요 약 · v
1. 연구의 개요
□ 연구의 배경
∙ 신도시와 혁신도시 개발, 교통수단 변화 등이 짧은 주기로 다양한 공간범위에 서 발생하고 있어 개인의 모빌리티 패턴도 단기간에 광역적으로 변하고 있고, 또한 일상 활동에 영향을 미치는 내외부적인 요인들이 시공간적 제약이 적은 모 빌리티 패턴의 파악의 중요성이 증가하고 있음
∙ 모빌리티 패턴 파악에는 개인의 개별 이동에 대한 이동위치와 이동시각 정보가 필요하며 스마트 폰의 GPS 기능을 사용한 모빌리티 앱으로 정보를 수집함
∙ 특정지역의 개발효과, 신도시 입주민 버스노선 마련 등 모빌리티 빅데이터가 정책적으로 활용되기 위해서는 데이터의 검증과 가공, 분석방법이 필요함
□ 연구의 목적
∙ 본 연구의 목적은 LBS(위치기반정보서비스) 기술로 수집되는 모빌리티 빅데이 터를 활용해 개인의 모빌리티 패턴 분석방법과 실제 분석을 통한 시사점을 제시 하는데 있음
□ 모빌리티 정보와 패턴
∙ 본 연구에서는 모빌리티 패턴은 실시간으로 모바일 앱을 통해 수집되는 개인 위 치, 시간정보와 같은 경로기반의 모빌리티 자료를 활동기반의 모빌리티로 변환 하여 그 유형을 파악하였음
요 약
SUMMARY
vi
2. 모빌리티 빅데이터 구축 및 전처리
□ 모빌리티 빅데이터 선정 및 전처리 단계
∙ 개인 모바일 폰에 앱 설치로 이동자료를 구축하고 상응하는 포인트를 제공하는 모바일 앱 위드라이브(WEDRIVE)의 데이터를 선정하여 대도시 지역 범위에서 일별, 시간대별 개인통행 궤적을 파악하고 원시자료에 접근하여 데이터 전처리 과정을 수행함
∙ 모빌리티 패턴 파악을 위한 본 연구의 빅데이터 형태는 연속형(sequence)자료 로 데이터 생성 및 통행시간과 체류시간 생성을 위한 작업은 워크플로우(work flow) 기반의 분석 프로그램인 Alteryx를 이용하여 분석함
개인통행 이동경로 모빌리티 빅데이터 전처리 과정
자료) 위드라이브 자료 활용 저자작성(좌), 알트릭스 활용 저자작성(우) 그림 1 | 모빌리티 빅데이터 구득 및 가공
구분 통행시간 체류시간
개념수식
여기서, i(개인id), d(시간), n(열 번호)
여기서 i(개인id), d(시간), n(열 번호) 자료: 저자작성
표 1 | 모빌리티 빅데이터 통행시간과 체류시간의 개념수식
요 약 · vii
∙ 모빌리티 패턴 파악을 위해 통행발생시점을 일별로 첫, 중간, 끝으로 구분할 수 있는 알고리즘인 TGN(Trip Generation Numbering)을 이용하여 개인별 통행 시종점 위치와 시각정보로 통행발생 시점을 추출함
구분 개념 예시유형
유형1
(첫 통행) 하루 중 첫 통행
유형2
(중간 통행) 첫 통행 이후의 통행
유형3 (마지막
통행)
하루 중 마지막 통행
유형4 (단방향
통행)
일방향 통행
주) 예시유형의 점선은 해당유형의 통행임 자료: 저자작성
표 2 | 하루기준 통행발생 시점 유형의 구분
구분 TGN(Trip Generation Numbering) 알고리즘
n : 변수가 가질 수 있는 값으로 현재열 과의 일치 또는 불일치를 판단하는 조건문의 결과로 2개 경우만 존재 (변수별 변이값은 동일)
(예: 현재 ID와 전 열의 ID의 일치, 불일치)
r : 현재 열 2개 변수(개인ID, 일자)와 비교해야하는 변수개수로 전열의 개인ID, 일자와 후별의 개인ID, 일자로 총 4개 변수가 해당됨 자료: 저자작성
표 3 | TGN 알고리즘의 총 경우의 수 발생건수에 대한 수식
viii
통행발생 넘버링 알고리즘 스케치 통행발생시점 구분을 위한 코딩내용
자료: 저자작성
그림 2 | 통행발생시점 구분 과정 및 코딩내용
3. 통행시점 구분에 따른 모빌리티 패턴 분석
□ 통행시점 유형에 대한 요일별 분포
∙ 모바일 빅데이터로 가급적 연휴영향이 적은 데이터를 구축(21년 3/8(월)~14 (일, 총 7일))하여 요일별 해당유형별 발생비율을 분석한 결과, 유형1(하루 중 첫 통행)의 평균 비율은 29.8%, 유형2(중간통행) 40.4%, 유형3(마지막 통 행)은 29.8%로 유형2가 가장 높았음
구분 유형1(하루 중 첫 통행) 유형2(중간 통행) 유형3(마지막 통행) 합계
월(3/8) 29.6 40.8 29.6 100
화(3/9) 29.2 41.6 29.2 100
수(3/10) 29.1 41.8 29.1 100
목(3/11) 29.0 42.0 29.0 100
금(3/12) 29.4 41.2 29.4 100
토(3/13) 29.9 40.2 29.9 100
일(3/14) 32.0 36.0 32.0 100
평균 29.8 40.4 29.8 100
자료: 위드라이브 빅데이터 활용 저자작성 표 4 | 통행시점 유형별 발생률
(단위: %)
요 약 · ix
□ 유형별, 지역별 통행시간 분포
∙ 유형1(첫 통행)과 유형2(중간통행)의 주중 통행시간은 주말보다 높았지만 유 형3(마지막 통행)의 통행에서는 주말이 주중보다 높았음
자료: 위드라이브 빅데이터 활용 저자작성 그림 3 | 통행시점별 주중/주말 통행시간
∙ 전국 시도를 수도권, 지방광역시, 기타지역으로 구분하여 유형1(첫 통행) 통행 시간을 비교한 결과, 수도권의 통행시간이 36.5분으로 가장 높았고 지방광역시 통행시간 32.4분보다 4.1분(12.6%), 기타시도 35.2분보다 1.3분 높았음
자료: 위드라이브 빅데이터 활용 저자작성
그림 4 | 수도권, 지방광역시 및 기타지역 통행시간
x
□ 모빌리티 패턴 구분
∙ 모빌리티 패턴은 집 기반의 이동이 대부분으로 집과 직장만을 오가는 피스톤 모 빌리티 패턴을 MP1(mobility pattern 1)로 규정하고 이를 기준으로 중간 경유지가 늘어날수록 삼각, 사각, 오각 등으로 유형화하였음
∙ 하루 중 출발통행이 있으면 끝 통행이 있어야 한다는 기본가정 하에 집에서 1일 이상 체류하거나, 직장에서 1일 이상 머무는 이동패턴은 제외함
MP1 MP2 MP3 MP4 MP5 MP6
주) ①-첫 통행, ②-중간 통행, ③-마지막 통행을 나타냄 자료: 저자작성
그림 5 | 모빌리티 패턴(MP) 구분(개념도)
4. 코로나 전후 모빌리티 패턴 분석
□ 코로나 전후 통행발생량 비교
∙ 코로나 전후 일주일간의 통행량 변화를 위드라이브 이용자 약 88백명을 대상으 로 파악한 결과 코로나 전(20.1월)의 통행량 17,570(통행/일)에 비해 코로나 후(21.3월)의 16,275(통행/일)로 일평균 약7.43% 감소한 것으로 나타남
요 약 · xi 주) 20.1월 (1.6∼1.12), 21.3월 (3.8∼3.14)
자료: 위드라이브 빅데이터 활용 저자작성 그림 6 | 코로나 전후 일평균 통행발생량 변화
□ 코로나 전후 주중과 주말 통행발생량 차이
∙ 코로나 전후 주중과 주말의 일평균 통행량 변화를 검토한 결과 주중은 코로나 후가 전에 비해 5.8% 감소하였고 주말은 13.5% 감소해 주말 감소율이 주중 감소율에 비해 2.3배 높았음
∙상기 동일 자료로 분석한 코로나 전 21.1월 1주간의 주중평균 통행량은 19,703(통행/일)이였으나 코로나 후 21.3월 동일 이용자의 통행량은 18,552 (통행/일)로 일평균 1,151통행 감소하였다. 또한 주말 통행량의 변화는 코로나 전 12,238(통행/일)이였으나 코로나 후 통행량은 10,584(통행/일)로 일평균 1,654통행 감소함
∙ 코로나 전에는 주말 통행량은 주중통행량의 62.1%정도였지만 코로나 후에는 그 비율이 57.1%로 5.1%p 줄어듬
∙ 코로나로 인한 교통량 감소추세는 코로나 사태 발생초기와 지속적인 코로나 사 태로 통행내성이 어느 정도 반영되어 그 감소폭이 다소 줄어든 것으로 사료됨
xii
주) 주중:20.1월(1.6-1.10), 21.3월(3.8-3.12), 주말: 20.1월(1.11-1.12), 21.3월(3.13-3.14) 자료: 위드라이브 빅데이터 활용 저자작성
그림 7 | 코로나 전후 MP1의 주중과 주말 통행발생량 차이
□ 코로나 전후 지역별 모빌리티 패턴 통행발생량 비교
∙ 모빌리티 패턴별로 주중 변화율을 살펴보면 MP2의 통행량 감소율이 두드러지는 것으로 나타났으며 MP3의 통행량도 광주광역시를 제외한 모든 지역에서 감소함
∙ 시도별로 광주광역시가 MP2, MP3 감소율이 높고 MP1 증가율이 높아 타 시도와 구별되는 것으로 나타났으며, 강원도와 대구광역시는 타 시도와 달리 MP1의 통 행량도 줄고 MP2,MP3도 줄어 코로나로 인한 통행량 감소가 큰 것으로 나타남
요 약 · xiii
구분 주중 주말
MP1
MP2
MP3
주) 주중: 20.1월(1.6-1.10), 21.3월(3.8-3.12) 자료: 위드라이브 빅데이터 활용 저자작성
그림 8 | 코로나 전후 모빌리티 패턴 주중 시도별 차트 비교
xiv
5. 활용방안 및 결론
1) 활용방안
□ 모빌리티 빅데이터 수집체계의 이해
∙ 모바일 폰 앱기반의 모빌리티 빅데이터로 활동패턴을 파악하기 위해서는 이동 (모빌리티) 데이터가 노드와 링크로 이루어지는 특성이 있으며 분석을 위한 정 보는 원시자료 가공을 통해 구축하는 작업이 필요함
□ Sequential 형태의 모빌리티 빅데이터 활용방안
∙ 비식별 ID 개인의 동적 통행정보를 활용하여 원시자료를 분석하였으며 연속형 (Sequential) 통행 데이터를 이용해 체류시간을 산정하여 해당지점의 중요도를 파악할 수 있는 지표가 될 수 있음
∙ 일자별 개인별 이동위치정보로 통행발생시점을 일별로 첫, 중간, 끝으로 구분 할 수 있는 TGN(Trip Generation Numbering) 알고리즘을 활용하여 데이터 를 가공하여 분석할 수 있음
자료: 저자작성
그림 9 | 통행관점의 Sequential 데이터 분석알고리즘 제시
요 약 · xv
□ 공간분야
∙ 최근 인구감소로 인한 거주인구 개념이 생활권 단위로 변화하고 있으며 생활인 구 추정 등에 본 연구의 체류시간 등의 개념이 적용 가능할 것임
∙ 개인의 활동은 시간 연속성을 가지고 공간에서 이루어지므로 공간단위를 어떻 게 구성하는지에 따라 공간위계별 정책을 수립할 수 있음
□ 교통분야
∙ 기존 교통통계 데이터의 구축방향을 전환할 수 있으며 지능형 교통체계(ITS)센 터와의 연계통합을 통한 교통데이터를 수집할 수 있음
∙ 광역교통시설 확충효과 모니터링을 할 수 있고 대중교통 사각지대 개선효과에 활용 가능하며, 미래 교통수단 발달에 따른 동적 대중교통 운영체계를 마련하 는데 기초자료로 활용될 수 있을 것으로 기대됨
2) 결론
□ 연구의 의의
∙ 본 연구는 그동안 통신 빅데이터에 비해 상대적으로 관심이 적었던 모바일 폰 앱 기반의 빅데이터를 활용하여 개인의 모빌리티 패턴별 통행시간을 제시하였 다는 점에서 의의가 있음
∙ 동적 모빌리티 정보와 토지이용 등의 공간정보가 연계된다면 시공간적 변화와 그 추이를 다양하게 파악할 수 있으며, 개인의 모빌리티 패턴을 분석하여 잠재 적인 주거지, 활동지역등을 파악할 수 있다는 점에서 의의가 있음
□ 연구의 한계
∙ 본 연구의 한계는 활용자료 시기가 7일이라는 점과 샘플 수가 부족하다는 한계 가 있음
∙ 모바일 폰의 위치와 시각정보를 활용하여 모빌리티 패턴을 파악하여 연구하였 으나 공간데이터로 확장하여 분석하지 못한 한계가 있음
