LSTM을 활용한 불법주정차 시공간 예측 모델링: 서울시 민원신고 데이터를 중심으로
Spatio-temporal Prediction Model of Illegal Parking using LSTM: a Case Study of Civil Complaints in Seoul
- 주제(키워드) Long Short-Term Memory(LSTM) , 불법주정차 , 민원신고 , 예측 , 딥러닝 , Long Short-Term Memory(LSTM) , Illegal Parking Cases , Civil Complaints , Prediction , Deep Learning
- 주제(기타) 지리정보시스템
- 설명문(URI) https://www.kci.go.kr/kciportal/ci/sereArticleSearch/ciSereArtiView.kci?sereArticleSearchBean.artiId=ART002467179
- 등재 KCI등재
- 발행기관 한국공간정보학회
- 발행년도 2019
- 총서유형 Journal
- URI http://www.dcollection.net/handler/ewha/000000162682
- 본문언어 한국어
- Published As http://dx.doi.org/10.7319/kogsis.2019.27.3.039
초록/요약
본 연구의 목적은 서울시 내에서 발생한 불법주정차 민원신고 데이터를 활용하여 불법주정차 발생의 시공간 예측모델을 구축하는 것이다. 예측모델은 최근 시계열 예측 분야에서 높은 성능을 보이고 있는 long short-term memory (LSTM)을 활용하여 생성하였다. LSTM을 활용한 시계열 예측 시에는 시간단위 설정이 중요하기 때문에 기존 연구에서의 예측모델은 시간단위를 어떻게 설정할 것인가에 집중하고 있다. 본 연구에서는 시간단위 뿐 아니라 공간단위 설정에 따른 문제점을 분석하고, 실험을 통해 최적의 예측 공간단위를 찾고자 하였다. 이를 위해 예측의 시간단위는 월별 24시간을 기준으로 하고, 공간단위는 자치구, 토지이용유형, 도로 및 도로 외, 그리고 토지이용유형별 도로와 도로가 아닌 지역으로 구분한 공간 단위별로 분석을 수행하였다. 그 결과 토지이용유형, 도로 및 도로 외로 공간단위를 구분하였을 때 예측모델들이 전반적으로 좋은 성능을 보였으며, 자치구로 구분하였을 때 좋지 않은 성능을 보이는 것을 확인하였다.
more