Journal Search Engine

View PDF Download PDF Export Citation Korean Bibliography PMC Previewer
The Journal of The Korea Institute of Intelligent Transport Systems Vol.25 No.5 pp.153-167
DOI : https://doi.org/10.12815/kits.2026.25.5.153

Vehicle-Level Usage States and Transitions in an Electric Two-Wheeler Battery-Swapping Service: A Six-Month Longitudinal Study of Newly Observed Vehicles

Jaesang Lee*,†, Seungdon Zu**
*ZENTROPY Co., Ltd.
*ZENTROPY Co., Ltd.
†Corresponding author : Jaesang Lee, jslee@zentropy.co.kr
1 September 2026 │ 23 September 2026 │ 16 October 2026

Abstract


This study analyzes vehicle-level behavior in an electric two-wheeler battery-swapping service as periodically updated operational states. From 410,464 valid swap records collected in 2025, 8,398 complete 30-day vehicle-periods were constructed for 795 vehicles. Four active states were derived from 6,876 periods with at least ten swaps using swap intensity, mean return state of charge, night-swap share, and primary-station share. The fleet-wide centroids were then applied to 786 periods from 131 vehicles first observed between February and June and followed for 180 days. A negative-binomial generalized estimating equation controlling for calendar month, entry month, weekday, active stations, and observed time found no overall elapsed-period effect (p=0.469). The four-cluster solution had a silhouette score of 0.235, while vehicle-level resampling showed high stability (mean adjusted Rand index=0.939). Overall one-period persistence was 67.5%, with Cohen's kappa of 0.575. Initial states significantly differentiated subsequent five-month swaps and nominal replenishment energy, whereas 24.4% of low-activity periods returned to an active state. These findings support monthly profile updates and state-specific inventory positioning, charging planning, night support, alternative-station guidance, and cautious reactivation decisions.



전기이륜차 배터리 교환 서비스의 차량 단위 이용상태와 전이 분석: 신규 관측 차량의 6개월 종단 연구

이재상*,†, 주승돈**
*주저자 및 교신저자 : ㈜젠트로피 공동대표
**공저자 : ㈜젠트로피 공동대표

초록


본 연구는 전기이륜차 배터리 교환 서비스의 차량 이용행태를 고정된 고객군이 아니라 반복적으로 갱신되는 운영상태로 분석하였다. 2025년 유효 교환로그 410,464건으로부터 795대의 완전한 30일 차량-구간 8,398개를 구성하고, 교환 10건 이상인 6,876개 활동구간에서 교환강도, 평균 반납 충전상태, 야간비중 및 주 이용 교환소 비중을 이용해 네 활동상태를 도출하였다. 상태중심은 연간 자료에서 학습한 뒤 2-6월에 최초 관측되어 180일 추적이 가능한 차량 131대의 786개 구간에 적용하였다. 달력월, 진입월, 요일, 활성 교환소 수와 관측시간을 통제한 결과 관측 경과구간의 전체 효과는 유의하지 않았다(p=0.469). 군집수 4의 실루엣계수는 0.235였으나 차량 재표본화 안정성은 높았다(평균 ARI=0.939). 전체 상태유지율은 67.5%, Cohen의 카파계수는 0.575였고, 저활동형의 24.4%는 다음 구간에 활동상태로 복귀하였다. 결과는 차량상태를 월별로 갱신하여 재고, 충전, 야간지원 및 대체교환소 안내를 차등화할 필요성을 보여준다.



    Korea Agency for Infrastructure Technology Advancement
    RS-2025-02373006

    Ⅰ. 서 론

    전기이륜차 배터리 교환 서비스는 운전자가 장시간 충전을 기다리는 대신 충전된 배터리 두 개를 즉시 수령하고 사용한 배터리 두 개를 반납하도록 차량, 배터리, 배터리 교환소(BSS: Battery Swapping Station, 이하 BSS), 충전설비 및 관제시스템을 결합한 운영체계이다. 24시간 네트워크에서 교환수요가 특정 시간과 거점에 집중되거나 낮은 충전상태(SOC: State of Charge, 이하 SOC)의 배터리가 다량 반납되면 완충재고, 충전슬롯과 원격지원 부담이 동시에 증가한다. 차량별 이용행태를 파악하는 목적은 단순한 고객분류가 아니라 이러한 운영부하를 사전에 구분하여 품절과 저충전 배터리 출고를 줄이는 데 있다.

    동일한 네트워크를 이용하더라도 차량마다 교환빈도, 반납 SOC, 이용시간대와 주 이용 BSS가 다르며, 같은 차량도 운행량, 업무시간, 거점과 계절에 따라 행동이 달라질 수 있다. 본 연구에서 이용상태는 한 차량의 일정 관측구간에서 나타난 교환강도, 반납 SOC, 야간 이용 및 거점집중도의 결합 프로파일을 뜻한다. 인접 구간에서 같은 이용상태가 이어지면 상태유지, 다른 이용상태가 나타나면 상태전이로 정의한다.

    시장세분화와 고객가치 연구는 이질적인 이용자를 유사한 집단으로 구분하거나 시간에 따른 상태변화를 분석해 왔다(Wedel and Kamakura, 2000;Mark et al., 2013;Kimura, 2022). 전기차 분야에서도 실제 충전거래의 빈도, 시간대 및 이용장소를 이용한 유형화가 축적되었다(Helmus et al., 2020;Märtz et al., 2022;Cui et al., 2022). 그러나 전기이륜차 교환서비스는 짧고 반복적인 교환, 두 배터리의 동시 반납·출고, 반납 SOC에 의해 결정되는 후속 충전부하와 다수 BSS의 네트워크 이용이 핵심이라는 점에서 기존 플러그인 충전유형과 다르다.

    기존 연구는 고객 또는 충전세션의 유형화에 초점을 두어, 배터리 교환서비스에서 차량의 최근 이용행태가 다음 관측구간에도 지속되는지와 그 변화가 재고·충전·지원 수요에 어떤 의미를 갖는지를 함께 설명하는 데 한계가 있다. 따라서 차량의 이용상태를 반복적으로 갱신하고 상태전이를 운영부하와 연결하는 분석이 필요하다.

    연구목적은 네 가지이다. 첫째, 연간 운영로그에서 해석 가능한 차량 이용상태를 도출한다. 둘째, 최초 관측 후 동일한 30일 구간을 여섯 번 확보한 차량에서 상태유지와 상태전이를 검증한다. 셋째, 계절·코호트·네트워크 변화와 관측시간을 통제하여 관측 경과구간별 교환강도를 비교한다. 넷째, 초기상태가 후속 교환량과 충전부하를 구분하는지 확인하고 결과를 재고, 충전, 야간지원, 대체 BSS 안내 및 저활동 대응으로 연결한다. 논문의 구성은 다음과 같다. Ⅱ장에서는 선행연구와 연구문제를 정리하고, Ⅲ장에서는 자료, 표본설계와 분석방법을 설명한다. Ⅳ장에서는 이용강도, 군집의 안정성, 상태전이와 후속 부하를 분석하며, Ⅴ장과 Ⅵ장에서는 운영 시사점과 결론을 제시한다.

    Ⅱ. 이론적 배경 및 연구문제

    1. 세분화, 가치상태 전이와 본 연구의 차별성

    시장세분화는 이질적인 이용단위를 관찰 가능한 특성에 따라 집단화하여 차별화된 가치제안과 운영정책을 설계하는 방법이다(Wedel and Kamakura, 2000). 전통적 세분화는 한 시점의 고객특성이나 장기 누적값을 이용하므로 집단을 비교적 고정된 유형으로 해석하기 쉽다. 반면 Mark et al.(2013)은 고객-기업 관계가 시간에 따라 가치상태 사이를 이동할 수 있음을 보였고, Kimura(2022)는 충성도 프로그램의 고객군 전이를 동적 모형으로 분석하였다. 이들 연구와 본 연구는 반복관측에서 상태의 지속성과 변화를 분석한다는 점이 유사하지만, 본 연구의 상태는 고객가치나 충성도가 아니라 BSS 운영부하와 직접 연결되는 차량-구간의 행동프로파일이다.

    전기차 충전거래 연구는 실제 로그를 이용하여 사용자 또는 세션 유형을 분류하고 인프라 운영과 연결하였다. Helmus et al.(2020)은 세션과 사용자 유형을 단계적으로 구분했고, Märtz et al.(2022)은 시간적 군집으로 충전 유연성을 분석했으며, Cui et al.(2022)은 대규모 실제자료에서 차량별 이용패턴의 이질성을 확인하였다. 본 연구도 실제 거래로그와 비지도학습을 사용하지만, 플러그 연결시간 대신 교환빈도와 반납 SOC를 사용하고, 특정 거점 의존도와 야간 운영수요를 상태축에 포함하며, 연간 자료로 학습한 상태중심을 종단표본에 고정 적용한다는 차이가 있다. <Table 1>은 이러한 유사점과 차이를 요약한다.

    <Table 1>

    Comparison of prior analytical approaches and the present study

    Approach Typical unit and objective Similarity to this study Distinctive feature of this study Representative studies
    Behavioral market segmentation Customer or user; cross-sectional grouping Groups heterogeneous units using observed behavior Uses vehicle-period states rather than permanent customer segments Wedel and Kamakura(2000)
    Customer value-state transition Customer over repeated periods; value or loyalty evolution Examines persistence and transition across periods Focuses on operational load, not monetary value or loyalty Mark et al.(2013); Kimura(2022)
    EV charging transaction typology Charging session, user, or vehicle; infrastructure-use pattern Uses real-world logs and clustering Models swap events, return SOC, night use, and multi-BSS dependence Helmus et al.(2020); Märtz et al.(2022); Cui et al.(2022)
    Present study Complete 30-day vehicle-period; fleet-wide state derivation and cohort transitions Combines segmentation and longitudinal transition analysis Learns centroids from annual logs and applies them to a fixed six-period cohort This study

    2. 연구문제

    본 연구는 네가지의 연구문제를 다룬다. 첫째, 연간 운영로그의 활동 차량-구간에서 운영적으로 해석 가능한 이용상태를 도출할 수 있는가? 둘째, 최초 관측 후 6개 구간을 확보한 차량의 이용상태는 다음 30일에도 유지되는가, 아니면 어떤 경로로 상태전이가 발생하는가? 셋째, 달력월, 진입월, 요일, 활성 BSS 수와 관측시간을 통제한 후에도 최초 관측후 경과구간별 교환강도 차이가 존재하는가? 넷째, 첫 30일의 이용상태는 이후 5개월의 교환량과 명목 보충에너지를 구분하며, 운영정책에 어떻게 활용될 수 있는가?

    Ⅲ. 연구자료 및 방법

    1. 자료와 정제

    분석자료는 2025년 1월 1일부터 12월 31일까지 서울시에 집중된 24시간 운영 전기이륜차 배터리 교환 네트워크의 차량별 교환로그이다. 연간 고유 BSS는 291개소였으나 실제 운영 BSS 수는 시점별로 달랐고, 운영 차량 수도 연중 증가하였다. 해당 기간 BSS를 사용한 고유 차량 수를 운영차량 규모의 대리변수로 사용하였다. <Fig. 1>은 월별 운영차량, 활성 BSS 및 최초 관측 차량의 추이를 보여주며, 관측기간 중 네트워크 규모가 일정하지 않았음을 나타낸다.

    원자료 412,003건에서 완전 중복 1,537건과 손상된 SOC 기록 2건을 제거하였다. 통신 반올림으로 100%를 소폭 초과한 SOC는 100%로 상한 보정하였다. 서버 수집 장애로 확인된 56시간은 교환 0건이 아니라 관측불가 구간으로 처리하여 사건수와 노출시간의 분모에서 제외하였다. 최종 유효자료는 410,464건, 차량 797대이다. 분석에는 비식별 차량·BSS 코드, 교환시각과 배터리 SOC만 사용하였다.

    2. 상태학습 표본과 종단표본

    상태학습 표본은 각 차량의 최초 관측시각부터 30일 간격으로 구분하되 2025년 안에 완전히 관측되는 구간만 포함하였다. 전체 797대 중 795대에서 8,398개 완전구간이 구성되었고, 이 중 교환 10건 이상인 6,876개 활동구간(762대)을 K-means 학습에 사용하였다. 교환 10건 미만 1,522개 구간은 야간비중과 거점비중이 소수 거래에 과도하게 좌우될 수 있어 저활동형으로 규칙 분류하였다.

    상태전이는 동일한 길이의 여섯 구간이 필요한 관계로 2월부터 6월 사이 처음 관측되어 180일을 확보할 수 있는 131대로 제한하였다. 차량당 6개, 총 786개 차량-구간과 41,630건의 교환사건이 포함되었다. 여기서 ‘최초 관측’은 2025년 분석자료에서 해당 차량의 교환기록이 처음 확인된 시점이다. 비식별 원자료에는 실제 차량 투입일, 계약 시작일 및 관측 이전 이용이력이 없어, 최초 관측 차량이 신규 차량이거나 서비스를 처음 이용한 차량임을 의미하지 않는다. 따라서 경과구간은 실제 서비스 진입 후 기간이 아니라 자료상 최초 관측 후 기간으로 해석한다. 군집중심은 6,876개 연간 활동구간에서 추정하고 종단표본에 고정 적용하여, 131대의 선택이 상태구조 자체를 결정하지 않도록 하였다. 자료 정제와 표본 구성은 <Table 2>에 정리하였다.

    30일 구간은 비율변수의 분모가 될 거래를 확보하면서 상태를 월별 운영계획에 반영하고 180일 안에 여섯 번 반복 측정하기 위한 분석단위이다. 분석단위에 따른 민감도는 14일·30일·60일 창을 비교하고, 저활동 기준은 각 창의 길이에 비례하여 교환 5건·10건·20건 미만으로 설정하였다. 비교 결과는 Ⅳ장 2절에 제시한다.

    <Table 2>

    Data cleaning and analytical samples

    Note: First observation is a data-based reference point and does not establish the exact vehicle deployment or service-entry date.

    Stage Count Role or criterion
    Raw swap events 412,003 All logs recorded in 2025
    Exact duplicates removed 1,537 Identical records
    Corrupted records removed 2 Invalid negative SOC values
    Final valid swap events 410,464 SOC values above 100% capped at 100%
    Observed vehicles 797 Used a BSS at least once
    Complete 30-day periods 8,398 from 795 vehicles Fleet-wide state-learning frame
    Active periods for K-means 6,876 from 762 vehicles At least 10 swaps per period
    Longitudinal cohort 786 periods from 131 vehicles Six complete periods after first observation
    Cohort swap events 41,630 Events included in transition analysis
    KITS-25-5-153_F1.jpg
    <Fig. 1>

    Monthly operating vehicles, active BSSs, and first-observed vehicles in 2025

    Note: The January count can include vehicles already operating before data collection and is not interpreted as actual new deployment.

    3. 변수 정의와 기초통계

    이용상태를 구성하는 네 핵심축은 서로 다른 운영문제를 나타내도록 사전에 정하였다. 교환강도는 관측일당 교환건수로 거래처리와 배터리 회전부하를, 평균 반납 SOC는 배터리 사용깊이와 후속 충전작업량을 나타낸다. 야간비중은 20시부터 다음날 06시까지의 교환비율로 선충전 및 야간지원 필요성을, 주 이용 BSS 비중은 가장 많이 이용한 물리적 BSS의 점유율로 특정 거점에 대한 의존도를 나타낸다. 저SOC 비중과 이용 BSS 수는 각각 평균 반납 SOC 및 주 이용 BSS 비중과 강하게 중복되므로 군집입력에는 포함하지 않고 외적 해석과 민감도 검증에 사용하였다.

    분석단위인 차량-구간은 한 차량의 완전한 30일 관측구간이다. 교환강도는 서버 장애시간을 제외한 관측일수당 교환건수이다. 야간비중과 주 이용 BSS 비중은 교환건수를 분모로 하는 비율변수이며, 10건 미만 구간을 소수거래 구간으로 보아 저활동형으로 분리하였다. 저활동 비중은 특정 관측 경과구간에서 저활동형 차량-구간이 차지하는 비율이다. 명목 보충에너지는 두 배터리 합산 명목용량 3.2 kWh와 출고·반납 SOC 차이로 계산한 충전작업량 대리값이며 전력계 실측값이 아니다. 변수 정의는 <Table 3>에 제시하였다.

    <Table 3>

    Definitions of core and validation variables

    Variable Definition Analytical role
    Swap intensity Swaps / observed days excluding outage hours Core axis: processing and inventory-turnover load
    Mean return SOC Mean SOC of two returned batteries Core axis: depth of use and charging workload
    Night-swap share Swaps from 20:00 to 06:00 / all swaps Core axis: pre-charging and night-support demand
    Primary-station share Swaps at the most-used physical BSS / all swaps Core axis: dependence on a primary station
    Low-activity period Fewer than 10 swaps in a 30-day period Rule-based state for sparse transactions
    Low-activity share Low-activity periods / all periods in an elapsed block Prevalence of sparse activity
    Low-SOC return share Events with mean return SOC <= 20% / all swaps Validation measure for deep discharge
    Number of BSSs used Unique physical BSSs used in a period Validation measure for network range
    Nominal replenishment energy 3.2 kWh x positive issued-minus-returned SOC difference Charging-workload proxy, not metered energy
    교환강도 ( i , t ) = 교환건수 ( i , t ) 관측일수 ( i , t )
    명목보충에너지 = 3.2 × max ( 0 , 평균출고 SOC − 평균반납 SOC ) 100

    상태학습의 6,876개 활동구간과 종단표본 786개 구간의 기초통계는 <Table 4>와 같다. 활동구간의 중앙 교환건수는 51건이었고, 종단표본 전체는 교환 0건을 포함하므로 변동폭이 더 컸다. SOC 및 비율변수의 종단표본 통계는 해당 값이 정의되는 교환발생 구간을 기준으로 계산하였다.

    <Table 4>

    Descriptive statistics of fleet-wide active periods and the longitudinal cohort

    Note: The fleet-wide active sample contains 6,876 periods. The longitudinal cohort contains 786 periods, including low-activity periods; ratio-variable statistics exclude undefined zero-swap periods.

    Variable Fleet-wide active periods (N = 6,876) Longitudinal cohort (N = 786)
    Mean ± SD Median (Min-Max) Mean ± SD Median (Min-Max)
    Swaps per 30 days 57.54 ± 34.03 51.00 (10-334) 52.96 ± 39.31 50.50 (0-222)
    Observed days 29.82 ± 0.58 30.00 (27.83-30.00) 29.84 ± 0.55 30.00 (27.83-30.00)
    Swaps per observed day 1.93 ± 1.14 1.71 (0.33-11.13) 1.77 ± 1.32 1.70 (0-7.40)
    Number of BSSs used 12.99 ± 7.97 12 (1-67) 11.80 ± 9.21 10 (0-43)
    Nominal energy (kWh) 100.34 ± 56.14 91.49 (0.00-481.14) 92.43 ± 66.51 88.55 (0-380.34)
    Mean return SOC (%) 39.62 ± 11.54 39.11 (7.65-99.99) 38.62 ± 13.31 39.00 (0-100)
    Night-swap share 0.319 ± 0.215 0.286 (0-1) 0.310 ± 0.220 0.280 (0-1)
    Primary-station share 0.365 ± 0.206 0.314 (0.054-1) 0.398 ± 0.249 0.322 (0.059-1)

    4. 군집입력, 전처리 및 상태중심 학습

    군집입력은 개념적으로 구분되는 네 핵심축으로 제한하였다. 교환강도는 log ( 1 + x ) 로 변환하고, 네 변수 모두 1백분위와 99백분위에서 윈저화한 뒤 평균 0, 표준편차 1로 표준화하였다. K-means는 군집수 2-6에 대해 각각 100회 초기화하였고(MacQueen, 1967;Arthur and Vassilvitskii, 2007), 실루엣계수, Calinski-Harabasz 지수, Davies-Bouldin 지수와 최소 군집크기를 비교하였다. 군집평가지표는 Rousseeuw(1987), Calinski and Harabasz(1974), Davies and Bouldin(1979)에 따른다.

    변수 적절성은 개념적 독립성, 중복상관 및 대안사양으로 검토하였다. 평균 반납 SOC와 저SOC 비중, 주 이용 BSS 비중과 이용 BSS 수의 Spearman 상관을 산출하였다. 네 핵심축에 두 파생변수를 추가한 6변수 모형과, 평균 반납 SOC 및 주 이용 BSS 비중을 각각 저SOC 비중과 이용 BSS 수로 대체한 4변수 모형을 비교하였다. 기준모형과 대안모형의 분할 일치도는 조정 랜드지수(ARI: Adjusted Rand Index, 이하 ARI)로 평가하였다(Hubert and Arabie, 1985).

    표본변동에 대한 안정성은 차량의 80%를 비복원으로 50회 재표본화하여 군집을 다시 추정하고 원 분할과의 ARI로 평가하였다. 학습된 표준화 모수, 윈저화 경계 및 네 군집중심을 고정한 뒤 종단표본의 활동구간을 가장 가까운 중심에 배정하였다. 대안사양, 관측창 및 재표본화 결과는 Ⅳ장 2절에 모아 제시한다.

    5. 계절성 보정, 상태전이와 후속 이용 검증

    최초 관측시점이 다른 차량을 같은 경과구간으로 정렬하면 실제 달력월의 겨울·장마·휴일 효과가 혼입될 수 있다. 각 30일 구간을 달력일 경계에서 분할하여 24,247개 차량-일 관측치를 구성하고, 일별 교환건수를 종속변수로 한 음이항 일반화추정방정식(GEE: Generalized Estimating Equations, 이하 GEE)을 적용하였다. 모형에는 관측 경과구간, 실제 달력월, 최초 관측월, 요일, 활성 BSS 수와 서버 장애를 제외한 관측시간 노출량을 포함하였다. 달력월 고정효과는 공통 계절성을 보정하지만 기온과 강수의 개별 효과를 직접 추정하지는 않는다. 반복관측의 상관을 고려하는 GEE는 Liang and Zeger(1986), 계수자료의 음이항 모형은 Cameron and Trivedi(2013)를 참고하였다.

    131대는 각각 6개 상태를 가지므로 차량당 5회, 총 655회의 상태전이 기회가 발생한다. 이전 상태별 다음 상태의 확률, 전체 상태유지율, Cohen의 카파계수, 카이제곱 검정과 Cramér의 V를 산출하였다. 첫 30일 상태에 따른 이후 5개월 교환량과 명목 보충에너지는 Kruskal-Wallis 검정과 epsilon-squared로 비교하였다. 후속 교환량은 음이항 모형으로 재검증하고 최초 관측월, 첫 구간의 네트워크 활성 BSS 수 및 후속 관측일수를 통제하였다. 결과는 관측자료의 연관성이며 인과효과를 뜻하지 않는다. 우연일치를 보정한 카파계수는 Cohen(1960), 순위기반 집단 비교는 Kruskal and Wallis(1952)에 따른다.

    Ⅳ. 분석결과

    1. 관측 경과구간별 이용강도와 계절성 보정

    KITS-25-5-153_F2.jpg
    <Fig. 2>

    Observed mean swaps and calendar-adjusted incidence-rate ratios by elapsed observation period

    Note: Panel (a) presents vehicle-block bootstrap 95% confidence intervals. Panel (b) controls for calendar month, first-observed month, weekday, active BSSs, and observed-time exposure.

    <Fig. 2>에서 관측 평균은 1구간 55.5건에서 3-4구간 약 49.8건으로 낮아졌다가 5-6구간 약 55건으로 높아졌으나 부트스트랩 95% 신뢰구간이 넓게 중첩되었다. 계절성과 코호트 차이를 보정한 GEE에서도 2-6구간의 발생률비는 모두 1구간과 유의하게 다르지 않았고, 경과구간의 전체효과는 Wald χ 2 = 4.583 ( df = 5 , p = 0.469 ) , 선형추세는 p = 0.408 이었다. 따라서 관측 평균의 3-4구간 감소는 서비스 생애주기 효과로 단정하기보다 표본 내 변동으로 해석하는 것이 적절하다. 다만 통계적으로 유의하지 않다는 결과가 생애주기 효과의 부재를 입증하는 것은 아니다.

    2. 군집수 선택, 민감도 및 상태의 안정성

    KITS-25-5-153_F3.jpg
    <Fig. 3>

    Internal validity for selecting the number of fleet-wide active-state clusters

    <Fig. 3>과 같이 군집수 4에서 실루엣계수는 0.235로 가장 높았고 Davies-Bouldin 지수는 1.261로 크게 낮아졌다. Calinski-Harabasz 지수도 1,992.2로 가장 높았으며 최소 군집크기는 1,065개였다. 다만 실루엣계수는 강한 자연군집을 의미할 정도로 높지 않으므로 네 상태를 상호배타적인 차량속성으로 해석하지 않는다.

    <Table 5>는 관측창과 군집입력 사양에 따른 민감도 분석을 요약한다. 14일·30일·60일 창의 실루엣계수는 각각 0.233·0.235·0.236으로 유사하였고, 해당 민감도 분석의 상태유지율은 67.4%·67.5%·66.0%였다. 30일 활동구간의 중앙 교환건수는 51건이었다. 30일 창은 14일 창보다 소수거래 변동을 완화하면서 60일 창보다 더 많은 전이기회를 제공하는 절충으로 해석된다.

    <Table 5>

    Sensitivity of observation window and input-variable specification

    Analysis Specification Active periods Silhouette Persistence or ARI Interpretation
    Window length 14 days; <5 swaps low activity 14,327 0.233 Persistence 0.674 More frequent updates, fewer events per period
    Window length 30 days; <10 swaps low activity 6,876 0.235 Persistence 0.673 Six repeated periods and median 51 active swaps
    Window length 60 days; <20 swaps low activity 3,476 0.236 Persistence 0.660 More smoothing but only three cohort periods
    Input set Four core axes 6,876 0.235 Reference Conceptually distinct operational dimensions
    Input set Core axes plus two proxy variables 6,876 0.214 ARI vs core 0.463 Redundant weighting lowered separation
    Input set Four variables with proxy substitution 6,876 0.256 ARI vs core 0.335 Different tail-risk and network-range partition

    평균 반납 SOC와 저SOC 비중의 Spearman 상관은 -0.870, 주 이용 BSS 비중과 이용 BSS 수의 상관은 -0.784였다. 두 파생변수를 추가한 6변수 모형의 실루엣계수는 0.214, 기준모형과의 ARI는 0.463이었다. 대체 4변수 모형은 실루엣계수가 0.256으로 높았으나 ARI는 0.335로 다른 분할을 형성하였다. 따라서 분리도의 작은 개선만으로 기준모형보다 우월하다고 판단하기 어렵고, 꼬리비율과 절대 장소수로 축을 바꾸면 상태의 운영적 의미도 달라진다.

    차량 재표본화에서 원 분할과의 평균 ARI는 0.939, 5-95백분위는 0.901-0.966이었다. 이는 선택한 네 핵심축 아래에서 대표 프로파일이 차량 표본변동에 비교적 안정적임을 의미한다. 다만 높은 재표본화 안정성은 강한 군집분리나 다른 변수사양과의 일치를 뜻하지 않는다. 네 상태는 연속적인 이용행태를 운영 목적으로 요약한 프로파일로 해석한다.

    3. 연간 상태학습 표본의 이용상태 특성

    KITS-25-5-153_F4.jpg
    <Fig. 4>

    Standardized behavioral profiles of the four fleet-wide active usage states

    Note: The low-activity state is excluded because ratio variables are unstable when swap counts are sparse.

    <Fig. 4>의 표준화 중심과 원 단위 평균을 함께 검토하여 네 활동상태의 명칭을 부여하였다. 교환강도가 가장 높은 군집을 고빈도·얕은방전형, 평균 반납 SOC가 가장 낮고 다수 거점을 이용하는 군집을 심방전·다거점형, 야간비중이 가장 높은 군집을 야간집중형, 주 이용 BSS 비중이 가장 높은 군집을 거점집중형으로 명명하였다. <Table 6>은 연간 상태학습 틀 전체의 프로파일을 보여준다.

    <Table 6>

    Fleet-wide profiles of vehicle-period usage states

    Note: Low-activity SOC and ratio means are based on sparse swaps and should not be generalized as stable behavioral characteristics.

    Usage state Periods (%) Swaps / 30 days Return SOC (%) Night share (%) Primary share (%) BSSs used Energy / swap (kWh)
    High-frequency / shallow-discharge 2,103 (25.0) 90.6 47.4 28.4 28.7 17.1 1.57
    Deep-discharge / multi-station 2,516 (30.0) 43.8 31.2 22.8 27.9 13.7 2.05
    Night-focused 1,192 (14.2) 45.5 41.2 66.0 37.2 11.5 1.77
    Station-focused 1,065 (12.7) 38.2 42.3 22.0 71.2 4.8 1.72
    Low-activity 1,522 (18.1) 2.7 29.4 28.2 74.0 1.3 2.05
    KITS-25-5-153_F5.jpg
    <Fig. 5>

    Fleet-wide contributions of usage states to observations, swaps, and nominal replenishment energy

    <Fig. 5>에서 고빈도·얕은방전형은 전체 구간의 25.0%지만 교환의 47.7%와 명목 보충에너지의 42.8%를 발생시켰다. 심방전·다거점형은 구간의 30.0%, 교환의 27.6%였으나 에너지의 32.3%를 차지하였다. 따라서 교환건수만으로 충전부하를 배분하면 낮은 SOC 반납이 잦은 상태의 부담을 과소평가할 수 있다. 저활동형은 구간의 18.1%지만 교환의 1.0%에 불과하였다.

    4. 종단표본의 상태유지와 상태전이

    KITS-25-5-153_F6.jpg
    <Fig. 6>

    Transition probabilities from the previous state to the next 30-day state

    <Table 7>

    Usage-state transition probabilities in the six-period cohort

    Note: Entries are rounded to one decimal place. Displayed row totals are 100.0%, 99.9%, 100.1%, 100.1%, and 100.0%; deviations from 100% reflect rounding. Diagonal cells indicate persistence. Overall persistence was 67.5% across 655 transitions.

    Previous state High-frequency Deep-discharge Night-focused Station-focused Low-activity
    High-frequency / shallow-discharge 75.3% 13.4% 6.2% 3.6% 1.5%
    Deep-discharge / multi-station 13.9% 64.9% 7.7% 7.2% 6.2%
    Night-focused 11.1% 18.1% 55.6% 4.2% 11.1%
    Station-focused 18.1% 16.7% 4.2% 51.4% 9.7%
    Low-activity 4.1% 8.1% 5.7% 6.5% 75.6%

    <Fig. 6>과 <Table 7>에서 네 활동상태의 다음 구간 유지확률은 51.4-75.3%, 저활동형은 75.6%였다. 전체 상태유지율 67.5%는 인접한 30일 구간의 약 세 쌍 중 두 쌍에서 같은 상태가 관측되었다는 뜻이며, 나머지 32.7%에서는 상태가 달라졌다. Cohen의 카파계수는 0.575였다. κ = ( 관측일치율 - 우연기대일치율 ) / ( 1 - 우연기대일치율 ) 의 관계에서 보고된 반올림값으로 계산한 우연기대일치율은 약 23.1%로, 관측 유지율은 이보다 약 44.2%p 높다. 카파 0.575는 우연기대 수준을 넘어 달성 가능한 일치의 57.5%가 관측되었음을 뜻하므로, 상당한 지속성과 함께 갱신이 필요한 변동성이 존재하는 수준으로 해석할 수 있다(Cohen, 1960). 상태 독립성 검정도 유의하였다( χ 2 = 842.55 , p < 0.001 ; Cramér의 V = 0.567 ).

    운영 측면에서는 최근 상태가 다음 달 부하를 계획하는 출발점이 될 수 있으나, 약 3분의 1의 전이를 고려하면 이를 고정 유형이나 개별 차량의 확정적 예측으로 사용하기 어렵다. 고객가치·충성도 전이 연구(Mark et al., 2013;Kimura, 2022) 및 충전유형 연구(Helmus et al., 2020;Märtz et al., 2022)와는 상태정의와 관측간격이 달라 수치의 직접 비교가 제한된다. 따라서 본 수치를 일반적인 높음·낮음의 절대 기준이나 배터리 교환서비스의 고유값으로 단정하지 않고, 다른 사업자와 기간에서 외부검증해야 한다.

    저활동형에서 다음 구간에도 저활동형으로 남은 비율은 75.6%였지만 24.4%는 활동상태로 복귀하였다. 단일 30일 저활동만으로 이탈을 확정하면 복귀 가능한 차량을 오분류할 수 있으므로, 최소 두 구간의 지속성과 실제 차량 운영상태를 함께 확인하는 방식이 적절하다.

    KITS-25-5-153_F7.jpg
    <Fig. 7>

    Composition of assigned usage states by elapsed observation period

    <Fig. 7>에서 종단표본의 상태구성은 특정 상태로 단조롭게 수렴하지 않았다. 고빈도·얕은방전형 비중은 1구간 30.5%에서 6구간 34.4%, 저활동형은 16.0%에서 16.0%였으며 중간 구간에서 변동하였다. 이는 고정 유형보다 최근 구간의 상태와 전이이력을 함께 관리해야 함을 뒷받침한다.

    5. 초기상태와 후속 서비스 부하

    KITS-25-5-153_F8.jpg
    <Fig. 8>

    Mean swaps during the subsequent five months by initial 30-day usage state

    Note: Error bars indicate vehicle-level bootstrap 95% confidence intervals.

    <Table 8>

    Initial state and subsequent five-month service outcomes

    Note: IRRs use the low-activity state as the reference and control for first-observed month, network size in the initial period, and subsequent observed days. Associations are not causal effects.

    Initial state Vehicles First-period swaps Subsequent swaps Nominal energy (kWh) Active in period 6 Adjusted IRR (95% CI)
    High-frequency / shallow-discharge 40 90.7 354.0 564.0 97.5% 6.79 (3.67-12.54)
    Deep-discharge / multi-station 40 58.0 292.8 562.1 90.0% 5.62 (3.04-10.37)
    Night-focused 14 49.6 288.9 499.1 92.9% 6.02 (3.05-11.88)
    Station-focused 16 35.2 210.9 364.7 87.5% 4.26 (2.20-8.24)
    Low-activity 21 3.4 50.7 88.8 38.1% Reference

    <Fig. 8>과 <Table 8>에 제시한 첫 상태에 따른 이후 5개월 교환량 차이는 유의했고( H = 49.05 , p < 0.001 ), epsilon-squared는 0.358이었다. 이후 명목 보충에너지 차이도 유의했다( H = 47.42 , p < 0.001 ; epsilon-squared=0.345). 통제모형에서 저활동형 대비 후속 교환발생률은 거점집중형 4.26배, 심방전·다거점형 5.62배, 야간집중형 6.02배, 고빈도·얕은방전형 6.79배였다. 상태중심을 연간 6,876개 활동구간에서 학습했으므로 이 분석은 종단표본 내부에서 상태를 재학습한 결과보다 선택편향을 줄였지만, 별도 연도의 외부예측 검증은 아니다.

    Ⅴ. 논의 및 운영방안

    1. 학술적 시사점과 해석범위

    첫째, 본 연구는 상태도출과 상태전이의 표본을 분리하였다. 연간 완전구간 8,398개 중 교환 10건 이상인 6,876개 활동구간에서 상태구조를 학습하고 동일한 중심을 131대의 반복관측에 적용함으로써, 특정 진입코호트의 특성이 군집중심 자체를 결정하는 문제를 줄였다. 이는 정적 시장세분화와 동적 가치상태 분석을 연결하되 차량-구간을 운영상태 단위로 사용한 점에서 차별적이다.

    둘째, 네 핵심축은 거래량, 배터리 사용깊이, 시간대와 거점의존도를 각각 나타낸다. 중복 파생변수의 추가가 분리도를 개선하지 않았고 차량 재표본화 안정성이 높았다는 결과는 변수선택의 실무적 타당성을 뒷받침한다. 다만 실루엣계수 0.235는 상태 간 경계가 연속적임을 의미하므로 군집은 자연적으로 분리된 차량종류가 아니라 의사결정을 위한 요약프로파일로 사용해야 한다.

    셋째, 달력월을 포함한 보정모형에서 최초 관측 후 경과구간의 전체효과가 유의하지 않았다. 따라서 최초 관측시점 정렬만으로 실제 서비스 생애주기를 주장해서는 안 되며, 실제 투입일·계약일과 기상자료가 결합될 때 진입효과와 계절효과를 더 정확히 분리할 수 있다.

    넷째, 상태유지와 상태전이가 동시에 나타났고 저활동형의 일부가 다음 구간에 복귀하였다. 이는 차량상태를 한 번 정한 뒤 고정하는 방식보다 최근 30일 자료로 주기적으로 갱신하고, 단일 분류보다 지속기간과 전이이력을 함께 저장하는 방식이 적절함을 보여준다.

    2. 상태별 운영정책과 평가

    상태별 결과는 운영가설로 연결할 수 있으나 관측자료만으로 정책효과를 입증한 것은 아니다. <Table 9>와 같이 상태별 조치를 소규모로 적용하고 품절률, 교환성공률, 실측 전력량, 야간응답시간과 우회거리 등을 전후 또는 준실험 방식으로 평가해야 한다.

    <Table 9>

    State-specific operational hypotheses and evaluation metrics

    Note: These are operational hypotheses. Effects and unintended consequences require field evaluation.

    Usage state Observed load or risk Operational hypothesis Evaluation metrics
    High-frequency / shallow-discharge 47.7% of swaps; rapid inventory turnover Pre-position charged pairs at main BSSs and hours; shorten rotation and inspection cycles Swap success, stockout rate, battery turnover
    Deep-discharge / multi-station 32.3% of nominal energy; 2.05 kWh per swap Forecast slot-hours by visited BSS; reserve charging capacity and high-SOC pairs Metered kWh, charging queue, issued SOC
    Night-focused 66.0% of swaps occur at night Complete pre-charging before 20:00; strengthen night support; avoid peak maintenance Night success, response time, night stockout
    Station-focused 71.2% at the primary BSS Prioritize reliability and inventory at the primary station; guide alternatives during outage Diversion rate, added travel, failed swaps
    Low-activity 24.4% return to activity Avoid churn labeling after one period; verify status after two consecutive low periods Return rate, long inactivity, intervention response

    운영절차는 다음과 같이 구성할 수 있다. 첫째, 최근 30일의 교환건수와 관측일수를 계산하여 저활동 여부를 확인한다. 둘째, 활동구간은 고정된 전처리와 군집중심을 이용해 상태를 갱신한다. 셋째, 전월 상태와 비교하여 유지, 전이, 저활동 진입 또는 복귀를 기록한다. 넷째, 재고·충전·지원정책을 소규모 적용하고 성과지표를 측정한다. 다섯째, 네트워크와 차량구성이 변하면 별도 검증표본으로 상태중심과 임계값을 재평가한다. 차량코드는 개인과 동일하지 않을 수 있으므로 가격차등, 서비스 제한 또는 신용판단에는 본 군집을 단독으로 사용하지 않아야 한다.

    Ⅵ. 결 론

    본 연구는 2025년 410,464건의 배터리 교환로그를 이용하여 차량 이용상태를 도출하고, 2-6월에 최초 관측된 131대의 6개월 상태전이를 분석하였다. 전체 분석틀은 795대의 완전한 30일 차량-구간 8,398개이며, 실제 K-means 상태학습에는 그중 교환 10건 이상인 762대의 활동구간 6,876개를 사용하였다. 학습 결과 고빈도·얕은방전형, 심방전·다거점형, 야간집중형 및 거점집중형을 도출하였고, 나머지 교환 10건 미만 1,522개 구간은 군집학습에서 제외하여 저활동형으로 규칙 분류하였다.

    전체 상태유지율은 67.5%, 카파계수는 0.575였으며 저활동형의 24.4%가 다음 구간에 복귀하였다. 초기상태는 이후 교환량과 명목 충전부하를 유의하게 구분하였다. 달력월과 네트워크 규모를 보정한 뒤 최초 관측 후 경과구간의 전체효과는 유의하지 않아, 최초 관측일을 실제 진입일로 해석하거나 3-4구간의 평균 감소를 생애주기 변화로 단정할 수 없었다. 운영적으로는 최근 상태를 월별로 갱신하고 재고, 충전, 야간지원, 장애 시 대체 BSS 안내 및 저활동 대응을 차등화하는 방식이 제안된다.

    한계는 다음과 같다. 첫째, 실제 차량 투입일과 계약 시작일이 없어 최초 관측일을 대리시점으로 사용하였다. 둘째, 차량용도, 운전자 교체, 기온·강수, 요금, 대기시간, 품절과 장애자료가 없어 상태원인과 정책효과를 직접 설명하지 못했다. 셋째, 군집분리도가 높지 않고 단일 사업자의 1년 자료이므로 외부 일반화에는 주의가 필요하다. 넷째, 명목 보충에너지는 SOC와 명목용량에 기반한 대리값이다. 후속 연구에서는 실제 투입·회수일, 계약 및 운전자 단위, 기상, BSS 위치·슬롯수, 실측 충전로그와 장애기록을 결합하고, 다른 기간에서 군집중심을 외부검증하거나 잠재전이모형과 현장실험을 적용할 필요가 있다.

    ACKNOWLEDGEMENTS

    본 연구는 국토교통과학기술진흥원 ‘배터리 교환 3종 전장 패키지 및 사용자 인증 시스템 개발' 과제(RS-2025-02373006)의 지원으로 수행되었습니다.

    Figure

    KITS-25-5-153_F1.jpg

    Monthly operating vehicles, active BSSs, and first-observed vehicles in 2025

    Note: The January count can include vehicles already operating before data collection and is not interpreted as actual new deployment.

    KITS-25-5-153_F2.jpg

    Observed mean swaps and calendar-adjusted incidence-rate ratios by elapsed observation period

    Note: Panel (a) presents vehicle-block bootstrap 95% confidence intervals. Panel (b) controls for calendar month, first-observed month, weekday, active BSSs, and observed-time exposure.

    KITS-25-5-153_F3.jpg

    Internal validity for selecting the number of fleet-wide active-state clusters

    KITS-25-5-153_F4.jpg

    Standardized behavioral profiles of the four fleet-wide active usage states

    Note: The low-activity state is excluded because ratio variables are unstable when swap counts are sparse.

    KITS-25-5-153_F5.jpg

    Fleet-wide contributions of usage states to observations, swaps, and nominal replenishment energy

    KITS-25-5-153_F6.jpg

    Transition probabilities from the previous state to the next 30-day state

    KITS-25-5-153_F7.jpg

    Composition of assigned usage states by elapsed observation period

    KITS-25-5-153_F8.jpg

    Mean swaps during the subsequent five months by initial 30-day usage state

    Note: Error bars indicate vehicle-level bootstrap 95% confidence intervals.

    Table

    Comparison of prior analytical approaches and the present study

    Data cleaning and analytical samples

    Note: First observation is a data-based reference point and does not establish the exact vehicle deployment or service-entry date.

    Definitions of core and validation variables

    Descriptive statistics of fleet-wide active periods and the longitudinal cohort

    Note: The fleet-wide active sample contains 6,876 periods. The longitudinal cohort contains 786 periods, including low-activity periods; ratio-variable statistics exclude undefined zero-swap periods.

    Sensitivity of observation window and input-variable specification

    Fleet-wide profiles of vehicle-period usage states

    Note: Low-activity SOC and ratio means are based on sparse swaps and should not be generalized as stable behavioral characteristics.

    Usage-state transition probabilities in the six-period cohort

    Note: Entries are rounded to one decimal place. Displayed row totals are 100.0%, 99.9%, 100.1%, 100.1%, and 100.0%; deviations from 100% reflect rounding. Diagonal cells indicate persistence. Overall persistence was 67.5% across 655 transitions.

    Initial state and subsequent five-month service outcomes

    Note: IRRs use the low-activity state as the reference and control for first-observed month, network size in the initial period, and subsequent observed days. Associations are not causal effects.

    State-specific operational hypotheses and evaluation metrics

    Note: These are operational hypotheses. Effects and unintended consequences require field evaluation.

    Reference

    1. Arthur, D. and Vassilvitskii, S. ( 2007), “k-means++: The Advantages of Careful Seeding”, Proceedings of the Eighteenth Annual ACM-SIAM Symposium on Discrete Algorithms, pp.1027-1035.
    2. Calinski, T. and Harabasz, J. ( 1974), “A Dendrite Method for Cluster Analysis”, Communications in Statistics, vol. 3, no. 1, pp.1-27.
    3. Cameron, A. C. and Trivedi, P. K. ( 2013), Regression Analysis of Count Data, 2nd ed., Cambridge University Press, Cambridge.
    4. Cohen, J. ( 1960), “A Coefficient of Agreement for Nominal Scales”, Educational and Psychological Measurement, vol. 20, no. 1, pp.37-46.
    5. Cui, D., Wang, Z., Liu, P., Wang, S., Zhang, Z., Dorrell, D. G. and Li, X. ( 2022), “Battery Electric Vehicle Usage Pattern Analysis Driven by Massive Real-World Data”, Energy, vol. 250, Article 123837.
    6. Davies, D. L. and Bouldin, D. W. ( 1979), “A Cluster Separation Measure”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. PAMI-1, no. 2, pp.224-227.
    7. Helmus, J. R., Lees, M. H. and van den Hoed, R. ( 2020), “A Data Driven Typology of Electric Vehicle User Types and Charging Sessions”, Transportation Research Part C: Emerging Technologies, vol. 115, Article 102637.
    8. Hubert, L. and Arabie, P. ( 1985), “Comparing Partitions”, Journal of Classification, vol. 2, pp.193-218.
    9. Kimura, M. ( 2022), “Customer Segment Transition through the Customer Loyalty Program”, Asia Pacific Journal of Marketing and Logistics, vol. 34, no. 3, pp.611-626.
    10. Kruskal, W. H. and Wallis, W. A. ( 1952), “Use of Ranks in One-Criterion Variance Analysis”, Journal of the American Statistical Association, vol. 47, no. 260, pp.583-621.
    11. Liang, K.-Y. and Zeger, S. L. ( 1986), “Longitudinal Data Analysis Using Generalized Linear Models”, Biometrika, vol. 73, no. 1, pp.13-22.
    12. MacQueen, J. ( 1967), “Some Methods for Classification and Analysis of Multivariate Observations”, Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability, vol. 1, pp.281-297.
    13. Mark, T., Lemon, K. N., Vandenbosch, M., Bulla, J. and Maruotti, A. ( 2013), “Capturing the Evolution of Customer-Firm Relationships: How Customers Become More (or Less) Valuable Over Time”, Journal of Retailing, vol. 89, no. 3, pp.231-245.
    14. Märtz, A., Langenmayr, U., Ried, S., Seddig, K. and Jochem, P. ( 2022), “Charging Behavior of Electric Vehicles: Temporal Clustering Based on Real-World Data”, Energies, vol. 15, no. 18, Article 6575.
    15. Rousseeuw, P. J. ( 1987), “Silhouettes: A Graphical Aid to the Interpretation and Validation of Cluster Analysis”, Journal of Computational and Applied Mathematics, vol. 20, pp.53-65.
    16. Wedel, M. and Kamakura, W. A. ( 2000), Market Segmentation: Conceptual and Methodological Foundations, 2nd ed., Kluwer Academic Publishers, Boston.

    저자소개

    Footnote