표제지
국문 초록
목차
제1장 서론 11
제1절 연구의 배경 및 목적 11
제2절 연구의 내용 및 수행과정 12
1. 연구의 내용 12
2. 연구의 수행과정 13
제2장 이론적 고찰 및 기존 연구 검토 14
제1절 이론적 고찰 14
1. 스마트카드데이터 14
2. 딥러닝(Deep Learning) 15
3. Graph Neural Network(GNN) 16
제2절 기존 연구 검토 19
1. 스마트카드데이터를 통한 교통 수요예측 19
2. 지하철 이용 영향권 설정 21
3. 지하철 통행 발생 요인 변수 23
4. 교통에서의 GNN 모델 25
제3절 시사점 27
제3장 연구 방법론 및 분석 네트워크 구축 28
제1절 연구 방법론 28
제2절 분석 전제 및 데이터 수집 29
1. 분석 가정 사항 및 범위 설정 29
2. 데이터 수집 및 내용 29
제3절 영향권 설정 31
1. 역 영향권 특징 및 설정 방법 31
2. 행정동별 역 영향권 설정 32
제4절 지하철 통행 발생관련 변수 설정 33
제5절 GAT 기법 적용 35
1. 그래프 구축 35
2. GNN 모델 적용 방법론 37
제4장 분석 결과 40
제1절 Graph 구축 40
제2절 모델 성능평가 결과 41
제3절 역 영향권 개수별 결과 분석 44
제5장 결론 및 활용방안 48
제1절 결론 48
제2절 활용방안 및 한계점 49
참고문헌 50
ABSTRACT 55
〈표 2-1〉 스마트카드데이터를 통한 교통 수요예측 선행 연구 20
〈표 2-2〉 지하철 이용 영향권 설정 선행 연구 22
〈표 2-3〉 지하철 통행 발생 요인 변수 선행 연구 24
〈표 2-4〉 교통에서의 GNN 모델 선행 연구 26
〈표 3-1〉 행정동별 포함된 영향권 수별 행정동 비율 32
〈표 3-2〉 지하철 통행 관련 변수 34
〈표 3-3〉 Graph 구조 및 관련 변수 36
〈표 4-1〉 지하철 통행 관련 변수 42
〈표 4-2〉 전환된 지하철 통행 발생량과 실제값 차이 (상위 5개) 46
〈표 4-3〉 전환된 지하철 통행 발생량과 실제값 차이 (하위 5개) 47
〈표 4-4〉 전환된 지하철 통행 유입량과 실제값 차이 (상위 5개) 47
〈표 4-5〉 전환된 지하철 통행 유입량과 실제값 차이 (하위 5개) 47
〈그림 1-1〉 본 연구의 필요성 12
〈그림 1-2〉 연구의 수행과정 13
〈그림 2-1〉 스마트카드데이터 데이터수집 14
〈그림 2-2〉 Graph의 구조 16
〈그림 2-3〉 Edge 수준의 특징을 통한 Node 예측 모델 17
〈그림 2-4〉 GAT layer 구조 18
〈그림 3-1〉 본 연구 Framework 28
〈그림 3-2〉 KTDB 지하철 총통행량 및 스마트카드데이터 총통행량 30
〈그림 3-3〉 역 영향권 예시 31
〈그림 3-4〉 포함 영향권 개수별 행정동 비율 33
〈그림 3-5〉 행정동 및 지하철의 통행 발생/유입 관계 34
〈그림 3-6〉 GAT 계수 산정 과정 38
〈그림 3-7〉 행정동 단위 통행 발생/유입량 예측 흐름 39
〈그림 4-1〉 행정동-역간 관계 그래프 구축 결과 40
〈그림 4-2〉 에폭에 따른 학습손실 값 41
〈그림 4-3〉 발생량/유입량 모델 산점도 결과 43
〈그림 4-4〉 모형별 영향권 개수별 차이값 분포(box plot) 45