[논문]공유자전거 따릉이 재배치를 위한 실시간 수요예측 모델 연구

김유신

doi:10.7472/jksii.2023.24.5.107

공유자전거 따릉이 재배치를 위한 실시간 수요예측 모델 연구
Demand Forecasting Model for Bike Relocation of Sharing Stations 원문보기

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.24 no.5, 2023년, pp.107 - 120

김유신 (Data Analytics, AirDeep Inc)

초록
AI-Helper

서울 도심 내 교통량 감축과 탄소배출을 줄이기 위해 2015년 도입된 공공자전거 따릉이는 이용자가 해마다 배 이상 증가하여 2023년 기준 2700여 대여소에서 4만 3천여 대가 운영 중이며 누적 가입자 4백만 명을 넘어서는 서울시민이 뽑은 가장 성공적인 공공 정책으로 자리매김하였다. 그러나 따릉이 이용이 급속도로 증가됨에 따라 자전거 수요·공급 불일치로 인한 자전거 부족 민원도 급증하여 효율적인 자전거 재배치가 강하게 요구되었다. 이에 본 연구는 공유자전거의 대여·반납 이력 데이터, 기상데이터, 공휴일 정보, 따릉이 대여소 정보 등을 기반으로 따릉이 이용 패턴과 특성을 분석하고, 기계학습 알고리즘을 활용해 대여소별 따릉이 대여·반납 예측 모델을 개발하였다. 이를 이용하여 대여소별 안전재고를 확보할 수 있는 따릉이 재배치 수량을 도출하고 이를 서울시설공단 따릉이 관리App에 시범서비스 하였다. 따릉이의 수요를 실시간으로 예측하고 현재 거치 중인 재고량과 비교하여 적절한 수량의 자전거를 재배치한다면 자전거 부족으로 인한 시민들의 불편 해소에 기여할 수 있을 것으로 기대된다.

Abstract ▼ AI-Helper

The public bicycle of Seoul, Ttareungyi, was launched at October 2015 to reduce traffic and carbon emissions in downtown Seoul and now, 2023 Oct, the cumulative number of user is upto 4 million and the number of bike is about 43,000 with about 2700 stations. However, super growth of Ttareungyi has caused the several problems, especially demand/supply mismatch, and thus the Seoul citizen has been complained about out of stock. In this point, this study conducted a real time demand forecasting model to prevent stock out bike at stations. To develop the model, the research team gathered the rental·return transaction data of 20,000 bikes in whole 1600 stations for 2019 year and then analyzed bike usage, user behavior, bike stations, and so on. The forecasting model using machine learning is developed to predict the amount of rental/return on each bike station every hour through daily learning with the recent 90 days data with the weather information. The model is validated with MAE and RMSE of bike stations, and tested as a prototype service on the Seoul Bike Management System(Mobile App) for the relocation team of Seoul City.

주제어

표/그림 (19)

그림 (그림 1) 따릉이 실시간 수요예측 모델 구도 (Figure 1) Demand forecasting model structure for relocating the sharing bikes
표 (표 1) 데이터 수집 현황 (Table 1) Collected data for analysis
그림 (그림 2) 월별 따릉이 이용 현황 (Figure 2) Monthly usage of the sharing bikes
그림 (그림 3) 요일별 따릉이 이용 현황 (Figure 3) Weekly pattern of usage
그림 (그림 4) 주중-주말 따릉이 이용 패턴 비교 (Figure 4) Comparison of use between weekday and weekend
그림 (그림 5) 따릉이 사용권별 이용 패턴 (Figure 5) Usage pattern by ticket types
그림 (그림 6) 기온에 따른 이용 패턴 (Figure 6) Usage pattern by temperature
그림 (그림 7) 강수량에 따른 이용 패턴 (Figure 7) Usage pattern by precipitation
그림 (그림 8) 상위 10개 대여소의 따릉이 이용 패턴 (Figure 8) Usage pattern of Top 10 stations
그림 (그림 9) 무재고시간 BST 시계열 분석 (Figure 9) Time series pattern of bike stock-out
표 (표 2) 대여소 따릉이 거치율(5~10월사이) (Table 2) Stock ratio of bike stations from May to Oct
표 (표 3) 대여소 따릉이 무재고시간(BST) (Table 3) Bike stock-out time of stations
그림 (그림 10) 출퇴근 거치율에 따른 군집세분화 (Figure 10) Segmentaion of clusters
표 (표 4) 대여소 k-Mean 군집분석 결과 (Table 4) K-mean clusters of stations
표 (표 5) 대여소 군집분석 세분화 결과 (Table 5) Segmentation result of stations
표 (표 6) 알고리즘 학습 주기 (Table 6) Training and test data day by day.
표 (표 7) 대여예측 성능평가 (Table 7) Rent forecsting performance
표 (표 8) 반납예측 성능평가 (Table 8) Return forecating performance
그림 (그림 11) 서울시설공단 따릉이 재배치App (Figure 11) Bike relocation guide map of web-application

AI 본문요약
AI-Helper

문제 정의

그러므로 본 연구에서는 먼저 1500여개의 대여소들을 비슷한 유형과 패턴으로 군집화하고, 다음으로 각 군집에 속한 대여소들을 대상으로 과거의 따릉이 대여량과 반납량을 기계학습한 후 마지막으로 이를 이용해 앞으로 발생할 대여량과 반납량을 예측하는 실시간 따릉이 수요 예측 알고리즘을 개발하고자 한다.
이러한 자전거 수요/공급 불일치를 해소하기위해 서울시는 공공자전거 전담 배송직원을 통해 대여소간 자전거를 인위적으로 재배치하고 있으며, 서울시설공단의 대여소현황 App에서 제공되는 대여소별 실시간 자전거 거치 현황을 보고 특정 대여소의 자전거가 일정수준 이상으로 많거나 적을 경우 해당 대여소 자전거를 회수 혹은 재배치한다. 그럼에도 불구하고 따릉이 이용자가 급증하면서 대여소별로 자전거 부족, 과잉 등 이용률 편차가 발생하고 있는데, 이를 해소할 수 있는 효율적 자전거 재배치 방안으로서 본 연구에서는 따릉이의 대여․반납에 따른 수요를 예측하고 이에 따라 추가적인 자전거 재배치 수량을 조절하여 안전재고량을 확보할 수 있는 따릉이 안전재고 수요예측 모델을 개발하였다. 이와 관련한 데이터는 서울시설공단으로부터 2019년 따릉이 대여․반납 이력 데이터를 지원받았으며, 서울의 기상데이터와 공휴일 정보, 따릉이 대여소정보는 공공빅데이터 API를 통해 수집 분석하였다.
만약 자전거 수요를 실시간으로 예측하고 현재 거치 중인 재고량과 비교하여 적절한 수량의 자전거를 재배치한다면 자전거 부족으로 인한 시민들의 불편을 해결할 수 있을 것이다. 이러한 관점에서 본 연구는 데이터 분석과 기계학습 알고리즘을 활용해 따릉이 수요예측 모델을 개발하여 각 대여소별 안전재고를 확보할 수 있는 자전거 재배치 수량을 도출하고자 한다. 먼저 따릉이와 대여소의 특성 및 이용 패턴 분석 위해 주관기관인 서울시설관리공단으로부터 따릉이 대여와 반납 이력 데이터와 대여소별 자전거 거치 현황을 수집하고, 공공데이터 포털을 통해 따릉이 대여소 현황, 서울시 각 지역별 날씨 데이터 등을 수집하여 활용하였다.

제안 방법

여기에 출퇴근 시 잔여거치비율을 결합하여 총 29개의 군집으로 세분화하였다. 다음으로 Random Forest 기계학습 모델을 이용해 각 군집에 속한 대여소들을 대상으로 과거의 따릉이 대여량과 반납량을 학습하고, 향후 발생할 대여량과 반납량을 예측하는 따릉이 수요예측 알고리즘을 개발하였다. 예측 모델은 매일 자정을 기해 최근 90일 동안의 따릉이 대여와 반납 패턴을 학습한 후 예측 알고리즘을 생성하고, 예측 당일 D-Day에는 이를 이용해 매시간 서울시 전체 대여소의 따릉이 대여/반납량을 예측하였다.
실제 매시간 수요예측에서는 예측 1시간 전 실재고량을 반영하여 1시간 단위로 실행되도록 설계되었다. 따릉이 대여/반납 이력 데이터와 대여소의 거치 자전거수를 반영하고, 매시간 업데이트되는 기상청의 날씨데이터 결합하여 예측 시점으로부터 3~5시간 후까지 발생가능한 따릉이 수요를 예측하였다. 이렇게 개발된 수요예측 알고리즘의 성능평가를 위해 예측값과 실제값 사이의 편차를 비교하는 RMSE를 이용하였다.
따릉이 대여소의 수급 불균형 상태를 파악하기 위해 대여소에 거치된 따릉이가 전혀 없는 시간, 즉 자전거 재고가 Zero(0) 상태가 1주일 중 몇 시간 정도인지를 “무재고시간(Bike Stock-out Time / 1 Week peak time)”으로 정의하고 산출하였다
따릉이 수요공급 불균형을 파악하기 위해 성수기(5월~10월) 피크타임(주중 출퇴근, 주말 오후·저녁)을 중심으로 대여소의 자전거거치율과 자전거 무재고시간(BST)을 계량화하여 분석하였다
따릉이 수요예측 알고리즘은 예측 모형의 최신성을 유지하고 예측의 정확도와 활용성을 높이기 위해 매일 자정 예측 알고리즘을 재학습하여 업데이트하고 이를 하루 동안 실시간 예측에 사용되도록 하였다(Daily Learning - Hourly Prediction). 이를 위해 예측 알고리즘은 최근 90일 동안의 따릉이 이력 데이터를 이용하여 자정을 기준으로 예측 알고리즘을 학습하고 예측 모델은 매 시간 따릉이 수요를 예측하도록 설계하였다.
마지막으로 안전재고 수요예측 모델은 서울시설관리공단 따릉이 대여소관리 App에 시범서비스로 구현하였다. 여기서 따릉이 수요예측 알고리즘은 향후 3~5시간 동안에 발생할 대여/반납량을 예측한 후 대여소별 적정재고량과 재배치 필요수량을 산정하고 이를 대여소현황 App에 제공하였다.
먼저 따릉이와 대여소의 특성 및 이용 패턴 분석 위해 주관기관인 서울시설관리공단으로부터 따릉이 대여와 반납 이력 데이터와 대여소별 자전거 거치 현황을 수집하고, 공공데이터 포털을 통해 따릉이 대여소 현황, 서울시 각 지역별 날씨 데이터 등을 수집하여 활용하였다. 따릉이 이용 특성과 대여소의 자전거 거치현황을 이용해 대여소 유형을 군집화하고, 각 대여소 별 자전거 거치율, 피크타임 재고소진 시간 등을 파생 변수로 계량화하여 여타 데이터들과 결합분석을 시도하였다.
향후 연구에서는 이러한 실무효용성을 높일 수 있도록 재배치 우선순위와 최적 경로추천 등의 추가 서비스가 검토되어야 할 것으로 보인다. 또한 본 연구에서는 대여소의 특성을 파악하고 신규 대여소 발굴에 참고할 수 있는 참조모델로서의 역할을 기대하며 군집분석을 실시하였다. 나아가 수요예측 알고리즘 학습을 군집별로 실시하여 1540개 대여소의 학습시간을 10여분 내로 수행할 수 있었다.
마지막으로 따릉이 수요예측 알고리즘은 모든 대여소에 대하여 대여량과 반납량을 1시간 단위로 예측하도록 개발되었다. 대여소의 따릉이 거치수준을 적정 수준 이상으로 유지하면서 수급불균형을 방지하기 위해서는 개별 대여소의 따릉이 재배치 활동이 가능하도록 수요예측 모델이 작동해야한다.
이렇게 개발된 수요예측 알고리즘의 성능평가를 위해 예측값과 실제값 사이의 편차를 비교하는 RMSE를 이용하였다. 마지막으로 안전재고 수요예측 모델은 서울시설관리공단 따릉이 대여소관리 App에 시범서비스로 구현하였다. 여기서 따릉이 수요예측 알고리즘은 향후 3~5시간 동안에 발생할 대여/반납량을 예측한 후 대여소별 적정재고량과 재배치 필요수량을 산정하고 이를 대여소현황 App에 제공하였다.
본 연구팀은 앞서 개발된 따릉이 수요예측 알고리즘을 이용하여 대여소별 따릉이 안전재고량을 산출하여 서울시설공단 따릉이 대여소현황 App에 재배치필요수량을 제공하는 시범서비스를 구축하였다(그림 11). 따릉이를 전담관리하는 서울시설공단은 재배치 전담요원의 업무를 지원하기 위해 대여소현황 App을 통해 전체 대여소 현황과 거치대수, 따릉이 자전거 대수와 함께 배치 현황 등을 보여주고 있으며, 특히 개별 대여소의 안전재고 확보를 위해 각 대여소의 자전거 거치대수와 거치율, 상태, 적정재고량, 재배치필요수량을 서비스하고 있다.
빅데이터 분석 결과를 기반으로 대여소 안전재고 확보를 위한 따릉이 실시간 수요예측 알고리즘을 기계학습으로 개발하였다. 이를 위해 먼저 1540여개소의 따릉이 대여소를 비슷한 유형과 패턴으로 묶는 군집분석을 실시하였다.
수요예측 학습 데이터 주기에 관해서도 여러번의 테스트를 거쳐 90일 데이터를 이용한 일일 학습(Daily Learning) 방식을 선정하였다. 이는 예를 들면 10월 1일에 적용할 수요예측 알고리즘은 최근 90일(7월 1일~ 9월 30일) 데이터로 학습한 결과이다(표 6 참조).
알고리즘 예측 성능은 2019년 10월 한달 동안의 예측값과 실제값을 비교하여 평가하였다. 따릉이 데이터는 2019년 1년 동안의 데이터가 모두 수집되었으나 10월 한달 만을 알고리즘 검증에 사용하였다.
마지막으로 안전재고 수요예측 모델은 서울시설관리공단 따릉이 대여소관리 App에 시범서비스로 구현하였다. 여기서 따릉이 수요예측 알고리즘은 향후 3~5시간 동안에 발생할 대여/반납량을 예측한 후 대여소별 적정재고량과 재배치 필요수량을 산정하고 이를 대여소현황 App에 제공하였다.
다음으로 Random Forest 기계학습 모델을 이용해 각 군집에 속한 대여소들을 대상으로 과거의 따릉이 대여량과 반납량을 학습하고, 향후 발생할 대여량과 반납량을 예측하는 따릉이 수요예측 알고리즘을 개발하였다. 예측 모델은 매일 자정을 기해 최근 90일 동안의 따릉이 대여와 반납 패턴을 학습한 후 예측 알고리즘을 생성하고, 예측 당일 D-Day에는 이를 이용해 매시간 서울시 전체 대여소의 따릉이 대여/반납량을 예측하였다.
따릉이 수요예측 알고리즘은 예측 모형의 최신성을 유지하고 예측의 정확도와 활용성을 높이기 위해 매일 자정 예측 알고리즘을 재학습하여 업데이트하고 이를 하루 동안 실시간 예측에 사용되도록 하였다(Daily Learning - Hourly Prediction). 이를 위해 예측 알고리즘은 최근 90일 동안의 따릉이 이력 데이터를 이용하여 자정을 기준으로 예측 알고리즘을 학습하고 예측 모델은 매 시간 따릉이 수요를 예측하도록 설계하였다. 실제 매시간 수요예측에서는 예측 1시간 전 실재고량을 반영하여 1시간 단위로 실행되도록 설계되었다.
이에 본 연구진은 알고리즘 개발 초기 단계에서 Random Forest, SVM, Gradient Boosting, LSTM 등을 시험한 결과 범주형 변수(요일, 월, 시간대 등)와 이진변수(주말 여부, 휴일 여부), 연속형 변수(기온, 풍속, 강수량)등을 함께 다루는데 용이한 Random Forest를 사용하기로 하였다. 알고리즘 개발에 사용된 데이터는 군집분석 결과를 반영한 대여소 정보와 대여소별 따릉이 대여/반납 이력, 이를 가공한 시간당 대여량/반납량, 주중/주말/공유일 정보와 시간대별 기상정보(기온, 강수량, 풍속, 습도)등이 포함되었다.
수요예측 알고리즘은 일단위로 재학습되어 최신 경향을 반영하도록 하였는데, 매일 자정 수집된 데이터의 전처리부터 변수생성, 수요예측 알고리즘 학습이 약 30여분에 걸쳐 진행될 수 있도록 최적화되어있다. 학습된 알고리즘은 매 시간 외부 데이터인 날씨정보를 반영하여 예측 시점으로부터 3~6시간 후의 단기 대여/반납 수요를 예측하고 이를 대여소별 안전재고 적치율을 60%로 설정하여 이를 충족하는 적정재고량과 예측 시점의 재고현황을 비교하여 추가로 재배치가 필요한 따릉이 대수를 산출하였다. 이러한 과정을 통해 계산된 결과값이 따릉이 대여소현황 App의 적정재고량과 재배치필요수량으로 제공되도록 시스템을 개선하였다.
한편 수요예측 알고리즘을 안전재고 예측 서비스에 적용하기 위한 품질 요소로서 학습과 예측에 소요되는 가동시간(Running Time)은 Daily 알고리즘 학습은 30분 이내, Hourly 예측에는 10분 이내 구현이 가능하도록 데이터 수집부터 전처리, 학습과 예측 모듈을 분리하여 함수화하고 Python 코드를 통해 최적화하였다.

대상 데이터

따릉이 대여소는 2019년 12월 10일 기준 1,540개소가 서울 전역에 설치되어있다. 각 구별로는 유동인구가 많은 강남구와 송파구가 99 개소로 가장 많고 도심 외곽의 거주 중심 지역인 도봉구는 33개소로 가장 적었다.
알고리즘 예측 성능은 2019년 10월 한달 동안의 예측값과 실제값을 비교하여 평가하였다. 따릉이 데이터는 2019년 1년 동안의 데이터가 모두 수집되었으나 10월 한달 만을 알고리즘 검증에 사용하였다. 이는 10월이 이용피크 기간이고, 11월부터는 추위로 따릉이 사용량이 급감하기 때문이다.
따릉이 이용이 가장 많았던 대여소는 광진구의 ‘뚝섬유원지역 1번 출구’ 대여소로 2019년 1년 동안 총 115,898대가 대여 되었고 일 평균 318대에 이른다
이러한 관점에서 본 연구는 데이터 분석과 기계학습 알고리즘을 활용해 따릉이 수요예측 모델을 개발하여 각 대여소별 안전재고를 확보할 수 있는 자전거 재배치 수량을 도출하고자 한다. 먼저 따릉이와 대여소의 특성 및 이용 패턴 분석 위해 주관기관인 서울시설관리공단으로부터 따릉이 대여와 반납 이력 데이터와 대여소별 자전거 거치 현황을 수집하고, 공공데이터 포털을 통해 따릉이 대여소 현황, 서울시 각 지역별 날씨 데이터 등을 수집하여 활용하였다. 따릉이 이용 특성과 대여소의 자전거 거치현황을 이용해 대여소 유형을 군집화하고, 각 대여소 별 자전거 거치율, 피크타임 재고소진 시간 등을 파생 변수로 계량화하여 여타 데이터들과 결합분석을 시도하였다.
실제 군집화 과정에서는 Python 라이브러리 yellowbrick을 이용하여 대여소 1500여개를 임의의 군집 k로 정의하고 군집 결과의 타당성 평가와 파라미터 조정 등의 작업을 반복하여 최적 군집 k를 선정하였다. 군집 분석 결과의 타당성 평가는 Elbow곡선과 Silhouette score를 이용하였다.
이에 본 연구진은 알고리즘 개발 초기 단계에서 Random Forest, SVM, Gradient Boosting, LSTM 등을 시험한 결과 범주형 변수(요일, 월, 시간대 등)와 이진변수(주말 여부, 휴일 여부), 연속형 변수(기온, 풍속, 강수량)등을 함께 다루는데 용이한 Random Forest를 사용하기로 하였다. 알고리즘 개발에 사용된 데이터는 군집분석 결과를 반영한 대여소 정보와 대여소별 따릉이 대여/반납 이력, 이를 가공한 시간당 대여량/반납량, 주중/주말/공유일 정보와 시간대별 기상정보(기온, 강수량, 풍속, 습도)등이 포함되었다.
이러한 불균형 상태를 파악하기 위해 대여소에 자전거가 어느정도 거치되어 있는지를 따릉이 이용이 활발한 5월~10월 성수기를 대상으로 계산해보았다. 거치율은 개별 대여소별로 산정되었으며 대여소의 거치대 수에서 시간대별 자전거 재고 수량을 조사하여 하루 24시간을 기준으로 따릉이가 대여소에 거치되어있는 비율을 평균한 값이다.
그럼에도 불구하고 따릉이 이용자가 급증하면서 대여소별로 자전거 부족, 과잉 등 이용률 편차가 발생하고 있는데, 이를 해소할 수 있는 효율적 자전거 재배치 방안으로서 본 연구에서는 따릉이의 대여․반납에 따른 수요를 예측하고 이에 따라 추가적인 자전거 재배치 수량을 조절하여 안전재고량을 확보할 수 있는 따릉이 안전재고 수요예측 모델을 개발하였다. 이와 관련한 데이터는 서울시설공단으로부터 2019년 따릉이 대여․반납 이력 데이터를 지원받았으며, 서울의 기상데이터와 공휴일 정보, 따릉이 대여소정보는 공공빅데이터 API를 통해 수집 분석하였다.
안전재고 수요예측 시스템은 따릉이 수요예측 모델링 서버에서 과거데이터의 학습을 통해 예측 알고리즘이 생성되고 이를 이용한 예측값이 서울시설공단에 제공되는 방식이다. 학습에 필요한 데이터는 서울시설공단 따릉이 시스템으로부터 대여이력 데이터를 수집하고, 그 외에도 따릉이 대여소 현황, 공휴일 정보, 외부 날씨 데이터는 공공데이터포털의 오픈 API를 이용하여 수집하였다. 수요예측 알고리즘은 일단위로 재학습되어 최신 경향을 반영하도록 하였는데, 매일 자정 수집된 데이터의 전처리부터 변수생성, 수요예측 알고리즘 학습이 약 30여분에 걸쳐 진행될 수 있도록 최적화되어있다.

데이터처리

따릉이 대여소 군집 분석을 위해 2019년 1월부터 10월까지의 대여소 정보와 따릉이 대여반납 이력을 기본 데이터로 활용하여 k-Means 군집분석을 수행하였다. k-Means는 주어진 데이터를 k개의 클러스터로 묶는 알고리즘으로, 각 군집내 데이터들 간의 거리 차이 분산을 최소화하는 방식이다.
343으로 실제 대여/반납량과 예측의 편차가 약 2~3대로 나타났다. 이는 Random Forest 알고리즘을 이용해 1540개의 대여소의 따릉이 대여와 반납량을 기계학습 후 1시간 단위로 예측하고 이를 실제 발생한 값과 비교하는 RMSE와 MAE를 산출하여 평균한 값이다. 그러나 각 군집에 따라 보다 세부적인 예측성능을 살펴보면, 군집별 RMSE의 편차가 상당하였다.
따릉이 대여/반납 이력 데이터와 대여소의 거치 자전거수를 반영하고, 매시간 업데이트되는 기상청의 날씨데이터 결합하여 예측 시점으로부터 3~5시간 후까지 발생가능한 따릉이 수요를 예측하였다. 이렇게 개발된 수요예측 알고리즘의 성능평가를 위해 예측값과 실제값 사이의 편차를 비교하는 RMSE를 이용하였다. 마지막으로 안전재고 수요예측 모델은 서울시설관리공단 따릉이 대여소관리 App에 시범서비스로 구현하였다.
따릉이 대여/반납 이력 데이터와 대여소의 거치 자전거수를 반영하고, 매시간 업데이트되는 기상청의 날씨데이터 결합하여 예측 시점으로부터 3~5시간 후까지 발생가능한 따릉이 수요를 예측하였다. 이렇게 개발된 수요예측 알고리즘의 성능평가를 위해 예측값과 실제값 사이의 편차를 비교하는 RMSE를 이용하였다. 마지막으로 안전재고 수요예측 모델은 서울시설관리공단 따릉이 대여소관리 App에 시범서비스로 구현하였다.
빅데이터 분석 결과를 기반으로 대여소 안전재고 확보를 위한 따릉이 실시간 수요예측 알고리즘을 기계학습으로 개발하였다. 이를 위해 먼저 1540여개소의 따릉이 대여소를 비슷한 유형과 패턴으로 묶는 군집분석을 실시하였다. 군집분석에는 대여소의 거치대수, 평일과 휴일의 따릉이 대여량, 반납량, 사용량, 일일권사용량, 정기권사용량의 평균치 등 총 29개 항목을 추출하여 k-mean 알고리즘을 이용해 8개의 군집을 도출하였다.

이론/모형

실제 군집화 과정에서는 Python 라이브러리 yellowbrick을 이용하여 대여소 1500여개를 임의의 군집 k로 정의하고 군집 결과의 타당성 평가와 파라미터 조정 등의 작업을 반복하여 최적 군집 k를 선정하였다. 군집 분석 결과의 타당성 평가는 Elbow곡선과 Silhouette score를 이용하였다. 이러한 과정을 통해 Elbow곡선 변동점이 급격하게 작아지는 최적 군집수 k는 8이었고 이때 Silhouette score는 0.
이를 위해 먼저 1540여개소의 따릉이 대여소를 비슷한 유형과 패턴으로 묶는 군집분석을 실시하였다. 군집분석에는 대여소의 거치대수, 평일과 휴일의 따릉이 대여량, 반납량, 사용량, 일일권사용량, 정기권사용량의 평균치 등 총 29개 항목을 추출하여 k-mean 알고리즘을 이용해 8개의 군집을 도출하였다. 여기에 출퇴근 시 잔여거치비율을 결합하여 총 29개의 군집으로 세분화하였다.
이러한 요소들을 반영하여 따릉이 수요예측 알고리즘은 개별 대여소의 수요예측을 매시각 실행(Hourly Prediction)하고 향후 3~5시간의 대여와 반납 대수를 예측한다. 본 연구에서는 Python의 sklearn라이브러리의 Random Forest 알고리즘을 수요예측 모델에 활용하였다.
그러므로 한시간 단위의 대여․반납 예측값이 실제 동일시간에 발생한 대여․반납량과 어느정도 차이를 보이는지를 비교함으로써 수요예측 알고리즘의 성능을 확인할 수 있다. 이러한 차이를 비교하는 지표로 본 연구에서는 RMSE(Root Mean Square Error)와 MAE(Mean Absolute Error)를 사용하였다. 두 지표는 예측값과 실제값의 차이를 비교하여 예측 알고리즘의 성능을 검증하는 지표이므로 기본적으로 결과값이 낮을수록 예측값과 실제값에 근접함을 의미한다.

성능/효과

2019년 10월 한달 동안의 따릉이 수요예측 성능평가 RMSE 결과는 전체 1540개 대여소의 대여예측 RMSE는 2.336이었고, 반납예측 RMSE은 2.343으로 실제 대여/반납량과 예측의 편차가 약 2~3대로 나타났다. 이는 Random Forest 알고리즘을 이용해 1540개의 대여소의 따릉이 대여와 반납량을 기계학습 후 1시간 단위로 예측하고 이를 실제 발생한 값과 비교하는 RMSE와 MAE를 산출하여 평균한 값이다.
결과적으로 대여소의 피크타임 거치율과 BST 분석을 통해 상위 30개 대여소는 피크타임 거치율이 65.48%(평일 출퇴근 시간 62.97% 주말 오후․저녁 70.49%)로 70%에 미치지 못하지만 실제 재고부족시간은 0.24로 매우 낮게 나타나 대여소에 따릉이 재고가 없는 상태로 방치되는 경우는 높지 않음을 알 수 있다. 결국 적정 대수의 따릉이 자전거가 유지되지 못하고 있는 중하위 대여소의 자전거 재배치와 적정 수준의 거치율 확보가 시급하다고 볼 수 있다.
이렇게 개발된 수요예측 알고리즘의 성능평가를 위해 예측값과 실제값 사이의 편차를 비교하는 RMSE를 이용하였다. 그 결과 전체 1540개 대여소의 대여예측 RMSE는 2.336 반납예측은 2.343으로 실제 대여/반납량과의 편차는 약 2~3대로 나타났다. 그러나 군집별 RMSE는 군집의 특성에 따라 편차가 존재하며, 특히 거치대수도 많고 수요도 많은 여의나루역 1번출구, 뚝섬유원지역1번출구, 마포구민체육센터 등은 대여/반납의 절대량이 매우 크기 때문에 예측과 실제값 사이의 편차도 높게 나타났다.
그러나 군집별 RMSE는 군집의 특성에 따라 편차가 존재하며, 특히 거치대수도 많고 수요도 많은 여의나루역 1번출구, 뚝섬유원지역1번출구, 마포구민체육센터 등은 대여/반납의 절대량이 매우 크기 때문에 예측과 실제값 사이의 편차도 높게 나타났다. 마지막으로 안전재고 수요예측 시스템은 서울시설관리공단 따릉이 대여소현황 App에 시범서비스로 구현되었다. 따릉이 수요예측 알고리즘은 향후 3~5시간 동안에 발생할 대여/반납량을 예측한 후 대여소별 적정재고량과 재배치필요수량을 산정하고 이를 대여소현황 App에 제공하였다.

후속연구

나아가 수요예측 알고리즘 학습을 군집별로 실시하여 1540개 대여소의 학습시간을 10여분 내로 수행할 수 있었다. 그러나 군집별 특성 특히 규모가 크고 이용이 빈번한 대여소는 예측과 실제값 사이의 편차가 적지 않았는데, 향후 연구에서는 개별대여소를 대상으로 수요예측 알고리즘을 학습하고 예측하여 그 성능을 확인할 필요가 있다.
그러나 이는 평균적인 거치율이 그렇다는 것이지 실제 자전거 재고가 하나도 없는 경우가 발생하기 때문에 실제 대여를 못하는 상황이 빈번히 나타나고 있다. 그러므로 수급 불균형 상태를 파악하기 위해서는 대여소에 거치된 따릉이가 하나도 없는 무재고 현상을 좀 더 분석해볼 필요가 있다.
여기에는 전체 대여소 현황과 거치대수, 따릉이 자전거 대수와 함께 개별 대여소의 자전거 거치대수와 거치율, 상태, 적정재고량, 재배치필요수량이 표시되고 재배치 전담요원들이 이를 참고하여 따릉이 재배치 활동을 수행하고 있다. 이러한 안전재고 수요예측을 통해 자전거 부족으로 인한 시민들의 불편 해소에 기여할 수 있을 것으로 기대된다.
먼저 수요예측 시스템은 따릉이 재배치를 실무적으로 지원하기 위해 매 시각 개별 대여소의 안전재고량을 산출하여 서비스되고 있으나, 실제 재배치 활동은 전담요원의 지정된 관할구역 내에서만 가능하며 교통상황이나 이동 경로를 고려하지는 못하고 있다. 향후 연구에서는 이러한 실무효용성을 높일 수 있도록 재배치 우선순위와 최적 경로추천 등의 추가 서비스가 검토되어야 할 것으로 보인다. 또한 본 연구에서는 대여소의 특성을 파악하고 신규 대여소 발굴에 참고할 수 있는 참조모델로서의 역할을 기대하며 군집분석을 실시하였다.

참고문헌 (17)

Hayeong Jeong, Taihun Lee, Jae Kwon Kim, Oe？Jung Kim, Chan Young Kim, "A dynamic relocation？routing model for mitigating the hot-spot congestion of？public bike: A case of Nubija in Changwon city,"？JKDIS, vol.32, no.1, pp. 75-95, 2021.？http://dx.doi.org/10.7465/jkdi.2021.32.1.75

상세보기
Jin-Sik Kim, Chul Ung Lee, "Optimal Inventory Level？of Bicycle Sharing Service Considering Operation？Costs," JKSCI, Vol. 20, No.1, pp. 163-173, 2015.？UCI : G704-001619.2015.20.1.012
Sangbok Lee, Heejong Lim, Kwanghun Chung,？"Optimal Clustering of Stations for the Bike Sharing？System in Seoul," KMSR, vol.35, no.1 pp.55-67, 2018.？https://doi.org/10.7737/KMSR.2018.35.1.055

상세보기
Heejong Lim, Kwanghun Chung, "Development of？Demand Forecasting Model for Seoul Shared Bicycle,"？The Journal of the Korea Contents Association, Vol.19,？No.1 pp.132-140, 2019.？https://doi.org/10.5392/JKCA.2019.19.01.132

원문보기 상세보기
Jae Min Jang, Tae-Hyoung Tommy Gim, M Lee, "A？Study on the Seoul Public Bikes Use Characteristics -？A Case of the Districts of Yeouido and Sangam,"？Seoul Studies, vol.17, no.4 pp.77-91, 2016.？https://doi.org/10.23129/seouls.17.4.201612.77
Inwoong Jung, Hyunseop Uhm, Young Hoon Lee,？"Demand Driven Reallocation in Bike Sharing？System," JKORMS, vol.43, no.4 pp.17-31, 2018.？https://doi.org/10.7737/JKORMS.2018.43.4.017

상세보기
Laporte, G., Meunier, F. & Wolfler Calvo, R., "Shared？mobility systems", 4OR-Q J Oper Res, Vol. 13, pp.？341-360, 2015.？https://doi.org/10.1007/s10288-015-0301-z

상세보기
Tal Raviv & Ofer Kolka, "Optimal inventory？management of a bikesharing station", IIE Transactions,？Vol. 45, No.10, 1077-1093, 2013.？https://doi.org/10.1080/0740817X.2013.770186

상세보기
Guoming Tang, Lukasz Golagb, "Bikeshare Pool Sizing？for Bike-and-Ride Multimodal Transit," IEEE？Transactions on Intelligent Transportation Systems,？Vol.19, No.7, pp. 2279-2289, 2018.？https://doi.org/10.1109/TITS.2018.2814583

상세보기
Feihu Huang, Shojie Qiao, Jian Peng, Big Guo, "A？Bimodal Gaussian Inhomogeneous Poisson Algorithm？for Bike Number Prediction in a Bike-Sharing System,"？IEEE Transactions on Intelligent Transportation？Systems, Vol.20, No.8, pp. 2848-2857, 2019.？https://doi.org/10.1109/TITS.2018.2868483

상세보기
Jie Bao, Hao Yu, Jiaming Wu, "Short-term FFBS？demand prediction with multi-source data in a hybrid？deep learning framework," IET Intelligent Transport？Systems, Vol.13, No.9, pp. 1340-1347, 2019.？https://doi.org/10.1049/iet-its.2019.0008

상세보기
Supriyo Ghosh, Pradeep Varakantham, Yossiri？Adulyasak, Patrick Jaillet, "Dynamic Repositioning to？Reduce Lost Demand in Bike Sharing Systems,"？Journal of Artificial Intelligence Research, Vol.58, pp.？387-430, 2017.？https://doi.org/10.1613/jair.5308

상세보기
Federico Chiariotti, Chiara Pielli, Andrea Zanella,？Michele Zorzi, "A Dynamic Approach to Rebalancing？Bike-Sharing Systems," Sensors, Vol.18, No.2, 2018.？https://doi.org/10.3390/s18020512

상세보기
KBS, "따릉이 대여 3천만건 넘어...절반은 출퇴근때？이용", 2019.？http://news.kbs.co.kr/news/view.do?ncd4315859&refA
TBS뉴스, "서울 시민의 발 '따릉이' 어떻게 관리되고 있을까?" 2023.？http://tbs.seoul.kr/news/newsView.do?typ_8007&idx_8003507701&seq_80020500380
한겨례, "서울시민이 뽑은 1위 정책은 따릉이,"？2019. www.hani.co.kr/arti/area/capital/920256.html
서울열린데이터광장, http://data.seoul.go.kr

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