[표지] 1
요약 3
목차 7
01. 연구개요 13
1. 연구배경 및 목적 13
1) 가구통행실태조사 표본 축소 13
2) 교통데이터 활용여건 마련되었으나, 구체적 적용방안 미비 15
3) 교통데이터에 기반해 이용자의 통행목적과 특성을 추정 15
2. 연구내용 및 방법 16
02. 교통빅데이터의 현황 및 특성 19
1. 교통빅데이터의 현황 19
1) 가구통행실태조사 데이터 19
2) 교통수단별 데이터 28
3) 통신데이터(생활이동데이터) 34
2. 교통빅데이터의 특성 36
1) 필요한 속성이 있는 데이터와 없는 데이터 36
2) 표본데이터와 전수데이터 37
03. AI 방법론과 관련 연구 사례 39
1. AI 방법론 검토 39
1) 인공지능(Artificial Intelligence)과 기계학습(Machine Learning) 39
2) 딥러닝(Deep Learning)과 다양한 학습방법 40
3) 이 연구에 적합한 속성 추정 모형의 종류 46
4) 이 연구에 적합한 AI모형 50
2. 관련 연구 사례 검토 51
1) 교통카드데이터를 활용한 연구 51
2) 택시데이터를 활용한 연구 54
3) 소결 55
04. AI모형 구축 방법 및 모형 결과 57
1. 대중교통 AI모형 구축 방법 57
1) 활용 데이터 57
2) 데이터 개요 및 전처리 과정 58
3) 모형 구축 60
4) 모형 검증 61
2. 대중교통 AI모형 결과 63
3. 택시 AI모형 결과 65
1) 활용 데이터 및 구축 모형 65
2) 모형 구축 결과 67
05. AI모형 활용방안 및 개선과제 69
1. AI모형 활용방안 69
1) 2021년 가구통행실태조사 전수화 방안 69
2) 기존 전수화 방안의 문제점 71
3) AI모형 적용방안 74
2. AI모형 개선방안 77
1) 가구통행실태조사 표본 확대 필요 77
2) 모바일 조사를 통한 표본 확대 77
참고문헌 80
Abstract 82
Contents 83
판권기 84
[표 1-1] 2016년 가구통행실태조사 제로셀 현황(수도권) 14
[표 2-1] 2021년 가구통행실태조사 표본할당 결과(서울시) 20
[표 2-2] 2021년 가구통행실태조사와 과년도 조사의 차이점 20
[표 2-3] 가구통행실태조사 조사항목(가구 특성, 개인 특성, 개인의 통행 특성(평일)) 21
[표 2-4] 가구통행실태조사 조사항목(통행목적, 통행수단) 21
[표 2-5] 전수화 계수 산출식 22
[표 2-6] 2016년 가구통행실태조사 전수화존 설정 예시 23
[표 2-7] 2016년 가구통행실태조사 전수화 지표 구분에 따른 제로셀 비율(예시) 24
[표 2-8] 가구통행실태조사 조사항목 26
[표 2-9] 대중교통 전수화 계수 산출식 27
[표 2-10] 배포 O/D 구분 28
[표 2-11] 「대중교통의 육성 및 이용촉진에 관한 법률」제10조의8 29
[표 2-12] 「대중교통의 육성 및 이용촉진에 관한 법률」제10조의9 29
[표 2-13] 교통카드데이터 구조 30
[표 2-14] 「교통안전법」제55조 31
[표 2-15] 「택시운송사업의 발전에 관한 법률」 제13조 33
[표 2-16] 택시운행정보관리시스템(TIMS)의 데이터 구성 33
[표 2-17] TIMS 기반 데이터 구조 34
[표 2-18] 생활이동데이터 예시 35
[표 2-19] 가구통행실태조사 조사항목 36
[표 2-20] 데이터별 특성 37
[표 3-1] 통행목적과 해당 주요 목적지 후보군 54
[표 4-1] 활용 데이터 개요 59
[표 4-2] 입력 데이터 구분 60
[표 4-3] 오차행렬 61
[표 4-4] 오차행렬 기반 지표 61
[표 4-5] 분포 유사도 산출식 62
[표 4-6] 구축 모형 63
[표 4-7] 모형 구축 결과 64
[표 4-8] 입력 데이터 66
[표 4-9] 모형 구축 결과 67
[그림 1-1] 가구통행실태조사 표본율 변화 13
[그림 1-2] 낮은 표본율에 따라 발생하는 제로셀 문제 14
[그림 1-3] 통행실적을 통해 보정계수를 적용하는 과정 15
[그림 2-1] 국가교통조사의 구조 19
[그림 2-2] 가구통행실태조사 통행정보의 구성 22
[그림 2-3] 통행 전수화 과정 25
[그림 2-4] 운행기록분석시스템 구성 32
[그림 2-5] 통신데이터 통행목적 추정방법 34
[그림 2-6] 통신데이터 전수화 방법 35
[그림 3-1] 인공지능과 기계학습의 관계, 기계학습의 종류 39
[그림 3-2] ANN의 구조 40
[그림 3-3] DNN의 구조 41
[그림 3-4] CNN이 필기체를 인식하는 방법 42
[그림 3-5] CNN의 이미지 특징 추출 과정 43
[그림 3-6] CNN에서 특성맵 도출에 따른 차원의 축소 43
[그림 3-7] RNN의 기본적인 구조 44
[그림 3-8] RNN을 활용한 스팸메일 분류모형의 구조 45
[그림 3-9] LSTM 은닉층의 셀 상태 정보 46
[그림 3-10] 서포트벡터머신에 따른 분류 경계면 47
[그림 3-11] AdaBoost의 학습 및 예측 절차 48
[그림 3-12] 생성모형 학습방법 49
[그림 3-13] 생성모형의 구분 49
[그림 3-14] 분류모형과 생성모형의 차이 50
[그림 3-15] 규칙기반 통행목적 추정단계 51
[그림 3-16] 통행목적별 변수 중요도 52
[그림 3-17] 생성된 통행데이터와 기존 데이터의 분포 비교 53
[그림 3-18] 통행목적 추정결과와 기존 데이터의 분포 비교 53
[그림 3-19] Trip2Vec 모형의 택시 통행목적 추정 절차 55
[그림 4-1] 기존 전수화 방식과 이 연구의 차이점 57
[그림 4-2] AI모형 구축에 활용한 데이터 58
[그림 4-3] 통행목적 추정에서의 활동지속시간의 중요도 59
[그림 4-4] 모형 구축과 검증 과정 62
[그림 4-5] 택시 통행의 공간정보 구축 66
[그림 5-1] 통신데이터를 활용한 조사 수행과정 69
[그림 5-2] 통신데이터를 활용한 전수화 과정(안) 70
[그림 5-3] 전수화 단계에서 발생하는 문제 71
[그림 5-4] 통행 전수화 단계에서 발생하는 제로셀 문제 72
[그림 5-5] 제로셀 문제해결을 위한 전수화존 매칭 72
[그림 5-6] 통행 전수화 단계에서 발생하는 과대대표 문제 73
[그림 5-7] 전수화 단계에서 발생하는 전수 O/D 인구사회적 속성의 왜곡 73
[그림 5-8] 기존 전수화 방식과 AI모형 적용에 따른 차이 74
[그림 5-9] AI모형의 통행목적 추정방법 74
[그림 5-10] AI모형을 통한 속성 왜곡 문제해결 75
[그림 5-11] AI모형을 통한 대중교통 전수화 정확도 향상 75
[그림 5-12] AI모형을 통한 연령, 성별, 통행목적에 따른 승용차 O/D 도출 방안 76
[그림 5-13] 앱을 통한 조사방안 78
[그림 5-14] 표본 확대를 통한 전수화 정확도 향상 방안 78