시공간적 패턴에 기반한 서울시 공공자전거 수요예측

Abstract

본 연구의 목적은 서울시 공공자전거 '따릉이' 를 대상으로 시간대별 월평균 수 요를 예측하는 모형을 적합하고 중요 변수들을 파악하는데 있다. 효율적인 분석을 위해 비슷한 패턴을 보이는 대여소끼리 군집화를 실시하고 각 군집별로 최적의 모형을 적합하려 한다. GMM 군집분석을 통해 대여소가 위치한 지역의 속성이 비 슷한 대여소끼리 군집화를 실시하였고, 시계열 군집분석을 통해 시간의 흐름에 따 라 시계열적 유사성이 비슷한 대여소끼리 군집화를 실시하였다. 사용한 모형은 선 형회귀모형, Ridge 회귀모형, Lasso 회귀모형, 랜덤포레스트, 서포트 벡터 머신, 익 스트림 그래디언트 부스팅 모형이다. RMSE, MAE 값을 기준으로 최적의 예측 모형 을 찾은 후 군집 별로 중요한 영향을 미치는 요인들을 파악하였다. 최종적으로 군집 화한 모형과 군집화하지 않은 모형에 데이터 마이닝 기법을 적용한 결과 시계열 패 턴을 기반으로 군집화를 한 모형이 가장 예측력이 좋았으며 GMM 군집화 모형, 전 체적인 하나의 모형 순으로 예측력이 좋았다. 군집별 최적 예측 모형을 통해 시간대 별 대여건수를 정확하게 예측할 수 있다면 효율적인 공공자전거 운용 방안을 수립할 수 있을 것이다.;The purpose of the study is to predict the demand of the public bicycle and develop models to find out meaningful variables which affect the demand of the bicycle. For efficient analysis, we try to cluster the station with similar patterns and fit the optimal models for each cluster. Through the GMM cluster analysis, clusters were clustered with similar properties in the areas where stations were located. The analysis of time-series clusters showed that cluters were clustered with similar temporal similarities over time. The methodologies used are linear regression model, Ridge, LASSO, random forest model, support vector machine, xgboost. After finding optimal prediction models for each cluster, we identified the factors that have important influence. The data mining method was applied to the clustering model and the non-clustering model. As a result, clustering model based on time series pattern is most predictive, and GMM clustering model and overall model are predictive. If we can accurately predict the demand of the bicycle through the optimal prediction model for each cluster, we can establish efficient public bicycle management plan.