최근 4차 산업혁명, 인구변화, 전염병, 기후위기 등 사회·경제적 변화로 인해 자동화, 공유, 친환경 교통수단 도입 등 교통분야에도 많은 변화가 일어나고 있다.
이러한 이유로 기존의 트래픽 분석 방법으로는 이러한 변화를 자세히 진단하기가 어렵습니다.
다양한 시점에 따른 승객의 여행행태 변화를 진단하고 이에 맞는 교통정책 개발을 지원하기 위해서는 새로운 분석 방법이 필요한 시점이다.
기존 분석 방법론의 한계를 극복하기 위한 모빌리티 빅데이터의 가상 결합. 최근 새로운 교통수단과 인구구조가 도입되고 있습니다.
변화에 따른 모빌리티 전환으로 여행 행태가 크게 변화할 것으로 예상된다.
따라서 기존의 교통분석 방법으로는 여행행태에 대한 상세한 분석과 기술변화의 반영에 한계가 있는 것으로 보인다.
교통분야에서는 모빌리티 전환(Mobility Transition)이 중요한 이슈로 떠오르고 있습니다.
4차 산업혁명으로 인한 사회·경제적 변화, 인구변화, 감염병, 기후위기 등이 교통부문에도 영향을 미치고 있으며, 교통기술과 서비스 분야 모두에 큰 영향을 미칠 것으로 예상되기 때문이다.
특히, UAM, 자율주행차 등 새로운 교통수단의 도입으로 인해 여행 행태가 급격하게 변화하는 가운데, 교통수요 충족과 서비스 편의성 제고를 위해서는 이를 기반으로 한 보다 빠르고 상세한 분석과 대응 방안이 필요하다.
그러나 기존의 분석 방법으로는 이러한 급격한 변화를 분석하는데 한계가 있습니다.
교통분석은 일반적으로 5년마다 실시하는 가구/개인 통행실태 조사 등의 조사를 통해 실시하거나, 구간별 교통량 등 도로 측정 데이터, 교통카드 이용 이력 등 신용정보 데이터, 기타 통계 데이터를 활용하여 실시한다.
분석을 수행합니다.
그러나 이러한 분석 방법은 Trip-Chain(출발지와 목적지 간 이동 집합)을 분석하거나 개인 수준의 이동 행태를 분석하기가 어렵습니다.
설문조사를 이용하면 여행사슬 추정이 가능하지만 결과의 정확성이 제한적이고, 데이터 수집에 많은 비용과 시간이 소요된다.
이를 극복하기 위해 개정된 데이터3법에 따라 모빌리티 관련 정보를 통합 분석하는 방법을 고려할 수 있으나, 이 방법에도 분석 인프라 구축 및 유지, 데이터 획득 및 관리, 결합 및 정의의 복잡성, 결합시 데이터 손실. 다음과 같은 어려움으로 인해 다른 제한 사항이 있습니다.
이러한 한계를 극복하기 위해 한국교통연구원은 최근 ‘모빌리티 빅데이터 가상 결합 방법론’을 제안했다.
쉽게 말하면 이동통신 데이터를 포함한 다양한 이동 관련 데이터를 시공간을 기준으로 간접적으로 중첩시켜 연결하고 분석하는 기술이다.
이는 데이터를 직접 결합하여 새로 생성된 데이터에 원본 데이터의 내용이 포함되지만, 데이터를 직접 결합하는 것이 아니라 간접적으로 겹쳐서 새로운 데이터를 생성하는 기존 데이터 결합과 다릅니다.
즉, ① 데이터의 직접적인 결합이 아닌 간접적인 매칭 및 추정 작업이고, ② 별도의 조합키를 생성하지 않고 가명화된 데이터를 이용함으로써 기존 가명정보 결합 방식의 한계를 극복할 수 있으며, ③ 별도의 익명화가 가능하다.
별도의 처리 없이 개인정보 침해를 최소화할 수 있는 점이 차이점입니다.
모빌리티 빅데이터의 가상 결합은 ① 빅데이터를 기본 시공간 단위로 분할, ② MCGM 변환 및 패턴 유사성 매칭, ③ MCGM 기반 가상 결합의 순서로 진행된다.
이는 데이터를 시간과 공간을 기준으로 나누어 개인이나 차량의 이동 궤적을 중첩시키는 것이다.
먼저, 데이터를 시간과 공간 단위로 나누고, 이동성 종합유전자지도(MCGM)를 생성해 교통 패턴을 분석한다.
하다.
이후 MCGM을 기반으로 이동경로와 유사도가 높은 대중교통 경로를 도출하여 결합한다.
위의 MCGM을 간략하게 설명하자면, 시간별 위치를 보여주며, 이동경로, 구간별 이동속도, 교통패턴 등을 자세하게 분석하는데 활용될 수 있다.
MCGM을 보면 통행인이 주로 두 곳에서 시간을 보내는 것을 알 수 있으며, 이동주기는 불규칙하더라도 이동에 소요되는 시간은 거의 유사하여 통행인이 대학생임을 짐작할 수 있다.
또한, 시간별로 방문한 지역의 위치를 기준으로 이동경로를 추정할 수도 있으며, 행정구역 차원에서도 경로를 추정할 수 있음을 알 수 있다.
해당 이동경로에 유사한 버스 노선, 지하철 노선 등을 겹쳐 가상 조합을 수행하면 이용된 이동수단도 추정할 수 있다.
‘모빌리티 빅데이터 가상 조합 방법론’은 기존 분석 방식과 달리 트립체인 전체에 대한 통합 분석이 가능하다.
또한, 개인정보보호법이 강화되는 추세에 맞춰 이동통신 데이터, 교통카드 데이터 등 다양한 모빌리티 관련 데이터를 활용하여 다양한 분석이 가능합니다.
간접적인 결합을 통해 상대적으로 획득에 유리한 가명정보와 익명정보를 적극적으로 활용할 수 있으며, 이동성 분석에 직접 활용하기 어려웠던 다른 정보를 분석에 활용할 수 있는 길을 열어준다.
모빌리티 빅데이터의 가상 결합을 통한 분석 사례 한국교통연구원이 제시한 ‘모빌리티 빅데이터 가상 결합 방법론’은 복잡한 수도권 승객의 이동행태를 분석하는데 있어 트립체인의 강점을 갖고 있다.
특히, 이동통신 빅데이터를 활용한 가상 통합분석을 수행하면 수도권 승객의 세부 이동경로 및 이동패턴 분석이 가능하다.
이동통신 빅데이터는 통신 기지국 위치를 기반으로 행정구역별 경로 파악에 유리하며, 설문조사에서 발생할 수 있는 불성실 응답으로 인한 부정확성을 극복하고 휴대폰을 들고 있는 개인의 실제 위치를 추적할 수 있다.
할수있다.
그 일례로 수도권 교통이용자에 대한 가상통합분석 사례를 소개한다.
본 분석에서는 노선(수원시 권선구 사당역~호매실동 7800번 구간) 이용객을 대상으로 가상결합분석을 실시한 결과, 시간대별 혼잡도와 이용객의 차이가 매우 큰 것으로 나타났다.
수도권 대중교통 버스노선. 분석에 활용된 데이터는 교통카드 데이터, 이동통신 빅데이터, 광역버스 노선 및 시간표 등이다.
먼저, 2021년 4월 월요일 오전 6시 45분경 수원에서 서울까지 이동하는 버스에서 교통카드 이용자 90명을 대상으로 조사한 결과, 이 중 86명이 지하철, 지선·간선버스 등 다른 수단으로 환승한 것으로 나타났다.
이동패턴은 사당역에서 하차하여 서울역, 삼성역 등 서울 전역과 남양주, 판교 등 경기도 등 다양한 장소로 분산되어 최종 목적지로 이동하는 것으로 관찰되었다.
. 특정 이동통신사의 기지국 위치정보를 이용하여 식별된 86명 중 14명에 대해 가상조합을 수행하고 이들의 이동행위를 상세하게 분석한 결과, 총 4가지 유형의 이동패턴이 관찰되었다.
도출된 각각의 이동 패턴은 출발지와 정류장, 정류장과 목적지를 연결하는 First/Last Mile에서 상당한 차이를 보이는 것을 알 수 있다.
한편, 교통카드 데이터를 기반으로 시간대별, 방향별 노선별 승객 수와 패턴을 분석한 결과, 요일에 관계없이 오전에는 서울 방향, 수원 방향으로는 많은 승객들로 붐비고 있다.
오후에. 이런 혼잡함을 볼 수 있습니다.
이러한 가상결합분석을 통해 광역교통에서는 환승수요가 많고, 광역교통에서는 First/Last mile 고려가 필요하며, 교통수요의 시공간적 불균형 해소가 필요함을 알 수 있다.
통찰력을 얻을 수 있습니다.
이와 같이 가상 통합 분석 방법론을 이용하면 다양한 데이터를 동시에 활용하여 세부적인 여행 행태를 분석하고 다각적인 개선을 도출할 수 있습니다.
이러한 특성은 이전에 인식되지 않은 문제를 식별하는 데 사용될 수 있습니다.
가상 통합분석을 통한 교통 서비스 혁신방안 모빌리티 가상 통합분석 방법론의 특징은 다양한 데이터를 활용하여 다양한 각도에서 분석이 가능하다는 점으로, 현재 인식되지 않는 교통문제를 도출하고, 교통수요를 상세하게 분석하고 이를 기반으로 한다는 점이다.
교통정책 등을 준비하는데 활용될 수 있습니다.
이를 좀 더 자세히 설명하자면 다음과 같이 나누어볼 수 있습니다.
첫째, 교통정책 마련에 활용하는 것이다.
감염병의 확산과 새로운 교통수단의 도입으로 인해 여행 패턴, 교통수요, 교통수단별 점유율 비율이 급격하게 변화하고 있습니다.
이러한 변화에 대응하여 인프라 확충, 법제도 개편, 환승수요 분산을 위한 노선조정 등의 정책이 필요할 수 있다.
모빌리티 가상결합을 통해 여행체인의 변화, 특정 지역 간 교통수요의 변화 등 다양한 여행 패턴을 정책 개발 이전에 분석할 수 있으며, 보다 세부적인 문제를 인지하고 해결책을 마련하는 데 활용될 수 있습니다.
둘째, 이용자 중심교통 문제를 해결하기 위해 사용되는 방법으로 승객의 지역, 직업, 연령 등 다양한 기준에 따른 여행행태 분석을 통해 복잡한 교통수요와 불편함을 도출하는데 사용된다.
위의 분석 사례에서는 최종 목적지에 따라 여행 패턴이 다르고 불편함이 존재하며, 이는 사회적, 경제적 차이로 인해 발생할 수도 있음을 짐작할 수 있다.
가상 통합 분석을 통해 복잡한 교통수요와 이슈를 도출하고, 실제 승객의 요구에 맞는 교통서비스를 개선할 수 있습니다.
특히, UAM 등 새로운 교통수단 도입에 앞서, 이용목적과 목적별 수요를 예측하고, 이를 통해 주요 노선과 서비스 규모 등을 검토하는 것이 가능하다.
First/Last Mile을 포함한 전체 이동경로와 이동수단을 추정하여 적합한 새로운 교통수단을 발굴하는데 활용될 수 있습니다.
출처 : 한국교통연구원 월간교통 2023년 8월호