KR20140021178A - 고속도로 휴게소의 최적 위치와 규모의 산출 방법 및 장치 - Google Patents

고속도로 휴게소의 최적 위치와 규모의 산출 방법 및 장치 Download PDF

Info

Publication number
KR20140021178A
KR20140021178A KR1020120087103A KR20120087103A KR20140021178A KR 20140021178 A KR20140021178 A KR 20140021178A KR 1020120087103 A KR1020120087103 A KR 1020120087103A KR 20120087103 A KR20120087103 A KR 20120087103A KR 20140021178 A KR20140021178 A KR 20140021178A
Authority
KR
South Korea
Prior art keywords
prediction
case
cases
dependent variable
values
Prior art date
Application number
KR1020120087103A
Other languages
English (en)
Other versions
KR101502539B1 (ko
Inventor
홍태훈
구충완
김지민
지창윤
김현중
Original Assignee
연세대학교 산학협력단
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 연세대학교 산학협력단 filed Critical 연세대학교 산학협력단
Priority to KR1020120087103A priority Critical patent/KR101502539B1/ko
Publication of KR20140021178A publication Critical patent/KR20140021178A/ko
Application granted granted Critical
Publication of KR101502539B1 publication Critical patent/KR101502539B1/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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q50/40—

Abstract

본 발명의 실시예에 따른 고속도로 휴게소의 최적 규모 산출 방법은 각각의 사례가 적어도 통과교통량을 포함하는 복수의 독립 변수들과 휴게소 이용률과 차량당 매출액을 포함하는 종속 변수로써 표현되는 사례 데이터베이스와, 독립 변수 시험값들이 주어지는 테스트 사례를 제공하는 단계, 주어진 독립 변수 시험값들에 관하여 사례 데이터베이스로부터 검색되는 결과를 기초로 휴게소 이용률 예측값을 추정하는 단계, 그리고 주어진 독립 변수 시험값들 및 휴게소 이용률 예측값에 관하여 사례 데이터베이스로부터 검색되는 결과를 기초로 차량당 매출액 예측값을 추정하는 단계를 포함할 수 있다. 나아가, 휴게소 이용률 예측값으로부터 목표 서비스율을 달성할 수 있는 휴게소 편의 시설의 규모를 결정하는 단계가 더 포함될 수 있다.

Description

고속도로 휴게소의 최적 위치와 규모의 산출 방법 및 장치{METHOD AND APPARATUS FOR OBTAINING OPTIMAL LOCATION AND CAPACITY OF EXPRESSWAY SERVICE AREA}
본 발명은 고속도로 휴게소 운영에 관한 것으로, 더욱 상세하게는, 고속도로 휴게소의 위치 및 규모 최적화 기법에 관한 것이다.
고속도로의 설계 기준을 규정한 도로설계편람에 따르면, 고속도로 휴게소는 "연속적인 고속 주행의 피로와 긴장을 풀어주고 운전자의 생리적 요구를 해소시키며, 자동차의 급유, 정비 등의 기회를 제공할 수 있는 시설"로 정의하고 있다.
휴게소는 주차장, 녹지, 화장실, 식당, 매점, 주유소, 정비소, 부대 시설, 광장, 통로, 연락도로 등을 포함하여야 하고, 다만 간이 휴게소는 주유소와 매점, 식당 등은 구비하지 않아도 된다.
고속도로 휴게시설의 설치에 관하여, 도로설계편람은 "각 시설들간의 거리는 너무 가깝거나 또는 너무 멀리 설치되지 않도록 적정간격을 유지하여 설치한다"라고 권고하면서, 휴게소, 간이휴게소, 주유소와 같은 각종 시설끼리는 표준 15 km, 최대 25 km 떨어지게 설치되고, 휴게소 상호 간에는 표준 50 km, 최대 100 km, 주유소 상호간에는 표준 50 km, 최대 60 km 떨어지게 배치되도록 규정되어 있다.
이러한 휴게소 설치 간격의 근거나 타당성은 불분명하지만, 장거리 도로의 경우 상당 개소의 휴게소가 필요하다는 사실에는 변함이 없다. 실제로, 대한민국의 경우, 고속도로 휴게소는, 1970년 4 곳의 간이휴게소가 개소한 이후, 2011년 6월 기준으로 총 170 개가 개설되었다. 그러나, 28 개의 휴게소는 적자 운영 등의 문제로 폐쇄되었고, 2011년 6월 현재 142 개가 운영 중에 있다. 보도에 따르면, 약 25%의 휴게소가 적자를 기록한다고 한다.
이처럼 고속도로 휴게소들이 일반적인 관측보다 적자 운영되거나 폐쇄되는 사례가 많은 것은, 투자 계획이 주먹구구식이기 때문일 수도 있지만, 현행 규정이 다음과 같이 세 가지 측면에서 현실에 부적합하기 때문일 수 있다.
먼저, 휴게소의 규모 산정의 문제이다. 휴게소는 기본적으로 운전자의 휴식과 생리적 요구를 해소하기 위한 시설이므로, 대규모의 주차 공간이 필요하다. 현행 규정은 통과교통량에 따라 주차면수를 산출하고, 주차면수에 따라 전체 휴게소의 편의시설(화장실, 녹지 등), 영업시설(주유소, 매점, 식당 등)과 운영시설(관리사무소, 하수처리장, 소각장 등)의 규모를 일괄적으로 산정한다. 예를 들어, 도로설계편람 표 902.7을 참조하면, 주차면수 251대 이상의 경우 휴게소의 표준 규모는 화장실 350 ㎡, 식당 950 ㎡, 매점 255 ㎡, 주유소 550 ㎡으로 규정되어 있다.
둘째, 주차면수의 산정 과정에서 통과교통량이 현실을 반영하지 못하고 과도하게 적용되고 있다. 현행 규정에서는, 개통 10년 후 시점에서 연간 365일의 통과교통량 기록 중 상위 10%, 즉 35번째 되는 통과교통량을 설계 기준으로 정의한다. 이는 연간 10% 정도의 이용일에는 서비스 용량을 초과하더라도, 연간 90% 정도의 이용일에는 해당 휴게소의 서비스가 확보될 수 있는 용량을 정의한 것이다. 이러한 규정은 1년 동안 통과교통량의 편차가 크고 대부분의 이용일에는 이용률이 저조함에도 불구하고 상위 10%의 정도의 이용일에 서비스를 원활하게 확보하기 위해 예를 들어 하위 50%의 이용일 동안에는 이용이 상당히 저조할 수도 있는 시설을 유지하도록 강제한다.
셋째, 주차면수의 산정 과정에서 적용되는 환산계수인 휴게소 이용률, 회전률, 혼잡률은 해외의 기준을 무분별하게 도입하거나 제한적인 설문조사 결과를 활용하여 산출하거나, 위치에 상관하지 않고 고정된 수치를 적용하는 등 현실을 적절히 반영하지 않고 있다. 예를 들어, 출발 도시나 도착 도시에 가까운 위치에서는 시설 이용률이 낮을 것이 예상되지만, 규정에서 제시하는 이용률, 혼잡률은 어느 위치에서나 동일하게 적용된다. 이에 따라 실제 수요보다 훨씬 큰 주차면수가 산출되고 시설규모도 마찬가지로 실제 수요보다 크게 산출된다. 이러한 경우에, 영업허가를 받기 위해서는 영업시설에 매출액 대비 과다하게 투자할 수 밖에 없고 결국 적자를 야기하게 된다.
휴게소는 설치에 100억 원 이상의 투자가 필요하지만 입지적 한계 때문에 적자가 나더라도 수지 개선에는 한계가 있다. 이러한 문제를 휴게소 운영권을 받은 민간 사업자에게 모두 전가시키는 것은 부당할 수 있다.
애초에 도로설계편람에서는 자연 환경 조건, 용지 및 시설의 확보와 건설 유지 관리의 편의성, 도로 및 교통 측면의 조건을 제시할 뿐, 경제성 분석에 관한 입지 조건은 무시하고 있다.
통계적으로도, 발명자가 출원일 현재까지 개설된 대한민국의 고속도로 휴게소 이용 현황을 분석한 결과에 따르면, 통과교통량과 휴게소 건축면적 사이의 상관계수는 약 0.38, 휴게소 이용차량대수와 휴게소 건축면적 사이의 상관계수는 0.43 정도로, 매우 낮은 상관성을 보임을 알 수 있다. 현행 규정에 따른 휴게소 건축 규모 산정 방식이 매우 불합리하다는 점이 통계적으로도 입증되고 있다.
이러한 문제점을 인식하고 있음에도 불구하고, 기존의 연구는 도로설계편람의 규모 산출 방식은 그대로 유지한채, 수치적 분석을 통한 휴게소 이용률, 회전률, 혼잡률 등의 환산계수 산정이나 주차면수의 수치 산정에 관한 연구에 국한될 뿐이어서, 휴게소의 다양한 특성들이 반영되지 않아 적정 규모를 예측하는 데에 한계가 있다.
또한, 매출액 예측을 통한 투자의사결정에 관하여 연구가 일부 진행되었으나, 여전히 고정된 환산 계수를 이용하는 등 모델의 신뢰성에 문제가 있거나, 회귀 분석과 같은 선형 모델에 국한되어 예측 정확도에 한계를 보이고 있다.
따라서, 현행 고속도로 휴게소 규모 산정 모델의 불합리성을 개선하고 적자 운영되는 휴게소의 개설을 미연에 방지하기 위해서는 휴게소의 계획 위치에 따른 적정 규모를 정확히 예측하는 모델이 필요하다.
나아가, 동일한 규모에서도 수익성과 효율을 증대시키기 위해서는, 현행 규정처럼 주차면수에서 일괄적으로 규모를 산정하는 대신에, 시설 이용률로부터 세분화된 건축면적을 정확하게 산정하는 모델이 필요하다.
본 발명이 해결하고자 하는 과제는 지금까지 수집된 운영 사례들에 기반하여 앞으로 신설 또는 증축하고자 하는 고속도로 휴게소의 최적 위치 및 규모 산출 방법 및 장치를 제공하는 데에 있다.
본 발명의 일 측면에 따른 고속도로 휴게소의 최적 규모 산출 방법은,
각각의 사례가 적어도 통과교통량을 포함하는 복수의 독립 변수들과 휴게소 이용률과 차량당 매출액을 포함하는 종속 변수로써 표현되는 사례 데이터베이스와, 독립 변수 시험값들이 주어지는 테스트 사례를 제공하는 단계;
상기 주어진 독립 변수 시험값들에 관하여 상기 사례 데이터베이스로부터 검색되는 결과를 기초로 휴게소 이용률 예측값을 추정하는 단계; 및
상기 주어진 독립 변수 시험값들 및 상기 휴게소 이용률 예측값에 관하여 상기 사례 데이터베이스로부터 검색되는 결과를 기초로 차량당 매출액 예측값을 추정하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 휴게소 이용률 예측값을 추정하는 단계는,
상기 사례 데이터베이스 내의 사례들의 휴게소 이용률 값들을 통과교통량 기준에 따라 적어도 두 개의 군집으로 분할하는 단계;
상기 주어진 통과교통량이 속하는 군집에서 상기 주어진 독립 변수 시험값들에 관하여 유사 사례들을 검색하는 단계; 및
상기 검색된 유사 사례들의 휴게소 이용율 값들을 참조하여 휴게소 이용률 예측값을 추정하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 차량당 매출액 예측값을 추정하는 단계는,
상기 사례 데이터베이스 내의 사례들의 차량당 매출액 값들을 고속도로 번호 기준에 따라 적어도 두 개의 군집으로 분할하는 단계;
휴게소를 설치하려는 고속도로가 속하는 군집에서 주어진 독립 변수 시험값들 및 상기 휴게소 이용률 예측값에 관하여 유사 사례들을 검색하는 단계; 및
상기 검색된 유사 사례들의 차량당 매출액 값들을 참조하여 차량당 매출액 예측값을 추정하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 사례 데이터베이스의 검색은,
적어도 둘 이상의 정량적 예측 방법론들에 기초한 각각의 종속 변수 예측값들 및 오차율들을 기초로 필터링 범위를 결정하는 단계;
적어도 사례기반추론(Case Based Reasoning)을 위한 파라미터들을 유전자 알고리즘(Gene Algorithm)을 이용하여 최적화하는 단계; 및
최적화된 파라미터들에 기초한 사례기반추론으로부터 얻은 검색 사례들 중에서 종속 변수값들이 상기 필터링 범위 내에 있는 검색 사례들을 유사 사례로서 출력하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 적어도 둘 이상의 정량적 예측 방법론들은 MRA(다중 회귀 분석), ANN(인공신경망)을 포함할 수 있다.
일 실시예에 있어서, 상기 필터링 범위는
상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 하한값들 중의 최대와, 상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 상한값들 중의 최소 사이의 교차 범위(cross-range)일 수 있다.
일 실시예에 있어서, 상기 필터링 범위는
상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 하한값들 중의 최대와 상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 상한값들 중의 최소 사이의 교차 범위를 허용 한계율(tolerance range)만큼 확대한 확대 교차 범위일 수 있다.
일 실시예에 있어서, 상기 적어도 사례기반추론을 위한 파라미터들은,
사례기반추론을 위한 파라미터들로서 MCAS(minimum criterion for scoring attribute similarity), RAWn(Range of nth Attribute Weight), RCS(range of case selection)과, 필터링 범위의 결정을 위한 파라미터들로서 TRCRMA(Tolerance range of cross range between the predicted values of MRA and ANN models)를 포함할 수 있다.
일 실시예에 있어서, 군집의 분할은 디시전 트리(decision tree) 방법론을 포함하는 군집 분석 방법론에 따라 수행될 수 있다.
일 실시예에 있어서, 상기 고속도로 휴게소의 최적 규모 산출 방법은,
상기 휴게소 이용률 예측값으로부터 목표 서비스율을 달성할 수 있는 휴게소 편의 시설의 규모를 결정하는 단계를 더 포함할 수 있다.
일 실시예에 있어서, 상기 고속도로 휴게소의 최적 규모 산출 방법은,
상기 사례 데이터베이스에 저장된 사례들로부터 도출된 단위면적당 매출액의 확률 분포 함수를 기초하여 목표 단위면적당 매출액이 선택되면, 상기 목표 단위면적당 매출액을 가지고 상기 휴게소 매출액 예측값을 달성할 수 있는 휴게소의 영업 시설 규모를 결정하는 단계를 더 포함할 수 있다.
일 실시예에 있어서, 상기 고속도로 휴게소의 최적 규모 산출 방법은
상기 휴게소 이용률 예측값을 기초로 고속도로 휴게소의 주차장을 포함하는 편의 시설 면적을 추정하는 단계를 더 포함할 수 있다.
본 발명의 다른 측면에 따른 테스트 사례 프로젝트의 최적 투입 자원 산출 방법은,
각각의 사례가 적어도 독립 변수들(independent variables)과 제1 및 제2 종속 변수들(target variables)로써 표현되는 사례 데이터베이스와, 독립 변수 시험값들이 주어지는 테스트 사례를 제공하는 단계;
상기 주어진 독립 변수 시험값들에 관하여 상기 사례 데이터베이스로부터 검색되는 결과를 기초로 제1 종속 변수 예측값을 추정하는 단계; 및
상기 주어진 독립 변수 시험값들과 상기 제1 종속 변수 예측값에 관하여 상기 사례 데이터베이스로부터 검색되는 결과를 기초로 제2 종속 변수 예측값을 추정하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 제1 종속 변수 예측값을 추정하는 단계는
상기 사례 데이터베이스 내의 사례들의 제1 종속 변수 값들을 제1 분할 기준 독립 변수에 따라 적어도 두 개의 군집으로 분할하는 단계;
상기 제1 분할 기준 독립 변수의 시험값이 속하는 군집에서 상기 주어진 독립 변수 시험값들에 관하여 유사 사례들을 검색하는 단계; 및
상기 검색된 유사 사례들의 제1 종속 변수 값들을 참조하여 제1 종속 변수 예측값을 추정하는 단계를 포함할 수 있다.
일 실시예에 있어서,
상기 제2 종속 변수 예측값을 추정하는 단계는,
상기 사례 데이터베이스 내의 사례들의 제2 종속 변수 값들을 제2 분할 기준 독립 변수에 따라 적어도 두 개의 군집으로 분할하는 단계;
상기 주어진 제2 분할 기준 독립 변수의 시험값이 속하는 군집에서 상기 주어진 독립 변수 시험값들과 상기 제1 종속 변수 예측값에 관하여 유사 사례들을 검색하는 단계; 및
상기 검색된 유사 사례들의 제2 종속 변수 값들을 참조하여 제2 종속 변수 예측값을 추정하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 사례 데이터베이스의 검색은,
적어도 둘 이상의 정량적 예측 방법론들에 기초한 각각의 종속 변수 예측값들 및 오차율들을 기초로 필터링 범위를 결정하는 단계;
사례기반추론(Case Based Reasoning)을 위한 파라미터들을 유전자 알고리즘(Gene Algorithm)을 이용하여 최적화하는 단계; 및
최적화된 파라미터들에 기초한 사례기반추론으로부터 얻은 검색 사례들 중에서 종속 변수 값들이 상기 필터링 범위 내에 있는 검색 사례들을 유사 사례로서 출력하는 단계를 포함할 수 있다.
일 실시예에 있어서, 상기 적어도 둘 이상의 정량적 예측 방법론들은 MRA(다중 회귀 분석), ANN(인공신경망)을 포함할 수 있다.
일 실시예에 있어서, 상기 필터링 범위는
상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 하한값들 중의 최대와, 상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 상한값들 중의 최소 사이의 교차 범위(cross-range)일 수 있다.
일 실시예에 있어서, 상기 필터링 범위는
상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 하한값들 중의 최대와 상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 상한값들 중의 최소 사이의 교차 범위를 허용 한계율만큼 확대한 확대 교차 범위일 수 있다.
일 실시예에 있어서, 군집의 분할은 디시전 트리 방법론을 포함하는 군집 분석 방법론에 따라 수행될 수 있다.
일 실시예에 있어서, 상기 테스트 사례 프로젝트의 최적 투입 자원 산출 방법은,
상기 제2 종속 변수 값이 성과에 관한 것일 경우에, 상기 사례 데이터베이스에 저장된 사례들로부터 투입 자원에 따른 성과의 확률 분포 곡선을 도출하고, 상기 확률 분포 곡선에 기초하여 선택된 목표 성과를 가지고 상기 테스트 사례 프로젝트에서 상기 제2 종속 변수 예측값을 달성하기 위해 투입되어야 하는 투입 자원의 양을 결정하는 단계를 더 포함할 수 있다.
발명의 또 다른 측면에 따른 테스트 사례 프로젝트의 최적 투입 자원 산출 장치는,
각각의 사례가 적어도 독립 변수들과 제1 및 제2 종속 변수들로써 표현되는 사례 데이터베이스;
독립 변수 시험값들이 주어지는 테스트 사례가 제공되면, 상기 주어진 독립 변수 시험값들에 관하여 상기 사례 데이터베이스로부터 검색되는 결과를 기초로 제1 종속 변수 예측값을 추정하는 제1 예측부; 및
상기 주어진 독립 변수 시험값들과 상기 제1 종속 변수 예측값에 관하여 상기 사례 데이터베이스로부터 검색되는 결과를 기초로 제2 종속 변수 예측값을 추정하는 제2 예측부를 포함할 수 있다.
일 실시예에 따라, 상기 테스트 사례 프로젝트의 최적 투입 자원 산출 장치는,
상기 사례 데이터베이스 내의 사례들의 종속 변수 값들을 분할 기준 독립 변수에 따라 적어도 두 개의 군집으로 분할하여 상기 제1 예측부 또는 상기 제2 예측부에 제공하는 군집 분할부를 더 포함할 수 있다.
일 실시예에 있어서, 상기 제1 예측부 또는 상기 제2 예측부의 각각은
적어도 둘 이상의 정량적 예측 방법론들에 기초하여 상기 사례 데이터베이스의 사례들에 관하여 종속 변수 예측값들, 오차율들 및 예측 범위들을 연산하는 정량적 예측 분석부;
상기 사례 데이터베이스의 사례들 중에서 사례기반추론을 이용하여 테스트 사례와 유사한 사례들을 검색하는 사례기반추론 모델;
상기 사례기반추론 모델을 위한 파라미터들을 유전자 알고리즘을 이용하여 최적화하는 파라미터 최적화부; 및
상기 종속 변수 예측값들, 오차율들 및 예측 범위들을 기초로 결정되는 필터링 범위를 가지고 상기 사례기반추론 모델에서 검색된 사례들을 필터링하여 유사 사례를 출력하는 필터링부를 포함할 수 있다.
일 실시예에 있어서, 상기 테스트 사례 프로젝트의 최적 투입 자원 산출 장치는,
상기 사례 데이터베이스의 사례들을 기초로 투입 자원당 성과에 관한 경험적 확률 분포를 분석하는 자원-성과 확률 분포 분석부; 및
의사결정자가 상기 경험적 확률 분포를 기초로 특정한 목표 성과를 가지고 상기 제2 종속 변수 예측값을 달성하기 위해 투입되어야 하는 자원을 분석하는 최적 투입 자원 결정부를 더 포함할 수 있다.
본 발명의 고속도로 휴게소의 최적 위치 및 규모 산출 방법 및 장치에 따르면, 통과교통량으로부터 휴게소 이용률이 예측되고, 휴게소 이용률로부터 주차면수를 산출하므로 실제 주차 수요를 현실성있게 예측할 수 있다.
본 발명의 고속도로 휴게소의 최적 위치 및 규모 산출 방법 및 장치에 따르면, 휴게소 이용률로부터 매출액을 산출하며, 매출액을 기초로 건축면적을 산출하므로, 실제 효율적으로 운영할 수 있는 영업시설의 면적과, 그로부터 가능한 매출액을 현실성있게 예측할 수 있다.
본 발명의 고속도로 휴게소의 최적 위치 및 규모 산출 방법 및 장치에 따르면, 종래의 사례기반추론에서 문제되는 낮은 정확도와 높은 편차를 개선하여 빠른 연산과 높은 정확도 및 낮은 편차를 가지고 더 정확한 추론 결과를 산출할 수 있다.
본 발명의 고속도로 휴게소의 최적 위치 및 규모 산출 방법 및 장치에 따르면, 빠른 연산 속도와 높은 정확도를 기반으로 다양한 위치에서 산출한 최적 규모안들 및 각 경우의 매출 확률 분포를 의사결정자에게 제시할 수 있다. 의사결정자는 규정 내에서 가장 매출이 높다거나, 투자 대비 수익률이 가장 높다거나 하는 기준에 따라 가장 바람직한 휴게소의 위치와 규모를 선택할 수 있다.
도 1은 본 발명의 일 실시예에 따른 고속도로 휴게소의 최적 규모 산출 방법에서, 휴게소 이용률과 매출액을 각각 산출하는 2 단계의 최적화 절차를 예시한 개념도이다.
도 2는 본 발명의 일 실시예에 따라 고속도로 휴게소의 최적 규모 산출을 예로 든 테스트 사례 프로젝트의 최적 투입 자원 산출 방법의 구체적인 단계들을 예시한 순서도이다.
도 3은 본 발명의 일 실시예에 따라 고속도로 휴게소의 최적 규모 산출을 예로 든 테스트 사례 프로젝트의 최적 투입 자원 산출 방법에서 응용되는 하이브리드 사례기반추론 방법론의 구체적인 단계들을 예시한 순서도이다.
도 4는 본 발명의 일 실시예에 따라 고속도로 휴게소의 최적 규모 산출을 예로 든 테스트 사례 프로젝트의 최적 투입 자원 산출 방법에서, 유전자 알고리즘(GA)의 염색체를 예시한 개념도이다.
도 5는 본 발명의 일 실시예에 따라 고속도로 휴게소의 최적 규모 산출을 예로 든 테스트 사례 프로젝트의 최적 투입 자원 산출 방법에서, 통과교통량에 따라 휴게소 이용률의 군집을 분할하는 제1 군집 분할을 예시한 개념도이다.
도 6은 본 발명의 일 실시예에 따라 고속도로 휴게소의 최적 규모 산출을 예로 든 테스트 사례 프로젝트의 최적 투입 자원 산출 방법에서, 고속도로 번호에 따라 차량당 매출액의 군집을 분할하는 제2 군집 분할을 예시한 개념도이다.
도 7은 본 발명의 일 실시예에 따라 고속도로 휴게소의 최적 규모 산출을 예로 든 테스트 사례 프로젝트의 최적 투입 자원 산출 방법에서 단위면적당 매출액을 달성할 확률 분포 함수를 예시한 그래프이다.
도 8은 본 발명의 일 실시예에 따라 고속도로 휴게소의 최적 규모 산출을 예로 든 테스트 사례 프로젝트의 최적 투입 자원 산출 장치를 예시한 블록도이다.
본문에 개시되어 있는 본 발명의 실시예들에 대해서, 특정한 구조적 내지 기능적 설명들은 단지 본 발명의 실시예를 설명하기 위한 목적으로 예시된 것으로, 본 발명의 실시예들은 다양한 형태로 실시될 수 있으며 본문에 설명된 실시예들에 한정되는 것으로 해석되어서는 아니 된다.
이하, 첨부한 도면들을 참조하여, 본 발명의 바람직한 실시예를 보다 상세하게 설명하고자 한다. 도면상의 동일한 구성요소에 대해서는 동일한 참조부호를 사용하고 동일한 구성요소에 대해서 중복된 설명은 생략한다.
도 1은 본 발명의 일 실시예에 따른 고속도로 휴게소의 최적 규모 산출 방법에서, 휴게소 이용률과 매출액을 각각 산출하는 2 단계의 최적화 절차를 예시한 개념도이다.
도 1을 참조하면, 고속도로 휴게소의 최적 규모 산출을 위해, 1 단계에서는 통과교통량 등의 속성들을 기초로 휴게소 이용률 예측값이 추정되고, 2 단계에서는 추정된 휴게소 이용률 예측값을 기초로 차량당 매출액 예측값이 추정된다. 차량당 매출액 예측값과 휴게소 이용률 예측값(즉, 통과교통량 중 휴게소 이용 차량 대수)로부터 휴게소 매출액 예측값이 계산된다.
휴게소 매출액 예측값을 달성하기 위해 필요한 휴게소 건축 면적은 단위면적당 매출액의 확률 분포 곡선으로부터 의사결정자가 결정할 수 있다.
이러한 2 단계의 최적화 절차는 각각의 단계에서 높은 정확도와 낮은 편차를 보이므로, 기존의 도로설계편람에서 규정하는 방식에 비해 정확도와 편차를 크게 개선할 수 있다.
다음의 표 1은 고속도로 휴게소의 최적 규모 산출을 위해 고속도로 휴게소의 규모와 운영에 관련된 다양한 속성들(attributes), 그 분류와 데이터 종류를 제시한다.
변수 종류 속성 분류 데이터 종류
독립 변수 본선 통과교통량 ( ) 대/하루 수치
고속도로 이름 경부, 남해, 올림픽, 서해안, 호남, 중부, 통영-대전, 중부내륙, 영동, 중앙 명칭
방향 상행, 하행 〃
나들목/분기점 방향 상행, 하행 〃
위치 비율 1~4 분위 〃
인근 상행
휴게소 거리		 ( ) km 수치
인근 하행
휴게소 거리		 ( ) km 〃
서비스 주유소 예, 아니오 명칭
충전소 예, 아니오 〃
정비소 예, 아니오 〃
종속 변수 모델1 휴게소 이용률 ( ) % 수치
모델2 차량당 매출액 ( ) \/대 〃
표 1을 참조하면, 고속도로 휴게소를 설명할 수 있는 독립 변수들은 크게 본선(lane) 속성과 서비스(service) 속성으로 정의된다. 본선 속성의 독립 변수들은 통과교통량(passing traffic volume), 고속도로 번호(number of expressway), 방향(direction of expressway), 나들목이나 분기점부터 거리(Location from IC/LC), 위치 비율(Position ratio), 인근 휴게소들의 거리(Distance from upstream/downstream service area)로 설정하였다. 서비스 속성의 독립 변수들은 휘발유/LPG 주유소(station)와 정비소(repair shop)의 유무로 설정하였다.
이러한 독립 변수들의 함수로 정의될 수 있는 종속 변수들은 각각 휴게소 이용률(Usage rate of service area)과 휴게소 이용 차량당 매출액(Sales per vehicle)으로 설정하였다.
통상적으로 최적화 문제에서는 종속 변수는 하나이나, 본 발명에서는 2 단계의 최적화 단계를 거치므로, 각 단계마다 최적화될 종속 변수가 지정되어 두 개의 종속 변수가 설정된다.
이때, 1 단계의 종속 변수는 단순히 2 단계로 거쳐가기 위해 선택된 종속 변수가 아니며, 그 자체로 고속도로 휴게소의 최적 규모 중 편의 시설 규모를 산출하기 위한 예측값이라는 장점이 있음이 이해되어야 한다.
이러한 독립 변수들과 종속 변수들의 관점에서 현재 운영 중인 고속도로 휴게소의 사례들을 조사하여 얻은 데이터들은 사례 데이터베이스에 저장된다. 본 명세서에서 예시되는 각종 수치들은 본 발명자가 2011년 현재 대한민국의 106개 고속도로 휴게소의 사례들을 분석한 결과에 기반한다. 이에 비해, 테스트 사례는 기존의 사례들과 유사하게 독립 변수 값들을 가지지만, 예측의 대상인 종속 변수들의 값들은 아직 가지지 못한다는 점에 유의한다.
다음의 표 2는 고속도로 휴게소의 일부 독립 변수들과 종속 변수들의 상관 관계를 표시한 것이다.
변수 통과교통량 휴게소 이용률 휴게소 매출액 휴게소 건축 면적
통과교통량 1 .862 .692 .383
휴게소 이용률 .862 1 .873 .435
표 2를 참조하면, 고속도로 휴게소의 매출액(Sales)와 통과교통량(Passing traffic volume), 휴게소 이용차량 대수(Usage vehicle of service area), 휴게소 건축 면적(Building area of service area)끼리의 상관관계 분석 결과가 나타나 있다.
기존의 도로설계편람에서 제시하는 방식은 통과교통량에 환산계수들을 승산하여 휴게소 이용차량 대수와 주차면을 곧바로 연산하는 방식이다. 그러나 표 2에 따르면, 실제 사례를 통해 얻은 통과교통량과 건축 면적 사이의 상관계수는 0.383에 불과하고, 휴게소 이용차량 대수와 건축 면적 사이의 상관계수는 0.435에 불과하다. 이는 실제로 현행 기준에 따른 주차면수와 건축 면적을 가지고 건축된 휴게소들이 운영에 어려움을 겪는 현상과 일맥상통한다.
반면에, 통과교통량과 휴게소 이용차량 대수 사이의 상관계수는 0.862로서 높은 상관성을 보이는데, 이는 통과교통량 등을 기초로 휴게소 이용차량 대수(즉, 휴게소 이용률)을 추정하는 본 발명의 예측 모델 1이 현실적으로도 타당함을 입증한다.
그러나, 통과교통량과 휴게소 매출액 사이의 상관계수는 0.692로서, 낮지는 않지만 어떤 상관성이 충분하다고 보기에는 부족한 모습을 보인다. 따라서, 통과교통량으로부터 곧바로 휴게소 매출액을 산출하는 것은 정확도나 편차 측면에서 바람직한 결과를 얻지 못할 수 있다.
한편, 휴게소 이용차량 대수와 휴게소 매출액 사이의 상관계수는 0.873으로 높은 상관성을 보이는데, 이는 휴게소 이용차량 대수(즉, 휴게소 이용률)로부터 휴게소 매출액(즉, 차량당 매출액)을 추정하는 본 발명의 예측 모델 2가 현실적으로도 타당함을 입증한다.
이러한 통과교통량 → 휴게소 이용률 추정 → 휴게소 매출액 추정이라는 2 단계의 추정 절차를 통해 예측되는 휴게소 매출액은 통과교통량으로부터 곧바로 추정되는 휴게소 매출액보다 훨씬 현실에 가깝게 예측될 수 있다.
예측 모델 1은 통과교통량으로부터 휴게소 이용률을 예측하기 위한 예측 모델로서, 예측 모델 1에서 예측된 휴게소 이용률 및 휴게소 이용차량 대수는 주차면수, 화장실, 녹지 등의 편의 시설 규모를 산출하는 데에 활용될 수 있다.
또한 예측 모델 2는 휴게소 이용차량 대수(또는 휴게소 이용률)에서 차량당 매출액(또는 휴게소 매출액)을 예측하기 위한 예측 모델로서, 예측 모델 2에서 예측된 휴게소 매출액은 영업 시설과 운영 시설의 규모를 산출하는 데에 활용될 수 있다.
추후에 설명되겠지만, 구체적으로는, 사례분석을 통해 얻은 단위 면적당 매출액의 확률 분포 곡선을 기초로, 목표로 하는 단위 면적당 매출액을 결정하고, 결정된 단위 면적당 매출액을 가지고 앞서 예측된 휴게소 매출액을 달성하기 위해 필요한 영업 시설과 운영 시설의 면적을 산출할 수 있다.
이렇게 각각의 예측 모델로부터 산출된 편의 시설, 영업 시설 및 운영 시설의 면적을 합산하여 고속도로 휴게소 전체 규모를 산출할 수 있다.
도 2는 본 발명의 일 실시예에 따라 고속도로 휴게소의 최적 규모 산출을 예로 든 테스트 사례 프로젝트의 최적 투입 자원 산출 방법의 구체적인 단계들을 예시한 순서도이다.
도 2를 참조하면, 단계(S21)에서, 예측의 목적이 되는 목표 속성을 포함하여 테스트 사례 프로젝트의 사례들, 예를 들어 고속도로 휴게소의 특성을 다양한 측면에서 정의할 수 있는 각종 속성들을 각각 특정하고, 이들 각종 속성들 사이의 상관관계를 분석하며, 분석된 상관관계를 기초로 각종 속성들 중에서 목표 속성에 높은 상관관계를 가지는 중간 속성을 선정한다.
예를 들어, 발명자는 고속도로 휴게소의 최적 규모를 산출하는 문제는 하루 1만 대가 지나가는 고속도로 휴게소 부지에서 얼마의 매출액이 발생할 것인지의 문제와, 그러한 매출액을 위해 휴게소 규모는 어느 정도여야 하는가의 문제의 순차적인 결합이다.
이때, 휴게소 규모는 단순히 집합적으로 면적으로 산출할 수 있는 것이 아니라, 서로 성격이 판이한 편의 시설 규모, 영업 시설 규모 및 운영 시설 규모를 합산한 것이다. 편의 시설은 주차장, 화장실, 녹지, 조경 등으로 매출액에 직접 기여하지 못하지만 교통량 중에 휴게소를 이용하는 차량들 및 승객들을 수용하기 위해서 반드시 필요하다. 매출액은 실질적으로 매점, 식당 등 영업 시설에서만 발생하므로, 휴게소 매출액은 영업 시설 규모를 결정할 수 있다. 운영 시설의 규모는 편의 시설 규모과 영업 시설의 규모에 따라 결정된다.
실제로도 적자 운영 등에서 알 수 있듯이 단순히 통과교통량과 휴게소 규모 사이에 상관관계는 높지 않을 수 있다. 현실에서 수집된 단위면적당 매출액 데이터는 감마 분포 곡선과 유사한 형태로 분포하는데, 휴게소 중 상위 25%는 건물 면적 1㎡ 당 년간 약 300만원의 매출액을 올리지만, 하위 25%는 약 130만원의 매출액을 올리는 것으로 나타났다. 따라서, 매출액과 규모 사이에도 직접적으로 유의미한 상관관계가 존재하지 않는다고 볼 수도 있다.
반면에, 앞서 보였듯이, 휴게소 매출액은 통과하는 교통량과 충분한 상관관계가 있다.
따라서, 이러한 실상에 비추어, 예측의 목적이 되는 목표 속성을 휴게소 규모보다는 휴게소의 매출액으로 정하는 것이 좀더 정확한 예측을 할 수 있다.
목표 속성인 휴게소 매출액과 높은 상관관계를 가지는 중간 속성으로서 휴게소 이용률(또는 휴게소 이용차량 대수)이 선정될 수 있다. 휴게소 이용률은 또한 휴게소의 편의 시설 규모를 결정할 수 있는 요인이므로 고속도로 휴게소의 적정 규모를 최적화하는 데에 있어서 그 자체로 일종의 목표 속성으로서 예측될 필요가 있다.
단계(S22)에서, 단계(S21)에서 특정한 속성들 중 중간 속성과 목표 속성을 각각 제1 및 제2 종속 변수(target variables)로, 나머지 속성들을 독립 변수들(independent variables)로 설정하며, 과거의 사례들이 적어도 각각 적어도 독립 변수들과 제1 및 제2 종속 변수들로써 표현되도록 사례 데이터베이스를 구축하고, 독립 변수들의 시험값들이 주어지는 테스트 사례를 준비한다.
예를 들어, 표 1의 통과교통량 등이 독립 변수가 되고, 휴게소 이용률(또는 휴게소 이용차량 대수)은 제1 종속 변수가 되며, 차량당 매출액(또는 휴게소 매출액)은 제2 종속 변수가 된다.
이 경우, 사례 데이터베이스의 실제 사례들은 적어도 통과교통량 데이터 등의 독립 변수값들을 포함하고 휴게소 이용률과 차량당 매출액의 종속 변수값들을 포함할 수 있다. 테스트 사례는 적어도 통과교통량 데이터 등의 독립 변수 시험값을 포함하고 휴게소 이용률과 차량당 매출액을 미지의 종속 변수들로서 포함할 수 있다.
본 명세서 전반에 걸쳐, 휴게소 이용률은 일별 휴게소 이용차량 대수를 일별 통과 교통량으로 나눈 것으로서, 휴게소 이용률과 휴게소 이용차량 대수는 실질적으로 동일한 의미를 가지면서 맥락에 따라 혼용될 수 있다. 마찬가지로, 차량당 매출액은 휴게소 매출액을 휴게소 이용차량 대수로 나눈 것으로서, 실질적으로 동일한 의미를 가지면서 맥락에 따라 혼용될 수 있다. 아래에서는 주로 휴게소 이용률과 차량당 매출액을 가지고 논의를 전개한다.
이제 사례기반추론(CBR: Case-based Reasoning)) 기반의 2 단계의 예측 모델들을 순차적으로 구동하여 제1 및 제2 종속 변수들을 각 단계에서 예측할 수 있다.
단계(S23)에서, 제1 예측 모델에서, 주어진 테스트 사례의 독립 변수 시험값들에 관하여 사례 데이터베이스로부터 검색되는 결과를 기초로 제1 종속 변수 예측값을 추정한다. 사례 데이터베이스를 검색하는 구체적인 프로세스는 추후에 도 3 내지 도 6을 통해 상세하게 설명한다.
구체적으로, 테스트 사례에서 독립 변수들의 시험값(test values)이 주어지면, 먼저 사례기반추론 방법론을 통해 사례 데이터베이스를 검색하여 유사한 사례들을 추출한다.
이어서, 추출된 유사 사례들의 제1 종속 변수 값들로부터 테스트 사례의 제1 종속 변수 예측값을 추정한다. 예측값의 추정은 추출된 유사 사례들의 제1 종속 변수 값들의 산술평균, 중앙값, 최빈값, 가중평균 등의 통계적 대표값으로써 계산될 수 있다.
고속도로 휴게소의 규모 예측에 관한 실시예에서는, W 휴게소 테스트 사례는 예를 들어 표 3과 같이 소정의 독립 변수 시험값들이 주어진다.
프로젝트 속성 데이터
휴게소 명칭 W 휴게소
통과교통량 12,031
고속도로 번호 10번
방향 하행
IC/JC로부터 방향 상행
위치 비율 2분위(0.43)
상행 휴게소 거리 29 km
하행 휴게소 거리 39 km
주유소 예
충전소 아니오
정비소 아니오
예를 들어, W 휴게소는 하루 12,031 대의 통행량을 보이는 중앙 고속도로의 하행선 중에 신설될 계획인데, 예정 부지는 가장 근접한 상행 방향/하행 방향 휴게소로부터 각각 29km, 39km 떨어진 위치로 휘발유 주유소만 설치될 계획이다.
이러한 속성들에 대해 제1 예측 모델에서 추후 설명될 사례기반추론 방법론을 통해 사례 데이터베이스에서 검색된 유사 사례들은 다음 표 4와 같이 예시될 수 있다.
변수 사례번호 통과
교통량
(대수/일)		 고속도로 번호 방향 IC/JC
방향		 상행 휴게소
거리
(km)		 하행
휴게소
거리
(km)		 주유소 충전소 정비소 휴게소
이용률
(%)		 차량
이용
대수
(대/일)
테스트
사례		 - 12,031 10번 하행 상행 29.0 39.0 1 0 0 19.16 2,305
검색된
사례1		 70 10,358 6번 하행 상행 26.0 46.0 1 1 0 19.34
검색된
사례2		 25 13,103 2번 하행 하행 26.0 28.0 1 1 0 18.98
이렇게 검색된 유사 사례 1과 유사 사례 2의 휴게소 이용률은 각각 19.34%, 18.98%이다.
이에 따라, 테스트 사례의 휴게소 이용률 예측값은 산술평균, 중앙값, 최빈값, 가중평균 등과 같은 통계적 대표값을 통해 계산될 수 있다. 산술평균으로 계산할 경우에, 테스트 사례의 휴게소 이용률 예측값은 19.16%로 추정될 수 있다. 하루 휴게소 차량 이용대수는 12,031대*19.16%=2,305대로 계산된다.
한편, 휴게소 이용률 예측값은 다음 단계(S24)에 인가되는 한편, 휴게소를 이용하는 차량들을 위한 주차 면적이나, 화장실, 녹지 등의 편의 시설 면적을 추정하는 데에 이용될 수 있다.
이어서, 단계(S24)에서, 제2 예측 모델에서, 주어진 독립 변수 시험값들과 앞서 단계(S23)에서 추정된 제1 종속 변수 예측값에 관하여 사례 데이터베이스로부터 검색되는 결과를 기초로 제2 종속 변수 예측값을 추정한다. 마찬가지로, 사례 데이터베이스를 검색하는 구체적인 프로세스는 추후에 도 3 내지 도 6을 통해 상세하게 설명한다.
고속도로 휴게소의 규모 예측에 관한 실시예에서는, W 휴게소 테스트 사례는 예를 들어 표 3과 같이 소정의 독립 변수 시험값들과 표 4와 같이 추정된 휴게소 이용률 예측값을 가지고 제2 종속 변수인 차량당 매출액의 예측값을 추정한다.
제2 예측 모델에서 사례기반추론 방법론으로 사례 데이터베이스에서 검색된 유사 사례들은 다음 표 5와 같이 예시될 수 있다.
변수 사례번호 통과
교통량
(대수/일)		 고속도로 번호 방향 IC/JC
방향		 상행 휴게소
거리
(km)		 하행
휴게소
거리
(km)		 주유소 충전소 정비소 차량당
매출액
(원/대)		 휴게소
매출액
(백만/년)
테스트
사례		 - 12,031 10번 하행 상행 29.0 39.0 1 0 0 3,878 3,263
검색된
사례1		 70 10,358 6번 하행 상행 26.0 46.0 1 1 0 4,104
검색된
사례2		 97 10,966 10번 하행 하행 30.0 36.0 1 1 1 4,247
검색된
사례3		 102 7,601 10번 상행 하행 29.7 83.0 1 0 0 3,284
세 건의 유사 사례들의 차량당 매출액 값들로부터 테스트 사례의 차량당 매출액 예측값은 산술평균, 중앙값, 최빈값, 가중평균 등과 같은 통계적 대표값을 통해 계산될 수 있다. 산술평균으로 계산할 경우에, 테스트 사례의 차량당 매출액 예측값은 3,878 원/대로 추정될 수 있다. 이 경우, 년간 휴게소 매출액은 3,878원*2,305대*365일=3,263 백만원으로 계산된다.
이하에서는 사례기반추론 방법론에 대해 잠시 설명한다. 본 발명에서 적용된 사례기반추론 방법론은, 사례를 통한 근거 제시라는 장점을 유지하면서 사례기반추론의 일반적인 단점인 낮은 정확도와 큰 편차를 개선하기 위해, 일반적으로 높은 정확도와 낮은 편차를 보이는 다른 정량적 예측 기법들인 MRA(Multiple Regression Analysis), ANN(Artificial Neural Network)와, 유전자 알고리즘(Genetic Algorithm)을 사례기반추론 기법에 접목시킨 하이브리드 사례기반추론 방법론(Hybrid CBR)이다.
일반적으로 사례기반추론(CBR)은 프로젝트 특성들을 기반으로 하여 프로젝트 상호간 비교분석을 통해 유사도가 높은 프로젝트 사례를 선별하는 방법론이다. CBR 방법론의 핵심은 속성 유사도(attribute similarity, AS), 속성 가중치(attribute weight, AW), 사례 유사도(case similarity, CS)이며, 아래 수학식 1과 같은 관계가 있다. 어떤 실제 사례와 테스트 사례 사이의 사례 유사도(CS)는 속성 유사도들(AS)과 속성 가중치들(AW)의 곱들의 합으로서 수치화될 수 있다.
Figure pat00001
여기서, AS는 속성 유사도, AW는 속성 가중치, CS는 사례 유사도이며, n은 속성의 개수, m은 사례의 개수이다.
속성 유사도(AS)는 각각의 프로젝트 특성들, 즉 독립 변수 각각(몇몇 경우에는 종속 변수도 포함할 수 있음)에 대하여, 실제 사례와 테스트 사례 사이의 동일한 종류의 독립 변수들끼리의 차이를 바탕으로 산출된다. 만약 독립 변수의 데이터가 명칭(nominal)이라면, 속성 유사도는 서로 동일할 때에는 1이고 그렇지 않으면 0이다. 만약 독립 변수의 데이터가 숫자(numerical)라면, 속성 유사도(AS)는 다음 수학식 2와 같이 나타낼 수 있다.
Figure pat00002
fAS는 속성 유사도 계산식을 의미하고, AVTest_Case는 테스트 사례의 특정 속성 값이며, AVRetrieved_Case는 검색된 사례의 특정 속성 값이다. fAS는 속성이 유사할수록 100%에 가까운 값을 가진다. MCAS는 속성 유사도의 수치화를 위한 최소 기준(minimum criterion for scoring the attribute similarity)으로, 속성 유사도가 MCAS보다 높아야만 그 속성 유사도 값이 유효하게 유지되고, 그렇지 않으면 그 값은 버려진다. MCAS는 예를 들어 10%로 설정될 수 있으며, 아래에서 설명되는 바와 같이 최적화될 수 있다.
사례 유사도(CS)는 테스트 사례와 검색 사례 사이에서 모든 독립 변수들의 속성 유사도 및 속성 가중치를 활용하여, 테스트 사례가 각 검색 사례와 얼마나 유사한지를 다음 수학식 3과 같이 수치화할 수 있다.
Figure pat00003
fCS는 사례 유사도(CS)를 계산하기 위한 함수이고, fAW는 속성 가중치(AW)를 계산하기 위한 함수 또는 그 결과이며, fAS는 속성 유사도(AS)를 계산하는 함수 또는 그 결과이고, n은 속성의 개수이다. 속성 유사도(AS)는 수학식 2와 같이 연산되고, 속성 가중치(AW)는 경험적으로 결정되거나 또는 그 밖의 최적화 방법을 통해 수리적으로 최적화될 수 있다. 사례 유사도(CS)는 속성 유사도를 속성 가중치와 승산한 것들을 합산한 가중 속성 유사도를 속성 가중치들의 합으로 나눈 값으로 예시될 수 있다.
이러한 일반적인 사례기반추론(CBR) 방법론은 사례 유사도가 높은 유사 사례들을 제공하며, 유사 사례들의 통계적 처리를 통해 예측 결과를 산출할 수 있다. 따라서, CBR 방법론은 예측 결과 뿐아니라, 이를 뒷받침할 유사 사례를 제시하기 때문에, 어떻게 그러한 예측 결과를 얻었는지 설명할 수 있다. 또한 사례들이 축적되면 예측 정확도가 향상될 수 있다.
하지만 일반적인 CBR 방법론은 대체로 다른 정량적 예측 방법론들, 예를 들어 MRA(다중 회귀 분석), ANN(인공신경망)와 같은 방법론들에 비해 상대적으로 예측 정확도가 떨어지는 경향이 있다.
반면에, MRA, ANN 등의 정량적 예측 방법론들은 예측 정확도는 높더라도 근거로 삼은 유사 사례를 제시할 수 없다.
이러한 문제를 극복하기 위해, 발명자는 다음과 같이 MRA, ANN, GA(유전자 알고리즘)을 복합적으로 적용한 하이브리드 CBR 방법론을 고안하였다. 본 발명에서 고안된 하이브리드 CBR 방법론에 따르면, MRA와 ANN의 높은 예측 정확도와 CBR의 유사 사례 근거 제시라는 각 방법론들의 장점들을 모두 제공할 수 있다.
도 3은 본 발명의 일 실시예에 따라 고속도로 휴게소의 최적 규모 산출을 예로 든 테스트 사례 프로젝트의 최적 투입 자원 산출 방법에서 응용되는 하이브리드 사례기반추론 방법론의 구체적인 단계들을 예시한 순서도이다.
도 3을 잠시 참조하면, 단계(S31)에서, 적어도 둘 이상의 정량적 예측 방법론들, 예를 들어 MRA와 ANN 등을 사례 데이터베이스 내의 m 개의 사례들에 대해 적용하여, 종속 변수의 예측값들(PV)을 산출한다.
단계(S32)에서, m 개 사례들에서 종속 변수의 실제값들(AV)과 앞서 산출된 예측값들(PV) 사이의 각각의 차이로부터 종속 변수 예측의 오차율, 예를 들어 평균 절대 오차 백분율(MAPE: mean absolute percentage error)을 다음 수학식 4와 같이 산출할 수 있다.
Figure pat00004
여기서 fMAPE는 MAPE를 구하는 함수이고, AV는 종속 변수의 실제값, PV는 종속 변수의 예측값, m은 사례의 갯수이다.
이렇게 구한 오차율은 많은 수의 실제 사례들을 기반으로 하기 때문에, 새로운 테스트 사례에도 동일한 방법론이라면 같거나 비슷한 수준의 오차율이 발생할 것이라고 보는 것이 합리적이다. 또한, MRA나 ANN 방법론의 오차율은 CBR 방법론의 오차율보다 통상적으로 작기 때문에, 만약 CBR 방법론으로 유사하다고 검색된 사례의 실제값이 MRA나 ANN 방법론의 오차를 고려한 예측값의 범위, 소위 예측 범위를 벗어난다면 그 CBR 사례를 유사 사례 후보군에서 제거하는 것이 바람직하며, 본 명세서에서는 이러한 예측 범위들에 기초한 필터링 범위의 설정과 이를 이용한 부적합한 CBR 사례의 제거를 필터링이라고 부른다. 구체적인 필터링 동작은 아래 단계들에서 설명된다.
단계(S33)에서, 적어도 둘 이상의 정량적 예측 방법론들, 예를 들어 MRA와 ANN 등에 기초하여, 테스트 사례에 대해 각각의 종속 변수 예측값들을 연산한다.
단계(S34)에서, 앞서 단계(S32)에서 연산한 오차율(MAPE)과 단계(S33)에서 연산된 종속 변수의 예측값(PV)을 기초로, 각 예측 방법론에서 실제값이 존재할 수 있는 예측 범위(PR)들을 각각 산출한다.
구체적으로 예를 들면, 다음 수학식 5와 같이 MRA 방법론에서의 예측 범위(PRMRA)와 ANN 방법론에서의 예측 범위(PRANN)을 정의할 수 있다.
Figure pat00005
수학식 5에서는 각 예측 범위(PR)를 각 예측값(PV)을 중심으로 평균 절대 오차 백분율(MAPE)만큼 상한과 하한을 가지도록 정의되었지만, 실시예에 따라서 다른 파라미터에 의해 상한과 하한이 정의될 수도 있다.
단계(S35)에서, 적어도 둘 이상의 정량적 예측 방법론들, 예를 들어 MRA와 ANN 등의 예측 범위를 기초로 필터링 범위(filtering range)를 결정한다. 여기서 필터링 범위는 추후 단계(S37)에서 수행될 검색 사례들에 대한 필터링에 적용된다.
구체적으로 예를 들면, MRA의 예측 범위(PRMRA)와 ANN의 예측 범위(PRANN)은 약간 다를 것인데, 두 방법론들의 예측 범위들이 서로 겹치는 범위, 즉 교차 범위(cross-range)를 다음 수학식 6과 7과 같이 필터링 범위로서 결정할 수 있다.
Figure pat00006
수학식 6의 필터링 범위(CRMA: cross-range between the predicted value of the MRA and ANN models)는 MRA의 예측 범위(PRMRA)와 ANN의 예측 범위(PRANN)의 하한값들 중의 최대와 상한값들 중의 최소 사이의 교차 범위(Cross Range)로서 예시적으로 특정될 수 있다.
Figure pat00007
수학식 7의 확대된 필터링 범위(CRMA*)는 수학식 6의 필터링 범위(CRMA)에 대해 허용 한계율(TRCRMA: tolerance range of CRMA)만큼 확대한 확대 교차 범위로서 예시적으로 특정될 수 있다.
이렇게 특정된 필터링 범위는 당해 테스트 사례에 대해 CBR 방법론을 통해 검색된 사례들에 적용될 수 있다.
실시예에 따라서는, 단계(S33)에서, 한 가지 정략적 예측 방법론의 예측 범위 자체를 필터링 범위로서 이용하여 검색 사례들에 적용할 수도 있다.
선택적일 수 있는 단계(S36)에서, 적어도 사례기반추론을 위한 복수의 파라미터들을 유전자 알고리즘을 이용하여 최적화한다.
잠시 도 4를 참조하면, 도 4는 본 발명의 일 실시예에 따라 고속도로 휴게소의 최적 규모 산출을 예로 든 테스트 사례 프로젝트의 최적 투입 자원 산출 방법에서, 유전자 알고리즘(GA)의 염색체를 예시한 개념도이다.
실시예에 따라서는, 유전자 알고리즘의 염색체는 사례기반추론을 위한 파라미터들, 예를 들어 MCAS(minimum criterion for scoring attribute similarity), RAWn(Range of nth Attribute Weight), RCS(range of case selection)과, 필터링 범위의 결정을 위한 파라미터들, 예를 들어 TRCRMA(Tolerance range of cross range between predicted values of MRA and ANN models)를 포함할 수 있다.
예를 들어, MCAS가 너무 높으면 특정 속성에서만 유사도가 낮지만 다른 속성들에서는 유사도가 높은 사례가 탈락할 수 있다. 예를 들어 RAW가 너무 높으면 특정 속성의 영향이 과대 평가될 수 있으며, RCS가 너무 작으면 검색되는 사례가 적어 종속 변수의 예측값 산출이나 과거 사례 제시가 곤란할 수도 있다. TRCRMA가 너무 크면 예측 정확도가 떨어질 수 있다.
따라서, 유전자 알고리즘은 이러한 파라미터들을 유전자로 하는 염색체 개체들이 가장 높은 예측 정확도를 보이도록 선택(selection), 교배(breeding), 돌연변이(mutation) 및 대체(exchange)하면서 여러 세대에 걸쳐 개체수의 변화를 추적하고, 개체수가 가장 많은 편에 속하는 염색체들로서, 최적화된 파라미터들을 제시할 수 있다.
다시 도 3을 참조하면, 단계(S37)에서, 사례기반추론을 통해 검색 사례들을 추출하고, 단계(S38)에서, 추출된 검색 사례들 중에서 종속 변수값들이 필터링 범위 내에 있는 검색 사례들만을 필터링하여 유사 사례로서 출력할 수 있다.
실시예에 따라서, 단계(S37)의 사례기반추론은, 단계(S36)의 파라미터 최적화를 거치지 않고, 예를 들어 경험적인 파라미터들을 적용하여 수행될 수도 있다.
한편, 사례 데이터베이스에 저장된 사례들은 예를 들어 모두 국내의 고속도로 휴게소들에 관한 사례들이라는 공통점이 있지만, 고속도로에 따라 인구밀집지역에 연결(수도권과 원거리의 대도시 사이 연결 또는 인접한 지방끼리 연결)되는지 여부나 주로 이용하는 차량의 종류(화물차 또는 승용차)에서 차이가 있기 때문에, 고속도로마다 예를 들어 휴게소 이용률이나 차량당 매출액에 큰 차이를 보일 수 있다.
따라서, 좀더 정확한 유사 사례 검색을 위해, 검색 대상 사례들 중에서 실제로는 무관할 가능성이 크지만 유사하다고 검색될 수도 있는 사례들을 미리 배제하는 것이 바람직할 수 있다.
본 발명의 일 실시예는 앞서 설명한 사례기반추론 시에, 미리 검색 대상 사례들을 특정 속성에서 유의미한 차이를 보이는 적어도 두 개의 군집으로 분할하고, 독립 변수의 시험값이 속하는 군집에서만 사례를 검색함으로써 검색 정확도를 개선할 수 있다.
이를 위해 도 5 및 도 6을 잠시 참조하면, 본 발명의 일 실시예에 따라 고속도로 휴게소의 최적 규모 산출을 예로 든 테스트 사례 프로젝트의 최적 투입 자원 산출 방법에서, 도 5는 통과교통량에 따라 휴게소 이용률의 군집을 분할하는 제1 군집 분할을 예시한 개념도이고, 도 6은 고속도로 번호에 따라 차량당 매출액의 군집을 분할하는 제2 군집 분할을 예시한 개념도이다.
군집의 분할은 데이터마이닝(data mining) 방법론 중의 한 줄기로서 다양한 군집 분석 방법론들(cluster analysis)을 이용하여 수행될 수 있다. 그러한 군집 분석 방법론 중에 아래에서는 자료 분류를 위해 디시전 트리(Decision Tree, DT) 방법론을 예로 들어 설명한다.
디시전 트리 또는 의사결정 나무 방법론은 일반적으로 종속 변수와 통계적으로 상관성이 높은 독립 변수를 여러 독립 변수들 중에 순차적으로 하나씩 선택하면서 분할 기준을 찾고, 분할 기준을 가지고 종속 변수 값들을 순차적으로 분류하는 기법이라고 설명할 수 있다.
디시전 트리 방법론을 적용할 때에는 주로 CART(Classificatin and Regressioin Trees), CHAID(chi-squared automatic interaction detection), C4.5 등의 알고리즘이 사용된다. CART 기법은 이진 트리 구조(binary tree artchitecture) 모형을 형성하는데, 간단하게 소개하자면 종속 변수를 가장 잘 분할해내는 독립 변수와 그 분할 기준을 찾고 그 분할 기준으로 종속 변수를 두 집단으로 분할하는 기법이다. 이때, 구체적으로 종속 변수가 명칭(nominal) 값이라면 분류(Classification) 트리를 사용하고, 수치(ratio) 값이라면 회귀(Regression) 트리를 사용한다. 도 5 및 도 6의 예시에서는 CART 기법을 이용한다.
군집 분할하고자 하는 종속 변수인 휴게소 이용률은 앞서 표 2에서 살펴보았듯이 통과교통량과 사이에 높은 상관계수를 나타낸다. 경험적으로도 교통량이 많으면 평균 속도가 줄어들기 때문에 운행 시간을 아끼려면 휴게소를 이용하는 차량의 비율이 다소 줄어들 것이다. 따라서 이 경우에, 휴게소 이용률은 특정한 값의 통과교통량을 분할 기준으로 하여 분할될 수 있다.
도 5를 참조하면, 예측 모델 1을 위한 사례 데이터베이스의 군집 분할이 예시되어 있다.
분할 전 총 106 개 사례에서 휴게소 이용률의 평균은 0.211이었는데, 통과교통량 변수의 분할 기준이 16,521 vehicles/day 이하 또는 초과일 때에 분할을 통해 각각 통과교통량이 16,521 이하이고 휴게소 이용률 평균이 0.246인 61개 사례들로 된 제1 군집과 통과교통량이 16,521보다 크고 휴게소 이용률 평균은 0.165인 45개 사례들로 된 제2 군집이 생성될 수 있다.
이번에는 종속 변수 차량당 매출액은 해당 고속도로의 통상적인 이용 목적과 관련이 있을 것이므로 고속도로 번호로 분할할 수 있다. 예를 들어, 화물차량이 자주 이용하는 고속도로라면 통과교통량이나 휴게소 이용차량은 많아도 차량당 매출액은 버스나 승용차가 주로 이용하는 고속도로에 비해 떨어질 것으로 예상할 수 있다. 그러한 고속도로의 성격은 고속도로 번호로 대표할 수 있으므로, 고속도로 번호를 분할 기준으로 하여 차량당 매출액을 분할할 수 있다.
도 6을 참조하면, 예측 모델 2를 위한 사례 데이터베이스의 군집 분할이 예시되어 있다.
분할 전의 총 106개 사례에서 차량당 매출액의 평균은 1,398 원/대/일이었는데, 고속도로 번호의 분할 기준이 1, 2, 3, 5, 6, 8번과 4, 7, 9, 10번일 때에, 분할을 통해 각각 고속도로 번호가 1, 2, 3, 5, 6, 8번 중 하나이고 차량당 매출액 평균이 1,205 원/대/일인 64 개의 사례들로 된 제3 군집과, 고속도로 번호가 4, 7, 9, 10번번 중 하나이고 차량당 매출액 평균이 1,694 원/대/일인 42 개의 사례들로 된 제4 군집이 생성될 수 있다.
이렇게 군집으로 분할함으로써, 각각의 예측 모델들에서, 관련성이 있는 사례들 중에서 유사 사례가 검색되므로, 사례 검색의 정확도를 높이고 편차를 낮출 수 있다.
지금까지 도 3 내지 도 6을 참조하여 각각 설명한 사례기반추론(CBR) 방법론 또는 하이브리드 사례기반추론 방법론에 대해 군집 분석 방법론은 실시예에 따라 선택적으로 적용될 수 있다.
다시 도 2로 돌아가서, 선택적인 단계(S25)에서, 제2 종속 변수 값이 성과에 관한 것일 경우에, 사례 데이터베이스에 저장된 사례들로부터 투입 자원에 따른 성과의 확률 분포 곡선을 도출하고, 확률 분포 곡선에 기초하여 선택된 목표 성과를 가지고 테스트 사례 프로젝트에서 제2 종속 변수 예측값을 달성하기 위해 투입되어야 하는 자원의 양을 결정할 수 있다.
구체적으로 예를 들면, 먼저, 고속도로 휴게소 사례들에서 제2 종속 변수인 휴게소 매출액을 건축 면적이라는 자원을 기반으로 분석하여, 단위면적당 매출액이라는 투입 자원 당 성과의 확률 분포 함수를 도출할 수 있다.
잠시 도 7을 참조하면, 도 7은 본 발명의 일 실시예에 따라 고속도로 휴게소의 최적 규모 산출을 예로 든 테스트 사례 프로젝트의 최적 투입 자원 산출 방법에서 단위면적당 매출액을 달성할 확률 분포 함수를 예시한 그래프이다.
도 7의 그래프는 단위면적당 매출액을 달성할 수 있는 경험적 확률로서, 감마 분포 함수와 유사한 형태를 보인다. 그래프 상의 숫자는 백분위(percentile)로서, 예를 들어, 밑에서 75%(즉 상위 25%)인 어떤 휴게소라면 단위면적당 매년 2,473 천원의 매출액을 올릴 수 있다는 의미이다.
다음으로, 의사결정자가 확률 분포 곡선을 보고 목표 성과를 선택하면, 선택된 목표 성과를 가지고 제2 종속 변수 예측값을 달성하기 위해 투입되어야 하는 자원의 양을 결정할 수 있다.
예를 들어, 표 3의 W 휴게소와 같은 테스트 사례 프로젝트의 경우에, 의사결정자는 도 7과 같은 기존 사례들로부터 얻은 경험적 확률을 참고하여, 단위면적당 매출액이라는 목표 성과를 선택할 수 있다.
예를 들어, 의사결정자는 극히 보수적으로 하위 25% 정도의 단위면적당 매출액만을 목표로 할 수도 있고, 중간인 50% 또는 평균을 노릴 수도 있으며, 과감하게 상위 25% 정도를 목표로 할 수도 있다.
표 6은 각 목표 성과에 따라 휴게소 매출액 예측값을 달성하는 데에 필요한 영업 시설(운영 시설 포함)의 건축 면적을 예시한 표이다. 애초에 의사결정자는 휴게소 규모 최적화를 하지 않고 현행 규정을 참작하여 1,100 평, 즉 약 3,663 ㎡의 건축 면적으로 휴게소를 설계하였다고 가정하자.
대안 단위면적당 매출액
(천원/년/㎡)		 예측된 휴게소
최적 면적
(㎡)		 실제 설계
휴게소 면적
(㎡)		 차이 (㎡)
대안 1 백분위 25% 1.127 2,896.15 3,663 + 767
대안 2 백분위 50% 1.700 1,919.86 + 1,744
대안 3 평균 1.917 1,702.19 + 1,961
대안 4 백분위 75% 2.473 1,319.64 + 2,344
표 6을 참조하면, 대안 1은 하위 25% 정도의 단위면적당 매출을 목표로 한 것으로 약 2,900 ㎡의 건축 면적으로 앞서 추정한 휴게소 매출액 예측값을 달성할 수 있다. 이는 실제 설계된 휴게소 면적에 비해 767 ㎡을 적게 개설되어야만 매출액 예측값을 달성할 수 있다는 의미이다. 상대적으로 과감한 목표 성과를 선택한 대안 4의 경우에는 1,300 ㎡ 정도의 건축 면적으로 휴게소 매출액 예측값을 달성할 수 있다고 계산되며, 현재 휴게소 설계 면적은 2,344 ㎡가 초과되었고, 이는 실제로 예측되는 매출액에 비해 약 3배나 과도하게 계획되었음을 의미한다.
W 휴게소에 다른 이유로 차량 이용대수가 갑자기 급증하지 않는 이상, 휴게소를 최적 면적보다 초과하여 개설하더라도, 실제 총 매출액은 매출액 예측값을 초과하기 어렵고, 초과되는 면적은 매출에 기여하지 않고 비용만 소비하므로, 적자의 원인이 될 수 있다.
본 발명은 이러한 적자 원인을 제거하고 원하는 위치에서 최적의 편의 시설 규모와 최적의 영업 시설 규모를 산출할 수 있다.
나아가, 고속도로 노선을 따라 부지의 위치에 관한 정보를 조금씩 변경하면서 본 발명의 최적 규모 산출 방법을 반복적으로 실시함으로써, 규정을 지키는 조건 하에서 매출액이 가장 크게 예측되는 지점을 찾을 수도 있다.
도 8은 본 발명의 일 실시예에 따라 고속도로 휴게소의 최적 규모 산출을 예로 든 테스트 사례 프로젝트의 최적 투입 자원 산출 장치를 예시한 블록도이다.
도 8을 참조하면, 최적 투입 자원 산출 장치(80)는 도 1 내지 도 7을 참조하여 설명한 본 발명의 최적 규모 산출 방법을 구현하는 장치로서, 사례 데이터베이스(81), 제1 군집 분할부(82), 제1 예측 모델(83), 제2 군집 분할부(84), 제2 예측 모델(85), 자원-성과 확률 분포 분석부(86), 최적 투입 자원 결정부(87)를 포함할 수 있다.
사례 데이터베이스(81)는 기존의 실행된 프로젝트들로부터 독립 변수들 및 종속 변수들의 값들로 표현된 사례들을 저장한다.
제1 군집 분할부(82)와 제2 군집 분할부(84)는 사례 데이터베이스(81) 내의 사례들을 각각의 종속 변수에 상대적으로 높은 상관관계를 가지는 특정한 분할 기준 독립 변수들의 각각을 기준으로 각각 분석하여, 적어도 두 개의 군집으로 각각 분할한다. 제1 및 제2 군집 분할부(82, 84)가 각각 분할한 군집들 중에 제1 또는 제2 예측부(83, 84)에서 필요로 하는 각 군집이 제1 및 제2 예측부(83, 84)에 제공된다.
제1 예측부(83)는 사례 데이터베이스(81)의 사례들, 또는 제1 군집 분할부(82)가 분할하여 제공한 군집 중에서 분할 기준이 되는 독립 변수 시험값이 속하는 군집에 속하는 사례들 중에서, 주어진 독립 변수 시험값들을 가지는 테스트 사례와 유사한 사례들을 검색하고, 검색된 유사 사례들의 제1 종속 변수 값들을 기초로 테스트 사례를 위한 제1 종속 변수 예측값을 추정한다.
이와 유사하게 제2 예측부(85)는 사례 데이터베이스(81)의 사례들, 또는 제2 군집 분할부(84)가 분할하여 제공한 군집 중에서 분할 기준이 되는 독립 변수 시험값이 속하는 군집에 속하는 사례들 중에서, 주어진 독립 변수 시험값들과 제1 종속 변수 예측값들을 가지는 테스트 사례와 유사한 사례들을 검색하고, 검색된 유사 사례들의 제2 종속 변수 값들을 기초로 테스트 사례를 위한 제2 종속 변수 예측값을 추정한다.
구체적으로, 제1 및 제2 예측부들(83, 85)은 각각 내부에 복수의 서로 다른 정량적 예측 방법론들을 각각 수행하는 정량적 예측 분석부들(831, 851)과, 사례기반추론 모델(832, 852), 각 정량적 예측 방법론들의 오차율과 예측 범위로부터 결정되는 필터링 범위를 가지고 사례기반추론 모델(832, 852)의 검색 결과를 필터링하는 필터링부(833, 853), 사례기반추론 모델(832, 832) 및/또는 필터링부(833, 853)의 파라미터들을 최적화하는 파라미터 최적화부(834, 854)를 각각 포함할 수 있다.
자원-성과 확률 분포 분석부(86)는 사례 데이터베이스(81)의 사례들을 기초로 투입 자원 당 성과에 관한 경험적 확률 분포를 분석하고, 이를 의사결정자에게 제공할 수 있다.
최적 투입 자원 결정부(87)는 의사결정자가 경험적 확률 분포를 기초로 특정한 목표 성과를 가지고 종속 변수 예측들값을 달성하기 위해 투입되어야 하는 자원을 분석하고, 이를 의사결정자에게 제공할 수 있다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명이 상기의 실시예에 한정되는 것은 아니며, 이는 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 아래에 기재된 특허청구범위에 의해서만 파악되어야 하고, 이와 균등하거나 또는 등가적인 변형 모두는 본 발명 사상의 범주에 속한다 할 것이다.
또한, 본 발명에 따른 장치는 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 기록매체의 예로는 ROM, RAM, 광학 디스크, 자기 테이프, 플로피 디스크, 하드 디스크, 비휘발성 메모리 등이 있으며, 또한 캐리어 웨이브(예를 들어 인터넷을 통한 전송)의 형태로 구현되는 것도 포함한다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.
80 최적 투입 자원 산출 장치 81 사례 데이터베이스
82 제1 군집 분할부 83 제1 예측부
84 제2 군집 분할부 85 제2 예측부
86 자원-성과 확률 분포 분석부 87 최적 투입 자원 결정부

Claims (24)

  1. 각각의 사례가 적어도 통과교통량을 포함하는 복수의 독립 변수들과 휴게소 이용률과 차량당 매출액을 포함하는 종속 변수로써 표현되는 사례 데이터베이스와, 독립 변수 시험값들이 주어지는 테스트 사례를 제공하는 단계;
    상기 주어진 독립 변수 시험값들에 관하여 상기 사례 데이터베이스로부터 검색되는 결과를 기초로 휴게소 이용률 예측값을 추정하는 단계;
    상기 주어진 독립 변수 시험값들 및 상기 휴게소 이용률 예측값에 관하여 상기 사례 데이터베이스로부터 검색되는 결과를 기초로 차량당 매출액 예측값을 추정하는 단계; 및
    상기 휴게소 이용률 예측값으로부터 목표 서비스율을 달성할 수 있는 휴게소 편의 시설의 규모를 결정하는 단계를 포함하는 고속도로 휴게소의 최적 규모 산출 방법.
  2. 청구항 1에 있어서, 상기 휴게소 이용률 예측값을 추정하는 단계는,
    상기 사례 데이터베이스 내의 사례들의 휴게소 이용률 값들을 통과교통량 기준에 따라 적어도 두 개의 군집으로 분할하는 단계;
    상기 주어진 통과교통량이 속하는 군집에서 상기 주어진 독립 변수 시험값들에 관하여 유사 사례들을 검색하는 단계; 및
    상기 검색된 유사 사례들의 휴게소 이용율 값들을 참조하여 휴게소 이용률 예측값을 추정하는 단계를 포함하는 것을 특징으로 하는 고속도로 휴게소의 최적 규모 산출 방법.
  3. 청구항 1에 있어서, 상기 차량당 매출액 예측값을 추정하는 단계는,
    상기 사례 데이터베이스 내의 사례들의 차량당 매출액 값들을 고속도로 번호 기준에 따라 적어도 두 개의 군집으로 분할하는 단계;
    휴게소를 설치하려는 고속도로가 속하는 군집에서 주어진 독립 변수 시험값들 및 상기 휴게소 이용률 예측값에 관하여 유사 사례들을 검색하는 단계; 및
    상기 검색된 유사 사례들의 차량당 매출액 값들을 참조하여 차량당 매출액 예측값을 추정하는 단계를 포함하는 것을 특징으로 하는 고속도로 휴게소의 최적 규모 산출 방법.
  4. 청구항 1 내지 청구항 3 중 어느 한 청구항에 있어서, 상기 사례 데이터베이스의 검색은,
    적어도 둘 이상의 정량적 예측 방법론들에 기초한 각각의 종속 변수 예측값들 및 오차율들을 기초로 필터링 범위를 결정하는 단계;
    적어도 사례기반추론(Case Based Reasoning)을 위한 파라미터들을 유전자 알고리즘(Gene Algorithm)을 이용하여 최적화하는 단계; 및
    최적화된 파라미터들에 기초한 사례기반추론으로부터 얻은 검색 사례들 중에서 종속 변수값들이 상기 필터링 범위 내에 있는 검색 사례들을 유사 사례로서 출력하는 단계를 포함하는 것을 특징으로 하는 고속도로 휴게소의 최적 규모 산출 방법.
  5. 청구항 4에 있어서, 상기 적어도 둘 이상의 정량적 예측 방법론들은 MRA(다중 회귀 분석), ANN(인공신경망)을 포함하는 것을 특징으로 하는 고속도로 휴게소의 최적 규모 산출 방법.
  6. 청구항 4에 있어서, 상기 필터링 범위는
    상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 하한값들 중의 최대와, 상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 상한값들 중의 최소 사이의 교차 범위(cross-range)인 것을 특징으로 하는 고속도로 휴게소의 최적 규모 산출 방법.
  7. 청구항 4에 있어서, 상기 필터링 범위는
    상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 하한값들 중의 최대와 상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 상한값들 중의 최소 사이의 교차 범위를 허용 한계율(tolerance range)만큼 확대한 확대 교차 범위인 것을 특징으로 하는 고속도로 휴게소의 최적 규모 산출 방법.
  8. 청구항 7에 있어서, 상기 적어도 사례기반추론을 위한 파라미터들은,
    사례기반추론을 위한 파라미터들로서 MCAS(minimum criterion for scoring attribute similarity), RAWn(Range of nth Attribute Weight), RCS(range of case selection)과, 필터링 범위의 결정을 위한 파라미터들로서 TRCRMA(Tolerance range of cross range between the predicted values of MRA and ANN models)를 포함하는 것을 특징으로 하는 고속도로 휴게소의 최적 규모 산출 방법.
  9. 청구항 2 또는 청구항 3에 있어서, 군집의 분할은 디시전 트리(decision tree) 방법론을 포함하는 군집 분석 방법론에 따라 수행되는 것을 특징으로 하는 고속도로 휴게소의 최적 규모 산출 방법.
  10. 청구항 1에 있어서,
    상기 사례 데이터베이스에 저장된 사례들로부터 도출된 단위면적당 매출액의 확률 분포 함수를 기초하여 목표 단위면적당 매출액이 선택되면, 상기 목표 단위면적당 매출액을 가지고 상기 휴게소 매출액 예측값을 달성할 수 있는 휴게소의 영업 시설 규모를 결정하는 단계를 더 포함하는 것을 특징으로 하는 고속도로 휴게소의 최적 규모 산출 방법.
  11. 청구항 1에 있어서,
    상기 휴게소 이용률 예측값을 기초로 고속도로 휴게소의 주차장을 포함하는 편의 시설 면적을 추정하는 단계를 더 포함하는 것을 특징으로 하는 고속도로 휴게소의 최적 규모 산출 방법.
  12. 각각의 사례가 적어도 독립 변수들(independent variables)과 제1 및 제2 종속 변수들(target variables)로써 표현되는 사례 데이터베이스와, 독립 변수 시험값들이 주어지는 테스트 사례를 제공하는 단계;
    상기 주어진 독립 변수 시험값들에 관하여 상기 사례 데이터베이스로부터 검색되는 결과를 기초로 제1 종속 변수 예측값을 추정하는 단계; 및
    상기 주어진 독립 변수 시험값들과 상기 제1 종속 변수 예측값에 관하여 상기 사례 데이터베이스로부터 검색되는 결과를 기초로 제2 종속 변수 예측값을 추정하는 단계를 포함하는 테스트 사례 프로젝트의 최적 투입 자원 산출 방법.
  13. 청구항 12에 있어서, 상기 제1 종속 변수 예측값을 추정하는 단계는
    상기 사례 데이터베이스 내의 사례들의 제1 종속 변수 값들을 제1 분할 기준 독립 변수에 따라 적어도 두 개의 군집으로 분할하는 단계;
    상기 제1 분할 기준 독립 변수의 시험값이 속하는 군집에서 상기 주어진 독립 변수 시험값들에 관하여 유사 사례들을 검색하는 단계; 및
    상기 검색된 유사 사례들의 제1 종속 변수 값들을 참조하여 제1 종속 변수 예측값을 추정하는 단계를 포함하는 것을 특징으로 하는 테스트 사례 프로젝트의 최적 투입 자원 산출 방법.
  14. 청구항 12에 있어서,
    상기 제2 종속 변수 예측값을 추정하는 단계는,
    상기 사례 데이터베이스 내의 사례들의 제2 종속 변수 값들을 제2 분할 기준 독립 변수에 따라 적어도 두 개의 군집으로 분할하는 단계;
    상기 주어진 제2 분할 기준 독립 변수의 시험값이 속하는 군집에서 상기 주어진 독립 변수 시험값들과 상기 제1 종속 변수 예측값에 관하여 유사 사례들을 검색하는 단계; 및
    상기 검색된 유사 사례들의 제2 종속 변수 값들을 참조하여 제2 종속 변수 예측값을 추정하는 단계를 포함하는 것을 특징으로 하는 테스트 사례 프로젝트의 최적 투입 자원 산출 방법.
  15. 청구항 12 내지 청구항 14 중 어느 한 청구항에 있어서, 상기 사례 데이터베이스의 검색은,
    적어도 둘 이상의 정량적 예측 방법론들에 기초한 각각의 종속 변수 예측값들 및 오차율들을 기초로 필터링 범위를 결정하는 단계;
    사례기반추론(Case Based Reasoning)을 위한 파라미터들을 유전자 알고리즘(Gene Algorithm)을 이용하여 최적화하는 단계; 및
    최적화된 파라미터들에 기초한 사례기반추론으로부터 얻은 검색 사례들 중에서 종속 변수 값들이 상기 필터링 범위 내에 있는 검색 사례들을 유사 사례로서 출력하는 단계를 포함하는 것을 특징으로 하는 테스트 사례 프로젝트의 최적 투입 자원 산출 방법.
  16. 청구항 15에 있어서, 상기 적어도 둘 이상의 정량적 예측 방법론들은 MRA(다중 회귀 분석), ANN(인공신경망)을 포함하는 것을 특징으로 하는 테스트 사례 프로젝트의 최적 투입 자원 산출 방법.
  17. 청구항 15에 있어서, 상기 필터링 범위는
    상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 하한값들 중의 최대와, 상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 상한값들 중의 최소 사이의 교차 범위(cross-range)인 것을 특징으로 하는 테스트 사례 프로젝트의 최적 투입 자원 산출 방법.
  18. 청구항 15에 있어서, 상기 필터링 범위는
    상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 하한값들 중의 최대와 상기 적어도 둘 이상의 예측 방법론들로부터 얻은 예측 범위들의 상한값들 중의 최소 사이의 교차 범위를 허용 한계율만큼 확대한 확대 교차 범위인 것을 특징으로 하는 테스트 사례 프로젝트의 최적 투입 자원 산출 방법.
  19. 청구항 13 또는 청구항 14에 있어서, 군집의 분할은 디시전 트리 방법론을 포함하는 군집 분석 방법론에 따라 수행되는 것을 특징으로 하는 테스트 사례 프로젝트의 최적 투입 자원 산출 방법.
  20. 청구항 12 내지 청구항 14 중 어느 한 청구항에 있어서,
    상기 제2 종속 변수 값이 성과에 관한 것일 경우에, 상기 사례 데이터베이스에 저장된 사례들로부터 투입 자원에 따른 성과의 확률 분포 곡선을 도출하고, 상기 확률 분포 곡선에 기초하여 선택된 목표 성과를 가지고 상기 테스트 사례 프로젝트에서 상기 제2 종속 변수 예측값을 달성하기 위해 투입되어야 하는 투입 자원의 양을 결정하는 단계를 더 포함하는 것을 특징으로 하는 테스트 사례 프로젝트의 최적 투입 자원 산출 방법.
  21. 각각의 사례가 적어도 독립 변수들과 제1 및 제2 종속 변수들로써 표현되는 사례 데이터베이스;
    독립 변수 시험값들이 주어지는 테스트 사례가 제공되면, 상기 주어진 독립 변수 시험값들에 관하여 상기 사례 데이터베이스로부터 검색되는 결과를 기초로 제1 종속 변수 예측값을 추정하는 제1 예측부; 및
    상기 주어진 독립 변수 시험값들과 상기 제1 종속 변수 예측값에 관하여 상기 사례 데이터베이스로부터 검색되는 결과를 기초로 제2 종속 변수 예측값을 추정하는 제2 예측부를 포함하는 테스트 사례 프로젝트의 최적 투입 자원 산출 장치.
  22. 청구항 21에 있어서,
    상기 사례 데이터베이스 내의 사례들의 종속 변수 값들을 분할 기준 독립 변수에 따라 적어도 두 개의 군집으로 분할하여 상기 제1 예측부 또는 상기 제2 예측부에 제공하는 군집 분할부를 더 포함하는 것을 특징으로 하는 테스트 사례 프로젝트의 최적 투입 자원 산출 장치.
  23. 청구항 21에 있어서, 상기 제1 예측부 또는 상기 제2 예측부의 각각은
    적어도 둘 이상의 정량적 예측 방법론들에 기초하여 상기 사례 데이터베이스의 사례들에 관하여 종속 변수 예측값들, 오차율들 및 예측 범위들을 연산하는 정량적 예측 분석부;
    상기 사례 데이터베이스의 사례들 중에서 사례기반추론을 이용하여 테스트 사례와 유사한 사례들을 검색하는 사례기반추론 모델;
    상기 사례기반추론 모델을 위한 파라미터들을 유전자 알고리즘을 이용하여 최적화하는 파라미터 최적화부; 및
    상기 종속 변수 예측값들, 오차율들 및 예측 범위들을 기초로 결정되는 필터링 범위를 가지고 상기 사례기반추론 모델에서 검색된 사례들을 필터링하여 유사 사례를 출력하는 필터링부를 포함하는 것을 특징으로 하는 테스트 사례 프로젝트의 최적 투입 자원 산출 장치.
  24. 청구항 21에 있어서,
    상기 사례 데이터베이스의 사례들을 기초로 투입 자원당 성과에 관한 경험적 확률 분포를 분석하는 자원-성과 확률 분포 분석부; 및
    의사결정자가 상기 경험적 확률 분포를 기초로 특정한 목표 성과를 가지고 상기 제2 종속 변수 예측값을 달성하기 위해 투입되어야 하는 자원을 분석하는 최적 투입 자원 결정부를 더 포함하는 것을 특징으로 하는 테스트 사례 프로젝트의 최적 투입 자원 산출 장치.
KR1020120087103A 2012-08-09 2012-08-09 고속도로 휴게소의 최적 위치와 규모의 산출 방법 및 장치 KR101502539B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120087103A KR101502539B1 (ko) 2012-08-09 2012-08-09 고속도로 휴게소의 최적 위치와 규모의 산출 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120087103A KR101502539B1 (ko) 2012-08-09 2012-08-09 고속도로 휴게소의 최적 위치와 규모의 산출 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20140021178A true KR20140021178A (ko) 2014-02-20
KR101502539B1 KR101502539B1 (ko) 2015-03-16

Family

ID=50267717

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120087103A KR101502539B1 (ko) 2012-08-09 2012-08-09 고속도로 휴게소의 최적 위치와 규모의 산출 방법 및 장치

Country Status (1)

Country Link
KR (1) KR101502539B1 (ko)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019032753A (ja) * 2017-08-09 2019-02-28 株式会社東芝 提供数予測装置、提供数予測方法及び提供数予測プログラム
JPWO2019059137A1 (ja) * 2017-09-20 2020-10-15 本田技研工業株式会社 情報分析装置及び情報分析方法
CN111798091A (zh) * 2020-05-27 2020-10-20 中汽数据有限公司 一种基于变道持续时间的高速公路变道评分模型建立方法
CN112116028A (zh) * 2020-09-29 2020-12-22 联想(北京)有限公司 模型决策解释实现方法、装置及计算机设备
KR20210017053A (ko) * 2019-08-06 2021-02-17 코리아크레딧뷰로 (주) 개인사업체에 대한 매출액 추정 모형의 도출방법
CN113380052A (zh) * 2021-06-08 2021-09-10 重庆大学 基于etc数据的驶入服务区车流量预测方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101150941B1 (ko) * 2009-05-18 2012-05-29 경희대학교 산학협력단 사용자의 통합 지수를 고려한 서비스 정보의 제공 방법
KR20120136567A (ko) * 2011-06-09 2012-12-20 목포대학교산학협력단 신경망과 ｓｖｍ을 이용한 적조 발생 예측 방법
KR101173158B1 (ko) 2012-01-04 2012-09-13 서울시립대학교 산학협력단 시각적 시설개요 생성을 기반으로 한 도시재생사업의 사업비 및 사업기간 예측 시스템 및 그 방법

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019032753A (ja) * 2017-08-09 2019-02-28 株式会社東芝 提供数予測装置、提供数予測方法及び提供数予測プログラム
JPWO2019059137A1 (ja) * 2017-09-20 2020-10-15 本田技研工業株式会社 情報分析装置及び情報分析方法
KR20210017053A (ko) * 2019-08-06 2021-02-17 코리아크레딧뷰로 (주) 개인사업체에 대한 매출액 추정 모형의 도출방법
CN111798091A (zh) * 2020-05-27 2020-10-20 中汽数据有限公司 一种基于变道持续时间的高速公路变道评分模型建立方法
CN111798091B (zh) * 2020-05-27 2024-04-12 中汽数据有限公司 一种基于变道持续时间的高速公路变道评分模型建立方法
CN112116028A (zh) * 2020-09-29 2020-12-22 联想(北京)有限公司 模型决策解释实现方法、装置及计算机设备
CN112116028B (zh) * 2020-09-29 2024-04-26 联想(北京)有限公司 模型决策解释实现方法、装置及计算机设备
CN113380052A (zh) * 2021-06-08 2021-09-10 重庆大学 基于etc数据的驶入服务区车流量预测方法及装置
CN113380052B (zh) * 2021-06-08 2022-07-15 重庆大学 基于etc数据的驶入服务区车流量预测方法及装置

Also Published As

Publication number Publication date
KR101502539B1 (ko) 2015-03-16

Similar Documents

Publication Publication Date Title
De Oña et al. Key factors affecting rail service quality in the Northern Italy: a decision tree approach
CN108596727B (zh) 一种共享单车的管理与决策方法
CN108053062B (zh) 一种基于多源数据的定制公交线路生成方法
Rahman et al. Perceived service quality of paratransit in developing countries: A structural equation approach
KR101502539B1 (ko) 고속도로 휴게소의 최적 위치와 규모의 산출 방법 및 장치
Bie et al. Time of day intervals partition for bus schedule using GPS data
CN103310287A (zh) 基于svm预测乘客出行概率的轨道交通客流预测方法
CN104992244A (zh) 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法
Makarova et al. Ensuring sustainability of public transport system through rational management
CN110288210A (zh) 项目级道路基础设施综合养护决策方法及系统
Wu et al. Predicting peak load of bus routes with supply optimization and scaled Shepard interpolation: A newsvendor model
CN105469602A (zh) 一种基于ic卡数据的公交乘客候车时间范围的预测方法
CN104599500A (zh) 基于灰熵分析和改进贝叶斯融合的交通流预测方法
Jacyna et al. The research directions of increase effectiveness of the functioning of the RSA with regard to specialized transport
Koo et al. A decision support system for determining the optimal size of a new expressway service area: focused on the profitability
CN107316096A (zh) 一种轨道交通一票通乘客进站量预测方法
Mahdavian et al. A universal automated data-driven modeling framework for truck traffic volume prediction
Derbel et al. Performance classification of Tunisian public transport operators
Vadlamani et al. Using machine learning to analyze and predict entry patterns of low-cost airlines: a study of Southwest Airlines
Thomas et al. Structural efficiency assessment of regional airports: Lessons from India
Ülengin et al. Are road transportation investments in line with demand projections? A gravity-based analysis for Turkey
CN115600710A (zh) 预测区域人控交通工具需求量方法、电子设备与存储介质
Mathirajan et al. Location of depots and allocation of buses to depots in urban road transport organisations: a mathematical model and greedy heuristic algorithm
CN112446531A (zh) 信息处理方法以及信息处理装置
Debebe et al. Assessment on the Current and Future Performance of Addis Ababa Light Rail Transit Service Using Mathematical Modeling

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
LAPS Lapse due to unpaid annual fee