표제지
목차
연구요약 4
01. 서론 12
제1절 연구의 배경 및 목적 13
1. 연구의 배경 및 목적 13
제2절 연구의 범위 및 방법 15
1. 연구의 범위 15
2. 연구의 방법 17
02. 선행연구 검토 및 분석자료 구축 18
제1절 선행연구 검토 19
1. 인공지능과 머신러닝 이론 19
2. 교통분야 머신러닝 관련 연구 34
제2절 데이터 수집ㆍ가공 및 분석자료 구축 40
1. 인구 자료 40
2. 기상자료 42
3. 대기자료 48
4. 코로나19 현황 자료 52
5. 경기도 광역버스 이용수요 자료 55
6. 수집데이터 종합 59
03. 대중교통 이용환경과 이용수요 관계 분석 60
제1절 주요 대중교통 이용환경 변수 검토 61
1. 대중교통 이용환경 관련 연속형 변수 61
2. 대중교통 이용환경 관련 이산형 변수 64
3. 주요 대중교통 이용환경 변수 검토 결과 70
제2절 대중교통 이용환경과 이용수요 관계 분석 71
1. 주요 대중교통 이용환경 변수의 기술통계 분석 71
2. 주요 대중교통 이용환경 변수의 상관관계 분석 74
3. 경기도 광역버스 이용수요 예측 통계모형 구축 79
제3절 코로나19에 따른 이용수요 변화 분석 83
1. 코로나19 전후의 이용수요 변화 83
2. 코로나19 감염과 이용수요 변화 88
04. 머신러닝 기반의 경기도 광역버스 이용변화 예측 모형 구축 91
제1절 딥러닝 모형과 통계모형의 비교 분석 92
1. 모형 구축 92
2. 분석 결과 97
제2절 경기도 광역버스 이용수요 예측 모형 101
1. 모형 구축 101
2. 모형 구축 결과 105
제3절 개별 광역버스 노선 이용수요 예측 모형 112
1. 모형 구축 112
2. 모형 구축 결과 115
05. 결론 121
제1절 연구결과 122
제2절 정책제언 125
1. 버스 운행정보와 예측정보의 결합 125
2. 대중교통 운영과 정책 수립 고도화 126
3. 교통분야의 머신러닝 활용 126
제3절 향후 연구과제 128
참고문헌 129
Abstract 131
판권기 2
[표 2-1] 머신러닝 연구의 3가지 접근법 20
[표 2-2] 머신러닝의 유형 22
[표 2-3] 딥러닝 모형의 유형 31
[표 2-4] 머신러닝과 통계모형의 차이 32
[표 2-5] 음이항 회귀모형과 딥러닝의 결과 비교 38
[표 2-6] 수도권 인구 변화 40
[표 2-7] 기상청 기상자료 제공 정보 43
[표 2-8] 종관기상관측(ASOS) 데이터 형태(1일 자료) 44
[표 2-9] 방재기상관측(AWS) 데이터 형태(1일 자료) 44
[표 2-10] 기상청 기상특보 자료 형태 47
[표 2-11] 종관기상관측(ASOS) 데이터 형태(1일 자료) 47
[표 2-12] 대기오염 최종 확정측정자료 형태 48
[표 2-13] 미세먼지 경보기준 50
[표 2-14] 미세먼지 주의보/경보 발령 자료 형태 50
[표 2-15] 미세먼지 주의보/경보 발령 자료 가공 51
[표 2-16] 보건복지부 코로나19 감염 현황 자료 52
[표 2-17] 코로나19 관련 질병관리청 브리핑 주요 이슈 53
[표 2-18] 경기도 광역버스 이용수요 자료 형태 55
[표 2-19] 수집데이터 종합 59
[표 3-1] 광역버스 이용환경 관련 연속형 변수의 이용수요 상관계수 61
[표 3-2] 기상특보와 이용수요 관계 64
[표 3-3] 경기도 광역버스 이용변화 예측을 위한 주요 이용환경 변수 선정 70
[표 3-4] 대중교통 이용수요 및 이용환경 변수의 기술통계 71
[표 3-5] 일평균 이용객수 74
[표 3-6] 인구 천명당 일평균 이용객수와 변수간 상관계수 78
[표 3-7] 회귀모형 변수 선정 79
[표 3-8] 회귀모형 추정 결과 82
[표 3-9] 연도별 경기도 광역버스 1일 평균 이용수요 83
[표 3-10] 2019년 대비 경기도 광역버스 1일 평균 이용수요 변화 84
[표 3-11] 2019년 대비 2020년과 2021년 월별 1일 평균 이용수요 변화 85
[표 3-12] 월별 1일 평균 확진자수 및 이용수요 89
[표 3-13] 분기별 코로나19 확진자수와 이용수요의 상관관계 90
[표 4-1] 통계모형 및 DNN 모형 입력자료 형식 93
[표 4-2] 통계모형 및 기본 DNN모형 입력자료 93
[표 4-3] 시계열 DNN모형 입력자료 94
[표 4-4] 통계모형과 DNN모형 기본 설정 96
[표 4-5] 통계모형과 DNN모형 구축 결과 97
[표 4-6] 경기도 광역버스 이용수요 예측 모형 입력자료 형식 102
[표 4-7] DNN모형 입력자료 (경기도 광역버스 이용수요 예측 모형) 102
[표 4-8] RNN모형 입력자료 (경기도 광역버스 이용수요 예측 모형) 103
[표 4-9] 경기도 광역버스 이용수요 예측 모형 기본 설정 105
[표 4-10] 경기도 광역버스 이용수요 예측 DNN모형과 RNN모형 구축 결과 106
[표 4-11] 노선 특성 및 운행지역 113
[표 4-12] 개별 노선 이용수요 예측 모형 입력자료 형식 113
[표 4-13] 개별 노선 이용수요 예측 모형 기본 설정 114
[표 4-14] 개별 노선 이용수요 예측 DNN모형과 RNN모형 구축 결과 115
[그림 1-1] 연구수행 과정 17
[그림 2-1] 전통적 프로그래밍과 머신러닝의 비교 20
[그림 2-2] 딥러닝의 발전 이유 22
[그림 2-3] 딥러닝 모형의 신경망 구조 23
[그림 2-4] 인공지능, 머신러닝, 딥러닝의 개념 24
[그림 2-5] 단일 신경망 28
[그림 2-6] 다중(2중) 신경망 28
[그림 2-7] Deep Neural Network(DNN) 모형 형태 30
[그림 2-8] Recurrent Neural Network(RNN) 모형 형태 30
[그림 2-9] 모델링 과정을 통한 의사결정트리 모형 예시 34
[그림 2-10] 예측모형의 전체적인 정확도와 교통수단별 정확도 결과 35
[그림 2-11] 딥러닝 모형 구축 36
[그림 2-12] 세 가지 모형을 활용한 실제 대여량과 예측 대여량의 산점도 36
[그림 2-13] 프로토타이핑 툴을 활용한 버스 지연에 관한 예측모델 구축 과정 37
[그림 2-14] 딥러닝 네트워크 구조 38
[그림 2-15] 통행속도예측 모형 구조 39
[그림 2-16] 경기도 인구 변화(2018.1.~2021.2.) 41
[그림 2-17] 서울특별시 인구 변화(2018.1.~2021.2.) 41
[그림 2-18] 경기+서울 인구 변화(2018.1.~2021.2.) 41
[그림 2-19] 종관기상관측(ASOS) 자료수집 지점 42
[그림 2-20] 방재기상관측(AWS) 자료수집 지점 43
[그림 2-21] 종관기상관측(ASOS) 경기도 평균기온(°C) (2019.01.01.~2021.02.28.) 45
[그림 2-22] 종관기상관측(ASOS) 경기도 일강수량(mm) (2019.01.01.~2021.02.28.) 45
[그림 2-23] 종관기상관측(ASOS) 경기도 일최심적설(cm) (2019.01.01.~2021.02.28.) 45
[그림 2-24] 방재기상관측(AWS) 경기도 평균기온(°C) (2019.01.01.~2021.02.28.) 46
[그림 2-25] 방재기상관측(AWS) 경기도 일강수량(mm) (2019.01.01.~2021.02.28.) 46
[그림 2-26] 방재기상관측(AWS) 경기도 평균풍속(m/s) (2019.01.01.~2021.02.28.) 46
[그림 2-27] 경기도 오존(O3) 농도(㎍/㎥) (2019.01.01.~2021.02.28.) 49
[그림 2-28] 경기도 미세먼지(PM10) 농도(㎍/㎥) (2019.01.01.~2021.02.28.) 49
[그림 2-29] 경기도 초미세먼지(PM2.5) 농도(㎍/㎥) (2019.01.01.~2021.02.28.) 49
[그림 2-30] 코로나19 감염 현황 54
[그림 2-31] 2019년 경기도 광역버스 이용수요(2019.01.01.~2019.12.31.) 56
[그림 2-32] 2020년 이후 경기도 광역버스 이용수요(2020.01.01.~2021.02.28.) 56
[그림 2-33] 2019년 경기도 광역버스 주중 이용수요(2019.01.01.~2019.12.31.) 57
[그림 2-34] 2020년 이후 경기도 광역버스 주중 이용수요(2020.01.01.~2021.02.28.) 57
[그림 2-35] 2019년 경기도 광역버스 주말 이용수요(2019.01.01.~2019.12.31.) 57
[그림 2-36] 2020년 이후 경기도 광역버스 주말 이용수요(2020.01.01.~2021.02.28.) 58
[그림 3-1] 한파특보에 따른 이용수요 변화 66
[그림 3-2] 폭염특보에 따른 이용수요 변화 67
[그림 3-3] 호우특보에 따른 이용수요 변화 67
[그림 3-4] 대설특보에 따른 이용수요 변화 67
[그림 3-5] 태풍특보에 따른 이용수요 변화 67
[그림 3-6] 지역별 PM2.5 특보에 따른 이용수요 변화 68
[그림 3-7] 지역별 PM10 특보에 따른 이용수요 변화 69
[그림 3-8] 경기 및 서울 지역의 인구 변화(2019.01.~2021.02.) 73
[그림 3-9] 경기도 광역버스 이용수요(이용객수) 변화(2019.01.~2021.02.) 73
[그림 3-10] 연도별 및 월별 인구 천 명당 일평균 이용객수 75
[그림 3-11] 요일 및 주중/주말 인구 천 명당 일평균 이용객수 75
[그림 3-12] 코로나19 사회적 거리두기 단계 및 한파특보에 따른 인구 천 명당 일평균 이용객수 76
[그림 3-13] 폭염특보 및 대설ㆍ호우특보에 따른 인구 천 명당 일평균 이용객수 76
[그림 3-14] 태풍특보 및 미세먼지특보에 따른 인구 천 명당 일평균 이용객수 77
[그림 3-15] 월별 경기도 광역버스 전일기준 1일 평균 이용수요(2019.1.~2021.5.) 86
[그림 3-16] 월별 경기도 광역버스 주중기준 1일 평균 이용수요(2019.1.~2021.5.) 86
[그림 3-17] 월별 경기도 광역버스 주말기준 1일 평균 이용수요(2019.1.~2021.5.) 86
[그림 3-18] 월별 경기도 광역버스 전일기준 1일 평균 이용수요(2019.1.~2021.5.) 87
[그림 3-19] 월별 경기도 광역버스 주중기준 1일 평균 이용수요(2019.1.~2021.5.) 87
[그림 3-20] 월별 경기도 광역버스 주말기준 1일 평균 이용수요(2019.1.~2021.5.) 87
[그림 3-21] 코로나19 확진자수 변화(2019.1.~2021.5.) 88
[그림 3-22] 코로나19 확진자수 변화(2019.1.~2021.5.) 89
[그림 4-1] 통계모형 형태 95
[그림 4-2] 기본 DNN모형 형태 95
[그림 4-3] 시계열 DNN모형 형태 96
[그림 4-4] 통계모형과 DNN모형 구축 결과 비교 98
[그림 4-5] 통계모형 이용수요(인/천인) 예측 99
[그림 4-6] 기본 DNN모형 이용수요(인/천인) 예측 99
[그림 4-7] 시계열 DNN모형 이용수요(인/천인) 예측 99
[그림 4-8] 경기도 광역버스 이용수요 예측 DNN모형 104
[그림 4-9] 경기도 광역버스 이용수요 예측 RNN(LSTM)모형 104
[그림 4-10] 경기도 광역버스 이용수요 예측 모형 R² 107
[그림 4-11] 경기도 광역버스 이용수요 예측 모형 정확도 107
[그림 4-12] 경기도 광역버스 이용수요 예측 모형 RMSE(천인) 107
[그림 4-13] 경기도 광역버스 이용수요 예측 모형 최대오차율(%) 108
[그림 4-14] DNN모형과 RNN모형의 D+1일 예측 109
[그림 4-15] DNN모형과 RNN모형의 D+2일 예측 109
[그림 4-16] DNN모형과 RNN모형의 D+3일 예측 110
[그림 4-17] DNN모형과 RNN모형의 D+4일 예측 110
[그림 4-18] DNN모형과 RNN모형의 D+5일 예측 110
[그림 4-19] DNN모형과 RNN모형의 D+6일 예측 110
[그림 4-20] DNN모형과 RNN모형의 D+7일 예측 111
[그림 4-21] 선정 노선의 운행 노선도 112
[그림 4-22] 개별 노선 이용수요 예측 모형 R² 116
[그림 4-23] 개별 노선 이용수요 예측 모형 정확도(%) 117
[그림 4-24] 개별 노선 이용수요 예측 모형 RMSE(인) 117
[그림 4-25] 개별 노선 이용수요 예측 모형 최대오차(%) 118
[그림 4-26] A 노선 이용수요 예측 119
[그림 4-27] B 노선 이용수요 예측 120