공유자전거 이용수요와 강수량과의 관계

국문 초록 (Abstract)

공유자전거 (SBS)는 전세계 많은 도시에서 편리한 이동수단을 제공하며 지속가능한 교통수 단으로 주목받고 있다. 그러나 운영자가 정확한 수요예측 없이 일률적이고 단순한 방법으로 자전거를 공급하고 있기 때문에 여러 대여소에서 보유대수의 불균형 문제에 직면하고 있다. 이를 해결하기 위해서는 각 대여소의 실시간 자전거 대여 및 반납수요가 정확히 추정되어야 한다. 그러나 강수량이 공유자전거 이용에 미치는 영향은 시시각각 변할 뿐만 아니라 주로 이용 자의 판단에 의존하기 때문에, 우천시의 공유자전거 수요 예측은 어려운 문제이다. 따라서 공유 자전거 수요예측 모델에 강수량 정보와 개별 이용자의 판단이 모두 포함될 필요가 있다. 본 연구의 목적은 공유자전거 대여소 수요 예측에 이용자의 인지적 특성을 고려한 강수량의 영향 을 반영하는 최적의 방법을 찾는 것이다. Random Forest와 Long Short-Term Memory (LSTM) Ensemble을 적용하여 강수량 반영 대안별, 시간별 공유 자전거 대여 및 반납 예측 모델이 구축되 었다. 각 대안의 예측 정확도를 종합적으로 비교하여 예측 성능이 가장 좋은 대안이 도출되었다. 연구 결과, 모델에 2시간 예측강수량을 반영할 경우, 예측 정확도가 향상되는 것으로 나타났다. 이는 공유자전거 이용자가 향후 2시간 동안의 강수량을 토대로 임대 여부를 결정한다는 것을 의미한다. 이러한 결과는 공유자전거 운영자가 우천시 대여소별로 적정한 자전거 배치대수를 결정하는 것에 도움이 될 것으로 기대된다.

다국어 초록 (Multilingual Abstract)

Shared Bicycle Systems (SBS) are attracting attention as a sustainable transportation method that provides convenient mobility in many cities worldwide. However, operators face imbalances in bicycle inventory across various rental stations because they supply bicycles using uniform and simple methods without accurate demand forecasting. To address this issue, real-time bicycle rental and return demand at each station must be accurately estimated. However, predicting shared bicycle demand during rainy weather is challenging because the impact of precipitation on shared bicycle usage not only changes constantly but also primarily depends on users' decisions. Therefore, shared bicycle demand prediction models need to incorporate both precipitation information and individual users' decisions. This study proposes an optimal method to reflect the impact of precipitation, taking into account users' cognitive characteristics, in predicting the shared bicycle demand at stations. Random Forest and Long Short-Term Memory (LSTM) Ensemble methods were applied to build hourly shared bicycle rental and return prediction models for each precipitation reflection alternative. By comprehensively comparing the prediction accuracy of each alternative, the alternative with the best prediction performance was derived. The research results showed that prediction accuracy improved when next two-hour precipitation was reflected in the model. This indicates that shared bicycle users decide whether to rent based on the precipitation for the next two hours. These results are expected to help shared bicycle operators determine the appropriate number of bicycles to deploy at each station during rainy weather.

목차 (Table of Contents)

• 요약
• ABSTRACT
• Ⅰ. Introduction
• Ⅱ. Literature Review
• 1. Summary
• 2. Critique of the State-of-the-Art
• Ⅲ. Analysis Framework
• 1. Shared Bicycle Imbalance Problem and the Study Area
• 2. Data Description
• Ⅳ. Methodology
• 1. Workflow
• 2. Random Forest
• 3. Long Short-Term Memory
• 4. Experimental Setup
• V. Results and Discussions
• Ⅵ. Conclusion
• ACKNOWLEDGEMENTS
• REFERENCES