심층신경망을 이용한 지역간 수단선택모형 구축 = Establishment of Travel Mode Choice Model in Intercity Travel Using Deep Neural Networks

국문 초록 (Abstract)

교통 수요분석에 있어 통행자의 수단선택 행위를 모형화하는 것은 필수적이다(정진욱, 2006). 이에 대부분의 수단선택 모형은 변수 간 인과관계 설명이 용이한 로짓 모형을 활용하고 있다. 최근 들어 로짓 모형이 갖는 한계를 극복하고자 로짓 이외의 방법론을 이용한 수단선택 연구가 이루어지고 있으며 특히, 딥러닝 기법을 적용하였을 때 우수한 성능을 보이는 것을 확인하였다. 하지만 국내의 경우 딥러닝을 이용한 수단선택 모형 연구가 부족한 실정이기에 본 연구에서는 딥러닝을 활용한 수단선택 모형을 구축하고, 이를 로짓 모형과 비교하여 수단선택 단계 시 적용 가능한 새로운 모형을 제안하고자 한다.
본 연구는 딥러닝 기법의 한 종류인 심층신경망(Deep Neural Networks)을 이용하여 통행자의 수단선택 행위를 분석하였다. 이를 위해 국가 교통 DB의 2019년 전국 여객 주수단별 O/D 자료를 활용하였다. 모형의 설명 변수로 수단별 통행 시간, 통행 비용, 기종점 지역 특성을 이용하였고, 종속 변수로는 교통수단별 분담률을 이용하여 확률 예측 모형을 구축하였다.
지역 간 통행 시 선택 불가능한 수단의 존재 여부에 따른 모형의 성능을 비교하고자 분석 자료를 전처리하여 전체 기종점 자료와 4개 수단이 존재하는 기종점 자료로 나누어 분석하였다. 전체 기종점 자료의 경우, 전체 데이터 중 60%(20,989개)는 모형 학습을 위한 데이터로 사용하였고, 10%는 검증 데이터, 30%는 테스트 데이터로 사용하였다. 4개 수단이 존재하는 기종점 자료의 경우, 전체 데이터 중 70%(6,122개)는 모형 학습을 위한 데이터로 사용하였고, 30%는 테스트 데이터로 사용하였다. 또한, MSE(Mean Squared Error), RMSE(Root Mean Square Error), MAE(Mean Absolute Error)를 사용하여 모형의 적합성을 검증하였다.
전체 기종점 자료의 경우, 전체 데이터에 대해 심층신경망의 MSE는 0.097, RMSE는 0.312, MAE는 0.348로 추정되었으며 로짓 모형의 MSE는 0.129, RMSE는 0.36, MAE는 0.47로 추정되었다. 이를 통해 심층신경망을 이용하여 수단선택 모형을 구축할 시 MSE는 24.95%, RMSE는 13.37%, MAE는 25.97% 감소하는 것으로 분석되었다.
4개 수단이 존재하는 기종점 자료의 경우, 전체 데이터에 대해 심층신경망의 MSE는 0.066, RMSE는 0.257, MAE는 0.309로 추정되었으며 로짓 모형의 MSE는 0.114, RMSE는 0.337, MAE는 0.468로 추정되었다. 이를 통해 심층신경망을 이용하여 수단선택 모형을 구축할 시 MSE는 42%, RMSE는 23.85%, MAE는 34% 감소하는 것으로 분석되었다.
본 연구는 통행자의 수단선택 행위를 확률로 예측함에 있어 로짓 모형과 딥러닝 기반의 심층신경망을 구축하였으며, 지역 간 통행 시 선택 불가능한 수단의 존재 여부에 따른 모형의 성능을 비교하고자 전체 기종점 자료와 4개 수단이 존재하는 기종점 자료로 나누어 분석하였다. 모형 간 비교를 통해 수단선택 모형 구축 시 심층신경망을 이용하였을 때 기존 로짓 모형에 비해 확률 예측 성능이 개선되었음을 확인하였다. 이는 수단선택 단계의 주목적인 교차통행량을 각 수단별로 세분화함에 있어 기존 모형을 보완할 새로운 대안이 될 수 있을 것으로 판단된다.

다국어 초록 (Multilingual Abstract)

In analyzing transportation demand, it is essential for modelling travel mode choice of the passengers(Jinwook Jung, 2006). Thus, most researches related with travel mode choice use the logit model, which is easy to explain the causal relationship between the variables. Recently, in order to overcome the limits of the logit model, research on travel mode choice using models other than logit is being conducted. In particular, it confirmed that excellent performance showed when deep learning methods applied. But, in Korea, there are only few researches on the travel mode choice model using deep learning.
This study established the inter-city travel mode choice model using Deep Neural Networks, a type of deep learning methods. and compared it with the logit model. For this purpose, the O/D data for each mode of national area passenger in 2019 of the Korea Transport Data Base used. As explanatory variables of the model, travel time, travel cost, and regional characteristics are used, and the probabilistic prediction model was established using the modal share as a dependent variable.
To compare the performance of the model according to the existence of non-selectable modes when traveling between regions, the analysis data preprocessed by dividing it into total O/D data and O/D data with all four modes. In the case of total O/D data, 60% (20,989) of the data used as data for model learning, 10% as verification data, and 30% as test data. In the case of O/D data with all four modes, 70% (6,122) of the data used as data for model learning, and 30% used as test data. Also, the suitability of the model verified using Mean Square Error (MSE), Root Mean Square Error (RMSE), and Mean Absolute Error (MAE).
In the case of the total O/D data, the MSE of the deep neural network estimated to be 0.097, the RMSE was 0.312, and the MAE was 0.348. On the other hand, the MSE of the logit model estimated to be 0.129, the RMSE was 0.36 and the MAE was 0.47. Through these results, when using the deep neural network, it analyzed that the MSE decreased by 24.95%, the RMSE decreased by 13.37%, and the MAE decreased by 25.97%.
In the case of the O/D data with all four modes, the MSE of the deep neural network estimated to be 0.066, the RMSE was 0.257, and the MAE was 0.309. On the other hand, the MSE of the logit model estimated to be 0.114, the RMSE was 0.337, and the MAE was 0.468. Through these results, it analyzed that when established a travel mode choice model using a deep neural network, the MSE decreased by 42%, the RMSE decreased by 23.85% and the MAE decreased by 34%.
In this study, a logit model and Deep Neural Network model established to predict the travel mode choice behavior by probability. Through the comparison between models, it confirmed that the probability prediction performance improved compared to the logit model when using the deep neural network. It judged that this could be a new alternative to predict the modal share of transportation more precisely.

목차 (Table of Contents)

• 요 약 ⅰ
• 목 차 ⅲ
• 표 목 차 ⅴ
• 그림목차 ⅶ
• Ⅰ. 서론 1
• 1.1 연구의 배경 및 목적 1
• 1.2 연구의 범위 및 내용 3
• Ⅱ. 수단선택 관련 선행연구 5
• 2.1 로짓 모형을 이용한 수단선택모형 5
• 2.2 로짓 이외의 수단선택모형 10
• 2.3 시사점 14
• Ⅲ. 지역 간 수단선택 자료 구축 17
• 3.1 자료의 특성 17
• 3.2 자료의 구축 19
• Ⅳ. 연구 방법론의 정립 26
• 4.1 변수 설정 26
• 4.2 심층신경망 방법론 28
• 4.3 로짓 모형 방법론 33
• 4.4 모형 평가 지표 35
• Ⅴ. 모형의 추정 및 검증 37
• 5.1 심층신경망 37
• 5.1.1 전체 기종점 자료 38
• 5.1.2 4개 수단이 존재하는 기종점 자료 39
• 5.2 로짓 모형 40
• 5.2.1 전체 기종점 자료 40
• 5.2.2 4개 수단이 존재하는 기종점 자료 41
• 5.3 적합성 검증 44
• 5.3.1 전체 기종점 자료 44
• 5.3.2 4개 수단이 존재하는 기종점 자료 46
• Ⅵ. 결론 및 향후 과제 48
• 참고문헌 51
• Abstract 54