KR102074894B1 - 대중교통 이용자의 통행경로 추정방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템 - Google Patents

대중교통 이용자의 통행경로 추정방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템 Download PDF

Info

Publication number
KR102074894B1
KR102074894B1 KR1020190053725A KR20190053725A KR102074894B1 KR 102074894 B1 KR102074894 B1 KR 102074894B1 KR 1020190053725 A KR1020190053725 A KR 1020190053725A KR 20190053725 A KR20190053725 A KR 20190053725A KR 102074894 B1 KR102074894 B1 KR 102074894B1
Authority
KR
South Korea
Prior art keywords
time
train
route
distribution function
estimating
Prior art date
Application number
KR1020190053725A
Other languages
English (en)
Inventor
이은학
조신형
고승영
김동규
Original Assignee
서울대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020190053725A priority Critical patent/KR102074894B1/ko
Application granted granted Critical
Publication of KR102074894B1 publication Critical patent/KR102074894B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G06Q50/30—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Train Traffic Observation, Control, And Security (AREA)
  • Navigation (AREA)

Abstract

대중교통 이용자의 통행경로 추정 시스템은 승차역, 하차역 및 검표 시간 데이터를 포함하는 교통카드 정보와 열차의 출발 시간, 도착 시간 및 역 데이터를 포함하는 열차 로그 정보를 포함하는 RP(통행행태: Revealed preferences) 데이터를 저장하는 데이터베이스부, 상기 RP 데이터로부터 기초통계량 분석을 통해 통행량이 존재하는 기종점을 추출하고 이로부터 분석 가능한 범위를 설정하여 OD(기종점: Origin and Destination)를 선별하는 OD 선별부, 상기 선별된 OD별로 기종점별 이용자의 통행시간의 분포를 추출하고, 이에 따른 통행시간의 신뢰도 지표를 이용하여 상기 선별된 OD별로 대안 경로의 범위 및 수를 설정하는 경로 계산부, 환승에 대한 제약과 통행 경로상 노드의 개수에 대한 제약조건을 포함하여 상기 대안 경로의 범위내의 OD별 대안 경로를 생성하는 경로 생성부, 상기 대안 경로의 수를 기준으로 상기 OD별 대안 경로 중 단일경로인 기종점에 대하여 탑승 열차를 추정하는 단일경로 접근시간 추정부, 상기 추정된 탑승 열차로부터 역별 접근시간 및 환승시간의 누적분포함수를 생성하는 단일경로 환승시간 분포 추정부 및 상기 누적분포함수를 이용하여 상기 OD별 대안 경로에 대한 이용자별 탑승 열차를 추정하는 통행 경로 추정부를 포함한다.

Description

대중교통 이용자의 통행경로 추정방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템 {Estimation Method for Traveled Routes of Transit Users, and Its Program Implementation and Performance System}
본 발명은 대중교통 이용자의 통행경로 추정방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템에 관한 것으로, 보다 상세하게는 교통카드 데이터와 실시간 열차 로그 데이터를 활용하여 이용자의 대중교통 통행경로를 추정하는대중교통 이용자의 통행경로 추정방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템에 관한 것이다.
대중교통이란 여러 사람이 한꺼번에 이동할 수 있는 이동 수단으로, 대표적으로 지하철이 있다. 지하철이란 전기에서 구동력을 얻어 움직이는 전기 철도로 지하에 위치하며, 대도시 에서는 매우 중요한 대중교통 수단이다. 대도시의 지하철은 다수의 노선이 운영되며 노선 간의 이동은 환승 시스템을 사용하고 있다. 최근에는 지하철 검표를 위하여 자동 개표 시스템이 도입되었으며, 충전식 교통카드 및 후불식 교통카드가 주로 사용되고, 교통카드는 이용자의 승차역 및 하차역 정보를 기록한다.
대중교통 통행경로의 추정은 대중교통 운영 및 이용자 편의성 제고 측면에서 매우 중요한 이슈이다. 특히, 운임 정산, 수단 분담율, 경로기반 정보 제공의 사용으로 인해 그 필요성이 절실히 요구되어왔다. 기존의 대중교통 통행경로 추정 방법으로는 OD(Origin and Destination)접근방법 및 PA(Production Attraction)접근방법이 있으며, OD접근방법이란 승차 및 하차역 정보를 이용하여 모든 통행이 출발지점과 도착지점을 항상 동시에 가지고 있다고 가정하고 기종점간 통행량을 조사하는 방법이고, PA접근방법이란 통행생성존을 이용하여 기종점간 통행량을 조사하는 방법이다.
이러한 OD접근방법 및 PA접근방법을 이용하여 대중교통 통행경로를 추정하기 위해서는 출발지점과 도착지점을 포함하는 교통정보 데이터가 필요하며 교통정보 데이터의 종류로는 실제 통행행태 데이터인(RP: Revealed preferences) 와 통행선호 데이터인(SP: stated preferences)가 있다. 이러한 RP 데이터 및 SP 데이터는 현재의 지하철 교통카드 시스템을 이용하여 추출되므로 교통카드 시스템에서 제공하는 이용자의 승차 및 하차역 정보만을 기록하기 때문에 탑승열차와 환승정보에 대한 파악이 어려워 정확한 지하철의 통행경로 추정에 어려움이 있었다.
한국공개특허공보 제10-2014-0142804호(2014.12.15)
이에 본 발명의 기술적 과제는 이러한 점에서 착안된 것으로, 본 발명의 목적은 교통카드 데이터와 실시간 열차 로그 데이터를 활용하여 지하철 내부경로 및 이용자의 대중교통 통행경로를 추정하고, 열차의 재차인원 및 혼잡도를 시간대별 및 구간별로 추정하는 대중교통 이용자의 통행경로 추정방법을 제공하는 것이다.
또한 본 발명의 다른 목적은 교통카드 데이터와 실시간 열차 로그 데이터를 활용하여 지하철 내부경로 및 이용자의 대중교통 통행경로를 추정하고, 열차의 재차인원 및 혼잡도를 시간대별 및 구간별로 추정하는 대중교통 이용자의 통행경로 추정방법을 구현하는 컴퓨터 프로그램을 제공하는 것이다.
또한 본 발명의 다른 목적은 교통카드 데이터와 실시간 열차 로그 데이터를 활용하여 지하철 내부경로 및 이용자의 대중교통 통행경로를 추정하고, 열차의 재차인원 및 혼잡도를 시간대별 및 구간별로 추정하는 대중교통 이용자의 통행경로 추정 시스템을 제공하는 것이다.
상기한 본 발명의 목적을 실현하기 위한 대중교통 통행경로 추정 시스템은 승차역, 하차역 및 검표 시간 데이터를 포함하는 교통카드 정보와 열차의 출발 시간, 도착 시간 및 역 데이터를 포함하는 열차 로그 정보를 포함하는 RP(통행행태: Revealed preferences) 데이터를 저장하는 데이터베이스부, 상기 RP 데이터로부터 기초통계량 분석을 통해 통행량이 존재하는 기종점을 추출하고 이로부터 분석 가능한 범위를 설정하여 OD(기종점: Origin and Destination)를 선별하는 OD 선별부, 상기 선별된 OD별로 기종점별 이용자의 통행시간의 분포를 추출하고, 이에 따른 통행시간의 신뢰도 지표를 이용하여 상기 선별된 OD별로 대안 경로의 범위 및 수를 설정하는 경로 계산부, 환승에 대한 제약과 통행 경로상 노드의 개수에 대한 제약조건을 포함하여 상기 대안 경로의 범위내의 OD별 대안 경로를 생성하는 경로 생성부, 상기 대안 경로의 수를 기준으로 상기 OD별 대안 경로 중 단일경로인 기종점에 대하여 탑승 열차를 추정하는 단일경로 접근시간 추정부, 상기 추정된 탑승 열차로부터 역별 접근시간 및 환승시간의 누적분포함수를 생성하는 단일경로 환승시간 분포 추정부 및 상기 누적분포함수를 이용하여 상기 OD별 대안 경로에 대한 이용자별 탑승 열차를 추정하고 이를 이용하여 이용자들의 통행경로를 추정하는 통행경로 추정부를 포함한다.
본 발명의 일 실시예에 있어서, 상기 신뢰도 지표는 통행자가 기대하는 통행시간과 실제 통행시간과의 차이이며 상기 통행시간의 불확실성을 나타내는 값일 수 있다
본 발명의 일 실시예에 있어서, 상기 신뢰도 지표는 완충시간으로부터 계산된 값이고, 상기 완충시간은 다음의 수학식으로 정의될 수 있다.
Figure 112019046947699-pat00001
여기서,
Figure 112019046947699-pat00002
는 완충시간(Buffer time)이고,
Figure 112019046947699-pat00003
는 상위 p% 통행률이고,
Figure 112019046947699-pat00004
는 상기 통행률의 중앙값 혹은 평균값임.
본 발명의 일 실시예에 있어서, 상기 통행시간은 승차접근시간, 하차접근시간, 환승시간 및 차내시간일 수 있다.
본 발명의 일 실시예에 있어서, 상기 차내시간은 상기 열차 로그 데이터로부터 추정될 수 있다.
본 발명의 일 실시예에 있어서, 상기 통행 경로 추정부는 상기 OD별 대안 경로별로 상기 통행시간에 대한 값을 상기 누적분포함수에 대입하여 확률적으로 탑승열차를 배정할 수 있다.
본 발명의 일 실시예에 있어서, 상기 누적분포함수는 다음의 수학식으로 정의될 수 있다.
Figure 112019046947699-pat00005
여기서,
Figure 112019046947699-pat00006
는 확률변수
Figure 112019046947699-pat00007
에 대한 누적분포함수이고,
Figure 112019046947699-pat00008
는 접근시간에 대한 확률값(%)이고,
Figure 112019046947699-pat00009
는 계산된 접근시간임.
본 발명의 일 실시예에 있어서, 상기 누적분포함수는 상기 확률변수가 특정한 구간에 속하는 확률값이고, 상기 확률값은 다음의 수학식으로 정의될 수 있다.
Figure 112019046947699-pat00010
여기서,
Figure 112019046947699-pat00011
는 특정한 구간(a,b)에 대한 확률값(%)이고,
Figure 112019046947699-pat00012
는 최소통행시간(통행시간 구간의 시작점)이고,
Figure 112019046947699-pat00013
는 최대 통행시간(통행시간 구간의 끝점)임.
본 발명의 일 실시예에 있어서, 상기 누적분포함수는 최빈값에서 최고 확률이 나타나는 누적분포함수이고, 상기 누적분포함수는 다음의 수학식으로 정의될 수 있다.
Figure 112019046947699-pat00014
여기서,
Figure 112019046947699-pat00015
는 통행시간 확률변수
Figure 112019046947699-pat00016
에 대한 누적분포함수이고,
Figure 112019046947699-pat00017
은 접근시간에 대한 확률값(%)이고,
Figure 112019046947699-pat00018
는 계산된 접근시간임.
상기한 본 발명의 목적을 실현하기 위한 대중교통 통행경로 추정 시스템은 데이터베이스부에 저장된 승차역, 하차역 및 검표 시간 데이터를 포함하는 교통카드 정보와 열차의 출발 시간, 도착 시간 및 역 데이터를 포함하는 열차 로그 정보를 포함하는 RP(통행행태: Revealed preferences) 데이터로부터 OD 선별부가 기초통계량 분석을 통해 통행량이 존재하는 기종점을 추출하고 이로부터 분석 가능한 범위를 설정하여 OD(기종점: Origin and Destination)를 선별하는 통행량 존재 OD 선별 단계, 경로 계산부가 상기 선별된 OD별로 기종점별 이용자의 통행시간의 분포를 추출하고, 이에 따른 통행시간의 신뢰도 지표를 이용하여 상기 선별된 OD별로 대안 경로의 범위 및 수를 설정하는 OD별 통행경로 수 분석 단계, 단일경로 접근시간 추정부가 상기 대안 경로의 수를 기준으로 상기 OD별 대안 경로 중 단일경로인 기종점에 대하여 탑승 열차를 추정하는 경로 생성 단계, 단일경로 접근시간 추정부가 상기 대안 경로의 수를 기준으로 상기 OD별 대안 경로 중 단일경로인 기종점에 대하여 탑승 열차를 추정하는 단일경로 기종점 대상 접근시간 분포 추정 단계, 단일경로 환승시간 분포 추정부가 상기 추정된 탑승 열차로부터 역별 접근시간 및 환승시간의 누적분포함수를 생성하는 단일경로 기종점 대상 환승시간 분포 추정 단계 및 통행 경로 추정부가 상기 누적분포함수를 이용하여 상기 OD별 대안 경로에 대한 이용자별 탑승 열차를 추정하는 다중경로 기종점 대상 통행 경로 추정 단계를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 신뢰도 지표는 통행자가 기대하는 통행시간과 실제 통행시간과의 차이이며 상기 통행시간의 불확실성을 나타내는 값일 수 있다.
본 발명의 일 실시예에 있어서, 상기 신뢰도 지표는 완충시간으로부터 계산된 값이고, 상기 완충시간은 다음의 수학식으로 정의될 수 있다.
Figure 112019046947699-pat00019
여기서,
Figure 112019046947699-pat00020
는 완충시간(Buffer time)이고,
Figure 112019046947699-pat00021
는 상위 p% 통행률이고,
Figure 112019046947699-pat00022
는 상기 통행률의 중앙값 혹은 평균값임.
본 발명의 일 실시예에 있어서, 상기 통행시간은 승차접근시간, 하차접근시간, 환승시간 및 차내시간일 수 있다.
본 발명의 일 실시예에 있어서, 상기 OD별 통행경로 수 분석 단계는 상기 열차 로그 데이터로부터 상기 차내시간을 추정하는 단계를 포함할 수 있다.
본 발명의 일 실시예에 있어서, 상기 다중경로 기종점 대상 통행 경로 추정 단계에서는 상기 OD별 대안 경로별로 상기 통행시간에 대한 값을 상기 누적분포함수에 대입하여 확률적으로 탑승열차를 배정할 수 있다.
본 발명의 일 실시예에 있어서, 상기 누적분포함수는 다음의 수학식으로 정의될 수 있다.
Figure 112019046947699-pat00023
여기서,
Figure 112019046947699-pat00024
는 확률변수
Figure 112019046947699-pat00025
에 대한 누적분포함수이고,
Figure 112019046947699-pat00026
는 접근시간에 대한 확률값(%)이고,
Figure 112019046947699-pat00027
는 계산된 접근시간임.
본 발명의 일 실시예에 있어서, 상기 누적분포함수는 상기 확률변수가 특정한 구간에 속하는 확률값이고, 상기 확률값은 다음의 수학식으로 정의될 수 있다.
Figure 112019046947699-pat00028
여기서,
Figure 112019046947699-pat00029
는 특정한 구간(a,b)에 대한 확률값(%)이고,
Figure 112019046947699-pat00030
는 최소통행시간(통행시간 구간의 시작점)이고,
Figure 112019046947699-pat00031
는 최대 통행시간(통행시간 구간의 끝점)임.
본 발명의 일 실시예에 있어서, 상기 누적분포함수는 최빈값에서 최고 확률이 나타나는 누적분포함수이고, 상기 누적분포함수는 다음의 수학식으로 정의될 수 있다.
Figure 112019046947699-pat00032
여기서,
Figure 112019046947699-pat00033
는 통행시간 확률변수
Figure 112019046947699-pat00034
에 대한 누적분포함수이고,
Figure 112019046947699-pat00035
은 접근시간에 대한 확률값(%)이고,
Figure 112019046947699-pat00036
는 계산된 접근시간임.
상기한 본 발명의 목적을 실현하기 위한 정보처리장치의 프로세서에 의해 수행되는 컴퓨터가 판독가능한 기록매체에 저장된 컴퓨터 프로그램은 상기 대중교통 통행경로 추정 방법을 포함한다.
본 발명의 실시예들에 따르면, 대중교통 통행경로 추정 방법, 대중교통 통행경로 추정 방법을 구현하는 컴퓨터 프로그램 및 대중교통 통행경로 추정 시스템은 데이터베이스부, OD 선별부, 경로 계산부, 단일경로 접근시간 추정부, 단일경로 환승시간 분포 추정부 및 통행경로 추정부를 포함한다. 따라서, RP 데이터로부터 이용자의 지하철 통행경로를 확률적으로 추정할 수 있다.
또한, 지하철 내부경로 및 이용자의 대중교통 통행경로를 추정하고, 열차의 재차인원 및 혼잡도를 시간대별 및 구간별로 추정할 수 있으며, 이로 인해 혼잡도 기반 대안 경로를 확인할 수 있어 대중교통 운영 효율 향상에 기여할 수 있고, 대중교통 이용 편의성을 높일 수 있으며, 배차 간격 조정을 최적화할 수 있다.
도 1은 본 발명의 일 실시예에 따른 대중교통 통행경로 추정 시스템을 나타내는 구성도이다.
도 2는 본 발명의 일 실시예에 따른 대중교통 통행경로 추정 방법을 나타내는 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 대중교통 통행경로 추정 방법의 차내시간을 추정하는 단계를 나타내는 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 대중교통 통행경로 추정 방법 및 시스템의 누적분포함수 적용예를 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따른 대중교통 통행경로 추정 방법 및 시스템의 (a)경로별 확률밀도함수 분포 및 (b)경로별 누적분포함수 분포의 예시를 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 대중교통 통행경로 추정 방법 및 시스템의 통행가능 경로예를 나타내는 도면이다.
도 7은 본 발명의 일 실시예에 따른 대중교통 통행경로 추정 방법 및 시스템의 통행 시간 분포예를 나타내는 도면이다.
도 8은 본 발명의 일 실시예에 따른 대중교통 통행경로 추정 방법 및 시스템의 통행 시간 분포예를 나타내는 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는 바, 실시예들을 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다.
상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.
본 출원에서, "포함하다" 또는 "이루어진다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 대중교통 통행경로 추정 시스템을 나타내는 구성도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 통행경로 추정 시스템은 데이터베이스부(100), OD 선별부(200), 경로 계산부(300), 단일경로 접근시간 추정부(400), 단일경로 환승시간 분포 추정부(500) 및 통행경로 추정부(600)를 포함한다.
상기 데이터베이스부(100)는 RP(통행행태: Revealed preferences) 데이터를 저장할 수 있다. 상기 RP 데이터는 교통카드 정보 및 열차 로그 정보를 포함할 수 있다. 상기 교통카드 정보는 승차역, 하차역 및 검표 시간 데이터를 포함하는 교통카드 정보를 포함할 수 있다. 상기 열차 로그 정보는 열차의 출발 시간, 도착 시간 및 역 데이터를 포함하는 열차 로그 정보를 포함할 수 있다. 예를 들면, 상기 교통카드는 스마트 카드, T머니 카드, 후불 교통카드, NFC를 이용한 교통카드 및 지역별 교통카드를 포함하는 다양한 교통카드일 수 있다.
상기 OD 선별부(200)는 상기 RP 데이터로부터 기초통계량 분석을 통해 통행량이 존재하는 기종점을 추출할 수 있다. 상기 OD 선별부(200)는 상기 추출된 기종점으로부터 분석 가능한 범위를 설정하여 OD(기종점: Origin and Destination)를 선별할 수 있다.
상기 경로 계산부(300)는 상기 선별된 OD별로 기종점별 이용자의 통행시간의 분포를 추출할 수 있다. 상기 경로 계산부(300)는 상기 통행시간의 분포에 따른 통행시간의 신뢰도 지표를 이용하여 상기 선별된 OD별로 대안 경로의 범위 및 수를 설정할 수 있다. 상기 경로 계산부(300)는 상기 열차 로그 데이터로부터 상기 차내시간을 추정할 수 있다.
상기 통행시간은 승차접근시간, 하차접근시간, 환승시간 및 차내시간일 수 있다. 상기 승차접근시간은 상기 선별된 OD별로 기점에서 탑승가능한 열차 중 상기 승차역의 검표시간에 가장 인접한 열차의 접근시간과 기점이되는 역사의 출입 시간과의 차이일 수 있다. 예를 들면, 카드리더기에 교통카드를 접촉한 시간과 바로 오는 열차도착 시간의 차이일 수 있다. 상기 하차접근시간은 상기 선별된 OD별로 종점에서 하차한 열차의 도착시간에서 교통카드를 접촉하는데까지 걸리는 시간일 수 있다. 상기 환승시간은 상기 선별된 OD별로 환승기점에서 탑승가능한 열차 중 상기 환승역의 검표시간에 가장 인접한 열차의 접근시간일 수 있다. 예를 들면, A열차에서 B열차로 환숭한 경우, A열차와 B열차간의 도착시간 차이일 수 있다. 상기 차내시간은 최초 출발지와 최종 도착지까지 열차 내부에 머문시간일 수 있다.
상기 차내시간은 상기 열차 로그 데이터로부터 추정될 수 있다.
상기 신뢰도 지표는 통행자가 기대하는 통행시간과 실제 통행시간과의 차이이며 상기 통행시간의 불확실성을 나타내는 값일 수 있다. 상기 신뢰도 지표는 상기 선별된 OD에서 대안 경로의 범위 설정의 기준으로 이용될 수 있다. 상기 OD 선별부(200)에서 상기 OD가 선별되면 상기 경로 계산부(300)에서는 어떤 경로가 실제 대안 경로에 포함되는지 그 범위를 설정할 수 있다. 예를 들면, 1정거장 차이의 기종점을 통행하더라도 경로는 무한하게 생성되기 때문에 합리적인 경로만 선별하는 작업이 필요하며, 이를 선별하지 않고 생성되는 모든 경로를 활용한다면 이용자의 통행 경로 추정 과정에서 연산의 비효율이 발생할 수 있고, 이상치에 속하는 통행을 경로에 배정하는 등 결과의 편향이 발생할 수 있다. 따라서, 기종점별 경로 대안 수를 설정하는 문제는 통행 경로 추정에서 핵심적인 요소일 수 있다.
상기 신뢰도 지표는 통행시간의 불확실성을 나타내는 값으로 통행자가 기대하는 통행시간과 실제 통행시간과의 차이를 포함할 수 있다. 예를 들면, 도시·광역철도 네트워크에서 특정 기종점을 통행하는 이용자의 기대 통행시간을 최단 경로의 통행시간으로 가정하여 신뢰도 지표를 이용하여 대안 경로를 포함하는 통행시간의 기준을 설정할 수 있다.
상기 신뢰도 지표는 완충시간으로부터 계산된 값일 수 있다. 상기 완충시간은 정시도착을 위해 필요한 추가시간 또는 여유시간일 수 있다. 상기 완충시간은 통행시간 분포의 상위 % 통행률(travel rate)의 값과 통행률의 평균 혹은 중앙값의 차이일 수 있다. 상기 완충시간은 다음의 수학식 1로 정의될 수 있다.
수학식 1
Figure 112019046947699-pat00037
여기서,
Figure 112019046947699-pat00038
는 완충시간(Buffer time)이고,
Figure 112019046947699-pat00039
는 상위 p% 통행률이고,
Figure 112019046947699-pat00040
는 상기 통행률의 중앙값 혹은 평균값임.
상기 경로 생성부(400)는 환승에 대한 제약과 통행 경로상 노드의 개수에 대한 제약조건을 포함하여 상기 대안 경로의 범위내의 OD별 대안 경로를 생성할 수 있다. 예를 들면, 환승에 대한 제약은 환승횟수를 5회를 초과하지 않도록 할 수 있다. 예를 들면, 통행 경로상 노드의 개수에 대한 제약 조건은 전체 경유하는 노드가 30개를 넘지 않도록 할 수 있다.
상기 단일경로 접근시간 추정부(500)는 상기 대안경로의 수를 기준으로 상기 OD별 대안 경로 중 단일경로인 기종점에 대하여 탑승 열차를 추정할 수 있다. 단일경로인 OD를 추정하는 방법은 신뢰도를 이용한 방법이 사용될 수 있으나, 본 발명은 이를 한정하는 것은 아니고, 단일경로 OD를 추정하는 다양한 방법이 사용될 수 있다. 상기 단일경로 접근시간 추정부(500)는 상기 추정된 단일경로의 OD에 대해서 탑승 열차를 추정할 수 있다. 예를 들면, 단일경로로 판별된 OD에 대해서, 개별 승객의 승차 태그, 하차태그 시간 사이에 이용가능한 열차(로그 데이터)가 1개인 경우에는 해당 열차를 탑승한 것으로 추정할 수 있다. 이때, 환승이 포함된 단일경로의 경우에도 승객의 승차태그, 하차태그 시간 사이에 이용가능한 열차 조합(환승전 및 환승의후 열차)가 하나인 경우는 해당 열차들을 탑승한 것으로 추정할 수 있다.
상기 단일경로 환승시간 분포 추정부(600)는 상기 추정된 탑승 열차로부터 역별 접근시간 및 환승시간의 누적분포함수를 생성할 수 있다. 상기 누적분포함수는 다중경로 기종점을 통행한 이용자의 탑승 열차를 추정할 수 있다. 상기 누적분포함수는 단일경로인 기종점에 대하여 추정된 상기 탑승 열차로부터 역사별 접근시간 및 환승시간을 계산하고, 계산된 값으로 누적분포함수를 생성할 수 있다.
상기 누적분포함수(cummulative distribution function: cdf)는 특정 구간에 대한 확률이므로 분석의 시작점을 모두 음의 무한대(-∞)로 통일하고, 특수한 단순구간사건 형태로서 하나의 값을 활용해서 확률을 추정할 수 있다. 상기 누적분포함수의 독립변수는 구간의 끝점을 의미할 수 있다.
상기 누적분포함수는 다음의 수학식 2로 정의될 수 있다.
수학식 2
Figure 112019046947699-pat00041
여기서,
Figure 112019046947699-pat00042
는 확률변수
Figure 112019046947699-pat00043
에 대한 누적분포함수이고,
Figure 112019046947699-pat00044
는 접근시간에 대한 확률값(%)이고,
Figure 112019046947699-pat00045
는 계산된 접근시간임.
상기 누적분포함수는 상기 확률변수가 특정한 구간에 속하는 확률값이고, 상기 확률값은 다음의 수학식 3으로 정의될 수 있다.
수학식 3
Figure 112019046947699-pat00046
여기서,
Figure 112019046947699-pat00047
는 특정한 구간(a,b)에 대한 확률값(%)이고,
Figure 112019046947699-pat00048
는 최소통행시간(통행시간 구간의 시작점)이고,
Figure 112019046947699-pat00049
는 최대 통행시간(통행시간 구간의 끝점)임.
상기 누적분포함수는 최빈값에서 최고 확률이 나타나는 누적분포함수이고, 상기 누적분포함수는 다음의 수학식 4로 정의될 수 있다.
수학식 4
Figure 112019046947699-pat00050
여기서,
Figure 112019046947699-pat00051
는 통행시간 확률변수
Figure 112019046947699-pat00052
에 대한 누적분포함수이고,
Figure 112019046947699-pat00053
은 접근시간에 대한 확률값(%)이고,
Figure 112019046947699-pat00054
는 계산된 접근시간임.
상기 수학식 4의 누적분포함수는 접근시간에 대한 누적분포함수에 특정한 접근시간x를 대입하는 경우, x가 무한대에 가까울수록 높은 확률이 추정되지만 실제 이용자들 통행행태를 고려하여 확률값이 최빈값에 가까울수록 증가하는 표준화 과정을 포함할 수 있다.
상기 통행경로 추정부(700)는 상기 누적분포함수를 이용하여 상기 OD별 대안 경로에 대한 이용자별 탑승 열차를 추정할 수 있다. 상기 통행경로 추정부(700)는 상기 OD별 대안 경로별로 상기 통행시간에 대한 값을 상기 누적분포함수에 대입하여 확률적으로 탑승열차를 배정할 수 있다. 상기 통행시간은 상기 승차접근시간, 상기 하차접근시간, 상기 환승시간 및 상기 차내시간일 수 있다. 예를 들면, 상기 통행경로 추정부는 지하철 기종점과 이용자별 통행경로를 추정할 수 있다.
상기 단일경로 환승시간 분포 추정부(600)는 상기 단일경로에서 탑승열차가 확인된 승객들의 하차시간, 승차시간, 환승시간의 분포함수인 상기 누적분포함수를 생성하고, 상기 통행경로 추정부(700)는 상기 대안 경로 중 다중경로 또는 탑승열차가 여러개일 수 있는 승객들을 상기 누적분포함수를 이용하여 탑승열차를 추정할 수 있다. 상기 통행경로 추정부(700)는 상기 추정된 이용자별 탑승 열차를 이용하여 이용자들의 통행경로를 추정할 수 있다. 예를 들면, 상기 누적분포함수를 이용한 결과값이 1번 열차를 탈 확률이 80%이고, 2번 열차를 탈 확률이 90%이면, 이용자의 탑승 열차를 2번 열차에 배정하고, 이를 이용자의 통행경로로 추정할 수 있다.
도 2는 본 발명의 일 실시예에 따른 대중교통 통행경로 추정 방법을 나타내는 흐름도이다. 도 3은 본 발명의 일 실시예에 따른 대중교통 통행경로 추정 방법의 차내시간을 추정하는 단계를 나타내는 흐름도이다.
본 실시예에 따른 대중교통 통행경로 추정 방법은 대중교통 통행경로 추정 시스템에서 수행되며, 각 구성이 수행하는 내용과 실질적으로 동일하다. 따라서, 도 1의 대중교통 통행경로 추정 시스템과 동일한 구성요소는 동일한 도면 부호를 부여하고, 반복되는 설명은 생략한다.
도 2 및 도 3을 참조하면, 본 발명의 일 실시예에 따른 대중교통 통행경로 추정 방법은 통행량 존재 OD 선별 단계(S100), OD별 통행경로 수 분석 단계(S200), 경로 생성 단계(S300), 단일경로 기종점 대상 접근시간 분포 추정 단계(S400), 단일경로 기종점 대상 환승시간 분포 추정 단계(S500) 및 다중경로 기종점 대상 통행경로 추정 단계(S600)를 포함한다.
상기 통행량 존재 OD 선별 단계(S100)에서는 데이터베이스부에 저장된 승차역, 하차역 및 검표 시간 데이터를 포함하는 교통카드 정보와 열차의 출발 시간, 도착 시간 및 역 데이터를 포함하는 열차 로그 정보를 포함하는 RP(통행행태: Revealed preferences) 데이터로부터 OD 선별부(200)가 기초통계량 분석을 통해 통행량이 존재하는 기종점을 추출하고 이로부터 분석 가능한 범위를 설정하여 OD(기종점: Origin and Destination)를 선별할 수 있다.
상기 RP(통행행태: Revealed preferences) RP 데이터는 교통카드 정보 및 열차 로그 정보를 포함할 수 있다. 상기 교통카드 정보는 승차역, 하차역 및 검표 시간 데이터를 포함하는 교통카드 정보를 포함할 수 있다. 상기 열차 로그 정보는 열차의 출발 시간, 도착 시간 및 역 데이터를 포함하는 열차 로그 정보를 포함할 수 있다. 예를 들면, 상기 교통카드는 스마트 카드, T머니 카드, 후불 교통카드, NFC를 이용한 교통카드 및 지역별 교통카드를 포함하는 다양한 교통카드일 수 있다.
상기 OD별 통행경로 수 분석 단계(S200)에서는 상기 경로 계산부(300)는 상기 선별된 OD별로 기종점별 이용자의 통행시간의 분포를 추출할 수 있다. 상기 경로 계산부(300)는 상기 통행시간의 분포에 따른 통행시간의 신뢰도 지표를 이용하여 상기 선별된 OD별로 대안 경로의 범위 및 수를 설정할 수 있다.
상기 OD별 통행경로 수 분석 단계(S200)는 차내시간을 추정하는 단계(S210)를 포함할 수 있다. 상기 차내시간을 추정하는 단계(S210)에서는 상기 경로 계산부(300)는 상기 열차 로그 데이터로부터 상기 차내시간을 추정할 수 있다.
상기 통행시간은 승차접근시간, 하차접근시간, 환승시간 및 차내시간 일 수 있다. 상기 승차접근시간은 상기 선별된 OD별로 기점에서 탑승가능한 열차 중 상기 승차역의 검표시간에 가장 인접한 열차의 접근시간과 기점이되는 역사의 출입 시간과의 차이일 수 있다. 예를 들면, 카드리더기에 교통카드를 접촉한 시간과 바로 오는 열차도착 시간의 차이일 수 있다. 상기 하차접근시간은 상기 선별된 OD별로 종점에서 하차한 열차의 도착시간에서 교통카드를 접촉하는데까지 걸리는 시간일 수 있다. 상기 환승시간은 상기 선별된 OD별로 환승기점에서 탑승가능한 열차 중 상기 환승역의 검표시간에 가장 인접한 열차의 접근시간일 수 있다. 예를 들면, A열차에서 B열차로 환숭한 경우, A열차와 B열차간의 도착시간 차이일 수 있다. 상기 차내시간은 최초 출발지와 최종 도착지까지 열차 내부에 머문시간일 수 있다.
상기 신뢰도 지표는 통행자가 기대하는 통행시간과 실제 통행시간과의 차이이며 상기 통행시간의 불확실성을 나타내는 값일 수 있다. 상기 신뢰도 지표는 상기 선별된 OD에서 대안 경로의 범위 설정의 기준으로 이용될 수 있다. 상기 OD별 통행경로 수 분석 단계(S200)에서는 상기 OD가 선별되면 어떤 경로가 실제 대안 경로에 포함되는지 그 범위를 설정할 수 있다. 예를 들면, 1정거장 차이의 기종점을 통행하더라도 경로는 무한하게 생성되기 때문에 합리적인 경로만 선별하는 작업이 필요하며, 이를 선별하지 않고 생성되는 모든 경로를 활용한다면 이용자의 통행 경로 추정 과정에서 연산의 비효율이 발생할 수 있고, 이상치에 속하는 통행을 경로에 배정하는 등 결과의 편향이 발생할 수 있다. 따라서, 기종점별 경로 대안 수를 설정하는 문제는 통행 경로 추정에서 핵심적인 요소일 수 있다.
상기 신뢰도 지표는 통행시간의 불확실성을 나타내는 값으로 통행자가 기대하는 통행시간과 실제 통행시간과의 차이를 포함할 수 있다. 예를 들면, 도시·광역철도 네트워크에서 특정 기종점을 통행하는 이용자의 기대 통행시간을 최단 경로의 통행시간으로 가정하여 신뢰도 지표를 이용하여 대안 경로를 포함하는 통행시간의 기준을 설정할 수 있다.
상기 신뢰도 지표는 완충시간으로부터 계산된 값일 수 있다. 상기 완충시간은 정시도착을 위해 필요한 추가시간 또는 여유시간일 수 있다. 상기 완충시간은 통행시간 분포의 상위 % 통행률(travel rate)의 값과 통행률의 평균 혹은 중앙값의 차이일 수 있다. 상기 완충시간은 상기 수학식 1로 정의될 수 있다.
상기 경로 생성 단계(S300)에서는 상기 경로 생성부(400)는 환승에 대한 제약과 통행 경로상 노드의 개수에 대한 제약조건을 포함하여 상기 대안 경로의 범위내의 OD별 대안 경로를 생성할 수 있다. 예를 들면, 환승에 대한 제약은 환승횟수를 5회를 초과하지 않도록 할 수 있다. 예를 들면, 통행 경로상 노드의 개수에 대한 제약 조건은 전체 경유하는 노드가 30개를 넘지 않도록 할 수 있다.
상기 단일경로 기종점 대상 접근시간 분포 추정 단계(S400)에서는 상기 단일경로 접근시간 추정부(500)는 상기 대안 경로의 수를 기준으로 상기 OD별 대안 경로 중 단일경로인 기종점에 대하여 탑승 열차를 추정할 수 있다. 단일경로인 OD를 추정하는 방법은 신뢰도를 이용한 방법이 사용될 수 있으나, 본 발명은 이를 한정하는 것은 아니고, 단일경로 OD를 추정하는 다양한 방법이 사용될 수 있다. 상기 단일경로 기종점 대상 접근시간 분포 추정 단계(S400)에서는 상기 단일경로 접근시간 추정부(500)는 상기 추정된 단일경로의 OD에 대해서 탑승 열차를 추정할 수 있다. 예를 들면, 단일경로로 판별된 OD에 대해서, 개별 승객의 승차 태그, 하차태그 시간 사이에 이용가능한 열차(로그 데이터)가 1개인 경우에는 해당 열차를 탑승한 것으로 추정할 수 있다. 이때, 환승이 포함된 단일경로의 경우에도 승객의 승차태그, 하차태그 시간 사이에 이용가능한 열차 조합(환승전 및 환승의후 열차)가 하나인 경우는 해당 열차들을 탑승한 것으로 추정할 수 있다.
상기 단일경로 기종점 대상 환승시간 분포 추정 단계(S500)에서는 상기 단일경로 환승시간 분포 추정부(600)는 상기 추정된 탑승 열차로부터 역별 접근시간 및 환승시간의 누적분포함수를 생성할 수 있다. 상기 누적분포함수는 다중경로 기종점을 통행한 이용자의 탑승 열차를 추정할 수 있다. 상기 누적분포함수는 단일경로인 기종점에 대하여 추정된 상기 탑승 열차로부터 역사별 접근시간 및 환승시간을 계산하고, 계산된 값으로 누적분포함수를 생성할 수 있다.
상기 누적분포함수(cummulative distribution function: cdf)는 특정 구간에 대한 확률이므로 분석의 시작점을 모두 음의 무한대(-∞)로 통일하고, 특수한 단순구간사건 형태로서 하나의 값을 활용해서 확률을 추정할 수 있다. 상기 누적분포함수의 독립변수는 구간의 끝점을 의미할 수 있다.
상기 누적분포함수는 상기 수학식 2로 정의될 수 있다.
상기 누적분포함수는 상기 확률변수가 특정한 구간에 속하는 확률값이고, 상기 확률값은 상기 수학식 3으로 정의될 수 있다.
상기 누적분포함수는 최빈값에서 최고 확률이 나타나는 누적분포함수이고, 상기 누적분포함수는 상기 수학식 4로 정의될 수 있다.
상기 수학식 4의 누적분포함수는 접근시간에 대한 누적분포함수에 특정한 접근시간x를 대입하는 경우, x가 무한대에 가까울수록 높은 확률이 추정되지만 실제 이용자들 통행행태를 고려하여 확률값이 최빈값에 가까울수록 증가하는 표준화 과정을 포함할 수 있다.
상기 다중경로 기종점 대상 통행경로 추정 단계(S600)에서는 상기 통행경로 추정부(700)는 상기 누적분포함수를 이용하여 상기 OD별 대안 경로에 대한 이용자별 탑승 열차를 추정할 수 있다. 상기 통행경로 추정부(700)는 상기 OD별 대안 경로별로 상기 통행시간에 대한 값을 상기 누적분포함수에 대입하여 확률적으로 탑승열차를 배정할 수 있다. 상기 통행시간은 상기 승차접근시간, 상기 하차접근시간, 상기 환승시간 및 상기 차내시간일 수 있다. 예를 들면, 상기 통행경로 추정부는 지하철 기종점과 이용자별 통행경로를 추정할 수 있다.
상기 단일경로 기종점 대상 환승시간 분포 추정 단계(S500)에서는 상기 단일경로 환승시간 분포 추정부(600)가 상기 단일경로에서 탑승열차가 확인된 승객들의 하차시간, 승차시간, 환승시간의 분포함수인 상기 누적분포함수를 생성하고, 상기 다중경로 기종점 대상 통행경로 추정 단계(S600)에서는 상기 통행경로 추정부(700)가 상기 대안 경로 중 다중경로 또는 탑승열차가 여러개일 수 있는 승객들을 상기 누적분포함수를 이용하여 탑승열차를 추정할 수 있다. 상기 통행경로 추정부(700)는 상기 추정된 이용자별 탑승 열차를 이용하여 이용자들의 통행경로를 추정할 수 있다. 예를 들면, 상기 누적분포함수를 이용한 결과값이 1번 열차를 탈 확률이 80%이고, 2번 열차를 탈 확률이 90%이면, 이용자의 탑승 열차를 2번 열차에 배정하고, 이를 이용자의 통행경로로 추정할 수 있다.
본 실시예에 따른 정보처리장치의 프로세서에 의해 수행되는 컴퓨터가 판독가능한 기록매체에 저장된 컴퓨터 프로그램은 상기 대중교통 통행경로 추정 방법의 각 단계의 수행 주체가 정보처리장치의 프로세서인 점과 카테고리만 상이할 뿐 도 2의 대중교통 통행경로 추정 방법과 실질적으로 동일하다. 따라서, 도 2의 대중교통 통행경로 추정 방법과 동일한 단계는 동일한 도면 부호를 부여하고, 반복되는 설명은 생략하며, 각 단계의 수행주체인 정보처리장치의 프로세서만을 추가 기술한다.
상기 정보처리장치는 서버 컴퓨터, 데스크톱 컴퓨터(personal computer, PC), 태블릿 PC, 노트북 PC, 스마트폰, 휴대폰, 네비게이션 단말기, PDA(personal digital assistant) 등과 같은 임의의 전자장치의 하나 또는 그 이상의 조합일 수 있다. 상기 정보처리장치는 다양한 형태로 데이터를 처리할 수 있으며, 프로세서, 메인 메모리 및 보조저장장치를 포함할 수 있다.
상기 프로세서는 중앙처리장치(central processing unit, CPU), 그래픽 처리 장치(graphic processing unit, GPU) 등과 같은 고속의 프로세싱 장치를 포함할 수 있다. 상기 메인 메모리는 랜덤 액세스 메모리(RAM) 등과 같은 휘발성 메모리를 포함할 수 있다. 상기 보조저장장치는, 예컨대, 하드디스크 드라이브(hard disk drive, HDD), 솔리드 스테이트 드라이브(solid state drive, SSD)등과 같은 비휘발성 저장매체를 포함할 수 있다.
상기 정보처리장치의 프로세서는, 상기 메인 메모리 및/또는 보조저장장치에 기록되거나 적재된 컴퓨터 프로그램을 실행하도록 구성될 수 있다. 상기 컴퓨터 프로그램은 상기 정보처리장치의 내부 또는 외부에 설치된 비일시적인 컴퓨터 독출가능 매체에 저장된 것일 수 있다. 상기 컴퓨터 프로그램은 예를 들어, RAM에 적재되고, 실행 시, 프로세서에 의해 실행될 수 있다.
상기 컴퓨터 독출가능 매체는 읽기 전용 메모리(read only memory, ROM), 콤팩트 디스크(compact disc, CD), 디지털 다기능 디스크(digital versatile disc, DVD), HDD, SSD, 자기 디스크, 자기 테이프, 자기-광학 디스크 등과 같은 임의의 기록매체일 수 있다. 상기 컴퓨터 프로그램은 일련의 프로세스를 구현하기 위한 하나 이상의 서브루틴, 함수, 모듈, 기능블록 등을 포함할 수 있다.
상기 대중교통 통행경로 추정 방법, 상기 대중교통 통행경로 추정 방법을 구현하는 컴퓨터 프로그램 및 상기 대중교통 통행경로 추정 시스템의 일 실시예를 특정 기종점을 예를 들어 설명하면 다음과 같다. 예를 들면, 도 4와 같이 당산역과 삼성역을 기종점으로 하는 단일경로를 OD로 선별하고, 개별통행에 대하여 탑승열차를 추정하여 삼성역에서 태그인/아웃한 시각과 탑승한 열차의 출발/도착시각 간의 차이를 계산하여 역별 접근시간 누적분포함수를 생성할 수 있고, 도 5와 같이 상기 승차접근시간을 누적분포함수에 대입하여 이에 따라서 경로를 추정할 수 있다. 예를 들면, 도 4와 같이 두개의 경로에 대한 누적분포함수의 결과값으로부터 30%의 누적분포함수 값보다 더 높은 83.5%의 누적분포함수 값을 갖는 경로 1을 통행한 것으로 추정할 수 있다. 또한 경로 1의 탑승 열차를 추정할 수 있다. 또한, 도 6과 같이 기종점 별로 통행 가능 경로를 추정할 수 있으며, 상기 통행 가능 경로별로 통행시간 분포를 추출할 수 있다.
본 발명의 실시예들에 따르면, 상기 대중교통 통행경로 추정 방법을 구현하는 컴퓨터 프로그램 및 상기 대중교통 통행경로 추정 시스템은 지하철 노선 또는 차량의 혼잡 정보를 추정하는데 이용될 수 있으며, 혼잡도 기반 대안 경로를 추천함으로써 지하철 운영 효율과 이용 편의를 제고하는 효과를 발생시킬 수 있다. 지하철 내부경로 추정을 통하여 열차의 재차인원 및 혼잡도를 시간대별·구간별로 추정하므로 이와 같이 추정된 혼잡도 정보를 이용자들에게 제공한다면, 이용자들이 혼잡을 회피하도록 유도함으로써 혼잡 구간의 수요를 분산하는 효과를 발생시킬 수 있다.
또한, 지하철 혼잡도 정보는 배차 최적화에 이용하여 지하철 네트워크의 각 링크에 대해서 시간에 따른 통행량의 변화를 알 수 있다면, 링크별로 해당 링크에 승객이 집중되는 시간대가 언제인지를 알 수 있고, 승객이 집중되는 순간에 해당 링크에 열차가 많이 투입되도록 맞추어 배차함으로써 승객들의 대기시간 및 혼잡을 최소화하는 효과를 발생할 수 있다.
또한, 열차 추정 결과를 활용하여 역별 이용자의 접근시간, 환승 소요 시간 등이 파악되면 역사별 시설물 정밀 데이터를 활용한 이용자 통행시간에 대한 시설물의 영향력 등을 분석할 수 있다. 예를 들면, 가령 계단 수, 에스컬레이터 수, 엘리베이터 수, 보행로 폭, 환승통로 길이, 역사의 층고 등이 이용자의 승하차 플랫폼까지의 접근시간, 환승시간에 미치는 영향을 파악하고, 이를 통해 보행 및 환승편의를 제고할 수 있으며, 고령자, 장애인 등의 교통약자의 이용 환경에 대한 개선 방안 도출과도 연계할 수 있다.
또한, 통행경로 추정이 이루어지면 통행 열차에 대한 정보도 파악할 수 있다. 개별 승객이 탑승한 열차를 추정하여 도시·광역철도 네트워크의 링크별, 구간별, 열차별 통행인원을 파악할 수 있으며, 해당 정보를 활용하여 급행화가 필요한 노선을 선정할 수 있다. 예를 들면, 노선별로 통행열차 수, 역사 수, 통행량 등의 정보를 활용할 수 있으며, 경로 추정 결과를 활용한 혼잡도 정보와 연계하여 노선별 우선순위를 선정할 수 있다. 또한, 공간 분석 등을 활용하여 기종점 기반의 이용자 통행 패턴을 활용한 급행화 노선 선정에도 활용될 수 있다.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 통상의 기술자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
100: 데이터베이스부
200: OD 선별부
300: 경로 계산부
400: 경로 생성부
500: 단일경로 접근시간 추정부
600: 단일경로 환승시간 분포 추정부
700: 통행 경로 추정부

Claims (19)

  1. 승차역, 하차역 및 검표 시간 데이터를 포함하는 교통카드 정보와 열차의 출발 시간, 도착 시간 및 역 데이터를 포함하는 열차 로그 정보를 포함하는 RP(통행행태: Revealed preferences) 데이터를 저장하는 데이터베이스부;
    상기 RP 데이터로부터 기초통계량 분석을 통해 통행량이 존재하는 기종점을 추출하고 이로부터 분석 가능한 범위를 설정하여 OD(기종점: Origin and Destination)를 선별하는 OD 선별부;
    상기 선별된 OD별로 기종점별 이용자의 통행시간의 분포를 추출하고, 이에 따른 통행시간의 신뢰도 지표를 이용하여 상기 선별된 OD별로 대안 경로의 범위 및 수를 설정하는 경로 계산부;
    환승에 대한 제약과 통행 경로상 노드의 개수에 대한 제약조건을 포함하여 상기 대안 경로의 범위내의 OD별 대안 경로를 생성하는 경로 생성부;
    상기 대안 경로의 수를 기준으로 상기 OD별 대안 경로 중 단일경로인 기종점에 대하여 탑승 열차를 추정하는 단일경로 접근시간 추정부;
    상기 추정된 탑승 열차로부터 역별 접근시간 및 환승시간의 누적분포함수를 생성하는 단일경로 환승시간 분포 추정부; 및
    상기 누적분포함수를 이용하여 상기 OD별 대안 경로에 대한 이용자별 탑승 열차를 추정하고 이를 이용하여 이용자들의 통행경로를 추정하는 통행 경로 추정부를 포함하고,
    상기 신뢰기 지표는 통행자가 기대하는 통행시간과 실제 통행시간과의 차이이며 상기 통행시간의 불확실성을 나타내는 값이고,
    상기 신뢰도 지표는 완충시간으로부터 계산된 값이고, 상기 완충시간은 다음의 수학식으로 정의되고,
    Figure 112020500522404-pat00099

    여기서,
    Figure 112020500522404-pat00100
    는 완충시간(Buffer time)이고,
    Figure 112020500522404-pat00101
    는 상위 p% 통행률이고,
    Figure 112020500522404-pat00102
    는 상기 통행률의 중앙값 혹은 평균값임.
    상기 단일경로 접근시간 추정부는 단일경로로 판별된 OD에 대해서, 개별 승객의 승차 태그, 하차태그 시간 사이에 이용가능한 열차(로그 데이터)가 1개인 경우에는 해당 열차를 탑승한 것으로 추정하고, 환승이 포함된 단일경로의 경우에는 승객의 승차태그, 하차태그 시간 사이에 이용가능한 열차 조합(환승 전 및 환승 후 열차)이 하나인 경우는 해당 열차들을 탑승한 것으로 추정하고,
    상기 통행경로 추정부는 상기 OD별 대안 경로별로 상기 통행시간에 대한 값을 상기 누적분포함수에 대입하여 확률적으로 탑승열차를 배정하는 대중교통 이용자의 통행경로 추정 시스템.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서, 상기 통행시간은 승차접근시간, 하차접근시간, 환승시간 및 차내시간인 대중교통 이용자의 통행경로 추정 시스템.
  5. 제4항에 있어서, 상기 차내시간은 상기 열차 로그 데이터로부터 추정되는 대중교통 이용자의 통행경로 추정 시스템.
  6. 제4항에 있어서, 상기 통행 경로 추정부는 상기 OD별 대안 경로별로 상기 통행시간에 대한 값을 상기 누적분포함수에 대입하여 확률적으로 탑승열차를 배정하는 대중교통 이용자의 통행경로 추정 시스템.
  7. 제1항에 있어서, 상기 누적분포함수는 다음의 수학식으로 정의되는 대중교통 이용자의 통행경로 추정 시스템.
    Figure 112019046947699-pat00059

    여기서,
    Figure 112019046947699-pat00060
    는 확률변수
    Figure 112019046947699-pat00061
    에 대한 누적분포함수이고,
    Figure 112019046947699-pat00062
    는 접근시간에 대한 확률값(%)이고,
    Figure 112019046947699-pat00063
    는 계산된 접근시간임.
  8. 제7항에 있어서, 상기 누적분포함수는 상기 확률변수가 특정한 구간에 속하는 확률값이고, 상기 확률값은 다음의 수학식으로 정의되는 대중교통 이용자의 통행경로 추정 시스템.
    Figure 112019110337009-pat00064

    여기서,
    Figure 112019110337009-pat00065
    는 특정한 구간(a,b)에 대한 확률값(%)이고,
    Figure 112019110337009-pat00066
    는 최소통행시간(통행시간 구간의 시작점)이고,
    Figure 112019110337009-pat00067
    는 최대 통행시간(통행시간 구간의 끝점)임.
  9. 제1항에 있어서, 상기 누적분포함수는 최빈값에서 최고 확률이 나타나는 누적분포함수이고, 상기 누적분포함수는 다음의 수학식으로 정의되는 대중교통 이용자의 통행경로 추정 시스템.
    Figure 112019046947699-pat00068

    여기서,
    Figure 112019046947699-pat00069
    는 통행시간 확률변수
    Figure 112019046947699-pat00070
    에 대한 누적분포함수이고,
    Figure 112019046947699-pat00071
    은 접근시간에 대한 확률값(%)이고,
    Figure 112019046947699-pat00072
    는 계산된 접근시간임.
  10. 데이터베이스부에 저장된 승차역, 하차역 및 검표 시간 데이터를 포함하는 교통카드 정보와 열차의 출발 시간, 도착 시간 및 역 데이터를 포함하는 열차 로그 정보를 포함하는 RP(통행행태: Revealed preferences) 데이터로부터 OD 선별부가 기초통계량 분석을 통해 통행량이 존재하는 기종점을 추출하고 이로부터 분석 가능한 범위를 설정하여 OD(기종점: Origin and Destination)를 선별하는 통행량 존재 OD 선별 단계;
    경로 계산부가 상기 선별된 OD별로 기종점별 이용자의 통행시간의 분포를 추출하고, 이에 따른 통행시간의 신뢰도 지표를 이용하여 상기 선별된 OD별로 대안 경로의 범위 및 수를 설정하는 OD별 통행경로 수 분석 단계;
    단일경로 접근시간 추정부가 상기 대안 경로의 수를 기준으로 상기 OD별 대안 경로 중 단일경로인 기종점에 대하여 탑승 열차를 추정하는 경로 생성 단계;
    단일경로 접근시간 추정부가 상기 대안 경로의 수를 기준으로 상기 OD별 대안 경로 중 단일경로인 기종점에 대하여 탑승 열차를 추정하는 단일경로 기종점 대상 접근시간 분포 추정 단계;
    단일경로 환승시간 분포 추정부가 상기 추정된 탑승 열차로부터 역별 접근시간 및 환승시간의 누적분포함수를 생성하는 단일경로 기종점 대상 환승시간 분포 추정 단계; 및
    통행 경로 추정부가 상기 누적분포함수를 이용하여 상기 OD별 대안 경로에 대한 이용자별 탑승 열차를 추정하고, 이를 이용하여 이용자들의 통행경로를 추정하는 다중경로 기종점 대상 통행 경로 추정 단계를 포함하고,
    상기 신뢰도 지표는 통행자가 기대하는 통행시간과 실제 통행시간과의 차이이며 상기 통행시간의 불확실성을 나타내는 값이고,
    상기 신뢰도 지표는 완충시간으로부터 계산된 값이고, 상기 완충시간은 다음의 수학식으로 정의되고,
    Figure 112019110337009-pat00103

    여기서,
    Figure 112019110337009-pat00104
    는 완충시간(Buffer time)이고,
    Figure 112019110337009-pat00105
    는 상위 p% 통행률이고,
    Figure 112019110337009-pat00106
    는 상기 통행률의 중앙값 혹은 평균값임.
    상기 단일경로 접근시간 추정부는 단일경로로 판별된 OD에 대해서, 개별 승객의 승차 태그, 하차태그 시간 사이에 이용가능한 열차(로그 데이터)가 1개인 경우에는 해당 열차를 탑승한 것으로 추정하고, 환승이 포함된 단일경로의 경우에는 승객의 승차태그, 하차태그 시간 사이에 이용가능한 열차 조합(환승 전 및 환승 후 열차)이 하나인 경우는 해당 열차들을 탑승한 것으로 추정하고,
    상기 통행경로 추정부는 상기 OD별 대안 경로별로 상기 통행시간에 대한 값을 상기 누적분포함수에 대입하여 확률적으로 탑승열차를 배정하는 대중교통 이용자의 통행경로 추정 방법.
  11. 삭제
  12. 삭제
  13. 제10항에 있어서, 상기 통행시간은 승차접근시간, 하차접근시간, 환승시간 및 차내시간인 대중교통 이용자의 통행경로 추정 방법.
  14. 제13항에 있어서, 상기 OD별 통행경로 수 분석 단계는 상기 열차 로그 데이터로부터 상기 차내시간을 추정하는 단계를 포함하는 대중교통 이용자의 통행경로 추정 방법.
  15. 제13항에 있어서, 상기 다중경로 기종점 대상 통행 경로 추정 단계에서는 상기 OD별 대안 경로별로 상기 통행시간에 대한 값을 상기 누적분포함수에 대입하여 확률적으로 탑승열차를 배정하는 대중교통 이용자의 통행경로 추정 방법.
  16. 제10항에 있어서, 상기 누적분포함수는 다음의 수학식으로 정의되는 대중교통 이용자의 통행경로 추정 방법.
    Figure 112019046947699-pat00077

    여기서,
    Figure 112019046947699-pat00078
    는 확률변수
    Figure 112019046947699-pat00079
    에 대한 누적분포함수이고,
    Figure 112019046947699-pat00080
    는 접근시간에 대한 확률값(%)이고,
    Figure 112019046947699-pat00081
    는 계산된 접근시간임.
  17. 제16항에 있어서, 상기 누적분포함수는 상기 확률변수가 특정한 구간에 속하는 확률값이고, 상기 확률값은 다음의 수학식으로 정의되는 대중교통 이용자의 통행경로 추정 방법.
    Figure 112019110337009-pat00082

    여기서,
    Figure 112019110337009-pat00083
    는 특정한 구간(a,b)에 대한 확률값(%)이고,
    Figure 112019110337009-pat00084
    는 최소통행시간(통행시간 구간의 시작점)이고,
    Figure 112019110337009-pat00085
    는 최대 통행시간(통행시간 구간의 끝점)임.
  18. 제10항에 있어서, 상기 누적분포함수는 최빈값에서 최고 확률이 나타나는 누적분포함수이고, 상기 누적분포함수는 다음의 수학식으로 정의되는 대중교통 이용자의 통행경로 추정 방법.
    Figure 112019046947699-pat00086

    여기서,
    Figure 112019046947699-pat00087
    는 통행시간 확률변수
    Figure 112019046947699-pat00088
    에 대한 누적분포함수이고,
    Figure 112019046947699-pat00089
    은 접근시간에 대한 확률값(%)이고,
    Figure 112019046947699-pat00090
    는 계산된 접근시간임.
  19. 제10항, 제13항 내지 제18항 중 어느 한 항에 있어서, 상기 대중교통 이용자의 통행경로 추정 방법의 각 단계가 정보처리장치의 프로세서에 의해 수행되는 컴퓨터가 판독가능한 기록매체에 저장된 컴퓨터 프로그램.
KR1020190053725A 2019-05-08 2019-05-08 대중교통 이용자의 통행경로 추정방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템 KR102074894B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190053725A KR102074894B1 (ko) 2019-05-08 2019-05-08 대중교통 이용자의 통행경로 추정방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190053725A KR102074894B1 (ko) 2019-05-08 2019-05-08 대중교통 이용자의 통행경로 추정방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템

Publications (1)

Publication Number Publication Date
KR102074894B1 true KR102074894B1 (ko) 2020-03-18

Family

ID=69999224

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190053725A KR102074894B1 (ko) 2019-05-08 2019-05-08 대중교통 이용자의 통행경로 추정방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템

Country Status (1)

Country Link
KR (1) KR102074894B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220147951A (ko) 2021-04-28 2022-11-04 한국철도기술연구원 대중교통 이용자의 동선 추적 장치 및 방법
KR20230000536A (ko) 2021-06-25 2023-01-03 (주)스마트모빌러티 다기준 의사결정 기반 경로탐색 장치 및 방법

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014096114A (ja) * 2012-11-12 2014-05-22 Fujitsu Ltd 混雑情報出力方法、混雑情報出力装置、及びプログラム
JP2014126500A (ja) * 2012-12-27 2014-07-07 Toyota Motor Corp 旅行時間情報提供装置、旅行時間情報提供方法
KR20140142804A (ko) 2013-06-04 2014-12-15 명지대학교 산학협력단 도시부 및 지역간 통합 복합환승 통행배정방법
KR101582283B1 (ko) * 2014-05-02 2016-01-04 서울대학교 산학협력단 전철 네트워크의 승객 이동경로 추정 방법
JP2017156983A (ja) * 2016-03-02 2017-09-07 株式会社日立製作所 移動経路推定装置、及び移動経路推定方法
JP2018018552A (ja) * 2017-11-01 2018-02-01 富士通株式会社 混雑度出力プログラム、混雑度出力方法及び混雑度出力装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014096114A (ja) * 2012-11-12 2014-05-22 Fujitsu Ltd 混雑情報出力方法、混雑情報出力装置、及びプログラム
JP2014126500A (ja) * 2012-12-27 2014-07-07 Toyota Motor Corp 旅行時間情報提供装置、旅行時間情報提供方法
KR20140142804A (ko) 2013-06-04 2014-12-15 명지대학교 산학협력단 도시부 및 지역간 통합 복합환승 통행배정방법
KR101582283B1 (ko) * 2014-05-02 2016-01-04 서울대학교 산학협력단 전철 네트워크의 승객 이동경로 추정 방법
JP2017156983A (ja) * 2016-03-02 2017-09-07 株式会社日立製作所 移動経路推定装置、及び移動経路推定方法
JP2018018552A (ja) * 2017-11-01 2018-02-01 富士通株式会社 混雑度出力プログラム、混雑度出力方法及び混雑度出力装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220147951A (ko) 2021-04-28 2022-11-04 한국철도기술연구원 대중교통 이용자의 동선 추적 장치 및 방법
KR102541686B1 (ko) * 2021-04-28 2023-06-12 한국철도기술연구원 대중교통 이용자의 동선 추적 장치
KR20230000536A (ko) 2021-06-25 2023-01-03 (주)스마트모빌러티 다기준 의사결정 기반 경로탐색 장치 및 방법

Similar Documents

Publication Publication Date Title
Zhu et al. A probabilistic passenger-to-train assignment model based on automated data
CN104884900B (zh) 行程时间信息提供设备和行程时间信息提供方法
He et al. Estimating the destination of unlinked trips in transit smart card fare data
US20220188725A1 (en) Timetable Creation Apparatus, Timetable Creation Method, and Automatic Train Control System
Liu et al. Dynamic shared autonomous taxi system considering on-time arrival reliability
KR101582283B1 (ko) 전철 네트워크의 승객 이동경로 추정 방법
JP2019008689A (ja) 交通需要予測装置、交通需要予測方法、及び交通需要予測プログラム
CN110942198A (zh) 一种用于轨道交通运营的乘客路径识别方法和系统
Van Den Heuvel et al. Monitoring the performance of the pedestrian transfer function of train stations using automatic fare collection data
KR102074894B1 (ko) 대중교통 이용자의 통행경로 추정방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템
Zhao et al. Isolating high-priority metro and feeder bus transfers using smart card data
Chen et al. Computation on bus delay at stops in Beijing through statistical analysis
Li et al. Using smart card data trimmed by train schedule to analyze metro passenger route choice with synchronous clustering
Sogin et al. Optimizing skip stop service in passenger rail transportation
Fourie et al. Using smartcard data for agent-based transport simulation
KR101595417B1 (ko) 교통카드자료를 활용한 대중교통 통행분석 시스템 및 방법
Fan et al. All‐stop, skip‐stop, or transfer service: an empirical study on preferences of bus passengers
JP6757654B2 (ja) 輸送サービス情報提供装置、及び輸送サービス情報提供方法
Zhou et al. Time prediction model of subway transfer
Song et al. Public transportation service evaluations utilizing seoul transportation card data
Szabó et al. Data-driven simulation and optimization for incident response in urban railway networks
Wischik The price of choice: models, paradoxes, and inference for ‘mobility as a service’
JP5929231B2 (ja) 算出装置、プログラム及び算出方法
WO2024203174A1 (ja) 環境負荷推定装置、環境負荷推定システム及び環境負荷推定方法
JP5768704B2 (ja) タクシー利用者情報出力方法、タクシー利用者情報出力プログラム及びタクシー利用者情報出力装置

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant