본문 바로가기
KERD
논문KCI 등재

주성분분석을 이용한 기종점 데이터의 압축 및 주요 패턴 도출에 관한 연구

A Study on the Compression and Major Pattern Extraction Method of Origin-Destination Data with Principal Component Analysis

윤진원|여화수|탁세현|김정윤
한국ITS학회 (The Korean Society of Intelligent Transport Systems)|2020.08|한국ITS학회 논문지 (Journal of Korean Society of Intelligent Transport Systems)|제19권 제4호|pp. 81-99|DOI https://doi.org/10.12815/kits.2020.19.4.81

0

조회

0

다운로드

0

인용

0

참고문헌

키워드

빅데이터Big data주성분분석Pattern analysisPrincipal component analysis패턴 분석대중교통 데이터기종점 데이터Public transit dataOrigin-destination data

초록

기종점 데이터는 수요 분석 및 서비스 설계를 위해서 대중교통, 도로운영 등 다양한 분야에서 저장 및 활용되고 있다. 최근 빅데이터의 활용성이 증대되면서 기종점 데이터의 분석 및활용에 대한 수요도 함께 증가하고 있다. 기존의 일반적인 교통 정보 데이터가 수집장비 수() 에 비례하여 데이터양이 증가(·)하는 것과는 다르게, 기종점 데이터는 수집지점 수()의 증가에 따라 수집 데이터의 양이 기하급수적으로 증가(· )하는 경향이 있다. 이로 인하여 기종점 데이터를 원시 데이터의 형태로 장기간 저장하고 빅데이터 분석에 활용하는 것은 대용량의저장 공간이 필요하다는 것을 고려할 때 실용적 대안으로 여겨지지 않고 있다. 이와 함께 기종점 데이터는 0~10 사이의 작은 수요 부분에 패턴화된 형태와 무작위 적인 형태의 데이터가섞여있어 작은 수요가 그룹화되어 발생하는 주요 패턴을 추출하기에 어려움이 있다. 이러한기종점 데이터의 저장용량의 한계와 패턴화 분석의 한계를 극복하고자 본 연구에서는 주성분분석을 활용한 대중교통 기종점 데이터의 압축 및 분석 방법을 제안하였다. 본 연구에서는 서울시와 세종시의 대중교통 이용 데이터를 활용하여 모빌리티 데이터를 분석하고, 모빌리티 기종점 데이터에 포함된 무작위 성향이 높은 데이터를 제거하기 위해 주성분분석 기반의 데이터압축 및 복원에 관한 연구를 수행하였다. 주성분분석으로 분해된 기종점 데이터와 원데이터를비교하여 주요한 수요 패턴을 찾고 이를 통해 압축률과 복원율을 높일 수 있는 주성분 범위를제안하였다. 본 연구에서 분석한 결과, 서울시 기준 1~80, 세종시 기준 1~60까지의 주성분을사용할 경우 주요 이동 데이터의 손실 없이 기종점 데이터에 포함되어있는 노이즈를 제거하고데이터를 압축 및 복원이 가능하였다.

Abstract

Origin-destination data have been collected and utilized for demand analysis and service design in various fields such as public transportation and traffic operation. As the utilization of big data becomes important, there are increasing needs to store raw origin-destination data for big data analysis. However, it is not practical to store and analyze the raw data for a long period of time since the size of the data increases by the power of the number of the collection points. To overcome this storage limitation and long-period pattern analysis, this study proposes a methodology for compression and origin-destination data analysis with the compressed data. The proposed methodology is applied to public transit data of Sejong and Seoul. We first measure the reconstruction error and the data size for each truncated matrix. Then, to determine a range of principal components for removing random data, we measure the level of the regularity based on covariance coefficients of the demand data reconstructed with each range of principal components. Based on the distribution of the covariance coefficients, we found the range of principal components that covers the regular demand. The ranges are determined as 1~60 and 1~80 for Sejong and Seoul respectively.

참고문헌 (25)

  1. Asif M. T., "Data compression techniques for urban traffic data", 2013 IEEE Symposium on Computational Intelligence in Vehicles and Transportation Systems (CIVTS) (2013), IEEE
  2. Asif M. T., "Near-lossless compression for large traffic networks", IEEE Transactions on Intelligent Transportation Systems, 16(4), pp.1817~1826 (2014)
  3. Barcelö J., "Travel time forecasting and dynamic origin-destination estimation for freeways based on bluetooth traffic monitoring", Transportation Research Record, 2175(1), pp.19~27 (2010)
  4. Calabrese F., "Understanding individual mobility patterns from urban sensing data : A mobile phone trace example", Transportation Research Part C : Emerging Technologies, 26, pp.301~313 (2013)
  5. Damaiyanti T. I., "Extracting trends of traffic congestion using a nosql database", 2014 IEEE Fourth International Conference on Big Data and Cloud Computing, pp.209~213 (2014), IEEE
  6. Diao M., "Inferring individual daily activities from mobile phone traces : A Boston example", Environment and Planning B : Planning and Design, 43(5), pp.920~940 (2016)
  7. Djukic T., "Application of principal component analysis to predict dynamic origin–destination matrices", Transportation Research Record, 2283(1), pp.81~89 (2012)
  8. Feng S., "Traffic flow data compression considering burst components", IET Intelligent Transport Systems, 11(9), pp.572~580 (2017)
  9. Feng S., "A comparison study for traffic flow data compression", 201612th World Congress on Intelligent Control and Automation (WCICA), pp.977~982 (2016), IEEE
  10. 하재현, "스마트카드 자료를 활용한 통근통행 추정과 통근네트워크구조 분석 - 가구통행실태조사자료와 비교검증을 통한 활용가능성을 중심으로 -", 국토계획, 51(4), pp.123~143 (2016), 대한국토·도시계획학회
  11. A study on the Reliability of Traffic Demand Prediction Based on Big Data, "Kim J.", The Korea Transport Institute, 1~777 (2019)
  12. The estimation and Application of Origin-Destination Tables by Using Smart Card Data, "Kim S. K.", Seoul Development Institute, ~, pp.2007-R-11 (2007)
  13. Kim S. K., "Plans for Raising the Utilization of Smart Card Data", KRIHS Monthly Magazine, 405, pp.18~24 (2015)
  14. 김우생, "하둡과 순차패턴 마이닝 기술을 통한 교통카드 빅데이터 분석", Journal of Information Technology Applications & Management, 24(4), pp.187~196 (2017), 한국데이터전략학회[DOI]
  15. Kumar P., "Transit Route Origin–Destination Matrix Estimation using Compressed Sensing", Transportation Research Record, 2673(10), pp.164~174 (2019)
  16. 이민우, "교통카드 데이터를 이용한 대중교통 통행패턴 분석: 강화군을 중심으로", 한국ITS학회 논문지, 17(2), pp.58~72 (2018), 한국ITS학회[DOI]
  17. Li L., "Traffic prediction, data compression, abnormal data detection and missing data imputation: An integrated study based on the decomposition of traffic time series", 17th International IEEE Conference on Intelligent Transportation Systems (ITSC), pp.282~289 (2014), IEEE
  18. Li Q., "A flow volumes data compression approach for traffic network based on principal component analysis", 2007 IEEE Intelligent Transportation Systems Conference, pp.125~130 (2007), IEEE
  19. Luo D., "Constructing transit origin–destination matrices with spatial clustering", Transportation Research Record, 2652(1), pp.39~49 (2017)
  20. Maktoubian J., "Analyzing Large-Scale Smart Card Data to Investigate Public Transport Travel Behaviour Using Big Data Analytics", Journal of Information Technology and Software Engineering, 7(4), pp.211~ (2017)
  21. Mitrovic N., "Low-dimensional models for compressed sensing and prediction of large-scale traffic data", IEEE Transactions on Intelligent Transportation Systems, 16(5), pp.2949~2954 (2015)
  22. Estimation of a Disaggregate Public Transport OD Matrix from Passive SmartCard Data from Santiago, Chile, "Munizaga M.", Transportation Research Board, ~, pp.11-0430 (2011)
  23. Ryu Y., "A study on Combined Model of Gravity Model and Growth Factor Model for Trip Distribution Estimation", Journal of Daegu Gyeongbuk Development Institute, 12(1), pp.63~73 (2013)
  24. Xu D. W., "Compression Algorithm of Road Traffic Spatial Data Based on LZW Encoding", Journal of Advanced Transportation, 2017 (2017)
  25. 앙현재, "교통카드 데이터의 개별 통행 동적 시각화 방법", 대한공간정보학회지, 26(2), pp.3~10 (2018), 대한공간정보학회[DOI]

이 간행물의 다른 논문 (8건)

다중밀집시설의 사회적 거리 유지를 위한 Social Force Model 구축방안유병영, 이선하, 조원철, 고칠진, 김도균, 김춘수pp. 1-12차대차 교통사고에 대한 상해 심각도 예측 연구김현민, 김재희, 정영선, 고창완pp. 13-29보호좌회전과 보호/비보호 겸용 좌회전 통행특성 차이를 고려한 보호/비보호 겸용 좌회전 적용방안에 관한 연구신언교, 김주현, 남상범pp. 30-44노인보호구역 보행자녹색시간 산정을 위한 보행속도 기준 개선문성철, 박순용, 조혜림, 윤성범, 한음pp. 45-54동적·정적 자료 기반 도로위험도 산정 알고리즘 개발양충헌, 김진국pp. 55-66
원문 보기