내비게이션 빅데이터를 활용한 시간대별 통행패턴 분석

Abstract

이 연구는 내비게이션 데이터를 이용하여 지역 간 통행의 시간대별 교통량을 통행거리별로 교통량 변동 패턴을 구분하여 출발시각선택에 있어 통행거리에 따라 행태적 요인을 반영한 패턴을 분석하였다. 현재 교통수요추정 시 가구통행실태조사 자료를 통해 추정된 AAWDT(Annual Average WeekDay Traffic)를 고정된 비율로 나누어 첨두·비첨두로 구분하여 분석하고 있다. 교통수요추정의 예측력을 향상시키기 위해 교통체증 정도의 반영방법을 정교하게 하거나 교통관련 빅데이터를 이용하여 가구통행실태조사의 낮은 표본율이라는 한계점을 극복하고자 하는 연구가 있어 왔다. 이 연구의 목적은 교통수요를 추정하는데 있어 통행거리에 따라 출발시각 선택의 차이로 인한 교통량의 변동 패턴을 분석하여 통행배정에 적용 가능한 시간대별 통행량 집중률을 구하여 교통수요 추정의 정확성을 향상시키고자 하는 것이다. 현재 국내 내비게이션 서비스 중 가장 높은 점유율을 확보하고 있는 SK T-map의 1년 중 평일 261일 데이터를 사용하여 연구를 진행하였다. 통계 패키지 프로그램인 SAS와 R과 데이터마이닝 플랫폼인 RapidMiner를 이용하여 k-means 클러스터링을 실시하였다. 지역 간 통행의 통행거리를 통행특성이 유사하도록 단·중·장거리 3개의 그룹으로 구분하고 시간대별 평균 교통량 비율을 산출하였다. 산출된 시간대별 교통량 비율에 대하여 24개의 시간을 단·중·장거리 통행특성이 유사하도록 k=2부터 k=6까지 k-means 클러스터링을 실시하였다. k값에 따라 k-means 클러스터링 결과별 상관계수분석과 절편이 없는 단순회귀모형의 기울기와 값을 비교하여 결과를 평가하였다. 연구 결과, 시간대별 교통량 패턴을 4개로 구분하는 것이 최적으로 나타났으며 통행거리 구분과 시간대별 교통량 패턴 구분이 반영된 OD를 적용한 교통수요분석 수행 방법을 제안하였다.; This study classified the variation pattern of hourly inter-zonal trip by distance used navigation data and analyzed patterns reflecting behavioral. In the current, the AAWDT(Annual Average WeekDay Traffic)estimated from the survey data of households with a small sampling rate is divided into a fixed peak and non-peak. rate when traffic assignment for demand estimation. There has been research to accurately estimate the traffic demand by refining the method of reflection of the degree of traffic congestion. The purpose of this study is to improve the accuracy of traffic demand estimation by analyzing the variation pattern of traffic volume due to difference of departure time selection according to the traffic distance. This study use SK T-map data, which has the highest share of navigation service in Korea, of 261 days on weekdays during one year. I conducted a k-mean clustering using SAS and R(statistical package programs) and RapidMiner(data mining platform). For the similarity of traffic characteristics, the distances of inter-zonal classified into three groups (single, middle and long distance) and calculated the hourly average traffic volume rate. I analyzed k-means clustering from k = 2 to k = 6 for 24 time periods for hourly average traffic volume rate calculated to have similar characteristics of short, medium, and long travel. The results of correlation coefficient analysis by k-means clustering result and slope and value of non-segmented simple regression model were compared according to k values. As a result of the study, it was found that it is best to classified traffic pattern by time into four groups. Also, I propose a traffic demand analysis method applying the OD which reflects the classification of traffic distance and traffic pattern by time.