[논문]Station Extension Algorithm Considering Destinations to Solve Illegal Parking of E-Scooters

Jeongeun, Song; Yoon-Ah, Song; ZoonKy, Lee

doi:10.9708/jksci.2023.28.02.131

Station Extension Algorithm Considering Destinations to Solve Illegal Parking of E-Scooters 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.28 no.2, 2023년, pp.131 - 142

Jeongeun, Song (Graduate School of Information, Yonsei University) , Yoon-Ah, Song (Graduate School of Information, Yonsei University) , ZoonKy, Lee (Graduate School of Information, Yonsei University)

초록
AI-Helper

본 연구는 공유 전동 킥보드 불법 주차 문제를 해결하고 서비스 품질을 개선하기 위하여 새로운 스테이션 선정 알고리즘을 제안하는 것을 목표로 한다. 최근 도시 교통 문제의 해결 방안으로 대중 교통과 최종 목적지를 연결하는 퍼스트-라스트 마일 수단으로 공유 전동 킥보드가 주목받고 있다. 그에 따라 공유 전동 킥보드 시장도 급속도로 성장하면서 그로 인한 문제 또한 심화되고 있다. 이에 본 연구에서는 문제의 본질을 파악하기 위해 텍스트 데이터를 수집하여 'LDA 토픽 모델링'으로 공유 킥보드에 관한 이슈를 보행자와 이용자 관점에서 살펴보고 이를 바탕으로 스테이션 증설 알고리즘을 마련하려 한다. 기존에 이미 일부 주차장이 설치되어 있지만 기존의 주차장 위치는 실제 견인 다발 지역과 불일치한다. 따라서 본 연구에서는 '서울특별시 전동 킥보드 견인 현황' 데이터와 여러 요인을 반영하여 DBSCAN을 통한 1차 클러스터링 후, K-means를 적용하는 혼합형 클러스터링 기법으로 실제 견인 밀도가 높은 곳에 스테이션을 설치할 수 있는 알고리즘을 제안한다.

Abstract ▼ AI-Helper

In this paper, we propose a new station selection algorithm to solve the illegal parking problem of shared electric scooters and improve the service quality. Recently, as a solution to the urban transportation problem, shared electric scooters are attracting attention as the first and last mile means between public transportation and final destinations. As a result, the shared electric scooter market grew rapidly, problems caused by electric scooters are becoming serious. Therefore, in this study, text data are collected to understand the nature of the problem, and the problems related to shared scooters are viewed from the perspective of pedestrians and users in 'LDA Topic Modeling', and a station extension algorithm is based on this. Some parking lots have already been installed, but the existing parking lot location is different from the actual area of tow. Therefore, in this study, we propose an algorithm that can install stations at high actual tow density using mixed clustering technology using K-means after primary clustering by DBSCAN, reflecting the 'current state of electric scooter tow in Seoul'.

주제어

표/그림 (15)

표 Table 1. Condition of Text data collection
표 Table 2. Tokens Used for Analysis
표 Table 3. Results of LDA Topic Modeling -Pedestrian
표 Table 4. Results of LDA Topic Modeling -User
그림 Fig. 1. Map of e-scooter tows
그림 Fig. 2. Incoming population and number of tows
그림 Fig. 3. Number of tows and number of parking lots
그림 Fig. 4. Across-the-board process
표 Table 5. Outliers and Clusters by Hyperparameter
그림 Fig. 5. Silhouette coefficient
그림 Fig. 6. Clusters and central points
그림 Fig. 7. Comparing Existing station with Station with algorithm applied
그림 Fig. 8. Selected stations by administrative district
그림 Fig. 9. Comparing Existing station with Station with algorithm applied in Dongjak
표 Table 6. Number of selected stations by district

AI 본문요약
AI-Helper

문제 정의

하지만 앞선 리뷰 데이터 분석에 따르면 GPS 오차 때문에 주차금지 구역 구별이 모호하여 같은 장소라도 때에 따라 주차금지 구역 GPS 인식이 달라 이용자에게 혼란을 가중하고 있다. 따라서 본 연구에서는 GPS에만 의존하지 않는 일정한 스테이션 증설 알고리즘을 마련하여 공유 전동 킥보드 서비스에 대한 신뢰성을 높이고자 한다.
기존 시스템에서 ‘독리스(Dockless)’ 방식을 고집하는 이유는 스테이션 마련 비용이 부담이 되기 때문이고 이용자의 편의를 위해서가 가장 크다. 따라서 본 연구의 목적은 스테이션 설치 비용을 최소화하고 이용자의 편의를 증진하면서 불법 주차로 방치되는 전동 킥보드를 줄여 견인으로 인한 공유 킥보드 산업의 위축을 방지하는 것이다.
이에 본 연구에서는 점차 사회 문제가 되고 있는 공유 전동 킥보드 불법 주차 문제를 해결하기 위해 먼저 보행자와 이용자 입장에서 LDA(Latent Dirichlet Allocation) 토픽 모델링을 통해 공유 전동 킥보드에 대한 인식을 분석한다. 이후 결과를 바탕으로 하여 보행자와 이용자 관점에서 모두 편리한 도착지 중심 스테이션 증설 알고리즘을 제안한다.

제안 방법

이중 4,189건을 포함하는 군집은 K-means++를 적용하기에 밀도가 클 것으로 판단하였다. K-means++의 경우는 밀도가 높은 데이터 분석에 효율적이지 못하므로, DBSCAN을 반복 시행하였고 같은 과정을 통해 반경 0.001을 택하여 2,058건, 768건의 견인 지역을 포함하는 군집 2개로 나누어졌다. 이어 유의미한 4개의 소 군집을 대상으로 K-means++ 알고리즘을 적용하였고, 이때 반경을 설정할 필요성이 없으므로 알고리즘의 성능을 향상시키기 위해 좌표 데이터를 표준화하여 전처리하였다.
이때 DBSCAN의 파라미터인 최소점은 5로 고정하였고 반경은 이상치와 클러스터링 수가 가장 적은 파라미터로 설정하였다. 다음으로 각 자치구에서 생성한 DBSCAN 군집들을 소 군집으로 구성하여, 각 소 군집을 대상으로 다시 클러스터링을 진행하였다. 그러나 소 군집을 대상으로 또 다시 DBSCAN을 활용하는 데에는 어려움이 있었다.
또한 이용자 입장에서는 GPS 인식 오차 때문에 주차 구역 인식이 모호해 서비스에 대한 신뢰가 감소하고 있다. 따라서 본 연구에서는 적절한 지역에 스테이션을 설치할 것을 제안하며 스테이션 위치 선정 방법으로 DBSCAN과 K-means++ 알고리즘의 혼합형인 DBS-K++ 알고리즘을 제안하였다. 해당 알고리즘으로 ‘서울특별시 전동 킥보드 견인 현황’ 데이터를 활용하여 견인 밀집 지역을 클러스터링하고 주차 스테이션 위치를 선정하였다.
본 연구에서 제안하는 방법은 특성이 가진 의미를 파악하고자 공간 데이터를 클러스터링한 여러 선행연구를 바탕으로 하여 스테이션 위치 선정을 위해 클러스터링 알고리즘을 활용하고자 한다. 밀도 기반 클러스터링 알고리즘인 DBSCAN과 중심점 기반 클러스터링 알고리즘인 K-means++를 결합한 혼합형 알고리즘으로 견인 데이터의 지리 정보를 클러스터링하여 견인 밀집 지역에 스테이션을 증설하고자 한다.
본 실험에서는 ‘서울특별시 전동 킥보드 견인 현황’ 데이터를 활용하여 공유 킥보드 주차 스테이션 적정 지역을 선정하는 알고리즘을 제안한다
본 연구에서 제안하는 방법은 특성이 가진 의미를 파악하고자 공간 데이터를 클러스터링한 여러 선행연구를 바탕으로 하여 스테이션 위치 선정을 위해 클러스터링 알고리즘을 활용하고자 한다. 밀도 기반 클러스터링 알고리즘인 DBSCAN과 중심점 기반 클러스터링 알고리즘인 K-means++를 결합한 혼합형 알고리즘으로 견인 데이터의 지리 정보를 클러스터링하여 견인 밀집 지역에 스테이션을 증설하고자 한다.
본 연구에서는 ‘독리스(Dockless)’ 방식으로 운영되는 공유 전동 킥보드에 관한 이슈를 LDA 토픽 모델링으로 파악하고, 혼합형 클러스터링으로 해결 방안을 제시했다
수집 방법은 키워드 ‘공유킥보드’를 검색 후 다운로드 100만 이상 상위 5개 앱 리뷰를 크롤링하여 문제점을 집중적으로 살펴보기 위해 평점 5점 만점 중 평점 3점 이하 리뷰만을 추출하였다.
스테이션 알고리즘을 제안하기에 앞서 공유 전동 킥보드에 대한 대중들의 인식을 보행자와 이용자 입장에서 분석하여 스테이션 마련 알고리즘에 참고하고자 한다. 우선 보행자의 입장을 분석하기 위해 지역 주민 커뮤니티가 발달되어 있는 네이버 카페를 대상으로 게시글과 댓글 텍스트 데이터를 수집하였다.
실험에서 제안하는 방법은 DBSCAN과 K-means++를 혼합한 DBS-K++ 알고리즘이다. 실험의 프로세스는 Fig.
이에 ‘서울특별시 전동 킥보드 견인 현황’과 ‘서울 생활이동 인구’ 데이터를 분석하여 견인이 다량 발생하는 지역을 중점으로 살펴본다. 이를 기반으로 하여 로컬 상가와 제휴 또는 공유지 중심으로 스테이션 장소를 선정하는 알고리즘을 제안한다. 주차 스테이션은 견인 다발 지역을 대상으로 한 혼합형 클러스터링 기반 알고리즘을 통해 선정한다.

대상 데이터

서울시 전체 견인 데이터 60,605건 중 가장 다수인 7,408건을 차지한 마포구의 스테이션 적정 위치 선정 과정은 다음과 같다. 견인 데이터는 위도와 경도 좌표로 변환하여 사용하였으며 DBSCAN 클러스터링 시에는 반경의 영향을 줄이기 위해 표준화하지 않고 데이터를 사용하였다. 최적의 이상치 제거와 소 군집 마련을 위해 DBSCAN의 하이퍼파라미터인 반경은 0.
그 중 견인 건 수가 가장 많은 마포구에서는 18개의 스테이션이 새롭게 생성되었다. 기존 공유 전동 킥보드의 수요 측면에서 마련된 주차 구역이 특정 지하철역 인근에 포진되어 있었다면 새롭게 추가된 18개의 스테이션은 기존 스테이션과 달리 견인 다발 지역을 고려하여 견인 밀도가 높은 곳으로 선정되었다. 이를 통해 전동 킥보드 무단 방치로 인한 안전 문제를 해결하고 보행자와 이용자의 불편을 동시에 해소할 수 있을 것이라 예상한다.
본 실험에서는 ‘서울특별시 전동 킥보드 견인 현황’ 데이터를 활용하여 공유 킥보드 주차 스테이션 적정 지역을 선정하는 알고리즘을 제안한다. 데이터는 2021.07.15 ~ 2022.07.31 동안 발생한 60,605건으로, 클러스터링을 통해 불법 주차 견인 건 수가 많았던 지역을 선별하여 킥보드 주차 스테이션을 증설하고자 한다. 공유 킥보드 견인 및 관리는 각 자치구에서 진행하므로 견인 데이터 또한 구별로 구분하여 사용하였다.
DBS-K++는 이상치가 포함된 1년 간의 견인 데이터에서 이상치를 제거하기 위해 DBSCAN을 활용하고, 그 결과로 마련된 소 군집을 K-means++에 반복 적용하여 중심스테이션을 찾아내는 알고리즘이다. 본 연구에서는 불법주정차 공유 전동 킥보드 견인 제도를 동시 시행한 6개의 자치구를 대상으로 스테이션을 마련하였다.
수집 방법은 키워드 ‘공유킥보드’를 검색하여 견인 제도 시행 기간 1년 2021.07.15 ~ 2022.07.31 사이의 게시글과 댓글 텍스트를 크롤링하였다
스테이션 알고리즘을 제안하기에 앞서 공유 전동 킥보드에 대한 대중들의 인식을 보행자와 이용자 입장에서 분석하여 스테이션 마련 알고리즘에 참고하고자 한다. 우선 보행자의 입장을 분석하기 위해 지역 주민 커뮤니티가 발달되어 있는 네이버 카페를 대상으로 게시글과 댓글 텍스트 데이터를 수집하였다. 수집 방법은 키워드 ‘공유킥보드’를 검색하여 견인 제도 시행 기간 1년 2021.
31 사이의 게시글과 댓글 텍스트를 크롤링하였다. 이용자의 입장을 분석하기 위해서는 구글 플레이 스토어 리뷰를 대상으로 텍스트 데이터를 수집하였다. 수집 방법은 키워드 ‘공유킥보드’를 검색 후 다운로드 100만 이상 상위 5개 앱 리뷰를 크롤링하여 문제점을 집중적으로 살펴보기 위해 평점 5점 만점 중 평점 3점 이하 리뷰만을 추출하였다.
해당 알고리즘으로 ‘서울특별시 전동 킥보드 견인 현황’ 데이터를 활용하여 견인 밀집 지역을 클러스터링하고 주차 스테이션 위치를 선정하였다

이론/모형

또한 총 60,605건의 데이터를 군집화할 때, 적정 수준의 하이퍼파라미터 K를 선정하는 것에 어려움이 존재한다. 따라서 견인 밀도에 따라 클러스터링을 하기 위해서 첫 번째로 각 구에 대해 DBSCAN 알고리즘을 이용하였다. DBSCAN 알고리즘의 경우는 이상치를 잘 분별하며 군집 수를 자체적으로 설정하므로 K-means++로 진행할 때보다 명확한 군집을 마련할 수 있다.
DBSCAN의 경우는 반경과 최소점을 설정해 주어야 하는데, 크기가 모두 다른 다수의 소 군집을 대상으로 같은 알고리즘을 적용하기에는 많은 하이퍼파라미터의 설정이 필요하며 파라미터의 영향이 컸다. 따라서 소 군집을 대상으로는 K-means++ 알고리즘을 사용하였다. 특히 K를 설정할 수 있을 정도로 군집이 작아졌기 때문에 평가지표인 엘보우(elbow) 기법과 실루엣 계수를 통해 적절한 K값을 고려할 수 있었다.
001을 택하여 2,058건, 768건의 견인 지역을 포함하는 군집 2개로 나누어졌다. 이어 유의미한 4개의 소 군집을 대상으로 K-means++ 알고리즘을 적용하였고, 이때 반경을 설정할 필요성이 없으므로 알고리즘의 성능을 향상시키기 위해 좌표 데이터를 표준화하여 전처리하였다. 하이퍼파라미터 K는 군집 수와 SSE의 관계를 보여주는 엘보우 기법과, 클러스터링 평가 척도인 실루엣 계수를 활용하여 설정하였다.
이어 유의미한 4개의 소 군집을 대상으로 K-means++ 알고리즘을 적용하였고, 이때 반경을 설정할 필요성이 없으므로 알고리즘의 성능을 향상시키기 위해 좌표 데이터를 표준화하여 전처리하였다. 하이퍼파라미터 K는 군집 수와 SSE의 관계를 보여주는 엘보우 기법과, 클러스터링 평가 척도인 실루엣 계수를 활용하여 설정하였다. 이에 따른 진행 결과는 Fig.

성능/효과

견인이 가장 많이 발생한 마포구 견인 현황을 동 별로 살펴보면 동 별 견인 개수와 기존 주차장의 개수가 불일치함을 확인할 수 있다. 실제 견인이 가장 많이 발생한 곳은 서교동(1,581)인데 주차장은 상암동(11)에 가장 많이 분포하고 있었다.
결과적으로 4개의 소 군집에서 18개의 스테이션을 마련하였다. Fig.
001로, 최소점은 5로 설정하여 1차 클러스터링을 진행하였다. 결과적으로 62개의 소 군집이 형성되었고 이 중에서 300개 이상의 견인 지역을 포함하는 군집은 3개로, 각각의 군집은 4,189건, 1,137건, 349건의 견인 지역으로 구성되었다. 이중 4,189건을 포함하는 군집은 K-means++를 적용하기에 밀도가 클 것으로 판단하였다.
주차 스테이션은 견인 다발 지역을 대상으로 한 혼합형 클러스터링 기반 알고리즘을 통해 선정한다. 결과적으로 증설한 스테이션 간 이동으로 공유 킥보드의 고정적 공급을 가능하게 하여 대여자(이용자) 입장에서는 GPS에 의존하지 않아도 접근성이 높은 스테이션에서 서비스를 이용할 수 있으며 사업자 입장에서는 수거 및 충전 인력 비용 또한 절감할 수 있다. 그리고 지자체 입장에서도 견인으로 인한 사회적 비용 절약과 불법 주차로 인한 안전 문제를 해결할 수 있어 공동의 이익이 된다.
해당 알고리즘으로 ‘서울특별시 전동 킥보드 견인 현황’ 데이터를 활용하여 견인 밀집 지역을 클러스터링하고 주차 스테이션 위치를 선정하였다. 그 결과 공유 킥보드 불법 주정차 견인 제도를 시행하는 6개 자치구를 대상으로 전체 69개의 스테이션 설치 적정 지역을 마련했다. 그 중 견인 건 수가 가장 많은 마포구에서는 18개의 스테이션이 새롭게 생성되었다.
마포구의 기존 스테이션은 주로 수요 측면만을 고려하여 지하철역 인근에 밀집하여 분포해 있었다. 그러나 본 연구의 알고리즘을 적용하여 스테이션을 추가하면 기존과 달리 스테이션이 부족한 지역 및 견인 수량이 많은 지역을 중심으로 새로운 스테이션 위치가 선정되었음을 확인할 수 있다.
보행자 관점에서 이슈를 분석하기 위해 네이버 카페에서 ‘공유 킥보드’를 키워드로 하는 게시글과 댓글을 수집하여 LDA 토픽 모델링으로 분석한 결과 3개의 토픽을 추출할 수 있었다
이용자 관점에서 이슈에 접근하기 위해 구글 플레이 스토어에서 ‘공유 킥보드’를 검색하여 다운로드 100만 이상 상위 5개 업체의 리뷰를 LDA 토픽 모델링으로 분석한 결과 3개의 토픽을 추출할 수 있었다
추출된 토픽은 ‘사고’, ‘이용 행태’, ‘방치와 충전’으로 각 토픽에 속한 단어들을 텍스트 데이터에서 확인한 결과 주로 부정적인 의견이 대다수를 차지했다.
LDA 토픽 모델링 결과 보행자 입장에서는 ‘사고’, ‘이용행태’, ‘방치와 충전’이 주요 토픽으로 추출되었고, 이용자 입장에서는 ‘애플리케이션’, ‘주차(반납)’, ‘위치’가 주요 토픽으로 추출되었다. 추출한 토픽을 분석한 결과 전동 킥보드 방치와 킥보드 주차 위치에 관한 문제를 파악할 수 있었다. 공유 전동 킥보드 방치 문제가 심화되자 서울시 6개자치구에서는 2021년 7월 15일부터 불법 주정차 공유 전동 킥보드 견인을 시행했다.

후속연구

하지만 ‘독리스(Dockless)’ 방식의 운영으로 보행자 및 이용자 모두의 불편이 심화되어 사업의 지속에도 악영향을 미칠 우려가 있으므로 기존 운영 방식의 개선을 위한 다양한 후속 연구의 필요성이 있다. 견인 제도가 정착되고 데이터가 더 개방되어 연구의 한계점을 극복할 수 있다면, 향후 연구에서는 GIS 공간분석 방법론을 적용할 수 있을 것이다. 다양한 공간분석 방법론을 통해 지역의 특성 또한 고려하여 더 정교한 스테이션 위치 선정 알고리즘을 마련할 수 있으리라 기대한다.
견인 제도가 정착되고 데이터가 더 개방되어 연구의 한계점을 극복할 수 있다면, 향후 연구에서는 GIS 공간분석 방법론을 적용할 수 있을 것이다. 다양한 공간분석 방법론을 통해 지역의 특성 또한 고려하여 더 정교한 스테이션 위치 선정 알고리즘을 마련할 수 있으리라 기대한다.
이를 통해 전동 킥보드 무단 방치로 인한 안전 문제를 해결하고 보행자와 이용자의 불편을 동시에 해소할 수 있을 것이라 예상한다. 더 나아가 이용 종료된 공유 전동 킥보드의 효율적인 위치 관리가 가능해져 견인으로 인한 사회적 비용과 업계의 부담을 줄일 수 있을 것이다.
본 연구의 한계점은 견인을 시행한 지난 1년간의 공개된 데이터를 기반으로 하고 있어 더 장기적인 관점에서 접근이 부족했다는 점이다. 또한 공유 킥보드의 운영 주체가 서울시가 아닌 각 사업체에 있어 이용자들의 서비스 사용 행태와 관련한 폭넓은 데이터 확보에 어려움이 있었다.
그리고 지자체 입장에서도 견인으로 인한 사회적 비용 절약과 불법 주차로 인한 안전 문제를 해결할 수 있어 공동의 이익이 된다. 이를 통해 서비스 전반의 운영 방식과 부정적 인식 개선으로 공유 전동 킥보드 산업이 더욱 활성화 되기를 기대한다.
이에 본 연구에서는 점차 사회 문제가 되고 있는 공유 전동 킥보드 불법 주차 문제를 해결하기 위해 먼저 보행자와 이용자 입장에서 LDA(Latent Dirichlet Allocation) 토픽 모델링을 통해 공유 전동 킥보드에 대한 인식을 분석한다. 이후 결과를 바탕으로 하여 보행자와 이용자 관점에서 모두 편리한 도착지 중심 스테이션 증설 알고리즘을 제안한다.
하지만 ‘독리스(Dockless)’ 방식의 운영으로 보행자 및 이용자 모두의 불편이 심화되어 사업의 지속에도 악영향을 미칠 우려가 있으므로 기존 운영 방식의 개선을 위한 다양한 후속 연구의 필요성이 있다

참고문헌 (42)

Naver, A Topical Dictionary, https://terms.naver.com/.
Nielsen KoreanClick, Monthly Topic, http://www.koreanclick.com/insights/newsletter_view.html?codetopic&id599&page1&utm_so.
Lee Jeongheun, Global companies packing in Korea in one year？of strengthening regulations on electric scooters, https://magazine.hankyung.com/business/article/202207061571b.
Shin Huicheol, "Activation Plan for Future Personal Mobility,"？Monthly KOTI Magazine on Transport, Vol.268 , pp. 31-37, Jun. 2020.
Baek Bongsam, An e-scooter accident... 9 out of 10 'have safety？concerns', https://zdnet.co.kr/view/?no20201029140823.
Korea Transportation Research Institute, "What is the solution to？shared e-scooter parking?," Monthly KOTI Magazine on Transport,？Vol.268, pp. 77-77, Jun. 2020.
Jo Jaehak, 'As civil complaints increase, processing costs rise'？What should I do with a shared e-scooter?, https://www.etnews.com/20220830000059.
Bak Sunyeop, I came here after looking at the app but there is？no e-scooter, https://www.edaily.co.kr/news/read?newsId01249686622554848&mediaCodeNo257.
Jo Jeonghun, Ham Seungu, Kim Donggyu, A Comparison study？on Micro-mobility Usage Pattern : focusing on Bike-sharing？service and E-Scooter share service in Seoul, Fall Conference of？the Korean ITS, 237-242, Jeju, Korea, Nov. 2020.
Su jae Kim, Gyeong jae Lee, Sangho Choo, Sang hun Kim, "Study？on Shared E-scooter Usage Characteristics and Influencing？Factors," The Journal of The Korea Institute of Intelligent？Transport Systems, Vol.20, No.1, pp.40-53, Feb. 2021.
Jang Eun-Jin, Shin Seung-Jung, "Design of a New IoT？Management System for Efficient Recovery of Shared Electric？Scooters," The Journal of the Institute of Internet Broadcasting？and Communication, Vol.21, No.1, pp.189-194, Feb. 2021.

원문보기 상세보기
Choi Seonil, Kim Gyurin, Jeong Taehyeok, Shin Huijun, Hwang？Byeonguk, Choi Hyeonjin, Modular Autonomous Parking System？for Shared Scooters, ICROS Annual Conference, 693-694, Geoje,？Korea, Jun. 2022.
Choi HyeJung, Jang Seongman, "A Study on the Demand-Driven？Layout Method of Shared Personal Mobility to Increase Public？Transportation Utilization," Journal of the Korean Cadastre？Information Association, Vol.24, No.1, pp.126-137, Apr. 2022.

상세보기
Han Jae-Won, Ahn Soo-Yeong, Kim Mi-Sung, Han Dong-Hyung,？Lee Sugie, "Analysis of Priority Supply Areas for Personal？Mobility in Seoul: Focusing on First-Last Mile Traffic？Characteristics," Journal of Korea Planning Association, Vol.57,？No.1, pp.42-56, Feb. 2022.
Kurniawan, Dwi Ely, A. G. U. S. Fatulloh, "Clustering of Social？Conditions in Batam, Indonesia Using K-Means Algorithm and？Geographic Information System," International Journal of Earth？Sciences and Engineering (IJEE), Vol.10, No.5, pp.1076-1080,？Aug.
Annas, Suwardi, Uca, U., Irwan, I., Safei, R. H., & Raisl, "Using？k-Means and Self Organizing Maps in Clustering Air Pollution？Distribution in Makassar City, Indonesia," Jambura Journal of？Mathematics, Vol.4, No.1, pp.167-176, Aug. 2022.
Lee Byeonggil, "Commercial district extraction using spatial data？mining technique in business GIS," Korean GIS Journal, Vol.11,？No.2, pp.171-184, Jul. 2003.
David M. Blei, Andrew Y. Ng, Michael I. Jordan, "Latent？Dirichlet Allocation," Journal of Machine Learning Research,？Vol.3, pp.993-1022, 2003.
Oh Jinsong, Paris considers e-scooter rental ban amid successive？deaths, https://www.yna.co.kr/view/AKR20221118061500009.
Ju Yeongjae, Shared E-scooter 'War' in Gangnam, https://www.khan.co.kr/economy/industry-trade/article/201908260927001.
Seoul Official Blog, Illegal parking and sharing e-scooter tow？is implemented, https://blog.naver.com/haechiseoul/222440751201.
Oh Areum, The e-scooter industry appeals for the burden of？'immediate tow' 450 million won for tow and storage only,？http://autotimes.hankyung.com/apps/news.sub_view?nkey202110251020431.
Lee Gibeom, Strengthening shared e-scooter regulations: 100million monthly tow fee 'Cost is passed on to the consumer',？https://www.news1.kr/articles/?4426171.
Seoul, Seoul Population Density Statistics(2021), http://data.seoul.go.kr/dataList/10790/S/2/datasetView.do.
Seoul, Seoul Living Migration, https://data.seoul.go.kr/livPopu/html/dashboard.html.
Ester, M., Kriegel, H. P., Sander, J., Xu, X., "A density-based？algorithm for discovering clusters in large spatial databases with？noise," In kdd, Vol.96, No.34, pp.226-231, Aug. 1996. DOI:？10.5555/3001460.3001507
Kremers, B. J., Ho, A., Citrin, J., & van de Plassche, K. L.,？"Two step clustering for data reduction combining DBSCAN and？k-means clustering," arXiv preprint arXiv:2111.12559., Nov.？2021. DOI: 10.48550/arXiv.2111.12559
Murugesan, N., Cho, I., & Tortora, C., "Benchmarking in cluster？analysis: a study on spectral clustering, DBSCAN, and K-Means,"？In Data Analysis and Rationality in a Complex World, Vol.16,？pp.175-185, Feb. 2021. DOI: 10.1007/978-3-030-60104-1_20
Choi Eunseok, Kim Jeonghun, A Jijeu, Lee Sanghyeon, Gang？Jeongtae, &Ryu Gwanhui, "DBSCAN-based manufacturing？process data defect location detection," Journal of Korean？Contents Society, Vol.17, No.7, pp.182-192. Jul.
Wang, K., Yang, R., Liu, C., Samarasinghalage, T., Zang, Y.,？"Extracting Electricity Patterns from High-dimensional Data: A？comparison of K-Means and DBSCAN algorithms," In IOP？Conference Series: Earth and Environmental Science, Vol.1101,？No.2, pp.022007, Nov. 2022. DOI: 10.1088/1755-1315/1101/2/022007

상세보기
Vassilvitskii, S., Arthur, D., k-means++: The advantages of？careful seeding, In Proceedings of the eighteenth annual？ACM-SIAM symposium on Discrete algorithms, pp.1027-1035,？Jun. 2006.
MacQueen, J., Classification and analysis of multivariate？observations, In 5th Berkeley Symp. Math. Statist. Probability,？pp.281-297, 1967.
Savvas, I. K., Stogiannos, A., Mazis, I. T., "A study of？comparative clustering of EU countries using the DBSCAN and？k-means techniques within the theoretical framework of systemic？geopolitical analysis," Int. J. Grid Util. Comput., Vol.8, No.2,？pp.94-108. Aug. 2017. DOI: 10.1504/IJGUC.2017.10006818
Ran, X., Zhou, X., Lei, M., Tepsan, W., Deng, W., "A novel？K-means clustering algorithm with a noise algorithm for？capturing urban hotspots," Applied Sciences, Vol.11, No.23,？pp.11202, Nov. 2021. DOI: 10.3390/app11231120
Kotyrba, M., Volna, E., Kominkova Oplatkova, Z., Comparison？of modern clustering algorithms for twodimensional data, In？Proceedings-28th European Conference on Modelling and？Simulation, ECMS, pp.346-351, May. 2014. DOI:10.7148/2014-0346
Limwattanapibool, O., Arch-int, S., "Determination of the？appropriate parameters for K-means clustering using selection？of region clusters based on density DBSCAN (SRCD-DBSCAN)", Expert Systems, Vol.34, No.3 e12204, May. 2017.？DOI: 10.1111/exsy.12204

상세보기
Kim Taegyeong, Chung Jin-Hyuk, "A Study on the Identification？of Accident Hot Spots Using DBSCAN - Focused on Gyeong-Bu？Expressway," Journal of Transport Research, Vol.21, No.3,？pp.55-63, Sep. 2014. 10.34143/jtr.2014.21.3.55

상세보기
Hong Jun Cho, Yu Jeong An, Ju Hee Lee, Young Min Kim,？"Analysis on a selection criterion of land transaction cases using？K-means," Journal of the Korean Data And Information Science？Society, Vol.30, No.3, pp.525-537, 2019. DOI: 10.7465/jkdi.201？9.30.3.525

상세보기
Fahim, A., "K and starting means for k-means algorithm," Journal？of Computational Science, Vol.55, Oct. 2021. DOI: 10.1016/j.jocs.2021.101445

상세보기
Fan, T., Guo, N., Ren, Y., "Consumer clusters detection with？geo-tagged social network data using DBSCAN algorithm: a case？study of the Pearl River Delta in China," GeoJournal, Vol.86,？No.1, pp.317-337, Sep. 2019. DOI: 10.1007/s10708-019-10072-8

상세보기
Seong-Kyu Yi, Sung-Eon Hong, Soo-Hong Park, "A Similar Price Zone Determination of Public Land Price Using a Hybrid？Clustering Technique," Journal of the Korean Geographical？Society, Vol.41, No.1, pp.121-135, Mar. 2006.
Rousseeuw, P. J., "Silhouettes: a graphical aid to the interpretation？and validation of cluster analysis," Journal of computational and？applied mathematics, Vol.20, pp.53-65, Nov. 1987. DOI: 10.1016/0377-0427(87)90125-7？

상세보기

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