LSTM을 활용한 불법주정차 예측 모델링

Abstract

서울시에서 발생하는 불법주정차의 수는 점차 증가하고 있으며 이로 인해 발생하는 사회적 문제는 심각하다. 불법주정차 문제를 해결하기 위해 학계에서는 다양한 연구를 수행하며 지자체에서는 신고 여건을 개선하고 단속을 강화하는 등 적극적인 대응책을 마련하고 있다. 하지만 불법주정차 발생 시 즉각적인 대응을 하기 위한 단속 계획을 세우는 데 있어 필요한 선행연구는 부족한 실정이다. 따라서 본 연구의 목적은 서울시 내에서 발생한 불법주정차 민원신고 데이터를 활용하여 시공간 특성을 분석함으로써 불법주정차의 발생현황을 파악한 뒤 이를 바탕으로 발생건수 예측모델을 구축하는 것이다. 이를 위해 먼저 서울시 내에서 발생한 불법주정차의 월, 요일, 시간대별 공간적 패턴을 분석하고 다양한 공간단위에서 불법주정차 발생건수를 확인하였다. 공간단위의 설정은 자치구, 토지이용유형, 도로 및 도로 외, 그리고 토지이용유형별 도로와 도로가 아닌 지역으로 구분하여 살펴보았다. 다음으로 최근 시계열 예측 분야에서 높은 성능을 보이며 활용되고 있는 인공신경망을 활용하여 발생건수 예측모델을 구축하였다. 학습 데이터의 학습기간과 학습시간 간격은 앞서 분석한 발생현황 결과를 토대로 설정하였다. 시계열 예측 시에는 예측 시간단위 설정이 중요하기 때문에 기존 연구에서의 예측모델은 시간단위를 어떻게 설정할 것인가에 대한 고려가 포함되어 있다. 하지만 본 연구에서는 시간단위 뿐 아니라 공간단위를 설정하는 것에 대한 문제를 분석하고 이에 따른 실험을 통해 최적의 예측 공간단위를 찾고자 하였다는 점에서 의의가 있다. 데이터를 자치구, 토지이용유형, 도로상에서의 발생여부 등 여러가지 공간단위에 따라 구분하고 각각의 예측모델을 생성한 결과 공간단위를 어떻게 설정하여 학습 데이터를 구분하는가에 따라 모델의 성능이 달라지는 것을 확인할 수 있었다. ;The number of illegal parking in Seoul city is increasing and the following social problems are serious. To solve this, various researches are being conducted and local governments are preparing active countermeasures such as improving reporting conditions and strengthening crackdowns. However, there is a lack of prior research about setting up a plan to crack down immediately on the issue of illegal parking. Therefore, this study aims to predict the number of illegal parking using data on complaints of illegal parking within Seoul. First, spatial patterns of illegal parking in Seoul were analyzed using time units such as month, week, and time. Also, the number of occurrences was verified after dividing the spaces by districts ‘gu’, land-use types, and roads and off the roads. Next, the prediction models were made using artificial neural network, which has shown high performance in the field of the series prediction recently. The training period and time interval of the training datasets are set based on the results of the previous analysis. Because setting the time unit is important for time series prediction, prediction models in the previous researches include consideration of how to set the time units. However, in this study, the prediction models were made with consideration of not only time units but also space units. The results show that each prediction model divided by different space units has the different performance.