개선된 DBSCAN 알고리즘을 이용한 대중교통 정류장 군집화 기법 = Clustering Public Transit Stops using an Improved DBSCAN Algorithm

다국어 초록 (Multilingual Abstract)

This study proposes a method to cluster public transit stops using an improved DBSCAN algorithm to build microscopic traffic zones. The classic DBSCAN algorithm considers only the distance between two stops when determining the neighbor relationship. The proposed DBSCAN algorithm determines the neighbor relationship taking into account not only the distance but also the text similarity between two stops. The clustering processes using the proposed DBSCAN algorithm consist of two steps. The first step is a process of creating clusters of three or more stops. And the second step classifies the remaining stops that are not included in the first clustering step. This study applied the proposed clustering method to the transit stops in Seoul City and analyzed the results. And compared it with the clustering results obtained using only the classic DBSCAN algorithm.

국문 초록 (Abstract)

대중교통 접근성 분석을 위한 O-D 매트릭스 구축 시, 행정구역 단위의 거시적 교통존이 활용되고 있다. 본 연구는 보다 미시적인 교통존을 형성하기 위한 방법으로, 개선된 DBSCAN 알고리즘을 이용한 대중교통 정류장 군집화 기법을 제안한다. 기존 DBSCAN 알고리즘은 서로 다른 두 정류장 간의 이웃관계를 판단할 때, 두 정류장 간의 거리만을 고려한다. 본 연구에서 개발한 개선된 DBSCAN 알고리즘은 거리뿐만 아니라 두 정류장 간의 명칭 유사도를 고려하여 이웃관계를 판단한다. 개선된 DBSCAN 알고리즘을 이용한 대중교통 정류장 군집화 기법은 2단계로 구성된다. 첫 번째 단계에서는 3개 이상의 정류장을 포함하는 군집을 생성하고 두 번째 단계에서는 군집에 포함되지 않은 나머지 정류장들을 분류한다. 본 연구에서는 서울시 대중교통 정류장에 제안하는 군집화 기법을 적용하여 결과를 분석하였고, 기존 DBSCAN 알고리즘만을 이용한 군집 결과와 비교·분석하였다.

참고문헌 (Reference)

• 1 최승우, "정류장 단위의 미시적 대중교통 접근성 분석 - KTX 서울역 사례연구 -" 한국지형공간정보학회 24 (24): 9-16, 2016
• 2 박종수, "교통카드 빅데이터 기반의 서울 버스 교통망 시간거리 접근성 산출" 한국경제지리학회 18 (18): 539-555, 2015
• 3 Oh, G. H., "Techniques and Applications of Classification and Clustering of Big Time-Series Data" Kyunghee University 2017
• 4 Lee, S., "Stop Aggregation Model: Development and Application" (2276) : 38-47, 2012
• 5 Tran, T. N., "Revised DBSCAN algorithm to cluster data with dense adjacent clusters" 120 : 92-96, 2013
• 6 Luo, D., "Constructing Transit Origin-Destination Matrices with Spatial Clustering" (2652) : 39-49, 2017
• 7 Hartigan, J. A., "Algorithm AS 136: A k-means clustering algorithm" 28 (28): 100-108, 1979
• 8 Kim, D. H., "A study on Customer-Oriented Measure Methodology of Public Transport Accessibility Under Time and Space Constraints" 545-550, 2015
• 9 Yujian, L., "A normalized Levenshtein distance metric" 29 (29): 1091-1095, 2007
• 10 Kieu, L. M., "A modified Density-Based Scanning Algorithm with Noise for spatial travel pattern analysis from Smart Card AFC data" 58 : 193-207, 2015
• 11 Ester, M., "A density-based algorithm for discovering clusters in large spatial databases with noise" 96 (96): 226-231, 1996