Original Article

Ecology and Resilient Infrastructure. September 2020. 171-180
https://doi.org/10.17820/eri.2020.7.3.171


ABSTRACT


MAIN

  • 1. 서 론

  • 2. 대상지 선정 및 연구 방법

  •   2.1 연구대상지 선정

  •   2.2 연구 방법

  •   2.3 상관분석

  • 3. 자료의 분석

  •   3.1 통신 빅 데이터 분석

  •   3.2 위치정보기반 데이터 분석

  •   3.3 데이터 상관성 분석

  • 4. 결 론

1. 서 론

도시화로 인하여 대국민의 휴식과 레저를 위한 공간부족 현상이 대두됨에 따라 하천이 제공하는 자연경관 및 생태체험 등의 기회를 기반으로 지역사회의 활기를 높이는데 친수지구 운영과 관리의 중요성이 점차 커지고 있다. 친수지구는 주민들의 친수활동을 위한 공간을 계획적으로 관리하기 위해 지정한 곳으로, 2007년 하천법이 개정된 이후에 국가하천을 대상으로 친수지구를 대규모로 조성한 바 있다. 친수지구 조성을 위하여 우선적으로 고려되어야 하는 것은 정확한 수요예측을 통하여 규모, 위치 및 관리계획을 결정하는 것이다. 이를 위하여 하천관리 정책과 실무 차원의 친수지구 이용객 수요를 잘 이해하고, 친수지구의 계획, 유지관리 및 인허가에 있어서 합리적인 결정이 중요하다고 할 수 있다 (Lee et al. 2019). 최근 국토교통부는 4대강사업을 통해 조성된 국가 주요하천 약 357개소의 친수공원을 대상으로 실제 활용도가 저조한 공원을 복원하고 297개소로 축소 운영하는 등 친수지구 운영관리를 위한 노력을 하고 있다 (MOLIT 2016).

2014년부터 하천 이용객 수요를 조사하기 위해 여러 가지 방법을 강구한 바 있으며 2014년에서 2016년까지는 국토교통부 지방국토관리청의 현장 인력을 동원해 간헐적으로 이용객 수를 조사하였고 드론 촬영기법을 적용해 보기도 하였으나 (MOLIT 2016) 인력 및 경비 등이 크게 소모되는데 반해, 확보 가능한 정보가 제한적인 문제점과 정확성에 대한 문제점이 종종 제기되었다 (NARS 2017). 통신 빅 데이터는 하천관리 분야에서 새롭게 활용되는 자료이지만, 이미 통신 빅 데이터를 활용한 연구들이 다른 분야에서 다수 진행되고 그 가능성이 확인되었다. Kim et al. (2014)은 모바일 빅 데이터를 활용하여 활동 인구의 시공간적 분포와 변화를 분석하였으며, De Jonge et al. (2012)은 모바일 빅 데이터를 활용하여 주간의 인구밀도 추정, 통근자 이동성 추정을 통해 통계화 가능성을 확인하였다. 또한 Deville et al. (2014)은 모바일 폰 위치 데이터를 셀 단위로 변환하여 인구밀도를 추정하였고, Douglass et al. (2015)은 이탈리아 밀란을 대상으로 인구분포 데이터와 통신 데이터를 사용하여 인구 추정 가능성을 검토하여 통신 빅 데이터의 활용 가능성을 보였다. KRIHS (2018)은 국내보다 개인정보 보호법이 강한 서구권의 유사한 연구를 조사하였다. 영국에서는 하이드 파크 (Hyde Park)를 대상으로 통신사의 휴대전화 데이터 12개월분을 활용하였으며 이때 연령과 성별 데이터만으로 공원을 이용하는 관광객의 특성을 파악하였다. 또 AirSage (미국 통신사들의 이동통신데이터를 이용해 통행정보를 생성하는 회사)는 미국 전체 인구의 약 1/3해당하는 규모로 이동통신 기기로부터 정밀 위치정보, 시간대별 통행패턴을 분석하는 플랫폼 (Population Analytics)을 개발하였다. 활동시간 5분이상인 활동 지점을 집계하여 통신데이터를 분석하여 이용 특성을 분석하였다. Kim et al. (2019b)은 이용객 수 조사를 정량적으로 산출하기 위해 통신 빅 데이터와 무인기를 활용하여 특정시간대의 이용객 수를 직접 비교하였다. 그 결과 두 방법으로 추정한 이용객 수 추정 결과가 많이 상이한 패턴을 보였으며 그 이유는 친수지구 주변의 이동차량 내의 인구를 친수지구 이용객으로 판단하여 이용객 수를 과다 산정하는 오류를 범할 수 있음을 확인하였다.

친수지구 설계 및 관리뿐만 아니라 이용객의 만족, 공원 이용 행태에 대해서도 많은 연구가 진행되어왔다. Kim et al. (2019a)은 제3세대 SNS뿐만 아니라 Google popular times를 이용하여 공원의 이용 행태와 만족 요인을 실시간으로 파악할 수 있다는 사례를 보고한 바 있다.

본 연구는 하천 친수공원 유지관리 단계에서 해당 시설의 이용객을 추정함에 있어 기존 통신빅데이터 방법과 GPS 위치정보를 활용한 검색엔진의 요일별 분석자료를 활용하여 각 추정 방법별로 주중 및 주말 이용경향을 분석하였다.

2. 대상지 선정 및 연구 방법

2.1 연구대상지 선정

본 연구에서 선정한 대상 친수지구인 삼락생태공원과 대저생태공원은 부산광역시 낙동강 하류에 조성되어 있다 (Fig. 1). 삼락생태공원은 부산광역시 사상구 삼락동에 위치하였으며 낙동강 하구 둔치 중에서 가장 넓은 지역 (4.72 km2)으로 공원에는 각종 체육시설과 잔디광장, 야생화단지 및 자연학습장, 문화마당 등으로 꾸며진 체육‧휴식공간이며 콘서트행사와 축제를 개최하여 시민들의 여가 및 휴식공간으로 활용되고 있다. 또한 철새를 위한 습지, 철새 먹이 터로도 활용되어 서식환경을 보호하고 있다. 대저생태공원은 부산광역시 강서구 대저1동에 위치하고 있다. 낙동강하구 철새도래지로 지정되어 있으며, 신덕습지를 비롯한 습지 및 자연초지, 유채꽃단지와 체육시설인 축구장, 야구장 등이 조성되어 있는 부산시민이 여가와 휴식을 즐길 수 있는 자연생태 친수공간이다. 특히 공원에 조성된 유채꽃 단지 (0.37 km2)에서 4월 개최되는 유채꽃 축제는 수많은 관광객을 불러 모으고 있어 새로운 관광 명소로 자리 잡아 시민의 여가와 휴식을 즐기는 곳이다. 본 연구에서는 공원 이용객이 많은 유료체육시설, 자전거대여소등의 친수시설이 조성된 지역으로 결정하였다.

http://static.apub.kr/journalsite/sites/kseie/2020-007-03/N0190070303/images/kseie_07_03_03_F1.jpg
Fig. 1.

A study area (a) Samrak ecological park and (b) Daejeo ecological park.

2.2 연구 방법

우선 연구대상지를 관리하는 부산광역시 낙동강관리본부에서 2013년도부터 2016년도까지 공원을 이용한 이용객 수에 대한 자료를 검증 자료로 사용하였다. Table 1과 Table 2는 낙동강 관리본부에서 삼락생태공원과 대저생태공원을 대상으로 실제로 유료체육시설, 자전거 대여, 수영장, 눈썰매장 그리고 주요시설을 이용했던 이용객을 측정한 자료이다. 이 자료는 주중, 주말 이용객 비율을 비교하는데 참고하였다.

Table 1.

Status of Samrak ecological park (Busan Metropolitan city)

Name of park Year
Samrak ecological park 2013 2014 2015 2016
Visitors
(persons)
Total 2,906,481 3,353,848 3,262,526 3,959,713
Weekdays 103,625
(32.3%)
112,050
(26.8%)
115,728
(32.2%)
73,847
(27.9%)
Weekends 216,856
(67.7%)
305,548
(73.2%)
244,114
(67.8%)
191,260
(72.1%)
Sports facility Total 104,173 157,395 127,655 88,637
Weekdays 37,585 45,523 45,591 27,173
Weekends 66,588 1,118,72 82,064 61,464
Bicycle rental Total 73,338 70,079 71,554 56,224
Weekdays 31,498 29,177 31,561 22,058
Weekends 41,840 40,902 39,993 34,166
Pool, sledding slope Total 52,483 13,959 94,140 69,029
Measuring instrument calculation Total 1,543,631 1,555,293 1,404,189 1,452,553
Major facility Total 989,886 1,366,998 1,404,355 2,173,024
Table 2.

Status of Daejeo ecological park (Busan Metropolitan city)

Name of park Year
Daejeo ecological park 2013 2014 2015 2016
Visitors Total 726,587 953,978 1,182,346 1,556,560
Weekdays 12,702
(17.9%)
22,760
(22.3%)
27,864
(26.2%)
23,315
(33.0%)
Weekends 58,258
(82.1%)
79,100
(77.7%)
78,652
(73.8%)
47,330
(67.0%)
Sports facility Total 23,048 29,720 35,555 20,018
Weekdays 2,629 5,258 8,642 6,738
Weekends 20,419 24,462 26,913 13,280
Bicycle rental Total 14,549 25,003 22,347 19,190
Weekdays 5,839 9,915 9,934 8,805
Weekends 8,710 15,088 12,413 10,385
Pool, sledding slope Total - - - -
Measuring instrument calculation Total - - - -
Major facility Total 655,627 852,118 1,075,830 1,485,915

2.2.1 데이터 수집 방법

(1) 통신 빅 데이터 수집

빅 데이터는 디지털 환경에서 생산되는 자료로서 수치, 문자 및 영상 등을 포함하는 것으로 규모와 영역이 광범위하고 생산 주기도 짧아 사용자의 활용 목적에 부합하게 가공이 가능하여 최근 활용성이 급부상하고 있다. 그 중 통신 빅 데이터는 기지국 단위로 수집되는 휴대폰의 송수신 정보를 이동통신사 고객정보와 특정지역 유동인구를 산출한 원시데이터 (raw-data)를 개인정보 제거 등 비식별화 작업을 한다. 기지국 단위의 미가공 데이터와 정보데이터를 연계하여 기지국 단위의 인구데이터를 생성하고 공간회귀분석모형을 이용하여 격자단위 인구데이터로 생성하여 유동인구를 추출한다 (Lee and Lee 2019). Fig. 2와 같이 삼락생태공원 안에 분포되어 있는 pCELL (50 × 50 m)을 사용하여 체류시간 15분 미만인 이용객 수를 추정하였다. pCELL은 SK Telecom이 상용화한 네트워크 방식의 위치 기반으로 위성 위치 확인 시스템 (GPS)이 아닌 네트워크로 사용자의 동선을 유추하는 추적기술이다. 이동통신 3사의 모든 데이터를 활용하면 정확한 분석이 가능하지만 3통신사 간의 데이터 호환 문제, 데이터 추출 방식, 기지국 전파영역 공간 데이터 확보 유무 등으로 국내 이동통신 시장의 점유율이 가장 높은 SK Telecom의 데이터를 활용하였다 (Kim et al. 2019b). 또, 통신 빅 데이터는 SK Telecom데이터에 통신사 월별 점유율에 따른 보정 수치를 적용하여 인구데이터를 추정하였다 (MOLIT 2017). 본 논문에서는 보정 수치를 적용하지 않은 원시데이터 (raw-data)를 사용하여 위치정보 데이터와 비교‧분석 하였다.

http://static.apub.kr/journalsite/sites/kseie/2020-007-03/N0190070303/images/kseie_07_03_03_F2.jpg
Fig. 2.

Location of pCELL in Samrak ecological park.

(2) GPS 위치정보 데이터 수집

(a) Google popular times

Google popular times는 GPS 기반으로 하루 중 다양한 시간대에 같은 위치를 찾는 방문자가 얼마나 많은지 보여준다. 8주 동안의 평균 이용객 수를 기준으로 하며, 이 정보는 위치데이터 공유를 선택한 Google Android 사용자로부터 익명화 및 집계된 장소에 대한 방문에 근거한다. 실시간 방문 데이터는 현재 시점의 비즈니스 방문 현황을 보여주며, 방문시간은 고객이 일반적으로 비즈니스 위치에서 소비하는 시간을 알려주는 서비스이다. Google popular times는 특정 시설 방문자가 구글 지도 애플리케이션이 설치된 스마트폰 사용자이고 위치서비스를 적극적으로 비활성화하지 않은 경우에만 방문객들로부터 데이터를 수집한다. 이 방법은 2016년도에 매우 많은 사용자 (영국 성인의 81%인 3,700만명)가 스마트 폰 사용자였으며 2017년 미국에서 스마트폰의 57%에 구글 지도가 설치되었음을 확인하였다. 인기도 데이터는 첨두의 평균비율로 표시되며 방문자 수는 표시되지 않는다 (Dixon et al. 2018). 구글 검색창에 공원 명을 검색하면 공원의 정보와 함께 popular time 데이터를 확인할 수 있다. 이를 요일별로 캡처하여 데이터를 수집하였다. Google popular times의 샘플은 Fig. 3와 같다. 참고로 국내 스마트폰 중 Google 운영체계 점유율을 80%이상이다.

http://static.apub.kr/journalsite/sites/kseie/2020-007-03/N0190070303/images/kseie_07_03_03_F3.jpg
Fig. 3.

An example of popular times by Google.

주중과 주말을 구분하여 공원별 이용자의 이용시간대 추이와 이용객 수의 비율을 분석하였다. 2020년 5월 29일에 취득한 데이터와 코로나의 영향 (사회적 거리두기)이 반영되었을 것을 고려하여 2020년 7월 2일에 취득한 데이터의 평균값을 사용하여 비교하였다. x축은 새벽 4시부터 익일 3시까지로 한 시간 간격으로 이루어져있으며 y축은 이용객 수의 비율이다.

(b) 카카오 방문자 데이터

국내에서는 카카오 방문자 데이터가 위치기반으로 방문자의 데이터를 수집하는 것으로 확인하였다. 카카오 방문자 데이터는 Google popular times와 유사하게 첨두의 평균비율로 표시되어 있었으며 ‘제주동문시장’을 대상으로 방문자 데이터 open api를 활용한다. 카카오는 위치정보를 활용한 정보 검색결과 및 콘텐츠를 제공하거나 추천, 생활편의를 위한 위치공유, 위치/지역에 따른 경로안내, 위치기반의 컨텐츠 분류를 위한 콘텐츠 태깅 등의 서비스를 제공하면서 카카오를 사용하는 사용자로부터 위치정보를 수집한다. 대표적으로 카카오에서 사용되고 있는 어플로는 카카오 맵과 카카오 모빌리티이다. 카카오맵에서 해당 공원을 검색하면 방문자 데이터를 확인할 수 있었으며 삼락생태공원과 대저생태공원을 대상으로 한 주의 요일별 데이터를 추출하였다. Google popular times와 마찬가지로 주중과 주말을 구분하여 공원별 이용자의 이용시간대 추이와 이용객 수의 비율을 분석하였다. 카카오 방문자 데이터의 샘플은 Fig. 4와 같다. x축은 0시부터 23시까지 한 시간 간격으로 이루어져있으며 y축은 이용객 수의 비율이다.

http://static.apub.kr/journalsite/sites/kseie/2020-007-03/N0190070303/images/kseie_07_03_03_F4.jpg
Fig. 4.

An example of Kakao visitors data.

2.3 상관분석

본 연구에서는 정량적인 방문객수를 Google popular time을 통해 취득하지 못하는 한계로 국내에서 대표적으로 사용하고 있는 카카오 방문자 데이터와의 유사성을 검토하였다. 각 비교 데이터간의 상관계수는 공분산을 표준편차로 나누어 -1에서 1까지의 값을 가지며 일반적으로 상관계수는 1 또는 -1에 근접할수록 변수 간의 관련성이 높고 0에 근접하면 관련성이 낮다는 것을 의미한다 (Kim et al. 2017).

3. 자료의 분석

우선 분석대상 친수공원의 관리기관인 부산광역시 낙동강관리본부에서 조사된 2013년도부터 2016년까지 공원 이용객을 실측한 결과, 매년 증가하는 것을 확인할 수 있었다. 분석대상 지구인 삼락생태공원과 대저생태공원에서 주중, 주말 이용객의 비율을 산정해본 결과, 2013년도부터 2016년도까지 삼락생태공원은 평균 주중 이용객 비율이 29.75%, 주말은 70.25%였으며 대저생태공원은 주중 24.75%, 주말 75.25%이다. 주말의 비중이 주중의 최소 2배 이상 나타내는 것을 확인 할 수 있었다.

3.1 통신 빅 데이터 분석

대상 친수지구 pCELL (50 × 50 m)의 통신 빅 데이터와 지형자료를 기반으로 이용객 정보를 추출하여 삼락생태공원과 대저생태공원의 이용객 수 및 사용패턴을 분석하였다. pCELL의 면적으로 데이터를 추출하는 과정에서 친수공원 이용객뿐만 아니라 인근 도로에 주‧정차한 차량 및 교량 등의 간섭으로 과다산정하는 것으로 추정되였다 (Kim et al. 2019b). Fig. 5는 통신 빅 데이터를 활용하여 요일별 이용객의 비율을 시간적 분포로 도시한 결과이다. 2개의 연구대상 지역에서의 전체 요일에 대하여 유사한 양상을 나타내고 있으며 전반적으로 6시를 기점으로 하여 이용객이 증가하고 13 - 15시 시간대에 첨두 (peak)를 보이며 이후에 감소하는 것을 확인 하였다.

http://static.apub.kr/journalsite/sites/kseie/2020-007-03/N0190070303/images/kseie_07_03_03_F5.jpg
Fig. 5.

Ratio of visitors using mobile big data at (a) Samrak ecological park and (b) Daejeo ecological park.

3.2 위치정보기반 데이터 분석

위치정보 기반 데이터인 Google popular times와 카카오 방문자 데이터를 활용하여 요일별 이용객의 시간적 분포를 분석하였다. 분석결과 통신 빅 데이터에서는 요일별 이용객의 분포가 유사하였지만, GPS 기반의 자료에서는 주말과 주중의 이용객 분포가 통신 빅 데이터와 상이한 것을 확인하였다.

Table 3은 통신 빅 데이터, Google popular times 그리고 카카오 방문자 데이터의 주중, 주말 이용객의 비율이다. 통신 빅 데이터를 활용해서 분석했을 경우 주중 이용객의 비율이 높았으며 위치정보 데이터 기반인 Google popular times와 카카오 방문자 데이터는 주말의 이용객 비율이 높다는 것을 확인 할 수 있었다 (Figs. 6 and 7). 이러한 사유는 앞서 언급한 바와 같이, 통신 빅 데이터의 경우 친수공원 주변의 도로에 위치한 이용객을 친수공원 이용객으로 고려하는 문제점이 반영된 결과로 사료된다.

Table 3.

Visitors rate at Samrak and Daejeo ecological park (mobile big data, Google popular times, Kakao maps)

Visitors rate Mobile big data Google popular times Kakao maps
Samrak Weekly visitors rate (%) 55 35 33
Weekend visitors rate (%) 45 65 67
Daejoe Weekly visitors rate (%) 56 41 31
Weekend visitors rate (%) 44 59 69
http://static.apub.kr/journalsite/sites/kseie/2020-007-03/N0190070303/images/kseie_07_03_03_F6.jpg
Fig. 6.

Ratio of visitors using Google popular times at (a) Samrak ecological park and (b) Daejeo ecological park.

http://static.apub.kr/journalsite/sites/kseie/2020-007-03/N0190070303/images/kseie_07_03_03_F7.jpg
Fig. 7.

Ratio of visitors using Kakao maps at (a) Samrak ecological park and (b) Daejeo ecological park.

Google popular times는 8주간의 평균 데이터를 수집해왔기 때문에 특정 날짜에 대한 정확한 이용객 수를 산정 할 수가 없었으며 데이터 수집을 시작한 기준 날짜를 확인하기 힘들다는 한계가 있었다. 카카오 방문자 데이터는 1주일 단위로 자료가 갱신되기 때문에 Google popular times보다 정확할 수 있으나 정확한 이용객 수를 추정할 수 없다는 한계가 있다. Fig. 8은 통신 빅 데이터, Google popular times 그리고 카카오 방문자 데이터의 주중 평균과 주말 평균 이용객 비율이다. 통신 빅 데이터의 경우 주중과 주말의 첨두값이 0.8 이상으로 유사한 반면 Google popular times와 카카오 방문자 데이터의 첨두값은 주중 0.4 미만 그리고 주말 0.8 이상으로 주중과 주말 간의 차이가 2배 이상 나는 것을 확인하였다.

http://static.apub.kr/journalsite/sites/kseie/2020-007-03/N0190070303/images/kseie_07_03_03_F8.jpg
Fig. 8.

Comparison of averaged daily rates of park visitors at (a) Samrak ecological park and (b) Daejeo ecological park - mobile, Google and Kakao data.

3.3 데이터 상관성 분석

Fig. 9와 Table 4는 Google popular times와 카카오 방문자 데이터의 요일별 비교결과이다. 상관계수 분석을 통한 결과에서 Google popular times와 카카오의 패턴이 매우 유사하다는 것을 확인하였다. 평일의 상관성은 0.757이며 주말의 상관성은 0.877로 평일에 비하여 주말의 상관성이 높은 것을 확인하였다. 다만, 구글과 카카오의 데이터 수집 기간에 차이가 있어 수집 기간이 짧은 (1주일 단위) 카카오 데이터에서 급증하고 급감하는 부분이 있다. 또한 카카오는 23시 이후 이용객이 급증하는 것을 확인 할 수 있었는데 이는 카카오모빌리티 (카카오 택시 및 카카오 대리)의 이용객의 영향으로 사료된다. 참고로 통신 빅데이터 기반 이용객 수 특성과 위치정보기반 추정치 간의 상관성은 거의 없는 것으로 확인되었다.

http://static.apub.kr/journalsite/sites/kseie/2020-007-03/N0190070303/images/kseie_07_03_03_F9.jpg
Fig. 9.

Comparison of daily rates of park visitors - Google and Kakao data.

Table 4.

Comparison of correlation coefficient of daily rates of park visitors - Google and Kakao data

Correlation coefficient Mon. Tue. Wed. Thur. Fri. Sat. Sun.
Samrak 0.791 0.917 0.939 0.878 0.891 0.914 0.925
Daejeo 0.676 0.549 0.623 0.784 0.520 0.850 0.820

4. 결 론

본 연구에서는 통신 빅데이터와 Google popular times 그리고 카카오 방문자 데이터를 활용하여 부산시 삼락생태공원과 대저생태공원의 이용객 패턴을 분석하여 적용 가능성과 한계점들을 도출하고자 하였다. 본 연구에서 얻은 결론을 요약하면 다음과 같다.

첫째, 통신 빅 데이터를 활용한 이용객 수 추정결과에서 위치정보 기반 데이터를 비교한 결과 많이 상이한 패턴을 갖는 것으로 나타났다. 주중, 주말 이용객 비율이 가장 큰 차이를 보였으며, 이는 친수공원 이용객뿐만 아니라 인근 도로에 주‧정차한 차량 및 교량 등의 간섭으로 과다산정하는 것으로 판단된다.

둘째, 위치정보 기반 데이터 (Google popular times, Kakao maps)가 통신 빅 데이터 보다 정확한 패턴을 갖는 것으로 확인했지만, 정확한 이용객 수를 추정하는데 어려움이 있음을 확인하였다. 따라서 개인정보를 침해하지 않는 선에서 이용객 수를 추출할 수 있다면 보다 정확한 이용객을 산정할 수 있을 것으로 판단된다.

셋째, 구글 데이터와 카카오 방문자 데이터를 비교한 결과가 유사하기 때문에 향후 카카오 원시데이터를 취득 할 수 있다면 활용하여 보다 정확한 이용객 수를 산정할 수 있을 것으로 기대된다.

본 연구에서는 통신 빅 데이터를 활용하여 친수공원 이용객 추정하는데 있어서의 차이점을 제시하였고, 향후 통신 빅 데이터를 이용할 때 pCELL의 정밀화 및 체류시간 30분 이상의 조건으로 이용객 수를 추출한다면 보다 정확한 이용객 수를 산출 할 수 있을 것으로 예상된다. 개인정보 보호법 등의 개정이 이루어져 Google popular times와 카카오 방문자 데이터 융합이 가능한 빅 데이터 플랫폼을 개발한다면 정확한 이용객 수를 추정이 가능할 것으로 판단된다. 또한 통신빅데이터 분석에 최소 수천만원의 비용이 소요되는 것에 비해 위치정보기반 데이터를 활용한다면 매우 경제적인 분석방식으로 발전 가능할 것으로 예상된다. 향후 위치정보기반 데이터와 관련하여 정확한 이용객 수를 추출할 수 있다면 통신 빅 데이터를 활용하여 이용객 수를 산정하는 것보다 위치정보 데이터를 이용하는 것이 보다 정확한 이용객 수를 추정할 수 있을 것으로 판단되며 해당 분야 외에 지역 축제 이용객 추정, 대규모 집회 참석인원 등 다양한 분야에서 활용할 수 있을 것으로 기대된다.

Acknowledgements

본 연구는 국토교통부/국토교통과학기술진흥원 지원으로 수행되었습니다 (과제번호 20AWMP-B121100-05).

References

1
De Jonge, E., van Pelt, M., and Roos, M. 2012. Time patterns, geospatial clustering and mobility statistics based on mobile phone network data. In, Proceeding of the Federal Committee on Statistical Methodology Research Conference, January 10-12. Washington D.C.: Washington Convention Center.
2
Deville, P., Linard, C., Martin, S., Gilbert, M., Stevens, F.R., Gaughan, A.E., Blondela, V.D., and Tatem, A.J. 2014. Dynamic population mapping using mobile phone data. In, Proceeding of the National Academy of Sciences, 111. 45: 15888-15893.
10.1073/pnas.140843911125349388PMC4234567
3
Dixon, J., Elders, I., and Bell, K. 2018. Electric vehicle destination charging demand characterizations at popular amenities.
4
Douglass, R.W., Meyer, D.A., Ram, M., Rideout, D., and Song, D. 2015. High resolution population estimates from telecommunications data. EPJ Data Science, 4. 1: 1-13.
10.1140/epjds/s13688-015-0040-6
5
Kim, J.E., Park, C., Kim, A.Y., and Kim, H.G. 2019a. Analysis of behavioral characteristics by park types displayed in 3rd generation SNS. Journal of the Korean Institute of Landscape Architecture 47(2): 49-58. (in Korean)
10.9715/KILA.2019.47.2.049
6
Kim, J.H., Ko, Y.S., Kim, J.K., and Kim, D.H. 2014. The application of smart cell in space policy. Sejong: Korea Research Institute for Human Settlements. (in Korean)
7
Kim, S.J., Kim, C.S., and Kim, J.S. 2019b. Estimating visitors on water-friendly space in the river using mobile big data and UAV. Ecology and Resilient Infrastructure 6(4): 250-257. (in Korean)
8
Kim, T.J., Lee, D.R., Jang, S.M., and Kwon, H.H. 2017. Generation of radar rainfall data for hydrological and meteorological application (Ⅱ) : radar rainfall ensemble. Journal of Korea Water Resources Association 50(1): 17-28. (in Korean)
10.3741/JKWRA.2017.50.1.17
9
KRIHS. 2018. using the mobile big data for the smart river space management. Korea Research Institute for Human Settlements, Sejong, Korea.
10
Lee, J.S. and Lee, S.E. 2019. A study on classification and characterization of water-friendly space for the smart river space management using the mobile big data. Korea Research Institute for Human Settlements 9: 69-82. (in Korean)
10.15793/kspr.2019.102..005
11
Lee, J.S., Lee, S.E., and Choi, J.Y. 2019. Using the mobile big data for the smart river space management: data validation and water-friendly space indicators. Korea Research Institute for Human Settlements 6: 3-18. (in Korean)
10.15793/kspr.2019.101..001
12
MOLIT. 2016. Study on river maintenance evaluation and improvement plan. Ministry of Land and Infrastructure and Transport, Sejong Korea.
13
MOLIT. 2017. A study on the utilization of the 4 rivers waterfront using mobile big data. Ministry of Land and Infrastructure and Transport, Sejong Korea.
14
NARS. 2017. Management status and improvement tasks of waterfront park. NARS Field Survey Report No.55. National Assembly Research Service, Seoul, Korea.
페이지 상단으로 이동하기