KR102586430B1 - 시내버스 노선 분석 장치 및 방법 - Google Patents

시내버스 노선 분석 장치 및 방법 Download PDF

Info

Publication number
KR102586430B1
KR102586430B1 KR1020210105529A KR20210105529A KR102586430B1 KR 102586430 B1 KR102586430 B1 KR 102586430B1 KR 1020210105529 A KR1020210105529 A KR 1020210105529A KR 20210105529 A KR20210105529 A KR 20210105529A KR 102586430 B1 KR102586430 B1 KR 102586430B1
Authority
KR
South Korea
Prior art keywords
route
section
city bus
analysis
information
Prior art date
Application number
KR1020210105529A
Other languages
English (en)
Other versions
KR20230023411A (ko
Inventor
서민호
김민기
박정현
유승규
한종학
Original Assignee
한국과학기술정보연구원
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 한국과학기술정보연구원 filed Critical 한국과학기술정보연구원
Priority to KR1020210105529A priority Critical patent/KR102586430B1/ko
Publication of KR20230023411A publication Critical patent/KR20230023411A/ko
Application granted granted Critical
Publication of KR102586430B1 publication Critical patent/KR102586430B1/ko

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G08G1/0112—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from the vehicle, e.g. floating car data [FCD]
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G08G1/0141—Measuring and analyzing of parameters relative to traffic conditions for specific applications for traffic information dissemination
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/123—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams
    • G08G1/127—Traffic control systems for road vehicles indicating the position of vehicles, e.g. scheduled vehicles; Managing passenger vehicles circulating according to a fixed timetable, e.g. buses, trains, trams to a central station ; Indicators in a central station

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Primary Health Care (AREA)
  • Traffic Control Systems (AREA)

Abstract

본 명세서는 시내버스 노선 분석 장치 및 방법에 관한 것이다. 본 명세서의 일 실시예에 따른 시내버스 노선 분석 방법은 시내버스DB에서 분석 대상 노선에 대하여 교통 카드 데이터 및 교통 기반 데이터를 포함하는 교통 정보를 검색하는 단계, 교통 정보를 이용하여 상기 분석 대상 노선의 굴곡 구간 및 중복 구간 중 적어도 하나의 구간 또는 상기 분석 대상 노선의 분리 가능성을 분석하는 단계 및 분석 결과에 기초하여 이용객 수, 통행 거리, 통행 시간, 이용 금액, 환승 횟수 및 분리 여부 중 적어도 하나를 포함하는 출력 정보를 출력하는 단계를 포함한다.

Description

시내버스 노선 분석 장치 및 방법{APPARATUS AND METHOD FOR ANALYZING CITY BUS ROUTES}
본 명세서는 시내버스 노선 분석 장치 및 방법에 관한 것이다.
종래에는 시내버스 노선을 분석하기 위해, 교통 데이터와 교통 기반 데이터를 데이터 분석 목적에 맞도록 전처리하여 이동 수요 데이터로 변환한 후 교통에 관한 전문 지식을 바탕으로 데이터 분석을 하는 과정이 수행되었다.
그러나, 이와 같이 전처리 된 데이터를 분석하기 위해서는 전문적 지식이 요구 되었으므로 지방자치단체에서는 일반적으로 교통 전문 업체에 위탁을 통한 연구결과에 의존하여 시내버스 관리 계획을 수행하였다.
따라서, 민원 대응 기반의 시내버스 관리 계획을 수립할 때 용이하게 데이터를 분석하고 확인할 수 있는 행정 친화적 분석 방법이 필요한 실정이다.
또한, 종래의 시내버스 노선 분석 방법은 단순히 효율성 평가지표값을 평균적으로 계산하여 노선 별로 비교하는 것에 그쳐, 교통 데이터 분석을 통해 문제 노선만 발견할 수 있을 뿐 실제 개별 구간의 개선은 실무자의 경험적 지식에 의존하여야하는 문제점이 있다.
따라서, 노선 내의 정류장 별, 정류장 간 효율성 평가지표를 신속하고 편리하게 산출하여 같은 노선내에서도 구간별로 효율성을 비교하고, 같은 구간이라도 노선 별로 효율성을 비교할 수 있는 시내버스 노선의 분석 방법의 필요성이 요구된다.
본 명세서의 목적은 시내버스 노선 별 분석이 아닌 노선의 구간별 비교 분석을 통해 시내버스 노선의 효율성을 구체적으로 판단할 수 있는 하는 시내버스 노선 분석 장치 및 방법을 제공하는 것이다.
또한, 본 명세서의 목적은 굴곡 구간 및 중복 구간을 이용함으로써 노선의 효율성을 다양한 측면에서 판단할 수 있는 시내버스 노선 분석 장치 및 방법을 제공하는 것이다.
본 명세서의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 명세서의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 명세서의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 명세서의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
본 명세서의 일 실시예에 따른 시내버스 노선 분석 방법은 시내버스DB에서 분석 대상 노선에 대하여 교통 카드 데이터 및 교통 기반 데이터를 포함하는 교통 정보를 검색하는 단계, 교통 정보를 이용하여 상기 분석 대상 노선의 굴곡 구간 및 중복 구간 중 적어도 하나의 구간 또는 상기 분석 대상 노선의 분리 가능성을 분석하는 단계 및 분석 결과에 기초하여 이용객 수, 통행 거리, 통행 시간, 이용 금액, 환승 횟수 및 분리 여부 중 적어도 하나를 포함하는 출력 정보를 출력하는 단계를 포함한다.
또한, 본 명세서의 일 실시예에서 교통 정보는 버스 노선에 대한 이용자의 승차 정보, 하차 정보, 노선 정보 및 사용자 정보 중 적어도 하나의 정보를 포함한다.
또한, 본 명세서의 일 실시예에서 굴곡 구간은 차량의 최단거리로부터 이탈 가능한 최대 범위인 이탈 최대 범위, 상기 차량의 운행 거리에 따른 거리 굴곡도에 기초하여 설정된다.
또한, 본 명세서의 일 실시예에서 거리 굴곡도는 하기의 수학식 1에 의해 산출된다.
<수학식 1>
여기서, d는 거리 굴곡도, s1은 분석 대상 노선의 굴곡 구간 시작 정류장, sn은 분석 대상 노선의 굴곡 구간 끝 정류장을 각각 의미한다.
또한, 본 명세서의 일 실시예에서 중복 구간은 최대 중복 노선 및 최대 중복 구간을 포함하고, 상기 최대 중복 노선 및 상기 최대 중복 구간은 GIS에 기반한 상기 비교 대상 노선 및 상기 교통 정보의 비교를 통해 분석된다.
또한, 본 명세서의 일 실시예에서 분리 가능성을 분석하는 단계는 인공지능 모델을 이용하여 상기 승차 정보 및 상기 하차 정보에 기초한 M자 패턴 분석을 통해 상기 분리 가능성을 분석하는 단계를 포함한다.
또한, 본 명세서의 일 실시예에 따른 시내버스 노선 분석 장치는 시내버스DB에서 분석 대상 노선에 대하여 교통 카드 데이터 및 교통 기반 데이터를 포함하는 교통 정보를 검색하는 검색부, 교통 정보를 이용하여 상기 분석 대상 노선의 굴곡 구간 및 중복 구간 중 적어도 하나의 구간 또는 상기 분석 대상 노선의 분리 가능성을 분석하는 분석부 및 분석 결과에 기초하여 이용객 수, 통행 거리, 통행 시간, 이용 금액, 환승 횟수 및 분리 여부 중 적어도 하나를 포함하는 출력 정보를 출력하는 출력부를 포함한다.
또한, 본 명세서의 일 실시예에서 교통 정보는 버스 노선에 대한 이용자의 승차 정보, 하차 정보, 노선 정보 및 사용자 정보 중 적어도 하나의 정보를 포함한다.
또한, 본 명세서의 일 실시예에서 굴곡 구간은 굴곡 구간의 판단 기준이 되는 이탈 최대 범위 및 상기 차량의 운행 거리에 따른 거리 굴곡도에 기초하여 설정된다.
또한, 본 명세서의 일 실시예에서 거리 굴곡도는 하기의 수학식 1에 의해 산출된다.
<수학식 1>
여기서, d는 거리 굴곡도, s1은 분석 대상 노선의 굴곡 구간 시작 정류장, sn은 분석 대상 노선의 굴곡 구간 끝 정류장을 각각 의미한다.
또한, 본 명세서의 일 실시예에서 중복 구간은 최대 중복 노선 및 최대 중복 구간을 포함하고, 상기 분석부는 GIS를 기반으로 상기 비교 대상 노선과 상기 교통 정보를 비교하여 상기 최대 중복 노선 및 상기 최대 중복 구간을 분석한다.
또한, 본 명세서의 일 실시예에서 분리부는 인공지능 모델을 이용하여 상기 승차 정보 및 상기 하차 정보에 기초한 M자 패턴 분석을 통해 상기 분리 가능성을 분석한다.
본 명세서의 일 실시예에 따른 시내버스 노선 분석 장치 및 방법은 시내버스 노선별 분석이 아닌 노선의 구간별 비교 분석을 통해 시내버스 노선의 효율성을 구체적으로 판단할 수 있다.
또한, 본 명세서의 일 실시예에 따른 시내버스 노선 분석 장치 및 방법은 굴곡 구간 및 중복 구간을 이용함으로써 노선의 효율성을 다양한 측면에서 판단할 수 있다.
도 1은 본 명세서의 일 실시예에 따른 시내버스 노선 분석 장치의 구성도이다.
도 2는 본 명세서의 일 실시예에서 교통 카드 데이터 및 교통 기반 데이터에 대한 도면이다.
도 3은 본 명세서의 일 실시예에서 출력 정보를 나타낸 도면이다.
도 4는 본 명세서의 일 실시예에 따른 교통 데이터 개체-관계 모델을 설명하기 위한 도면이다.
도 5는 본 명세서의 일 실시예에서 시내버스DB의 검색식을 나타낸 도면이다.
도 6은 본 명세서의 일 실시예에서 굴곡 구간에 대한 도면이다.
도 7은 본 명세서의 일 실시예에서 분석 대상 노선의 정류장 이용 순위를 나타낸 도면이다.
도 8은 본 명세서의 일 실시예에서 중복 구간에 대한 도면이다.
도 9는 본 명세서의 일 실시예에서 분석 대상 노선의 정류장 이용 순위를 나타낸 도면이다.
도 10은 본 명세서의 일 실시예에서 분석 대상 노선에 포함된 정류장 각각의 승/하차 인원을 나타낸 그래프이다.
도 11은 본 명세서의 일 실시예에서 M자형 패턴을 나타낸 도면이다.
도 12 및 도 13은 본 명세서의 일 실시예에서 출력 화면을 나타낸 도면이다.
도 14는 본 명세서의 일 실시예에 따른 시내버스 노선 분석 방법의 순서도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 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, A, B 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. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
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 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 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, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세하게 설명한다.
도 1은 본 명세서의 일 실시예에 따른 시내버스 노선 분석 장치의 구성도이고, 도 2는 본 명세서의 일 실시예에서 교통 카드 데이터 및 교통 기반 데이터에 대한 도면이고, 도 3은 본 명세서의 일 실시예에서 출력 정보를 나타낸 도면이고, 도 4는 본 명세서의 일 실시예에 따른 교통 데이터 개체-관계 모델을 설명하기 위한 도면이고, 도 5는 본 명세서의 일 실시예에서 시내버스DB의 검색식을 나타낸 도면이고, 도 6은 본 명세서의 일 실시예에서 굴곡 구간에 대한 도면이고, 도 7은 본 명세서의 일 실시예에서 분석 대상 노선의 정류장 이용 순위를 나타낸 도면이고, 도 8은 본 명세서의 일 실시예에서 중복 구간에 대한 도면이고, 도 9는 분석 대상 노선의 정류장 이용 순위를 나타낸 도면이다. 이하, 도 1 내지 도 9를 참조하여 시내버스 노선 분석 장치를 설명하도록 한다.
도 1을 참조하면, 시내버스 노선 분석 장치(100)는 버스 등의 시내버스 노선을 분석하는 장치로써, 입력부(110), 검색부(120), 분석부(130) 및 출력부(140)를 포함한다.
입력부(110)는 시내버스수단에 관하여 승차 정보, 하차 정보, 노선 정보 및 사용자 정보 중에서 적어도 하나에 관한 정보를 포함하는 교통 정보를 입력 받는다.
구체적으로, 교통 정보는 시내버스 이용자의 시내버스수단 이용 기록에 관한 정보인 교통 카드 데이터 및 시내버스 시설에 관한 교통 기반 데이터를 포함하며, 교통 카드 데이터 및 교통 기반 데이터는 승차 정보, 하차 정보, 노선 정보 및 사용자 정보를 각각 포함한다.
예컨대, 도 2를 참조하면, 입력부(110)는 교통카드업체(티머니)로부터 교통 카드 데이터를 입력 받고, 지방자치단체(인천광역시)로부터 교통카드 데이터 분석을 위한 교통 기반 데이터를 입력 받을 수 있다.
보다 구체적으로, 도 3에 도시된 바와 같이, 시내버스 노선 분석 장치(100)는 승차 일시의 월(9월)과 노선명(1번)을 포함하는 교통 정보를 입력 받을 수 있다.
교통 카드 데이터에서 승차 정보는 승차 일시 및 승차정류장에 관한 정보를 포함하고, 하차 정보는 하차 일시 및 하차정류장에 관한 정보를 포함하고, 노선 정보는 노선, 교통수단, 교통사업자 및 차량 번호에 관한 정보를 포함하고, 사용자 정보는 사용자구분에 관한 정보를 포함할 수 있다.
또한, 교통 기반 데이터에서 승차 정보는 승차 정류장명칭을 포함하고, 하차 정보는 하차 정류장명칭을 포함하며, 노선 정보는 노선명, 교통수단명, 교통사업자명, 차량번호를 포함할 수 있다. 또한, 사용자 정보는 사용자구분명을 포함할 수 있다.
한편, 입력부(110)는 수신한 교통 정보를 시내버스DB에 저장할 수 있다. 시내버스DB는 시내버스 이용자들이 교통 카드를 이용하여 시내버스수단을 이용한 기록에 기반하는 데이터베이스로써 어떤 사용자가 교통카드를 이용하여 버스에 탑승하고 하차할 때 그 일련의 과정에서, 승차 정보, 하차 정보, 노선 정보 및 사용자 정보를 획득하고, 그 정보들을 이용하여 구축된 데이터베이스일 수 있다.
도 4를 참조하면, 이와 같이 입수된 교통 카드 데이터와 교통 기반 데이터가 그 관계에 따라 적절히 연계하여 모델링 됨으로써, 시내버스 데이터의 개체-관계 모델(Entity Relationship Diagram, ERD)을 통해 시내버스DB가 구축될 수 있다. 시내버스 노선 분석 장치(100)는 시내버스DB와 유선 또는 무선의 네트워크를 통해 연결되어, 시내버스DB에 접근할 수 있다.
검색부(120)는, 시내버스DB에서 분석하고자 하는 분석 대상 노선에 대한 교통 정보를 검색한다.
즉, 검색부(120)는 검색식을 이용하여 시내버스DB에서 분석 대상 노선에 대응되는 교통 카드 데이터 및 교통 기반 데이터를 포함하는 교통 정보를 검색할 수 있다. 예컨대, 도 5를 참조하면, 시내버스 노선 분석 장치(100)는 SQL형태의 검색식을 구성하여 시내버스DB에서, 분석 대상 노선에 대응되는 교통 정보를 검색할 수 있다.
분석부(130)는 검색된 교통 정보를 분석한다. 즉, 시내버스 노선 분석 장치(100)는 시내버스DB에서 검색된 결과로부터, 총 이용객수, 총 통행거리(PKT), 평균 통행거리(총 통행거리/총 이용객수), 총 통행시간(PHT), 평균 통행시간(총 통행시간/총 이용객수), 총 이용금액, 총 환승횟수, 총 차량수, 승차 및 하차 정류장 정보, 정류장당 노선수, 차량수, 차량당 승객수(총 이용객수/차량수), 사용자구분별 이용객수 및 분석 대상 노선의 분리 가능성 등을 분석할 수 있다.
또한, 분석부(120)는 교통 정보를 이용하여 분석 대상 노선에 대한 굴곡 구간, 중복 구간 및 정류장 구간 중 적어도 하나의 구간을 비교 분석할 수 있다.
여기서 굴곡 구간은 분석 대상 노선 내의 굴곡진 구간으로써 이탈 최대 범위 및 거리 굴곡도에 기초하여 설정된다. 거리 굴곡도란 분석 대상 노선이 휘어진(또는 굴곡진) 정도를 나타내는 지표로써 직선에 가까운 노선은 굴곡도가 낮으며, 노선의 굴곡이 심할수록 노선의 굴곡도는 높다. 한편, 거리 굴곡도는 하기의 수학식 1에 의해 산출될 수 있다.
<수학식 1>
여기서, d는 거리 굴곡도, s1은 분석 대상 노선의 굴곡 구간 시작 정류장, sn은 분석 대상 노선의 굴곡 구간 끝 정류장을 각각 의미한다.
또한, 이탈 최대 범위는 굴곡 구간으로 판단하는 기준이 되는 범위로써 거리 굴곡도 d는 이탈 최대 범위와의 비교를 통해 굴곡 구간인지 여부가 결정될 수 있다. 이탈 최대 범위는 예컨대, 1.2 < d < 1.5일 수 있다. 따라서, 분석 대상 노선의 특정 구간의 d가 1.5를 초과하면 분석부(120)는 분석 대상 노선의 특정 구간을 굴곡 구간으로 판단할 수 있다.
도 6을 참조하면, 박스가 형성된 구간은 최단거리 대비 노선 거리가 길어 거리 굴곡도 d가 1.5를 초과하므로 굴곡 구간으로 설정된다.
한편, 분석부(120)는 분석 대상 노선의 굴곡 구간 내에서 승/하차 인원을 카운팅하여 승/하차 정류장 순위를 분석하고, 개선 필요 여부를 판단할 수 있다. 상세하게, 분석부(120)는 굴곡 구간 내에서 승/하차 정류장 순위가 기준치보다 높으면 (즉, 승/하차 인원이 많으면) 해당 구간 노선의 이용객을 고려하여 개선이 불필요하다고 판단하고, 반대로 굴곡 구간 내에서 승/하차 정류장 순위가 기준치보다 낮으면 (즉, 승/하차 인원이 적으면) 개선이 필요하다고 판단한다. 여기서, 기준치는 예컨대 5순위일 수 있다.
도 7a는 분석 대상 노선의 정류장 별 승/하차인원을 나타낸 도면이고, 도 7b는 승/하차 정류장 순위를 나타낸 표이다. 도 7a 및 도 7b에 기재된 바와 같이, 분석 대상 노선에서 승/하차 정류장 순위는 20-한진프라자, 8-논현14단지, 21-신한빌딩, 18-도림주공1단지 순이다. 여기서, 굴곡 구간의 승/하차정류장은 논현 14단지이며, 논현 14단지의 경우 굴곡 구간에 포함되어 있으나, 승/하차 정류장 순위가 2순위로서, 5순위보다 높은 순위를 가지므로 분석부(120)는 개선이 불필요하다고 판단할 수 있다. 즉, 노선의 굴곡이 심하여 대중 교통의 동선 비효율이 발생하더라도 이용 편의성을 고려함으로써 굴곡 구간이 유지될 수 있다.
한편, 도 8에 도시된 바와 같이, 중복 구간은 최대 중복 노선 및 최대 중복 구간을 포함한다. 최대 중복 노선은 분석 대상 노선과 중복되는 구간이 가장 많은 노선이며, 최대 중복 구간은 전체 운행 노선 중 분석 대상 노선과 가장 많이 겹치는 구간을 의미한다. 최대 중복 노선 및 최대 중복 구간은 GIS(Geographic Information System)에 기반한 비교 대상 노선 및 교통 정보의 비교를 통해 분석된다. 도 8에서 최대 중복 노선은 82번 노선이고, 최대 중복 구간은 붉은색의 점선으로 된 원의 내부에 포함된 구간이다.
분석부(120)는 분석 대상 노선의 중복 구간 내에서 승/하차인원을 카운팅하여 승/하차 정류장 순위를 분석하고, 개선 필요 여부를 판단할 수 있다. 상세하게, 분석부(120)는 중복 구간 내에서 승/하차 정류장 순위가 기준치보다 높으면 (즉, 승/하차 인원이 많으면) 해당 구간 노선의 이용객을 고려하여 개선이 불필요하다고 판단하고, 반대로 중복 구간 내에서 승/하차 정류장 순위가 기준치보다 낮으면 (즉, 승/하차 인원이 적으면) 개선이 필요하다고 판단한다. 여기서, 기준치는 예컨대 5순위일 수 있다.
도 9a는 분석 대상 노선의 정류장 별 승/하차인원을 나타낸 도면이고, 도 9b는 승/하차 정류장 순위를 나타낸 표이다. 도 9a 및 도 9b에 기재된 바와 같이, 분석 대상 노선에서 승/하차 정류장 순위는 103-롯데백화점, 93-주안역, 101-예술회관역, 102-인천터미널사거리입구 순이다. 여기서, 중복 구간의 승/하차정류장은 주안역이며, 주안역의 경우 중복 구간에 포함되어 있으나, 승/하차 정류장 순위가 2순위로서, 5순위 보다 높은 순위를 가지므로 분석부(120)는 개선이 불필요하다고 판단할 수 있다.
이와 같이, 분석부(120)는 분석 대상 노선의 굴곡 구간 및 중복 구간 중 적어도 하나의 구간을 이용함으로써 분석 대상 노선의 효율성을 구체적으로 분석할 수 있다.
한편, 본 명세서의 다른 실시예에서 시내버스 노선 분석 장치(100)는 분석 대상 노선의 정류장 구간에 대한 분리 가능성을 판단할 수 있다. 구체적으로, 분석부(130)는 인공지능 모델을 이용하여 승차 정보 및 하차 정보에 기초한 M자 패턴 분석을 통해 분리 가능성을 분석할 수 있다.
도 10은 분석 대상 노선에 포함된 정류장 각각의 승/하차 인원을 나타낸 그래프이고, 도 11은 M자형 패턴을 나타낸 도면이다.
도 10 및 도 11을 참조하면, 분석 대상 노선에 포함된 정류장에 대하여 승/하차 인원이 적으면 하늘색 점이 성긴 간격을 갖고, 승/하차 인원이 많으면 하늘색, 파란색, 보라색 또는 초록색 점이 촘촘한 간격을 갖도록 그래프에 표시된다.
이와 같이 그래프에 표시된 승/하차 인원을 미리 학습된 인공지능 모델을 통해 분석하면 분석 대상 노선이 효율적으로 운영되는지 여부 및 정류장 구간의 분리 가능성 여부를 알 수 있다. 여기서, 이용되는 인공 인공지능 모델은 CNN(Convolutional Neural Network)일 수 있으나 반드시 이에 한정되는 것은 아니다.
인공지능 모델의 학습 과정을 설명하면, 학습 대상 노선의 정류장 별 승/하차 인원의 그래프를 학습 데이터로 하여 학습이 진행된다. 학습 대상 노선은 학습하고자 하는 대상이 되는 지역의 모든 노선일 수 있으며, 정류장 별 승/하차 인원의 그래프에 기초하여 M자 패턴 별 라벨링(labeling) 작업을 통해 학습이 수행될 수 있다.
도 11에 도시된 그래프가 학습에 사용된 학습 대상 노선의 그래프라고 가정하면, 정류장 구간에 따라 M자 패턴 구역은 제1 구역(10), 제2 구역(20), 제3 구역(30) 및 제4 구역(40)으로 세분화될 수 있다. 도 11의 학습 대상 노선은 소래포구역을 기점으로 하고, 만석비치타운을 종점으로 하는 상행/하행 노선이다.
제1 구역(10) 및 제2 구역(20)이 형성하는 M자 패턴의 경우, M자 패턴에 속하지 않는 승/하차 인원은 2,144명이고, 제3 구역(30) 및 제4 구역(40)이 형성하는 M자 패턴의 경우, M자 패턴에 속하지 않는 승/하차 인원은 570명이다.
이때, M자 패턴이 명확한 경우 '노선 유지', M자 패턴이 불명확한 경우 '노선 분리 필요'의 라벨이 부여될 수 있다. 예를 들어, 제1 구역(10) 및 제2 구역(20)의 경우 제1 구역(10) 및 제2 구역(20)에 속하지 않는 승/하차 인원(2,144명)에 의해 M자 패턴이 불명확 하므로 롯데백화점에 대하여 '노선 유지'라벨이 부여될 수 있다.
이때, M자 패턴이 불명확 한지 여부에 대한 판단은 미리 설정된 기준값과의 비교를 통해 이루어질 수 있다. 구체적으로, 전체 승/하차 인원 수 대비 M자 패턴 구역에 속하지 않는 승/하차 인원수의 비율이 기준값보다 작은 경우 M자 패턴이 불명확하다고 판단될 수 있고, 기준값은 예컨대 5%일 수 있다.
이와 같이, 라벨링 된 학습 데이터를 이용하여 인공지능 모델이 학습되며, 학습된 인공지능 모델은 동일 또는 유사한 인구수, 노선 수, 정류장 수를 가진 지역에 대하여 노선 정류장 구간의 효율성 및 분리 가능성을 판단 시 이용될 수 있다.
출력부(140)는 분석 결과에 기초하여 이용객 수, 통행 거리, 통행 시간, 이용 금액 및 환승 횟수 중 적어도 하나를 포함하는 출력 정보를 출력한다.
출력부(140)는 출력 정보를 디스플레이 장치를 통해 출력할 수 있다. 나아가, 출력부(140)는 출력 정보를 보고서 형태로 재구성하여, 디스플레이 장치를 통해 출력하거나, 종이에 인쇄하거나, 이메일로 발송할 수 있음은 물론이다.
도 12 및 도 13은 본 명세서의 일 실시예에서 출력 화면을 나타낸 도면이다.
일 실시예에서, 도 12를 참조하면, 출력부(140)는 이용객수, 초승(환승횟수0), 환승(환승횟수 1이상), 차량당 승객수, PKT, 평균 PKT, PHT, 평균 PHT, 차량수, 환승횟수, 사용자구분별 이용객수 등을 분석하여 디스플레이 장치에 출력할 수 있다.
다른 실시예에서, 출력부(140)는 교통 정보의 비교 분석 결과를 통해 도 13에 도시된 바와 같이 PPV(이용객수/차량대수), 시간대별노선이용, TLFD, 승/하차 정류장 이용순위, 전체노선 이용비율, 환승횟수, 노선이용비율, 차량별이용비율, 사용자비율을 출력할 수 있다.
또한, 출력 정보는 분석 결과에 기초한 굴곡 구간 개선 필요 여부, 중복 구간 개선 필요 여부 및 정류장 분리 필요 여부를 포함할 수 있다. 사용자는 굴곡 구간 개선 필요 여부, 중복 구간 개선 필요 여부 및 정류장 분리 필요 여부를 확인하여 분석 대상 노선이 효율적인지 여부를 손쉽게 판단할 수 있다.
도 14는 본 명세서의 일 실시예에 따른 시내버스 노선 분석 방법의 순서도이다.
도면을 참조하면, 시내버스 분석 방법은 시내버스 분석 장치가 시내버스DB에서 분석 대상 노선에 대하여 교통 카드 데이터 및 교통 기반 데이터를 포함하는 교통 정보를 검색한다(S120). 여기서, 교통 정보는 버스 노선에 대한 이용자의 승차 정보, 하차 정보, 노선 정보 및 사용자 정보 중 적어도 하나의 정보를 포함한다.
또한, 시내버스 분석 장치는 교통 정보를 이용하여 상기 분석 대상 노선의 굴곡 구간, 중복 구간 및 정류장 구간 중 적어도 하나의 구간을 비교 분석한다(S130). 이때, 굴곡 구간은 차량의 최단거리로부터 이탈 가능한 최대 범위인 이탈 최대 범위, 차량의 운행 거리에 따른 거리 굴곡도에 기초하여 설정되고, 중복 구간은 최대 중복 노선 및 최대 중복 구간을 포함하고, 최대 중복 노선 및 상기 최대 중복 구간은 GIS에 기반한 상기 비교 대상 노선 및 상기 교통 정보의 비교를 통해 분석된다.
마지막으로, 시내버스 분석 장치는 분석 결과에 기초하여 이용객 수, 통행 거리, 통행 시간, 이용 금액 및 환승 횟수 중 적어도 하나를 포함하는 출력 정보를 출력한다(S140).
위와 같이, 본 명세서의 일 실시예에 따른 시내버스 노선 분석 장치 및 방법은 시내버스 노선별 분석이 아닌 노선의 구간별 비교 분석을 통해 시내버스 노선의 효율성을 구체적으로 판단할 수 있다.
또한, 본 명세서의 일 실시예에 따른 시내버스 노선 분석 장치 및 방법은 굴곡 구간 및 중복 구간을 이용함으로써 노선의 효율성을 다양한 측면에서 판단할 수 있다.
이상과 같이 본 발명에 대해서 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시 예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술사상의 범위 내에서 통상의 기술자에 의해 다양한 변형이 이루어질 수 있음은 자명하다. 아울러 앞서 본 발명의 실시 예를 설명하면서 본 발명의 구성에 따른 작용 효과를 명시적으로 기재하여 설명하지 않았을지라도, 해당 구성에 의해 예측 가능한 효과 또한 인정되어야 함은 당연하다.

Claims (12)

  1. 시내버스 노선을 분석하는 방법에 있어서,
    시내버스DB에서 분석 대상 노선에 대하여 교통 카드 데이터 및 교통 기반 데이터를 포함하는 교통 정보를 검색하는 단계;
    상기 교통 정보를 이용하여 상기 분석 대상 노선의 굴곡 구간 및 중복 구간 중 적어도 하나의 구간 또는 상기 분석 대상 노선의 분리 가능성을 분석하는 단계; 및
    상기 분석 결과에 기초하여 이용객 수, 통행 거리, 통행 시간, 이용 금액, 환승 횟수 및 분리 여부 중 적어도 하나를 포함하는 출력 정보를 출력하는 단계를 포함하고,
    상기 분석하는 단계는,
    상기 분석 대상 노선의 상기 굴곡 구간 및 상기 중복 구간 중 적어도 하나의 구간 내에서 승/하차 인원을 카운팅하여, 승/하차 정류장 순위를 분석하며,
    상기 승/하차 정류장 순위를 기준치와 비교하여, 상기 분석 대상 노선의 상기 굴곡 구간 및 상기 중복 구간 중 적어도 하나의 구간의 개선 필요 여부를 판단하는 것을 특징으로 하는
    시내버스 노선 분석 방법.
  2. 제1항에 있어서,
    상기 교통 정보는
    상기 시내버스 노선에 대한 이용자의 승차 정보, 하차 정보, 노선 정보 및 사용자 정보 중 적어도 하나의 정보를 포함하는
    시내버스 노선 분석 방법.
  3. 제1항에 있어서,
    상기 굴곡 구간은
    상기 굴곡 구간의 판단 기준이 되는 이탈 최대 범위 및 상기 시내버스 노선의 운행 거리에 따른 거리 굴곡도에 기초하여 설정되는
    시내버스 노선 분석 방법.
  4. 제3항에 있어서,
    상기 거리 굴곡도는 하기의 수학식 1에 의해 산출되는 시내버스 노선 분석 방법.

    <수학식 1>


    여기서, d는 거리 굴곡도, s1은 분석 대상 노선의 굴곡 구간 시작 정류장, sn은 분석 대상 노선의 굴곡 구간 끝 정류장을 각각 의미한다.
  5. 제1항에 있어서,
    상기 중복 구간은
    최대 중복 노선 및 최대 중복 구간을 포함하고, 상기 최대 중복 노선 및 상기 최대 중복 구간은 GIS에 기반한 비교 대상 노선 및 상기 교통 정보의 비교를 통해 분석되는
    시내버스 노선 분석 방법.
  6. 제2항에 있어서,
    상기 분리 가능성을 분석하는 단계는
    인공지능 모델을 이용하여 상기 승차 정보 및 상기 하차 정보에 기초한 M자 패턴 분석을 통해 상기 분리 가능성을 분석하는 단계를 포함하는
    시내버스 노선 분석 방법.
  7. 시내버스 노선을 분석하는 장치에 있어서,
    시내버스DB에서 분석 대상 노선에 대하여 교통 카드 데이터 및 교통 기반 데이터를 포함하는 교통 정보를 검색하는 검색부;
    상기 교통 정보를 이용하여 상기 분석 대상 노선의 굴곡 구간 및 중복 구간 중 적어도 하나의 구간 또는 상기 분석 대상 노선의 분리 가능성을 분석하는 분석부; 및
    상기 분석 결과에 기초하여 이용객 수, 통행 거리, 통행 시간, 이용 금액, 환승 횟수 및 분리 여부 중 적어도 하나를 포함하는 출력 정보를 출력하는 출력부를 포함하고,
    상기 분석부는,
    상기 분석 대상 노선의 상기 굴곡 구간 및 상기 중복 구간 중 적어도 하나의 구간 내에서 승/하차 인원을 카운팅하여, 승/하차 정류장 순위를 분석하며,
    상기 승/하차 정류장 순위를 기준치와 비교하여, 상기 분석 대상 노선의 상기 굴곡 구간 및 상기 중복 구간 중 적어도 하나의 구간의 개선 필요 여부를 판단하는 것을 특징으로 하는
    시내버스 노선 분석 장치.
  8. 제7항에 있어서,
    상기 교통 정보는
    상기 시내버스 노선에 대한 이용자의 승차 정보, 하차 정보, 노선 정보 및 사용자 정보 중 적어도 하나의 정보를 포함하는
    시내버스 노선 분석 장치.
  9. 제7항에 있어서,
    상기 굴곡 구간은
    상기 굴곡 구간의 판단 기준이 되는 이탈 최대 범위 및 상기 시내버스 노선의 운행 거리에 따른 거리 굴곡도에 기초하여 설정되는
    시내버스 노선 분석 장치.
  10. 제9항에 있어서,
    상기 거리 굴곡도는 하기의 수학식 1에 의해 산출되는 시내버스 노선 분석 장치.

    <수학식 1>


    여기서, d는 거리 굴곡도, s1은 분석 대상 노선의 굴곡 구간 시작 정류장, sn은 분석 대상 노선의 굴곡 구간 끝 정류장을 각각 의미한다.
  11. 제7항에 있어서,
    상기 중복 구간은
    최대 중복 노선 및 최대 중복 구간을 포함하고, 상기 분석부는 GIS를 기반으로 비교 대상 노선과 상기 교통 정보를 비교하여 상기 최대 중복 노선 및 상기 최대 중복 구간을 분석하는
    시내버스 노선 분석 장치.
  12. 제8항에 있어서,
    상기 분석부는
    인공지능 모델을 이용하여 상기 승차 정보 및 상기 하차 정보에 기초한 M자 패턴 분석을 통해 상기 분리 가능성을 분석하는
    시내버스 노선 분석 장치.

KR1020210105529A 2021-08-10 2021-08-10 시내버스 노선 분석 장치 및 방법 KR102586430B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210105529A KR102586430B1 (ko) 2021-08-10 2021-08-10 시내버스 노선 분석 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210105529A KR102586430B1 (ko) 2021-08-10 2021-08-10 시내버스 노선 분석 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20230023411A KR20230023411A (ko) 2023-02-17
KR102586430B1 true KR102586430B1 (ko) 2023-10-10

Family

ID=85327338

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210105529A KR102586430B1 (ko) 2021-08-10 2021-08-10 시내버스 노선 분석 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102586430B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102268397B1 (ko) 2021-01-19 2021-06-23 주식회사 데이터사이언스랩 유동 인구 및 노선 밀도 기반의 버스 노선 최적화 판단 방법 및 장치

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100428797B1 (ko) * 2001-01-13 2004-04-29 (주)네오티시스 대중교통 정보처리시스템
KR101071902B1 (ko) * 2009-05-21 2011-10-10 (재)국토연구원 운영자 관점의 대중교통체계 평가 시스템
KR20110055854A (ko) * 2009-11-20 2011-05-26 현대모비스 주식회사 커브 구간의 곡률 및 차량 속도를 이용하여 커브 구간 경로 안내를 수행하는 내비게이션 시스템 및 그 경로 안내 방법
KR101595417B1 (ko) * 2010-12-17 2016-02-19 한국철도기술연구원 교통카드자료를 활용한 대중교통 통행분석 시스템 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102268397B1 (ko) 2021-01-19 2021-06-23 주식회사 데이터사이언스랩 유동 인구 및 노선 밀도 기반의 버스 노선 최적화 판단 방법 및 장치

Also Published As

Publication number Publication date
KR20230023411A (ko) 2023-02-17

Similar Documents

Publication Publication Date Title
Chakrabarti How can public transit get people out of their cars? An analysis of transit mode choice for commute trips in Los Angeles
CN104318324B (zh) 基于出租车gps记录的机场巴士站点及路线规划方法
KR102064665B1 (ko) 교통카드 데이터 기반 버스 정보와 승하차 누락 및 결측 데이터 보정 시스템
CN114390079A (zh) 一种智慧城市公共场所管理方法和物联网系统
CN106887146B (zh) 导向标识系统的信息处理方法与导向标识系统
CN106503868A (zh) 一种车队线路规划方法及相关设备
CN106897801A (zh) 司机分类的方法、装置、设备以及存储介质
WO2016067369A1 (ja) 人流分析システムおよび人流分析方法
CN107886756B (zh) 一种场内停车路径智能引导方法
Ma et al. Public transportation big data mining and analysis
Saha et al. Deep learning approach for predictive analytics to support diversion during freeway incidents
Fitzpatrick et al. Guidebook on identification of high pedestrian crash locations
KR102586430B1 (ko) 시내버스 노선 분석 장치 및 방법
US10402755B2 (en) Transportation service information providing apparatus, and transportation service information providing method
Jasti et al. Integrated performance assessment and service level benchmarking of urban bus system using fuzzy logic
US11176817B2 (en) Guiding signs system and information processing method thereof
Caros et al. Ridership and operations visualization engine: An integrated transit performance and passenger journey visualization engine
Naoum-Sawaya et al. Ridesharing for emergency evacuation
CN116187762A (zh) 一种基于Anylogic的轨道交通枢纽站瓶颈风险识别方法
JP5824695B2 (ja) 経路算出方法及び経路算出装置
Taye Accessibility and suitability analysis of light rail station location by using (AHP) and GIS: Case study on existing and future expansion of Addis Ababa LRT respectively
KR102519859B1 (ko) 대중교통 데이터 분석 방법 및 그 시스템
Kent et al. Almost Automating the Planner: Florida Department of Transportation’s Approach to Understanding Places through Context Classification
CN112733891B (zh) 对出行链断链时公交ic卡乘客进行下车站点识别的方法
US11798108B2 (en) Transportation service planning system and transportation service planning method

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