Ⅰ.서 론

2016년 벨기에 브뤼셀 국제공항 지하철역 폭탄 테러로 31명의 민간인과 2명 자살 폭탄 테러리스가 숨졌으며, 250여명이 부상을 입었다. 그 중 브뤼셀 공항에서 13명의 희생자가 발생하였고, 지하철역에서 20 여명이 목숨을 잃었다. 이러한 국제적인 테러 위협은 불특정 다수를 대상으로 보다 과감해졌으며, 관광지 혹은 대중 교통 시설 등 우리 생활에 밀접한 관련이 있는 지역에서 발생하기 시작했다. 이에 따라, 테러를 사전에 감지 하고 미연에 방지할 수 있는 기술과 전략은 국제 사회의 중요한 이슈로 자리매김하고 있다. 실제, 대다수의 테러 감지와 추적 기술에 대한 연구는 안면 인식 및 범인 추적이 가능한 감시망 (Surveillance Network) 구축에 관한 내용을 중심으로 활발히 진행되어 왔으며, 이는 테러 사후 대처 및 범인 검거를 위해서는 꼭 필요한 기술이다. 하지만, 테러를 사전에 감지하고 예방할 수 있는 근본적인 문제 해결 기술과 연구는 여전히 미흡한 실정이다.

국내 테러 사전 예방책으로, 국토교통부는 “불편보다는 안전한 사회”에 초점을 맞추고, 철도특별사법경찰대 보안 요원들을 서울역 등에 배치하여, 공항 검색과 동일한 방식으로 테러 등에 대해 대비하고 있다. 사회 안전망 구축이라는 차원에서 이해될 수 있지만, 큰 가방을 소지한 시민을 중심으로 무작위 대상자를 선정하여 보안 검색을 진행하는 등 불편함이 여전히 존재한다. 또한, 전수 조사가 아니라는 점도 건강한 사회 안전망 구축에 있어 한계로 지적된다. 공항에서 검색대는 꼭 통과해야 하는 여러 단계의 입출국 절차와 폐쇄적이고 분리된 공간으로 구성되어 감시 및 검거 등에 대한 통제가 수월한 반면, 철도역사는 공항에 비해 오픈된 공간으로 검색을 인지하는 순간, 대체 노선 혹은 도주 가능성이 높다는 점도 감안해야 한다. 따라서 이러한 공간적 특수성을 고려하여 사전 감지가 가능한 첨단 기술의 적용에 대한 요구가 높아지고 있다.

최근 다양하고 저렴한 센서 기술이 개발되고 있으며, 실제 생활에 적용되어 활용성이 높아지고 있는 추세 이다. 본 연구에서는 자율주행을 위한 주행환경 인지기술로 많이 사용되고 있는 LiDAR 센서에 주목하였으며, 상용화된 LiDAR 센서를 기반으로 한 보행동선 솔루션을 활용하여, 2호선 삼성역 내부 보행 궤적 조사를 실시하였다. 조사 결과에 따르면, 동일한 공간에서 대부분의 보행자는 유사한 보행 궤적 상에서 이동하였으나, 다양한 이유로 배회 동선이 발생하는 것으로 나타났다. 본 연구에서 정의하는 배회 동선은 해당 경로를 이용 하는 집단을 군집화 하였을 때, 유사성이 크게 떨어지는 보행 궤적을 의미하며, 일반적으로는 스마트기기 사용자 혹은 해당 지역에 익숙하지 않은 보행자들이 이에 해당하며, 이외에 다른 특수한 목적을 가지고 이동 하는 보행자를 포함한다.

이에 본 연구에서는 보행 궤적 자료의 시공간적 요소를 분석하고, 보행 궤적의 고유 속성을 도출하여 배회 동선을 검출 알고리즘을 개발하고자 하였다. 보행 궤적 검출 알고리즘은 제한적인 삼성역사 공간에서 수집된 다양한 보행 궤적에 대한 정규화 단계, 궤적 간의 유사도 검출 단계, 보행 궤적 분류 단계의 3단계로 구성된다. 개별 궤적 데이터는 개인별 보행속도 차이(시간차)로 인해, 궤적을 일대일로 비교할 경우 lagging point가 발생하므로 이를 정규화 방법을 활용하여 개선하였다. 보행 궤적 정규화 단계에서는 LiDAR 센서를 통해 수집된 보행 궤적 자료를 검토하여 이동평균법(Moving average)을 이용해 이상치 및 결측치를 제거 하고, 보행 궤적에 대한 정규화를 수행하였다. 궤적 간의 유사성 검출 단계에서는 각 궤적 간의 유클리디안 거리(Euclidean distance)를 이용하여 각 궤적에 대한 유사성 대표 값을 도출하였으며, 마지막으로 K-means clustering 알고리즘을 통해 보행 궤적을 분류하였다. 이를 통해, 배회 동선을 검출하고, 이를 바탕으로 편리한 보행 동선 계획 및 이상 행태를 포함하는 테러리스를 사전에 감지할 수 있는 핵심 알고리즘 개발 가능성을 제공하는데 그 목적이 있다.

본 연구의 구성은 2장에서 이동 객체 궤적 데이터 마이닝 기법 등 관련 연구에 대한 문헌 고찰을 수행하며, 3장에서는 배회 동선 검출 알고리즘 개발, 4장에서는 결과 및 보행 궤적 특성 분석, 마지막 5장에서는 시사 점을 도출하여 결론을 짓는다.

Ⅱ.관련 연구 동향

이동 객체 궤적 자료는 GPS(Global Positioning System)를 포함한 스마트기기의 확산과 영상기기 등 각종 센서기술, WSN (Wireless Sensor Network), RFID(Radio Frequency Identification) 등 통신기술의 발달로 인해, BigData라는 명칭에 걸맞게 방대하고 다양해졌다. 이에 궤적 자료를 기반으로 한 데이터 마이닝 기법에 대한 연구가 활발히 진행되었다. 도로망을 중심으로 한 차량 궤적 분석을 통한 네트워크 정밀화 및 수요추정 분야에 주로 활용되었다(Qiao et al., 2010; Giannotti et al., 2011; Lee et al., 2010; Chen et al., 2010). 이러한 이동 객체 궤적 데이터 마이닝은 시공간적 요인을 포함하여, 의미 있는 상관관계, 패턴, 경향, 유형 분류 등을 탐색하는 과정이다. Baek et al.(2006)은 도로 네트워크의 노드 링크를 기반으로 하여 새로운 유사도 측정 함수를 제안 하고, FastMap과 계층 클러스터링을 통해 전체 궤적을 클러스터링 하는 방법론을 제시하였다. Kim et al. (2007)은 도로 네트워크 상의 이동 객체 궤적에 대한 시공간 유사 궤적 검색을 위해 시공간 거리와 시그니쳐 파일 기법을 이용하여 유사 궤적 알고리즘을 개발하였다. 또한, Lee et al.(2013)은 도로 네트워크 기반의 클 러스터링을 위해 단일 경로의 빈번한 궤적 및 유사 궤적 클러스터링 방법을 제안하고, 이를 데이터베이스 관리 시스템 기반으로 구현하여 알고리즘의 성능을 검증하였다. 기존 연구와 같이 도로망 중심의 궤적 분석은 도로 망 네트워크라는 레퍼런스가 존재하지만, 본 연구에서 분석하고자 하는 보행자 궤적은 물리적 정보를 기반 으로 대다수가 따르는 군집 경향성 때문에, 이러한 속성을 추출하여 가장 합리적인 레퍼런스를 설정하는 것 이 중요하다. 그리고 이를 바탕으로 비경향성 샘플에 대한 원인-유형-이동 특성 간 상관관계로 정리할 필요 가 있다.

본격적으로 궤적 데이터 마이닝 기법에 대해서 논의하기 전에, 데이터 마이닝에 있어 가장 중요한 단계는 궤적 자료가 가진 특성을 유지한 채, 비교가 가능한 동일 차원의 패턴 데이터로 구성하는 데이터 전처리 과정 이다. 데이터 전처리 과정에서 가장 널리 사용되는 방법은 정규화(Normalization)이다. 데이터의 정규화는 불 필요한 데이터 중복으로 인해 발생하는 연산 상 부작용을 희석시키는 역할을 하며, 데이터가 가진 속성 중 유의미한 데이터 혹은 고유 속성으로 되돌리는 과정이다. 본 연구에서 사용되는 보행궤적 원시 데이터는 time stamp 기준에 의해 구성되고, 개별 궤적 데이터는 개인별 보행속도 차이(시간차)로 인해 궤적을 일대일로 비교할 경우, lagging point가 발생한다. 이를 정규화 방법으로 비교 대상인 패턴 데이터로 재구성 가능하다. Part(2013)는 영상정보에서 이동 물체의 색상정보를 검출하기 위해 정규화 기법을 활용하였으며, 화소 특징 (색 정보와 밝기 정보)을 독립적인 고유 속성으로 분류하는데 이용하였다.

또한, 유사한 궤적을 구분하고 배회 동선을 분류하기 위해서는 각 궤적 간의 유사도 측정 및 클러스터링 방법에 대한 비교·분석을 통해 최적의 방법을 도출을 위한 연구도 활발히 수행되고 있다. Hong et al.(2013)은 GPS 센서로부터 생성하는 궤적 자료를 이용하여 사용자들 간의 유사도를 효과적으로 측정하는 기법으로, Hausedorff 거리와 최대 공통 부분 그래프를 이용한 유사도 측정 알고리즘을 제안하였다. Kang et al.(2017)은 시공간 데이터를 이용하여 SOM(Self-Organizing Map)을 기반으로 시공간 데이터 마이닝을 모듈을 개발하고, K-means와 응집 계층 알고리즘을 비교하였다. Jang et al.(2012)는 궤적 데이터 마이닝 기법을 궤적 데이터 클러스 터링 기반 알고리즘(Trajectory Data Clustering), 궤적 데이터 분류 기반 알고리즘(Trajectory Data Classification), 궤적 연관 규칙 기반 알고리즘(Trajectory Association Rule)의 3가지 유형으로 구분하였으며, 관련 연구 사례를 제시하였다. 궤적 데이터 클러스터링 기반 알고리즘은 궤적간의 물리적 인접성(거리)을 비교하여 동일 클래스 에 속한 궤적 데이터 간 유사성은 극대화, 상이한 클래스 간 유사성은 최소화하는 방식이다. 해당 기법은 사전 지식이나 원 데이터의 인위적인 가공이 필요 없이 궤적 데이터를 분류할 수 있다는 점에서 널리 손쉽게 활용되 고 있다. 이와 달리, 궤적 데이터 분류 기반 데이터 마이닝 알고리즘은 궤적을 별도로 구별하고자 하는 유형에 따라 간단한 분류 체계 레이블을 추가하여, 거리 정보뿐만 아니라 이외 속성 값(시간 등)에 대한 별도의 클래스 를 부여하고 궤적을 분류하는 기법이다. 마지막으로 궤적 연관 규칙 기반 알고리즘은 정보의 연관 관계에 초점 을 맞추어 궤적을 지나는 영역을 기반으로 궤적을 통과하는 빈도 분석, 지점 간 연관 관계 등을 측정하여 궤적 의 출발-도착 지점 쌍의 연관을 바탕으로 수행되는 알고리즘이다. 본 연구에서는 보행 동선 분석 솔루션을 통해 도출한 보행 궤적을 분류 가능성을 검토하기 위한 연구로, 가장 기본적으로 사용되는 유사도 측정 방법인 유클리디안 거리와 K-means clustering 알고리즘을 이용하여 보행 궤적 분류 연구를 수행하고자 한다.

Ⅲ.배회 동선 검출 알고리즘 개발

1.삼성역 보행 궤적 조사 및 기초 자료 수집

보행 궤적 조사는 삼성역을 대상 역사로 하여, 상용화된 동선 분석 솔루션을 활용하여 수집하였다. 해당 동선 분석 솔루션은 LiDAR 센서를 무선 네트워크에 연결하여 하나의 세트로 구성한 궤적 수집 시스템이다. 개별 LiDAR 센서는 270° 각도 내에서 동선 추적이 가능하며, 센서 간 검지 영역을 일부 중첩시켜 설치하면, 임의로 부여된 ID를 기반으로 궤적을 연속하여 추적할 수 있도록 설계되어 있다. 해당 시스템은 사람 및 물건의 이동 동선을 가시화하고 분석하기 쉬운 데이터 형태로 추출 할 수 있다는 점이 장점이다. 기본적으로 제공되는 솔루션은 충돌검출, 시간경과에 따른 통행량 가감 현상, 체류·밀집 검출, 임의의 구역 및 경계에 따른 통행 패턴 및 통행량 검출, 방문 정보 검출 등 다양하다. 다만, 빅데이터의 시각화에 초점을 맞춘 솔루션으로, 동선(궤적) 자체의 고유 특성을 추출하고 비교·분석 등에 대한 고도화된 알고리즘은 탑재되어 있지 않다. 본 연구에서는 <Fig. 1>과 같이, 5개의 센서를 하나의 세트로 구성하였으며, 센서의 검지 영역은 옅은 붉은색 반경으로 설정된다. 파란색선은 보행자 수를 계측하기 위해 가상으로 설정한 경계선을 의미한다. 해당 솔루 션은 가상 경계선을 기준으로 유입-유출 인원 차이를 바탕으로 존재 인구를 산출하는 방식, 위치 정보 기반의 Hitmap 작성 등 간단한 쿼리 구조를 활용하여 분석 결과를 도출하고 있다.

<Fig. 1>의 경계선을 중심으로 IN은 개찰구에서 대합실로 들어오는 인원, OUT은 타 역으로 이동하기 위해 대합실에서 개찰구로 나가는 인원으로, 조사 결과에 의하면 오전 첨두시에는 개찰구로부터 들어오는 인원의 비율이 현저히 높은 것으로 나타났으며, 오후 3시 전후의 비첨두 시간대에는 개찰구에서 나오는 인원과 들어가는 인원이 비슷한 양상을 보이는 것으로 나타났다(<Fig. 2 (a)> 참조). 오후 첨두시(6시 전후)가 되면, 개찰구로 나가는 인원이 개찰구에서 들어오는 인원 보다 많아지는 것으로 나타난다.

궤적 패턴을 살펴보면(<Fig. 2 (b)-(d)> 참조), 오전 첨두시는 개찰구-출입구 간 궤적이 대부분이며, 기종점이 같은 경우, 최단 거리를 중심으로 집중되어 분포되는 것을 알 수 있다. 반면에, 오후 비첨두시, 오후 첨두시의 경우, 개찰구-출입구 간 궤적 이외에 코엑스와 섬유센터 출입구 간 궤적이 존재하는 것을 알 수 있다. 또한, 유사한 기종점을 가진 궤적 사이에 분포가 넓게 존재하는 것을 알 수 있다. 특히, 오후 첨두시의 경우, 모든 경로가 교차되는 대기 공간을 배회하는 동선이 나타난다. 이러한 배회 동선에 대해서 상세히 분석하고 원인을 규명하기 위해서는, 전체 궤적에서 분석 대상인 배회 동선을 추출 하는 것이 우선시 되어야 한다. 이에 본 연구에서는 시간대별, 이동 방향 별로 보행 궤적을 분류하고, 배회 동선을 검출하기 위한 알고리즘을 개발하고자 한다.

2.배회 동선 검출 알고리즘

배회 동선 검출 알고리즘은 <Fig. 3>과 같이 분석을 위한 자료 준비, 자료 전처리, 보행 궤적 분류의 3단계로 구분된다. 자료 준비 단계에서는 수집된 자료의 특성을 분석하여 자료 분석을 위한 기본 정보를 정의하기 위한 단계이다. 궤적 자료의 정규화 단계에서는 비연속적이거나 불완전한 보행 궤적에 대한 이상치를 제거, 센서 자료 특성에 의한 궤적 자료의 노이즈를 제거하기 위한 평활화(smoothing), 검출된 개별 보행 궤적 자료를 한정된 공간에서 동일한 기준으로 패턴화하기 위한 정규화(normalization) 과정으로 구성된다. 보행 궤적 분류 단계에서는 유클리디안 거리(Euclidean distance)를 이용하여 하나의 궤적에 대하여 다른 궤적들과의 유사도를 도출하고, 클러스터링 기법 중 가장 간단하게 널리 이용되고 있는 K-means clustering 기법을 이용하여 각 궤적에 대한 보행 궤적 패턴을 분류하였다. 또한, 분류된 보행 궤적에 대한 특성에 대한 분석을 통해 보행 궤적 패턴과 보행 궤적 내에 포함되어 있는 이동거리, 지속시간, 속도 등의 보행자 속성과의 관계를 살펴보고, 이에 따른 시사점을 도출하고자 하였다.

1)자료 준비

본 연구에서는 배회 동선 검출 알고리즘 개발을 위해 앞서 서술한 바와 같이 LiDAR 센서를 활용하여 삼성 역 내의 보행 궤적 자료를 수집하였다. 보행 궤적 자료에는 보행 궤적에 대한 x,y,z 좌표, 방향, 속도, 가․감속 도 등의 궤적 정보를 포함하고 있으나, 본 연구에서는 보행 궤적에 대한 패턴 정보만을 이용하여 불규칙 보 행 궤적을 검출하고자 한다. 자료 분석에 앞서, 분석의 용이성을 확보하기 위해 분석 범위인 삼성역 지하 공 간에 대한 구역을 구분하고, 구역 이동 패턴에 따른 보행 궤적 유형을 구분하였다(<Table 1> 참조). 지하철 승 강장과 연결되는 계단 공간에서 개찰구까지의 구역을 1구역으로 설정하고, 방향별 출입구로 향하는 통로에 대해 시계방향으로 2구역, 3구역, 4구역으로 설정하였으며, 대합실로 정의한 중앙공간을 0구역으로 설정하였 다. 설정된 구역은 보행 궤적 유형 분류, 이상치 제거, 자료 평활화 등에 활용된다. 보행 궤적 유형은 각 구역 별 시점과 종점을 이용하여 구분하였으며, 개찰구를 기·종점으로 각 방향별 유입/유출을 구분하여 총 6개의 보행 궤적 유형을 정의하여 분석에 활용하였다.

2)보행 궤적 자료 전처리

자료 분석에 있어 가장 중요한 단계는 자료의 전처리 과정이며, 분석하고자 하는 자료가 보유하고 있는 특성을 유지한 채, 비교가 가능한 동일 차원의 패턴 자료로 구성해야 한다. 자료 전처리 과정에서 가장 기본 적으로 널리 사용되는 방법은 정규화이다. 본 연구에서는 비연속적이고 불완전한 보행 궤적 자료를 추출하여 이상치를 제거하고, 이동평균법을 이용하여 보행 궤적 노이즈 제거를 위한 평활화를 수행한 후, 궤적 정규화를 통해 분석을 위한 각 보행 궤적의 대표 패턴을 도출하고자 하였으며, 개별 보행 궤적 자료를 이용한 자료 전처리 과정에 대한 예시를 <Fig. 4>에 제시하였다.

자료 전처리 단계의 첫 번째 과정에서는 보행 궤적 자료의 기·종점 위치를 기반으로 비연속적이고 불완전한 궤적을 검출하였다. <Table 1>에서 정의한 구역에 대하여 보행 궤적의 기·종점이 0번 구역인 경우는 어느 방향에서 오고, 어느 방향으로 갔는지 알 수 없으며, 기·종점이 동일한 구역인 보행 궤적의 경우는 비연속적 으로 끊긴 보행 궤적으로, 전체 보행 궤적에 대한 패턴을 알 수 없기 때문에 이상치로 판단하여 분석에서 제외하였다.

이상치 제거 후에는 센서를 통해 수집된 자료로부터 발생하는 노이즈를 제거하기 위한 평활화 과정을 수행하였다. 자료의 평활화는 단기간에 발생하는 불규칙한 변동의 영향을 제거하기 위한 과정으로 시계열 자료 분석 시 주로 활용되는 기법이다. 본 연구에서는 시계열 분석 기법 중 비교적 간단한 방법인 단순이동 평균법(Simple moving average method)을 이용하여 보행 궤적 자료를 평활화 하였다. 이동평균법은 자료가 지니고 있는 불규칙변동을 제거하여 추세변동만 유지할 수 있도록 자료를 변환하는 평활법으로 널리 사용되고 있으며, 식 (1)을 통해 평활화 값을 도출할 수 있다.

보행 궤적 자료의 마지막 전처리 과정은 개별 보행 궤적에 대한 정규화 과정이다. 본 연구에서 사용한 보행 궤적 자료는 time stamp 기준에 의해 수집되었으며, 보행 궤적 간 유사성을 검증하기 위해 궤적을 일대일로 비교할 경우, 앞서 언급한 바와 같이, 개인별 보행속도 차이(시간차) 등으로 인해 lagging point가 발생한다. 따라서 본 연구에서는 자료의 패턴은 유지한 채 개별 보행 궤적 간 비교가 가능하도록 각 궤적에 대한 정규 화를 수행하였다. 삼성역 내에서의 보행 궤적은 <Table 1>에 제시된 바와 같이 모든 궤적이 출입구 접근로인 1-4구역에 기․종점을 가지고 있으며, 대합실로 정의된 0구역을 반드시 통과하도록 구성되어 있다. 본 연구 에서는 방향별 출입구 접근로인 1-4구역에서의 보행 패턴은 선형으로 이루어진다는 가정 하에 선형 회귀 분석을 이용하여 각 궤적에 대한 회귀식을 추정하였으며, 추정된 회귀식을 통해 개별 보행 궤적 별로 동일한 기준으로 좌표 값을 예측하여 정규화 하였다. 방향별 접근로로의 이동이 결정되는 0번 섹션의 경우 보행 궤적 패턴의 변동이 가장 큰 구역으로, 보행 패턴의 특성을 유지하기 위해 각 보행 궤적의 좌표 값을 동일한 기준 으로 집계하였다. 각 구역 별로 정규화 된 보행 패턴 자료를 결합하면 최종적으로 정규화 된 보행 궤적 자료가 도출되며, 분석 대상 공간 내에서 발생한 모든 보행자들의 궤적 자료가 일대일 대응 비교가 가능하도록 보행 궤적이 변환된다.

3)보행 궤적 클러스터링

보행 궤적 클러스터링 단계에서는 삼성역 내에서 발생하는 다양한 보행 궤적 패턴에 대한 특성을 도출하고 각 궤적 간의 유사도를 비교하여 불규칙 보행 궤적을 검출하고자 하였다. 불규칙 보행 궤적 검출을 위한 보행 궤적 클러스터링의 가장 중요한 요소는 삼성역 내에서 발생한 다양한 보행자의 궤적 자료 간의 유사도를 측정하는 단계이다. 보행 궤적 자료와 같은 공간 기반 자료는 궤적 간의 거리 이용하여 유사도를 측정하며, 유클리디안 거리(Euclidean distance), 맨해튼 거리(Manhattan distance), 대원 거리(Great distance) 등의 다양한 측정 지표가 있다. 본 연구에서는 가장 기본적이고 널리 이용되고 있는 유클리디안 거리를 이용하여 유사도를 측정하였다. 유클리디안 거리는 평면공간에서 두 점 사이의 직선거리이며, 두 점 사이의 기하학적 거리는 식 (2)와 같이 피타고라스 정리를 통해 계산된다.

본 연구에서는 <Fig. 5>와 같이 하나의 궤적을 기준으로 하여 다른 궤적들 간의 유클리디안 거리를 도출 하고, 유클리디안 거리의 평균과 표준편차를 대상 궤적에 대한 유사도 대표 값으로 설정하여 분석에 활용 하였다. 도출된 각 궤적에 대한 유사도 대표 값은 해당 궤적이 다른 궤적들과 얼마나 떨어져 있는지를 나타 내는 지표로 사용된다. 삼성역에서 이동하는 보행 궤적이 타 보행자들이 일반적으로 이동하는 궤적과 유사한 경우에는 유클리디안 거리의 평균과 표준편차가 낮은 수준으로 나타날 것이며, 반대의 경우 높은 값을 나타 낼 것이다. 본 연구에서는 이러한 특성을 이용하여 보행 궤적을 분류하고자 하였으며, <Fig. 5>에 유클리디안 거리의 평균에 대한 개념도를 제시하였다. 각 보행 궤적에 대하여 다른 보행자의 보행 궤적간의 유클리디안 거리의 평균과 표준편차를 도출한 후, 군집 알고리즘 중 가장 간단한 방법으로 사용되는 K-means clustering 기법을 이용하여 불규칙 보행 궤적을 검출하고자 하였다.

K-means clustering 알고리즘은 주어진 데이터를 사전에 정해진 K개의 클러스터로 분류하는 간단한 알고리즘 으로, 각 클러스터와 거리 차이의 분산을 최소화하는 방식으로 동작한다. K-means clustering 알고리즘의 원리는 단순하며, 주어진 자료의 군집을 형성하기 위한 단계는 아래와 같으며, K-means clustering에 대하여 보다 자세한 이론적인 내용은 참고문헌을 통해 확인할 수 있다(Gose and Johnsonbaugh, 1996; Bishop, 2006).

Ⅳ.보행 궤적 분류 및 특성 분석

1.K-means clustering을 통한 보행 궤적 분류 결과

본 연구에서는 궤적 간의 유클리디안 거리의 평균과 표준편차를 입력변수로 사용하여 K-means clustering 알고리즘을 적용하였다. 오전 첨두시간대를 대상으로 하여 앞서 제시한 6개의 보행 궤적 유형 중 개찰구에서 코엑스로 통행하는(구역 1 → 구역 0 → 구역 2) 보행자 2,094명의 보행 궤적을 이용하여 분석을 수행하였으며, 분석 결과를 <Fig. 6>에 제시하였다. 본 연구에서는 불규칙 보행 궤적을 분류하기 위해 K-means clustering 알고리즘에서 K의 개수를 1씩 증가시키며 분석을 수행하였다.

<Fig. 6>은 보행 궤적 분류에 사용한 입력변수에 따른 클러스터링 결과 및 분류 결과에 따른 보행 궤적을 나타낸다. K-means clustering 알고리즘의 특성상 그룹의 중심점과 각 값들 간의 거리가 최소가 되는 중심점을 찾게 되며, 본 연구에서 사용한 자료의 불규칙 보행 궤적 샘플 수가 적기 때문에 클러스터 수를 증가 시키며 배회 동선 그룹을 분류하는 최적의 클러스터 수를 도출하였다. 유클리디안 거리의 평균과 표준편차가 높게 나타나는 궤적이 배회 통행을 하는 궤적으로 검출되었으며, 클러스터 수를 5로 설정하였을 때 배회 동선을 가장 명확하게 검출하는 것으로 나타났다. 클러스터 1-4까지 분류된 보행 궤적 자료들은 규칙적인 보행 궤적 패턴을 보이는 자료이지만, 각 보행 궤적 그룹 간의 출발위치, 도착위치, 회전반경 등에 따라 각자 다른 그룹 으로 분류 되는 것을 확인하였다.

2.그룹 별 보행 궤적 속성 비교 분석

본 연구에서는 보행 궤적에서 도출할 수 있는 다양한 정보 중 개별 보행자가 이동하는 좌표 값만을 이용 하여 보행 궤적 패턴을 도출하고, 도출한 패턴을 통해 불규칙 보행 궤적 검출을 위한 알고리즘을 제시하였 다. 보행 궤적 자료 속성으로 포함되어 있는 보행 속도, 이동거리, 가감속도 등의 정보는 활용하지 않았으며, LiDAR 센서 자체로부터 수집할 수 있는 궤적 정보만을 이용하였다. 본 연구에서 활용한 K-means clustering 기법은 비지도학습(Unsupervised learning) 기법으로, 실제 값이 존재하지 않고 데이터의 패턴만을 이용하여 분류하는 방법이다. 따라서 앞서 분류된 보행 궤적에 대한 정확한 검증이 불가능하므로, 보행 속성 정보를 비교 분석하여 본 연구에서 활용한 방법론에 의한 분류 결과에 대한 당위성을 제시하고자 한다.

분류된 보행 궤적에 대한 속성을 비교 분석하기 위해 보행 궤적 자료의 시공간 정보를 집계하여 보행 궤적에 대한 속성 정보를 도출하였다. 보행 궤적에 대한 속성은 보행자가 역사 내에 존재한 지속시간, 총 이동거리, 평균 속도로 구분하였으며, 분류된 보행 궤적에 대한 속성 값 도출 결과를 Table 2에 제시하였다. Table 2에서 Cluster 1에서 Cluster 4까지의 분류 결과를 살펴보면, Cluster가 최단거리에서 더 멀어지는 궤적에 따라 분류되는 경향을 확인 할 수 있다. 보행 속성 값에 의하면 총 이동거리가 Cluster 1에서 Cluster 4로 갈수록 증가하는 것으로 나타났으며, 역사 내 머물러 있는 시간 또한 증가하는 것으로 나타났다. 또한, 오전 첨두시간대에 보행자 상충이 빈번히 발생하는 모서리 부근 보다(Cluster 1) 보행량이 분산되는 대합실 중앙 부근(Cluster 4)의 속도가 높게 나타나 오전 첨두시간대 보행 패턴에 대한 특성을 간접적으로 나타내는 결과를 도출하였다.

배회 동선(Cluster 5)으로는 21명의 보행자가 검출되었으며, 불규칙 보행 궤적을 가지는 보행자는 역사 내 머무르는 시간이 평균 103.4초로, 타 보행자에 비해 높은 것으로 나타났다. 또한, 역사 내 총 이동거리도 208.9m로 가장 높으며, 보행 속도가 1.48m/s로 나타나 오전 첨두 시간대의 타 보행자에 비해 느린 속도로 이동하는 것으로 나타났다. 보행 동선 분석 솔루션을 통해 측정된 보행 가속도의 표준편차 또한 0.1578m/s² 으로, 타 그룹에 비해 높은 수준으로 나타나, 오전 첨두시의 일반적인 보행 행태와는 다른 행태를 보이는 것을 확인하였다. 배회 동선으로 분류된 21명의 보행 궤적 중, 5명의 보행자를 제외한 16명의 보행자가 직진 후 다시 본인의 궤적을 찾아가는 행태를 보였으며, 보행 동선 분석 솔루션 자료와 동시에 수집한 영상 비디오 자료가 매칭 가능한 일부 보행자를 살펴본 결과, Fig. 7과 같이 휴대폰을 사용하거나, 주변 환경에 익숙하지 않은 듯한 행동을 보이는 보행자로 확인되었다.

Ⅴ.결 론

최근 국제적인 테러 위협이 불특정 다수를 대상으로 발생하고 있으며, 이러한 위협에서 시민을 보호하기 위한 다양한 대책이 논의 중이다. 현재 지능형 CCTV 등을 이용하여 지하철 역사의 통합운영 방안을 대안으 로 제시하고 있지만, CCTV와 같은 영상장비는 사후 원인 확인 혹은 직관적인 현장 확인을 위해 사용되며, 영상 정보를 데이터화하여 분석하는데 있어 고도의 알고리즘이 요구되거나 연산과정이 복잡하고 시간이 오 래 걸린다는 한계가 있다. 최근 센서에 대한 개발과 센서를 활용한 연구가 활발히 수행되고 있으며, 센서 기 술의 발달은 보다 저렴하고 손쉽게 다양한 데이터를 수집 하고 분석할 수 있는 환경을 제공해 주고 있다. 그 중 자율주행을 위한 주행환경 인지기술로 주로 사용되고 있는 LiDAR 센서는 객체인식 및 추적능력이 우수 하고 실시간으로 정보 구득 및 분석이 가능한 장점을 가지고 있어, 활용성을 높이 평가받고 있다.

본 연구는 이러한 LiDAR 센서를 기반으로 한 상용화된 보행동선 솔루션을 활용하여 2호선 삼성역 내부 공간에서의 보행 궤적 자료를 수집하고, 수집된 보행 동선 궤적을 해석·분석하여 배회 동선을 추출하기 위한 방법론을 제시하였다. 본 연구에서는 배회 동선을 검출하기 위해 자료 수집 및 정의, 자료의 전처리, 보행 궤 적 자료 분류의 3단계 방법을 제시하였다. 자료 수집 및 정의 단계에서는 보다 안정적인 보행 궤적 분석을 위한 공간 및 통행 유형을 정의하였다. 두 번째 단계에서는 자료의 전처리 과정으로, 개별 궤적 데이터는 개 인별 보행속도 차이(시간차)로 인해 궤적을 일대일로 비교할 경우, lagging point가 발생하기 때문에, 이를 비 교 대상인 패턴 데이터로 재구성하여 분석을 위한 보행 궤적 자료를 구성하였다. 수집된 보행 궤적에 대한 불완전하고 비연속적인 자료와 센서에 의한 노이즈를 제거하기 위해 이동평균법(Moving average)을 이용하여 이상치 및 결측치를 제거하고, 보행 궤적에 대한 정규화를 수행하였다. 마지막으로 배회 동선 검출을 위해 각 개별 보행자의 궤적에 대해 타 보행 궤적 과의 유사도를 검출하기 위해 유클리디안 거리를 도출하였으며, 유클리디안 거리의 평균 및 표준편차를 K-means clustering 알고리즘의 입력변수로 활용하여 보행 궤적을 분 류하였다.

삼성역 오전 첨두 시간대에 개찰구를 통과하여 코엑스 방면의 출입구로 이동하는 2,094명의 보행 궤적을 분석한 결과, K-means clustering 알고리즘의 군집 수를 5개로 설정하는 것이 배회 동선을 가장 명확하게 분 류하는 것으로 나타났다. 또한, 유클리디안 거리의 평균과 표준편차가 높게 나타날수록 배회 동선의 가능성 이 높아지는 것으로 나타났으며, 보행 궤적 그룹 간의 출발위치, 도착위치, 회전반경 등에 따라 그룹이 구분 되는 것을 확인하였다. 배회 동선 검출로 인해 총 2,094명의 보행자 중 21명의 보행자가 역사 내 불규칙한 통행 패턴을 보이는 것으로 나타났으며, 보행 궤적 내에 포함되어 있는 보행 속성을 분류된 군집 별로 분석 한 결과, 불규칙한 통행의 경우 역사 내 머무르는 시간, 총 통행거리가 높은 것으로 나타나 규칙적인 보행 패턴과 다른 속성을 보이는 것으로 나타났다.

본 연구에서 나타난 한계점을 보완하고, 보다 발전된 결과를 도출하기 위해서는 다음과 같은 추가적인 연 구가 필요하다. 첫째, 알고리즘 개발에 있어 보행 궤적 분류를 위한 입력변수 적용에 있어 보다 다양한 정보 를 이용할 필요가 있으며, K-means clustering 기법 외에 다양한 군집분석 기술을 통한 비교 분석이 필요하다. 둘째, 본 연구에서는 보행 궤적 자료의 패턴만을 이용하여 배회 동선을 검출하고자 하였으나, 보행 궤적 자 료 내에 내포되어 있는 보행자 속성 정보 등을 활용하여 보다 정확한 분류 알고리즘으로의 추가 개발이 필 요하다. 셋째, 본 연구에서는 일부 샘플 데이터를 활용하여 분석하였으나, 센서 기반 DB를 구축하고 지속적 으로 학습시킨다면, 보다 다양한 배회 동선 유형 및 원인 분석이 가능할 것으로 보인다. 또한, 보다 빠른 연 산을 위한 알고리즘 고도화를 통해, 실시간 검지 시스템에 적합한 방식으로 구현하는 등 추가적인 연구가 필 요할 것으로 판단된다. 마지막으로, 분류된 결과에 대한 검증 및 배회 동선 생성의 원인을 규명하기 위해서 는 보행 동선 분석 솔루션과 연계 조사된 영상자료와의 비교를 통해 보행자의 속성, 특징, 행동 등의 세부적 인 사항을 고려한 추가 분석을 수행해야 할 것이다.

본 연구는 배회 동선의 유형과 이를 바탕으로 편리한 보행 동선 계획 및 이상 행태를 포함하는 테러리스 등을 사전에 감지할 수 있는 핵심 알고리즘 개발 가능성을 제공하는데 그 목적이 있다. 또한, CCTV 등의 영 상장치에 비해 저렴하고 손쉽게 활용이 가능한 센서 기술을 이용하여 배회 동선 및 이로 인한 통행 패턴 등 을 사전에 검지하고 대응할 수 있는 검지 시스템을 운용하는데 있어 활용도가 높으며, 그 가능성을 확인하였 다는 점에서 큰 의의를 가진다. 본 연구에서 개발한 배회 동선 검출 방법론은 테러리스트 등의 이상 보행 패 턴을 검지하여 지하철 역사의 안전성 증진을 위한 기반 기술로 적용 될 수 있을 것이며, 비효율적인 보행 동 선 분석, 보행류 흐름 개선 등의 역사 운영 관리에 효율적으로 활용 할 수 있을 것으로 기대된다.