딥러닝 모델을 활용한 공공자전거 대여량 예측
Prediction of Rental Demand for Public Bicycles using a Deep Learning Model
초록/요약
공공자전거 사업은 최근 서울시에서 가장 강력하게 추진 중인 정책이다. 그러나 효과적인 대여량 예측 방법이 확립되지 못하여 대여량에 따른 공급이 원활치 않은 문제점, 적자가 크게 발생하는 문제점 등이 발생하고 있다. 이에 본 연구에서는 공공자전거 대여량 예측 시 딥러닝 모델을 활용하여 정확도를 높이고자 하였다. 자료는 서울 열린 데이터 광장과 기상 자료 개방 포털에서 수집한 대여량 자료와 기상 자료, 지하철 이용량 자료로 구성하였다. 구성한 데이터 셋을 활용하여 지수평활 모델과 ARIMA 모델, 딥러닝 모델을 구축하였다. 딥러닝 모델을 시계열 분석 기법을 활용한 모델과 비교 평가하기 위함이었다. 지수평활 모델은 지수평활계수가 0.30일 때, ARIMA 모델은 (p,d,q)가 (1,1,1)일 때, 딥러닝 모델은 time_step이 4일 때, 평가 지표인 평균제곱오차와 평균절대오차가 가장 작았다. 따라서 각각의 해당 모델을 최적 모델로 선정하였다. 선정된 3가지 모델들을 활용하여 한 달 동안의 대여량을 예측하였다. 그 결과, 지수평활 모델의 평균제곱오차는 348.74, 평균절대오차는 14.15였으며 ARIMA 모델의 평균제곱오차는 170.10, 평균절대오차는 9.30이었고 딥러닝 모델의 평균제곱오차는 120.22, 평균절대오차는 6.76이었다. 딥러닝 모델의 오차가 지수평활 모델보다 최대 66%, ARIMA 모델보다 최대 30% 작은 결과다. 본 연구는 공공자전거 대여량 예측에 딥러닝을 활용하였고, 다양한 변수를 적용하였다는 의의를 갖는다. 또한 딥러닝의 활용이 공공자전거 대여량 예측의 정확도를 높일 수 있다는 사실을 확인하기도 하였다. 향후 공공자전거 대여량 예측 연구에 크게 기여할 것으로 기대된다.
more목차
목차
제 1 장 서론 1
제 1 절 연구의 배경 및 목적 1
제 2 절 연구의 방법 및 절차 3
제 2 장 이론적 배경 5
제 1 절 관련 이론 고찰 5
제 2 절 선행 연구 고찰 12
제 3 절 시사점 17
제 3 장 자료 수집 및 분석 19
제 1 절 개요 19
제 2 절 대여량 자료 수집 21
제 3 절 기타 자료 수집 28
제 4 절 자료 가공 30
제 5 절 기초 분석 32
제 4 장 모델 구축 및 평가 38
제 1 절 구축 개요 및 절차 38
제 2 절 모델 평가 방법 40
제 3 절 모델 구축 42
제 4 절 평가 결과 47
제 5 장 결론 및 향후 연구과제 49
제 1 절 결론 49
제 2 절 향후 연구과제 51
