시계열 데이터 기반 심야 수요응답형 교통 수요 예측 연구
A Study on Demand Forecasting for Late-Night Demand-Responsive Transport Using Time- Series Data
- 주제어 (키워드) 서울시 심야 교통량 , 수요응답형 교통(DRT) , 시계열 예측 모델 , , 순환 신경망 모델 , 앙상블 모델 , Bi-LSTM , XGBoost , 서울시 , 이동권
- 발행기관 서강대학교 AI.SW대학원
- 지도교수 강석주
- 발행년도 2025
- 학위수여년월 2025. 8
- 학위명 석사
- 학과 및 전공 AI.SW대학원 데이터사이언스 · 인공지능
- 실제 URI http://www.dcollection.net/handler/sogang/000000081761
- UCI I804:11029-000000081761
- 본문언어 한국어
- 저작권 서강대학교 논문은 저작권 보호를 받습니다.
초록 (요약문)
세계 각 국가의 대도시 소비지출의 약 60%는 심야 시간대에 발생하는 것 으로 나타났다. 이러한 심야 시간대는 지역 경제 활성화에 있어 중요한 시기로, 이동권 확보는 심야 경제 기반을 마련하는 핵심 요소라 할 수 있다. 서울시 또한 심야 시간대 활동 인구가 존재하지만, 기존 대중교통은 주간 중심의 운행 체계에 최적화되어 있어, 이는 다양한 시민들에게 이동 불편과 경제적 부담을 초래하고 있다. 이에 따라 서울시에서는 심야시간대 교통난 해소와 이동권 확보를 위해 수요응답형 교통 (Demand Responsive Transport, DRT) 서비스의 도입을 적극 검토하고 있다. 이에 본 연구는 시 계열 예측 분석을 통해 수요응답형 교통(DRT) 서비스 도입에 필요한 수요 예측 모델을 제안한다. 서울시 심야 교통량 데이터와 기상 데이터를 활용하여 양방향 순환 신경 망 모델인 Bi-LSTM을 적용하였고, 앙상블 기반 모델인 XGBoost를 병행 학습하여 모델 간의 예측 성능을 비교하였다. 각 모델은 요일, 시간, 기온, 강수량 등 외생 변수의 시계열적 특성을 반영하였으며, 예측 정확도는 Bi- LSTM이 83.1%, XGBoost가 83.0%로 나타났다. 특히, XGBoost는 학습 속도가 빠르고 계산 효율성이 높아 실시간 예측 환경에 적합한 모델로 확인되었다. 이러한 결과를 바탕으로, 예측의 정밀도와 안정성이 요구되는 DRT 수요 예측에는 Bi-LSTM 모델이 적합하며, 실시간 대응이 필요한 운영 단계에서는 XGBoost 모델이 보다 효율적으로 활용될 수 있을 것이다. 시간대별 예측 분석 결과, 남산1호터널 방면이 심야의 가장 높은 교통량 을 보였고, 해당 지역이 DRT 서비스 도입이 우선적으로 고려되어야 할 핵심 지역으로 확인되었다. 대부분 시간대에서 모델의 예측값과 실젯값 간의 차이가 크지 않아, 이는 본 수요 예측 모델이 복잡하고 비선형적인 심야 교통 패턴을 효과적으로 반영할 수 있음을 시사한다. 향후 본 연구를 토대로, 실제 심야 교통 수요를 기반으로한 DRT 노선 설계 및 시뮬레이션 연구로 확장할 수 있을 것이다. 또한 실시간 지역별 인구 데이터 및 공휴일과 같은 비정형 수요 변동 요인을 반영함으로써 보다 현실적이고 운영 가능한 DRT 서비스 예측 시스템 구축에 기여할 수 있을 것으로 기대된다. 주제어: 서울시 심야 교통량, 수요응답형 교통(DRT), 시계열 예측 모델, , 순환 신경망 모델, 앙상블 모델, Bi-LSTM, XGBoost, 서울시, 이동권,
more초록 (요약문)
Approximately 60% of consumer expenditures in major cities around the world occur during nighttime hours. This time period is considered a critical window for revitalizing the local economy, and ensuring mobility during these hours is a key factor in establishing the foundation for a nighttime economy. In Seoul, although there is a notable level of nighttime activity among the population, the existing public transportation system is optimized for daytime operations. As a result, many citizens experience inconvenience and increased transportation costs during the night. In response, the Seoul Metropolitan Government is actively considering the introduction of Demand Responsive Transport (DRT) services to address nighttime transportation challenges and enhance mobility rights. This study proposes a demand prediction model for DRT implementation through time-series analysis of nighttime traffic volume data in Seoul. Using both nighttime traffic data and weather variables such as temperature and precipitation, a Bi-LSTM (Bidirectional Long Short-Term Memory) model was applied for time-series prediction. Additionally, the ensemble-based XGBoost model was trained in parallel to compare prediction performance across models. Both models incorporated exogenous variables such as day of the week, time of day, temperature, and precipitation, capturing their temporal characteristics. The prediction accuracy of the Bi-LSTM model reached 83.1%, while XGBoost achieved 83.0%. Notably, XGBoost demonstrated advantages in terms of faster training speed and computational efficiency, indicating its suitability for real-time forecasting scenarios. Based on these results, the Bi-LSTM model is deemed more appropriate for high-precision and stable DRT demand prediction, whereas XGBoost is expected to be more effective in operational stages requiring real-time responsiveness. Time-segmented prediction analysis revealed that the Namsan No.1 Tunnel corridor recorded the highest volume of nighttime traffic, suggesting that this area should be prioritized for DRT service introduction. The minimal gap observed between predicted and actual values across most time periods indicates that the proposed models can effectively reflect the complex and nonlinear patterns of nighttime traffic. Future studies may build upon this research by designing and simulating DRT routes based on actual nighttime demand. Moreover, incorporating real-time population data and irregular demand factors such as public holidays could contribute to the development of a more practical and operationally feasible DRT forecasting system. Keywords: Nighttime traffic in Seoul, Demand Responsive Transport (DRT), time-series prediction model, ensemble model, Bi- LSTM, XGBoost, mobility rights, Seoul
more목차
제1장 서론 8
제1절 연구배경 8
제2절 연구목적 11
제3절 연구 구성 12
제2장 관련 연구 13
제1절 DRT 서비스 13
제2절 DRT 서비스 기술적 연구 16
제3장 연구 방법 19
제1절 데이터 수집 및 추출 19
제2절 데이터 분석 22
제3절 Feature Engineering 30
제4절 학습 모델 제안 32
제4장 연구 실험 및 결과 38
제1절 연구 실험 방법 38
제2절 연구 실험 45
제5장 결론 62
참고 문헌 63
