본문 바로가기
KERD
논문KCI 등재

머신러닝 기반 고속도로 내 수소충전소 최적입지 선정 연구

A Study on the Optimal Location Selection for Hydrogen Refueling Stations on a Highway using Machine Learning

김성수|조재혁
한국국토정보공사 (Korea Land and Geospatial InformatiX Corporation)|2021.12|지적과 국토정보 (Journal of Cadastre & Land Information)|제51권 제2호|pp. 83-106|DOI 10.22640/lxsiri.2021.51.2.83

0

조회

0

다운로드

1

인용

0

참고문헌

키워드

머신러닝Machine Learning수소충전소수소 물류 네트워크최적입지 결정예비적 검토 방법론Hydrogen Logistics NetworkHydrogen Refueling StationOptimal Location SelectionPreliminary Review Methodology
주제분류국제/지역개발

초록

대기오염, 지구온난화 문제 등 환경 문제의 심각성이 대두되면서 청정 연료의 관심이 커지고 있다. 그 중 수소는 기존 화석연료와는 달리 연소 시 부산물로 수분만이 발생하는 대표적인 친환경 에너지원으로 현재 다양한 분야에서 주목을 받고 있다. 물류 분야에서도 수소를 활용한 물류 네트워크를 구축하기 위해 다양한 정책적 노력이 활발히 이루어지고 있다. 이러한 수소 물류 네트워크의 구축에 있어 수소충전소의 입지 결정은 매우 중요한 문제이다. 최근 개발된 수소추진(수소연료전지) 화물차에 수소를 공급하는 충전소는 수소 기반 물류체계가 본격적으로 자리 잡는 데 있어 필수 불가결한 요소이다. 이러한 수소충전소의 최적 입지를 결정하는 선행연구는 대부분 수리적 모형에 기반한 최적화 기법만을 사용하여 수소충전소의 최적 입지를 결정하고자 하였다. 본 연구에서는 기존 연구의 동향과는 차별화하여 최적화 기법의 중요한 투입 변수 중 하나인 충전소 후보지에 대한 공간적 특성을 검토하는 방법으로 머신러닝 모형들을 활용하고 그 적용가능성을 확인하였다. 머신러닝은 다양한 분야에서 우수한 성과를 증명한 기법이지만 수소충전소의 최적 입지를 결정하는 연구 분야에서는 아직 적용된 바가 없다. 이를 위해 본 연구에서는 개별공시지가, 수소공급지와의 거리 등 전국 고속도로 휴게소와 고속도로의 무작위 지점들의 위치와 관련된 변수들을 독립변수로 선정하여 단일 머신러닝 모형과 앙상블 모형을 적용하고 그 성과를 비교하였다. 분석 결과, 랜덤포레스트(Random Forest) 모형이 가장 우수한 성과를 보였으며, 다른 모형들 또한 우수한 분류 성능을 보여 최적 입지 문제에 대해 공간적 특성을 예비적으로 검토하는 방법론으로써 머신러닝의 적용 가능성을 확인할 수 있었다. 따라서 머신러닝 모형은 수소충전소의 최적 입지 결정 분야에서 향후 최적화 기법을 적용한 연구의 예비적 검토 방법론으로 널리 활용할 수 있을 것으로 기대된다.

Abstract

Interests in clean fuels have been soaring because of environmental problems such as air pollution and global warming. Unlike fossil fuels, hydrogen obtains public attention as a eco-friendly energy source because it releases only water when burned. Various policy efforts have been made to establish a hydrogen based transportation network. The station that supplies hydrogen to hydrogen-powered trucks is essential for building the hydrogen based logistics system. Thus, determining the optimal location of refueling stations is an important topic in the network. Although previous studies have mostly applied optimization based methodologies, this paper adopts machine learning to review spatial attributes of candidate locations in selecting the optimal position of the refueling stations. Machine learning shows outstanding performance in various fields. However, it has not yet applied to an optimal location selection problem of hydrogen refueling stations. Therefore, several machine learning models are applied and compared in performance by setting variables relevant to the location of highway rest areas and random points on a highway. The results show that Random Forest model is superior in terms of F1-score. We believe that this work can be a starting point to utilize machine learning based methods as the preliminary review for the optimal sites of the stations before the optimization applies.

참고문헌 (58)

  1. "수소 인프라 및 충전소 구축방안" (2019)[URL]
  2. 김거중, "하이브리드형 수소공급방식을 고려한 수소충전소 입지 선정 모형 개발", 교통연구, 26(2), pp.53~70 (2019), 한국교통연구원[DOI]
  3. 김남진, "K-최근접 이웃을 이용한 모터의 고장진단", 한국전자통신학회 논문지, 13(6), pp.1249~1256 (2018), 한국전자통신학회[DOI]
  4. 김봉진, "지리정보시스템을 이용한 고속국도에서의 수소충전소 구축 방안", 한국수소및신에너지학회논문집, 25(3), pp.255~263 (2014), 한국수소및신에너지학회[DOI]
  5. 김수환, "수소 충전소 최적 위치 선정을 위한 기계 학습 기반 방법론", Korean Chemical Engineering Research(HWAHAK KONGHAK), 58(4), pp.573~580 (2020), 한국화학공학회
  6. 김은경, "그룹변수를 포함하는 불균형 자료의 분류분석을 위한 서포트 벡터 머신", 응용통계연구, 29(5), pp.961~975 (2016), 한국통계학회
  7. 김은미, "기계학습을 활용한 주택매도 결정요인 분석 및 예측모델 구축", 지적과 국토정보, 50(1), pp.181~200 (2020), 한국국토정보공사[DOI]
  8. 김정화, "수소경제 활성화 로드맵 달성에 따른 교통 부문의 대기오염원 저감 효과 분석", 한국수소및신에너지학회논문집, 31(6), pp.522~529 (2020), 한국수소및신에너지학회
  9. 김한민, "앙상블 머신러닝 기법과 블록체인 정보를 활용한 이더리움 엉클 블록 예측 분석", 디지털융복합연구, 18(11), pp.129~136 (2020), 한국디지털정책학회[DOI]
  10. "수소경제" (2020), 대한민국 정책브리핑[URL]
  11. 민성환, "부도예측을 위한 KNN 앙상블 모형의 동시 최적화", 지능정보연구, 22(1), pp.1~19 (2016), 한국지능정보시스템학회
  12. 박종훈, "밀도에 기반한 퍼지 서포트 벡터 머신을 이용한 멀티 카데고리에서의패턴 분류", 한국지능시스템학회 학술발표 논문집, 16(2), pp.251~254 (2006)
  13. 박지만, "인공지능과 국토정보를 활용한 노인복지취약지구 추출방법에 관한 연구", 지적과 국토정보, 48(1), pp.169~186 (2018), 한국국토정보공사[DOI]
  14. "기후변화협상" (2015)[URL]
  15. 유진은, "랜덤 포레스트: 의사결정나무의 대안으로서의 데이터 마이닝 기법", 교육평가연구, 28(2), pp.427~448 (2015), 한국교육평가학회
  16. 이용준, "XGBoost를 활용한 고속도로 콘크리트 포장 파손 예측", 한국건설관리학회 논문집, 21(6), pp.46~55 (2020), 한국건설관리학회[DOI]
  17. 이우진, "머신러닝을 활용한 공공자전거 대여소의 입지 예측에 대한 연구", 한국IT정책경영학회 논문지, 13(4), pp.2553~2559 (2021), 한국IT정책경영학회
  18. 이창한, "공시지가산정을 위한 지형・지세조사 자료의 정확도 분석", 지적과 국토정보, 48(1), pp.153~167 (2018), 한국국토정보공사[DOI]
  19. 전병욱, "도로교통 이머징 리스크 탐지를 위한 AutoML과 CNN 기반 소프트 보팅 앙상블 분류 모델", 융합정보논문지, 11(7), pp.14~20 (2021), 중소기업융합학회[DOI]
  20. 정기대, "수소경제의 경제적·기술적 이슈 –Value Chain 5단계 중심 -", 10(5), pp.1~12 (2019)
  21. 정용찬, "머신러닝기반의 KSORAS 재범요인 확인 연구: 의사결정나무 분석과 랜덤포레스트 기법을 활용하여", 한국경찰연구, 20(1), pp.323~350 (2021), 한국경찰연구학회
  22. Alazemi J, "Autumotive hydrogen fuelling station : An international review", Renewable and Sustainable Energy Reviews, 48, pp.483~499 (2015)
  23. Bergstra J, "Random search for hyper-parameter optimization", Journal of machine learning research, 13(2), pp.281~305 (2012)
  24. Brandon N P, "Clean energy and the hydrogen economy", Philosophical Transactions of the Royal Society A: Mathematical. Physical and Engineering Sciences, 375(2098), pp.1~17 (2017)
  25. Bühlmann P, "Handbook of computational statistics", pp.985~1022 (2012), Springer
  26. Cervantes J, "A comprehensive survey on support vector machine classification : Applications, challenges and trends", Neurocomputing, 408, pp.189~215 (2020)
  27. Dagdougui H, "Models, methods and approaches for the planning and design of the future hydrogen supply chain", International Journal of hydrogen Energy, 37(6), pp.5318~5327 (2012)
  28. Damavandi H, "Utilizing location-based social network data for optimal retail store placement", Earth Obsevation and Geomatics Engineering, 3(2), pp.77~91 (2019)
  29. Elloumi S, "A new formulation and resolution method for the p-center problem", INFORMS Journal on Computing, 16(1), pp.84~94 (2004)
  30. Frade I, "Optimal location of charging stations for electric vehicles in a neighborhood in Lisbon, Portugal", Transportation Research Record, 2252(1), pp.91~98 (2011)
  31. Friedl M A, "Decision tree classification of land cover from remotely sensed data", Remote Sensing of Environment, 61(3), pp.399~409 (1997)
  32. Gaikwad D P, "Intrusion detection system using bagging ensemble method of machine learning", 2015 international conference on computing commnication control and automation, pp.291~295 (2015)
  33. Gandhi I, "Hybrid ensemble of classifiers using voting", 2015 international conference on green computing and Interne of Things (ICGCIoT), pp.399~404 (2015)
  34. Gazalba I, "Comparative analysis of k-nearest neighbor and modified k-nearest neighbor algorithm for data classification", 2017 2nd International conferences on Information Technology, Information Systems and Electrical Engineering (ICITISEE), pp.294~298 (2017)
  35. Global energy transformation : a roadmap to 2050, "Gielen D", International Renewable Energy Agency (IRENA), 1~52 (2019)
  36. Hu L Y, "The distance Function effect on k-nearest neighbor classification for medical datasets", SpringerPlus, 5(1), pp.1~9 (2016)
  37. Ozbas E E, "Hydrogen production via biomass gasification, and modeling by supervised machine learning algorithms", International Journal of Hydrogen Energy, 44(32), pp.17260~17268 (2019)
  38. Hosseini M, "Refuelingstation location problem under uncertainty", Transportation Research Part E : Logistics and Transportation Review, 84, pp.101~116 (2015)
  39. Jeong I J, "An optimal approach for a set covering version of the refueling-station location problem and its application to a diffusion model", International Journal of Sustainable Transportation, 11(2), pp.86~97 (2017)
  40. Kaur H, "A systematic review on imbalanced data challenges in machine learning : Applications and solutions", ACM Computing Surveys(CSUR), 52(4), pp.1~36 (2019)
  41. Kim H C, "Support vector machine ensemble with bagging", pp.397~408 (2002), Springer
  42. Kim J H, "Comparing image classification methods: K-nearestneighbor and support-vector-machines", Procddings of the 6th WSEAS international conference on Computer ENginering and Applications, and Proceedings of the 2012American conference on Applied Mathematics, 1001, pp.48109~42012 (2012)
  43. Kluschke P, "Market diffusion of alternative fuels and powertrains in heavy-duty vehicles : a literature review", Energy Report, 5, pp.1010~1024 (2019)
  44. Ko J, "Locating refuelling stations for alternative fuel vehicles : a review on models and applications", Transport Reviews, 37(5), pp.551~570 (2017)
  45. Kuby M, "Optimization of hydrogen stations in Florida using the flow-refueling location model", International journal of hydrogen energy, 34(15), pp.6045~6064 (2009)
  46. Li L, "Hydrogen supply chain network design : An optimizationoriented review", Renewable and Sustainable Energy Reviews, 103, pp.342~360 (2019)
  47. Lin R H, "A review of hydrogen station location models", International Journal of Hydrogen Energy, 45(39), pp.20176~20183 (2020)
  48. Lin Z, "A Method for determining the optimal delivered hydrogen pressure for fuel cell electric vehicles", Applied Energy, 261(15), pp.183~194 (2018)
  49. Muratori M, "Modeling hydrogen refueling infrastructure to support passenger vehicles", Energies, 11(5), pp.1~14 (2018)
  50. Pradhan A, "Support vector machine-a survey", International Journal of Emerging Technology and Advanced Engineering, 2(8), pp.82~85 (2012)
  51. Priyam A, "Comparative analysis of decision tree classification algorithms", International Journal of current engineering and technology, 3(2), pp.334~337 (2013)
  52. Shah S A A, "Decision trees based classification of cardiotocograms using bagging approach", 201513th international conference on frontiers of information technology(FIT), pp.12~17 (2015)
  53. Sharma H, "A survey on decision tree algorithms of classification in data mining", International Journal of Science and Research(IJSR), 5(4), pp.2094~2097 (2016)
  54. Sharma D, "A review on machine learning algorithms, tasks and applications", International Journal of Advanced Research in Computer Engineering & Technology(IJARCET), 6(10), pp.1548~1552 (2017)
  55. Teng X, "Research on application of machine learning in data mining", IOP conference series : materials science and engineering, 392(6), pp.1~5 (2018)
  56. Wang H, "A brief review of machine learning and its application", 2009international conference on information engineering and computer science, pp.1~4 (2009)
  57. Random search algorithms, "Zabinsky Z B", Department of Industrial and Systems Engineering, University of Washington, 1~16 (2009)
  58. Zaheer N, "Optimal school site selection in Urban areas using deep neural networks", Journal of Ambient Intelligence and Humanized Computing, pp.1~15 (2021)

관련 논문AI추천

FRLM 기반 다기간 고속도로 화물차 전용 수소충전소 입지 선정 모형김성수, 조재혁한국생산관리학회 · 한국생산관리학회지2023 · 제34권 제3호수소트럭용 수소충전소 최적입지모형 개발 연구김성수, 안은주, 조재혁한국로지스틱스학회 · 로지스틱스연구2021 · 제29권 제2호수도권-영남권 간 화물량을 위한 흐름-수요 기반 고속도로 수소충전소 입지 선정 모형김성수, 김세인, 조재혁한국산업경영학회 · 경영연구2022 · 제37권 제3호하이브리드형 수소공급방식을 고려한 수소충전소 입지 선정 모형 개발고승렬, 김거중, 박준식한국교통연구원 · 교통연구2019 · 제26권 제2호기존 주유소를 활용한 수소충전소의 최적 입지 선정에 관한 연구:용인시를 중심으로임윤수, 한주옥한국부동산법학회 · 부동산법학2023 · 제27권 제4호전기차 급속충전소의 입지 결정요인과 정책적 함의김경석, 김현중재단법인 경기연구원 · GRI연구논총2023 · 제25권 제4호

이 간행물의 다른 논문 (11건)

지하시설물(구조물형) 데이터 품질검증방법 개선방안 연구임거배, 김상민, 유은진, 배상근pp. 5-20도로명주소의 주소정보기반대상 등록 제도 개선 연구양성철pp. 21-34지하시설물 측량에 있어서 GPR 탐사방법의 정확도검증 기준에 관한 연구오이균pp. 35-49국토이용정보체계 용도지역지구 데이터 정비방안이세원pp. 51-72건설현장 모니터링을 위한 단안 카메라 기반의 소실점을 이용한 높이 결정소형윤, 김의명, 최인하pp. 73-82
원문 보기