Earticle

교통카드 데이터는 승하차 정류장과 시각 등 활용가능성 높은 정보들을 포함하고 있어 대 중교통 분야에서 다양하게 활용되고 있다. 데이터 수집·저장 과정에서 물리적·환경적 요인에 의해 다양한 오류가 교통카드 데이터에 존재하지만, 오류 유형과 보정에 대한 연구는 부족한 상황이다. 본 논문에서는 교통카드 데이터의 승하차 정류장 정보 오류를 상세히 살펴보았다. 제주특별자치도에서 수행된 버스승하차조사 자료와 동일 기간을 대상으로 수집된 교통카드 데이터와 승차정류장을 중심으로 비교한 결과 교통카드 데이터의 승차정류장 정보 오류율이 6.2% 수준으로 보정이 필요함을 확인하였다. 6단계로 구성된 버스정보시스템 데이터 기반 교 통카드 승하차 정류장 정보 오류 보정 알고리즘을 제시하였다. 버스승하차조사 자료와 버스정 보시스템 데이터를 비교한 결과 승차정류장 정보 일치율은 98..3% 수준으로 버스정보시스템 데이터를 활용하여 정류장 오류 보정 가능성을 확인하였다. 본 논문에서 제시한 교통카드 승 하차 정류장 정보 오류 보정 알고리즘의 성능을 승차정류장을 중심으로 누락을 제외하고 평가 한 결과 교통카드 승차정류장 정보 오류율이 보정 전 6.2%에서 보정 후 1.0%로 5.2%p 감소한 것으로 나타났다. 정류장 정보 오류가 보정된 교통카드 데이터를 통해 버스 노선 조정과 대중 교통 인프라 투자 정책의사 결정이 보다 합리적으로 수행될 수 있을 것으로 기대된다.

Smart card data is widely used in the public transportation field. Despite the inevitability of various errors occur during the data collection and storage; however, smart card data errors have not been extensively studied. This paper investigates inherent errors in boarding and alighting station information in smart card data. A comparison smart card data and bus boarding and alighting survey data for the same time frame shows that boarding station names differ by 6.2% between the two data sets. This indicates that the error rate of smart card data is 6.2% in terms of boarding station information, given that bus boarding and alighting survey data can be considered as ground truth. This paper propose 6-step algorithm for correcting errors in smart card boarding station information, linking them to corresponding information in Bus Information System(BIS) Data. Comparing BIS data and bus boarding and alighting survey data for the same time frame reveals that boarding station names correspond by 98.3% between the two data sets, indicating that BIS data can be used as reliable reference for ground truth. To evaluate its performance, applying the 6-step algorithm proposed in this paper to smart card data set shows that the error rate of boarding station information is reduced from 6.2% to 1.0%, resulting in a 5.2%p improvement in the accuracy of smart card data. It is expected that the proposed algorithm will enhance the process of adjusting bus routes and making decisions related to public transportation infrastructure investments.

최근 대중교통 서비스의 현황 분석과 개선을 위하여 이용자들의 이동 행태와 패턴을 분석하는 연구가 다양하게 진행되고 있다. 본 연구에서는 대중통행 이용자 데이터를 기반으로 2차원의 공간에서 이동 패턴 을 분석하고 평가하는 방법을 제시한다. 특히, 본 연구에서는 버스나 지하철 등 복합 대중교통 기록 데이터 를 2차원의 지리적 공간으로 매핑하여 결합 분석하기 위하여 GeoHash 체계를 사용한다. 제시된 방법론은 서울시 스마트카드 데이터를 사용하여 시민들의 이동패턴을 발견하고 Google Map에서 시각화하였다.

Public transportation is a traffic service for the general public, which consists of traffic modes and operates according to a planned time schedule and a fixed route. Recently, many studies focused on understanding travel patterns and improving transportation service by analyzing movements of passengers. This research introduces a method of discovering and evaluating movement patterns from smart card data of multimodal transportation of passengers in two-dimensional spatial geographic space. Smart card transaction data of subway and bus networks in Seoul metropolitan city are used for the pattern analysis and the results are visualized on the Google Map.

교통카드를 이용하는 승객의 지하철역사내에서 보행이동은 직승직하, 노선환승, 역사환승 3가지로 구분된다. 직승직하는 단말기노선과 열차노선이 동일한 상황에서 나타나는 통행을 의 미한다. 직승은 출발역에서 직하는 도착역에서 각각 나타난다. 노선환승은 승객이 하차 및 승 차한 열차노선이 다른 상황에서 발생한다. 노선환승은 출발역과 도착역이 아닌 중간역의 환승 보행통행이다. 역사환승은 단말기노선과 열차노선이 다른 경우 나타난다. 역사환승은 출발역 에서 출발환승과 도착역에서 도착환승으로 나타난다. 수도권 교통카드는 출발역 및 도착역 단 말기노선번호가 기록되나 열차노선정보가 존재하지 않는다. 따라서 지하철역사를 보행하는 승객의 전체흐름을 분석하기 위해서 카드자료가 활용되지 못하고 있다. 본 연구는 교통카드자료의 제한된 정보를 활용하여 지하철역사내 승객의 보행이동 분석모형 을 제안한다. 이를 위해 출발역과 도착역을 연결하는 경로선택모형을 구축하여 열차노선을 분석하는 개념을 적용한다. 수도권지하철을 대상으로 사례연구를 시행하여 보행통행을 분석 한다.

Pedestrian movement of passengers using smart card within stations can be divided into three types of activities – straight ride and alight, line transfer, and station transfer. Straight ride and alight is transfer activity for which the card terminal and embarking line are identical. In this case, straight ride occurs at the origin station and straight alight occurs at the destination station. Line transfer refers to activity in which the subway line embarked on by the passenger is different from that which is disembarked. Succinctly, line transfer is transfer at a middle station, rather than at origin or destination stations. Station transfer occurs when the card terminal line and embarking line are different. It appears when station transfer happens at the origin station as starting transfer, and at the destination station as destination transfer. In the case of Metropolitan smart card data, origin and destination station card terminal line number data is recorded, but subway line data does not exist. Consequently, transportation card data, as it exists, cannot adequately be used to analyze pedestrian movement as a whole in subway stations. This research uses the smart card data, with its constraints, to propose an analysis model for passenger pedestrian movement within subway stations. To achieve this, a path selection model is constructed, which links origin and destination stations, and then applied for analysis. Finally, a case study of the metropolitan subway is undertaken and pedestrian volume analyzed.

본 연구에서는 대중교통 이용객의 대부분이 사용하는 스마트카드 자료를 이용하여 실제심야시간 통행량을 추정하고, 이를 현재 심야버스 노선과 비교하여 KT통신사에서 심야시간에 발생한 통화량을 기준으로 선정한 심야버스 노선과 실제 심야통행량을 비교하였다. 심야버스와 심야통행량을 비교하기 위해 일치도와 관련된 지표를 제시하고, 현재 얼마나 서비스가 제공되고 있는지 계산하였다. 연구의 특이한 점은 같은 정류장명을 가진 버스정류장이라도 어느 방향에 있느냐에 따라 속한 행정동이 다르기 때문에, 기준이 되는 영향권의 지표를 지하철역으로 잡고, 지하철역과 인접한 행정동을 지하철역의 영향권의 범위로 설정한 것이다. 심야버스가 심야시간 주요 교통수단으로 자리 잡은 만큼, 실제 교통량을 계산하여 노선을 선정한다면, 더 나은 서비스를 제공할 수 있을 것으로 기대된다.

This Study estimates the actual night traffic using the smart card data used by most of the public transportation users, and compares it with the current night bus routes by KT Telecom based on the night time call volume. In order to compare the current night bus and night trips evaluated by smart card data, we presented indicators related to the degree of matching, and estimated the volume of service currently provided. The unique approach of the study is that we chose subway station instead of bus stop for the unit of the study. Bus stops has their complexity in a way that stops with same name could belong to different administrative area depending on its direction. For this reason, we decided to use subway station and defined its adjacent administrative district as the scope of influence. Since night bus is the primary means of transportation during the late night, it is anticipated that they will be able to provide better service by calculating the actual traffic and selecting the routes.

본 연구는 수도권 지하철의 노인무임승차에 대하여 오전 및 오후 첨두시간대에 요금을 부 과하는 상황을 전제로 지하철 운송기관의 수입금 변화를 추정한다. 스마트카드자료는 노인무 임통행에 대하여 요금관 관련된 자료를 생산하지 않고 있다. 따라서 스마트카드자료를 이용해 서 노인승객의 요금을 추정하고 운송기관에 수입금으로 배분하는 별도의 방법론에 대한 검토 가 요구된다. 본 연구는 노인통행은 출발시간을 기점으로 최소시간경로를 선택하는 가정을 반 영하는 동시적 동적통행배정모형을 구축하여 통행경로를 선정하고 이를 기반으로 노인에게 부과되는 거리비례요금과 민자기관의 별도 및 독립요금을 추정하고 운영기관의 수입금으로 배분하는 모형과 방법론을 구축하고 시연한다. 2019년 및 2020년 COVID-19 전후를 대상으로 사례연구를 시행한 결과 서울교통공사의 무임손실을 연간 3600억원에서 오전첨두(07:00-08:59) 에는 6~8% 수준, 오후첨두(18:00-19:59)에는 13~16% 까지 절감될 것으로 분석된다.

This study derives quantitative data on how much the fiscal deficit of subway operation agencies can be reduced in the process of charging free rides for the elderly in metropolitan subways during peak periods. In smart card data, every trip of elderly is recorded except fares. Therefore, it is required to establish a methodology for estimating the fares of elderly passengers and distributing them to subway opertation agencies as income. This study builds a simultaneous dynamic traffic allocation model that reflects the assumption that elderly selects a minimum time route based on the departure time. The travel route of the elderly is estimated, and the distance-proportional fare charged to the elderly is calculated based on this, and the fare is distributed by reflecting the connected railway revenue allocation principle of the metropolitan subway operating agencies. As a result of conducting a case study for before and after COVID-19 in 2019 and 2020, it is analyzed that Seoul Metro's annual free loss of 360 billion won could be reduced 6~8% at the morning peak (07:00-08:59), and 13~16% at the morning and afternoon peak (18:00-19:59).

차내 혼잡은 대중교통 이용자들의 통행의 질과 관련된 주제라고 할 수 있다. 차량의 제한된 용량과 배차간격 등의 이유로 주로 이용수요가 많은 교통수단 및 운영노선에서 차내 혼잡이 발생되며 이는 실제로 이용자들이 경험하는 통행시간의 가치에 차이를 유발시킨다. 본 연구에 서는 오후 첨두시 분석노선 광역버스를 이용하는 개별 통행자의 스마트카드 자료 정보를 기반 으로 차내 혼잡에 따른 개별 통행자의 시간가치를 추정하였다. 특히, 차내 혼잡이 개별 통행자 가 느끼는 시간가치에 미치는 영향의 크기와 그 형태에 대해서 정교하게 분석하기 위해 Box-Cox transformation로 변환한 변수를 포함하여 모형을 구축하였다. 추정 결과에서 도출된 혼잡승수를 이용하여 2층 버스 도입 시 차내 혼잡 감소에 따른 편익을 산정하였으며 이를 통해 본 연구에서 제시하고 있는 추정 결과의 유의미성과 적용방안에 대해 논의하였다.

This paper concentrated on estimating the travel time value of individual regional bus passengers in various in-vehicle crowding conditions. In the analysis model, the traffic-selection data of individual transportation passengers based on smart-card data were used. Variables which reflect the level of in-vehicle crowding and the variables of in-vehicle travel time that reflect the level of in-vehicle crowding were included in the model using Box-Cox transformation. The result of this paper indicates that the travel time value experienced by individual users would increase as the in-vehicle crowding level increases. The smart card data used in this paper is considered to have significant implications in terms of conducting more sophisticated and realistic qualitative research to reflect the values of variables for in-vehicle traffic hours and in-vehicle crowding levels, which previously had limitations in observation and quantification. It is expected that the effects of improvement measures for reducing congestion on regional buses can be considered quantitatively by applying the estimation results of crowding multiplier.

환승시간은 대중교통계획 및 정책 수립에 있어서 중요한 요소이다. 이에 본 연구에서는 교 통카드 이용자료를 활용하여 대중교통 이용자의 환승시간 영향요인을 규명하고, 딥러닝 기법 인 심층신경망 모형을 이용한 환승시간을 추정하였으며 이를 전통적인 회귀모형과 비교 분석 하였다. 먼저 환승시간 영향요인의 경우, 주변 버스의 배차간격과 버스 정류장까지의 거리가 버스 환승시간에 양의 영향을 주었으며, 버스 노선수는 반대로 음의 영향을 주었다. 또한 지하 철역이 속해있는 자치구에 따라서도 환승시간에 영향을 주는 것으로 나타났다. 도출된 환승시 간 영향요인을 통해 딥러닝 모형을 구축하고 성능을 비교한 결과, 회귀모형보다 딥러닝 모형 의 성능이 보다 우수하였다. 본 연구의 결과는 지역별 환승허용시간의 차등 적용 등 대중교통 환승정책의 기초 자료로 활용될 수 있을 것으로 판단된다.

The transfer time is an important factor in establishing public transportation planning and policy. Therefore, in this study, the influencing factors of the transfer time for transit users were identified using smart card data, and the estimation results for the transfer time using the deep learning method such as deep neural network models were compared with traditional regression models. First, the intervals and the distance to the bus stop had positive effects on the subway-to-bus transfer time, and the number of bus routes had a negative effect. This also showed that the transfer time is affected by the area in which the subway station exists. Based on the influencing factors of the transfer time, the deep learning models were developed and their estimation results were compared with the regression model. For model performance, the deep learning models were better than those of the regression models. These results can be used as basic data for transfer policies such as the differential application of transit allowance times according to region.