머신러닝기반 쇠퇴도시 예측 연구: 그래디언트 부스팅(Gradient Boosting) 모형을 중심으로
Predicting Urban Decline Using Gradient Boosting Algorithm
0
조회
0
다운로드
3
인용
0
참고문헌
키워드
초록
This study aims to analyze the spatial patterns of urban decline and develop a model for predicting urban decline using machine learning algorithms. Using Census data from the 2005 and 2010 Jipgyegu levels (called Micro Census data), we employ the Getis-Ord Gi*, a spatial measurement tool, to detect the spatial patterns of urban decline. This study applies a gradient boosting algorithm to an urban decline prediction model using aggregated Eup-Myeong-Dong data from Jipgyegu levels. The 2005-2010 data are used to train, and the 2010-2015 data are used to test the machine learning model. Key findings from our empirical analyses are as follows. First, we observe different spatial distributions between Jipgyegu and Eup-Myeong-Dong levels, which implies that Jipgyegu level data would better explain the current situation for determining the policy. Second, an urban decline prediction model based on a gradient boosting algorithm shows that interregional migration, number of birth, and the ratio of dilapidated dwellings are the highest contribution to urban decline, which indicates the important factors predicting an urban decline. Third, the performance of a prediction model reveals that Accuracy is 0.69, Precision is 0.63, Recall is 0.99, and f1-score is 0.77. This study will provide an understanding of the urban decline prediction model based on machine learning algorithms and the necessity to elaborate the prediction model by adding a variety of variables to explain the urban decline. We expect it will be used as a basis for urban regeneration projects and policy priorities if we add more sophisticated urban decline indicators to improve the prediction model.
Abstract
This study aims to analyze the spatial patterns of urban decline and develop a model for predicting urban decline using machine learning algorithms. Using Census data from the 2005 and 2010 Jipgyegu levels (called Micro Census data), we employ the Getis-Ord Gi*, a spatial measurement tool, to detect the spatial patterns of urban decline. This study applies a gradient boosting algorithm to an urban decline prediction model using aggregated Eup-Myeong-Dong data from Jipgyegu levels. The 2005-2010 data are used to train, and the 2010-2015 data are used to test the machine learning model. Key findings from our empirical analyses are as follows. First, we observe different spatial distributions between Jipgyegu and Eup-Myeong-Dong levels, which implies that Jipgyegu level data would better explain the current situation for determining the policy. Second, an urban decline prediction model based on a gradient boosting algorithm shows that interregional migration, number of birth, and the ratio of dilapidated dwellings are the highest contribution to urban decline, which indicates the important factors predicting an urban decline. Third, the performance of a prediction model reveals that Accuracy is 0.69, Precision is 0.63, Recall is 0.99, and f1-score is 0.77. This study will provide an understanding of the urban decline prediction model based on machine learning algorithms and the necessity to elaborate the prediction model by adding a variety of variables to explain the urban decline. We expect it will be used as a basis for urban regeneration projects and policy priorities if we add more sophisticated urban decline indicators to improve the prediction model.
참고문헌 (47)
- 강수연, "국내 드라마 시청률 예측 및 영향요인 분석", 응용통계연구, 28(5), pp.933~949 (2015), 한국통계학회
- 강인호, "지방소도시의 도시축소 및 실태에 관한 실증적 연구", 한국지역개발학회지, 31(5), pp.45~72 (2019), 한국지역개발학회
- 권오규, "도시의 쇠퇴가 지역주민의 삶의 만족감에 미치는 영향", 지역연구, 35(2), pp.33~47 (2019), 한국지역학회[DOI]
- 김광중, "한국 도시쇠퇴의 원인과 특성", 한국도시지리학회지, 13(2), pp.43~58 (2010), 한국도시지리학회
- 김광중, "도시 내 지구차원(地區次元)의 쇠퇴실태와 양상", 한국도시지리학회지, 13(2), pp.27~42 (2010), 한국도시지리학회
- 김예슬, "도시재생과 활성화를 위한 구도심 쇠퇴분석연구", GRI연구논총, 17(3), pp.339~359 (2015), 재단법인 경기연구원
- 노승철, "기성시가지 필지별 토지이용 변화 예측을 위한 기계학습 모델 개발에 관한 연구: 서울시 신축 발생 예측을 중심으로", 감정평가학논집, 19(1), pp.27~52 (2020), 한국감정평가학회[DOI]
- 박근덕, "가로공간 보행만족도 예측을 위한 딥러닝 모형의적용과 검증", 도시설계, 19(6), pp.19~34 (2018), 한국도시설계학회[DOI]
- 박소연, "쇠퇴지역의 유형에 따른 도시재생사업의 평가 - 대전광역시 쇠퇴지역을 중심으로 -", 한국산학기술학회논문지, 16(7), pp.4984~4991 (2015), 한국산학기술학회[DOI]
- 배성완, "머신 러닝 방법과 시계열 분석 모형을 이용한 부동산 가격지수 예측", 주택연구, 26(1), pp.107~133 (2018), 한국주택학회[DOI]
- 한국 도시쇠퇴의 실태 및 유형화, "서울대학교 산학협력단", 도시재생사업단, ~ (2010)
- 도시쇠퇴 및 잠재력 진단지표 개발, "서울대학교 산학협력단", 도시재생사업단, ~ (2010)
- 서준교, "도시쇠퇴(urban decline)와 수축(shrinkage)의 원인과 대응전략 연구 -리버풀(Liverpool)과 라이프치히(Leipzig)의 사례를 중심으로-", 한국지방자치학회보, 26(1), pp.97~115 (2014), 한국지방자치학회[DOI]
- 엄상근, "도시재생 정책 수립을 위한 지방중소도시의 도시쇠퇴지표 적용- 제주시를 중심으로 -", 한국도시지리학회지, 17(3), pp.111~122 (2014), 한국도시지리학회
- 엄현태, "교외지역 신시가지 개발이 중심도시의 구시가지 쇠퇴에 미치는 영향 분석", 국토계획, 49(5), pp.51~66 (2014), 대한국토·도시계획학회
- 엄현태, "도시쇠퇴의 공간적 확산현상과 쇠퇴확산 요인에 대한실증분석", 국토계획, 51(2), pp.5~18 (2016), 대한국토·도시계획학회
- 기계학습 (Machine Learning) 기반 사회보장 빅데이터 분석 및 예측모형 연구, "오미애", 한국보건사회연구원, ~ (2017)
- 오윤표, "우리나라 도시의 인구성쇠패턴에 관한 연구", 국토계획, 37(1), pp.45~56 (2002), 대한국토·도시계획학회
- 윤종문, "딥러닝 신경망을 이용한 신용카드 부도위험 예측의 효용성 분석", 금융연구, 33(1), pp.151~183 (2019), 한국금융학회[DOI]
- 원석환, "머신러닝 기법을 적용한 지가 예측 연구", 국토지리학회지, 51(4), pp.347~355 (2017), 국토지리학회
- 빅데이터를 활용한 쇠퇴도시 주거지역 진단평가 및 사업유형 개발, "이민석", 전남대학교, ~ (2018)
- 이상대, "서울시 내부기성시가지의 시가지특성과 도시계획적 과제", 국토계획, 31(6), pp.9~23 (1996)
- 이영성, "도시차원의 쇠퇴실태와 경향", 한국도시지리학회지, 13(2), pp.1~11 (2010), 한국도시지리학회
- 이제승, "기계학습 알고리즘을 이용한 보행만족도 예측모형 개발", 국토계획, 54(3), pp.106~118 (2019), 대한국토·도시계획학회[DOI]
- 이종휘, "공간적 범위의 차이에 의한 도시재생 활성화지역 지정기준 적용 결과에 관한 연구", 한국산학기술학회논문지, 21(10), pp.567~573 (2020), 한국산학기술학회[DOI]
- 임현성, "도시쇠퇴의 공간적 실태분석 및 정책개선방향 고찰 - 부산시 부산진구의 사례를 중심으로 -", 국토계획, 54(1), pp.186~198 (2019), 대한국토·도시계획학회[DOI]
- 장문현, "GIS와 공간통계기법을 활용한 도시쇠퇴 특성 분석－광주광역시를 중심으로 －", 한국지역지리학회지, 22(2), pp.424~438 (2016), 한국지역지리학회
- 장문현, "지방 대도시의 도시재생정책 지원을 위한 쇠퇴지표 적용 연구", 국토지리학회지, 50(4), pp.455~473 (2016), 국토지리학회
- 장희순, "비성장형도시의 쇠퇴원인 분석과 활성화 방안", 국토연구, 50, pp.39~58 (2006), 국토연구원
- 전경구, "인구감소지역의 스마트 쇠퇴를 위한 축소도시계획에 관한 연구", 한국지역개발학회지, 28(1), pp.1~28 (2016), 한국지역개발학회
- 전호진, "도시쇠퇴와 스프롤의 유형 및 상관성에 관한 연구: 전국지역노동시장권(LLMAs)을 중심으로", 국토계획, 53(2), pp.183~200 (2018), 대한국토·도시계획학회[DOI]
- 조수진, "데이터마이닝 기법을 이용한 서울시 지하철역 승차인원 예측", 응용통계연구, 32(1), pp.111~128 (2019), 한국통계학회[DOI]
- 조수희, "쇠퇴지방도시 유형화와 재생과제", 부동산학보, (40), pp.152~165 (2010), 한국부동산학회
- 조윤애, "도시 쇠퇴지수 개발에 관한 연구", 국토계획, 49(7), pp.117~134 (2014), 대한국토·도시계획학회
- 조진희, "도시쇠퇴 수준 및 특성 유형화", 국토지리학회지, 44(1), pp.35~50 (2010), 국토지리학회
- 빅데이터를 활용한 기후재해(가뭄, 폭설 및 집중호우) 원인과 현황 상관관계 분석, 인공지능(Machine Learning-인공신경망) 기반 미래 기후재해 예측 및 사회기반시설 영향 분석 기법 개발, "한국환경정책평가연구원", 국토교통부 국토교통과학기술진흥원, ~ (2018)
- 한은정, "노인장기요양보험 이용지원 상담 대상자 선정모형 개발", 응용통계연구, 28(6), pp.1063~1073 (2015), 한국통계학회
- 허선영, "머신러닝기반 범죄발생 위험지역 예측", 한국지리정보학회지, 21(4), pp.64~80 (2018), 한국지리정보학회[DOI]
- 허재완, "도시진단 및 중장기 로드맵(1)", 국토연구원 도시재생실증연구단, ~ (2015)
- 허주성, "그래디언트 부스팅을 활용한 암호화폐 가격동향 예측", 정보처리학회논문지. 소프트웨어 및 데이터 공학, 7(10), pp.387~396 (2018), 한국정보처리학회[DOI]
- Ding, C., "A gradient boosting logit model to investigate driver’s stop-or-run behavior at signalized intersections using high-resolution traffic data", Transportation research part C: emerging technologies, 72, pp.225~238 (2016)
- Friedman, J. H., "Greedy function approximation: a gradient boosting machine", Annals of Statistics, 29(5), pp.1189~1232 (2001)
- Friedman, J. H., "Stochastic gradient boosting", Computational Statistics & Data Analysis, 38(4), pp.367~378 (2002)
- Hastie, T., "The elements of statistical learning:data mining, inference, and prediction", pp.2~ (2009), springer
- Getis, A,, "The Analysis f Spatial Association by Use of Distance Statistics", Geographical Analysis, 24(3), pp.189~206 (1992)
- Jun, M. J., "A comparison of a gradient boosting decision tree, random forests, and artificial neural networks to model urban land use changes: The case of the Seoul metropolitan area", International Journal of Geographical Information Science, 35(11), pp.2149~2167 (2021)
- Reades, J., "Understanding urban gentrification through machine learning", Urban Studies, 56(5), pp.922~942 (2019)