Analysis of spatiotemporal patterns of dynamic population based on mobile phone big data in Seoul : using deep learning techniques for spatial knowledge inference

국문 초록 (Abstract)

유동인구는 도시의 동적성을 확인할 수 있는 자료로, 잠재력 높은 도시 데이터로 평가받고 있다. 하지만 잠재력이 높게 평가받음에도 불구하고 데이터 수집, 가공, 분석에 한계가 있어 제대로 된 활용에 어려움을 보이고 있다. 또한 대부분이 사후 분석을 수행하고 있다. 만약 이를 예측할 수 있다면 더욱 다양한 분야에 활용될 수 있을 것이며, 정확도 또한 높아진다면 좀 더 신뢰성 있는 참고자료로써 사용될 수 있을 것이다. 따라서 본 연구는 휴대폰 빅데이터 기반의 유동인구 데이터를 딥러닝 기법에 적용하여 서울시 내의 유동인구를 예측하고, 예측의 결과를 공간자기상관분석으로부터 계산된 코로나 전후 변화한 유동인구의 패턴과 비교하는 연구를 수행하였다. 또한 본연구는 유동인구를 예측하는 것에서 더 나아가 예측 정확도를 높이기 위하여 비정상성을 띄는 유동인구 데이터의 정상성을 확보하는 데이터 전처리 단계를 수행하고, 이 두 결과를 비교하였다. RNN, LSTM, ConvLSTM 세 가지 모델에 적용한 결과, ConvLSTM에서 가장 우수한 예측 성능을 보였으며, 특히 비정상성 데이터와 정상성을 확보한 데이터를 비교하였을 때, 정상성을 확보한 데이터에서 2배 이상 우수한 성능을 보였다. 마지막으로 코로나 이전 이후 변화를 확인하기 위해 공간자기상관 분석을 수행하고 이를 예측 정확도가 낮은 지점들과 비교하였을 때, 유동인구의 변화가 감소한 군집인 HH 클러스터와 증가한 LL 클러스터에서 대부분의 예측 정확도가 낮은 지점들을 확인할 수 있었다. 이는 유동인구를 예측할 때 변화가 갑작스럽게 존재하는 지점에서 특히 유의해야 함을 의미한다.

다국어 초록 (Multilingual Abstract)

The dynamic population data is a data that can confirm the dynamics of the city and can be regarded an urban data with high potential. However, despite its high potential, it is difficult to properly utilize it due to limitations in data collection, processing, and analysis. In addition, most are performed as post analysis. If this can be predicted, it can be used in more diverse fields, and if accuracy is also increased, it can be used as a more reliable reference. Therefore, this study was focused on the application of mobile phone big data-based dynamic population data to deep learning techniques to predict the dynamic population in Seoul, and comparing the results of the prediction with the changed dynamic population pattern before and after COVID-19 calculated from spatial autocorrelation analysis. In addition to predicting the dynamic population, this study performed a data preprocessing step to secure the stationarity of non-stationary dynamic population data in order to increase the prediction accuracy. Applying to three models, RNN, LSTM, and ConvLSTM, the ConvLSTM showed the best predictive performance, especially when comparing non-stationary data with stationary data, it showed more than twice the performance in stationary data. Finally, when spatial autocorrelation analysis was performed to confirm the change after COVID-19 and compared with points with low prediction accuracy, most of the points with low prediction accuracy were identified in the HH cluster and the LL cluster, a cluster with reduced/increased change in the dynamic population. This implies that when predicting the dynamic population, special attention should be given to points with sudden changes.