통합교통서비스 고도화를 위한 딥러닝 기반의 마이크로 모빌리티 수요예측

Abstract

4차 산업혁명과 함께 ICT 등 새로운 기술이 교통 분야에 적용되고 다양한 이동 수단이 등장함에 따라 통합교통서비스(Mobility as a Service, MaaS)가 활성화되고 있다. MaaS는 다양한 교통 수단 간의 결합, 결제 시스템 통합 등을 통해 분절되어 있던 이동을 하나의 서비스로 정의하고, 이용자에게 도어투도어(door-to-door) 서비스를 제공하는 것을 목적으로 한다. MaaS 서비스 이용자에게 완전한 도어투도어 서비스를 제공하기 위해서는 퍼스트-라스트 마일(first-last mile) 문제를 해결할 수 있는 이동수단 서비스의 수준 고도화가 요구된다. 공공 자전거, 킥보드 등의 마이크로 모빌리티(micro mobility)가 퍼스트-라스트 마일 이동을 위한 수단으로 주목받고 있다. 현재 마이크로 모빌리티에 대한 수요는 실시간으로 추적되어 관리되고 있다. 그러나 서비스 이용자에게 완전한 도어투도어 서비스를 제공하기 위해서는 마이크로 모빌리티의 수요를 실시간으로 추적할 뿐만 아니라 수요에 대한 선제적 대응이 필요하며 이를 위해 근본적으로 마이크로 모빌리티의 수요에 대한 예측이 필요하다. 마이크로 모빌리티는 기존 대중교통과 비교 할 때, 고정된 이동 경로, 운행 시간이 정해져 있지 않으며 이러한 마이크로 모빌리티의 특징은 짧은 시간 단위 안에서 큰 수요의 변동을 유발한다. 따라서 기존의 대중교통 수요예측 방법과는 다른 예측 방법이 적용되어야 한다. 이에 본 연구는 변동이 크며 규칙적이지 않은 마이크로 모빌리티의 수요를 예측할 수 있는 결합 예측모형을 설계하고, 정확성을 검증했다. 유전 알고리즘(Genetic Algorithm, GA)과 딥러닝 알고리즘(LSTM, GRU) 기반의 결합 예측모형을 설계하고, 마이크로 모빌리티의 대표 사례인 서울시 따릉이를 연구대상으로 선정하여 전체 정류소 기준, 중심성(eigenvector centrality)이 높은 정류소의 따릉이 대여량과 반납량을 예측했다. 결합예측 모형(GA-LSTM, GA-GRU)을 적용하여 주요 정류소별 대여량, 반납량 예측을 수행한 결과 단일 예측모형(RNN, LSTM, GRU)보다 결합 예측모형으로 예측할 경우 더 높은 예측 정확도를 나타냈다. 결합 예측모형으로 예측한 대여 및 반납 예측량은 향후 MaaS 애플리케이션을 통해 ‘예상 대여 가능량’ 등의 정보로 제공할 수 있으며 운영자 관점에서 마이크로 모빌리티를 효율적으로 재배치하는데 이용할 수 있을 것으로 기대된다.; With the emergence of new technologies such as ICT, which emerged with the 4th industrial revolution, and various means of transportation, development of a business concept for Mobility as a Service(MaaS) is required. MasS defines mobility as one service by the combination of transportation and payment system, and also aims to provide door-to-door services to users. MaaS able to solve the first-last mile problem has to grow up to provide complete door-to-door service to service users, and micro mobility like public bicycle and kickboard is attracting attention as a means for first-last mile movement. The demand for micro mobility is currently being tracked and managed in real time. However, in order to provide full door-to-door service to service users, the proactive response as well as real-time tracking of the demand for the micro mobility is required. In addition, the demand for forecasting for the micro mobility is required for the proactive response. Compared with public transportation like bus, subway, micro mobility has no fixed course and no running time, which leads to large volatility in demand for a short time. Therefore, new forecasting model should be applied differently from existing model of forecasting demand for micro mobility in MaaS. So, this study designed hybrid forecasting models that can forecast the demand for the micro mobility with great variability and irregularities and verified its accuracy. This study designed combining forecasting models based on Genetic Algorithm (GA) and Deep Learning Algorithm (LSTM, GRU), then selected public bikes of Seoul, a representative example of micro mobility, as an object of research, and then expected the number of rentals and returns of public bikes of Seoul at stops with high eigenvector centrality out of all stops. With applying combining forecasting models (GA-LSTM, GA-GRU), the result of forecasting for the number of rentals and returns shows that combining forecasting models' prediction of the number of rentals and returns was more accurate than that of the single forecasting models (RNN, LSTM, GRU). This study expects that the information on the predicted number of rentals and returns by combining forecasting models can be provided through the MaaS application under the name of 'expected available number of rentals', and also this information can be used by the MaaS operator for efficient relocation of micro mobility.