Article

Journal of Korean Society of Transportation. 31 December 2018. 503-518
https://doi.org/10.7470/jkst.2018.36.6.503

ABSTRACT


MAIN

  • 서론

  • 관련문헌 고찰

  • 자료수집

  • 분석방법론

  •   1. 보행 궤적 자료 전처리

  •   2. 보행 궤적 패턴 분류

  • 분석결과

  •   1. 시간대별 임계값 비교

  •   2. 보행궤적 데이터 레이블링 결과

  •   3. 분석결과의 활용 방안 예시

  • 결론 및 향후 연구과제

서론

서울시 도시철도의 하루 평균 이용객은 약 798만 명이며, 이 중 2호선을 이용하는 승객이 244만 명으로 가장 많은 것으로 나타났다(Seoul Open Data Plaza). 특히 출퇴근 시간대에 집중되는 지하철 이용객으로 인해 역사 내 보행 혼잡도가 증가하며, 이를 해결하기 위하여 보행 환경에 대한 개선이 요구되고 있는 실정이다. 지하철 역사 내 보행공간 확장은 점유공간의 증가로 서비스수준이 향상될 것으로 예상되나 실질적으로 불가능한 경우가 대부분이며, 이에 적절한 경로안내체계 서비스 제공은 상대적으로 적은 비용과 시간으로 혼잡을 상당히 감소시킬 것으로 판단된다. 만약 부적절한 경로안내체계가 제공되었을 경우, 역사 내 이용자는 두리번거리기, 헛걸음하기, 다시 돌아오기 등과 같은 배회 행동을 수행할 것으로 예상된다. 배회 보행자가 많은 지하철 역사는 길찾기 뿐만 아니라 재난재해 발생 시 출입구 및 비상통로 대피를 통한 인명피해 최소화를 위하여 경로안내체계의 적정성 평가가 필요하다.

지하철 역사 내 경로안내체계에 대한 적정성 평가는 전체 보행자 수 대비 배회 보행자 수를 산출하여 정량화된 값을 제시함으로써 역사간 비교분석이 가능하다. 배회 보행자 검출을 위하여 CCTV와 같은 영상 감지시스템을 이용할 수 있으나, 감시자가 지속적으로 개별 보행자의 궤적을 추적하고, 배회 행동을 판단하는 것은 어려움이 있다. 최근 자율주행을 위한 주행환경 인지기술로 많이 활용되고 있는 LiDAR 센서를 기반으로 한 보행동선 솔루션을 이용할 경우 개별 보행자를 연속하여 추적할 수 있다. 이에 본 연구에서는 LiDAR 기반으로 수집된 보행 궤적 자료를 이용하여 역사 내 보행 특성을 도출하고, 경로안내체계 적정성을 평가할 수 있는 배회 보행자 검출 기술을 개발하였다. 보행 궤적 패턴 분석은 데이터 준비 단계, 전처리 단계, 보행 궤적 패턴 분류 단계로 구성된다. 데이터 준비 단계에서는 2호선 삼성역을 대상 역사로 설정하여, 오전 첨두, 오후 비첨두, 오후 첨두에 대한 시간대별 보행 궤적 자료를 수집하였다. 수집된 자료는 개별 보행자에 ID를 부여하여 연속 추적이 가능한 보행 동선 솔루션을 활용하였다. 보행 궤적 자료의 전처리 단계는 분석의 용이성을 확보하기 위하여 보행공간 블록화 및 구역을 정의하였으며, 이상치 제거 단계를 포함한다. 보행 궤적 패턴 분류 단계에서는 보행자 배회 유형을 pacing & lapping, stay, inefficiency로 정의하고, 개별 보행 궤적 내 특성을 나타낼 수 있는 7개의 특징벡터(feature vector)를 도출하였다. 각 특징벡터에 대응하는 임계값 설정을 통해 보행 궤적 데이터 레이블링(labeling)을 위한 휴리스틱 알고리즘을 개발하였다. 본 연구에서 제시한 방법론은 도시철도 역사 내 뿐만 아니라 환승센터, 공항, 항구와 같은 다중교통시설에 확대 적용이 가능할 것으로 판단된다. 또한 향후 건설될 경전철, 광역철도 등의 역사 내 배회 보행자를 검지하고, 경로안내체계의 적정성 평가를 수행하는데 활용될 것으로 기대된다.

본 연구의 구성은 다음과 같다. 2장에서는 보행자 배회 특성 및 검지기준 관련 문헌을 검토하였다. 3장에서는 삼성역 내 보행공간에서 보행 궤적 조사 및 기초 자료 수집에 대해 서술하였다. 4장에서는 보행 궤적 내 특징을 나타내는 특징벡터를 도출하고, 보행 궤적 데이터 레이블링을 위한 휴리스틱 알고리즘을 제시하였다. 5장에서는 보행 궤적 패턴 분류 결과를 제시하였으며, 마지막 장에서는 본 연구의 결과 및 향후 연구과제에 대해 서술하였다.

관련문헌 고찰

본 연구에서는 도시철도 역사 내 보행공간에서 이용자의 보행 특성을 도출하고, 보행자 배회 궤적 패턴 정의 및 분석을 수행하고자 한다. 보행자 배회 특성관련 연구를 고찰함으로써 보행 궤적 분류를 위한 알고리즘 구축 시 궤적 내 특징을 나타내는 특징벡터 및 임계값을 설정하는데 활용하였다. 배회의 사전적 의미는 아무 목적도 없이 어떤 곳을 중심으로 어슬렁거리며 이리저리 돌아다니는 것을 의미한다. 다시 말해서, 어떤 범위 내에서 논리 없이 움직이는 행위로, 3가지의 배회 유형에 대한 MS-Patterns를 Table 1에 제시하였다(Martino-Saltzman et al., 1991). 배회 유형을 정의한 저자의 이름에 따라 MS-Patterns가 제시되었으며, random은 목적지를 예측하기 어렵고, 기점에서 종점까지 이동하는 동안 비효율적으로 움직이는 행위를 의미한다. 또한 어느 두 지점 사이를 앞뒤로 반복적으로 움직이는 행위를 pacing이라고 정의하였다. 마지막으로 lapping은 최소 세 지점 사이를 원형 형태를 그리며 움직이는 행위이다.

Table 1. Travel patterns of people with dementia (MS-Patterns)

Types of wandering Random Pacing Lapping
http://static.apub.kr/journalsite/sites/kst/2018-036-06/N0210360609/images/kst_36_06_09_T1.jpghttp://static.apub.kr/journalsite/sites/kst/2018-036-06/N0210360609/images/kst_36_06_09_T2.jpghttp://static.apub.kr/journalsite/sites/kst/2018-036-06/N0210360609/images/kst_36_06_09_T3.jpg
Definition Unpredictable and inefficient path Back-and-forth movement between two points Circular movements between, at least, three points

보행자 배회 특성 관련 연구는 Table 1에 제시한 MS-Patterns를 고려하여 배회 궤적 패턴을 정의하고, 이를 검지하기 위한 기준 마련에 관한 연구가 다수 수행되었다. Algase et al.(2009)은 42명의 치매환자를 대상으로 직접적인 관찰을 통해 보행 특성 자료를 수집하였으며, 클러스터링 기법을 적용하여 배회 유형을 classic, moderate, subclinical 상태로 구분하였다. 배회 유형이 classic 상태인 경우는 특정 범위를 높은 빈도로 지나가거나, 점유시간이 긴 것으로 나타났으며, moderate 상태, subclinical 상태 순으로 점유 횟수 및 시간이 감소하는 것으로 분석되었다. 특정 구역을 높은 빈도로 다시 되돌아오는 행위를 수행할 때 나타나는 주요 보행 특성은 방향의 변화이다(Bastista et al., 2015). 특히, 90-180°의 연속적인 방향 변화와 동시에 4-6회 주기로 어느 두 지점 사이를 앞뒤로 움직이는 행위는 pacing을 검지하는데 활용된다.

한편, 치매 환자뿐만 아니라 일반 보행자를 대상으로 배회 행동을 검지하고 특성을 분석한 연구가 수행되었다. Lin et al.(2012)은 GPS를 이용하여 실시간으로 보행자의 배회 행동을 검지하는 방법론을 제시하였다. 90° 이상의 연속적인 방향 변화와 동시에 최소 세 지점 사이를 원형 형태를 그리며 이동할 경우 배회 동선으로 검지하였다. 이처럼 갑작스러운 방향 전환은 예측한 궤적과 관측된 궤적의 차이가 존재할 가능성이 있으며, 그 차이가 클수록 비정상적인 보행자로 분류되는 것으로 나타났다(Fernando et al., 2018). 인공신경망(artificial neural network) 기법 중 심층 콘볼루션 신경망(deep convolutional neural network)을 이용하여 고령자의 보행 패턴을 분류한 연구에서는 기점에서 종점까지 이동하는 동안 효율적으로 이동하였는지 여부를 통해 비정상적인 보행자를 분류하였다(Gochoo et al., 2018). 고령 보행자는 Table 1에 제시한 random, pacing, lapping과 같은 배회 행동을 수행하여 비효율적인 이동 동선이 나타나는 것으로 분석되었다. 또한, 보행자의 이동 궤적과 방향에 대해 특징벡터를 생성하고, 생성된 특징벡터를 k-nearest neighbor 기법 통해 배회 행위를 검출하는 방법론을 제시한 연구가 수행되었다(Kang et al., 2104). 방범용 CCTV를 이용하여 실시간으로 움직이는 객체를 검출하고 방향 정보를 추출하는 것은 범죄 사고가 발생하기 전 예방을 위해 활용될 것으로 서술하였다. 이에 Park et al.(2011)은 감시영역을 벗어난 후 다시 되돌아오는 객체에 대한 배회 행위를 인식할 수 있는 지능형 배회 행위 검출 시스템을 제안하였다. 영상 내 객체가 동일한 블록을 반복적으로 움직이는 행위를 수행할 때, 배회 궤적을 나타내는 블록이 3개 이상일 경우 배회 상황으로 검출하였으며, 이를 배회검지 기준으로 설정하였다. 또한, 클러스터링(Clustering) 기법을 적용하여 보행 궤적을 유형화하고, 궤적간 특징을 통해 배회 동선을 추출한 연구가 수행되었다(Jeong and You, 2017). 보행 궤적이 타 보행자들이 일반적으로 이동하는 궤적과 유사성이 떨어지는 경우에 대해 배회 동선으로 검출 하였다.

기존 문헌 고찰 결과, MS-Patterns를 고려하여 배회 유형을 정의하고, 이를 검지하기 위한 기준 마련에 관한 연구가 다수 수행되었다. 치매 환자의 배회 행동 검지 기준은 보다 정량화된 값을 제시하고 있으나, 일반 보행자의 배회 행동을 검지하는데 있어서 동일하게 적용하는 것은 부적절할 것으로 판단된다. 영상 감지시스템의 경우 감시자가 지속적으로 각각의 보행자에 대해 궤적을 추적하고 특징을 분석하는 것은 실질적으로 어려울 것으로 예상된다. 특히, 대중교통 시설 등 우리 생활에 밀접한 관련이 있는 지역에서 보행자 배회행동을 검지하는 것은 테러와 같은 위협적인 상황을 사전에 감지하기 위하여 매우 중요하다. 기존에 보행 궤적간 유사성을 통해 배회 동선을 검출한 연구에서는 보행자가 이동하는 동안 배회 행위를 직접적으로 검지하지 못하는 한계가 존재한다. 따라서 본 연구는 배회 유형 정의 및 궤적 내 특성 도출을 통한 정량적인 배회 검지 기준을 마련하여 배회 행동을 검출하는데 차별성이 있다.

자료수집

2호선 삼성역을 대상으로 개찰구에서 코엑스와 직접 연결되는 연결통로 3-6번 출구 인근에서 상용화된 보행동선 분석 솔루션을 활용하여 보행 궤적 자료를 수집하였다. 해당 솔루션은 LiDAR 센서를 무선 네트워크에 연결한 궤적 수집 시스템으로, 개별 LiDAR 센서는 270°내에서 동선 추적이 가능하며, 센서간 검지 영역을 일부 중첩시킬 경우 임의로 부여된 ID를 기반으로 궤적을 연속하여 추적할 수 있다(Jeong and You, 2017). 자료 수집의 시간적 범위는 2017년 7월 12일 첨두시와 비첨두시로 나누어 수집하였다. 오전 첨두시는 7-9시, 오후 비첨두시는 14-14시 30분, 오후 첨두시는 18-19시로 설정하였다. 보행 궤적 자료는 0.2초 단위로 수집되었으며 x ‧ y ‧ z좌표, 방향, 속도, 가 ‧ 감속도 등의 보행특성 자료를 포함한다. 본 연구에서는 x 좌표, y 좌표, 방향, 속도, 가 ‧ 감속도 자료를 이용하였으며, 가속도의 변화량을 시간에 대해 미분한 jerk를 분석 대상 자료에 추가하였다. Jerk는 운전자의 안락감 및 주행안정성 평가에 활용되는 지표로(Bagdadi and Varhelyi, 2013), 본 연구에서는 역사 내 이용자의 보행안정성을 나타내는 지표로 활용하였다. 본 연구에서 수집된 보행 궤적 자료 중 속도, 가속도, jerk에 대한 기술통계량을 Table 2에 제시하였다.

Table 2. Comparison of pedestrian characteristics by time

Classification Number of pedestrians Speed (m/s) Acceleration (m/s2) Jerk (m/s3)
Average Standard deviation Average Standard deviation Average Standard deviation
AM peak 10,235 1.18 0.27 1.15 0.81 10.49 11.55
PM non-peak 2,771 1.13 0.30 1.29 0.80 11.33 9.35
PM peak 12,109 0.98 0.41 1.30 1.02 12.97 16.62

오전 첨두시에 대해 10,235명, 오후 비첨두시 2,771명, 오후 첨두시 12,108명으로 총 25,112명에 대한 보행 궤적 자료가 수집되었다. 오전 첨두시의 경우 평균 보행 속도가 1.18m/s로 오후 시간대에 비해 높고 표준편차가 작은 특성으로 나타났다. 또한 가속도의 평균 및 표준편차가 작으며, jerk의 평균이 낮아 오후 시간대보다 보행안정성이 높은 것으로 도출되었다. 이는 오전 첨두시에 기 ‧ 종점이 같은 경우 최단 거리를 중심으로 집중되는 보행 교통류가 형성된 것으로 판단된다. 반면에, 오후 첨두시의 경우 평균 보행 속도가 0.98m/s로 가장 낮고, 표준편차는 높은 것으로 분석되어 보행자간 속도 차이가 크게 발생하는 것으로 해석할 수 있다. 또한 가속도의 평균 및 표준편차가 높으며, 마찬가지로 jerk의 평균 및 표준편차가 큰 것으로 도출되었다. 시간대별 보행 특성간 통계적 차이가 존재하는지 검증하기 위하여 분산분석을 수행하였다. 분석결과, 보행속도, 가속도, jerk는 95% 신뢰수준에서 통계적으로 유의한 차이(p <0.5)가 있는 것으로 나타났으며 Table 3에 제시하였다. 도출된 결과에 따라 시간대별 보행 궤적 자료를 구분하여 분석에 적용하였으며, 보행 궤적 패턴 분류를 위한 알고리즘 구축 시 시간대별 서로 다른 임계값을 설정하였다.

Table 3. ANOVA test results

ANOVA
Sum of squares d.f Mean square F Sig.
Speed Between groups 85.899 2 42.950 471.234 0.000
Within groups 2288.783 25112 0.091
Total 2374.682 25114
Post-Hoc test
Section N Subset for alpha=0.05
1 2 3
Scheffe PM non-peak 2771 0.983
PM peak 12109 1.131
AM peak 10235 1.181
Sig. 1.000 1.000 1.000
ANOVA
Sum of squares d.f Mean square F Sig.
Acceleration Between groups 124.746 2 62.373 90.404 0.000
Within groups 2.E+04 25112 0.690
Total 2.E+04 25114
Post-Hoc test
Section N Subset for alpha=0.05
1 2 3
Scheffe AM peak 10235 1.1493
PM peak 12109 1.2901
PM non-peak 2771 1.3032 1.181
Sig. 1.000 0.706 1.000
ANOVA
Sum of squares d.f Mean square F Sig.
Jerk Between groups 1.E+04 2 6937.982 54.594 0.000
Within groups 3.E+06 25112 127.084
Total 3.E+06 25114
Post-Hoc test
Section N Subset for alpha=0.05
1 2 3
Scheffe AM peak 10235 10.4967
PM peak 12109 11.3313
PM non-peak 2771 12.9642
Sig. 1.000 1.000 1.000

분석방법론

본 연구에는 보행자 배회 궤적 유형을 정의하고 개별 보행 궤적 데이터 레이블링(labeling)을 위한 휴리스틱 알고리즘을 개발하였다. 앞서 언급한, 자료 준비 단계에서는 수집된 자료의 특성을 분석하여 자료 분석을 위한 기본 정보를 정의하였다. 자료 전처리 단계에서는 보행공간을 일정한 셀(cell)로 블록화 하고, 보행공간 구역을 정의하는 단계이며, 비연속적이거나 불완전한 보행 궤적을 이상치로 제거하는 과정을 포함한다. 보행 궤적 분류 단계에서는 배회 궤적 유형을 정의하고, 보행 궤적 내 특징을 나타낼 수 있는 특징벡터를 도출하였다. 최종적으로 개별 보행 궤적에 대해 배회 여부를 레이블링하기 위한 알고리즘을 개발하였다. 본 연구의 수행과정은 Figure 1과 같다.

http://static.apub.kr/journalsite/sites/kst/2018-036-06/N0210360609/images/kst_36_06_09_F1.jpg
Figure 1.

Overall research process

1. 보행 궤적 자료 전처리

1) 보행공간 블록화

본 연구에서는 보행공간을 격자형태의 셀로 구분하여 보행 궤적 자료의 좌표와 대응시켰다. 보행자는 차량과 마찬가지로 일정 공간을 점유하게 되는데 양쪽 어깨점 사이의 수평거리인 어깨너비를 고려하여 셀의 크기를 설정하였다. 성인남녀의 연령별 어깨너비는 Table 4에 제시하였으며(Ministry of Trade, Industry and Energy, 2016), 이를 참고하여 셀의 크기는 400×400 (mm2)으로 설정하였다. 이는 보행자가 일정 범위로 지정된 동일한 공간에 다시 되돌아오는지 또는 오랜 시간을 소요하는지 여부를 판단하는데 활용하였다.

Table 4. The shoulder width of Korean adults by age

Age Number of measurements Average (mm) Maximum (mm) Minimum (mm)
20-24 845 382.60 463 -
25-29 692 381.70 479 314
30-34 687 378.69 453 -
35-39 643 379.07 446 -
40-49 670 376.66 439 311
50-59 579 369.59 437 307

2) 보행공간 구역정의

본 연구의 분석 범위인 삼성역 지하 보행공간에 대한 구역을 구분하였다. 0구역은 대합실로 정의한 중앙공간이며, 1구역은 지하철 승강장과 연결되는 계단 공간에서 개찰구까지의 구역이다. 2구역, 3구역, 4구역은 방향별 출입구로 향하는 통로에 대해 시계방향으로 설정하였다(Jeong and You, 2017). 설정된 구역은 Figure 2와 같으며, 보행 궤적 자료의 이상치 제거에 활용하였다.

http://static.apub.kr/journalsite/sites/kst/2018-036-06/N0210360609/images/kst_36_06_09_F2.jpg
Figure 2.

Definition of walking area

3) 이상치 제거

보행 궤적 자료의 기 ‧ 종점 위치를 기반으로 비연속적이고 불완전한 궤적을 추출하여 이상치로 제거하였다. 본 연구에서는 보행자의 기 ‧ 종점이 출입구 접근로인 1-4구역일 경우, 대합실로 정의된 0구역을 반드시 통과하는 것으로 가정하였다. 보행 궤적의 기 ‧ 종점이 0구역인 경우는 어느 방향에서 오고 어느 방향으로 갔는지 알 수 없기 때문에 이상치로 판단하여 분석에서 제외하였다. 또한 기점에서 종점까지 이동하는 동안 0구역을 포함하지 않으며 기 ‧ 종점이 동일한 보행 궤적은 비연속적으로 끊긴 궤적으로 나타났다. 이는 전체 보행 궤적에 대한 패턴을 알 수 없기 때문에 이상치로 판단하여 분석에서 제외하였다.

2. 보행 궤적 패턴 분류

본 연구에서는 특정 구역에서 반복적인 움직임을 보이거나 이동 동선이 불규칙한 행위를 배회라고 정의하였다. 앞서 Table 1에 제시한 배회 유형인 MS-Patterns를 참고하여 역사 내 보행자의 배회 궤적 유형을 Figure 3과 같이 정의하였으며, 각 셀에 표기된 숫자는 점유 횟수를 의미한다. Pacing은 두 개의 연속적인 셀을 앞뒤로 움직이는 행위이며, lapping은 특정 구역에서 반복적으로 움직이는 행위로 정의하였다. 배회 유형 2는 stay로 임계값 이상의 시간동안 하나의 셀에 머물러 있는 행위를 의미한다. 배회 유형 3은 보행자가 기점에서 종점까지 이동하는 동안 비효율적으로 움직이는 행위로 inefficiency라고 정의하였다. 여기서, 각 셀에 대해 개별 보행자의 점유 횟수 및 시간에 대한 자료를 추가적으로 수집하였다. 이때, 고령자 등 보행 속도가 낮은 보행자는 동일한 셀을 연속하여 2회 이상 점유하거나, 하나의 셀을 점유하는 시간이 일반 보행자에 비해 길기 때문에 배회 궤적으로 분류될 가능성이 존재한다. 따라서 셀의 점유 횟수 및 시간을 이용하여 배회 유형을 분류할 경우 방향 및 속도의 표준편차를 함께 고려하여 배회 여부를 판단하는데 활용하였다.

http://static.apub.kr/journalsite/sites/kst/2018-036-06/N0210360609/images/kst_36_06_09_F3.jpg
Figure 3.

Definition of abnormal pedestrian trajectory patterns

2) Feature vector 도출

수집된 자료를 이용하여 보행자 배회 유형 및 여부를 판단하기 위해 개별 보행 궤적 내 특징을 나타낼 수 있는 7개의 특징벡터와 이에 대응하는 임계값을 도출하였다. 첫 번째 특징벡터, x1은 보행자가 기점에서 종점까지 이동하는 동안 점유한 셀의 수와 최단거리에 해당하는 셀의 수 차이를 의미한다. 기점과 종점의 각 셀을 대각선으로 연결할 경우 이에 포함되는 셀을 이용하여 최단거리에 해당하는 셀의 수를 산출하였다. 이에 대응하는 임계값은k1 으로, 모든 보행자에 대해 95percentile에 해당하는 x1으로 설정하였다. 예를 들어, 어느 보행자가 초과한 셀의 수가 k1보다 클 경우 기점에서 종점까지 이동하는 동안 비효율적인 궤적 패턴을 나타내기 때문에 배회 행위로 판단할 수 있다. x2는 진행방향에서 벗어나 동일한 셀을 점유한 횟수를 의미한다. 90° 이상의 연속적인 방향 변화는 진행 방향에서 벗어난 것으로 간주하였으며(Bastista et al., 2015; Lin et al., 2012), 이와 동시에 동일한 셀을 중복적으로 점유할 경우 다시 되돌아오기와 같은 배회 행위를 수행한 보행자로 판단된다. 방향의 단위는 degree (°)로 보행 궤적 자료의 x, y 좌표를 이용하여 2차원 평면에서 원점을 기준으로 시계방향으로 산출하였으며, Figure 4에 도식화하였다. x2에 대한 임계값 k2는 동일한 셀을 점유한 평균 횟수이며, 특정 셀을 점유한 횟수가 임계값 이상일 경우 해당 보행자는 제자리로 되돌아오는 배회 행위를 수행한 것으로 판단된다.

Table 5. Definition of 7feature vectors

Feature vectors Name Definition Thresholds
x1 Additional extra cell Difference of the number of cells occupied and corresponding to the shortest distance while moving from start to end point k1
x2 Occupancy count of cell The number of times occupied same cell by changing direction of 90degrees or more k2
x3 Standard deviation of speed Standard deviation of speed while moving from start to end point k3
x4 Standard deviation of direction Standard deviation of direction while moving from start to end point k4
x5 Peak-to-peak jerk Difference between maximum and minimum value of variation of acceleration per unit time k5
x6 Average duration Average duration occupying a cell k6
x7 Maximum duration Maximum duration occupying a cell k7

http://static.apub.kr/journalsite/sites/kst/2018-036-06/N0210360609/images/kst_36_06_09_F4.jpg
Figure 4.

Example of direction calculation

x3는 기점에서 종점까지 이동하는 동안 속도의 표준편차를 의미하며, 속도의 표준편차가 클 경우 가다 서기(stop-and-go)와 같은 머뭇거리는 행위를 수행한 보행자로 판단된다. 또한, x4는 기점에서 종점까지 이동하는 동안 방향의 표준편차로 정의하였으며, 방향의 표준편차가 클 경우 진행방향에서 벗어난 행위를 빈번히 수행한 것으로 판단된다. 이에 해당하는 임계값 k3k4는 모든 보행자에 대해 속도 및 방향의 표준편차로 정의하였다. 한편, x5는 jerk의 최댓값과 최솟값의 차이를 의미하며 peak-to-peak jerk로 정의하였다. 역사 내 이용자의 보행안정성을 나타내는 지표로 활용하였으며, 모든 보행자를 대상으로 95percentile에 해당하는 peak-to-peak jerk인 k5 이상일 경우는 보행안정성이 저하되는 것으로 해석할 수 있다. 마지막으로, x6x7은 기점에서 종점까지 이동하는 동안 점유한 셀의 평균 및 최대 점유시간을 의미한다. 셀의 평균 및 최대 점유시간이 임계값보다 클 경우 일정 공간에 오래 머물러 있는 시간이 길어 두리번거리기, 주변 탐색하기, 방황과 같은 배회 행위를 수행한 보행자로 판단된다. k6는 모든 보행자의 평균 셀 점유시간이며, 마지막으로 k7는 모든 보행자의 95percentile에 해당하는 최대 점유시간을 의미한다.

3) 보행 궤적 데이터 레이블링

본 연구에서 수집된 삼성역 지하철 역사 내 수집된 보행 궤적 자료는 보행자의 배회 여부를 알 수 없으며, 보행 궤적 자료와 영상을 매칭(matching)하여 배회 여부를 판단하는데 실질적으로 오랜 시간이 소요된다. 따라서 본 연구에서는 개별 보행 궤적 내 특징을 나타낼 수 있는 각 7개의 특징벡터와 임계값을 이용하여 배회 유형 및 보행자를 레이블링하기 위한 휴리스틱 알고리즘을 개발하였다. Figure 5에 제시한 바와 같이 3가지의 배회 유형 중 어느 하나에 해당될 경우 비정상(abnormal) 보행자로 분류되어 1로 레이블링 하였으며, 그렇지 않을 경우 정상(normal) 보행자로 분류되어 0으로 레이블링을 수행하였다.

http://static.apub.kr/journalsite/sites/kst/2018-036-06/N0210360609/images/kst_36_06_09_F5.jpg
Figure 5.

The heuristic algorithm for pedestrian trajectory data labeling

우선, 배회 유형 2에 해당하는 stay를 분류하기 위하여 속도의 표준편차(x3), 셀의 평균 점유시간(x6), 그리고 셀의 최대 점유시간(x7)에 대한 특징벡터를 이용하였다. 일반적으로 셀을 점유하는 시간이 다소 높을 경우 배회로 판단할 수 있으나, 고령자와 같은 보행속도가 낮은 보행자는 배회를 하지 않았음에도 불구하고 배회 보행자로 분류될 가능성이 존재한다. 따라서 속도의 표준편차가 모든 보행자의 속도 표준편차(p3)보다 클 때 셀의 평균 및 최대 점유시간을 비교하였다. 예를 들어, 가다 서기를 반복한 보행자는 속도의 표준편차가 다소 높을 것이며, 일정 범위에 머무르는 행위를 수행한 보행자로 배회 유형 2로 분류된다. 한편, 배회 유형 1을 분류하기 위하여 초과한 셀의 수(x1), 동일한 셀의 점유 횟수(x2), 방향 표준편차(x4), 그리고 peak-to-peak jerk (x5)에 대한 특징벡터를 이용하였다. 개별 보행자의 초과한 셀의 수가 모든 보행자의 95percentile에 해당하는 초과 셀 수보다 크거나, 방향의 표준편차가 다소 높을 경우 배회로 판단할 수 있다. 또한 peak-to-peak jerk 값이 모든 보행자의 95percentile에 해당하는 수치보다 클 경우 보행안정성이 낮은 보행자로 판단된다. 이와 동시에 동일한 셀을 점유한 횟수가 임계값 이상일 경우 유형 1의 pacing & lapping으로 분류하였으며, 임계값 미만일 경우 유형 3의 inefficiency로 구분하였다.

분석결과

1. 시간대별 임계값 비교

본 연구에서는 삼성역 역사 내 보행공간에서 수집된 보행 궤적 자료를 이용하여 궤적 내 특징을 나타낼 수 있는 특징벡터와 임계값을 도출하였다. Table 3에 제시한 바와 같이 시간대별 보행 특성은 통계적으로 유의한 차이가 존재하는 것으로 분석되었으며, 이에 시간대별 임계값을 다르게 설정하였다. 오전 첨두시에 10,235명, 오후 비첨두시에 2,771명, 오후 비첨두시에 12,109명의 보행 궤적 자료가 수집되었으며, 이상치 제거 후 오전 첨두시에 7,049명, 오후 비첨두시에 1,420명, 오후 첨두시에 6,778명의 자료를 분석에 적용하였다. 시간대별 보행 특성의 95percentile, 평균, 표준편차는 Table 6에 제시하였다.

Table 6. Comparison of feature vectors by time

AM peak
x1x2x3x4x5x6x7
95percentile 30.00 5.00 1.56 133.75 248.65 0.40 1.80
Average 16.86 1.59 1.05 93.10 132.50 0.32 0.97
Standard deviation 11.60 4.69 0.53 28.21 175.52 0.06 2.10
PM non-peak
x1x2x3x4x5x6x7
95percentile 47.95 12.00 1.64 135.66 771.15 0.61 6.79
Average 17.60 3.09 1.41 72.19 210.94 0.38 1.82
Standard deviation 16.09 9.95 0.64 38.90 259.24 0.16 3.82
PM peak
x1x2x3x4x5x6x7
95percentile 45.00 6.00 1.62 121.96 244.96 0.46 3.00
Average 18.29 1.58 1.01 59.24 139.69 0.35 1.17
Standard deviation 16.51 5.79 0.54 30.79 95.57 0.08 1.69

기점에서 종점까지 이동하는 동안 초과한 셀 수의 95percentile (k1)은 오전 첨두시에 30개로 오후 시간대에 비해 적은 것으로 나타났다. 이는 오전 첨두시에 기 ‧ 종점이 같은 경우 최단 거리를 중심으로 집중되는 보행 교통류가 형성된 것으로 판단된다. 동일한 셀을 점유한 횟수의 평균(k2)은 오후 비첨두시의 경우 약 3회로 첨두시간대에 비해 많은 것으로 분석되었다. 또한, 속도의 표준편차(k3)와 방향의 표준편차(k4)는 오후 비첨두시에 대해 각각 0.64m/s, 38.90°로 첨두시간대보다 높은 것으로 도출되었다. Peak-to-peak jerk의 95percentile (k5)은 오후 비첨두시에 771.15m/s3으로 첨두시간대의 약 3배 정도 높은 것으로 분석되었다. 마지막으로, 셀의 평균 점유시간(k6) 및 최대 점유시간의 95percentile (k7)은 오후 비첨두시에 대해 각각 0.38초, 6.79초로 첨두시간대보다 다소 긴 것으로 나타났다. Table 6을 고려하여 도출된 시간대별 임계값은 Table 7과 같다.

Table 7. Threshold values by time

Thresholds
k1k2k3k4k5k6k7
AM peak 30.00 1.59 0.53 28.21 248.65 0.32 1.80
PM non-peak 47.95 3.09 0.64 38.90 771.15 0.38 6.79
PM peak 45.00 1.58 0.54 30.79 244.96 0.35 3.00

2. 보행궤적 데이터 레이블링 결과

본 연구에서는 역사 내 보행 궤적 자료를 이용하여 배회 궤적 패턴을 도출하고, normal 및 abnormal 보행자를 분류하였다. 본 연구에서 정의한 배회 유형은 3가지로 pacing & lapping, stay, inefficiency로 구분하였다. 개별 보행 궤적 내 특징을 나타낼 수 있는 7개의 특징벡터 및 이에 대응하는 임계값을 적용한 보행 궤적 레이블링 결과는 Table 8과 같다. 오전 첨두시에 수집된 7,049명의 보행자 중 1,249명(17.72%)이 abnormal 보행자로 분류되었다. 오후 비첨두시의 경우는 1,420명의 보행자 중 300명(21.13%), 오후 첨두시는 6,778명 중 1,731명(25.54%)으로 배회 보행자가 가장 많은 것으로 도출되었다. 오전 및 오후 첨두시의 경우 배회 유형 2 (stay)를 수행하는 보행자가 가장 많고, 유형 1, 유형 3 순으로 적은 것으로 나타났다. 반면에 오후 비첨두시는 배회 유형 1 (pacing & lapping)을 수행하는 보행자가 가장 많았으며, 유형 2, 유형 3 순으로 감소하는 것으로 분석되었다. 도출된 결과에 따라 배회 보행자의 보행 궤적을 살펴본 결과, 본 연구에서 제시한 배회 유형을 나타낸 것으로 확인되었다. 배회 궤적 패턴을 나타낸 일부 보행자의 궤적을 Figure 6에 제시하였다.

Table 8. Results of pedestrian trajectory data labeling

Abnormal pedestrian
trajectory patterns
AM peak (N=7049) PM non-peak (N=1420) PM peak (N=6778)
Number
of pedestrians
Rate (%) Number
of pedestrians
Rate (%) Number
of pedestrians
Rate (%)
Type 1 Pacing & Lapping 308 4.37 115 8.10 518 7.64
Type 2 Stay 800 11.35 111 7.82 874 12.89
Type 3 Inefficiency 141 2.00 74 5.21 339 5.00
Total 1249 17.72 300 21.13 1731 25.54

http://static.apub.kr/journalsite/sites/kst/2018-036-06/N0210360609/images/kst_36_06_09_F6.jpg
Figure 6.

Example of abnormal pedestrian trajectory patterns

3. 분석결과의 활용 방안 예시

본 연구에서 제시한 방법론은 역사 내 경로안내체계의 적정성 평가를 위한 성능지표 개발에 활용될 것으로 기대된다. 성능지표는 배회 보행자 수에 대한 전체 보행자 수의 백분율로 Equation 1과 같이 정의할 수 있으며, 성능지표의 분석 및 활용 목적에 따라 분석주기를 결정할 수 있다.

$$PerformanceIndex(t)=\frac{WonderingPed(t)}{AllPed(t)}\times100$$ (1)

여기서, Performance Index (t): 분석주기 t에 대한 성능지표

Wandering Ped(t): 분석주기 t에 대한 배회 보행자수

All Ped(t): 분석주기 t에 대한 전체 보행자 수

이때, 역사 내 부적절한 동선 및 안내체계가 제공되었을 경우 보행자는 배회하며, 보행궤적 자료를 기반으로 abnormal 보행자로 분류된 보행자는 배회 보행자라는 가정이 따른다. 성능지표의 범위는 0-100 사이로 산출되며 성능지표가 0일 경우는 배회하는 보행자가 존재하지 않는 것을 의미한다. 이는 적절한 경로안내체계가 제공된 역사 내 보행자는 배회할 가능성이 낮은 것으로 해석할 수 있다. 반면에 성능지표가 100일 경우는 모든 보행자가 배회하는 상황으로, 위의 가정에 따라 역사 내 경로안내체계가 비효율적임을 나타낸다. 본 연구에서 설정한 오전 첨두시, 오후 비첨두시 및 첨두시에 대한 시간대별 성능지표는 각각 17.72%, 21.13%, 25.54%로 도출되었다. 오후 첨두시의 경우 성능지표가 가장 큰 것으로 도출되어 배회 보행자가 가장 많은 것으로 해석된다. 일일 보행 궤적 자료가 모두 수집될 경우 분석주기 단위의 성능지표 도출이 가능할 것으로 판단된다. 또한, 본 연구의 분석 대상인 삼성역뿐만 아니라 여러 역사를 대상으로 성능지표를 도출할 경우, 경로안내체계의 개선이 필요한 대상 역사를 선정할 수 있을 것으로 판단된다.

결론 및 향후 연구과제

도시철도 역사 내 부적절한 경로안내체계가 제공되었을 경우, 역사 내 이용자는 두리번거리기, 헛걸음하기, 다시 돌아오기 등과 같은 배회 행동을 수행할 것으로 판단된다. 배회 보행자가 많은 지하철 역사는 길찾기 뿐만 아니라 재난재해 발생 시 인명피해 최소화를 위하여 경로안내체계의 적정성 평가가 요구된다. 따라서 본 연구에서는 LiDAR 센서를 기반으로 수집된 자료를 이용하여 배회 보행 궤적 분류를 통해 경로안내체계의 적정성 평가를 위한 기초연구를 수행하였다. 2호선 삼성역을 대상 역사로 설정하여, 오전 첨두, 오후 비첨두, 오후 첨두시에 대한 시간대별 자료를 분석에 적용하였다. 보행궤적 자료 전처리 단계는 어깨너비를 기준으로 보행공간을 격자형태의 셀로 구분하여 블록화 하였으며, 역사 내 방향별 출입구에 대해 구역을 정의하였다. 또한 비연속적이거나, 불완전한 궤적에 대해 이상치 제거를 수행하였으며, 오전 첨두시 7,049명, 오후 비첨두시 1,420명, 오후 첨두시 6,778명에 대한 보행 궤적 자료를 분석에 활용하였다. 보행궤적 데이터 레이블링 결과, 오전 첨두시에 수집된 7,049명의 보행자 중 1,249명(17.72%)이 abnormal 보행자로 분류되었다. 오후 비첨두시의 경우는 1,420명의 보행자 중 300명(21.13%), 오후 첨두시는 6,778명 중 1,731명(25.54%)으로 배회 보행자가 가장 많은 것으로 도출되었다. 특히, 오전 및 오후 첨두시의 경우 stay를 수행하는 보행자가 각각 800명(11.35%), 874명(12.89%)으로 가장 많았으며, 오후 비첨두시는 pacing & lapping을 수행하는 보행자가 115명(8.10%)으로 분석되었다. 본 연구의 결과는 배회 보행자 검출을 통해 경로안내체계의 적정성 평가를 위한 지표 개발에 활용될 것으로 기대된다.

본 연구에서 제시한 보행궤적 패턴 분류에 대한 신뢰도를 높이기 위해서는 다음과 같은 추가적인 연구가 필요하다. 첫째, 휴리스틱 알고리즘 개발에 있어 보행 궤적 분류를 위한 특징벡터 선정 시 다양한 자료를 이용할 필요가 있으며, 임계값 설정에 대한 추가적인 연구가 필요하다. 예를 들어, 유전 알고리즘을 통해 normal 및 abnormal 보행자의 분류 정확도가 우수한 임계값을 도출하여, 보행 궤적 패턴 분류를 위한 알고리즘을 개선해야 할 것이다. 둘째, 본 연구에서는 일부 샘플 데이터를 활용하여 분석하였으나, 센서 기반 DB를 구축하여 보다 다양한 배회 유형 및 원인 분석이 가능하도록 하는 것이다. 보행 궤적 자료를 무한히 수집하여 빅데이터 분석을 위한 데이터셋이 구축될 경우, 심층 신경망(deep neural network)과 같은 인공신경망 기법을 적용하여 배회 보행자를 검출하는 분류기 생성이 가능할 것으로 판단된다. 마지막으로, 분석결과의 검증을 위해서는 보행 동선 솔루션과 동시에 수집된 영상자료를 매칭하여 보행자의 속성, 특징, 행동 등을 비교해야 한다. 영상 자료를 이용하여 개별 보행자의 궤적을 지속적으로 추적하는 것은 오랜 시간이 소요되며, 배회 행동을 판단하는데 실질적으로 어려움이 있다. 따라서 영상 기반의 연속적인 보행자 추적을 위한 방법론 개발이 추가적으로 수행되어야 할 것이다.

본 연구의 결과는 보행자 배회 유형을 정의하고, 보행 궤적 패턴 분석을 통한 배회 보행자를 검출하는데 의의가 있다. 이는 도시철도 역사 내 뿐만 아니라 환승센터, 공항, 항구와 같은 다중교통시설에 확대 적용이 가능할 것으로 판단된다. 또한 향후 건설될 경전철, 광역철도 등 역사 내 배회 보행자를 검지하고, 경로안내체계의 적정성 평가를 수행하는데 활용될 것으로 기대된다. 앞서 언급한 향후 연구내용에 대한 체계적인 분석을 통해 실질적으로 적용 가능한 결과 도출을 위해 다각적인 노력이 필요할 것이다.

Funding

This research was supported by a grant from the R&D Program of the Korea Railroad Research Institute, Republic of Korea.

References

1
Algase D. L., Antonakos C., Beattie E. R., Beel‐Bates C. A., Yao L. (2009), Empirical Derivation and Validation of a Wandering Typology, Journal of the American Geriatrics Society, 57(11), 2037-2045.
10.1111/j.1532-5415.2009.02491.x20121953
2
Bagdadi O., Várhelyi A. (2013), Development of a Method for Detecting Jerks in Safety Critical Events, Accident Analysis & Prevention, 50, 83-91.
10.1016/j.aap.2012.03.03223200443
3
Batista E., Borras F., Casino F., Solanas A. (2015), A Study on the Detection of Wandering Patterns in Human Trajectories, In Information, Intelligence, Systems and Applications (IISA), 2015 6th International Conference on IEEE, 1-6.
4
Fernando T., Denman S., Sridharan S., Fookes C. (2018), Soft+ Hardwired Attention: An lstm Framework for Human Trajectory Prediction and Abnormal Event Detection, Neural networks, 108, 466-478.
10.1016/j.neunet.2018.09.00230317132
5
Gochoo M., Tan T., Velusamy V., Liu S., Bayanduuren D., Huang S. (2018), Device-Free Non-Privacy Invasive Classification of Elderly Travel Patterns in A Smart House Using PIR Sensors and DCNN, IEEE Sensors Journal, 18(1), 390-400.
6
Jeong E. B., You S. Y. (2017), An Algorithm of Identifying Roaming Pedestrians' Trajectories using LiDAR Sensor, Journal of Korea Institute Intelligent Transportation System, 16(6), 1-15.
10.12815/kits.2017.16.6.01
7
Kang J. H., Kwak S.Y. (2014), Loitering Detection Solution for CCTV Security System, Journal of Korea Multimedia Society, 17(1), 15-25.
10.9717/kmms.2014.17.1.015
8
Lin Q., Zhang D., Huang X., Ni H., Zhou X. (2012), Detecting Wandering Behavior Based on GPS Traces for Elders with Dementia, In Control Automation Robotics & Vision (ICARCV), 2012 12th International Conference on IEEE, 672-677.
9
Martino-Saltzman D., Blasch B. B., Morris R. D., McNeal L. W. (1991), Travel Behavior of Nursing Home Residents Perceived as Wanderers and Nonwanderers, The Gerontologist, 31(5), 666-672.
10.1093/geront/31.5.6661778493
10
Ministry of Trade, Industry and Energy (2016), 7th Dimension of Human Body Report.
11
Park E. S., Lee H. H., Yun M. K., Kim M. G., Kwak J. H., Kim H. K. (2011), Loitering Behavior Detection using Shadow Removal and Chromaticity Histogram Matching, Korea Institute Of Information Security And Cryptology, 21(6), 159-169.
12
Seoul Open Data Plaza, https://data.seoul.go.kr/
페이지 상단으로 이동하기