KR102373276B1 - 빅데이터 기반의 공공 시설물의 입지 선정 장치 및 방법 - Google Patents

빅데이터 기반의 공공 시설물의 입지 선정 장치 및 방법 Download PDF

Info

Publication number
KR102373276B1
KR102373276B1 KR1020210170770A KR20210170770A KR102373276B1 KR 102373276 B1 KR102373276 B1 KR 102373276B1 KR 1020210170770 A KR1020210170770 A KR 1020210170770A KR 20210170770 A KR20210170770 A KR 20210170770A KR 102373276 B1 KR102373276 B1 KR 102373276B1
Authority
KR
South Korea
Prior art keywords
installation
public facilities
facility
public
location
Prior art date
Application number
KR1020210170770A
Other languages
English (en)
Inventor
한일
Original Assignee
(주)아인스에스엔씨
주식회사 투비스트
한일
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 (주)아인스에스엔씨, 주식회사 투비스트, 한일 filed Critical (주)아인스에스엔씨
Application granted granted Critical
Publication of KR102373276B1 publication Critical patent/KR102373276B1/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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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
    • G06Q50/10—Services
    • G06Q50/16—Real estate

Landscapes

  • Business, Economics & Management (AREA)
  • Tourism & Hospitality (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)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 설치사례 사용 분석 여부에 따라 추가설치 산출모델 또는 설치 매력도 산출 모델을 적용하는 빅데이터 기반의 공공 시설물의 입지 선정 장치 및 방법에 관한 것으로, 공공 시설물의 입지 선정을 위한 분석 공간 선정 정보를 입력받는 분석 공간 선정부, 상기 분석 공간 선정부에서 입력받은 분석 공간에 시설 설치용 데이터 셋을 구축하는 데이터셋 구축부, 설치 사례 활용 여부에 따라 설치 사례 활용시 상기 데이터셋 구축부에서 구축된 데이터셋의 변수들 중 중요 변수를 선정하여 클래스 균형화 작업을 수행하고, 기계 알고리즘을 이용한 시설별 예측 기준값과 현재 설치값의 차이를 산출하는 추가설치 산출모델을 적용 모델로 결정하는 산출모델 결정부, 상기 산출모델 결정부에서 적용 모델로 결정된 추가설치 산출모델에 의해 공공시설별로 공공시설물 설치가 필요한 우선 설치지를 도출하는 설치지 도출부 및 상기 설치지 도출부에서 도출되는 공공시설물 설치가 필요한 입지 도출 결과를 가시적인 데이터로 제공하는 결과 제공부를 포함하는, 빅데이터 기반의 공공 시설물의 입지 선정 장치에 의해 자체별 공공시설물별 설치 사례수와 관계없이 공공시설물별 최적 입지를 산출할 수 있는 방법으로 다양한 지역의 다양한 종류의 공공시설물별 최적 입지를 산출해낼 수 있는 빅데이터 기반의 공공 시설물의 입지 선정 장치 및 방법을 제공할 수 있다.

Description

빅데이터 기반의 공공 시설물의 입지 선정 장치 및 방법{Apparatus and Method for selecting location of Public facilities based on bigdata}
본 발명은 빅데이터 기반의 공공 시설물의 입지 선정 장치 및 방법에 관한 것으로 보다 상세하게는 설치사례 사용 분석 여부에 따라 추가설치 산출모델 또는 설치 매력도 산출 모델을 적용하는 빅데이터 기반의 공공 시설물의 입지 선정 장치 및 방법에 관한 것이다.
도시공공시설은 주민 생활에 필수적인 공공시설을 통칭하며, 그 배치계획은 도시기본계획의 중요한 항목이 된다. 특히 공공서비스 시설의 위치, 규모, 종류, 수 등은 도시생활에서의 삶의 질과 직결된다.
공공시설의 공급수준은 주민의 일상 생활과 경제활동에 직접적인 영향을 미칠 뿐 아니라 주변지역과 도시전체에 영향을 준다. 따라서 공공시설의 입지는 체계적인 기법을 통해 객관적으로 결정되어야할 당위성이 있다.
입지 선정 과정은 입지 인자(준거) 및 이들인자들의 상대적 중요성을 정립하는 단계와, 이를 바탕으로 시설이 입지할 대상지(site)에 대한 분석 및 평가를 통해 부적합한 후보지를 탈락시켜 최적입지를 선정하는 과정을 포함한다.
입지 선정 인자는 시설 유형에 따라 상이하지만 대체로 접근성 인자, 법제적 인자, 사회경제적 인자, 환경적 인자등으로 나뉘어진다. 선행실증연구에서 이같은 입지인자들을 고려하여 잠재적 후보지에 대한 비교평가를 위해 다양한 입지 결정 모형을 제시하고있다(Houshyar와 White, 1997).
또한 시뮬레이션 모델(simulationmodels), 전문가 시스템(expert systsesms), 그리고 신경망기술(neural network techniqies)등 새로운 모형들이 시설입지연구에 활용되어지고 있다(Ghosh와 Rushton, 1987; Ghosh와Harche, 1993).
일반적으로 공공시설물 우선 설치지 분석은 한 개의 주제에 대하여, 예를 들면 CCTV 우선입지 선정의 경우, 수행기간 통상 5개월 소요되며, 약 1억내외의 비용이 수반되어 왔다.
공공시설물 우선 설치지 분석은 공공시설물별 설치 특성이 달라서, 공공시설별 X변수를 구축하기 위해, 현업 인터뷰, 데이터 수집 협조, 수집된 데이터의 전처리, 분석 시나리오, 분석 알고리즘 선정과 수행, 시각화 순 등으로 진행하는 복잡한 수행 과정을 거쳐 실시되어 왔다.
실무담당자의 인터뷰를 통한 공공시설물별 설치 변수를 파악과 가용 가능한 변수를 파악하기 위해서 많은 노력이 소요되며, 이러한 특성으로 인하여 분석가의 능력에 따라 수행 품질의 차이가 나는 것이 한계가 있었다.
특히, 지자체별로 공공시설물별 설치수 사례가 없는 경우, 설치수 사례가 5개미만, 10개미만, 30개미만, 50개미만, 100개미만, 100개 초과 등 다양한 사례가 존재하며, 100개미만의 경우에 회귀분석 알고리즘을 활용하여 분석시 학습(Training), 검증(Testing) 부문에 대한 해결이 어렵다는 문제가 항시 제기 되어 왔으며, 예측력이 매우 낮은 것(R² 0.7미만)이 현실적인 문제였다.
또한, 종례의 공공시설물별 우선 설치지 분석 모델은 공공시설물별 모델 수행 방법이 달라서, 시스템 구축시 공공시설물별로 구축하여야 함으로 투입비용이 많이 소요되며, 구축기간도 약 5개월정도 소요되었다.
KR 10-1692712 B1 KR 10-1083838 B1
본 발명은 이 같은 기술적 배경에서 도출된 것으로, 지자체별 공공시설물별 설치 사례수와 관계없이 공공시설물별 최적 입지를 산출할 수 있는 방법으로 다양한 지역의 다양한 종류의 공공시설물별 최적 입지를 산출해낼 수 있는 빅데이터 기반의 공공 시설물의 입지 선정 장치 및 방법을 제공함에 그 목적이 있다.
또한, 산출 결과를 가독성 높은 형태로 제공하여 빅데이터 기반의 기계학습 알고리즘을 숙지하지 못한 담당자라 하더라도 산출결과를 파악할 수 있고 최적 입지를 도출하기위한 분석 기간을 단축할 수 있는 빅데이터 기반의 공공 시설물의 입지 선정 장치 및 방법을 제공함에 목적이 있다.
뿐만 아니라, 기계학습 알고리즘을 적용하여 공공시설물별 설치여부판별, 설치수 예측, 설치 운영수, 설치 성과수등을 예측하고 검증함에 있어 정확도를 향상시킬 수 있는 빅데이터 기반의 공공 시설물의 입지 선정 장치 및 방법을 제공하고자 한다.
상기의 과제를 달성하기 위한 본 발명은 다음과 같은 구성을 포함한다.
즉 본 발명의 일 실시예에 따른 빅데이터 기반의 공공 시설물의 입지 선정 장치는 공공 시설물의 입지 선정을 위한 분석 공간 선정 정보를 입력받는 분석 공간 선정부, 상기 분석 공간 선정부에서 입력받은 분석 공간에 시설 설치용 데이터 셋을 구축하는 데이터셋 구축부, 설치 사례 활용 여부에 따라 설치 사례 활용시 상기 데이터셋 구축부에서 구축된 데이터셋의 변수들 중 중요 변수를 선정하여 클래스 균형화 작업을 수행하고, 기계 알고리즘을 이용한 시설별 예측 기준값과 현재 설치값의 차이를 산출하는 추가설치 산출모델을 적용 모델로 결정하는 산출모델 결정부, 상기 산출모델 결정부에서 적용 모델로 결정된 추가설치 산출모델에 의해 공공시설별로 공공시설물 설치가 필요한 우선 설치지를 도출하는 설치지 도출부 및 상기 설치지 도출부에서 도출되는 공공시설물 설치가 필요한 입지 도출 결과를 가시적인 데이터로 제공하는 결과 제공부를 포함한다.
한편, 빅데이터 기반의 공공 시설물의 입지 선정 장치에서 수행되는 빅데이터 기반의 공공 시설물의 입지 선정 방법은, 공공 시설물의 입지 선정을 위한 분석 공간 선정 정보를 입력받는 단계, 상기 입력받은 분석 공간에 시설 설치용 데이터 셋을 구축하는 단계, 설치 사례 활용 여부에 따라 설치 사례 활용시 상기 데이터 셋을 구축하는 단계에서 구축된 데이터셋의 변수들 중 중요 변수를 선정하여 클래스 균형화 작업을 수행하고, 기계 알고리즘을 이용한 시설별 예측 기준값과 현재 설치값의 차이를 산출하는 추가설치 산출 모델을 적용 모델로 결정하는 단계, 상기 결정하는 단계에서 적용 모델로 결정된 추가설치 산출모델에 의해 공공시설별로 공공시설물 설치가 필요한 우선 설치지를 도출하는 단계 및 상기 도출하는 단계에서 도출되는 공공시설물 설치가 필요한 입지 도출 결과를 가시적인 데이터로 제공하는 단계를 포함한다.
본 발명에 의하면 지자체별 공공시설물별 설치 사례수와 관계없이 공공시설물별 최적 입지를 산출할 수 있는 방법으로 다양한 지역의 다양한 종류의 공공시설물별 최적 입지를 산출해낼 수 있는 빅데이터 기반의 공공 시설물의 입지 선정 장치 및 방법을 제공할 수 있다는 효과가 도출된다.
또한, 산출 결과를 가독성 높은 형태로 제공하여 빅데이터 기반의 기계학습 알고리즘을 숙지하지 못한 담당자라 하더라도 산출결과를 파악할 수 있고 최적 입지를 도출하기위한 분석 기간을 단축할 수 있는 빅데이터 기반의 공공 시설물의 입지 선정 장치 및 방법을 제공하는 효과가 있다.
뿐만 아니라, 기계학습 알고리즘을 적용하여 공공시설물별 설치여부판별, 설치수 예측, 설치 운영수, 설치 성과수등을 예측하고 검증함에 있어 정확도를 향상시킬 수 있는 빅데이터 기반의 공공 시설물의 입지 선정 장치 및 방법을 제공할 수 있다.
도 1 은 본 발명의 일 실시예에 따른 빅데이터 기반의 공공 시설물의 입지 선정 장치의 구성을 도시한 블록도이다.
도 2 는 본 발명의 일 실시예에 따른 빅데이터 기반의 공공 시설물의 입지 선정 방법의 흐름도이다.
도 3 은 본 발명의 일 실시예에 따른 추가설치 산출모델 적용시에 X변수 선정과 균형화 작업을 설명하기위한 예시도이다.
도 4a 및 도 4b 는 본 발명의 일 실시예에 따른 추가설치 산출모델 적용시에 분류 모델을 활용한 기준값 산출 과정을 설명하기 위한 예시도이다.
도 5 는 본 발명의 일 실시예에 따른 추가설치 산출모델 적용시에 실제값과 예측 기준값과의 차이 분석을 설명하기 위한 예시도이다.
도 6 은 본 발명의 일 실시예에 따른 추가설치 산출모델 적용시에 우선 설치지 산출 과정을 설명하기 위한 예시도이다.
도 7a 내지 도 7h는 본 발명의 일 실시예에 따른 추가설치 산출모델 적용시에 분석 결과 주제도의 예시도이다.
도 8은 본 발명의 일 실시예에 따른 설치 매력도 산출모델 적용시 매력도 및 우선순이 산출 과정을 설명하기위한 예시도이다.
도 9는 본 발명의 일 실시예에 따른 설치 매력도 산출모델 적용시 우선 설치지 산출 과정을 설명하기 위한 예시도이다.
도 10은 본 발명의 일 실시예에 따른 설치 매력도 산출모델 적용시 분석 결과 주제도의 예시도이다.
도 11은 본 발명의 일 실시예에 따른 각 지역의 시설별 취약도 종합평가 결과 주제도의 예시도이다.
본 발명에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시예를 상세히 설명한다.
도 1 은 본 발명의 일 실시예에 따른 빅데이터 기반의 공공 시설물의 입지 선정 장치의 구성을 도시한 블록도이다.
일 실시예에 따른 빅데이터기반의 공공시설물의 입지 선정 장치는 사용자 선정 공공시설물의 분석 공간 선정, 공공시설물 분석을 위한 시설 설치용 데이터 세트를 구축하고, 기존 설치 사례를 이용한 추가 설치 산출 모델, 기존 설치 사례를 사용하지 않는 설치 매력도 산출 모델, 각 지역의 시설별 취약도를 종합 평가하여 지역별 취약도를 산출하여 공공시설물의 지역적인 불균형 상태를 파악하고, 최적의 입지 선정을 수행한다.
이때 시설 설치용 데이터 세트는 공간 단위로 수집이 가능한 다양한 모든 데이터를 포함한다.
일 실시예에 따른 빅데이터 기반의 공공 시설물의 입지 선정 장치(10)는 사용자 선정 공공 시설물의 분석 공간 선정한다. 그리고 공공시설물의 분석을 위한 시설 설치용 데이터 셋(set)을 구축한다. 이때 데이터 셋을 구축하는 데이터는 공간 단위로 수집이 가능한 다양한 모든 데이터를 포함하도록 해석될 수 있다.
또한 일 실시예에 따른 빅데이터 기반의 공공 시설물의 입지 선정 장치(10)는 기존의 설치사례를 이용한 추가 설치 산출 모델과, 기존의 설치 사례를 사용하지 않는 설치 매력도 산출모델에 의해 공공시설물의 최적 입지를 산출할 수 있다. 각지역의 시설별 취약도를 종합 평가하여 지역별 취약도를 산출하고, 공공시설물의 지역적 불균형 상태를 파악할 수 있다.
이때 공공 시설물로 한정하는 것이 아니라, 공공 시설물은 은행의 경우 점포, 프랜차이즈의 경우 매장, 상권분석의 경우 업종별 매장 위치등 모든 지역적인 위치별 설치 목적을 갖는 분야에서 적용될 수 있다.
예를들어 교통사고, 범죄, 화재, 자연재난, 사회적 재난 등 재난안전사고, 감염병, 치매, 결핵등 보건 관련 발생, 중증위급환자등 생활안전사고, 농작물 피해, 맷돼지, 식물등 동식물 출몰 및 발생, 농작물 작황 우수 가능 지역등 우수한 지역의 산출결과 도출 또는 피해 가능성이 높은 입지 산출등 주소 속성으로 공간 단위로 집계 가능한 모든 분야에 적용할 수 있다. 이때 주소 등 위치 속성에는 센서 데이터를 포함한다.
도 1 에서와 같이 일 실시예에 따른 빅데이터 기반의 공공 시설물의 입지 선정 장치(10)는 분석공간 선정부(110), 데이터셋 구축부(120), 산출모델 결정부(130), 설치지 도출부(140), 결과 제공부(150) 및 성능 평가부(160)를 포함한다.
분석공간 선정부(110)는 공공 시설물의 입지 선정을 위한 분석 공간 선정 정보를 입력받는다.
분석공간 선정부(110)는 행정동, 법정동, 기초구역 등 행정 영역을 기반으로 분석 공간을 선정하거나, 100m, 250m 등 일정 단위의 격자 영역으로 분석 공간을 선정하거나, 사용자 정의 상권이나 반경에 의한 상권 영역을 기반으로 분석 공간을 선정할 수 있다.
데이터셋 구축부(120)는 분석공간 선정부(110)에서 입력받은 분석 공간에 시설 설치용 데이터 셋을 빅데이터로 구축한다.
일 실시예에 있어서 데이터셋 구축부(120)는 Y변수로 와이파이, 자전거와 같은 시설수, 면적이나 인원정보와 같은 시설 운영, 매출이나 이용자수와 같은 운영 성과 등으로 설정하고, X 변수로 성연령별 인구, 혈연이나 소득, 소비, 취업자수를 포함하는 가구정보, 업종별 사업체수, 근로자수를 포함하는 사업체, 공원.지하철, 건축물, 관공소와 같은 시설, 기온, 강수량, 미세먼지와 같은 날씨 등으로 설정할 수 있다. 그러나 이에 한정되는 것은 아니고 다양한 변형예들을 포함한다.
데이터셋 구축부(120)는 사용자가 선정한 공간별로 Y변수, X변수를 데이터 셋으로 구축한다.
보다 구체적으로 시설 설치용 데이터 셋 구축 필드에 대한 예시는 다음 표 1과 같다.
구분 데이터 주요 필드 예시
Y변수 시설수 ·시설수(CCTV, WIFI, 전기차충전소, 정류장수, 주차장수, 비상벨수, 택배함수, 자전거대여소수 등_
·매장수(특정 업종의 매장수, 사용자 직접 운영 매장수 등)
시설운영수 ·공간운영(면적, 특정시설 개수 등)
·투입인원(정규직인원, 비정규직 인원, 특정 업무별 인원수 등)
운영성과수 ·매출액, 이용자수 등
X변수 인구 ·성별/연령별 인구수, 혈연관계별 인구수, 1인가구 인구수, 독거노인 인구수, 외국인수 등
가구 ·가구별 소득, 소비지출, 가구별 맞벌이비율, 주거소유형태 가구수, 취업인구수, 거주수준별 가구수
·가구별 금융자산 부채, 가구별 경제심리
사업체 ·업종별/규모별/매출액별/인허가구분별 사업체수/근로자수
·사업체별 급여, 사업체별 국민연금, 근로자당 국민연금 등
시설 ·건축물대장(시설종류, 면적 등), 공동주택(평수,가격, 주소)
·교육시설(학교, 어린이집, 유치원 등), 돌봄시설(돌봄센터, 경로당, 돌봄시설)
·교통시설(도로유형, 도로크기, 횡단보도, 방지턱, 차량속도, 차량통과대수)
·의료시설(병의원, 약국 등)
날씨 ·평균기온, 최저기온, 최고기온, 습도
·강수계속시간, 강수 누적량, 시간당 강수량, 일강수량, 적설량
·미세먼지농도, 풍향, 풍속, 바람성
표고 ·등고선, 표고 데이터
기타 ·범죄, 재난. 유동인구, 카드소비 등 사용자 선정 공간 단위별로 수집이 가능한 모든 데이터
산출모델 결정부(130)는 설치 사례 활용 여부에 따라 설치 사례 활용시 데이터셋 구축부(120)에서 구축된 데이터셋의 변수들 중 중요 변수를 선정하여 클래스 균형화 작업을 수행하고, 기계 알고리즘을 이용한 시설별 예측 기준값과 현재 설치값의 차이를 산출하는 추가설치 산출모델을 적용 모델로 결정한다.
그리고 일 양상에 있어서, 산출모델 결정부(130)는 설치 사례 활용 여부에 따라 설치 사례 미 활용시 특정 공공시설물의 설치량에 따라 설치량이 적은 지역의 종합 매력도가 높게 매력도 및 우선순위를 산출하여 우선 설치지를 산출하는 설치매력도 산출 모델을 적용 모델로 결정한다.
즉, 산출모델 결정부(130)는 설치사례 사용 분석 여부에 따라 추가설치 산출모델 또는 설치 매력도 산출 모델을 적용 모델로 결정할 수 있다.
이때 설치 사례의 사용 분석 여부에 대해서는 분석 결과를 확인하고자 하는 사용자에 의해 설정될 수 있다.
설치지 도출부(140)는 산출모델 결정부(130)에서 적용 모델로 결정된 추가설치 산출모델 또는 설치매력도 산출 모델에 의해 공공시설별로 공공시설물 설치가 필요한 우선 설치지를 도출한다.
일 실시예에 있어서 설치지 도출부(140)는 추가설치 산출모델에 의해 우선 설치지를 도출함에 있어서, 이진 분류 또는 다중 분류 알고리즘을 적용하여 예측 기준값을 산출하고, 산출된 예측 기준값과 현재 설치값의 차이를 산출하여 산출된 추가 설치값이 높은 순으로 우선 설치지를 도출한다.
즉, X 변수 선정과 클래스 균형화 작업을 거쳐서 분류모델을 활용한 예측 기준값을 산출한다. 그리고 예측 기준값과의 Gap을 분석하여 우선 설치지를 산출해낸다.
다른 실시예에 있어서, 설치지 도출부(140)는 설치 매력도 산출모델에 의해 우선 설치지를 도출함에 있어, 지역별 매력도를 산출하여 우선순위를 산출하고 우선순위에 따라 우선 설치지를 도출해낼 수 있다.
이때 설치지 도출부(140)는 설치매력도 산출 모델 적용시에 사용자로부터 독립변수를 선정받아, 선정된 독립 변수에 대한 지역별 지역 점수를 산출하되, 사용자로부터 설정받은 항목별 가중치를 적용하여 종합 매력도 점수를 산출한다.
결과 제공부(150)는 설치지 도출부(140)에서 도출되는 공공시설물 설치가 필요한 입지 도출 결과를 가시적인 데이터로 제공한다. 결과 제공부(150)는 분석 결과 주제도를 시각화하여 다양한 형태의 가시적인 데이터로 제공해줄수 있다.
일 실시예에 있어서, 결과 제공부(150)는 분석 공간 별로 설치 예측 기준값과 현재값에 대한 막대 주제도를 제공한다.
다른 실시예에 있어서, 결과 제공부(150)는 공공시설물별 추가 설치대수로 지역별 레이더차트 주제도를 제공한다.
본 발명의 일 양상에 있어서, 성능 평가부(160)는 학습 셋(Training set)과 테스트 셋(Testing set)을 이용하여 설치지 도출부(140)에서 도출된 우선 설치지에 대한 입지 선정 성능 평가를 실시한다.
또한, 성능 평가부(160)는 분석 대상 지역내 설치 비율에 따라 성능 평가 결과(AUC)를 도출한다.
도 2 는 본 발명의 일 실시예에 따른 빅데이터 기반의 공공 시설물의 입지 선정 방법의 흐름도이다.
빅데이터 기반의 공공 시설물의 입지 선정 장치에서 수행되는 빅데이터 기반의 공공 시설물의 입지 선정 방법은, 먼저 공공 시설물의 입지 선정을 위한 분석 공간 선정 정보를 입력받는다(S200).
분석공간 선정 정보를 입력받는 것은 행정동, 법정동, 기초구역 등 행정 영역을 기반으로 분석 공간을 선정하거나, 100m, 250m 등 일정 단위의 격자 영역으로 분석 공간을 선정하거나, 사용자 정의 상권이나 반경에 의한 상권 영역을 기반으로 분석 공간을 선정할 수 있다.
그리고 입력받은 분석 공간에 시설 설치용 데이터 셋을 구축한다(S210).
데이터셋을 구축하는 것은 사용자가 선정한 공간별로 Y변수, X변수를 데이터 셋으로 구축한다. 예를들어 Y변수로 와이파이, 자전거와 같은 시설수, 면적이나 인원정보와 같은 시설 운영, 매출이나 이용자수와 같은 운영 성과 등으로 설정하고, X 변수로 성연령별 인구, 혈연이나 소득, 소비, 취업자수를 포함하는 가구정보, 업종별 사업체수, 근로자수를 포함하는 사업체, 공원.지하철, 건축물, 관공소와 같은 시설, 기온, 강수량, 미세먼지와 같은 날씨 등으로 설정할 수 있다. 그러나 이에 한정되는 것은 아니고 다양한 변형예들을 포함한다.
이후에 설치 사례 활용 여부에 따라(S220), 설치 사례 활용시 상기 데이터 셋을 구축하는 단계에서 구축된 데이터셋의 변수들 중 중요 변수를 선정하여 클래스 균형화 작업을 수행하고, 기계 알고리즘을 이용한 시설별 예측 기준값과 현재 설치값의 차이를 산출하는 추가설치 산출 모델을 적용 모델로 결정한다.
그리고 결정하는 단계에서 적용 모델로 결정된 추가설치 산출모델에 의해 공공시설별로 공공시설물 설치가 필요한 우선 설치지를 도출한다.
이때 우선 설치지를 도출하는 단계는, 이진 분류 또는 다중 분류 알고리즘을 적용하여 예측 기준값을 산출하고, 산출된 예측 기준값과 현재 설치값의 차이(gap)를 산출하여 산출된 추가 설치값이 높은 순으로 우선 설치지를 도출한다.
또한, 도출하는 단계에서 도출되는 공공시설물 설치가 필요한 입지 도출 결과를 가시적인 데이터로 제공한다(S230). 일 실시예에 있어서 입지 도출 결과를 가시적인 데이터로 제공하는 것은 분석 공간 별로 설치 예측 기준값과 현재값에 대한 막대 주제도를 제공하는 것으로 구현될 수 있다.
반면, 설치 사례 활용 여부에 따라(S220), 설치 사례 미 활용시 특정 공공시설물의 설치량에 따라 설치량이 적은 지역의 종합 매력도가 높게 매력도 및 우선순위를 산출하여 우선 설치지를 산출하는 설치매력도 산출 모델을 적용 모델로 결정하고, 설치매력도 산출 모델에 의해 공공시설별로 공공시설물 설치가 필요한 우선 설치지를 도출한다.
일 양상에 있어서, 우선 설치지를 도출하는 단계는, 설치매력도 산출 모델 적용시에 사용자로부터 독립변수를 선정받아, 선정된 독립 변수에 대한 지역별 지역 점수를 산출하되, 사용자로부터 설정받은 항목별 가중치를 적용하여 종합 매력도 점수를 산출하여 우선 설치지를 도출하도록 구현된다.
그리고 도출되는 공공시설물 설치가 필요한 입지 도출 결과를 가시적인 데이터로 제공한다(S240).
이때 가시적인 데이터로 제공하는 것은 공공시설물별 추가 설치대수로 지역별 레이더차트 주제도를 제공할 수 있다.
이 후에 각지역의 시설별 취약도 종합 평가 여부에 따라(S250), 각 지역의 시설별 취약도 종합 평가 결과를 가시적인 데이터로 제공해준다(S260).
일 실시예에 있어서, 학습 셋(Training set)과 테스트 셋(Testing set)을 이용하여 우선 설치지를 도출하는 단계에서 도출된 우선 설치지에 대한 입지 선정 성능 평가를 실시할 수 있다. 또한 분석 대상 지역내 설치 비율에 따라 성능 평가 결과(AUC)를 도출한다.
도 3 은 본 발명의 일 실시예에 따른 추가설치 산출모델 적용시에 X변수 선정과 균형화 작업을 설명하기 위한 예시도이다.
일 실시예에 따른 입지 산출장치는 예를 들어 도 3 과 같이 분석용 X변수 전체 데이터셋(set)중에서 적합한 X변수 20개를 Y변수와의 상관분석등을 통해 지능형으로 추출한 경우의 화면을 제공할 수 있다. 이때 X변수 선정은 지능형 추출을 하는것으로 한정되는 것은 아니고 사용자에 의해 임의로 선정되는 것도 가능하다.
클래스 균형화 작업은 이진분류 및 다중분류와 같은 분류모델 사용시 클래스 불균형 상태를 균형화 하는 작업이다. Traning 50%, Testing 50%를 기준으로 현재 Training 204건, Testing 205건을 구분값 0의 자료수 199건을 기준으로 균형화하여 Traning 2,587건, Testing 2,587건으로 균형화한 예시이며, Traing과 Testing 비율은 사용자가 변경할 수 있으며, 균형화 작업을 수행하지 않는 것도 가능하다.
도 4a 및 도 4b 는 본 발명의 일 실시예에 따른 추가설치 산출모델 적용시에 분류 모델을 활용한 기준값 산출 과정을 설명하기 위한 예시도이다.
도 4a는 일예로 CCTV수, WIFI수, 전기차충전소수, 버스정류장수, 주차구획수, 안심비상벨수, 안심택배함수, 자전거대여소수를 Y변수로 하고, Y변수에 대응하는 X변수를 기준으로 기계학습알고리즘인 Random Forest(이진분류, 다중분류) 사용하여 Training과 Testing 결과 AUC 0.9이상의 결과를 도출한 예시를 나타낸 것이다.
즉, 분류 알고리즘을 적용하여 Training과 Testing시 우수한 성능 평가 결과가 도출되었음을 확인할 수 있다.
도 4b와 같이 공공시설물은 사용자 선정 공간내 설치 여부만 존재하는 경우(택배함), 시설 설치수가 많은 경우(전기차충전소, 자전거대여소,WIFI, 비상벨, CCTV, 버스정류장), 지역내 시설의 운영 수량 관리(주차장의 주차구획수) 등의 시설에 적용되는 것도 가능하다.
공공시설물 설치 모델은 설치여부 판별 예측, 설치수 예측, 설치운영수량 예측이 가능한 모델이 필요하며, 추가설치모델은 공공시설물 설치 케이스를 모두 커버하는 모델로 성능평가 결과 AUC 0.9 이상으로 우수한 결과를 도출할 수 있다. 이때 설치수 예측 모델의 설치 여부 판별 모델 적용은 분석 공간을 작게 하여(1Km→ 100m 또는 특정주소위치) 분석 실시할 수 있다.
도 5 는 본 발명의 일 실시예에 따른 추가설치 산출모델 적용시에 실제값과 예측 기준값과의 차이 분석을 설명하기 위한 예시도이다.
도 5 는 격자 1Km 기준으로 Random Forest 분류(이진분류, 다중분류) 알고리즘으로 예측 기준 값(A)를 산출후, 현재 값(B)와의 Gap 분석을 통하여 추가 설치 값(C=A-B)를 산출한 예시이다. 여기서 추가 설치 값(C)이 양(+)의 값인 경우, 추가 설치가 필요하다는 의미이며, 음(-)의 값인 경우, 추가 설치가 필요 없다는 것을 의미한다. 즉, 도 5에 도시된 Gap 분석을 통해 결자로 구분된 구역별로 시설들(CCTV, WIFI, 전기차충전소, 버스정류장, 주차구획수, 비상벨수, 택배함수, 자전거대여소 등)의 필요한 추가 설치량을 파악할 수 있다.
도 6 은 본 발명의 일 실시예에 따른 추가설치 산출모델 적용시에 우선 설치지 산출 과정을 설명하기 위한 예시도이다.
도 6 과 같이 도 5 의 실제값과 예측 기준값과의 차이 분석을 통해 도출되는 구역별 추가 설치값(C=A-B)의 값에 따라 높은 순으로 정렬하여 CCTV 설치 우선 지역을 도출할 수 있다.
도 7a 내지 도 7h는 본 발명의 일 실시예에 따른 추가설치 산출모델 적용시에 분석 결과 주제도의 예시도이다.
도 7a 는 CCTV 설치 예측 기준값과 현재 값을 막대 주제도로 제작한 것이다. 추가 설치값의 크기에 따라 밀도 주제도를 도출할 수 있다. 도7a에서 붉은색 밀도는 CCTV 추가 설치수가 많은 지역이고, 보라색 점은 현재 CCTV 설치위치를 나타낸다. 즉, CCTV 시설에 대한 설치 상황 및 추가로 설치가 필요한 추가 설치값을 영역(지역)별로 한눈에 파악할 수 있다.
도 7b는 WIFI 설치 예측 기준값과 현재값을 막대 주제도로 제작한 것이다. 추가 설치값의 크기를 밀도 주제도로 도시한 것으로 붉은색 밀도는 WiFi 추가 설치수가 많은 지역을 나타낸 것이고, 보라색 점은 현재 WiFi 설치 위치를 나타낸 것이다. 즉, WIFI 시설에 대한 설치 상황및 추가로 설치가 필요한 추가 설치값을 영역(지역)별로 한눈에 파악할 수 있다.
도 7c 는 전기차 충전소 설치 예측 기준값과 현재값을 막대 주제도로 제작한 것이다. 추가 설치값의 크기를 밀도 주제도로 도시한 것으로 붉은색 밀도는 전기차 충전소 추가 설치수가 많은 지역을 나타낸 것이고, 보라색 점은 현재 전기차 충전소의 설치 위치를 나타낸 것이다. 즉, 전기차 충전소 시설에 대한 설치 상황및 추가로 설치가 필요한 추가 설치값을 영역(지역)별로 한눈에 파악할 수 있다.
도 7d는 버스정류장 설치 예측 기준값과 현재값을 막대 주제도로 제작한 것이다. 추가 설치값의 크기를 밀도 주제도로 도시한 것으로 붉은색 밀도는 버스정류장 추가 설치수가 많은 지역을 나타낸 것이고, 보라색 점은 현재 버스 정류장의 설치 위치를 나타낸 것이다. 즉, 버스 정류장에 대한 설치 상황및 추가로 설치가 필요한 추가 설치값을 영역(지역)별로 한눈에 파악할 수 있다.
도 7e는 주차구획수 설치 예측 기준값과 현재값을 막대 주제도로 제작한 것이다. 추가 설치값의 크기를 밀도 주제도로 도시한 것으로 붉은색 밀도는 주차구획수 추가 설치수가 많은 지역을 나타낸 것이고, 보라색 점은 현재 주차구획수의 설치 위치를 나타낸 것이다. 즉, 주차구획수 시설에 대한 설치 상황및 추가로 설치가 필요한 추가 설치값을 영역(지역)별로 한눈에 파악할 수 있다.
도 7f는 여성안심 비상벨 설치 예측 기준값과 현재값을 막대 주제도로 제작한 것이다. 추가 설치값의 크기를 밀도 주제도로 도시한 것으로 붉은색 밀도는 여성안심 비상벨 추가 설치수가 많은 지역을 나타낸 것이고, 보라색 점은 현재 여성안심 비상벨의 설치 위치를 나타낸 것이다. 즉, 여성안심 비상벨 시설에 대한 설치 상황 및 추가로 설치가 필요한 추가 설치값을 영역(지역)별로 한눈에 파악할 수 있다.
도 7g는 안심택배함 설치 예측 기준값과 현재값을 막대 주제도로 제작한 것이다. 추가 설치값의 크기를 밀도 주제도로 도시한 것으로 붉은색 밀도는 안심택배함 추가 설치수가 많은 지역을 나타낸 것이고, 보라색 점은 현재 안심택배함의 설치 위치를 나타낸 것이다. 즉, 안심택배함 시설에 대한 설치 상황 및 추가로 설치가 필요한 추가 설치값을 영역(지역)별로 한눈에 파악할 수 있다.
도 7h는 자전거 대여소 설치 예측 기준값과 현재값을 막대 주제도로 제작한 것이다. 추가 설치값의 크기를 밀도 주제도로 도시한 것으로 붉은색 밀도는 자전거 대여소 추가 설치수가 많은 지역을 나타낸 것이고, 보라색 점은 현재 자전거 대여소의 설치 위치를 나타낸 것이다. 즉, 자전거 대여소 시설에 대한 설치 상황 및 추가로 설치가 필요한 추가 설치값을 영역(지역)별로 한눈에 파악할 수 있다.
도 8은 본 발명의 일 실시예에 따른 설치 매력도 산출모델 적용시 매력도 및 우선순이 산출 과정을 설명하기위한 예시도이다.
일 실시예에 있어서, 설치매력도 산출 모델은 현재 설치된 시설수가 적거나, 없는 경우, 또는 새로운 시설설치 기준을 마련하여 지역별 매력도 산출 값을 활용하여 시설 설치 우선 지역을 선정하고자 하는 경우에 활용될 수 있다.
설치매력도 산출모델의 설치 우선 순위 산출은 전 지역별 종합 매력도(C-a) 산출후, 현재 시설이 없는 지역에 한하여, 종합매력도(C-a)가 높은 순으로 순위화하여 산출할 수 있다.
도 8에서 독립변수 선정(A)는 시설 설치 기준에 해당하는 데이터로 사용자로부터 선정받는 것이 가능하다. 그리고 백분위 평가(B)는 사용자가 선정한 데이터(A)를 전체 지역중 해당 지역의 점수를 백분위 평가(Percentrank)로 산출한 값이며, 백분위평가가 아닌 표준지수 산출 등의 방법으로 산출할 수 있다.
본 발명의 특징적인 양상에 있어서 가중평균점수(B-a)는 각 항목별 백분위 지수에 항목별 가중도를 적용하여 산출된다. 일예로 지역별 가중평균점수=(독신가구수 백분위 점수 * 0.3 )+ (저소득층 가구수 백분위 점수 * 0.2)+(여성20대인구수*0.3)+(가구당 평균취업인원수*0.1)+(가구당평균 맞벌이비율*0.1)로 산출된다. 이때 항목별 가중치는 사용자가 임의로 정할 수 있거나, 가중치를 적용하지 않도록 설정하는 것도 가능하다.
종합점수(C-a)는 가중평균점수(B-a)를 백분위하여 산출한 값이다. 이때 다시 백분위를 하는 이유는 가중평균점수가 전체중의 백분위 분포를 반영하지 못하고 있기 때문이다.그리고 전체순위(C-b)는 종합점수가 높은 순위별로 순위화한 것이다.
종합평점 10점 척도(C-c)는 종합점수를 10점 척도로 변환한 것이고, 현재 시설 유무(C-d)는 해당 지역내에 시설이 설치되어 있는 경우는 1, 없으면 0으로 표시할 수 있다. 추가설치 여부(C-e)는 현재시설이 없으면 1, 있으면 0으로 표시한다. 설치 순위(C-f)는 추가설치여부(C-e)가 1인 경우에 한하여, 종합점수가 높은 순으로 순위화한 것이다.
도 9는 본 발명의 일 실시예에 따른 설치 매력도 산출모델 적용시 우선 설치지 산출 과정을 설명하기 위한 예시도이다.
설치매력도 산출모델은 도 8에서와 같이 산출 결과 지역내 시설이 없는 곳으로 종합매력도(C-a)의 값이 높게 산출된다. 그리고 종합매력도(C-a)의 값이 높게 산출되는 순으로 정렬하여 시설 설치 우선 지역을 도출해낼 수 있다.
도 10은 본 발명의 일 실시예에 따른 설치 매력도 산출모델 적용시 분석 결과 주제도의 예시도이다.
도 10은 사용자 선정 시설 설치 X변수에 대한 항목별 백분위 평가 결과를 레이더차트 형태로 주제도를 제작한 것이다. 추가로 현재 미 설치 지역에 대하여 밀도 주제도를 제작하여 가독성을 높일 수 있다. 즉, 붉은 색 밀도는 사용자 선정 시설시 미 설치된 지역의 밀도를 나타낸다. 보라색 점은 현재 사용자 선정 시설의 설치 위치를 표시한 것이다.
도 11은 본 발명의 일 실시예에 따른 각 지역의 시설별 취약도 종합평가 결과 주제도의 예시도이다.
도 11은 각 시설별 추가 설치 대수를 지역별로 레이더차트 주제도로 시각화한 것이다.
각 지역의 각 시설별 취약도를 종합 평가 시각화하여 쉽게 지역의 종합적인 취약도를 파악할 수 있어 확충 필요시설을 신속하게 확인할 수 있도록 지원할 수 있다.
전술한 방법은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD 와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
10 : 입지 선정 장치
110 : 분석공간 선정부 120 : 데이터 셋 구축부
130 : 산출모델 결정부 140 : 설치지 도출부
150 : 결과 제공부 160 : 성능 평가부

Claims (14)

  1. 공공 시설물의 입지 선정을 위한 분석 공간 선정 정보를 입력받는 분석 공간 선정부;
    상기 분석 공간 선정부에서 입력받은 분석 공간에 시설 설치용 데이터 셋을 구축하는 데이터셋 구축부;
    설치 사례 활용 여부에 따라 설치 사례 활용시 상기 데이터셋 구축부에서 구축된 데이터셋의 변수들 중 중요 변수를 선정하여 클래스 균형화 작업을 수행하고, 기계 알고리즘을 이용한 시설별 예측 기준값과 현재 설치값의 차이를 산출하는 추가설치 산출모델을 적용 모델로 결정하는 산출모델 결정부;
    상기 산출모델 결정부에서 적용 모델로 결정된 추가설치 산출모델에 의해 공공시설별로 공공시설물 설치가 필요한 우선 설치지를 도출하는 설치지 도출부; 및
    상기 설치지 도출부에서 도출되는 공공시설물 설치가 필요한 입지 도출 결과를 가시적인 데이터로 제공하는 결과 제공부;를 포함하고,
    상기 결과 제공부는, 분석 공간 별로 설치 예측 기준값과 현재값에 대한 막대 주제도 또는 추가설치 값에 대한 밀도 주제도를 제공하는, 빅데이터 기반의 공공 시설물의 입지 선정 장치.
  2. 제 1 항에 있어서,
    상기 설치지 도출부는,
    이진 분류 또는 다중 분류 알고리즘을 적용하여 예측 기준값을 산출하고, 산출된 예측 기준값과 현재 설치값의 차이를 산출하여 산출된 추가 설치값이 높은 순으로 우선 설치지를 도출하는, 빅데이터 기반의 공공 시설물의 입지 선정 장치.
  3. 제 1 항에 있어서,
    학습 셋(Training set)과 테스트 셋(Testing set)을 이용하여 상기 설치지 도출부에서 도출된 우선 설치지에 대한 입지 선정 성능 평가를 실시하는 성능 평가부;를 더 포함하는, 빅데이터 기반의 공공 시설물의 입지 선정 장치.
  4. 삭제
  5. 제 1 항에 있어서,
    상기 산출모델 결정부는,
    설치 사례 활용 여부에 따라 설치 사례 미 활용시 특정 공공시설물의 설치량에 따라 설치량이 적은 지역의 종합 매력도가 높게 매력도 및 우선순위를 산출하여 우선 설치지를 산출하는 설치매력도 산출 모델을 적용 모델로 결정하고,
    상기 설치지 도출부는
    설치매력도 산출 모델에 의해 공공시설별로 공공시설물 설치가 필요한 우선 설치지를 도출하는, 빅데이터 기반의 공공 시설물의 입지 선정 장치.
  6. 제 5 항에 있어서,
    상기 설치지 도출부는,
    설치매력도 산출 모델 적용시에 사용자로부터 독립변수를 선정받아, 선정된 독립 변수에 대한 지역별 지역 점수를 산출하되, 사용자로부터 설정받은 항목별 가중치를 적용하여 종합 매력도 점수를 산출하는, 빅데이터 기반의 공공 시설물의 입지 선정 장치.
  7. 제 5 항에 있어서,
    상기 결과 제공부는,
    공공시설물별 추가 설치대수로 지역별 레이더차트 주제도를 제공하는, 빅데이터 기반의 공공 시설물의 입지 선정 장치.
  8. 빅데이터 기반의 공공 시설물의 입지 선정 장치에서 수행되는 빅데이터 기반의 공공 시설물의 입지 선정 방법에 있어서,
    공공 시설물의 입지 선정을 위한 분석 공간 선정 정보를 입력받는 단계;
    상기 입력받은 분석 공간에 시설 설치용 데이터 셋을 구축하는 단계;
    설치 사례 활용 여부에 따라 설치 사례 활용시 상기 데이터 셋을 구축하는 단계에서 구축된 데이터셋의 변수들 중 중요 변수를 선정하여 클래스 균형화 작업을 수행하고, 기계 알고리즘을 이용한 시설별 예측 기준값과 현재 설치값의 차이를 산출하는 추가설치 산출 모델을 적용 모델로 결정하는 단계;
    상기 결정하는 단계에서 적용 모델로 결정된 추가설치 산출모델에 의해 공공시설별로 공공시설물 설치가 필요한 우선 설치지를 도출하는 단계; 및
    상기 도출하는 단계에서 도출되는 공공시설물 설치가 필요한 입지 도출 결과를 가시적인 데이터로 제공하는 단계;를 포함하고,
    상기 가시적인 데이터로 제공하는 단계는 분석 공간 별로 설치 예측 기준값과 현재값에 대한 막대 주제도 또는 추가설치 값에 대한 밀도 주제도를 제공하는 단계인, 빅데이터 기반의 공공 시설물의 입지 선정 방법.
  9. 제 8 항에 있어서,
    상기 우선 설치지를 도출하는 단계는,
    이진 분류 또는 다중 분류 알고리즘을 적용하여 예측 기준값을 산출하고, 산출된 예측 기준값과 현재 설치값의 차이를 산출하여 산출된 추가 설치값이 높은 순으로 우선 설치지를 도출하는, 빅데이터 기반의 공공 시설물의 입지 선정 방법.
  10. 제 8 항에 있어서,
    학습 셋(Training set)과 테스트 셋(Testing set)을 이용하여 상기 우선 설치지를 도출하는 단계에서 도출된 우선 설치지에 대한 입지 선정 성능 평가를 실시하는 단계;를 더 포함하는, 빅데이터 기반의 공공 시설물의 입지 선정 방법.
  11. 삭제
  12. 제 8 항에 있어서,
    상기 적용 모델로 결정하는 단계는,
    설치 사례 활용 여부에 따라 설치 사례 미 활용시 특정 공공시설물의 설치량에 따라 설치량이 적은 지역의 종합 매력도가 높게 매력도 및 우선순위를 산출하여 우선 설치지를 산출하는 설치매력도 산출 모델을 적용 모델로 결정하고,
    상기 우선 설치지를 도출하는 단계는,
    설치매력도 산출 모델에 의해 공공시설별로 공공시설물 설치가 필요한 우선 설치지를 도출하는, 빅데이터 기반의 공공 시설물의 입지 선정 방법.
  13. 제 12 항에 있어서,
    상기 우선 설치지를 도출하는 단계는,
    설치매력도 산출 모델 적용시에 사용자로부터 독립변수를 선정받아, 선정된 독립 변수에 대한 지역별 지역 점수를 산출하되, 사용자로부터 설정받은 항목별 가중치를 적용하여 종합 매력도 점수를 산출하는, 빅데이터 기반의 공공 시설물의 입지 선정 방법.
  14. 제 12 항에 있어서,
    상기 가시적인 데이터로 제공하는 단계는,
    공공시설물별 추가 설치대수로 지역별 레이더차트 주제도를 제공하는, 빅데이터 기반의 공공 시설물의 입지 선정 방법.
KR1020210170770A 2021-06-29 2021-12-02 빅데이터 기반의 공공 시설물의 입지 선정 장치 및 방법 KR102373276B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20210084876 2021-06-29
KR1020210084876 2021-06-29

Publications (1)

Publication Number Publication Date
KR102373276B1 true KR102373276B1 (ko) 2022-03-18

Family

ID=80936783

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210170770A KR102373276B1 (ko) 2021-06-29 2021-12-02 빅데이터 기반의 공공 시설물의 입지 선정 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102373276B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102445142B1 (ko) * 2022-05-02 2022-09-20 에쓰오씨소프트(주) 인공지능 및 gis에 기반한 전기차충전소 입지의 분석 방법 및 장치
KR102503749B1 (ko) * 2022-09-26 2023-02-24 주식회사 선도엔지니어링 세대수와 입주자수 데이터를 처리하여 면적이 자동으로 할당되는 공공주택 재활용센터 도면설계 방법
KR102503750B1 (ko) * 2022-09-26 2023-02-24 주식회사 선도엔지니어링 비정형 공간에 맞추어 레이아웃이 자동으로 생성되는 공공주택 재활용센터 도면설계 방법
CN116777517A (zh) * 2023-07-27 2023-09-19 苏州德博新能源有限公司 一种电池箱位置确定方法
CN117274004A (zh) * 2023-11-20 2023-12-22 武汉市规划编审中心(武汉规划展示馆) 基于最短路径规划和空间句法的小学选址方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101083838B1 (ko) 2008-09-30 2011-11-18 (주)영인이엔지 대상지 인허가 사항 검토를 위한 부동산 입지 분석 서비스 제공 방법
KR101692712B1 (ko) 2014-10-29 2017-01-04 조두영 업종 맞춤형 입지분석 서비스 제공 방법 및 기록매체
KR102004948B1 (ko) * 2018-12-18 2019-07-29 이지지아이에스 주식회사 빅데이터 기계 학습을 활용한 위치기반 입지 예측 분석 장치 및 그 방법
KR20200080505A (ko) * 2018-12-27 2020-07-07 주식회사 랩피스 지능형 소상공인 지원 서비스 제공 시스템, 서버 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101083838B1 (ko) 2008-09-30 2011-11-18 (주)영인이엔지 대상지 인허가 사항 검토를 위한 부동산 입지 분석 서비스 제공 방법
KR101692712B1 (ko) 2014-10-29 2017-01-04 조두영 업종 맞춤형 입지분석 서비스 제공 방법 및 기록매체
KR102004948B1 (ko) * 2018-12-18 2019-07-29 이지지아이에스 주식회사 빅데이터 기계 학습을 활용한 위치기반 입지 예측 분석 장치 및 그 방법
KR20200080505A (ko) * 2018-12-27 2020-07-07 주식회사 랩피스 지능형 소상공인 지원 서비스 제공 시스템, 서버 및 방법

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102445142B1 (ko) * 2022-05-02 2022-09-20 에쓰오씨소프트(주) 인공지능 및 gis에 기반한 전기차충전소 입지의 분석 방법 및 장치
KR102503749B1 (ko) * 2022-09-26 2023-02-24 주식회사 선도엔지니어링 세대수와 입주자수 데이터를 처리하여 면적이 자동으로 할당되는 공공주택 재활용센터 도면설계 방법
KR102503750B1 (ko) * 2022-09-26 2023-02-24 주식회사 선도엔지니어링 비정형 공간에 맞추어 레이아웃이 자동으로 생성되는 공공주택 재활용센터 도면설계 방법
CN116777517A (zh) * 2023-07-27 2023-09-19 苏州德博新能源有限公司 一种电池箱位置确定方法
CN117274004A (zh) * 2023-11-20 2023-12-22 武汉市规划编审中心(武汉规划展示馆) 基于最短路径规划和空间句法的小学选址方法
CN117274004B (zh) * 2023-11-20 2024-02-27 武汉市规划编审中心(武汉规划展示馆) 基于最短路径规划和空间句法的小学选址方法

Similar Documents

Publication Publication Date Title
KR102373276B1 (ko) 빅데이터 기반의 공공 시설물의 입지 선정 장치 및 방법
Schuetz Do rail transit stations encourage neighbourhood retail activity?
Hess Access to employment for adults in poverty in the Buffalo-Niagara region
Handy et al. Measuring accessibility: an exploration of issues and alternatives
Maria Kockelman Travel behavior as function of accessibility, land use mixing, and land use balance: evidence from San Francisco Bay Area
Cova et al. Microsimulation of neighborhood evacuations in the urban–wildland interface
Gao et al. Location-centered house price prediction: A multi-task learning approach
Lin et al. Proximity to metro stations and commercial gentrification
Kim Exploring the difference between ridership patterns of subway and taxi: Case study in Seoul
KR101375441B1 (ko) 도시재생 종합정보시스템
CN113379227A (zh) 产业园区数据处理方法、装置、计算机设备及存储介质
CN115456343B (zh) 一种智慧机场评价指标体系构建与评价方法
Kijewska et al. Analysis of data needs and having for the integrated urban freight transport management system
De Carvalho et al. Evaluation of the city logistics performance through structural equations model
De Marco Digital dashboards for smart city governance: a case project to develop an urban safety indicator model
Porat et al. Building morphometric analysis as a tool for urban renewal: Identifying post-Second World War mass public housing development potential
KR20100123408A (ko) Ｇｉｓ 기반의 가맹점 마케팅 지원 시스템 및 방법
Dayyani et al. The identification and zoning of areas having rural deteriorated textures in the Tehran province by using KDE and GIS
Henriques de Gusmão et al. The use of a decision support system to aid a location problem regarding a public security facility
KR20070097939A (ko) 서버 및 클라이언트 단말기를 이용한 부동산 정보 제공방법 및 이를 수행하는 컴퓨터 프로그램이 기록된컴퓨터에서 판독 가능한 기록 매체
JP7037223B1 (ja) 情報処理装置、情報処理方法、及びプログラム
Yue et al. Classification and determinants of high-speed rail stations using multi-source data: A case study in Jiangsu Province, China
Cheshire et al. Take me to the centre of your town! Using micro-geographical data to identify town centres
Villejo et al. Determinants of income class in Philippine households: Evidence from the family income and expenditure survey 2009
Li et al. The transport impedance disparity indicator: A case study of Xi'an, China

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant