딥러닝을 이용한 트립체인 데이터 기반 화물차운전자 식별모델 개발
Development of a Freight Driver Identification Model Based on Trip Chain Data Using Deep Learning
- 주제(키워드) MPSD(mobile phone signaling data) , 트립체인 데이터 , XAI , SHAP , DNN , 화물차 O-D , 심층신경망 , 화물차 통행 식별
- 주제(DDC) 629.04
- 발행기관 아주대학교 일반대학원
- 지도교수 李相洙
- 발행년도 2025
- 학위수여년월 2025. 2
- 학위명 박사
- 학과 및 전공 일반대학원 교통공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000034506
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
본 연구는 휴대폰 시그널링 데이터(mobile phone signaling data, MPSD) 기 반 트립체인 데이터에서 화물차와 비화물차의 통행을 식별할 수 있는 심층신경 망(deep neural network, DNN) 모델을 개발하고, 설명가능한 AI (eXplainable AI) 기법 중 SHAP(SHapley Additive exPlanation)으로 모델의 중요 변수와 모델 예측에 미치는 영향을 설명하는 것이다. 국내외 선행 연구고찰을 통해 최근 다양한 AI기술과 대용량 MPSD 데이터를 이용해 지역간 이동수단 및 이동목적별 이동량 추정에 관한 연구가 많이 이루 어지고 있으나, 화물 이동 행태에 관해서는 그렇지 않음을 확인하였다. DNN 모델 개발을 위해 가명처리된 개인별 MSPD기반 트립체인 데이터를 화 물운송앱 사용여부 데이터와 토지용도 GIS 데이터를 사용하여, 탐색적 데이터 분석을 통해 화물차와 비화물차간 통행 특성에서 차이가 있음을 확인하였다. DNN 모델용 입력 데이터 개발을 위해 데이터 통합, 가명정보 처리, 이상치 제거, 그리고 수치형 데이터와 범주형 데이터에 대한 데이터 정규화 및 스케일 링 작업 후 화물차 데이터 불규형 문제를 해결하고자 3개의 DNN 모델을 설계 하였다. 텐서플로우 케라스튜너를 이용해 모델별 하이퍼파라미터 최적화와 성 능분석을 통해 혼동행렬 평가지표인 재현율 76%, 정밀도 73%, 정확도 74%를 기록하였다. SHAP 분석을 통해 이동 데이터의 이동상세 수가 적고, 이동시간 이 길수록 화물차 예측빈도가 높고, 체류 데이터의 체류시간이 짧고 체류목적 이 업무가 아닌 경우 화물차 예측 빈도가 높은 것으로 나타나남을 확인함으로 써, 트립체인 데이터에서 비화물차와 화물차 통행을 식별할 수 있는 새로운 방 법론을 제시하였다. 이로써 본 연구에서 도출된 결과는 향후 설문조사 기반 화물 및 화물차 상세 통행 분석 자료 조사 방식이 가진 시공간적 한계와 지속 가능성 문제를 해결할 수 있는 실현 가능한 방안으로 사용되어 정부 및 지자체의 데이터 기반 의사결 정과 계획 수립 등에 활용될 것으로 기대한다. 주요 단어(key word): MPSD(mobile phone signaling data), 트립체인 데이터, XAI, SHAP, DNN, 화물차 O-D, 심층신경망, 화물차 통행 식별
more목차
제1장 서론 1
제1절 연구의 배경 및 목적 1
1. 연구의 배경 및 필요성 1
2. 연구의 목적 2
제2절 연구의 범위 및 수행 절차 3
1. 연구의 범위 3
2. 연구의 방법 및 수행 절차 5
제2장 이론적 배경 7
제1절 관련 기술 7
1. 이동통신데이터 기반 휴대폰 위치 측위 기술과 활용 7
2. 트립체인 데이터 생성과 활용 12
3. 딥러닝 기술의 이해와 활용 13
제2절 국내외 선행연구 고찰 30
1. 이동수단 식별에 관한 연구 30
2. 여객 O-D 추정에 관한 연구 36
3. 화물차 O-D 추정에 관한 연구 39
4. 교통 분야 활용에 관한 연구 42
제3절 기존 연구의 시사점과 차별성 도출 45
제3장 데이터 수집과 분석 46
제1절 데이터 수집 항목 46
1. MPSD 기반 트립체인 데이터 46
2. 화물운송앱 사용여부 데이터 56
3. 토지이용 GIS 데이터 59
제2절 데이터 전처리 63
1. 데이터 통합 과정 63
2. 원시 데이터 가명정보 처리 66
3. 가명처리 결과의 이상치 처리 71
제3절 탐색적 데이터 분석 76
1. 화물차 및 비화물차 운전자 비교 76
2. 기초 통계 분석 77
제4절 데이터의 장점과 한계 81
제4장 모델 개발 및 분석 82
제1절 입력 데이터 구성 83
1. 입력 데이터 구성 83
2. 데이터 정규화 및 스케일링 84
3. 학습 데이터세트와 테스트 데이터세트 분리 87
제2절 딥러닝 모델 설계 88
1. 모델 구조 설계 88
2. DNN 모델 설계와 하이퍼파라미터 설정 89
제3절 모델 학습과 분석 90
1. 하이퍼파리미터 최적화와 성능 분석 90
2. 분석의 소결: 한계점 및 개선 방안 91
제4절 XAI를 활용한 모델 해석 93
1. XAI 기법 중 SHAP 분석 93
2. SHAP 분석 결과 시각화 해석 96
제5장 결론 98
제1절 연구의 결론 98
제2절 연구의 한계 및 향후 연구 과제 100
참고문헌 101
