Daily Activity Pattern Recognition considering Spatial Distance based on National Household Travel Survey Data

Abstract

As disaggregated travel demand forecasting models are developing in recent years, prediction accuracy of individual activity patterns depends on actual information drawn from activity generation modules. Thus, producing more accurate and homogeneous individual activity patterns from this module will result in increasing prediction accuracy in activity-based travel demand modeling. Even though travel distance plays an important rule to travel decision, most studies did not consider spatial information to recognize activity pattern. In this study, I recognized a new daily activity pattern that considers activity, spatial, and socio-demographic information. To generate representative activity patterns, I considered daily activity episode as multidimensional trajectory. Activity and spatial information is used to generate distance matrix of multidimensional trajectories by Multidimensional Similarity Measure (MSM) method. K-means algorithm is adopted based on the distance matrix to generate representative activity patterns. Multivariate analysis of variance (MANOVA) test is conducted to analyze homogeneity within group and heterogeneity with group of socio-demographic information. The proposed method is applied in Seoul based on K-NHTS. As a result, three cluster are generated, which are worker, student, non-worker cluster and each cluster is divided into four, two, and three groups based on the travel distance and activity sequences. The proposed method enriches the traditional methods such as using socio-demographic attributes for classifying the population and is more straightforward, and easy to implement in practical activity-based model.

최근 세분화된 활동 수요 기반 예측 모델이 개발됨에 따라 개별 통행 행동의 예측 정확도는 활동 생성 모듈에서 산출된 실제 정보에 따라 달라진다. 따라서 이 모듈에서 보다 정확하고 동질적인 정보를 생성하면 활동 수요 기반 예측 모델링의 예측 정확도가 높아질 수 있다. 통행 거리가 개개인의 통행 결정에 중요한 역할을 하지만 대부분의 연구에서는 공간 정보를 고려하지 않고 활동에 대한 정보, 사회인구 정보만을 활용하여 활동 패턴을 분석하였다. 본 연구는 활동 정보, 공간 정보 및 사회인구 정보를 고려한 새로운 일상 활동 패턴을 생성하여 분석하였다. 대표성을 가지는 활동 패턴을 생성하기 위해 일일 활동 에피소드를 다차원의 궤적으로 고려하였다. 활동 및 공간 정보는 MSM (Multidimensional Similarity Measure) 방법으로 다차원 궤적의 distance matrix를 계산하였다. 계산된 distance matrix를 기반으로 K-means algorithm을 사용하여 대표 활동 패턴 그룹을 생성하였다. 다변량 분산 분석 (MANOVA) 테스트를 통하여 사회인구 정보를 분석하여 그룹 내 동질성, 그룹 간 이질성에 대해 분석하였다. 제안된 방법을 통해 가구통행실태조사 자료를 기반으로 서울 내에 발생한 통행에 대해 분석하였다. 결과적으로 근로자, 학생, 비 근로자 군집의 3 개 군집이 생성되고 각 군집은 통행 거리 및 활동 순서 개수에 따라 각각 4 개, 1 개, 3 개의 그룹으로 나뉘었다.