소셜네트워크 공간빅데이터를 이용한 활동기반 교통모형 분석자료 구축에 관한 연구 = A Study on the Data Base Construction for the Operation of Activity-Based Traffic Model using Spatial Big Data from Social Networking Service

국문 초록 (Abstract)

오늘날 인터넷 사용의 급격한 증가, 스마트폰 보급, SNS(Social Networking Service) 활성화 등과 같은 디지털 기술의 발전과 모바일 기기의 보급 등으로 인해 우리 주변에는 규모를 가늠할 수 없을 정도로 많은 정보와 데이터가 생산되는 ‘빅데이터(Big Data)’의 시대가 도래 했으며, 그 중요성이 날로 커지고 있다.
교통분야에서는 오랜시간동안 우세를 점하고 있었고 도시교통개발에 효과적인 추정 방법으로 여겨졌던 전통적인 통행기반교통모형(Trip-Based Model)인 4단계 교통수요추정법의 한계가 드러나고 있으며, 최근의 컴퓨터 기술의 빠른 성장에 힘입어 활동기반교통모형(Activity-Based Model)을 이용한 수요 추정 방법이 교통계획에 새로운 패러다임으로 떠오르고 있으며, 연구가 활발히 진행되고 있다.
교통은 사람이나 물류의 공간상의 시간적 이동을 의미한다고 봤을 때 공간데이터와 밀접한 관련이 있으며, 최근 급부상하고 있는 공간빅데이터(Spatial Big Data)와 접목될 수 있는 분야이다. 따라서 소셜네트워크 서비스(SNS)상의 공간빅데이터를 추출해 현재 사용되고 있는 통행기반교통모형(Trip-Based Model)의 특성과 비교․분석하고 나아가 활동기반교통모형(Activity-Based Model)의 분석자료를 구축하여 공간빅데이터와 활동기반교통모형을 접목시킨다면 매우 큰 가치가 있을 것으로 생각된다.
따라서, 공간정보를 포함하고 있는 SNS를 대상으로 시계열적 공간정보를 추출하고, 이를 현재 사용되고 있는 통행기반교통모형(Trip-Based Model)의 OD와 비교․분석하여 그 특성을 파악하고, 활동기반교통모형(Activity-Based Model)의 분석자료를 구축하여 교통시뮬레이션 프로그램을 이용해 시뮬레이션을 수행하였다.
연구결과 제도적 제약에도 불구하고 다수의 활동기반 교통모형 분석자료를 구축할 수 있었고, 교통수요추정 시뮬레이터인 MATSim을 성공적으로 실행할 수 있었다. 이번 연구로 인해 교통분야에 있어 빅데이터 활용의 기술적 한계를 극복할 수 있는 가능성을 확인하였고, 향후 발전방향을 모색하는 기회가 되었다.

다국어 초록 (Multilingual Abstract)

The era of Big Data has come with the internet and the development of digital technologies, such as smart phones and social networking services(SNS). Also, the importance of Big Data has been rapidly growing.
The Four-Step Travel Demand Model(FSTDM), a traditional Trip-Based Model(TBM) for effective urban transportation development in the field of transportation planning, reaches its limit. In recent years, a traffic demand forecasting method using the Activity-Based Model(ABM) emerged as a new paradigm with the rapid growth of new computer technologies. As a result, many researchers are studying on it.
Given that transportation means the spatial movement of people and goods in a certain period of time, transportation could be very closely associated with spatial data. Thus, if transportation planning can be linked to Spatial Big Data, which has grown rapidly in these days, that would be very valuable data. In order to connect these two, first, I mined Spatial Big Data from SNS, such as Twitter. Next, I analyzed these data and the attributes of TBM to test the reliability of the data from SNS. After that, I built a database from SNS to manipulate an ABM simulator.
During the research, there were institutional constraints on policies, such as the application programming interface limit policy. However, through this research, I was successfully able to create a spatial database from SNS to control an ABM simulator, Multi-Agent Transport Simulation(MATSim). Through this research, I found possibilities to overcome technical limitations on using Spatial Big Data in the transportation planning process, and it was an opportunity to seek ways of further research development.

목차 (Table of Contents)

• 제1장 서 론 1
• 제1절 연구의 배경 및 목적 1
• 제2절 연구 내용 및 방법 3
• 1. 연구의 내용 3
• 2. 연구의 방법 3
• 제2장 이론적 배경 및 선행연구 고찰 5
• 제1절 이론적 배경 5
• 1. 빅데이터(Big Data) 5
• 2. 공간빅데이터 6
• 3. 소셜네트워크서비스(SNS) 분석 6
• 4. 개별행태모형 7
• 5. 활동기반 교통모형 9
• 6. 동적시뮬레이션 모델 17
• 제2절 선행연구 고찰 20
• 제3장 분석자료의 구축 및 검증 24
• 제1절 활동기반 교통모형 분석자료 구축 24
• 1. 연구 대상 소셜네트워크(SNS) 선정 24
• 2. SNS 공간정보의 시계열적 추출방법 도출 26
• 3. 시계열 공간정보 추출 및 분석자료 구축 32
• 제2절 구축자료의 검증 36
• 1. 기존 O/D자료와 특성 비교 36
• 2. 추출자료 특성분석 37
• 3. 소결 39
• 제4장 활동기반 교통시뮬레이션 수행 40
• 제1절 MATSim의 개요 40
• 1. 에이전트(Agent) 40
• 2. MATSim 42
• 제2절 시뮬레이션 수행 46
• 1. 시뮬레이션 분석자료 구축 46
• 2. MATSim을 이용한 시뮬레이션 48
• 3. 소결 50
• 제5장 결 론 51
• 제1절 결론 및 시사점 51
• 제2절 향후 연구과제 52
• 참고 문헌 53
• 국내문헌 53
• 국외문헌 55
• 부록(Appendix) 57
• Abstract 61
• 감사의 글 62