본문 바로가기
KERD
논문KCI 등재

모바일 데이터를 활용한 지역간 수단통행 분류 방법론 개발

A Regional Trip Modes Classification Methodology Using Mobile Phone Data

김동호|한효림|송태진|김규혁
한국ITS학회 (The Korean Society of Intelligent Transport Systems)|2024.08|한국ITS학회 논문지 (Journal of Korean Society of Intelligent Transport Systems)|제23권 제4호|pp. 77-93|DOI https://doi.org/10.12815/kits.2024.23.4.77

0

조회

0

다운로드

0

인용

0

참고문헌

키워드

교통인프라수단선택모바일 데이터지역간 통행Mode splitMobile dataTransportation infrastructureRegional trip

초록

최근 데이터 수집 기술의 발달은 모바일 데이터 등의 실제 통행이 반영된 데이터가 폭발적으로 증가시키며, 이러한 데이터들을 활용한 교통분야 연구 또한 촉진 시킨다. 본 연구에서는모바일 데이터 궤적정보와 수단별 주요 교통유발시설 데이터를 매칭하여 모델링 없이 지역간통행수단을 추정하는 방법론을 개발하였다. 개별 수단통행은 통행궤적 내 교통유발시설 유무, 통행시간, 접근통행 유무 등의 규칙에 따라 분류되었다. 서울, 청주에 거주하는 908명의 개별통행궤적 데이터에 제안된 방법론을 적용하였고, 통행 다이어리 데이터의 기록된 수단과의 비교 결과를 Type Ⅰ and Ⅱ error 결과표로 나타내어 방법론의 정확도 검증을 수행하였다. 검증결과, 본 연구에서 개발한 방법론은 항공수단 1.00, 철도수단 0.955, 버스수단 0.73 수준의F1-Score를 보이는 것으로 나타났다.

Abstract

The recent development of data collection technology, which conveys various travel data in real-world such as mobile data and probe vehicle data, facilitates transportation planners identifying specified spatio-temporal travel patterns. In this study, an easily implementable travel mode classification methodology was proposed to classify inter-regional trip-modes without modeling by superimposing trajectories generated from mobile phone signaling and transportation infrastructure points into a polygon scale of a shapefile in a GIS system. Each regional mode trip was classified according to the rules such as the presence of transportation infrastructure in the trip trajectory, travel time, and the presence of access trips. An accuracy test generates Type Ⅰ and Type Ⅱ error results table to verify the proposed methodology. As a result, it was found that the methodology developed showed the F1-Score of the air mode 1.00, rail mode 0.95, bus mode 0.73.

참고문헌 (31)

  1. Alam, M. G. R., "Feature cloning and feature fusion based transportation mode detection using convolutional neural network", IEEE Transactions on Intelligent Transportation Systems, 24(4), pp.4671~4681 (2023)
  2. Anda, C., "Transport modelling in the age of big data", International Journal of Urban Sciences, 21(1), pp.19~42 (2017)
  3. Andersson, A., "Long-distance mode choice model estimation using mobile phone network data", Journal of Choice Modelling, 42, pp.100337~ (2022)
  4. Bandyopadhyay, S., "Generalizable journey mode detection using unsupervised representation learning", IEEE Transactions on Intelligent Transportation Systems (2024)
  5. Brändle, N., "Inferring modal split from mobile phones: Principles", Issues and Policy Recommendations, ~ (2021)
  6. Breyer, N., "Travel mode classification of intercity trips using cellular network data", Transportation Research Procedia, 52, pp.211~218 (2021)
  7. Bwambale, A., "Getting the best of both worlds : A framework for combining disaggregate travel survey data and aggregate mobile phone data for trip generation modelling", Transportation, 48(5), pp.2287~2314 (2021)
  8. Chen, C., "From traces to trajectories : how well can we guess activity locations from mobile phone traces?", Transportation Research Part C : Emerging Technologies, 46, pp.326~337 (2014)
  9. Chen, C., "The promises of big data and small data for travel behavior(aka human mobility)analysis", Transportation Research Part C : Emerging Technologies, 68, pp.285~299 (2016)
  10. Cho, S. H., "Estimation of interregional mode choice models and value of travel time accommodating taste variation of individuals", Journal of the Korean Society for Railway, 20(2), pp.288~298 (2017)
  11. Currans, K. M., "Using household travel surveys to adjust ITE trip generation rates", Journal of Transport and Land Use, 8(1), pp.85~119 (2015)
  12. Doyle, J., "Utilising mobile phone billing records for travel mode discovery", ~ (2011)
  13. Engelson, L., "Long-distance mode choice model estimation using mobile phone network data", ~ (2021)
  14. Eromietse, E. J., "Comparative assessment of radial basis function neural network and multiple linear regression application to trip generation modelling in Akure Nigeria", International Journal for Traffic & Transport Engineering, 9(2), pp.163~176 (2019)
  15. Etu, J. E., "Forecasting trip generation for high density residential zones of Akure, Nigeria : Comparability of artificial neural network and regression models", Journal of Civil Engineering, Science and Technology, 9(2), pp.76~86 (2018)
  16. Fourez, T., "Transport mode detection on GPS and accelerometer data: A temporality based workflow", ~ (2023)
  17. Jiang, S., "Activity-based human mobility patterns inferred from mobile phone data : A case study of Singapore", IEEE Transactions on Big Data, 3(2), pp.208~219 (2017)
  18. Jun, S. H., "A new statistical sampling method for reducing computing time of machine learning algorithms", Journal of The Korean Institute of Intelligent Systems, 21(2), pp.171~177 (2011)
  19. Kalatian, A., "Travel mode detection exploiting cellular network data", MATEC Web of Conferences, EDP Sciences, 81, pp.03008~ (2016)
  20. Kim, J. Y., "Estimating a mode choice model considering shared E-scooter service–Focused on access travel and neighborhood travel", The Journal of Korea Institute of Intelligent Transport Systems, 20(1), pp.22~39 (2021)
  21. Kim, K. H., "A study on the classification and understanding of travel boundary by city population scale based on mobile travel data", Journal of Korean Society of Transportation, 39(5), pp.662~680 (2021)
  22. Lee, G. J., "A bike mode share estimation model and analysis of the bike demand factor effects", Journal of Korean Society of Transportation, 28(3), pp.145~155 (2010)
  23. Phithakkitnukoon, S., "Inferring social influence in transport mode choice using mobile phone data", EPJ Data Science, 6, pp.1~29 (2017)
  24. Qu, Y., "Transportation mode split with mobile phone data", 2015IEEE 18th international conference on intelligent transportation systems, pp.285~289 (2015), IEEE
  25. Ryu, S. K., "A study on the modal split model using zonal data", Journal of Korean Society of Transportation, 30(1), pp.113~123 (2012)
  26. Sadeghvaziri, E., "Exploring the potential of mobile phone data in travel pattern analysis", Transportation Research Record, 2594(1), pp.27~34 (2016)
  27. Shin, K., "Improving methods for estimating transportation mode choice model in Busan-Ulsan metropolitan area", Journal of the Korea Academia-Industrial cooperation Society, 15(7), pp.4580~4587 (2014)
  28. Toole, J. L., "Inferring land use from mobile phone activity", Proceedings of the ACM SIGKDD International Workshop on Urban Computing, pp.1~8 (2012)
  29. Wang, H., "Transportation mode inference from anonymized and aggregated mobile phone call detail records", 13th International IEEE Conference on Intelligent Transportation Systems, 1, pp.318~323 (2010), IEEE
  30. Won, M., "Development of an algorithm to analyze home-based work trips using mobile phone data", Journal of Korean Society of Transportation, 39(3), pp.383~398 (2021)
  31. Xu, D., "Transportation modes identification from mobile phone data using probabilistic models", International Conference on Advanced Data Mining and Applications, pp.359~371 (2011), Springer

관련 논문AI추천

도시철도 노선계획을 위한 모바일폰 데이터 활용방안민재홍, 엄진기한국도시철도학회 · 한국도시철도학회논문집2016 · 제4권 제3호빅데이터 기반의 모빌리티 분석김동호, 김주영, 조범철사)한국빅데이터학회 · 한국빅데이터학회 학회지2020 · 제5권 제2호버스 통행유형 특성을 고려한 하차정류장 추정연구김건후, 이숭봉, 이종우, 천승훈한국교통연구원 · 교통연구2021 · 제28권 제4호기종점 모빌리티 데이터 기반 클러스터링 기법을 활용한 지역 모빌리티의 공간적 특성 분석 연구안용준, 이동훈한국ITS학회 · 한국ITS학회 논문지2023 · 제22권 제1호모빌리티 데이터를 이용한 지역 간 철도 이용객의 접근통행 정의 및 특성분석: 오송역 사례를 중심으로김미래, 김현승, 원민수, 이재영한국ITS학회 · 한국ITS학회 논문지2025 · 제24권 제2호모바일 통신 빅데이터 기반 항공교통이용자 O/D 추출 알고리즘 연구권기훈, 조범철사)한국빅데이터학회 · 한국빅데이터학회 학회지2023 · 제8권 제2호

이 간행물의 다른 논문 (7건)

서울시 지하철역 주변 환경이 고령자의 통행량에 미치는 영향 분석: COVID-19 기간을 중심으로서주희, 이진비, 추상호pp. 1-15고속도로 동적 갓길차로제 알고리즘과 운영기법 연구김주현, 문남식, 신언교pp. 16-36이동형 IoT 센서 장비 운용을 위한 자전거도로 위험 감지요소 선정 연구정인택, 김선겸, 장봉주, 최우철pp. 37-53신규 ITS 서비스 검증을 위한 테스트 시나리오 방법론연구: 자율차 주행지원을 위한 인프라 가이던스 서비스를 중심으로최민혜, 이준형, 양인철, 김형수pp. 54-66광역 긴급차량 우선신호시스템 효과분석 연구: 경기도를 중심으로김민, 이철기, 최병권, 황재성pp. 67-76
원문 보기