대중교통 하차추정을 위한 희소데이터 분석방법 연구- 공간 통행밀도의 클러스터링 활용 - = Research of Sparse Dataset Analysis for Estimating Missing Alighting Information of Public Transportation Records- Spatial Density-based Clustering -

다국어 초록 (Multilingual Abstract)

It has been possible to collect massive trip-data and to increase public transportation using convenience since mid-of-1990 when the Radio-Frequency Identification (RFID) based transportation card system was introduced in Korea. In addition, advancement of storage and big-data analysis technologies made planning transport policies by data. However, incomplete trip information such as no alighting records still remain challenging to overcome for clarifying traffic amount. Especially, not the Capital city and metropolitan areas, but mid-small cities have much more data omitting problems. Furthermore, time discontinuity of data hinder to build trip-chain or alighting estimation with lots of existing methods. In this research, we proposed an innovative alighting estimation method focused on transaction density information that using ① smartcard-history-based OD composition utilizing a clustering method, one of unsupervised AI technics, and hybridize ② each user trip scenario extracted from timestamp values. Moreover, we showed that we can conquer time discontinuity of sparse trip records through this idea, and possibilities of distinguishing trip purposes of irregular trips as well as applying them to other research areas.

국문 초록 (Abstract)

1990년대 중반 RFID 기반 교통카드 시스템의 국내 도입을 기점으로 대중교통 이용의 편의성 증대와 함께 방대한 양의 통행 빅데이터 수집이 가능해졌다. 또한, 저장 및 분석 기술의 발달로 데이터에 근거한 대중교통 정책 수립이 가능하게 되었다. 하지만, 하차 정보가 없는 불완전한 통행 정보는 정확한 통행 규모를 얻기 위해 해결해야 할 과제로 남아있다. 특히, 수도권이나 광역생활권이 아닌 중소규모의 지방 도시일수록 하차 정보의 누락이 많고 수집된 데이터의 시간적 연속성이 부족하여 이용객의 통행 시나리오를 기반으로 동작하는 대다수의 기존 방법론으로는 통행 사슬의 구성 및 하차지 추정이 쉽지 않다. 본 연구에서는 공간상의 통행 밀도를 바탕으로 비지도학습 인공지능 기법의 하나인 ① 클러스터링을 이용한 교통카드정보기반 OD 구성, ② 이용자의 통행패턴을 기반으로 한 개별 통행 시나리오 추정의 두 가지 방법을 병용한 하차지점 추정 방법을 제시하였다. 하차 추정에 일반적으로 이용되는 통행사슬법과 새롭게 제안하는 방법의 추정 결과를 비교하였으며, 새로운 분석법을 이용하여 시간 불연속의 문제를 해소하고, 주통행 OD 뿐만 아니라 부가 통행의 통행목적 또한 구분함으로써 여러 분야의 연구에 활용 가능함을 보였다.

참고문헌 (Reference)

1 신강원, "통행사슬 구조를 이용한 교통카드 이용자의 대중교통 통행종점 추정" 대한교통학회 34 (34): 437-448, 2016

2 박준환, "대중교통 OD구축을 위한 대중교통카드 데이터의 오류와 결측 분석 및 보정에 관한 연구" 대한교통학회 26 (26): 109-119, 2008

3 김경태, "교통카드데이터를 활용한 하차정류장 추정 방법론 연구" 한국철도학회 20 (20): 692-702, 2017

4 M. Munizaga, "Validating travel behavior estimated from smartcard data" 44 : 70-79, 2014

5 J. Barry, "Use of entry-only automatic fare collection data to estimate linked transit trips in New York City" 53-61, 2009

6 Chang Y, "Travel pattern recognition using smart card data in public transit" 4 (4): 6-13, 2016

7 Ma X, "Transit smart card data mining for passenger origin information extraction" 13 (13): 750-760, 2012

8 J. Barry, "Origin and destination estimation in New York City with automated fare system data" (1817) : 183-187, 2002

9 Kieu L, "Mining temporal and spatial travel regularity for transit planning" 2013

10 Ma X, "Mining smart card data for transit riders’ travel patterns" 36 : 1-12, 2013

11 Derpanis, K. G., "Mean shift clustering"

12 조아, "LDA 기법을 이용한 버스 승객의 잠재적 이동패턴 분석" 한국데이터정보과학회 26 (26): 1061-1069, 2015

13 M. Munizaga, "Estimation of a disaggregate multimodal public transport Origin–Destination matrix from passive smartcard data from Santiago, Chile" 24 : 9-18, 2012