4. 연구의 배경
고양시 피프틴은?[ ]
고양시의 기반시설확충계획 수립 지원
여가, 문화, 체육 등 일상생활 기여
고양시 주민의 통근 시간 인구이동 안정화
지역 주민의 모빌리티 향상에 기여
산업단지, 신규 주택 등 주민생활 안정
대규모 토지이용 계획 수립 기여
4
1
5. 연구의 중요성
1
2
고양시 자전거 이동의 수요 및 공급 조절
→ (인구이동) 통근 이동 과정의 기초적 수단
3
주택, 문화시설 등 지역생활시설로의 접근
→ (여가 문화) 지역 주민의 복지와 활동에 밀접
원활한 이동을 위한 버스·지하철 등과의 연결성
→ (도심 연결) 인적자원의 지역간 연계
“최적 위치의 자전거
스테이션의 입지 분석”
5
2
6. 연구의 방향
시나리오 및 제언공간적 재배치
정량적 접근을 통한 공간 배치의 최적화
기존 시설과 인프라를 고려한 제약 여건 설정
수요 및 공급 파악
자전거 스테이션의 현 위치와 이용 정보
인구, 시설, 도시 인프라에 대한 정보
다중회귀분석을 통한 가중치 도출
최적 입지 선정 및 평가
Two-Step Floating
Catchment Area(2SFCA)
제약 여건에 따른 민감도 테스트
접근성을 기반으로 한 배치 모델의
최적 대안 제시
시나리오 기반의 모델 적용
1
2 4
3
6
3
7. 연구 업무 분담 및 진행 과정
황태건 박진우
· 업무: GIS 분석, 통계 분석, 문서화
· 소요시간: 약 60시간 (3시간 x 20일)
· 업무: 데이터 핸들링, 주피터 노트북 제작
· 소요시간: 약 100시간 (5시간 x 20일)
일정표
1주차 2주차 3주차 4주차 5주차 6주차
분석방향설정
회귀분석
최적화분석
접근성분석
문서화 작업
7
4
11. 사용 데이터 목록
회귀분석 최적화 공간적 접근성
01.운영이력 V
02.자전거스테이션 V V
06.인구(거주)분포도(100M_X_100M) V V
09.행정경계(읍면동) V
15.도로명주소_건물 V
16.도로명주소_도로 V
19.전철역_공간정보 V
20.고양시_버스정류소 V
21.버스_정류장별_승하차_정보 V
29.지하철 역별 이용객수 V
34.행정경계(행정동기준) V
35.고양시_도시화지역경계 V
* 각 데이터를 사용한 이유 및 추출한 세부사항은 Part 3 참조 11
2
12. 분석 방법
인구, 대중교통 사용량, 시설 면적 등
회귀분석
이동 평균
• 윈도우를 설정하여 그 안의 값들의 평균을 부여
• 데이터를 일일이 나열 할 때 발생할 수 있는
변동 최소화
계수 -> 가중치
• 회귀 모델 계수를 가중치로 하여 최적화
배치 모델에 반영
모델 추정 값
• 최적화 분석에
적용되는 예상 수요 값
독립 변수자전거 사용량종속 변수
Ordinary Least Square (OLS)
12
3
13. 분석 방법
최적화 Maximal Covering Location Problem (MCLP) (Church and ReVelle, 1974)
Source: Church, R., & ReVelle, C. (1974). The maximal covering location problem. In Papers of
the Regional Science Association (Vol. 32, No. 1, pp. 101-118). Springer-Verlag.
주어진 목적구문(Objective)과 제약사항(Constraints)을 이용하여 선형 방정식을 제작 후,
목적구문을 가장 만족하는 해를 찾는 방법
설정 변수 결과물
13
3
14. 분석 방법
Two-Step Floating Catchment Area(2SFCA) (Luo and Wang, 2003)
Luo, W., & Wang, F. (2003). Measures of Spatial Accessibility to Health Care in a GIS Environment: Synthesis
and a Case Study in the Chicago Region. Environment and Planning B: Planning and Design, 30(6), 865–884
공급의 위치에서 접근가능한 수요 위치의 인구를 합하여
각 공급 위치의 공급-수요 비율 계산
수요의 위치에서 접근가능한 공급 위치의 공급-수요
비율을 합하여 접근성의 총합 계산
공간적 접근성
Step 1
Step 2
𝑅𝑗 =
𝑆𝑗
σ 𝑘∈ 𝑑 𝑘𝑗≤𝑑0
𝑃𝑘
𝐴𝑖
𝐹
=
𝑗∈ 𝑑 𝑖𝑗≤𝑑0
𝑅𝑗 =
𝑗∈ 𝑑 𝑘𝑗≤𝑑0
𝑆𝑗
σ 𝑘∈ 𝑑 𝑘𝑗≤𝑑0
𝑃𝑘
14
3
15.
16. 연구의 가정
채정병, 공승환, 김동재, 김라진, 김태영, 이승후, (2008) 연령에 따른 보행의 시간적
공간적 요소에 관한 연구, 대한고유수융성신경근촉진법학회 6(2): pp:19-30
· 본 연구는 연구 목적의 단순화를 위하여, 각 격자 안의 속성은 동일하다고 가정 후
연구지역을 격자(100m x 100m)로 나뉘어 진행
· 피프틴 스테이션은 5분의 영향권을 가진다고 가정
→ 5분에 해당하는 거리는 『채정병 외 (2008)』의 연구 결과에 따라 400m로 가정
→ 성인 (대학생) 평균 보행속도 133.17cm/sec를 이용하여 5분간 이동하는 거리
→ 각 그리드 당 400m 거리 안에 해당하는 49개의 그리드를 영향권으로 설정
· 접근의 형평성을 위하여 하나의 그리드 안에 여러개의 스테이션 입지는 불가능하다고 가정
→ 본 연구의 최적화는 그리드를 공간적 단위로 사용하기 때문에, 그리드 안을 특성을 반영하지는 않음.
스테이션 배치의 최적화 및 공간적 접근성 측정을 위하여 연구에서는 다음의 가정을 사용
16
1
17. 전처리: OD Matrix 제작
· 연구 전반의 분석 속도를 향상시키기 위하여 그리드 간의 거리를 측정한 OD Matrix를 우선
제작 후, 주피터 노트북에서 활용
· 『06.인구(거주)분포도(100M_X_100M)』를 UTM-K (EPSG:5179)로 투영하여 각 그리드 사이의
거리를 미터로 계산
· 아래 그림의 id는 『06.인구(거주)분포도(100M_X_100M)』의 ‘gid’을 활용
17
2
18. 전처리: OD Matrix 제작
· OD Matrix를 기반으로 각 그리드에서 일정 거리 (400m, 200m, 150m, 100m; UTM-K 기준)
안에 있는 그리드 ID를 리스트로 작성하여 분석에 활용
· Within400 (회귀분석, 최적화, 공간적 접근성 단계에서 활용)
→ 피프틴 스테이션의 영향권을 400m로 설정
→ 리스트 안에 포함되어 있는 그리드는 특정 그리드에서 400m 안에 포함되어 있는 그리드의 id를 의미
· Within200, Within150, Within100 (최적화 단계에서 활용)
→ 최적화 단계에서, 각 피프틴 스테이션 간의 최소 거리를 제약하기 위한 리스트.
18
2
19. 회귀분석: 예상 수요 레이어 제작
독립 변수종속 변수
2019년 자전거 사용량
…
다중 선형 회귀 분석을 활용하여 피프틴의 사용량이 높은 지역을 설명하는 변수들을 도출한
후, 전체 그리드를 대상으로 예상 수요 레이어를 제작
· 종속변수: 피프틴 2019년 사용량
· 독립변수: 거주인구, 버스 사용량, 지하철 사용량, 건물 종류별 연면적
= 𝛽𝑖 ×
19
3
20. 회귀분석: 예상 수요 레이어 제작
각 변수 전처리 방법:
Spatial join
Moving mean
Normalization
1
2
3
각 변수마다 값의 범위가 다른 것을 해결하기 위하여, 각 분포의 최소,
최대값을 이용하여 0-1로 속성값의 분포를 재배치
두 레이어의 공간적인 상관관계(e.g., intersect, within)를 고려하여 두
레이어의 속성데이터를 결합
일정 크기 또는 모양의 윈도우(e.g., 각 레이어에서 400m 안에 포함되는
그리드들; 49개)를 움직이면서 각 그리드 값들을 윈도우 모양 안에 있는
그리드들 값의 평균으로 대체
이산(discrete)되어 있는 값을 연속적(continuous)으로 변화시켜 회귀식의
계산을 용이하게 하고 각 시설 혹은 스테이션 등의 공간적 영향력을 반영
20
3
21. 회귀분석: 예상 수요 레이어 제작
목적
각 피프틴 스테이션 별 2019년 사용량을 그리드화
사용이유
각 연도별로 스테이션 개수가 다름
분석과정에서의 통일성을 고려하고 최대한 많은
스테이션 정보를 입력하고자 함
가용 가능한 최신 정보인 2019년 데이터를
활용하여 스테이션의 사용량을 도출
피프틴 사용량 - 종속변수
『01.운영이력』, 『02.자전거스테이션』
전처리내역
사용 일시를 나타내는 ‘LEAS_DATE’, ‘RTN_DATE’
필드의 정보를 datetime 데이터 타입으로
변환하여 2019년의 사용량 도출
자전거스테이션 파일의 ‘Station_ID’가 운영이력
파일의 ‘LEAS_STATION’이나 ‘RTN_STATION’에
포함이 되어 있다면 카운트 진행
‘Station_ID’의 공간정보를 point 데이터로 변환
spatial join, moving mean, normalization을
수행하여 그리드로 제작
21
3
22. 회귀분석: 예상 수요 레이어 제작
목적
그리드 별 거주 인구(‘val’) 도출
사용이유
거주 인구가 높을 수록 피프틴의 수요가 높을
것으로 예상되어 활용
거주인구 - 독립변수
『06.인구(거주)분포도(100M_X_100M)』
버스사용량 - 독립변수
『20.고양시_버스정류소』, 『21.버스_정류장별_승하차_정보)』
목적
그리드 별 버스 승하차 정보(‘GETON_CNT’) 도출
사용이유
전처리내역
버스 사용량이 높을 수록 유동인구가 많음
버스를 탐승하기 위한 목적 혹은
버스정류장에서 집으로 이동하기 위한 목적을
가지는 수요가 많을 것으로 예상되어 활용
버스정류소 데이터 및 버스 정류장별 승하차
정보를 공통 column인 ‘STATION_ID’로 join하여
각 버스정류소 별 승하차 정보를 취합
Join한 point 데이터를, spatial join, moving
mean, normalization을 수행하여 그리드로 제작
전처리내역
기존 데이터에서 이미 그리드 당 거주 인구가
계산되어 있으므로, spatial join은 미수행
Moving mean, normalization을 수행하여
그리드로 제작
22
3
23. 회귀분석: 예상 수요 레이어 제작
목적
그리드 별 전철 총 승하차(‘총승하차’) 정보 도출
사용이유
지하철 사용량이 높을 수록 유동인구가 많음
출퇴근 시간에 도심으로의 이동과 연계하여
피프틴을 이용하는 수요가 높을 것으로 예상
지하철 사용량 - 독립변수
『19.전철역_공간정보』, 『29.지하철 역별 이용객수』
전처리내역
두 데이터의 역명이 다르기 때문에, 전철역
공간정보 데이터의 ‘화전(한국항공대)’를
‘화전’으로 대체. 또한 ‘지축역’을 ‘지축’으로 대체
전철역 공간정보의 ‘station_nm’ 열과 지하철 역별
이용객수의 ‘역명’ 열이 같은 정보를 가지고
있으므로 이를 기준으로 join
Join된 데이터는 승하차 정보를 가지고 있는
point 데이터 이며, spatial join, moving mean,
normalization을 수행하여 그리드로 제작
23
3
24. 회귀분석: 예상 수요 레이어 제작
목적
그리드별 건물용도코드 대분류 별 연면적 정보 도출
사용이유
건물의 종류에 따라 해당 건물로의 이동 목적을
가진 사람들의 활동 패턴과 이동 수단은 다를
것으로 예상
피프틴 사용과 연관성이 있는 건물의 종류를
도출하여 설명하고자 함
제공 데이터(『10.도시계획(공간시설)』,
『11.도시계획(공공문화체육시설)』, 『12. 도시계획(교통시설)』,
『17.일반건물 분포도 (100M x 100M)』, 『18. 행사장 공간정보』,
『22.주차장정보』, 『26.고양시 공연장 박물관 정보』, 『27. 고양시
체육시설 현황정보』)의 정보를 모두 포함할 수 있는
데이터라고 예상되어 활용.
건물 종류별 연면적 - 독립변수 『15.도로명주소_건물』
전처리내역
『15.도로명주소_건물』 건물용도코드(BDTYP_CD)의
unique한 값을 계산하여 실제 존재하는 코드만 추출
건물용도코드 중분류(2자리)에 해당하는
건물용도코드(5자리)의 쌍을 나타내는 딕셔너리
(bldg_code_dic) 제작
미터단위로 면적을 원활히 계산하기 위하여 UTM-K
좌표계로 변환
레퍼런스 그리드와 빌딩 종류별 레이어를 union하여
가능한 모든 그리드 * 건물타입의 조합을 계산
Union된 레이어에서 각 빌딩타입별 연면적을 계산
후, 그리드 id와 빌딩 타입으로 dissolv하여 각
그리드안의 건물용도코드(5자리)별 면적을 도출
딕셔너리를 이용하여 건물용도코드(5자리)로 계산된
면적을 건물용도코드 중분류(2자리)로 병합
Moving mean, normalization을 수행하여 다른
데이터와 동일한 분포로 변환
24
3
25. 회귀분석: 예상 수요 레이어 제작
회귀분석 결과
· 독립변수의 분포가 종속변수의 분포를 약 61% 설명
· P value는 0.00으로 99% 이상 신뢰구간에서 유의
유의한 독립변수 리스트
유의하지 않은 독립변수 리스트
거주인구 (pop), 버스 사용량 (bus), 지하철 사용량 (subway),
건물 타입 별 연면적 -
(단독주택 (b01), 공동주택 (b02), 1종근린생활시설 (b03), 2종근린생활시설
(b04), 문화 및 집회시설 (b05), 판매 및 영업시설 (b06), 의료시설 (b07),
운동시설 (b09), 업무시설 (b10), 숙박시설 (b11), 위락시설 (b12), 공장시설
(b13), 창고시설 (b14), 위험물 저장․처리시설 (b15), 공공용시설 (b19),
관광휴게시설 (b21), 거리 가게 (b90))
건물 타입 별 연면적 -
(교육연구 및 복지시설 (b08), 자동차관련시설 (b16), 동․식물관련시설
(b17), 분뇨․쓰레기처리시설 (b18), 묘지관련시설 (b20), 기타발전시설
(b27))
25
3
26. 회귀분석: 예상 수요 레이어 제작
인구 버스 이용객 수 지하철 이용객 수 단독주택 공동주택
제1종근린시설 제2종근린생활시설 문화 및 집회시설 판매 및 영업시설 의료시설
운동시설 업무시설 숙박시설 위락시설 공장
창고시설 위험물 저장․처리시설 공공용시설 관광휴게시설 거리가게
0.10 0.10 0.10 0.02 0.05
-0.05 0.13 -0.03 0.01 0.11
0.07 0.17 -0.03 0.04 0.01
-0.04 0.02 0.01 -0.06 0.48
유의한 변수 지도
26
3
27. 회귀분석: 예상 수요 레이어 제작
예상 수요 레이어 결과물
· 회귀분석 결과 유의한 (p-value
< 0.05) 독립변수만을 취합하여
예상 수요 레이어를 제작
· 각 독립변수의 분포에 회귀분석
결과의 계수를 곱하여 제작
27
3
28. MCLP: 스테이션 배치 및 거치대 수량 최적화
Linear Programming Maximal Covering Location Problem
· 회귀분석의 유의한 독립변수를 이용하여 제작된 예상 수요 레이어를 가장 많이 커버하는
스테이션의 위치와 스테이션별 거치대 개수를 최적화
· Church and ReVelle(1974)이 제안한 Maximal Covering Location Problem을 사용
· MCLP는 Linear Programming의 응용 방법 중 하나로, 제약 구문을 이용하여 여러 개의
벡터를 그린 후, 목적 구문이 최대한 또는 최소한으로 만족하는 해를 찾는 방법
28
4
29. MCLP: 스테이션 배치 및 거치대 수량 최적화
목적
구문
Maximize
𝑖∈𝐼
𝑤𝑖 𝑦𝑖 가중치를 고려하여 가장 많은 수요를 포함하는 공급의 위치 선정
제약
구문
𝑗∈𝐽
𝑥𝑗 = 𝑃 배치되는 최대 스테이션의 개수 (P; 200개, 250개, 300개)
𝐽∈𝑁 𝑖
𝑥𝑗 ≥ 𝑦𝑖 for all 𝑖 ∈ 𝐼 각 스테이션은 Ni(400m)의 영향권 을 가짐
𝐽∈𝑀 𝑖
𝑥𝑗 = 1 for all 𝑖 ∈ 𝐼 각 스테이션은 최소의 거리(Mi; 100, 150, 200m)를 두고 배치
𝑗∈𝑆
𝑥𝑗 = 𝑐𝑜𝑢𝑛𝑡(𝑆) 지하철역을 가지는 모든 그리드에 스테이션을 배치
𝑗∈𝑆
𝑥𝑗 ≥ 0.5 ∗ 𝑐𝑜𝑢𝑛𝑡(𝐶) 50% 이상의 현재 스테이션의 위치를 유지
𝑒∈𝐸
𝑗∈𝑒
𝑥𝑗 ≥
𝑒∈𝐸
𝑐𝑜𝑢𝑛𝑡(𝑒) 각 행정동의 현재 스테이션 개수 보다 많은 스테이션을 배치
스테이션 배치 최적화 규칙
29
4
30. MCLP: 스테이션 배치 및 거치대 수량 최적화
배치 규칙 변수 설명
𝐼, 𝐽 수요 위치(전체 연구 지역) 및 스테이션이 배치 가능한 공급 위치(도시화 지역)
𝑖, 𝑗 수요 위치, 공급 위치의 인덱스
𝑥𝑗 = ቊ
1
0
배치가 될 경우
배치가 되지 않을 경우
𝑤𝑖 수요 위치 𝑖의 예상 수요
𝑑𝑖𝑗 수요 위치 𝑖와 공급 위치 𝑗 의 거리
𝑁𝑖 = 𝑗 ∈ 𝐽 𝑑𝑖𝑗 ≤ 𝑇 𝑚𝑎𝑥 수요 위치 𝑖에서 최대 거리(𝑇 𝑚𝑎𝑥; 400m) 안에 위치하는 공급 위치 𝑗 의 리스트
𝑀𝑖 = 𝑗 ∈ 𝐽 𝑑𝑖𝑗 ≤ 𝑇 𝑚𝑖𝑛 수요 위치 𝑖에서 최대 거리(𝑇 𝑚𝑖𝑛; 100m, 150m, 200m) 안에 위치하는 공급 위치 𝑗 의 리스트
𝑆 지하철 역을 가지는 그리드
𝐶 현재 피프틴 스테이션을 가지는 그리드
𝐸 전체 연구 지역의 행정동 리스트
𝑒 각 행정동 안의 피프틴 스테이션을 가지고 있는 그리드 리스트
30
4
31. MCLP: 스테이션 배치 및 거치대 수량 최적화
스테이션이 배치될 수 있는 그리드 간소화 – 데이터 전처리
· 예상 수요 지역, 공급 가능 지역을 전체 연구 지역의 그리드로 설정하는 것이 가장
이상적인 방법
· 그러나 컴퓨터 리소스의 한계로 인하여, 공급 가능 지역을 『35.고양시 도시화지역
경계』를 이용하여 배치 가능한 그리드의 수를 감소시켜 분석의 속도를 향상
· 『35.고양시 도시화지역 경계』 데이터에 최근에 개발이 진행된 향동동은 포함이 되어
있지 않아 스테이션이 배치되지 않는 문제가 발생
· 『09.행정경계(읍면동)』 데이터에서 향동동만 추출하여 공급 가능 지역에 추가
31
4
32. MCLP: 스테이션 배치 및 거치대 수량 최적화
MCLP의 수요, 공급 지역 설정 – 데이터 전처리
· 회귀분석의 결과로 제작한 예상 수요
레이어 (전체 그리드)를 수요 그리드로
지정
· 공급 시설 배치 가능 지역의 경우 전체
그리드를 고양시 도시화지역 경계 +
향동동 과 중첩되는 지역만을 추출
공급시설 배치가능지역
예상 수요 레이어 (전체 그리드)
· 예상 수요 값
32
4
33. MCLP: 스테이션 배치 및 거치대 수량 최적화
Distance Matrix 불러오기 – 데이터 전처리(슬라이드 17 페이지 참조)
· Distance Matrix는 수요 위치 𝑖 에서 일정거리 안에 있는 공급위치 𝑗 를 검색하기 위한 목적
· 각 스테이션의 400m 안에 포함되는 그리드를 공급 시설의 서비스 가능 지역으로 설정하였기
때문에, 이를 계산하기 위하여 OD matrix에서 제작된 ‘within400’을 호출
· 제약 구문 중 스테이션 간의 최소 거리를 반영하기 위해 설정한 ‘within200’, ‘within150’,
‘within100’을 호출
· 분석의 용이성을 위하여 공급 시설이 배치 가능한 지역을 감소 시켰기 때문에, 필요 없는 grid
id를 리스트 들(‘within400’, ‘within200’, ‘within150’, ‘within100’)에서 삭제
33
4
34. MCLP: 스테이션 배치 및 거치대 수량 최적화
각 제약 구문 관련 변수 설정 – 데이터 전처리
· 다양한 상황을 고려하여 현재 스테이션 수를 반올림 한 200개부터 최대 300개까지의
스테이션 수를 선정하여 분석 진행
Constraint 1: 배치되는 스테이션의 개수는 200개, 250개, 300개
Constraint 2: 수요지역에서 접근 가능한(400m) 공급가능지역 설정
Constraint 3: 스테이션 간 최소 거리(100m, 150m, 200m) 설정
· 피프틴 스테이션은 5분의 영향권을 가진다고 가정 하였기 때문에 400m내에서 잠재적인
수요가 발생하는 것을 조건으로 설정
· 균등한 배치와 분배를 고려하여 스테이션이 다른 스테이션 옆에 위치 할 수 없는 최소
거리를 설정
34
4
35. MCLP: 스테이션 배치 및 거치대 수량 최적화
각 제약 구문 관련 변수 설정 – 데이터 전처리
· 전철역은 회귀분석 결과 높은 계수가 나타났으며, 출퇴근
첨두시간에 지하철로 이동하는 과정에서 피프틴을
사용하여 지하철역으로 이동할 것으로 예상
· 공급가능지역 안에 위치하는 지하철역에는 강제적으로
스테이션을 배치하도록 구문 설정
· 『19.전철역 공간정보』를 그리드와 spatial join하여
지하철역이 위치하는 그리드의 id를 획득 후 리스트 작성
Constraint 4: 지하철 역이 있는 그리드에 스테이션을 배치
35
4
36. MCLP: 스테이션 배치 및 거치대 수량 최적화
각 제약 구문 관련 변수 설정 – 데이터 전처리
Constraint 5: 현재의 피프틴 스테이션 중 최소 50%의 스테이션 유지
· 재배치의 비용 절감과 기존 인프라의 활용 측면에서 현재
스테이션의 50 % 유지를 가정
· 예상 수요를 가장 많이 포함할 수 있는 스테이션만 유지
· 향후 기 구축한 모델링을 활용할 때 비율을 조정하여
자유로이 최적화를 재 수행 가능
· 레퍼런스 그리드와 피프틴 스테이션 포인트를 spatial join
하여 레퍼런스 그리드의 아이디와 피프틴 스테이션
아이디의 관계 설정
· 만약 레퍼런스 그리드 안에 여러 개의 피프틴 스테이션이
포함된다면 첫번째 스테이션 만을 유지
36
4
37. MCLP: 스테이션 배치 및 거치대 수량 최적화
행정동 별
스테이션 수
행정동 별
그리드 아이디
각 제약 구문 관련 변수 설정 – 데이터 전처리
· 기존 인프라의 활용과 기존 피프틴 사용자의 접근성을 고려하여 최소
각 행정동에 위치한 스테이션 수 보다는 많은 스테이션 수가 각
행정동에 재배치 되도록 설정
· 피프틴 스테이션과 고양시 행정경계를 spatial join하여 각 행정동이
몇 개의 피프틴 스테이션을 가지는지 계산
· 『34.고양시 행정경계 (행정동기준)』의 ‘행정동코드’의 각 행정동 별
스테이션 수를 가지는 새로운 딕셔너리 생성
· 행정경계의 geometry에 포함되는 래퍼런스 그리드의 geometry를
query 하여 각 행정동코드를 키로, 각 행정동에서 포함되는 그리드의
id를 값으로 가지는 딕셔너리 생성
Constraint 6: 각 행정동 당 현재 스테이션 개수 보다 많은 스테이션 배치
37
4
38. MCLP: 스테이션 배치 및 거치대 수량 최적화
100
150
200
최소거리
영향권
제약 구문 1과 3에 3개씩 다양성을 주어 9개의 시나리오에 따른 최적화된 배치 계산
인스턴스 설정
공급 지역은 0 또는 1의 바이너리 변수, 수요 지역은 최소 0이상의 값을 가짐
목적 구문 설정
가장 높은 수요를 포함할 수 있는 공급시설의 위치 찾기
제약 구문 설정
제약 구문 1~6 시행
문제 해결
Python PuLP패키지를 사용하여 분석 작업 진행
최적화 결과물 도출
Shapefile 형태로 스테이션이 배치되는 그리드로 출력
1
2
3
4
5
· 배치되는 스테이션의 개수는 200개, 250개, 300개
· 수요 지역 인스턴스에서 접근 가능한(400m) 공급 가능 지역 인스턴스 설정
· 스테이션 간 최소 거리(100m, 150m, 200m) 설정
· 지하철 역이 있는 그리드에 스테이션을 배치
· 최소 50% 이상의 현재 스테이션 유지
· 각 행정동 당 현재 스테이션 개수 보다 많은 스테이션 배치
38
4
39. MCLP: 스테이션 배치 및 거치대 수량 최적화
각 시나리오별 최적 스테이션 위치에 따른 400m 커버리지 영역
39
4
40. MCLP: 스테이션 배치 및 거치대 수량 최적화
목적
구문
Maximize
𝑖∈𝐼
𝑤𝑖 𝑦𝑖 가중치를 고려하여 가장 많은 수요를 포함하는 공급의 위치 선정
제약
구문
𝑗∈𝐽
𝑥𝑗 = 𝑅 배치되는 최대 스테이션의 개수 (R; 현재 거치대 개수 4,295개)
𝐽∈𝑁 𝑖
𝑥𝑗 ≥ 𝑦𝑖 for all 𝑖 ∈ 𝐼 각 스테이션은 Ni(400m)의 영향권 을 가짐
거치대 수량 최적화 규칙
· 각 시나리오를 동일한 조건에서 비교하기 위하여, 총 거치대 개수는 현재의 개수인 4295개가
유지된다는 가정 하에서 분석 진행
40
4
41. MCLP: 스테이션 배치 및 거치대 수량 최적화
스테이션별 거치대 수의 최적 배치 계산
인스턴스 설정
목적 구문 설정
가장 높은 수요를 포함할 수 있는
공급 지역의 가중치 찾기
제약 구문 설정
문제 해결
Python을 사용하여 분석 작업 진행
최적화 결과물 도출
1
2
3
4
5
· 전체 배치되는 거치대의 갯수는 4295/5개 = 859개
· 수요 지역 인스턴스에서 접근 가능한 (400m) 공급 가능 지역 인스턴스 설정
공급지역은 각 시나리오에 따라 도출된 그리드만 포함되며, 2에서 6사이의 가중치 범위를 가짐
*거치대가 5개 단위로 제작된다는 것을 고려(2=10대, 6=30대)
수요지역은 최소 0이상의 값을 가짐
제약 구문 1, 2 시행 Shapefile 형태로 스테이션이 배치되는 그리드로 출력
41
4
42. 2SFCA: 최적화 시나리오 비교
공급의 위치에서 접근가능한 수요 위치의 거주인구를 합하여 각 공급 위치의
공급-수요 비율 계산
수요의 위치에서 접근가능한 공급 위치의 공급-수요 비율을 합하여 접근성의
총합 계산
Step 1
Step 2
𝑅𝑗 =
𝑆𝑗
σ 𝑘∈ 𝑑 𝑘𝑗≤𝑑0
𝑃𝑘
𝐴𝑖
𝐹
=
𝑗∈ 𝑑 𝑖𝑗≤𝑑0
𝑅𝑗 =
𝑗∈ 𝑑 𝑘𝑗≤𝑑0
𝑆𝑗
σ 𝑘∈ 𝑑 𝑘𝑗≤𝑑0
𝑃𝑘
· 최적화 분석에서 도출된 결과(위치 및 거치대 개수)가 기존 피프틴의 배치에 비하여
얼마나 사용자의 접근성을 향상시키는지를 분석함.
· 공간적 접근성 방법론 중 하나인 Luo and Wang (2003)의 Two Step Floating
Catchment Area(2SFCA)를 이용.
42
5
43. 2SFCA: 최적화 시나리오 비교
· 각 시나리오에서 측정한 공간적 접근성을 하나의 GeoDataFrame으로 취합하여
민감도 분석 시행
43
5
44. 2SFCA: 최적화 시나리오 비교
그리드 수 인구 수
· X축: 현재 스테이션의 접근성; Y축: 시나리오 기반 스테이션 배치의 접근성
· 300개의 스테이션을 200m의 최소 간격을 이용하여 배치한 것이 가장 좋은
접근성의 향상을 보임
44
5
45. 2SFCA: 최적화 시나리오 비교
접근성 결과 분류
CCI CCD CCS CN NC NN
was covered
& now
covered &
measure
increased
was covered
& now
covered &
measure
decreased
was covered
& now
covered &
measure
same
was covered
& now not
covered
was not
covered &
now covered
was not
covered &
now not
covered
현재 스테이
션 분포
(400m 포함)
O O O O X X
시나리오 스
테이션 분포
(400m 포함)
O O O X O X
접근성 향상 감소 변동 없음 감소 향상 변동 없음
45
5
46. 2SFCA: 최적화 시나리오 비교
그리드 수 인구 수
· 300개의 스테이션을 200m의 최소 간격을 이용하여 배치한 것이 가장
좋은 접근성의 향상을 보이며 약 96만명의 거주 인구가 400m 내에서
스테이션에 접근이 가능한 것으로 나타남
46
5
47. 2SFCA: 최적화 시나리오 비교
제한 거리
100 150 200
200250300
스
테
이
션
개
수
지도화 결과
47
5
48. 최근린 도로 찾기
· 공간적 접근성을 이용한 최적화 시나리오 분석 결과
300개의 스테이션을 200m의 최소간격으로 분포
시키는 것이 효과적
· 현재까지의 공간데이터는 그리드 기준이므로 최근린
도로를 찾아 실질적으로 배치가 가능한 좌표를
취득하는 것이 목적
· 『16. 도 로 명 주 소 _ 도 로 』 와 『Open Street Map』 을
이용하여 최근린 분석의 타겟이 되는 도로 데이터 획득
→ 도로명 주소의 경우 자전거 도로 등 작은 도로를 포함하고 있지
않아, Open Street Map에서 ‘footway’와 ‘pedestrian’을 속성으로
하는 도로 추출
48
6
49. 최근린 도로 찾기
최종 결과물 지도화
· 최적화결과 선정된 그리드를 가장 가까운 도로 위로 재배치
· 원의 크기는 각 최적화된 스테이션 별 거치대 개수를 나타냄.
· 현재 배치 대비 포함되지 않았던 지역들이 다수 포함 (e.g., 고양동, 관산동)
49
6
52. 최근린 도로 찾기
최종 결과물
· 회귀분석, 최적화분석, 공간적 접근성 분석을 통하여 최적화된 위치 및 거치대 수를 제안
· 현재 피프틴보다 넓은 지역과 많은 거주인구를 대상으로 양질의 서비스를 제공할 것으로 예상
· 최종 파일 경로: ./results/final_result.shp
· 최종 결과물 속성: id - 그리드 id; bike_num - 최적화된 거치대 개수;
crt_stn_id - 유지될 스테이션의 id; X - 최근린 점의 경도; Y - 최근린 점의 위도
최종 결과물 속성 최종 결과물 위치 기존 배치 대비 접근성 개선 52
1
53. 발전 방안
관련 데이터 추가
· 자전거 사용 빈도와 관련이 깊을 것으로 예상되는 데이터(e.g., 유동 인구) 등을 추가하여 모델을
발전 시켜 보다 최적화된 배치를 제안 가능
다각적인 측면에서의 분석
· 본 연구는 100m x 100m 그리드를 공간적 스케일로 피프틴 스테이션이 5분의 영향권을 가지는
것으로 가정하고 분석
· 다음의 사항을 고려하여 다각적으로 분석한다면 보다 최적화된 배치를 제안 가능할 것으로 예상
- 공간적 스케일 측면: 그리드의 크기를 줄여 미시적으로 분석(e.g., 50m x 50m)
- Geometry 측면: 헥사곤과 같은 방향에 따라 거리의 편차가 크지 않은 geometry를 활용
- 영향권 측면: 피프틴 스테이션의 영향권에 편차를 두어 다양하게 분석(e.g., 5분, 7분,10분)
53
2
54. 시나리오를 통한 연구의 확장
국토교통부 공공택지기획과 보도자료 (2020. 3. 4.) 『고양 창릉(신도시, 3만 8천 호) 지구지정,
사업 본격화 - 수도권 30만 호 계획 중 19만 6천 호 지구지정, 신도시 5곳 중 4곳 완료 -』
· 창릉신도시는 38,000세대를 수용 예정으로 피프틴에 대한 수요가 발생할 것으로 예상
· 국토교통부 보도자료에서 공시한 토지이용구성(안)을 기반으로 최적화 모델에 적용
20개의 스테이션의 추가 설치를 가정하여 분석 진행
시나리오 – 고양 창릉신도시에 자전거 스테이션을 둔다면?
토지이용구성(안) 추정 정보의 그리드화 창릉신도시 스테이션 위치
54
3