection으로, 고정된 데이터 샘플을 이용하여 해당 기간 동안 변화가 일어났는지 확인하고, 그 변화의 원인이 무엇인지 판단하게 된다. 극단치 이론을 활용하여 서울시의 초미세먼지 농도 수준을 지역별로 분석한 Oh & Lim (2019)의 연구가 좋은 예이다.
해당 원데이터를 이용하여 Queen 공간가중행렬 기반으로 국지적 모란지수를 구했다. Figure 6는 해당 집계구의 국지적 모란지수의 추이를 보인다.

대상 데이터

우리는 이상치가 가장 많이 나온 집계구 1114066050002에 대하여 상세한 분석을 위하여 원데이터와 국지적 모란지표 데이터, 누적합 그래프를 그려보았다. 집계구 1114066050002은 앞서 언급되었다시피 홍대입구역 1번 출구 근처이다.
직관적인 결과 해석과 세분화된 인구이동 패턴을 확인하기 위하여 지역별, 연령대 별, 성별을 특정지어 연구를 진행하였다. 우선, 분석 대상지로는 서울 문화공간의 중심지라고 불리우는 홍익대학교 인근을 선정하였다. 해당 지역은 문화활동이 가능할 뿐만 아니라 댄스클럽, 대형음식점, 소규모 음식점이 존재하는 등 다양한 볼거리와 먹거리가 공존하는 공간이다(Gim, 2013).
우선, 서울시의 관심 행정동의 집계구 i (=1,2, ..., n) 별로 17년-18년 상반기에 해당하는 t (=1,2, ..., T) 주차 특정 요일, 시간대, 연령대, 성별 생활인구 데이터 Ci,t 를 수집한다.
이전 공중보건 분야에서 자주 사용되었던 공간통계량의 누적합 관리도를 이용하였다. 특히 주변의 지역과 대비하여 측정치가 많은지 적은지 알 수 있는 국지적 모란지수를 활용하였다. 공간 통계량의 누적합 관리도를 통하여 시공간적인 이상치를 확인 할 수 있었다.
해당 지역은 그림 1에서와 같이 마포구 서교동으로 행정적으로 소속되어 있고, 그림 2에 나와 있듯이 50개의 집계구로 구획되어있다. 해당 연구에서는 2017년부터 2018년 상반기까지 금요일 저녁(17시부터 01시까지의 평균)에 해당하는 74일(인구의 변화가 큰 설날 및 추석 제외)을 25세에서 29세까지의 여성 생활인구를 추출하였다.

이론/모형

본 연구는 서울시 공공데이터에서 새롭게 제안하는 생활인구를 이용하여 일자별 이상치를 탐색하고자 하였다. 이전 공중보건 분야에서 자주 사용되었던 공간통계량의 누적합 관리도를 이용하였다. 특히 주변의 지역과 대비하여 측정치가 많은지 적은지 알 수 있는 국지적 모란지수를 활용하였다.

성능/효과

특히 주변의 지역과 대비하여 측정치가 많은지 적은지 알 수 있는 국지적 모란지수를 활용하였다. 공간 통계량의 누적합 관리도를 통하여 시공간적인 이상치를 확인 할 수 있었다. 각각 집계구에 대해서 누적합 관리도를 구한 후, 발생한 이상치 횟수를 활용하여 어느 구역에 언제 이상치가 발생하였는지, 해당 이상치가 지속적으로 이어지는지 등에 대해 알 수 있었다.
위와 같이 생활인구에서 큰 변화가 없더라도, 주변 지역에 대비해서 증가하는 것을 확인 할 수 있었다. 더불어 증가하는 국지적 모란지수의 누적합 관리도를 통해서 미세한 변화도 잘 탐지하는 것을 확인 할 수 있었다. 더불어 증가하는 국지적 모란지수의 누적합 관리도를 통해서 미세한 변화도 잘 탐지하는 것을 확인하였다.
더불어 증가하는 국지적 모란지수의 누적합 관리도를 통해서 미세한 변화도 잘 탐지하는 것을 확인 할 수 있었다. 더불어 증가하는 국지적 모란지수의 누적합 관리도를 통해서 미세한 변화도 잘 탐지하는 것을 확인하였다. 도출된 이상치는 다양한 함의를 갖고 있었다.
날씨가 쌀쌀해지는 것에 힘입어 실내문화공간에 사람들이 많이 몰렸다고 예상된다. 또 다른 건물에는 유명 호텔이 오픈(18년 1월)하였고, 해당 건물 1층에는 중국과 일본에서 인기 많은 모바일 메신저 앱의 오프라인 캐릭터 스토어가 오픈하면서 한 번 더 누적합이 급격하게 증가하는 것을 확인 할 수 있었다. 이렇게 젊은 층들을 끌 공간들이 생기면서 이러한 결과가 발생하였다고 생각된다.
이는 지속적으로 변하는 공간적 성격을 빨리 탐지하여 행정적 자원을 효율적으로 배분하는데 정량적인 근거가 될 수 있을 것으로 기대된다. 예시로 금요일 저녁(17시-01시)의 마포구 서교동에 존재하는 25세에서 29세의 여성 생활인구를 분석 한 결과 누적합이 갑자기 증가하는 시점들에 해당 집계구에 어떤 일들이 있었는지 살펴 본결과, 젊은 계층의 이목을 끌만한 상점들이 해당 시점에 생긴 것을 알 수 있었다. 연령대 별로 동일한 프레임워크를 적용한다면 새로 생기는 상점들이 상권에 어떻게 영향을 미치는지 알 수 있을 것으로 예상이 된다.
위와 같이 생활인구에서 큰 변화가 없더라도, 주변 지역에 대비해서 증가하는 것을 확인 할 수 있었다. 더불어 증가하는 국지적 모란지수의 누적합 관리도를 통해서 미세한 변화도 잘 탐지하는 것을 확인 할 수 있었다.
(2009)의 연구에서 고안한 GeoSurveillance를 이용하여 집계구별 누적합을 시각화하였다. 해당 값들을 지도와 매칭하여 젊음의 거리이자 서울 문화의 집합체라 할 수 있는 마포구 서교동(홍익대학교 인근)에 예시로 적용한 결과 생활인구 원 데이터에서는 파악하기 어려웠던 시공간적 이상치를 탐지 할 수 있었다. 도출된 시간대와 지역은 인구 수요가 주위보다 혹은 과거보다 갑자기 많아 진곳으로써 제한된 경찰, 구급인원 등의 행정적 자원의 효율적인 분배를 정량적인 근거 아래 가능케 한다.
각각 집계구에 대해서 누적합 관리도를 구한 후, 발생한 이상치 횟수를 활용하여 어느 구역에 언제 이상치가 발생하였는지, 해당 이상치가 지속적으로 이어지는지 등에 대해 알 수 있었다. 해당 이상치들은 시간이 지나면서 특정 집계구들이 주변 집계구들에 대비하여 더 많이 몰리는지를 과거의 모란지수와 비교하여 증가하였는지를 확인 할 수 있었다. 집계구별 누적합 관리도를 시각화하여 직관적이고 전반적인 파악까지 할 수있었다.

후속연구

해당 정보를 이용하여 연령층 별로 생활인구를 끌어당기는 요소들을 알 수 있을 것이고, 상권을 구성하거나 활성화시키는데 도움이 될 수 있다. 기업의 입장에서는 이 방법론을 통해 오프라인 마케팅과 광고의 효과를 극대화 할 수 있을 것으로 기대된다.
도출된 시간대와 지역은 인구 수요가 주위보다 혹은 과거보다 갑자기 많아 진곳으로써 제한된 경찰, 구급인원 등의 행정적 자원의 효율적인 분배를 정량적인 근거 아래 가능케 한다. 또 반복되는 패턴 파악을 통해 사전경고를 하여 시민들의 편의성을 증대시킬 수 있을 것으로 기대된다.
이 정보를 이용하여 제한된 행정적 자원을 어떻게 효율적으로 배분 할 것인지에 대한 근거가 될 수 있을 것이다. 또, 이상치가 언제부터 또는 언제 발생했는지를 통해서 어떤 이유가 생활인구를 증가시켰는지 유추할 수 있을 것이다. 해당 정보를 이용하여 연령층 별로 생활인구를 끌어당기는 요소들을 알 수 있을 것이고, 상권을 구성하거나 활성화시키는데 도움이 될 수 있다.
정량적으로 특정 집계구들이 이상치로 판별된 것을 갖고 행정적 자원을 배치하기엔 근거가 되지만, 그 주장에 힘이 실리려면 정성적인 근거가 뒷받침 되어야한다. 앞서 선행되었던 연구들 중 소셜미디어 데이터와 토픽모델링을 결합한 것과 같이, 키워드와 토픽 등으로 시공간적 이상치를 설명하는 연구가 차후에 진행될 수 있을 것으로 생각된다. 더 나아가, 본 연구는 데이터가 시간대별 생활인구를 제공함에도 불구하고, 세밀한 변화를 탐지하는 CUSUM 관리도를 택하고 있기 때문에 일별 이상치를 탐색하였다.
집계구별 누적합 관리도를 시각화하여 직관적이고 전반적인 파악까지 할 수있었다. 이는 지속적으로 변하는 공간적 성격을 빨리 탐지하여 행정적 자원을 효율적으로 배분하는데 정량적인 근거가 될 수 있을 것으로 기대된다. 예시로 금요일 저녁(17시-01시)의 마포구 서교동에 존재하는 25세에서 29세의 여성 생활인구를 분석 한 결과 누적합이 갑자기 증가하는 시점들에 해당 집계구에 어떤 일들이 있었는지 살펴 본결과, 젊은 계층의 이목을 끌만한 상점들이 해당 시점에 생긴 것을 알 수 있었다.
연령대 별로 동일한 프레임워크를 적용한다면 새로 생기는 상점들이 상권에 어떻게 영향을 미치는지 알 수 있을 것으로 예상이 된다. 이를 활용한다면해당 지역 상권의 창업 전략이나 기업들의 연령대별 마케팅 방향을 제안 할 수 있을 것이다. 세분화된 타겟 연령층의 인구 패턴을 활용하여 수익이나 광고효과의 극대화를 노릴 수 있다.
지역별, 연령대별 인구 변화 패턴을 빠르게 파악하는 것 이외에도 해당 프레임워크는 다른 분야에서도 다양하게 활용 될 수 있을 것으로 기대된다. 제안된 방법론을 대중교통 사용량 데이터에 직접 적용한다면, 대중교통 이용 집중시간대에서의 수요와 공급 관점에서 더 많은 정보를 제공 할 수 있을 것이다. 이는 대중교통 노선 및 관련 정책 수립에 도움이 될 수 있다.
더 나아가, 본 연구는 데이터가 시간대별 생활인구를 제공함에도 불구하고, 세밀한 변화를 탐지하는 CUSUM 관리도를 택하고 있기 때문에 일별 이상치를 탐색하였다. 주어진 데이터를 잘 활용하려면, 시간대별 이상치를 탐지하기 위한 공간관리도에 관해서조금 더 많은 연구가 되어야 한다. 현재의 방법론으로는 시간대별로 표준편차가 커서 공간관리도로는 탐지하기가 어렵다.
지역별, 연령대별 인구 변화 패턴을 빠르게 파악하는 것 이외에도 해당 프레임워크는 다른 분야에서도 다양하게 활용 될 수 있을 것으로 기대된다. 제안된 방법론을 대중교통 사용량 데이터에 직접 적용한다면, 대중교통 이용 집중시간대에서의 수요와 공급 관점에서 더 많은 정보를 제공 할 수 있을 것이다.
, 2011; Manogaran & Lopez, 2018). 특정 지역의 생활인구가 인접한 지역에 크게 영향을 받을 수밖에 없는 것을 고려한다면 공간 통계량을 활용한 누적합 관리도가 본 연구에 가장 적합하다고 판단된다.
대중교통 사용인구의 이동에 알맞게 버스, 지하철 운행시간을 조절 하거나 운행노선을 적절히 조정하여 대중교통 이용에 편의를 제공할 수 있을 것이다. 혹은 유해공기물질(미세먼지, SOx, NOx 등) 집중 시간대에 적용하여, 관련 재난에 대한 경고 및 대처를 미리 할 수 있을 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	인구이동 패턴의 이상치를 탐지하는 것의 이점은 무엇인가?	도시에서 발생하는 인구이동 패턴의 이상치를 탐지하는 것은 도시 관리와 긴급 사태 대비 측면뿐만 아니라, 사회적인 서비스 차원에서도 좋은 기회를 부여할 수 있다(Chae et al., 2014).
	이상치를 감지하는 방법론에는 크게 두 가지가 있는데, 이는 무엇인가?	, 2009). 첫 번째로는 Retrospective change detection으로, 고정된 데이터 샘플을 이용하여 해당 기간 동안 변화가 일어났는지 확인하고, 그 변화의 원인이 무엇인지 판단하게 된다. 극단치 이론을 활용하여 서울시의 초미세먼지 농도 수준을 지역별로 분석한 Oh & Lim (2019)의 연구가 좋은 예이다. 반면에 Prospective change detection의 경우 새로운 관측치가 이전 프로세스에 추가되어 해당 관측치가 이상치 인지 판단하거나 관측치를 계속 수집할 것인지 결정하게 된다. 후자의 시공간 이상탐지 방법론으로는 베이지안 모델(Rodeiro & Lawson, 2006), 공간통계량(Rogerson, 1997), 그리고 품질 관리도(Lund & Seymour, 1999; Yamada et al., 2009)가 있다. 이외에도 최근에는 머신러닝을 활용한 방법론들이 많이 연구되었지만(Zhang et al.
	생활인구란 무엇인가?	특히 서울시는, 서울의 공공데이터와 KT의 LTE 시그널을 이용하여 서울시 집계구1)별로 해당 시각에 존재하는 “생활인구”2)를 추계하여 제공하기 시작하였다. 이는 다른 말로 해당 지역에 거주하거나, 직장, 관광, 의료, 쇼핑, 교육 등 목적으로 머무는 모든 인구를 포함한다. 서울의 인구는 서울에 거주하는 인구뿐만 아니라 위성도시에서 출퇴근하는 수많은 직장인과 관광객들이 혼재되어 있기 때문에 상주인구가 도시서비스의 수요를 잘 설명하지 못하기 때문에 생활인구의 필요성이 대두되었다.

참고문헌 (30)

Anselin, L. 1995. Local indicators of spatial association-LISA. Geographical Analysis 27(2):93-115.

상세보기
Chae, J., Thom, D., Jang, Y., Kim, S., Ertl, T., Ebert, D. S. 2014. Public Behavior Response Analysis in Disaster Events Utilizing Visual Analytics of Microblog Data. Computers & Graphics 38:51-60.

상세보기
Gim, S. 2013. Discursive Construction of the Seoul Metropolitan Cultural Space: Focused on the Hongdae Area. The Seoul Institute Policy Research. pp. 1-89.
Gundogdu, D., Incel, O. D., Salah, A. A., Lepri, B. 2016. Countrywide Arrhythmia: Emergency Event Detection Using Mobile Phone Data. EPJ Data Science 5(1):25.
Han, M., Yu, S. J. 2019. Prediction of Baltic Dry Index by Applications of Long Short-Term Memory. The Korean Society for Quality Management 47(3):497-508.
Han, S. W., Mei, Y., Tsui, K. L. 2008. A Comparison between SCAN and CUSUM Methods for Detecting Increases in Poisson Rates. School of ISyE, Georgia Institute of Technology, Atlanta, GA. Technical report.
Jeong, Y. Y., Moon, T. H. 2014. Analysis of Seoul Urban Spatial Structure Using Pedestrian Flow Data - Comparative Study with '2030 Seoul Plan' -. Journal of the Korean Regional Development Association 26(3):139-158.
Kim, H. J., Lee, S. W. 2011. Determinants of 5 Major Crimes in Seoul Metropolitan Area: Application of Mixed GWR Model. Seoul Studies 12(4):137-155.
Kim, M., Kang, S., Kim, S. P., Sohn, H. G. 2016. A Spatial Analysis of Shelter Capacity Using Floating Population. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography 34(1):1-10.
Kim, S., Lee, Y. D. 2005. Cusum Control Chart for Monitoring Process Variance. The Korean Society for Quality Management 33(3):149-155.
Kracalik, I., Lukhnova, L., Aikimbayev, A., Pazilov, Y., Temiralyeva, G., Blackburn, J. K. 2011. Incorporating Retrospective Clustering into a Prospective Cusum Methodology for Anthrax: Evaluating the Effects of Disease Expectation. Spatial and Spatio-temporal Epidemiology 2(1):11-21.

상세보기
Kwon, D. S., Sohn S.Y. 2017. Spatial Analysis of Small Churches in Seoul Using Geographically Weighted Regression. Journal of the Korean Geographical Society 52(5):625-643.
Kwon, H., Hong, S. H., Lee, M. K., Lim, S. 2016. Literature Review on the Statistical Quality Control in Journal of the KSQM for 50 Years. The Korean Society for Quality Management 44(1):1-16.
Lee, K. M., Jung, C. M. 2014. The Effect of Time Period Pedestrian Volume on Store Location - Focused on the Suwon Retail Stores and Restaurants. Journal of the Architectural Institute of Korea Planning & Design 30(8):47-55.
Lee, M. L. 2015. Comparison of Multivariate CUSUM Charts Based on Identification Accuracy for Spatio-temporal Surveillance. The Korean Society for Quality Management 43(4):521-532.
Lee, Y. S., Park, H. S., Lew S. H., Kang J. M. 2014. An Analysis of the Location Factors that Affects the Sales of Campus Commercial District. Seoul Studies 15(1):17-34.
Lloyd, C. 2010. Spatial Data Analysis: An Introduction for GIS Users. Oxford University press.
Lund, R., Seymour, L. 1999. Assessing Temperature Anomalies for a Geographical Region: A Control Chart Approach. Environmetrics: The Official Journal of the International Environmetrics Society 10(2):163-177.

상세보기
Manogaran, G., Lopez, D. 2018. Spatial Cumulative Sum Algorithm with Big Data Analytics for Climate Change Detection. Computers & Electrical Engineering 65:207-221.

상세보기
Montgomery, D. C. 2009. Introduction to Statistical Quality Control. John Wiley & Sons : New York.
Oh, J. W., Lim, T. J. 2019. Regional Analysis of Extreme Values by Particulate Matter(PM2.5) Concentration in Seoul, Korea. The Korean Society for Quality Management 47(1):47-57.
Page, E. S. 1954. Continuous Inspection Schemes. Biometrika 41(1/2):100-115.
Qiu, P. 2013. Introduction to Statistical Process Control. Chapman and Hall/CRC.
Rogerson, P. A. 1997. Surveillance Systems for Monitoring the Development of Spatial patterns. Statistics in Medicine 16(18):2081-2093.

상세보기
Rogerson, P. A. 2005. Spatial Surveillance and Cumulative Sum Methods. Spatial and Syndromic Surveillance for Public Health. pp. 95-114.
Seo, M. K., Yun, W. 2019. Condition Monitoring and Diagnosis of a Hot Strip Roughing Mill Using an Autoencoder. The Korean Society for Quality Management 47(1):75-86.
Sonesson, C. 2007. A CUSUM Framework for Detection of Space-time Disease Clusters Using Scan Statistics. Statistics in Medicine 26(26):4770-4789.

상세보기
Vidal Rodeiro, C. L., Lawson, A. B. 2006. Monitoring Changes in Spatio Temporal Maps of Disease. Biometrical Journal: Journal of Mathematical Methods in Biosciences 48(3):463-480.

상세보기
Yamada, I., Rogerson, P. A., Lee, G. 2009. GeoSurveillance: A GIS-based System for the Detection and Monitoring of Spatial Clusters. Journal of Geographical Systems 11(2):155-173.

상세보기
Zhang, H., Zheng, Y., Yu, Y. 2018. Detecting Urban Anomalies Using Multiple Spatio-Temporal Data Sources. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies 2(1):54.

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