카토그램을 활용한 열린계 수요 예측

Abstract

공유 교통은 자전거, 자동차 등을 바탕으로 점점 확대되고 있다. 하지만 공 유 교통의 확장과 함께 공급과 수요의 불균형이 발생한다. 불균형은 이용자의 불편함뿐만 아니라 교통수단의 재분배 과정에서 시간과 비용이 발생한다. 최 근 인공지능 기술이 발달함에 따라 딥러닝 모델로 수요를 예측하여 불균형 문 제를 해결하고자 하는 연구가 이어지고 있다. 선행 연구들은 도시를 분할하여 구역 수준의 수요를 다룬다. 구역 수준의 수요는 개별 수준인 각 교통수단의 수요 합산으로 만들어진다. 하지만 수요 예측이 현실에 도움이 되려면 구역 수준에 대한 수요뿐만 아니라 개별 수준에 대해서도 정확해야 한다. 개별 수 준에 대해 정확히 예측하기 위해서는 모델이 각 교통수단이 가지는 수요 특성 을 학습할 수 있어야 한다. 본 연구에서는 구역 수요와 개별 수준의 수요 특 성을 다루기 위해 서울시 공공자전거 대여 반납 이력 데이터를 활용한다. 공간상에 대여소들이 밀집되어 있을 때 구역 수요는 일반적인 패턴들만 가 지게 된다. 즉, 각 대여소의 수요 패턴이 가지는 특성이 구역 수요에 드러나 지 않는다. 대여소별 수요를 정확히 예측하기 위해서는 대여소들의 특성을 학 습할 수 있어야 한다. 본 연구는 구역 수요뿐만 아니라 대여소 수준의 수요도 정확히 예측하기 위해 카토그램으로 대여소들을 분산시킨 후 구역 수요를 생 성하는 것을 제안한다. 대여소의 분산은 구역 수요 생성에 사용되는 대여소의 수를 줄여서 각 대여소의 특성이 일반적인 패턴에 묻히는 것을 방지한다. 또 한 새로운 구역에 신설된 대여소들에 대해서도 예측이 가능하게 만든다. 선행연구에서 사용하는 구역 수요는 학습 데이터에서 값이 없는 구역이 존재 한다. 따라서 테스트 데이터 기간에서 수요가 발생하게 되면 모델은 예측이 불가능하다. 본 연구에서는 카토그램으로 대여소를 분산시키므로 항상 수요가 0인 구역이 나타나지 않는다. 따라서 새로운 수요가 발생하더라도 예측이 가 능하다. 본 연구에서는 수요를 예측하기 위해 Spatial Temporal Convolutional Graph Attention Network (ST-CGA Network) 딥러닝 모델을 사용한다. 이 모델은 Graph Neural Network (GNN) 모델을 활용함으로써 주 변 구역 정보뿐만 아니라 멀리 떨어진 구역의 정보도 활용한다. ST-CGA Network 모델을 통해 예측한 결과는 원본 데이터보다 카토그램 전처리를 거 친 데이터를 사용할 때 더 정확하게 나타났다. 그리고 새로 등장한 대여소에 대해 예측한 것을 살펴보면 기존 방법은 예측이 불가능하지만, 카토그램을 활 용한 경우 예측할 수 있는 것을 볼 수 있다. 공유 교통이 다양화되고 수요 예 측이 중요해지고 있다. 공유 교통의 불균일한 분포는 수요 예측에 어려움을 만든다. 본 연구는 공간상에 균일하게 분포시킴으로써 어려움을 줄 일 수 있 다. 이는 앞으로 나타날 새로운 교통수단에 대한 수요 예측에도 기여할 수 있 다.

|Many studies have tried to forecast regional demand for shared transport. To help reality, the regional demand should reflect the demand for the shared transport in the individual stations e.g., public bikes. The regional demand consists of the total demand of the stations in the region. However, the shared transport is inhomogeneously distributed in space, so the regional demand may not describe well the difference of demand between the stations. We propose a cartogram method utilizing the Voronoi cell by spreading out the stations. It is for deviation decrease the deviation of individual stations demand from the regional demand. Our method is also possible to forecast newly installed stations. In the long-term period, the demand in the regions including the new stations can appear. Thus, we use the long-period dataset, the Seoul public bicycle dataset (the 2018 and 2019 years). To check the effect of the cartogram, we compare the performance of the spatial-temporal deep learning model before and after using the cartogram method.