LSTM을 이용한 공공자전거 동적 상태의 재고 수준 연구

Abstract

본 연구는 서울 공공자전거 데이터를 이용해 동적 상태 재배치 모델을 위한 대여소의 적정 재고량 산정 방법을 고안했다. 이를 위해 직접 대여소 정보를 수집하였고 딥러닝의 한 방법(RNN)인 LSTM을 이용해 자전거 재고량을 예측하였다. 설치된 대여소의 자전거 재고량은 대여소의 이용 수준을 파악할 수 있는 지표이다. 재고 수준이 매우 낮거나 재고가 없다면 많은 사람이 찾는 대여소라고 볼 수 있다. 이처럼 재고 수준에 따라서 대여소의 상태를 가늠할 수 있는 기준이 필요하다고 보았고 실시간 데이터 수집으로 동적인 상태에서 재고 수준을 검토할 수 있다고 판단했다. 따라서 대여소의 대여 및 반납의 변화를 매 10분 단위로 확인했을 때 나타나는 변화의 빈도로 동적 상태는 분석이 가능하다. 이렇게 집계된 변화의 빈도를 확률분포로 보았을 때 빈도의 발생 개수에 따라 상태의 수준을 확인할 수 있다. 즉 대여소의 자전거가 자주 비어있는 경우 분포는 0 혹은 1과 같이 매우 낮은 수준에 머무르게 된다. 반대로 대여 발생보다 반납이 많아 자전거가 쌓이는 수준이라면 분포의 수준은 상대적으로 높게 나타날 것이다. 연구에서 집계한 재고량 변화에 따른 분포는 분류된 기준에 따라 대여소 상태를 구분 지을 수 있다. 이렇게 구분된 상태 정보는 재배치 작업을 위한 대여소별 우선순위 평가에 이용되고 작업의 경로를 최적화하는 데 도움을 줄 수 있다. 아울러 본 연구에서는 제시된 기준이 대여소의 상태를 나타내는데 적합한 모델인지 실증적으로 검증해 보고자 하였다. 대여소의 예측 대수는 실제 값과 매우 유사하게 나왔고 적정 수준을 제시했을 때 대여소의 상황을 제대로 반영하고 있었다. 실제 이용 분포를 기반으로 예측 모델을 생성하고 실시간으로 학습된 수준이 자전거 재고 수준을 제시하는 방법은 4차 산업 혁명 시대의 합리적인 운영 시스템이다. 본 연구는 실시간 데이터 활용을 통해 공공자전거가 보조 대중교통수단으로서 신뢰도를 높일 수 있는 정책적 시사점을 제시하고자 하였다. 시민들의 이용을 장려하기 위해선 수요에 즉각적으로 대처할 수 있는 효율적인 재고 운영 방법이 필요할 것이다.