본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

표제지 1

국문초록 4

목차 6

제1장 서론 13

제1절 연구의 배경 및 목적 13

1. 연구의 배경 13

2. 연구의 목적 14

3. 연구적 질문 설계 및 착안점 15

제2절 연구의 범위 및 방법 18

1. 시간적, 공간적 범위 18

2. 내용적 범위 19

제2장 선행 연구 검토 22

제1절 본 연구추진의 필요성 관련 기존 문헌 22

1. 인구감소지역에서의 기존 대중교통 운영 한계 22

2. 수요응답형 교통(DRT)의 도입 효과와 운영 전략 24

제2절 연구 방법론 관련 선행 연구 29

1. 교통 분야의 트리계열 머신러닝 사례 29

2. 공간 클러스터링 기법사례 35

제3절 연구의 기여 39

1. 방법론적 기여 39

2. 트리계열 머신러닝 모델 제안 40

3. 현장 활용의 확장성적 관점 44

4. 기타 관점 47

제3장 연구 방법론 52

제1절 Bi-Level 프레임워크 52

제2절 머신러닝 활용 적정 모빌리티 결정 모델링(STEP1) 55

1. 지도학습을 위한 분석 시나리오 55

2. 모델의 학습 및 검증 방법론 62

3. 모델 성능 평가 지표 63

제3절 클러스터링 기반 서비스 권역화(STEP2) 66

1. 클러스터링 방법론 66

2. 권역 및 노선 설정을 위한 분석 절차 71

제4장 연구 대상지 및 데이터 설명 73

제1절 연구 대상지 선정 73

1. 선정 기준 73

2. 연구 대상지 대중교통 이용 현황 74

제2절 분석 데이터 수집 및 정의 77

제3절 데이터 전처리 83

1. 데이터 결측치 처리 83

2. 다중공선성 분석 85

제5장 분석 결과 90

제1절 셀단위 적정 모빌리티 결정 모델링 분석 결과 90

1. 모델별 성능평가 수행 및 최적 모델 선정 90

2. 수단별 적정 모빌리티 예측 결과 분석 104

제2절 클러스터링 기반 적정 모빌리티 서비스 권역화 118

1. 적정 모빌리티 수단비율 결정을 위한 End-Node 조절 118

2. 지역 현실성 반영을 위한 DBSCAN 매개변수 조정 121

3. 클러스터링 알고리즘 보완 125

4. 모빌리티 서비스별 클러스터링 보완 알고리즘 적용 128

5. 클러스터링 기반 권역화 최종 결과 140

제3절 연구결과의 정량적 효과 검증 143

1. 지자체의 운영비 절감 효과 143

2. 지역주민의 이용기회 확대 효과 151

3. 모빌리티 취약셀 개선도 정량 분석 155

제4절 분기 임계치 조절에 따른 민감도 분석 160

1. 분기 임계치 조절 시나리오 구성 160

2. 분기 임계치별 모델링 및 클러스터링 결과 161

3. 민감도 분석(시나리오별 운영비용 증감) 165

제5절 알고리즘의 확장성 검토 167

1. 사례 대상 지자체 (1) 168

2. 사례 대상 지자체 (2) 170

3. 사례 대상 지자체 (3) 173

4. 사례 대상 지자체 (4) 176

제6장 결론 및 향후 연구과제 180

제1절 연구결과 요약 180

제2절 결론 183

제3절 연구의 한계 및 향후 연구과제 185

1. 연구의 한계 185

2. 향후 연구과제 188

참고문헌 192

영문초록 198

표목차 9

〈표 2-1〉 전통적 통계기법 방식과 머신러닝 분석의 연구사례 및 특징 43

〈표 2-2〉 본 연구의 학술적, 정책적 기여 46

〈표 2-3〉 기존 연구의 주요내용 및 본 연구와의 차별성 51

〈표 3-1〉 Quadrifoglio 연구와 본 연구에서 활용한 파라미터 비교 57

〈표 3-2〉 Quadrifoglio 연구와 본 연구의 대상지 비교 57

〈표 3-3〉 본 연구의 파라미터 조정을 통해 활용한 임계밀도값 58

〈표 3-4〉 DBSCAN과 K-means 알고리즘 비교 66

〈표 4-1〉 지역별 노선별 일일 평균 승차인원수 현황 75

〈표 4-2〉 지역별 노선별 일일 평균 수입금 현황 75

〈표 4-3〉 지역별 전체 노선별 이용자 유형별 승차인원(1일 평균) 76

〈표 4-4〉 3개 시군 분석셀 현황 77

〈표 4-5〉 본 연구에 활용한 변수 (독립변수 39개, 종속변수 2개) 79

〈표 4-6〉 결측치 확인 및 처리 84

〈표 4-7〉 다중공선성(multicollinearity) 분석 결과 86

〈표 4-8〉 상관행렬 분석 결과 해석 89

〈표 5-1〉 XGBoost 모델의 파라미터 및 성능 지표(random_state＝42) 91

〈표 5-2〉 XGBoost 파라미터의 default 값 91

〈표 5-3〉 CatBoost 모델의 파라미터 및 성능 지표(random_seed＝42) 92

〈표 5-4〉 CatBoost모델의 파라미터의 default 값 93

〈표 5-5〉 LGBM 모델의 파라미터 및 성능 지표(random_state＝42) 93

〈표 5-6〉 LGBM 파라미터의 default 값 94

〈표 5-7〉 교차검증(5-fold, 10-fold) 95

〈표 5-8〉 본 모델에서 실제값과 예측값의 의미 104

〈표 5-9〉 실제값과 예측값 데이터 개수 106

〈표 5-10〉 실제값과 예측값 데이터 비율 106

〈표 5-11〉 각 클래스에 대한 성능평가 결과 117

〈표 5-12〉 end-node 0.5에서 DBSCAN 매개변수 조정 결과 124

〈표 5-13〉 기존 모빌리티 수단별 운영현황과 모델링 결과 적용 모빌... 141

〈표 5-14〉 수단별 차량 1대가 운영가능한 셀 수 산출 결과 144

〈표 5-15〉 시나리오별, 수단별 필요대수 146

〈표 5-16〉 충청남도 18개 운수회사의 버스 1대당 1일 운송원가 147

〈표 5-17〉 지자체별 택시운영비용 산출액 (평균치 활용) 148

〈표 5-18〉 택시형 DRT 운송원가 149

〈표 5-19〉 모빌리티 서비스별 차량1대당 1일 운송원가 149

〈표 5-20〉 시나리오별 총비용 산출 150

〈표 5-21〉 기존 시나리오와 추천 시나리오의 효과분석 결과 151

〈표 5-22〉 GTₘ, 𝓌ₘ의 산출 153

〈표 5-23〉 시나리오별 접근성 지표 산출 결과(TAIₛ) 154

〈표 5-24〉 인구없음, 서비스 미제공셀 속성 분석 (기존 시나리오) 156

〈표 5-25〉 인구없음, 서비스 미제공셀 속성 분석 (추천 시나리오) 156

〈표 5-26〉 적정 수요, 공급수준 분석지표(Fit Index) 산출 결과 159

〈표 5-27〉 분기 임계치 민감도 분석 시나리오 구성 160

〈표 5-28〉 기준 임계치(θ-0.5/0.05) 대비 임계치별 연간 운영비 변화... 166

〈표 5-29〉 운영비 절감효과 및 이용기회 확대 효과 (지자체(1)) 170

〈표 5-30〉 운영비 절감효과 및 이용기회 확대 효과 (지자체(2)) 173

〈표 5-31〉 운영비 절감효과 및 이용기회 확대 효과(지자체(3)) 176

〈표 5-32〉 운영비 절감효과 및 이용기회 확대 효과(청양군) 179

그림목차 11

[그림 1-1] 연구적 질문 및 착안점 17

[그림 1-2] 연구 흐름도 21

[그림 3-1] Bi-Level 프레임워크 54

[그림 3-2] 모델링 성능평가를 위한 Confusuin Matrix 방법론 65

[그림 4-1] 3개 시군 분석 대상셀 현황 78

[그림 4-2] 결측치 지점 분포 현황 84

[그림 4-3] Correlation matrix 89

[그림 5-1] SHAP를 통한 변수 중요도 사후 분석 96

[그림 5-2] 디시젼 트리(Decision Tree) 시각화 및 해석 97

[그림 5-3] 1단계 2진분류의 LGBM (max_depth＝4, learning_rate＝0.05,... 98

[그림 5-4] 1단계 2진분류의 LGBM (max_depth＝4, learning_rate＝0.05,... 99

[그림 5-5] 2단계 2진분류의 LGBM (max_depth＝4, learning_rate＝0.05,... 101

[그림 5-6] SHAP를 통한 변수 중요도 사후 분석 102

[그림 5-7] 2단계 2진분류의 LGBM (max_depth＝4, learning_rate＝0.05,... 102

[그림 5-8] 디시젼 트리(Decision Tree) 시각화 및 해석 103

[그림 5-9] 연구 대상지 전체의 셀별 적정 수단 결과(실제 VS 예측) 107

[그림 5-10] 보령시의 셀별 적정 수단 결과(실제 VS 예측) 108

[그림 5-11] 서천군의 셀별 적정 수단 결과(실제 VS 예측) 109

[그림 5-12] 청양군의 셀별 적정 수단 결과(실제 VS 예측) 111

[그림 5-13] 노선버스 Confusion Matrix(수요응답, 노선버스) 113

[그림 5-14] 택시형 DRT Confusion Matrix(노선버스+버스형DRT, 택시형... 114

[그림 5-15] 버스형DRT Confusion Matrix(버스형DRT, 노선버스+택시형... 115

[그림 5-16] 클러스터링 알고리즘 보완의 단계별 절차 126

[그림 5-17] 노선버스의 클러스터링 권역 설정 단계 131

[그림 5-18] 버스형 DRT의 클러스터링 권역 설정 단계 134

[그림 5-19] 택시형 DRT의 클러스터링 권역 설정 단계 137

[그림 5-20] 보령시 전체의 클러스터링 권역 설정 최종 결과 139

[그림 5-21] 기존 현황 모빌리티 수단 운영현황 141

[그림 5-22] 본 연구를 통해 제안하는 모빌리티 서비스 추쳔 142

[그림 5-23] 충남 보령시의 셀별 인구분포(하), 기존(좌)/추천(우) 시나리오 157

[그림 5-24] 분기 임계치별 클러스터링 결과 (노선버스, 공공형 버스, 공공... 162

[그림 5-25] 분기 임계값에 따른 모빌리티 서비스 비율 164

[그림 5-26] 분기 임계값별 연간 운영비, 절감액 비교 166

[그림 5-27] 지자체(1) 기존 모빌리티 서비스 현황 시나리오 168

[그림 5-28] 지자체(1) 모빌리티 서비스 추천 시나리오 169

[그림 5-29] 지자체(2) 기존 모빌리티 서비스 현황 시나리오 171

[그림 5-30] 지자체(2) 모빌리티 서비스 추천 시나리오 172

[그림 5-31] 서천군 기존 모빌리티 서비스 현황 시나리오 174

[그림 5-32] 지자체(3) 모빌리티 서비스 추천 시나리오 175

[그림 5-33] 청양군 기존 모빌리티 서비스 현황 시나리오 177

[그림 5-34] 지자체(4) 모빌리티 서비스 추천 시나리오 178

초록보기

 인구감소지역은 공공교통 수단에 대한 이용수요는 적으나, 필수 생활을 위한 기본적인 시설이 거주지역과 멀리 떨어져 위치하고, 보행로 등 기본적인 교통시설이 낙후되어 있기 때문에 기본적인 공공교통 수단이 제공되지 않을 경우 겪는 불편함은 도시지역보다 크다. 인구감소지역에서의 제한된 교통자원을 효율적으로 활용하기 위해 공공교통 운용의 측면에서 이용자가 원하는 시간대에 원하는 장소로 이동할 수 있도록 적재, 적소, 적기에 모빌리티 서비스를 제공하는 방법론들이 연구 및 시행 되어왔다. 이러한 배경으로 인해 최근 인구감소지역에서 수요응답형 교통수단(DRT)의 연구가 확대되고 있다. 그러나 현재의 운용은 지역의 실제 수요를 반영한 데이터 기반 분석이 이루어지지 않고 민원에 의하거나 정책적 결정에 의해 도입이 되고 있다. 노선버스와 신규로 도입하는 수요응답형 교통수단 간 관계설정을 체계적으로 정립해야한다.

본 연구는 인구감소지역에서의 적정 서비스 유형을 실제 수요기반으로 제공하기 위한 방법론을 제안한다. 실제 교통수요의 데이터를 기반으로 한 정량적 분석을 진행하고, 머신러닝 기반의 Bi-Level 프레임워크를 제안한다. 이 프레임워크를 개발하기 위해 본 연구는 분석 대상지를 500m×500m의 격자셀 단위로 세분화하여 인구 특성, 교통 여건, 대중교통 공급 및 이용 특성, 주요시설물 간의 거리 등의 데이터를 수집하여 분석환경을 구축하였다. 본 연구에서 제시한 Bi-Level 프레임워크의 1단계는 머신러닝 기반 2진 분류 모형을 활용하여 셀별 적정 모빌리티 서비스 유형(노선버스, 버스형 DRT, 택시형 DRT)을 도출한다. 이를 기반으로 2단계에서 DBSCAN 기반 군집화를 적용하여 인접 셀을 권역 단위로 통합하였다. 이를 통해 셀 기반 적정 모빌리티 서비스의 결과를 실제 운영 가능하도록 교통서비스 권역으로 제시함으로써 현장 적용성을 확보하였다. 또한 SHAP 기반 분석을 수행하여 주요 변수들의 영향력을 해석함으로써 모델의 설명력을 강화하였다.

분석 결과, 도심 및 주요 읍, 면의 중심지에서는 기존 노선버스의 유지가 적합하며, 인구 밀도가 낮은 외곽의 주거지역에서는 버스형 DRT, 이보다 더 인구 밀도가 낮고 교통 수요가 적은 지역은 택시형 DRT가 적합한 것으로 분석되었다. Bi-Level 프레임워크의 활용을 통해 기존 공공교통 서비스 미제공 지역(BCI)을 감소시키고, 모빌리티 서비스에 대한 접근성과 편의성(TAI)이 향상되었으며, 수요와 공급 간의 적합도를 의미하는 Fit Index 또한 유의미하게 개선된 것으로 분석되었다. 아울러 필요이상의 노선버스 중심 공급 구조의 재편에 따라 전체 운영비를 절감하는 효과도 산출되어 주민의 이용기회 확대와 함께 정책 시행에 따른 경제적 효과를 확인하였다. 본 연구는 이 프레임워크를 통해 기존 인구감소지역에서의 대중교통 체계의 한계점을 보완할 수 있는 대안을 제시함으로 기본적인 이동권 저하문제의 해결에 기여하고자 한다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기