빅데이터 기반 도시 모빌리티 패턴 분석 방법론 연구 (Big Data-based Urban Mobility Pattern Analysis)표지

기본 빅데이터 기반 도시 모빌리티 패턴 분석 방법론 연구 (Big Data-based Urban Mobility Pattern Analysis)

초록

- 모빌리티 빅데이터의 시간연속(time sequential)성을 고려해 하루 중 개인의 통행발생을 첫/중간/마지막으로 구분하는 TGN(Trip Generation Numbering) 알고리즘을 개발
* TGN : 시간순 으로 구축되는 모빌리티 빅데이터의 하루 통행발생 시점(첫/중간/마지막) 구분을 위한 알고리즘
- TGN알고리즘 적용, 이동시점 분석결과 한 주간 첫/마지막 통행비율은 각 29.8%, 중간 통행 40.4%로 나타났고 첫/마지막 통행은 월요일, 중간통행은 목요일이 높았음
* 모빌리티 빅데이터 : 위드라이브 모바일 앱 이용자의 2021.3.8.(월) - 2021.3.14.(일) 자료 활용
- 집↔직장 모빌리티 패턴을 MP1로 규정 후 모빌리티 패턴을 분석한 결과 경유지가 증가할수록 해당 비율은 감소하였고 통행시간도 줄어들었음
* MP1(36.8%), MP2(24.9%), MP3(18.2%)으로 경유지 증가할수록 비율 감소
* 모빌리티 패턴별 통행시간 : MP1(36.10분), MP3(35.66분), MP6(24.14분)
- 코로나 전후((20.1월/21.3월) 모빌리티 패턴 변화 분석결과, 코로나 후 통행량은 7.4% 감소(주중 5.8%, 주말13.5%)했고 주중 MP1(집↔직장, 3.13%증가) 제외 모빌리티 패턴은 모두 감소
* MP1(주말, 9.47%감소), MP2(주중 10.87%/주말 15.95%감소), MP3(주중 10.86%/주말 17.33%감소) 등

목차

주요 내용 및 정책제안
요약

제1장 연구의 개요
제2장 모빌리티 패턴 관련 문헌 검토
제3장 모빌리티 빅데이터 구축 및 전처리
제4장 통행시점 구분에 따른 모빌리티 패턴 분석
제5장 코로나 전후 모빌리티 패턴 비교분석
제6장 활용방안 및 결론

참고문헌
SUMMARY
부록
목록으로