설명가능한 인공지능 활용 서울시 지하철 혼잡도 예측과 정책적 의사결정 지원을 위한 비즈니스 애널리틱스
Business Analytics to Predict Seoul Subway Congestion and Policy Decision-making using Explainable AI
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
2022년 기준 하루 평균 대중교통 이용 건수 약 1,025만 건 중에서 약 50.3%를 차지할 정도로 서울시민중 절반 이상이 매일 지하철을 이용한다. 본 연구는 시민들이 승하차하는 과정에서 느낄 수 있는 혼잡도를 실시간으로 빠르고 정확하게 예측 및 설명함으로써 빅데이터 기반 실제 비즈니스의 활용도를 높이는 비즈니스 애널리틱스 방법론을 제시하는 것을 목적으로 한다. 6개 공공데이터베이스를 융합하여 대표적인 머신러닝및 딥러닝 알고리즘으로 혼잡도를 예측하였고, 설명 가능한 인공지능인 SHAP 알고리즘으로 예측된 혼잡도의 근거를 실시간 효과적으로 제시하였다. Random Forest 알고리즘으로 95% 이상의 미래 혼잡도 예측 성능을 달성하였다. 혼잡도를 낮추기 위해 환승노선을 늘리는 사업이 확충되거나 비섬식형태의 승강장 플랫폼을 확충하는 것이 방법일 수 있다. 또한, 출근이 집중되는 월요일과 화요일에 혼잡도가 높아지기 때문에 근무 유연화를 통해 혼잡도의 개선이 가능할 것으로 생각된다.
Abstract
More than half of Seoul’s residents use the subway every day, accounting for about 50.3% of the approximately 10.25 million average daily public transport trips as of 2022. This study aims to propose a business analytics methodology that improves the usability of big data-based real businesses by quickly and accurately predicting and explaining the congestion level that citizens may feel while getting on and off the subway. Six public databases are merged to predict the congestion level with representative machine learning and deep learning algorithms, and the SHAP algorithm, an explainable artificial intelligence, effectively presents the evidence of the predicted level. The Random Forest algorithm achieved a prediction performance of over 95% for future congestion. To reduce congestion, it may be possible to expand the number of transit routes or expand non-island platforms. In addition, since congestion is higher on Mondays and Tuesdays when commuting is concentrated, it is possible to improve congestion through work flexibility.