Ⅰ.서 론

1.연구의 배경 및 목적

오늘날 인터넷 사용의 급격한 증가, 스마트폰 보 급, SNS(Social Networking Service) 활성화 등과 같 은 디지털 기술의 발전과 모바일 기기의 보급 등으 로 인해 우리 주변에는 규모를 가늠할 수 없을 정 도로 많은 정보와 데이터가 생산되는 ‘빅데이터(Big Data)’의 시대가 도래했으며, 그 중요성이 날로 커 지고 있다[1].

교통분야에서는 오랜시간동안 우세를 점하고 있 었고 도시교통수요 추정에 효과적인 방법으로 여 겨졌던 전통적인 통행기반교통모형(Trip-Based Model)인 4단계 교통수요추정법의 한계가 드러나고 있으며, 최근의 컴퓨터 기술의 빠른 성장에 힘입어 활동기반교통모형(Activity-Based Model)을 이용한 수요 추정 방법이 교통계획에 새로운 패러다임으로 떠오르고 있다[2].

교통은 사람이나 물류의 공간상의 시간적 이동을 의미한다고 봤을 때 공간데이터와 밀접한 관련이 있으 며, 최근 급부상하고 있는 공간빅데이터(Spatial Big Data)와 접목될 수 있는 분야이다. 따라서 소셜네트워 크 서비스(SNS) 상의 공간빅데이터를 추출해 현재 사 용되고 있는 통행기반교통모형(Trip-Based Model)의 특성과 비교․분석하고 나아가 활동기반교통모형 (Activity-Based Model)의 분석자료를 구축하여 공간 빅데이터와 활동기반교통모형을 접목시킨다면 매우 큰 가치가 있으며, 향후 활용성이 클 것으로 생각된다.

2.연구 내용 및 방법

1)연구의 내용

본 연구는 공간정보를 포함하고 있는 SNS를 대상으 로 시계열적 공간정보를 추출하고, 이를 현재 사용되 고 있는 통행기반교통모형(Trip-Based Model)의 OD 와 비교․분석하여 그 특성을 파악하였다. 또한, 활동 기반교통모형(Activity-Based Model)의 분석자료를 구축하고 교통시뮬레이터 프로그램을 이용하여 시뮬 레이션을 수행함으로써 가시적인 분석결과를 도출하 고 SNS를 이용하는 개개인의 통행사슬을 추적하였다. 연구의 공간적 범위는 서울외곽순환고속도로를 포함 하는 수도권 내를 대상으로 진행하였으며, 시간적 범 위는 2015년을 분석연도로 설정하였다.

2)연구의 방법

본 연구에서는 소셜미디어 관련 연구와 활동기반 교통모형의 국내외 연구동향을 살펴보고 관련 문헌을 고찰하여 SNS상에서 공간빅데이터를 추출하기 위한 고려사항과 관련이론들을 검토하였다. 이를 바탕으로 연구대상 SNS를 선정하고, SNS 공간정보의 시계열적 추출방법을 도출하였으며, JAVA Programming을 이용 하여 시계열적 공간정보를 추출하였다. 추출된 공간정 보를 기존의 통행기반교통모형의 OD와 비교․분석하 여 그 특성을 파악하고 분석 자료로 사용하기에 타당 한지 검증을 거친 후 활동기반교통모형(Activity- Based Model)의 분석 자료로 구축하고 교통시뮬레이 션 프로그램을 이용하여 시뮬레이션을 수행하였다. 또 한, 프로그램 구축 과정 및 시뮬레이션 프로그램 실행 과정상의 문제점 및 이슈사항들을 정리하여 종합 결론 을 도출 하였다.

Ⅱ.선행연구 고찰

공간빅데이터로서 소셜미디어를 활용하는 것과 관련된 과거 연구의 주요 논문들의 내용을 살펴보 면 다음과 같다. Seo(2012)는 ‘SNS 기반의 매시업을 통한 실시간 재해정보 추출 및 표현에 관한 연 구’[3]에서 트위터를 기반으로 하여 SNS상에 게시 되는 재해 관련 정보들을 실시간으로 추출하여 데 이터베이스에 저장함으로써, 재난 상황에서 SNS를 활용할 수 있는 시스템을 제안했다. Park(2013)은 ‘SNS 데이터의 도시정책지표로서의 활용 가능성 연구’[4]에서 트위터를 기반으로 하여 SNS 데이터 들 중 주거환경에 대해 언급한 게시물들로부터 정 보를 추출하여 분석함으로서, SNS의 도시정책지표 로써 활용가능성을 판단하는 연구를 수행했다. Lee(2014)는 ‘공간빅데이터로서 소셜미디어 자료를 활용한 공간정보 추출 및 표현 시스템 개발’[5]의 연구에서 트위터, 페이스북, 플리커를 연구대상으로 선정하여 게시자의 위치를 표출하는 시스템을 개발 한 사례가 있다.

한편, 교통에서의 통행사슬과 관련된 연구를 살펴 보면 최초로 주목받은 것은 1950년대 말 미국 CATS(Chicago Area Transportation Study, 1959)가 통행 은 연쇄적으로 발생하고 상호 관련이 있다는 것에 주 목하면서 발전하기 시작하였다[6]. Adler et al. (1979)[7]는 개인이 하루에 발행하는 통행사슬 형태는 사이클(Cycle)수와 스톱(Stop)수에 의해 결정되며 이는 통행의 편리성을 나타내는 지표로 사용될 수 있다고 하였다. Currie et al.(2011)[8]는 멜버른시의 조사데이터 를 이용하여 대중교통이용에 대한 통행사슬행태를 연 구하였는데 그 결과 혼잡한 도시 내에서 여러 목적지 가 연결된 복합연계통행을 할 경우 승용차를 이용한 통행보다는 지하철과 트램의 이용비율이 높게 나타났 다는 것을 알았다. 이와 같이 국외에서는 통행사슬의 기본단위인 사이클(Cycle), 스톱(Stop)과 교통행태의 관계를 나타내고자 하는 연구부터 시작하여 사회속성 별 특성과 관계를 나타내고자 하는 연구가 다양하게 진행되어 왔다.

국내에서 수행된 통행사슬과 관련된 연구로는 Yoon(1997)[9]은 하루(24시간)단위로 표현되는 통근 통행자의 통행패턴을 분석하기 위해 통근통행자의 통행목적수와 사이클(Cycle)수를 네스티드로짓 모델 로 추정하였다. Choo et al.(2008)[10]는 통행사슬을 집에서 출발하여 다시 집으로 돌아오는 가정기반 통행사슬(Home-based trip chain)과 집 외 장소(예, 직장)에서 출발하여 다시 동일한 집 외 장소로 돌 아오는 비가정 기반 통행사슬(Non-home-based trip chain)의 2가지로 구분하여 정리하였으며, 통행 사슬의 특성을 분석하고 다중회귀형태의 통행사슬 모형을 추정하여 통행목적과 통행사슬과의 연관성 을 분석하였다. Bin(2011)[11]은 통행사슬(Trip Chain) 개념을 이용하여 개인이 통행시 통행목적과 통행연계수를 고려하는 행태에 대하여 분석하였다.

활동기반 교통모형의 국내외 연구동향을 살펴보 면 MacNally(1999)[12]는 통행수요예측의 전통적인 통행기반 모형은 통행행태를 반영하기에는 부족하 다고 발표하고 통행행태를 연구하기 위한 전통적인 접근법은 하루 동안 또는 며칠 동안 통행행태패턴 분석으로 대체되어야 한다고 논했다. Kim(1994)[13] 은 기존 4단계 모형 틀에서는 동적행태 특성을 모 형화 하는데 한계가 있음을 소개하며, 목적활동에 근거한 모형의 패러다임 특성을 제시하고 활동목적 에 근거한 연구 활동을 3가지로 구분하였다. Kim(2012)[2]은 서울시 강남구를 중심으로 활동기 반 모형인 MATSim과 통행기반 모형인 Emme/2의 통행배정결과를 비교분석하여 두 모형의 결과는 유 사하게 나타났으며, 행위자 기반의 모형을 사용해 동적인 측면에서 4단계 모형을 보완하는 것이 중요 하다고 주장하였다. Ali(2015)[14]는 서울시의 스마 트카드 데이터를 활동기반 시뮬레이터인 MATSim 을 이용하여 시뮬레이션 및 정산과정을 수행하고 스마트카드 자료와 가구통행실태조사 자료를 결합 하여 정산과정을 수행한 결과 보다 더 정확하며 신 뢰성 있는 결과를 도출 할 수 있었다.

본 연구에서는 공간빅데이터로서 소셜미디어를 활용하는 것과 관련된 과거 연구에서 SNS상에서 공간빅데이터를 추출하기 위한 고려사항과 관련이 론들을 검토하였으며, 관련사례를 분석하였다. 또 한, 통행사슬과 관련된 연구를 바탕으로 1일간 인 당 총통행거리 및 통행 Leg수 분포 등의 특성을 분 석하여 구축자료를 기존의 통행기반 OD자료와 비 교 및 검증 하였으며, 활동기반 교통모형 연구 결과 를 바탕으로 활동기반 시뮬레이터 프로그램을 수행 하여 가시적인 결론을 도출 하였다.

Ⅲ.분석자료의 구축 및 검증

1.활동기반 교통모형 분석자료 구축

1)연구 대상 소셜네트워크(SNS) 선정

소셜네트워크 서비스의 종류에는 블로그, 트위 터, 페이스북, 플리커, 유튜브, 카카오톡, 카카오스 토리, 핀터레스트 등 다양한 것들이 있고 현재에도 계속 새로운 채널들이 개발되고 있다. 본 연구에 앞 서 Lee(2014)는 ‘공간빅데이터로서 소셜미디어 자료 를 활용한 공간정보 추출 및 표현 시스템 개발’[5] 의 연구에서 트위터, 페이스북, 플리커를 연구대상 으로 선정하여 시스템을 개발 한 사례가 있다.

본 연구에서는 앞의 사례를 참고하여 트위터 및 페이스북, 플리커의 3가지 소셜네트워크 서비스를 대상으로 연구의 적절성을 검토한 결과 공간정보 추출이 가능하며 모든 사용자에게 정보를 제공하 고, 표본수가 많으며 대화 위주의 SNS인 트위터가 본 연구에 가장 적합한 것으로 판단되어 연구 대상 소셜네트워크 서비스로 선정하였다. 페이스북의 경 우 정보제공이 팔로워(Follower)에게만 제공되어 매 우 많은 팔로워를 보유하고 있지 않은 경우 정보의 획득이 다소 제한적이며, 플리커의 경우 사진 위주 의 SNS로서 공간정보를 추출할 수 있는 게시글의 표본수가 적어 본 연구대상에서 제외하였다.<Fig 1>

2)SNS 공간정보의 시계열적 추출방법

소셜네트워크 서비스로부터 정보를 검색하고 위 치정보를 추출해 내기 위해서 연구의 대상이 되는 소셜네트워크 서비스의 API를 분석하는데 관련 홈 페이지에 공개되어 있는 기능들 중에서 본 연구에 서 개발하려고 하는 시스템에 필요한 변수들을 선 정했다. 본 연구에서 필요로 했던 변수들은 첫째로 게시물들의 내용들을 검색할 수 있게 하는 변수, 둘 째로 게시물의 작성 날짜와 시간을 나타내는 변수, 셋째로 작성 당시의 위치정보를 나타내는 변수, 넷 째로는 검색의 공간적 범위를 제한하는 변수, 다섯 째로는 자료의 검증을 위한 경로상의 거리를 나타 내는 변수 등이 있다. 이러한 트위터의 주요 API 매 개변수들을 정리하면 다음의 표와 같다[5].<Table 1>

3)시계열 공간정보 추출 프로그램 개발

본 연구에서는 소셜네트워크 서비스인 트위터를 대상으로 게시물을 올린 사용자의 위치와 시간을 파악하고 아이디를 통해 하루간에 올린 게시물의 시간변화에 따른 위치의 변화를 파악하여 이를 하 루간 통행스케줄이라고 가정하여 시계열적 데이터 를 구축하였다. 다만, 회사 근무와 같이 특별히 SNS 에 게시물을 올릴 필요가 없는 활동 등의 포착이 어려운 현실적 문제가 존재하나, 이는 향후 다양한 공간 빅데이터를 재가공 및 재조합하여 보완할 필 요성이 있으며, 다가올 IoT 시대에는 더욱 많은 시 공간상 위치 정보들이 상시적으로 수집됨에 따라 극복 가능할 것으로 판단된다.

위의 가정에 따라 추출된 구글맵기반의 위치좌 표를 다음 좌표계 변환 API를 이용하여 변환하는 동시에 다음지도상에서 위치이동간 거리를 추출함 으로써 데이터의 검증에 사용하였다. 이를 위해 트 위터 Open API를 사용하여 JAVA eclips(LUNA 4.4.1)를 이용해 WINDOWS 기반으로 프로그램을 구축하였다.<Table 2><Fig 2>

4)활동기반 교통모형 분석자료 구축

위의 프로그램을 이용하여 서울특별시 외곽순환 고속도로 이내(서울중심에서 반경 22km 이내)를 대 상으로 구축된 자료의 형태 및 내용을 살펴보면 person id가 순서대로 부여되는 것을 볼 수 있고, 나 이 및 고용형태, 시설구분, 통행목적, 교통수단 등 은 개인정보 보호를 위해 공개되고 있지 않거나 구 별 할 수 없으므로 임의로 부여 하였다. 사용자의 위치를 표출하는 좌표는 x, y 변수를 통해 표출되고 있으며, 사용자가 게시물을 올린 시간이 end_time 및 dep_time을 통해 표출되고 있다. 또한, 데이터의 검증을 위해 다음지도를 통해 좌표간 거리를 Len 변수를 통해 표출되도록 하였다.<Fig 3>

5)구축결과

분석자료 구축결과 총 702명의 하루간 통행사슬 (Trip chain)을 추출 할 수 있었으며, 그 중 52%인 367명이 1통행 이상 발생한 것으로 집계되었다. 나 머지 통행이 발생하지 않은 표본은 하루에 1개의 게시물만 작성한 사용자이거나, 위치변화 없이 한 장소에서 여러 개의 게시물을 올린 사용자로 판단 된다. 총 발생 Leg는 1,285개이며, 1인당 평균 3.5개 로 나타났다.<Table 3>

2.구축자료의 검증

1)기존 O/D자료와 특성 비교

2012년 수도권 전수화 보고서[15]에 제시된 서울 시 내부 총 목적통행 발생량 및 평균통행거리, 인구 를 이용하여 산출한 1일간 인당 총통행거리는 24.1km/일/인으로 나타났으며, 본 연구에서 집계한 1일간 인당 총통행거리는 26.3km/일/인으로 나타났 다. 따라서 가구통행실태조사 기반의 O/D에 존별 공로최단거리를 적용하여 산출한 전수화 데이터에 비해 9.1% 길게 나타났으나, 기존 O/D자료와 큰 차 이가 없어 분석데이터로 활용하기에 타당한 것으로 판단된다.<Table 4>

2006년 수도권 가구통행실태조사시의 통행 Leg 분포비율[11]과 두 집단 간의 독립성을 검정하는 카 이제곱검정 결과 p값이 0.008로 분석되어 전체적인 분포는 유사한 것으로 나타났으며, 8Leg 이상의 복 잡한 통행이 가구통행실태조사의 경우 0.3%로 집계 되었으나, 본 연구 시에는 10.9%로 집계되어 설문 조사 시보다 복잡한 통행을 하는 비율이 다소 높은 것으로 나타났다. 또한 가구통행실태조사의 경우 최대 Leg가 18개로 나타났으나, 본 연구 시에는 43 개로 집계되어 사람들의 통행 행태가 다소 복잡한 형태를 나타내는 것으로 분석되었다.<Table 5>

2)추출자료 특성분석

10 Leg 이상의 통행에 포함된 1km 미만의 통행 이 307개 23.9%로 높은 비율로 나타나 단거리 통행 을 포함한 복잡한 통행행태가 실제로 이루어지고 있는 것으로 분석되었다. 또한, 1km 미만의 Leg 수 역시 750개로 전체의 58.4%에 달해 단거리 통행이 교통의 큰 부분을 차지하고 있음이 나타났다.<Table 6>

평일-주말간 통행특성을 비교한 결과 평일에 조사된 표본수는 207명 673Leg, 주말에 조사된 표 본수는 160명 612Leg로 집계되었다. 1일간 인당 총 통행거리는 평일이 높은 반면 평균 Leg수는 주말이 높은 것으로 나타났다. 두 집단의 차이를 검정하는 t검정 결과 p값이 각각 0.253, 0.195로 분석되어 평 일과 주말은 통행특성이 다른 것으로 판별되었으 며, 이는 평일에는 장거리 위주의 출퇴근 통행이나 업무통행의 비율이 높으며, 주말에는 비교적 단거 리며 복잡한 통행패턴을 보이는 쇼핑이나 여가통행 의 비율이 높기 때문인 것으로 분석된다.<Table 7>

3)소결

1일간 인당 총 통행거리 분석결과 본 연구 시에는 26.3km/일/인으로 가구통행실태조사에 의한 전수화시 보다 2.2km/일/인 높은 것으로 나타났다. 또한, 가구통 행실태조사 데이터와 비교했을 경우 8Leg 이상의 통행 이 10.9%로 매우 높게 나타나 실제로는 더 복잡한 통행 사슬이 이루어지고 있는 것으로 분석되었다. 1km 미만 의 짧은 Leg가 전체의 58.4%로 나타나 매우 높은 비율 을 차지하고 있었다. 주말과 평일 분석결과 주말에는 평일에 비해 1일간 인당 총 통행거리는 짧고 인당 평균 Leg 수는 많은 것으로 나타나 사람들의 통행패턴이 평일보다 주말에 다소 복잡한 양상을 보이는 것으로 분석되었다.

본 연구에서 집계된 데이터를 가구통행실태조사 에 의한 통행기반 OD자료와 비교․분석했을 때 다 소의 상의한 특성들도 있었으나, 전체적으로는 비 슷한 수준으로 분석되어 활동기반 교통모형의 기초 분석자료로 구축하기에 충분히 유용한 것으로 판단 되었다.

Ⅳ.활동기반 교통시뮬레이션 수행

1.프로그램 선정

SNS에서 추출한 데이터를 기반으로 활동기반 교 통모형과 접목시키기 위해 다양한 분석 프로그램을 검토한 결과 MATSim이 본 연구에 가장 적합한 것 으로 판단되어 연구대상 프로그램으로 선정하였다.

MATSim은 Multi-Agent Transport Simulation의 줄 임말로서 스위스 ETH Zurich대학 Kay W.Axhausen 교 수의 연구실에서 실험프로젝트로 출발하여 지금은 전 세계 User들에 의해 활발히 연구되며, 지속적으로 User 들에 의해 공동으로 개발되고 있다. Multi-Agent 기술, 동적․확률적모형, 활동기반모형에 기반 한 교통분석 시뮬레이터 프로그램이다[16].

2.시뮬레이션 분석자료 구축

MATSim을 실행하기 위하여 SNS에서 추출한 데 이터를 MATSim의 기초 입력자료인 Plans.xml 파일 형식으로 변환하였다. 변환하는 과정에서 링크배정 의 오류를 방지하기 위하여 1km 미만의 Leg는 제 외하였다. 1km 미만의 통행의 경우 대다수가 교통 수단을 이용하지 않고 도보 또는 자전거 통행일 것 으로 판단되므로 교통수요분석상 크게 차이는 없을 것으로 판단되나, 향후 더욱 면밀한 통행행태 분석 을 위하여 세부적인 네트워크 보완이 필요할 것으 로 판단된다. MATSim 프로그램은 통행배정시 경로 (Path)별 링크(Link)를 배정하는데 링크는 경로보다 짧거나 최대한 같아야 한다. 그러나 본 분석에서 사 용한 네트워크는 한국교통연구원에서 배포한 전국 네트워크를 MATSim 네트워크파일 형식으로 변환 한 것으로 세부적인 이면도로까지 네트워크로 구축 하기에는 한계가 있다.<Fig 4>

3.MATSim을 이용한 시뮬레이션

MATSim 기초 입력자료인 Plans.xml 파일과 config.xml, network.xml, facilities.xml 파일을 이용하여 JAVA eclips LUNA 4.4.1을 이용해 프로그램을 구동하 였다. 구동 시 MATSim의 strategy module을 통해 경 로 선택 모듈을 선택하였으며, 본 연구에서는 Reroute_Dijkstra 모듈을 선택하여 진행하였다. JAVA eclips LUNA 4.4.1을 이용해 네트워크 평행상태에 이를 때까지 iteration 시키고 수렴 후 출력된 결과를 via64 프로그램을 통해 표출하였다. 본 연구에서는 iteration 횟수 100회를 수렴조건으로 설정하였다.

MATSim 실행결과 총 175명의 하루간 통행스케 줄이 표출 되었고, 주로 오후 2시~4시 사이의 시간 대에 트위터를 사용하는 이용자들의 통행이 활발한 것으로 나타났으며, 서울시 전역에 걸쳐 통행이 발 생한 것으로 나타났다. 이용자들의 활동을 나타내 는 Activities 역시 서울시 전역에 걸쳐 활발하게 나 타났다.<Fig 5>

Ⅴ.결 론

1.연구의 제약사항 및 한계

본 연구를 수행함에 있어 트위터가 많은 API를 제공하고는 있지만, 기업의 상업적 이윤을 목적으 로 API사용에 제한을 두고 있어 많은 양의 데이터 를 구축하기에는 한계가 있었다. 또한, SNS 사용자 가 하루 간에 올린 게시물의 시간변화에 따른 위치 변화를 하루 간 통행스케줄이라고 가정함으로서 회 사 근무와 같이 특별히 SNS에 게시물을 올릴 필요 가 없는 활동 등의 포착이 어려운 현실적 문제가 존재하였다.

이는 향후 빅데이터의 활발한 활용을 위하여 개 인정보보호 및 API 제한 등 빅데이터 사용의 제도 적 개선방안이 강구되어야 할 것이며[17], 다양한 공간 빅데이터를 재가공 및 재조합하여 보완할 필 요성이 있다. 또한, 다가올 IoT 시대에는 더욱 많은 시공간상의 위치 정보들이 상시적으로 수집됨에 따 라 극복 가능할 것으로 판단된다.

2.결론 및 시사점

API Limit 등의 제도적 제약에도 불구하고 다수 의 활동기반 교통모형 분석자료를 구축할 수 있었 으며, 교통분석 시뮬레이터인 MATSim을 성공적으 로 실행할 수 있었다.

활동기반 교통시뮬레이터 실행을 위한 기초자료 분석결과 가구통행실태조사에 의한 통행량 전수화 방법을 통해 구축된 기존의 O/D 자료에 비해 사람 들의 평균통행거리가 길고 단거리 통행이 많이 포 함된 복잡한 통행사슬(Trip Chain)을 이루고 있는 것으로 나타났다. 따라서, 최근 들어 도심에서 발생 하고 있는 국지적 교통혼잡상황의 대응에 통행기반 교통모형은 한계가 있으며, 단거리 통행까지 잘 묘 사할 수 있는 활동기반 모형의 필요성이 다시 한번 확인 되었다. 다만, 현재의 교통분석용 네트워크로 는 경로에 따른 링크 배정시 1km 미만의 단거리 통 행은 오류가 발생할 소지가 있음으로 더욱 세부적 인 네트워크 구축이 필요한 것으로 나타났다.

여러 가지 현실적 제약에도 불구하고 교통분야 에 있어 빅데이터 활용의 기술적 한계를 극복할 수 있는 가능성을 확인하였고, 향후 발전방향을 모색 하는 기회가 되었다.

3.향후 연구과제

앞서 언급한 대로 단거리 통행까지 잘 묘사할 수 있는 활동기반 교통모형을 구축하기 위해서는 보다 세부적인 교통분석용 네트워크 구축이 필요하고, 단순히 사용자의 통행패턴 뿐만 아니라 목적통행 및 수단통행을 구분 할 수 있는 알고리즘의 개발이 필요할 것으로 판단된다. 또한, 기타 SNS 및 모바 일 기기로 확대하여 보다 많은 사용자의 통행스케 줄 자료를 구축하는 것이 필요 할 것으로 생각된다.

향후에는 다양한 공간 빅데이터를 재가공 및 재 조합하여 보다 많고 정확한 활동기반 교통모형 분 석데이터를 구축할 필요성이 있고, 아울러 교통분 야에서 다양한 빅데이터 활용방안을 모색하는 노력 이 필요할 것이다.