Development of Multi-Dimensional Mobility Indicators (MDMI) for Agent-based Travel Pattern Classification

Minsu Won; Jiyun Shim; Soojeong Choi; Jae Hyun Lee

doi:10.7470/jkst.2024.42.6.674

Preview

Article

Journal of Korean Society of Transportation. 31 December 2024. 674-693
https://doi.org/10.7470/jkst.2024.42.6.674

Development of Multi-Dimensional Mobility Indicators (MDMI) for Agent-based Travel Pattern Classification

객체 단위 통행 유형 구분을 위한 다차원 모빌리티 지표(MDMI) 개발

Minsu WON¹

Jiyun SHIM²

Soojeong CHOI³

Jae Hyun LEE⁴^*

원 민수¹

심 지윤²

최 수정³

이 재현⁴^*

¹Associate Research Fellow, Department of Transport Big Data, Korea Transport Institute, Sejong 30147, Korea

²Researcher, Department of Transport Technology Research, Korea Transport Institute, Sejong 30147, Korea

³Graduate Student, Department of Geography, Kyungpook National University, Daegu 41566, Korea

⁴Assistant Professor, Department of Geography, Kyungpook National University, Daegu 41566, Korea

¹한국교통연구원 교통빅데이터연구본부 부연구위원

²한국교통연구원 교통기술연구본부 연구원

³경북대학교 지리학과 석사과정

⁴경북대학교 지리학과 조교수

^{*Corresponding Author}

License (open-access, http://creativecommons.org/licenses/by-nc/4.0/):

This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://creativecommons.org/licenses/by-nc/4.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

ABSTRACT

Each person has unique travel and activity patterns, and understanding these characteristics is crucial for analyzing diverse mobility behaviors within urban environments. This study proposes a new concept, the Multi-Dimensional Mobility Indicators (MDMI), to explore and classify individual mobility patterns at the agent level. First, various mobility indicators, such as travel time, travel distance, and number of trips, as well as individual-level indicators like residence time by activity space, complexity, and activity ellipse characteristics, are used to capture these patterns. Then, The MDMI classifies sixteen types of mobility patterns based on a combination of four criteria: 1) activity space and travel distance, 2) the ratio of in-home to out-of-home activities, 3) the complexity and roundness of the activity ellipse, and 4) time spent at work. Afterward, we analyze the relationship between the MDMI of each person and the factors affecting them, such as socioeconomic characteristics, region, etc. The analysis results show that various characteristics (i.e., age, gender, income, and primary means of transportation) significantly affect individual mobility patterns and their MDMI. For example, having a driver's license is associated with higher travel distances but did not engage in a greater number of activities. Moreover, residents of the Seoul Metropolitan Area (Seoul, Incheon, Gyeonggi) were spending a significant amount of time on commuting. These findings provide valuable insights into individual mobility patterns and offer guidance for improving transportation policies.

Keywords

individual travel survey

location-based data

mobility classification

mobility indicator

travel behavior analysis

시공간 단위의 통행 특성과 이동 형상은 개인에 따라 독특한 특성을 나타낸다. 본 연구에서는 이러한 모빌리티 특성을 몇 가지의 경향으로 유형화할 수 있음을 제안하였다. 유형화에 활용된 모빌리티 지표는 통행시간, 통행거리, 통행횟수 등의 기본적인 지표뿐만 아니라 위치기반 정보로 산출 가능한 미시적인 지표, 즉 활동장소별 체류시간, 모빌리티 복잡성, 활동 타원체 특성 지표 등을 포함하였다. 이를 활용하여 모빌리티 패턴을 16개 유형으로 구분하는 다차원 모빌리티 지표(Multi-Dimensional Mobility Indicators; MDMI)를 정의하였다. 유형화의 기준이 되는 요인은 4가지로 활동공간과 통행거리, 집 안과 집 밖 활동 비중, 복잡성과 활동 타원체의 원형성, 직장에서 보내는 시간으로 나타났다. 이후 MDMI 지표와 사회경제적 특성 및 지역적 특성 간 연관관계를 규명하였으며, MDMI 지표별, 유형별로 나타나는 독특한 특성을 확인하였다. 분석 결과, 연령, 성별, 소득수준, 주 이용 교통수단 등 다양한 사회경제적 특성이 개인의 모빌리티 유형에 유의미한 영향을 미치는 것으로 나타났다. 예를 들어, 운전면허 소지자는 미소지자보다 통행 거리가 길지만, 실내형, 단순장종(長縱)형의 비율이 높아 다양한 활동을 수행하지는 않는 것으로 나타났다. 또한 수도권 3개 시도(서울, 인천, 경기)는 장거리형, 실내형, 장시간 근무형의 비율이 높아 통근통행에 많은 시간을 할애하는 경향을 확인할 수 있었다. 본 연구는 개인의 모빌리티 패턴을 다차원적으로 이해하여, 기존 모빌리티 분석의 가능성을 확장하는 데 참고할 수 있을 것이다.

키워드

개인통행실태조사

위치기반 정보

모빌리티 유형화

모빌리티 지표

통행행태분석

MAIN

서론
선행연구
1. 위치기반 정보를 활용한 모빌리티 특성 분석 연구
2. 모빌리티 특성의 유형화 연구
3. 차별성
다차원 모빌리티 지표의 개발
1. 객체 단위 모빌리티 지표 산출
2. 다차원 모빌리티 지표(MDMI) 도출 및 유형화
3. MDMI 유형별 개인특성 분석
개인통행실태조사 데이터를 이용한 MDMI 정의 및 분석 결과
1. 데이터
2. 객체 단위 모빌리티 지표 산출
3. 다차원 모빌리티 지표(MDMI) 도출 및 유형화
4. 다차원 모빌리티 지표(MDMI) 기반 유형별 개인 특성 분석
결론

서론

최근 통행행태 연구는 다양한 센서에 기반한 빅데이터의 등장과 함께 큰 변화를 맞이하고 있다. 그동안 설문조사 기반의 표본 데이터로 이루어져 왔던 통행행태 분석은 모바일 통신데이터, 소셜 미디어 데이터, 참여형 지리정보(Volunteered geographic information) 데이터 등의 출현과 함께 연구의 시공간적 범위가 확장됐을 뿐만 아니라 이를 바탕으로 한 통행행태 이해의 폭도 넓혀지고 있다(Gonzalez et al., 2008; Lee et al., 2016a; Kim et al., 2023). 국내외에서는 이러한 모빌리티 데이터를 활용해 위치정보에 기반하여 의미 있는 정보를 도출할 수 있는 연구를 비롯해 활동-통행 시퀀스 분석, 시설 및 인프라 접근성 분석, 사회 및 경제 분야의 변화에 따른 통행패턴 분석 등의 연구가 활발히 진행되고 있다(Kim et al., 2019; García-Albertos et al., 2019; Cao et al., 2019; Shi et al., 2022; Martin et al., 2023).

그러나 통행거리, 통행시간, 통행횟수와 같은 전통적 통행지표는 집계적 수준으로, 객체 단위의 다양한 시공간 활동패턴과 이동 형상을 충분히 반영하지 못하고 있다. 특히 전수에 가까운 초 단위 모빌리티 정보의 활용이 가능한 상황에서 기존 지표를 사용한 모빌리티 분석은 정보의 소실을 야기하는 등의 한계가 명확하다. 또한, 다양한 모빌리티 빅데이터(모바일 통신, 차량 GPS, 대중교통카드 데이터 등)는 설문조사 같은 직접적인 조사 방식에서 확인할 수 있는 상세한 통행목적, 통행수단, 통행자의 개인 속성 및 사회경제적 요소 등을 포함하지 않기에 별도의 추정이 필요하며, 이에 따라 정확도가 낮아진다는 한계가 있다(Alexander et al., 2015; Faroqi and Mesbah, 2021; Won et al., 2021). 더욱이, 이러한 데이터로부터 파생된 다양한 통행행태 정보는 개별적으로 존재하여 이들의 복합적 관계를 설명할 수 있는 지표가 부재하며, 이에 따라 모빌리티 전환 시대에 더욱 복잡해지는 개인의 통행행태 특성을 이해하는 데 한계가 있다. 즉, 모빌리티 데이터가 제공하는 원시적인 특성만으로는 인구구조 변화, 신 교통수단 및 기술의 도입, 국토의 공간구조 변화, 근무 형태 및 장소의 변화 등 환경변화에 따른 통행 특성 변화를 파악하기 어려우며 이는 곧 서비스 제공 계획 수립, 정부 정책의 효과 파악 등에의 적용이 쉽지 않음을 시사한다(Won et al., 2023). 따라서 본 연구는 GPS 데이터, 참여형 지리정보 등 모빌리티 데이터의 중장기적 활용성을 높이고, 다양한 모빌리티 서비스 도입 또는 정책 수립에 활용도를 높일 수 있도록 상호독립적인 객체 단위 모빌리티 특성에 기반한 다차원 모빌리티 지표(Multi-Dimensional Mobility Indicators; MDMI)를 개발하여 그 적용 가능성을 검토하는 것을 목적으로 한다.

이를 위해 2장에서는 위치기반 정보로 모빌리티 특성을 분석 및 유형화한 선행연구를 검토하고, 본 연구의 차별성을 도출하고자 한다. 3장에서는 다양한 모빌리티 지표를 통해 다차원 모빌리티 지표(MDMI)를 개발하는 과정을 살펴보고자 한다. 4장에서는 개발한 MDMI로 한국교통연구원 국가교통데이터베이스(KTDB) 개인통행 실태조사(2021) 응답자의 모빌리티 특성을 유형화한다. 이후 개인의 모빌리티 특성이 연령, 성별, 소득수준, 주 이용 교통수단 등과 같은 사회경제적 특성과 지역적 특성과 어떠한 관계가 있는지 확인하고, 새로운 모빌리티 지표가 이러한 특성을 통해 효과적으로 설명될 수 있음을 확인하고자 한다. 마지막으로, 5장에서는 연구 결과를 바탕으로 다차원 모빌리티 지표 개발의 학술적·정책적 의의를 논의하고, 본 연구의 한계 및 향후 연구 방향을 제시하고자 한다.

선행연구

본 연구에서는 위·경도 좌푯값 등 위치정보에 기초를 둔 모빌리티 데이터를 활용하여 개인의 통행행태 특성을 분석한 연구를 검토한다. 또한 본 연구의 핵심인 다차원 모빌리티 지표의 도출은 객체 단위의 통합적 분석을 통해 개별 모빌리티 특성을 요약하여 설명할 수 있는 공통적인 성분의 발견을 의미하며, 이는 궁극적으로 새롭게 도출된 지표를 바탕으로 개인별 통행행태를 종합적으로 유형화하여 이해할 수 있는 열쇠가 된다(Martin et al., 2023). 이에 본 연구에서는 개인의 통행행태 유형화에 활용되어 온 통행지표를 복합적으로 활용하거나 이를 바탕으로 새로운 지표를 도출해 낸 연구를 함께 검토한다.

1. 위치기반 정보를 활용한 모빌리티 특성 분석 연구

모빌리티 데이터를 활용하여 개인의 통행 특성을 분석한 대다수의 연구에서는 통행횟수, 통행거리, 통행시간 등의 전통적인 지표를 활용하여 개인별 행태를 분석해 왔다(Iio et al., 2021; Pan et el., 2022). 그러나 이러한 지표들은 복잡한 개인의 삶과 개인이 활동하는 공간을 모두 설명하기에는 한계가 있다. 이에 모빌리티 데이터상 위치기반 정보를 활용하여 활동의 공간적 특성들을 포괄할 수 있는 지표를 도출해 내는 연구가 최근 활발히 진행되어 왔다(Shi et al., 2015; Xu et al. 2018; Shi et al., 2022; Iio et al., 2021; Pan et al., 2022).

Shi et al.(2015)은 하얼빈에서 수집한 CDR 데이터를 분석하여 커뮤니티의 공간 분포를 세 가지 유형(단일 중심, 이중 중심, 구역 분포)으로 구분하였다. 이후 이동궤적의 각도분포(angle distribution of trajectories)와 회전반경(radius of gyration)을 통해 각 유형의 이동성 특징을 확인하였다.

Xu et al.(2018)은 모빌리티 특성과 사회경제적 지위 간의 관계를 분석하기 위해, 개인의 휴대전화 위치 데이터로 회전반경, k-회전반경, 활동 위치 수, 활동 엔트로피, 통행의 다양성, 단일성 등 6가지 모빌리티 지표를 도출하였다. 이를 통해 싱가포르와 미국 보스턴 지역에서 이동성과 사회경제적 지위 간의 관계가 주거시설의 공간적 분포, 고용 기회 등의 지역적 특성에 따라 다를 수 있음을 확인하였다.

Iio et al.(2021)은 코로나19 팬데믹 기간 텍사스주 휴스턴 지역에서 소득에 따른 모빌리티 변화를 분석하고자 하였다. 이를 위해 총 통행거리(total travel distance), 회전반경(radius of gyration), 방문 위치 수(number of visited locations), 1회 통행 거리(per‐trip distance) 등의 지표를 사용하여 코로나19 발생 전후 모빌리티 변화를 비교하였다.

Shi et al.(2022)은 하루 활동스케줄의 복잡성(complexity)을 나타내기 위하여 캘리포니아의 National Household Travel Survey(2017) 데이터에 21개의 개별 상태를 기반으로 하는 단편화 지표(fragmentation indicator)를 정의하였다. 이 단편화 지표가 유사하게 높거나 낮은 그룹의 특성을 확인하기 위하여 각 개인에 대한 복잡성을 계산한 다음 각 개인 거주지의 경도 및 위도 값과 복잡성 수치를 사용하여 단변량 LISA 분석을 수행하고, 유형별 공간적 특성을 비교하였다.

또한, Pan et al.(2022)은 중국 이동통신공사(China Mobile Communications Corporation)에서 제공받은 모바일 폰 데이터를 활용하여, 코로나19가 이동성에 미치는 영향을 연구했다. 연구에서는 통행 빈도(개인의 일주일간 총 통행횟수)와 활동공간 면적(개인의 일주일간 활동 장소를 기반으로 한 표준편차 타원체)을 활용하여, 2019년 12월부터 2020년 5월까지 그레이터 베이 지역(Greater Bay Area)의 주요 도시들(광저우, 선전, 포산)에서 소득수준 집단과 지역 주민 및 이주자 집단 간의 이동성을 비교 분석하였다.

2. 모빌리티 특성의 유형화 연구

모빌리티 특성을 유형화한 연구로 먼저 Jiang et al.(2012)은 사람들이 수행하는 일상적인 활동의 규칙적인 패턴을 밝히고자 하였다. 이를 위해 가구, 인구통계학, 통행 정보(통행일, 통행목적, 출발·도착 시각, 경위도 좌표 등)가 포함된 Travel Tracker Survey 데이터에 주성분 분석(PCA), K-평균 클러스터링 알고리즘 등을 활용하였다. 분석 결과, 주중과 주말의 활동에 따라 모빌리티 패턴이 각각 8개, 7개의 그룹으로 분류되었으며, 인구통계학적 정보와 연계하여 각 그룹의 특성을 이해하였다.

Cui et al.(2018)은 개인의 통행 특성을 유형화하기 위하여 통행시간 및 요일, 통행수단, 통행목적, 인구통계학적 특성, 통행 종료 장소의 유형으로 이를 분류하는 딥러닝 기반 접근 방식을 개발하였다. 2012-2013년 CHTS(California Household Travel Survey) 데이터를 활용하여, 쇼핑 활동이 많은 비근로자, 여가 활동이 많은 비근로자, 일반적인 출퇴근을 하는 근로자, 근무 시간이 짧은 사람, 늦은 시간에 근무를 시작하는 사람, 학교에 다니는 사람, 그 외 유형의 7가지로 구분하였다.

한편 개인이 방문하는 장소(Node), 장소와 장소 사이의 방향성을 가진 통행(Directed Edge)으로 구성된 하나의 네트워크를 의미하는 모티프(motif)를 통해서도 모빌리티 특성을 유형화할 수 있다. Cao et al.(2019)은 중국 선전시 주요 통신사에서 제공받은 위치 데이터를 활용하여 사람들의 일상적인 통행을 모티프(motif)로 모형화하였다. 이때 데이터를 체류지점 기준으로 분할하고, 각 지점을 집, 직장, 사회 활동 등으로 분류하여 개인별 위치기반 모티프(location-based motif), 활동 기반 모티프(activity-based motif)라는 두 가지 유형의 네트워크를 구분했다. 두 가지 유형의 모티프 중 각각의 빈도 상위 10개 유형은 사람들의 통행의 99%를 설명할 수 있음을 보여주었다.

Jonietz et al.(2018)은 통행 궤적을 기반으로 개인의 통행행태 변화 과정을 설명하고, 이러한 변화의 유사성을 기반으로 사람들을 클러스터링하는 데이터 마이닝 방법을 제안하였다. 이때 GPS 궤적 데이터의 좌푯값, 통행 구간(trip legs), 통행(trip), 체류 지점(stay point), 활동(activity) 정보를 이용하여 일정 시간 간격으로 통행행태의 특성을 정량화하고, 이를 바탕으로 통행행태 변화 과정의 특성 또한 계산하였다. 이후 DBSCAN 알고리즘을 통해 5개의 클러스터로 유형화하였으며, 의사결정 트리 방식으로 각 클러스터의 특성을 분석하였다.

Kong et al.(2021)은 서울시 직장인을 대상으로 개인의 통행행태 특성을 군집화하고, 각 군집 특성이 거주지나 직장의 토지이용 및 기반 시설 수준으로부터 어떠한 영향이 있었는지 고찰하였다. 이때 가구통행실태조사 자료에 기반하여 주성분 분석과 k-means++ 기법을 통한 군집분석으로 개인의 통행행태를 6가지로 분류하였다. 각 군집에 대해 주성분의 계수 값 분포와 각 군집의 시간별 통행목적 비율을 기반으로 여가 및 소비 활동의 여부, 오후 첨두시간대의 이동 시점, 업무 및 직장 활동 시간에 따라 통행행태를 분류하였다.

Hafezi et al.(2021)은 시간 사용 패턴이 유사한 군집 유형별 통행행태를 예측하는 프레임워크를 개발하여 활동 기반 통행수요 모델링에 사용하고자 하였다. 이를 위해 캐나다 핼리팩스 STAR(Space-Time Activity Research) 가구 조사의 일지 및 GPS 좌표를 기반으로 활동유형, 활동 순서, 활동 시작 시각, 활동 지속시간을 산출하였으며, 이후 Fuzzy C-Means(FCM) 알고리즘을 통해 균질한 활동 패턴을 보이는 유형을 근로자, 비근로자, 학생 등의 12개 클러스터로 구분하였다.

Kim et al.(2023)은 모빌리티 빅데이터(운전자 제공 참여형 지리정보 데이터, WeDrive)를 기반으로 하는 지역활동 모니터링 구현방안 연구 과정에서 수도권 거주자의 활동 시공간 특성을 분석하고자 하였다. 이때 활동시간(집 이외 장소에서의 체류시간), 이동거리 평균값과의 차이를 사분면 분석을 통해 파악하였다. 이동거리가 평균보다 높은 지역을 ‘광역’, 낮은 지역을 ‘지역’으로 명명하고, 체류시간 평균 이상인 곳을 ‘외향형’, 이하인 곳을 ‘내향형’으로 명명하여 광역외향형, 지역외향형, 지역내향형, 광역내향형의 4가지로 성·연령별, 수도권 신도시 거주자의 모빌리티 특성을 유형화하였다.

3. 차별성

선행연구 검토 결과, 개인의 모빌리티 특성을 이해하기 위한 지표로 총 통행거리 및 시간, 평균 통행 거리 및 시간 등의 전통적, 집계적인 단일 지표뿐만 아니라 최근 들어 활동공간 크기, 모빌리티 복잡성과 같이 위치정보로부터 추출할 수 있는 지표를 활용하려는 시도가 점차 증가하고 있음을 확인하였다. 또한 모빌리티 유형화와 관련된 선행연구에서는 k-means 기법, DBSCAN 및 딥러닝 기반 알고리즘 등의 방법론을 적용하여 표본의 활동 및 통행 특성을 몇 가지의 유형으로 구분하고 있는 것으로 나타났다. 그러나 이들 연구에서는 여러 모빌리티 지표를 독립적으로 사용하는 경우가 많았고, 변수 간의 관계를 고려한 복합적 지표 산출이나 이를 모빌리티 특성 유형화에 활용한 연구는 미진한 실정이다. 또한 선행연구의 클러스터링 방식은 주로 그룹화된 결과를 바탕으로 그 사후적 특성을 설명하는 접근 방식이기에 그룹이 형성되는 과정 자체에 대한 해석이 제한적이었다.

따라서 본 연구에서는 모빌리티 데이터를 활용한 통행행태 연구에 있어 기존 모빌리티 분석 연구에서 주로 사용되던 개별 모빌리티 지표를 넘어서, 포괄적이고 총체적인 분석과 해석을 가능하게 하는 다차원 모빌리티 지표를 개발하고자 한다. 이때 데이터의 주요 패턴을 파악하며, 결과의 해석 가능성을 높이는 주성분 분석을 활용하고, 더 나아가 개발된 지표를 바탕으로 도출된 유형과 사회경제적 및 지역적 특성 간 연관분석을 통해 각 유형을 대표할 수 있는 특성을 규명하고자 한다.

다차원 모빌리티 지표의 개발

본 연구에서 다차원 모빌리티 지표(Multi-Dimensional Mobility Indicators; MDMI)를 개발 및 분석하는 과정은 Figure 1과 같이 나타낼 수 있으며, 각 과정은 다음과 같다.

https://cdn.apub.kr/journalsite/sites/kst/2024-042-06/N0210420604/images/kst_2024_426_674_F1.jpg

Figure 1.

Research process flowchart

Step 1: 객체 단위 모빌리티 특성을 나타내는 여러 단일 지표를 도출한다.

Step 2: 여러 단일 지표로 주성분 분석을 수행하여 다차원 모빌리티 지표(MDMI)를 구성한다.

Step 3: 다차원 모빌리티 지표(MDMI)에 따른 각 유형과 사회경제적 및 지역적 특성을 비교 분석한다.

1. 객체 단위 모빌리티 지표 산출

개인별 모빌리티 특성을 요약하는 다차원 모빌리티 지표를 정의하기 위해서는 우선 개인별 통행행태 특성을 규명할 수 있는 개별 또는 단일 통행 특성 지표의 도출이 선행되어야 한다. 본 연구는 개인별 통행행태를 분석하기 위해 주로 활용되어 온 모빌리티 지표 중 상관관계가 강하게 나타나는 지표 외에 1) 총 통행거리, 총 통행시간, 평균 통행거리, 평균 통행시간 등의 통행 특성, 2) 활동 장소별 체류시간 특성, 3) 활동 타원체의 장축 거리 및 편평도, 활동공간의 면적 등을 포함하는 활동의 공간적 특성, 4) 체류시간 기반의 엔트로피 지수와 활동상태의 변화 횟수를 함께 고려하는 모빌리티 복잡성을 객체 단위 모빌리티 특성을 파악하기 위한 지표로 활용하였다. 전술한 통행 특성 지표를 도출하기 위해서는 분석 데이터에 통행횟수, 통행 시작·종료 시각, 통행 출발·도착지 좌푯값, 출발·도착지 장소유형, 통행목적 등의 정보가 포함되어 있거나, 이러한 정보로 변환할 수 있는 요소가 내포되어 있어야 한다.

1) 통행 특성

본 연구에서 통행 특성은 전통적으로 사용된 지표인 총 통행거리, 평균 통행거리, 총 통행시간, 평균 통행시간을 통해 분석하였다. 통행거리는 통행 출·도착지 좌푯값의 직선거리로 계산하고, 통행시간은 통행 시작과 종료 시각의 차이를 이용하여 산출하였다(Table 1). 통행거리를 좌푯값의 직선거리로 계산한 이유는 기준시점, 시간대, 지역별 첨두시간, 네트워크 자료의 해상도에 따라 달라질 수 있는 실제 통행거리의 변동성을 배제하고, 전국을 대상으로 다양한 시간에서 발생하는 각 통행에 대해 일관성 있는 기준을 적용하기 위함이다.

Table 1.

Travel characteristics indicators and formulas

Travel characteristics indicators	Formula
Travel distance ( $d_{i}$ ) Total travel distance ( $D_{t o t a l}$ )	$d_{i} = \sqrt{(x_{i + 1} - x_{i})^{2} + (y_{i + 1} - y_{i})^{2}}$ $D_{t o t a l} = \sum_{i = 1}^{N} d_{i}$
	$(x_{i}, y_{i})$ : the coordinates of the -th point.
Average travel distance ( $d$ )	$d = \frac{D_{t o t a l}}{N} = \frac{\sum_{i = 1}^{N} d_{i}}{N}$
	$N$ : the total number of trips.
Travel time ( $t_{i}$ ) Total travel time ( $T_{t o t a l}$ )	$t_{i} = t_{a r r i v a l, i} - t_{d e p a r t u r e, i}$ $T_{t o t a l} = \sum_{i = 1}^{N} t_{i}$
	$t_{a r r i v a l, i}$ : the arrival time for the -th trip. $t_{d e p a r t u r e, i}$ : the departure time for the $i$ -th trip.
Average travel time ( $t$ )	$t = \frac{T_{t o t a l}}{N} = \frac{\sum_{i = 1}^{N} t_{i}}{N}$
	$N$ : the total number of trips.

2) 활동 장소별 체류시간 특성

대부분의 센서 기반 모빌리티 데이터는 수동적 정보(Passive information)로 구성되어 있어 개별 통행목적, 개인정보를 알기 어렵다는 한계가 있다. 그러나 개인이 활동한 장소의 경우, 활동과 통행에 대한 정보를 하나의 연속체(시퀀스, Sequence)로 구성하여 시공간적 특성을 함께 고려하는 등의 알고리즘을 통해 추정이 가능하다(Won et al., 2021). 또한 통행행태 연구에서 집이나 직장, 학교 등과 같은 활동 장소에 대한 정보는 개인의 활동 스케줄을 이해하는 데 있어 핵심적인 역할을 하므로 활동 장소에서의 체류시간 특성 등을 파악하여 모빌리티 지표로 활용하는 것은 중요하다.

활동 장소별 체류시간은 먼저 조사 시작 시각부터 첫 번째 통행 시작 시각까지의 장소 유형을 첫 번째 통행의 시작 장소 유형으로 설정한다. 마지막 통행 종료 시각부터 조사 종료 시각까지의 장소 유형은 마지막 통행의 도착지 유형으로 설정한다. 또한 n번째 통행의 도착시간과 n+1번째 통행의 출발시간 직전 사이의 장소 유형은 n번째 통행의 도착 장소 유형으로 설정하며, 최종적으로 활동 장소별 체류시간을 집계하여 개인의 모빌리티 특성을 파악하는 지표로 활용할 수 있다.

# Step 1: Initialize minutes array to "unknown"

for m = 1 to M:

minutes[m] = "unknown"

# Step 2: Assign times before the first departure

for m = 1 to t_departure[1]:

minutes[m] = place_departure[1]

# Step 3: Assign times after the last arrival

for m = t_arrival[N] to M:

minutes[m] = place_arrival[N]

# Step 4: Assign times between each trip

for n = 1 to N-1:

for m = t_arrival[n] to t_departure[n+1]-1:

minutes[m] = place_arrival[n]

# Step 5: Calculate the duration of stay at each place type

for each place p in places:

T[k, p] = 0

for m = 1 to M:

if minutes[m] == p:

T[k, p] = T[k, p] + 1

M: 전체 시간 단위 수(분)

N: 마지막 통행

t_departure[n]: n번째 통행의 출발시간

t_arrival[n]: n번째 통행의 도착시간

place_departure[n]: n번째 출발 장소 유형

place_arrival[n]: n번째 도착 장소 유형

T[k, p]: 개인 k가 장소 p에서 체류한 시간(분)

3) 활동의 공간적 특성

⦁ 활동 타원체의 장축 거리, 편평도

표준편차 타원체(Standard deviation ellipse)는 통행행태 연구에서 전통적으로 활동공간 특성을 나타내는 데 사용되어 온 대표적인 지표 중 하나로, 개인이 활동한 장소들의 위치정보에 대한 평균 중심점(mean center)으로부터 표준편차를 산출하여 그 분포를 나타낸다. 개인별 활동 장소의 집중과 분산 정도를 파악할 수 있으며, 축의 방향(회전각도)을 통해 공간 데이터의 방향 분포를 함께 확인할 수 있다(Lefever, 1926). 본 연구에서는 개인 통행행태의 시공간적 측면을 포괄적으로 고려하기 위해 활동 장소의 위치와 각 장소에서 체류한 시간을 함께 반영하는 ‘시간 가중 표준편차 타원체(Time-weighted standard deviation ellipse)’를 활용하여(Li and Kim, 2018) 객체 단위 활동 타원체를 산출한다(Figure 2). 활동 타원체의 편평도는 생성된 타원체의 장축(the major axis)과 단축(the minor axis)으로 나타낼 수 있는 타원체의 원형성(원에 가까운 정도)을 의미하며, 이를 통해 활동공간의 특성을 부가적으로 설명할 수 있다.

https://cdn.apub.kr/journalsite/sites/kst/2024-042-06/N0210420604/images/kst_2024_426_674_F2.jpg

Figure 2.

Time-weighted standard deviation ellipse

⦁ 활동공간의 면적

활동공간의 면적은 개인의 모든 통행의 출발지와 도착지를 선으로 연결한 뒤, 그 선에 대해 버퍼를 설정하여 산출할 수 있다. 이 면적은 최소 볼록 다각형(Minimum convex polygon) 등으로 형성되는 활동공간에 비해 실제 통행 및 활동하는 공간을 비교적 정확하게 나타낸다는 장점이 있다(Zenk et al., 2011; Lee et al., 2016b; Zenk et al., 2018). 또한 활동 장소 간 연결성, 즉 경로를 고려한 활동공간 면적은 활동 장소가 최소 두 곳 이상이어야 계산할 수 있기에 본 연구에서는 면적을 산출하는 과정에서 활동한 장소가 한 곳인 경우(Equation 1)와 두 곳 이상인 경우(Equation 2)로 구분하였다(Figure 3).

i. 활동 장소가 한 곳인 경우

(1)

A = π r^{2}

ii. 활동 장소가 두 곳 이상인 경우¹⁾

활동 장소를 $(x_{1}, y_{1}), (x_{2}, y_{2}), . . ., (x_{n}, y_{n})$ 라고 할 때,

(2)

L = \sum_{i = 1}^{m - 1} \sqrt{(x_{i + 1} - x_{i})^{2} + (y_{i + 1} - y_{i})^{2}} A_{l i n e} = L \times 2 r A_{e n d s} = 2 \times (\frac{1}{2} π r^{2}) = π r^{2} A = A_{l i n e} + A_{e n d s} = L \times (2 r) + π r^{2}

$n$ : 활동장소 개수

$r$ : 버퍼의 반경

$L$ : 각 활동장소 사이의 총 직선거리

$A_{l i n e}$ : 선 버퍼 면적

$A_{e n d s}$ : 끝 반원 버퍼 면적

$A$ : 활동공간의 면적

https://cdn.apub.kr/journalsite/sites/kst/2024-042-06/N0210420604/images/kst_2024_426_674_F3.jpg

Figure 3.

Activity space area (left: one activity place, right: two or more activity places)

4) 모빌리티 복잡성(Complexity)

Su et al.(2021)에 따르면 복잡성은 개인의 활동 다양성 및 시퀀스의 전체적인 구조를 파악할 수 있는 지표이다. 이 지표는 하루 동안의 활동 간 전환 빈도와 개별 활동에 할애한 시간을 고려하여 개인의 일별 활동-통행의 엔트로피 수준을 계량화하는 방식으로 만들어지기 때문에 모빌리티 복잡성이라 표현할 수 있으며, 시퀀스별 활동유형 예측의 불확실성과 시퀀스 내 활동 변화 정도를 사용해 계산할 수 있다.

먼저 통행 출발, 도착지의 장소 유형과 통행목적을 통해 ‘활동’을 유형화하며, 출발, 도착시간을 활용하여 활동상태의 시퀀스화, 즉 기존 통행일지를 1분 단위로 변환하는 과정을 수행한다. 활동유형 예측의 불확실성은 엔트로피(Entropy)로 표현하며, 개별 시퀀스에 대한 엔트로피는 Equation 3과 같다.

(3)

h (x) = h (π_{1}, \dots π_{s}) = - \sum_{i = 1}^{s} π_{i} l o g (π_{i})

$h (x)$ 에서 $x$ 는 시퀀스를, $s$ 는 해당 시퀀스에 포함된 활동유형의 수를, $π_{i}$ 는 시퀀스에서 $i$ 번째 활동유형이 전체 시퀀스에서 차지하는 비율을 의미한다. 모빌리티 복잡성을 구성하는 두 번째 요소는 시퀀스 내 활동의 변화로, 엔트로피와 이를 포함하여 모빌리티 복잡성을 계산하는 Equation 4와 같다.

(4)

C (x) = \sqrt{\frac{n t (x)}{(l (x) - 1)} \frac{h (x)}{h_{\max}}}

$C (x)$ 에서 $n t (x)$ 는 시퀀스 내에서 활동의 변화(Transition)가 일어난 정도를 의미한다. 전체 시퀀스가 동일한 활동으로 구성된 경우, 활동의 변화가 발생하지 않은 것과 동일하므로 $n t (x)$ 의 값은 0이 된다. 가령 하루 종일 집 혹은 특정 장소에서 머무르는 것이 그 예다. 한편 $l (x) - 1$ 는 시퀀스 내에서 최대로 발생할 수 있는 활동유형의 변화를 나타낸다. 이는 모든 시퀀스의 세분된 단위시간 내에서 활동이 변화한 것으로, 만약 24시간인 1,440분에 대해 연속적으로 동일한 활동이 없다고 가정할 때 발생할 수 있는 이론상의 최대 활동 변화 횟수는 1,439회이다.

2. 다차원 모빌리티 지표(MDMI) 도출 및 유형화

다차원 모빌리티 지표를 정의하기 위해서는 다양한 모빌리티 특성을 요약하여 핵심적인 정보를 추출할 수 있도록 특성 간 관계를 고려한 유형화, 즉 데이터상의 차원 축소가 진행되어야 한다. 이에 본 연구에서는 다양한 차원 축소 방법 중 가장 널리 쓰이고 있을 뿐만 아니라, 연산속도가 빨라 모빌리티 데이터에 적용하기 용이한 방식인 주성분 분석(Principal Component Analysis)을 활용하고자 한다. 이를 통해 추출된 주성분은 하나 이상의 모빌리티 특성을 담아내고 있으므로 이를 다차원적인 모빌리티 지표라 할 수 있다. 또한 주성분에 대한 각 개인의 경향성을 나타내는 주성분 점수(Principal Component Score)를 활용하여 평균에 대한 대소(大小) 비교, 포함 여부 등의 이원적인(binary) 구분 기준을 적용하면 하나의 주성분으로부터 유형당 2가지의 모빌리티 유형을 도출할 수 있다. 즉, 최종적으로 이 유형들을 조합하면 도출된 주성분의 개수가 n개라고 가정할 경우, 2ⁿ가지 MDMI 유형의 특성 파악이 가능하다.

3. MDMI 유형별 개인특성 분석

최종적으로 정의된 다차원 모빌리티 지표는 개인 및 가구의 사회경제적 특성 또는 지역적 특성과 연관지어 분석할 수 있으며, 이를 통해 개별 유형과 개인의 사회경제적 특성, 주 이용 교통수단 등과의 관계를 규명할 수 있다. 다차원 모빌리티 지표와 전술한 여러 특성 간의 복합적인 관계를 파악하기 위해서는 모빌리티 패턴 인식 및 데이터 분류에 사용되는 데이터 마이닝 기법인 분류 트리(Classification tree), 연관분석(Association analysis) 등을 적용할 수 있다. 본 연구에서는 데이터 내에서 가장 중요한 관계를 식별할 수 있으며 도출된 데이터 간 관계를 해석 및 적용하는 데 이점을 가진 연관분석을 활용하여 모빌리티 유형별 대표적인 개인 특성을 도출하였다.

개인통행실태조사 데이터를 이용한 MDMI 정의 및 분석 결과

1. 데이터

개인별 통행 특성 지표 도출 및 다차원 모빌리티 지표 정의를 위해서는 개인 ID(응답자)별 통행번호, 통행 출발 및 도착 시각, 통행 출발 및 도착지 좌표, 활동 장소의 유형, 통행목적 등 통행 특성 정보를 포함하는 데이터가 필요하며, 통행 외 여러 특성과의 관계를 파악하기 위해서는 개인의 사회경제적 특성 등의 정보가 함께 작성된 데이터가 요구된다. 이에 본 연구에서는 통계적 대표성을 지니며 전술한 속성정보를 모두 포함하는 한국교통연구원 국가교통데이터베이스(KTDB)의 개인통행실태조사(2021) 데이터를 분석에 활용하였다.

통근 통행과 같이 정규성을 띄는 통행을 고려하기 위해 주중 모빌리티 특성을 분석에 활용하였으며, 해당 일지에는 133,326명의 응답자로부터 수집된 356,899회 통행이 기록되어 있다. 통행 일지에는 통행의 출발 및 도착지 경위도 좌표가 작성되어 있으며, 시간적 범위는 0시-익일 4시이다. 데이터를 전처리하는 과정에서 출발 혹은 도착지 좌표에 결측값이 있는 경우, 한 통행과 다음 통행의 출발과 도착 시각이 동일한 경우, 통행 일지상 기재된 통행의 순서와 달리 이전 통행의 도착 시각이 다음 통행의 출발 시각보다 늦는 경우 등을 분석에서 제외하였다. 최종적으로 주중 110,305명의 통행 및 사회경제적 특성을 포함하는 데이터베이스를 구축하였으며, 분석에 활용된 통행은 333,665회이다. 2021년 개인통행실태조사 데이터에 대한 기초 정보 및 상세 특성은 Table 2와 같다.

Table 2.

Data summary: Socioeconomic characteristics of individual travel survey respondents

Variable	Description	Descriptive statistics
Gender	Gender of respondents	Male: 48.5% Female: 51.5%
Age	Age of respondents	Less than 5 years: 0.0% 5 to 12 years: 8.6% 13 to 18 years: 6.7% 19 to 29 years: 13.9% 30 to 39 years: 17.7%	40 to 49 years: 18.3% 50 to 59 years: 16.1% 60 to 69 years: 11.0% 70 years and over: 7.8%
Driver’s license	Driver's license possession	Possessed: 74.2% Not possessed: 12.2% N/A: 13.5%
Workplace	Workplace type	Available: 50.8% Irregular workplaces: 9.5% No workplace (not working): 30.4% N/A: 9.4%
Student	Whether respondents are students	Students 20.2% Non-students: 79.8%
Household type	Number of household members	One: 14.8% Two: 17.6% Three: 20.4%	Four or more: 29.4% N/A: 17.8%
Household income	Average monthly household income	Less than KRW 1 million: 4.1% KRW 1 to 3 million: 18.6% KRW 3 to 5 million: 26.4% KRW 5 to 10 million: 24.3% KRW 10 to 15 million: 4.2% KRW 15 million or higher: 3.6% Not sure: 0.9% N/A: 17.8%
Vehicle ownership	Number of vehicles in the household	None: 10.1% One: 43.4% Two: 24.4%	Three: 3.5% Four or more: 0.8% N/A: 17.8%

2. 객체 단위 모빌리티 지표 산출

다양한 모빌리티 지표 중 총 통행거리 및 시간은 각 통행의 출발, 도착 좌푯값과 시각을 통해 산출하며, 평균 통행거리 및 시간은 총 통행거리 및 시간에서 통행횟수를 나누어 계산한다. 다른 지표인 장소별 체류시간을 구하는 과정은 다음과 같다. 모빌리티 데이터에서의 활동 장소는 별도의 추정을 거쳐 규명되는 과정이 일반적이나, 본 연구에서 활용하는 개인통행 실태조사 데이터는 통행의 장소 유형이 집, 직장, 학교, 기타 장소의 네 가지로 구분되어 있다. 따라서 장소 유형에 대한 별도의 추정 없이, 통행일지 상의 장소 유형 구분을 그대로 활용하였다. 전술한 통행일지의 시퀀스화 과정을 장소 유형에 대해 수행할 경우, 1분 단위로 개인이 어느 유형의 장소에 있는지 확인할 수 있다. 시퀀스화 결과, 시간적 범위인 28시간(1,680분) 중 집, 직장, 학교, 기타 장소에 체류한 시간을 개인별로 산출하였다.

활동공간의 특성을 나타내는 활동공간의 면적, 활동공간의 장축 거리, 편평도를 개인통행실태조사 자료로 산출하는 방법은 다음과 같다. 먼저 활동공간 면적의 산출은 개인이 활동한 장소가 한 곳인 경우와 두 곳 이상인 경우에 따라 그 방식에 차이가 있으나, 두 경우 모두 통행의 영향권을 파악하기 위한 버퍼의 반경으로 Bai et al.(2023)과 Liu et al.(2023)의 연구에서 활용된 300m를 적용하였다. 응답자가 단일 장소에서만 활동한 경우, 해당 지점으로부터 300m 반경의 버퍼를 제작하여 그 면적을 활동공간 면적으로 나타내었으며, 활동 장소가 두 곳 이상이면 각 활동 장소를 선으로 연결한 뒤, 선을 기준으로 한 반경 300m 버퍼를 제작하여 면적을 산출하였다. 활동공간의 장축 거리, 편평도는 개인이 활동한 장소의 위치와 체류시간을 바탕으로 도출된 표준편차 타원체를 활용하여 계산하였다.

모빌리티 복잡성(complexity)은 장소 유형과 통행목적을 통해 ‘활동’을 유형화하는 과정이 선행되어야 한다. 이에 본 연구에서는 개인통행실태조사 데이터를 기반으로 활동을 집에서 이뤄지는 불특정한 활동, 직장이나 특정 장소에서의 근무, 미팅 등 업무 관련 활동, 학교에서의 교육, 학교 이외의 공간에서 이뤄지는 교육, 병원 진료, 누군가를 태우거나 내려주는 활동, 식품·옷·가전·가구 등 물품 구매, 외식·음식 포장, 여가 활동, 친구·지인·친척과의 만남, 앞선 유형으로 구분되지 않은 나머지 활동, 장소 간 통행의 13개로 구분하였다. 이를 Equation 3에 적용할 경우, $π_{i}$ 는 1/13이며, Equation 4에서 시퀀스 내 최대로 발생할 수 있는 활동유형의 변화를 나타내는 $l (x) - 1$ 은 1,680분에 대해 연속적으로 동일한 활동이 없다고 가정할 때 발생할 수 있는 이론상의 최대 활동 변화 횟수인 1,679회가 된다.

3. 다차원 모빌리티 지표(MDMI) 도출 및 유형화

1) 모빌리티 특성의 유형화 결과

본 연구에서는 개인통행실태조사 데이터에서 추출한 12가지 모빌리티 특성을 주성분 분석하여, 이를 요약할 수 있는 새로운 지표를 도출하였다. 분석 변수로는 통행 특성, 활동 장소별 체류시간, 활동공간 특성, 모빌리티 복잡성 등을 포함하였으며. 각 변수의 단위 차이를 보정하기 위해 모든 지표에 대해 표준화 과정이 선행되었다. 주성분의 고윳값이 1보다 큰 주성분만을 선택하는 Kaiser 규칙을 적용한 결과, 이를 충족하는 주성분은 총 4개가 도출되었다(Table 3). 이들 4개의 주성분으로 설명되는 분산은 77.4%였으며, 각 주성분과 모빌리티 지표 간 상관계수를 확인한 결과, 이들은 서로 다른 모빌리티 특성을 요약하여 설명할 수 있는 것으로 나타났다.

주성분 1은 통행시간, 거리, 활동 타원체의 장축거리, 활동공간의 면적과 상관관계가 높은 것으로 나타났다. 이는 전통적인 통행지표들이 요약된 주성분으로 판단된다. 주성분 2는 집안에 머무른 시간과 기타 장소에 머무른 시간 간의 관계에 기반하고 있으며 이들은 서로 상충 관계를 이루는 것으로 보인다. 이는 특정한 하나의 장소에서 활동하는 시간이 증가할수록, 다른 장소에서 보낼 수 있는 절대적인 시간이 줄어드는 것과 관련이 있을 수 있다.

주성분 3은 모빌리티 복잡성과 활동 타원체의 형태가 연관된 것으로 나타났으며, 이 두 요소 또한 서로 상충 관계에 있음을 확인할 수 있다. 이는 활동 스케줄이 복잡할수록 활동 장소의 수가 늘어나 활동 타원체의 형태가 원형에 가까워지지만, 출퇴근 위주의 간단한 패턴을 지닐수록 활동 타원체는 편평할 가능성이 크기 때문으로 판단된다. 주성분 4는 직장에서 머무른 시간과 관련성이 높은 것으로 나타났으며, 학교 또는 기타 장소에서 머무른 시간은 이와 반대 관계에 있는 것으로 나타났다. 이는 두 번째 주성분과 같이 직장과 그 외 장소에서의 체류시간 간 상충 관계에서 비롯된 것으로 판단된다.

Table 3.

Principal component analysis results - Eigenvalue (Left), Correlation coefficients between principal components and mobility indicators (Right)

Compo- nent	Eigenvalue			Principal component Indicator	1	2	3	4
	Total	% variance	Cumulative %
				Total travel time	0.73	0.04	0.45	0.17
1	4.85	40.4	40.4	Average travel time	0.75	0.08	-0.08	0.20
2	1.74	14.5	55.0	Total travel distance	0.93	0.06	0.13	0.02
3	1.54	12.8	67.8	Average travel distance	0.91	0.08	-0.12	0.02
4	1.15	9.6	77.4	Home residence time	-0.16	-0.91	-0.08	-0.29
5	0.99	8.2	85.6	Workplace residence time	-0.07	0.17	-0.12	0.93
6	0.78	6.5	92.1	School residence time	-0.15	0.10	-0.06	-0.54
7	0.57	4.7	96.8	Other place residence time	0.16	0.76	0.14	-0.40
8	0.19	1.5	98.4
				Activity ellipse major axis distance	0.92	0.15	-0.03	-0.01
9	0.12	1.0	99.4
				Activity ellipse flatness	0.09	0.05	-0.80	0.18
10	0.04	0.3	99.7
				Activity space area	0.92	0.12	0.08	-0.04
11	0.04	0.3	100.0	Complexity	0.12	0.30	0.81	0.17

2) 객체 단위 MDMI 유형 구분

각 주성분에 대한 개인의 경향성을 나타내는 주성분 점수(Principal component score)를 활용하여 MDMI 유형을 분류할 수 있으며, 먼저 주성분 축의 중심을 나타내는 점숫값 0을 기준으로 크고 작은 경향성을 구분하여 주성분 4개에 대해 2가지씩 총 8개의 지표로 분류할 수 있다(Table 4, Figure 4). 개인별 주성분 1의 점수가 0보다 낮으면 활동공간이 좁고 통행 거리가 짧은 단거리형(Short & Small; S)으로, 반대로 주성분 점수가 0보다 높으면 활동공간이 넓고 통행 거리가 긴 장거리형(Long & Large; L)으로 구분하였다. 집안과 집 밖 활동 시간 비중을 나타내는 주성분 2도 같은 방식으로 개인별 주성분 점수가 0보다 낮으면 집안에서 많은 시간을 보내는 실내형(In-home; I)으로, 0보다 높으면 집 밖에서 많은 시간을 보내는 실외형(Out-of-home; O)으로 구분하였다. 주성분 3의 점수는 0보다 낮으면 활동이 단조롭고, 활동 타원체가 길쭉한 것을 의미하는 단순장종(長縱)형(Monotonous & elongated; M)으로, 0보다 높으면 활동이 복잡하고, 활동 타원체가 원형에 가까운 복잡원형형(Complex & circular; C)으로 명명하였다. 마지막으로 직장에 머무르는 시간과 상관관계가 높은 주성분 4의 점수가 0보다 낮으면 직장에서 보내는 시간이 짧은 단시간 근무형(Non-working activity duration; N), 0보다 높으면 직장에서 보내는 시간이 긴 장시간 근무형(Working activity duration; W)으로 구분하였다.

Table 4.

Mobility classification based on mobility indicators (Step 1)

Principal component	Principal component name	Value	Characteristics by principal component		Proportion
PC1	Activity space and travel distance	-	S	Short & small	65.4
PC1	Activity space and travel distance	+	L	Long & large	34.6
PC2	Proportions of in-home and out-of-home activities	-	I	In-home	57.8
PC2	Proportions of in-home and out-of-home activities	+	O	Out-of-home	42.2
PC3	Complexity and circularity of activity ellipse	-	M	Monotonous & elongated	58.9
PC3	Complexity and circularity of activity ellipse	+	C	Complex & circular	41.1
PC4	Workplace residence time	-	N	Non-working activity duration	53.2
PC4	Workplace residence time	+	W	Working activity duration	46.8

https://cdn.apub.kr/journalsite/sites/kst/2024-042-06/N0210420604/images/kst_2024_426_674_F4.jpg

Figure 4.

MDMI classification

위의 과정을 통해 사람의 모빌리티 특성을 4개의 주성분(활동공간과 통행거리, 집안과 집 밖 활동 비중, 복잡성과 활동 타원체의 원형성, 직장에서 보내는 시간) 점숫값을 바탕으로 16가지 유형으로 구분할 수 있으며, 각 유형에 대한 개략적인 설명은 Table 5와 같다. 16개 유형 중 가장 높은 비중을 차지하는 유형은 SOMN(단거리/집밖/단순한/직장외) 유형(13%)으로, 이는 단거리 위주의 통행에 기반하여 비교적 작은 활동공간을 지니며, 직장을 제외한 집 밖에서 단순한 활동 스케줄을 소화하는 사람들의 특성을 설명할 수 있다. SIMN(단거리/집안/단순한/직장외) 유형에 속하는 개인은 전체의 10%를 차지하며 SOMN 유형 다음으로 높게 나타났다. 이 유형은 주로 단거리 통행을 하고, 집안에서 많은 시간을 보내며, 단순한 스케줄을 지닌 사람들의 특성을 설명할 수 있다. 한편 SOMN 유형과 통행 특성 및 활동공간의 특성은 유사하나, 주 활동 장소가 직장인 개인의 모빌리티 특성을 설명하는 SOCW(단거리/집밖/단순한/직장중심) 유형의 경우 전체 중 가장 작은 비중(1.2%)을 차지하는 것으로 나타났다. 이는 직장뿐만 아니라 집 밖에서 많은 시간을 보내는 단거리 통행자들이 복잡한 스케줄을 가지는 경우가 많음을 의미한다.

Table 5.

Mobility classification based on mobility indicators (Step 2)

Type	Frequency	Proportion (%)	Description
SIMN	11,083	10.0	Short distance	In-home	Monotonous	Non-working
SIMW	10,417	9.4	Short distance	In-home	Monotonous	Working
SICN	8,754	7.9	Short distance	In-home	Complex	Non-working
SICW	6,800	6.2	Short distance	In-home	Complex	Working
SOMN	14,287	13.0	Short distance	Out-of-home	Monotonous	Non-working
SOMW	10,353	9.4	Short distance	Out-of-home	Monotonous	Working
SOCN	9,105	8.3	Short distance	Out-of-home	Complex	Non-working
SOCW	1,335	1.2	Short distance	Out-of-home	Complex	Working
LIMN	3,813	3.5	Long distance	In-home	Monotonous	Non-working
LIMW	10,701	9.7	Long distance	In-home	Monotonous	Working
LICN	5,096	4.6	Long distance	In-home	Complex	Non-working
LICW	7,107	6.4	Long distance	In-home	Complex	Working
LOMN	2,598	2.4	Long distance	Out-of-home	Monotonous	Non-working
LOMW	1,755	1.6	Long distance	Out-of-home	Monotonous	Working
LOCN	3,922	3.6	Long distance	Out-of-home	Complex	Non-working
LOCW	3,179	2.9	Long distance	Out-of-home	Complex	Working

4. 다차원 모빌리티 지표(MDMI) 기반 유형별 개인 특성 분석

1) 개인 사회경제적 특성 비교 분석(Tables 6-7)

Table 6에서는 연령, 가구 구성에 따라 개인의 모빌리티 특성이 상이함을 확인할 수 있다. 조사 응답자 중 나이가 상대적으로 많은 경우(약 41-45세)는 대체로 단순한 통행 및 활동을 수행하며, 집에 머무르는 시간이 긴 특성(실내형)을 보이는 것으로 나타났다. 또한 대부분 비교적 좁은 범위 내에서 활동하지만, 직장 업무 등 필요시 먼 곳으로 이동하는 양상을 확인할 수 있다. 반면 조사 응답자 중 나이가 상대적으로 적은 경우(약 36-38세), 집 밖에서 활발히 활동하며 주로 가까운 곳으로의 이동이 빈번한 특징이 있음을 알 수 있다. 이러한 행태는 이들이 필수적인 통행(통근, 통학) 외에 다양한 목적의 통행을 수행하는 것과 관련이 있을 수 있다. 한편 가구 내에 초등학생 이하 가구원이 많은 경우에는 활동 및 통행이 단거리에서 단순하게 이루어지며, 집안에 머무르는 실내형 비율이 높게 나타났다. 이는 어린 자녀가 있을수록 보호자는 아이에게 더 많은 돌봄 시간을 할애해야 하기 때문으로 판단된다.

Table 6.

Socioeconomic characteristics by MDMI (1) - Numerical variables (Age, income, household, vehicles)

Indicator Variable	Short-dis- tance type	Long-dis- tance type	Indoor type	Outdoor type	Monotonous long type	Complex circular type	Non-working type	Working type
Age	38 (20)	44 (15)	43 (16)	36 (21)	41 (18)	38 (19)	37 (22)	43 (12)
Monthly income (KRW10,000)	523 (345)	578 (357)	562 (350)	516 (350)	542 (350)	551 (352)	492 (341)	589 (352)
# of household members	2.92 (1.34)	2.91 (1.31)	2.92 (1.31)	2.89 (1.36)	2.9 (1.32)	2.92 (1.34)	2.97 (1.31)	2.86 (1.34)
# of young children	0.41 (0.77)	0.36 (0.72)	0.42 (0.77)	0.33 (0.71)	0.40 (0.76)	0.36 (0.74)	0.37 (0.75)	0.40 (0.76)
# of vehicles	1.29 (0.78)	1.34 (0.79)	1.30 (0.78)	1.33 (0.80)	1.30 (0.77)	1.33 (0.81)	1.30 (0.79)	1.32 (0.78)

*note: Values are presented as Mean (SD).

또한 Table 7을 통해 성별, 학생 여부, 운전면허 소지 여부와 같은 다양한 사회경제적 요인이 MDMI 지표별로 상이하게 나타남을 확인할 수 있다. 남성은 주로 장거리로 통행하며, 집 밖, 그중에서 주로 직장에서 보내는 시간이 많았다. 여성은 주로 단거리로 통행하며, 집 안에서 보내는 시간이 많았다. 학생은 주로 단거리 통행을 하지만, 실외(학교)에서 시간을 많이 보내며, 집이나 학교 인근에서 다양한 활동을 수행하는 것으로 나타났다. 한편 운전면허 소지는 긴 통행 거리에는 영향을 미치나, 실내형, 단순장종형의 비율이 높아 다양한 활동을 수행하도록 이끄는 요소는 아닌 것으로 판단된다.

Table 7.

Socioeconomic characteristics by MDMI (2) - Nominal variables (Gender, student status, driving license) (Unit: %)

Indicator Variable	Short-dis- tance type	Long-dis- tance type	Indoor type	Outdoor type	Monotonous long type	Complex circular type	Non-working type	Working type
Male	44.1	59.0	46.5	53.1	50.1	48.0	44.0	55.2
Female	55.9	41.0	53.5	47.0	49.9	52.0	56.0	44.8
Student	26.6	7.4	10.1	33.5	16.9	24.4	35.3	2.5
Non-student	73.4	92.7	89.9	66.5	83.1	75.6	64.7	97.5
Licensed²⁾	68.8	90.7	85.1	64.4	78.1	73.9	61.3	93.5
Unlicensed	11.1	7.7	9.2	10.8	10.3	9.2	13.1	6.2

2) 주 이용 교통수단에 따른 분석(Table 8)

Table 8은 MDMI 지표와 주 이용 교통수단 간의 관계를 나타내며, 대부분 지표에서 자가용, 도보 및 자전거, 대중교통 순으로 비율이 높게 나타났다. 자가용을 주로 이용하는 개인은 장거리 통행을 하나, 직장 및 집안에서 보내는 시간이 많고, 활동 및 통행이 단순하게 나타났다. 이는 긴 통근통행 시간을 갖는 사람들은 하루 중 다른 활동을 할 시간이 상대적으로 적어 집에서 주로 시간을 보내는 것으로 보인다. 대중교통을 주로 이용하는 개인은 회사가 아닌 집 밖에서 시간을 주로 보내는 실외형의 비율이 높게 나타났다. 도보 및 자전거를 주로 이용하는 개인은 단거리로 활발하게 통행하며, 직장에서는 시간을 적게 보내는 것으로 나타났다.

Table 8.

Relationships between MDMI and the primary means of transportation (Unit: %): Private vehicle users tend to have long-distance travel and simple activity patterns, while public transportation users tend to be more outdoor-oriented.

Indicator Mean	Short-dis- tance type	Long-dis- tance type	Indoor type	Outdoor type	Monotonous long type	Complex circular type	Non-working type	Working type
Walking, bicycle	45.1	29.8	38.9	41.0	39.3	40.4	46.1	32.6
Public transportation	8.2	11.1	8.5	10.3	9.8	8.4	9.8	8.6
Private car	45.9	55.7	51.1	46.7	49.5	48.9	42.0	57.5
Others	2.7	4.8	3.1	4.0	2.9	4.2	4.0	2.9
Total³⁾	101.9	101.4	101.6	102.0	101.5	101.9	101.9	101.6

3) 시도 단위 모빌리티 유형 비율 분석(Table 9)

시도 단위 모빌리티 유형 분석 결과, 각 지역의 인프라 특성과 통근 패턴에 따라 모빌리티 특성이 지역별로 상이하게 나타났다. 17개 시도 중 장거리형 모빌리티 특성 비율 및 집과 직장에서 많은 시간을 보내는 실내형, 장시간 근무형이 높은 곳이 모두 수도권 3개 시도(서울, 인천, 경기)로 나타났으며, 이는 수도권 모빌리티 특성이 타 시도에 비해 이동량의 관점에서 상반된 패턴이 동시에 높게 나타났다는 점에서 주목할 만하다. 한편 서울은 단순장종형의 비율이 높은 인천, 경기와 달리 복잡원형형의 비율이 높은 것으로 보아 인프라가 집중되어 가까운 곳에서 다양한 활동을 수행하는 것으로 보인다. 또한 직장에서 많은 시간을 보내는 장시간 근무형 비율이 상대적으로 높은 것으로 보아 일자리가 집중된 것으로 해석할 수 있다. 한편 세종은 (수도권을 제외한 다른 지역에 비해) 단거리형과 장거리형의 비율이 비슷한데, 이는 수도권이나 대전으로 출퇴근하는 사람들의 비중이 높기 때문으로 판단된다.

Table 9.

Proportions of MDMI by administrative districts (Unit: %): In the Seoul Metropolitan Areas (Seoul, Incheon, and Gyeonggi), there is a higher proportion of long-distance, indoor, and long-working-hour types, indicating a marked tendency to spend more time on commuting

Indicator District	Short-dis- tance type	Long-dis- tance type	Indoor type	Outdoor type	Monotonous long type	Complex circular type	Non-working type	Working type
Seoul	18.3	23.3	22.4	16.7	19.6	20.6	19.6	20.4
Incheon	5.7	6.7	6.3	5.6	6.2	5.8	5.8	6.3
Gyeonggi	23.4	29.5	26.6	24.2	26.6	24.0	24.8	26.4
Sejong	0.9	0.8	0.8	0.9	0.8	0.9	0.8	0.9
Chungbuk	5.0	3.6	4.2	5.0	4.6	4.6	4.4	4.7
Daejeon	3.6	2.5	3.1	3.3	3.1	3.4	3.2	3.2
Chungnam	5.0	3.7	4.0	5.3	4.7	4.3	4.6	4.4
Gangwon	2.0	1.4	1.5	2.2	1.7	2.0	2.0	1.6
Daegu	4.4	3.6	4.0	4.3	4.0	4.3	4.5	3.7
Gyeongbuk	4.5	3.5	3.5	5.1	4.1	4.2	4.5	3.8
Busan	7.4	6.8	7.3	7.1	7.2	7.2	7.2	7.2
Ulsan	2.9	1.8	2.4	2.6	2.4	2.6	2.6	2.4
Gyeongnam	6.7	4.9	5.5	6.9	6.1	6.0	6.2	6.0
Gwangju	3.5	2.6	3.0	3.4	3.0	3.5	3.3	3.0
Jeonbuk	2.9	2.2	2.5	3.0	2.6	2.8	2.7	2.6
Jeonnam	2.5	2.1	2.0	2.9	2.2	2.6	2.5	2.2
Jeju	1.3	1.1	1.1	1.4	1.2	1.4	1.3	1.2
Total	100	100	100	100	100	100	100	100

4) MDMI 지표별 연관분석 결과(Table 10)

MDMI 지표별 특성 파악을 위해 다양한 데이터에서 패턴을 찾고, 중요한 관계를 식별할 수 있는 연관분석을 수행한 결과는 다음과 같다. 단거리형(S)은 조사 대상자 중 중간 소득층(25-75%) 여성이, 장거리형(L)은 경기에 거주하는 상위 25% 소득의 남성에게서 주로 나타났다. 장거리형의 경우는 이들이 활동을 위해 넓은 생활권이 필요하거나, 직주거리로 인한 장거리 통행의 가능성을 보여준다. 한편 실내형(I)은 서울에 거주하는 중년의 여성이며, 중년 여성은 가정에서 집안일이나 가족 돌봄 등의 이유로 실내에서 시간을 많이 보내는 것으로 판단된다. 반면 실외형(O)은 주로 학생이며, 이들은 학교에서 보내는 시간이 고정되어 있어 상대적으로 집 밖에서 많은 시간을 보내는 것으로 판단된다.

모빌리티 복잡성과 활동 타원체의 원형성을 기준으로 구분한 유형 중 단순장종형(M)은 초등학생 이하 자녀를 둔 부모의 경우로 특징을 설명할 수 있다. 이에 어린 자녀를 둔 가족 구성원은 자녀를 돌보는 시간으로 인해 외부 활동을 비교적 단순하게 수행하는 것으로 해석할 수 있다. 복잡원형형(C)은 서울에 거주하며, 운전면허를 보유한 대학생으로 나타났다. 이들은 대학교를 고정점으로 하면서 동시에 활동 기회가 많은 서울에서 활발하게 통행하는 것으로 보인다. 직장에서 보내는 시간을 기준으로 구분한 유형 중 단시간 근무형(N)은 20세 이하 학생의 유형으로 나타났다. 반면 장시간 근무형(W)은 중간 이상의 소득, 초등학생 이하 자녀가 있는 중년 남성으로 나타났는데, 이는 가족을 부양하기 위해 더 많은 시간을 직장에서 보내며, 그에 따라 소득도 중간 이상일 가능성이 높은 중년 가장으로 설명할 수 있을 것이다.

Table 10.

Association Analysis Results by MDMI Indicators

Indicator	Indicator name	Characteristics
S	Short-distance type	Female / top 25–75% income
L	Long-distance type	Male / top 25% income / living in Gyeonggi
I	Indoor type	Female / middle-aged / living in Seoul
O	Outdoor type	Student / no driver’s license
M	Monotonous elongated type	One or two elementary school students or younger children
C	Complex circular type	University students / driver’s license available / living in Seoul
N	Non-working type	Students aged 20 years or younger (elementary/middle/high school students)
W	Working type	Male / middle-aged / middle to high-income (upper 75%) / owns one vehicle / two or more elementary school students or younger children

5) MDMI 유형별 연관분석 결과

MDMI 4가지 지표를 조합한 유형별로 연관분석을 진행할 경우, 특수한 경향의 모빌리티 패턴을 식별할 수 있다. 일례로 SOMW(단거리/집밖/단순한/직장중심) 유형에서는 만 18세의 1인 가구 직장인의 특성을 일부 확인할 수 있었는데, 이들은 대학교 진학 대신 일찍이 취업전선에 뛰어든 것으로 판단된다. SIMN(단거리/집안/단순한/직장외) 유형을 통해 노인의 특성을 일부 파악할 수 있는 것으로 나타났다. 이 유형에 속하는 노인은 직장인들처럼 정해진 일과시간을 기준으로 규칙적인 통행을 하는 것이 아니라, 오후 시간대에 활동을 주로 하며, 병원, 마트, 공원 등을 걷거나 대중교통을 이용하여 방문하는 것으로 나타났다. 한편 LICN(장거리/집안/복잡한/직장외) 유형을 통해서도 노인의 특성을 일부 확인할 수 있었는데, 전술한 SIMN을 통해 나타난 노인 특성과 달리, 대학교뿐만 아니라 병원, 치과, 시장 등 여러 장소에서 다양하게 활동하는 노인의 행태를 설명할 수 있는 것으로 판단된다.

SIMW(단거리/집안/단순한/직장중심) 유형에 속하는 개인 중에서는 초등학생 이하 자녀가 2명인 한부모 가정의 특성도 확인할 수 있었다. 한부모 가정의 부모는 통상적인 일과시간(오전 9시-오후 6시) 동안 직장에서 근무한 후, 이외의 시간에는 자녀의 돌봄 공백을 최소화하기 위해 집 밖보다 집안에서의 활동에 더 많은 시간을 할애하는 경향이 있는 것으로 보인다. SOMN(단거리/집밖/단순한/직장외) 유형과 SOCN(단거리/집밖/복잡한/직장외) 유형에 속하는 일부 개인은 만 18세 고등학생으로 나타났다. 하지만 SOMN 유형은 17시 전후에 하교하는 반면, SOCN은 저녁에 학교에 남아 야간 학습을 하거나, 학원 등을 방문하는 것으로 나타났다.

결론

본 연구에서는 모빌리티 특성을 몇 가지의 경향으로 유형화할 수 있음을 제시하였다. 모빌리티 지표는 통행시간, 통행거리, 통행횟수 등의 기본적인 지표와 활동장소별 체류시간, 모빌리티 복잡성, 활동 타원체 특성 지표 등을 포함한다. 공간 데이터에서 추출한 모빌리티 특성 간 관계를 탐색하기 위하여 데이터의 주요 패턴을 파악할 수 있고, 각 지표의 해석 가능성을 높이는 주성분 분석을 활용해 주성분 점수를 도출하였다. 또한 이를 바탕으로 모빌리티 패턴을 16개의 유형으로 구분하는 다차원 모빌리티 지표(MDMI, Multi-Dimensional Mobility Indicators)를 개발하였다. 유형화의 기준이 되는 요인은 4가지로 활동공간과 통행거리, 집 안과 집 밖 활동 비중, 복잡성과 활동 타원체의 원형성, 직장에서 보내는 시간으로 나타났다. 이후 개발한 지표와 사회경제적 특성 및 공간적 특성 간 연관관계를 규명하고, 연관분석을 통해 MDMI 지표별, 유형별 특징을 확인하였다.

사회경제적 특성 비교분석에서는 나이가 많은 집단이 장거리 통행과 직장 중심 활동을, 젊은 집단이 단거리 통행과 활발한 외부 활동을 주로 하는 것으로 나타났다. 주 이용 교통수단에 따른 분석에서도 자가용 이용자는 장거리 통행과 단순한 활동 패턴을, 대중교통 이용자는 실외 활동 중심의 패턴을, 도보 및 자전거 이용자는 단거리 통행과 활발한 외부 활동을 주로 하는 경향이 확인되었다. 또한, 지역별 분석에서는 수도권 3개 시도(서울, 인천, 경기)에서 장거리형, 실내형, 장시간 근무형의 비율이 높아 통근 통행에 많은 시간을 할애하는 경향이 두드러졌다. 이후 MDMI 지표별 연관분석 결과, 단거리형(S)은 중간 소득층 여성에게서, 장거리형(L)은 상위 25% 소득층 남성에게서 주로 나타났으며, 실내형(I)은 중년 여성, 실외형(O)은 학생들에게서 두드러지게 나타났다. MDMI 지표를 조합한 결과, 특정 연령대와 생활패턴에 따른 특수한 모빌리티 경향을 확인할 수 있었다. 일례로 SOMW(단거리/집밖/단순한/직장중심) 유형 중 일부에서는 일찍 취업한 만 18세의 직장인을, SIMW(단거리/집안/단순한/직장중심) 유형 중 일부는 일과시간 외에 주로 집안에서 아이를 돌보는 한부모 가정의 특성을 확인하였다.

본 연구의 의의는 다음과 같다. 첫째, 향후 다양한 모빌리티 데이터 기반으로 통행패턴을 분석하는 연구에 활용이 가능할 것이다. 본 연구는 객체 단위 모빌리티 특성을 파악하기 위하여 전국 단위 통행패턴을 대표할 수 있는 국가교통조사사업의 KTDB 원천자료(개인통행실태조사)를 활용하여 연구 결과의 대표성을 확보하여 활동공간의 특성, 모빌리티 복잡성 등의 지표를 산출하였다. 최근에는 더 많은 표본을 보유하고 있는 다양한 모빌리티 빅데이터(모바일 통신, 차량 GPS, 대중교통카드 데이터 등) 활용이 증가하고 있을 뿐만 아니라, LBS(Location-Based Service) 데이터를 활용한 체류지 추정, 장소유형 추정, 통행목적 구분, 통행수단 추정 등의 기술도 고도화되고 있다. 향후 이러한 빅데이터에 본 연구의 방법론을 적용하면 표준화되고 대표성 있는 통행 유형을 구분할 수 있고, 관련 지표를 지속적으로 측정하여, 객체 단위 모빌리티 특성을 모니터링할 수 있을 것이다. 둘째, 모빌리티 특성을 사회경제적 특성, 주 이용 교통수단, 지역과 연계하여 이해하였다. 이 결과를 토대로 지역균형발전, 지방소멸, 청년층 수도권 집중뿐만 아니라 경제특구, 혁신도시와 같은 다양한 지역발전 계획의 사전 및 사후 모니터링, 도시구조 효율성 평가에도 참고할 수 있다. 마지막으로, 본 연구는 개인의 다양한 모빌리티 특성을 MDMI와 같이 유형화할 수 있음을 확인하였는데, 이러한 유형화 지표는 행위자 기반 모형(Agent-based model)에서 객체(사람)에 실제 사람의 다양성을 모사하도록 활용할 수 있다. 더 나아가 MDMI는 현실성 높은 도시 시뮬레이터 구축을 통해 교통 현안에 대한 시의성 있는 예측 정보의 제공이 가능하다.

그럼에도 본 연구는 다음과 같은 한계점을 가지고 있다. 첫째, 다차원 모빌리티 지표에 따른 유형화 과정에서 통행행태 측면에서 해석의 용이성을 높이기 위해 다원화된 구분이 아닌 주성분 축의 중심, 즉 주성분 점수 0점을 기준으로 이원적 구분을 수행하였다. 향후 연구에서는 다양한 분류기법(Unsupervised classification)을 적용하여 임의의 기준이 아닌 데이터 기반의 유형화를 진행할 예정이며, 이때 객체 단위 모빌리티의 핵심적인 특성인 활동-통행 간 순차 패턴(Sequence)을 고려한 기법을 활용할 필요가 있겠다(Wilson, 1998). 둘째, 본 연구는 토지이용을 고려하지 않고, 사람의 활동 및 통행 특성만을 고려하여 모빌리티 특성을 유형화하였다는 한계가 있다. 하지만 Choo et al.(2013), Kong et al.(2021) 연구에서 토지이용이 통행을 포함한 다양한 활동에 영향을 미친다는 점을 밝힌 바와 같이 향후 연구에서는 교통기반시설, 토지이용과도 연계하여 모빌리티 특성을 분석할 수 있을 것이다. 셋째, 본 연구는 개인통행실태조사 데이터를 활용하여 다차원 모빌리티 지표를 개발하였다. 활용 데이터는 전국 대상자의 1% 표본 조사 한계로 인하여 주로 평일, 하루의 평균적인 통행 측면에서 분석이 이루어졌다. 이에 따라 주말과 심야시간대의 통행은 누락되었고, 통행일지 작성방식 조사(Travel diary survey)인 만큼 응답자는 통행을 실제보다 적게 기재한다는 한계가 존재한다(Jiang et al., 2017). 향후 연구에서는 일 년 내내 지속적으로 구득할 수 있는 모빌리티 빅데이터에 이 방법을 적용하여 더욱 정밀한 모빌리티 특성을 분석해 나갈 예정이며, 이를 바탕으로 시간대별, 계절별 모빌리티 특성 및 통근·비통근 모빌리티 특성의 비교가 가능할 것으로 기대된다. 또한, 도시구조 효율성 평가에도 빅데이터 기반 모빌리티 분석 및 다차원 모빌리티 지표를 적용하여 도시별 직주거리와 도시 자족도 등을 분석하는 데 활용할 수 있을 것으로 기대된다.

Funding

This research was supported by the Regional Innovation Cluster Development(R&D) Project(project number: P0025249) funded by the Republic of Korea Ministry of Trade, Industry and Energy(MOTIE).

The authors confirm their contribution to the paper as follows: study conception and design: Jae Hyun Lee; Data Processing: Jiyun Shim, Soojeong Choi, Jae Hyun Lee; analysis and interpretation of results: Minsu Won, Jiyun Shim, Soojeong Choi, Jae Hyun Lee; draft manuscript preparation: Minsu Won, Jiyun Shim, Soojeong Choi, Jae Hyun Lee, All authors reviewed the results and approved the final version of the manuscript.

알림

본 논문은 한국ITS학회 2024년도 춘계학술대회(2024. 04. 25.)에서 발표된 내용을 수정, 보완하여 작성된 것입니다.

각주

[2] 1) 실제 활동공간의 면적 산출 과정에서는 선의 버퍼 간 겹치는 부분을 추가로 제거해야 함

[3] 2) 성별, 학생여부는 합이 100%이며, 운전면허 유무는 무응답자가 있어 총 응답자의 비율이 상이함(74-99%)

[4] 3) 개인의 주 이용 교통수단은 이동시간을 기준으로 산정하여 2개 이상으로 나타날 수 있음. 이에 수단별 비율의 합은 100%를 초과할 수 있음

References

Alexander L., Jiang S., Murga M., Gonzalez M. C. (2015), Origin-Destination Trips by Purpose and Time of Day Inferred From Mobile Phone Data, Transp. Res. C: Emerg. Technol., 58, 240-250.

10.1016/j.trc.2015.02.018

Bai Y., Bai Y., Wang R., Yang T., Song X., Bai B. (2023), Exploring Associations Between the Built Environment and Cycling Behaviour Around Urban Greenways From a Human-Scale Perspective, Land, 12(3), 619.

10.3390/land12030619

Cao J., Li Q., Tu W., Wang F. (2019), Characterizing Preferred Motif Choices and Distance Impacts, Plos One, 14(4), e0215242.

10.1371/journal.pone.021524230990848PMC6467417

Choo S., Lee H., Shin H. (2013), Analyzing Changes in Travel Behavior of the Elderly Using Travel Diary Survey Data in Seoul Metropolitan Area, Korea Spat. Plan. Rev, 31-45.

10.15793/kspr.2013.76..003

Cui Y., He Q., Khani A. (2018), Travel Behavior Classification: An Approach With Social Network and Deep Learning, Transp. Res. Rec., 2672(47), 68-80.

10.1177/0361198118772723

Faroqi H., Mesbah M. (2021), Inferring Trip Purpose by Clustering Sequences of Smart Card Records, Transp. Res. C: Emerg. Technol., 127, 103131.

10.1016/j.trc.2021.103131

García-Albertos P., Picornell M., Salas-Olmedo M. H., Gutiérrez J. (2019), Exploring the Potential of Mobile Phone Records and Online Route Planners for Dynamic Accessibility Analysis, Transp. Res. A: Policy Pract., 125, 294-307.

10.1016/j.tra.2018.02.008

Gonzalez M. C., Hidalgo C. A., Barabasi A. L. (2008), Understanding Individual Human Mobility Patterns, Nature, 453(7196), 779-782.

10.1038/nature0695818528393

Hafezi M. H., Daisy N. S., Millward H., Liu L. (2021), Ensemble Learning Activity Scheduler for Activity Based Travel Demand Models, Transp. Res. C: Emerg. Technol., 123, 102972.

10.1016/j.trc.2021.102972

Iio K., Guo X., Kong X., Rees K., Wang X. B. (2021), COVID-19 and Social Distancing: Disparities in Mobility Adaptation Between Income Groups, Transp. Res. Interdiscip. Perspect., 10, 100333.

10.1016/j.trip.2021.10033334514367PMC8422281

Jiang S., Ferreira J., González M. C. (2012), Clustering Daily Patterns of Human Activities in the City, Data Min. Knowl. Discov., 25, 478-510.

10.1007/s10618-012-0264-z

Jiang S., Ferreira J., González M. C. (2017), Activity-Based Human Mobility Patterns Inferred From Mobile Phone Data: A Case Study of Singapore, IEEE Trans. Big Data, 3(2), 208-219.

10.1109/TBDATA.2016.2631141

Jonietz D., Bucher D., Martin H., Raubal M. (2018), Identifying and Interpreting Clusters of Persons with Similar Mobility Behaviour Change Processes, Geospatial Technol. All, 21, Springer International Publishing, 291-307.

10.1007/978-3-319-78208-9_15

Kim J. Y., Song T. J., Seong H. M., Kim D. H. (2019), A Study on the Reliability of Traffic Demand Prediction Based on Big Data, the Korea Transport Institute, 1-177.

Kim J. H., Yeon C. H., Baek J. H., Yoon S. Y., Kim S. H. (2023), Research on Regional Activity Monitoring Based on Mobility Big Data, Korea Research Institute for Human Settlements, 57-106.

Kong J. H, Lee E., Chung J. H., Kim J. (2021), A Study on the Categorization of Worker's Activity Behaviors and the Relationship Between Land Use and Transportation Infrastructure Level in Seoul, J. Korean Soc. Transp., 39(4), 430-446.

10.7470/jkst.2021.39.4.430

Lee J. H., Davis A. W., Yoon S. Y., Goulias K. G. (2016a), Activity Space Estimation with Longitudinal Observations of Social Media Data, Transportation, 43, 955-977.

10.1007/s11116-016-9719-1

Lee N. C., Voss C., Frazer A. D., Hirsch J. A., McKay H. A., Winters M. (2016b), Does Activity Space Size Influence Physical Activity Levels of Adolescents?: A GPS Study of an Urban Environment, Prev. Med. Rep., 3, 75-78.

10.1016/j.pmedr.2015.12.00226807349PMC4718608

Lefever D. W. (1926), Measuring Geographic Concentration by Means of the Standard Deviational Ellipse, Am. J. Sociol., 32(1), 88-94.

10.1086/214027

Li J., Kim C. (2018), Measuring Individuals' Spatial Access to Healthy Foods by Incorporating Mobility, Time, and Mode: Activity Space Measures, Prof. Geogr., 70(2), 198-208.

10.1080/00330124.2017.1338591

Liu X., Chen X., Tian M., De Vos J. (2023), Effects of Buffer Size on Associations between the Built Environment and Metro Ridership: A Machine Learning-Based Sensitivity Analysis, J. Transp. Geogr., 113, 103730.

10.1016/j.jtrangeo.2023.103730

Martin H., Wiedemann N., Reck D. J., Raubal M. (2023), Graph-Based Mobility Profiling, Comput. Environ. Urban Syst. 100, 101910.

10.1016/j.compenvurbsys.2022.101910

Pan Y., He S. Y. (2022), Analyzing COVID-19's Impact on the Travel Mobility of Various Social Groups in China's Greater Bay Area via Mobile Phone Big Data, Transp. Res. A: Policy Pract., 159, 263-281.

10.1016/j.tra.2022.03.01535317198PMC8929529

Shi H., Su R., Xiao J., Goulias K. G. (2022), Spatiotemporal Analysis of Activity-Travel Fragmentation Based on Spatial Clustering and Sequence Analysis, J. Transp. Geogr., 102, 103382.

10.1016/j.jtrangeo.2022.103382

Shi L., Chi G., Liu X., Liu Y. (2015), Human Mobility Patterns in Different Communities: A Mobile Phone Data-Based Social Network Approach, Ann. GIS, 21(1), 15-26.

10.1080/19475683.2014.992372

Su R., McBride E. C., Goulias K. G. (2021), Unveiling Daily Activity Pattern Differences Between Telecommuters and Commuters Using Human Mobility Motifs and Sequence Analysis, Transp. Res. A: Policy Pract., 147, 106-132.

10.1016/j.tra.2021.03.002

Wilson C. (1998), Analysis of Travel Behavior Using Sequence Alignment Methods, Transp. Res. Rec., 1645 (1), 52-59.

10.3141/1645-07

Won M., Choi, J., Lee, H., & Kim, J. (2021). Development of an Algorithm to Analyze Home-based Work Trips Using Mobile Phone Data, J. Korean Soc. Transp., 39(3), 383-398.

10.7470/jkst.2021.39.3.383

Won M., Kim D., Jang D. I., Kim J. (2023), Mobility Analysis of People in South Korea using Pseudonymous Mobile Phone Data, the Korea Transport Institute, 231-326.

Xu Y., Belyi A., Bojic I., Ratti C. (2018), Human Mobility and Socioeconomic Status: Analysis of Singapore and Boston, Comput. Environ. Urban Syst., 72, 51-67.

10.1016/j.compenvurbsys.2018.04.001

Zenk S. N., Matthews S. A., Kraft A. N., Jones K. K. (2018), How Many Days of Global Positioning System (GPS) Monitoring Do You Need to Measure Activity Space Environments in Health Research?, Health & Place, 51, 52-60.

10.1016/j.healthplace.2018.02.00429549754PMC5963999

Zenk S. N., Schulz A. J., Matthews S. A., Odoms-Young A., Wilbur J., Wegrzyn L. et al. (2011), Activity Space Environment and Dietary and Physical Activity Behaviors: A Pilot Study, Health & Place, 17(5), 1150-1161.

10.1016/j.healthplace.2011.05.00121696995PMC3224849

Journal of Korean Society of Transportation ISSN:1229-1366(Print) 2234-4217(Online) 대한교통학회지

Preview

Development of Multi-Dimensional Mobility Indicators (MDMI) for Agent-based Travel Pattern Classification

ABSTRACT

MAIN

Figure 1.

Research process flowchart

Table 1.

Travel characteristics indicators and formulas

Figure 2.

Time-weighted standard deviation ellipse

(1)

(2)

Figure 3.

Activity space area (left: one activity place, right: two or more activity places)

(3)

(4)

Table 2.

Data summary: Socioeconomic characteristics of individual travel survey respondents

Table 3.

Principal component analysis results - Eigenvalue (Left), Correlation coefficients between principal components and mobility indicators (Right)

Table 4.

Mobility classification based on mobility indicators (Step 1)

Figure 4.

MDMI classification

Table 5.

Mobility classification based on mobility indicators (Step 2)

Table 6.

Socioeconomic characteristics by MDMI (1) - Numerical variables (Age, income, household, vehicles)

Table 7.

Socioeconomic characteristics by MDMI (2) - Nominal variables (Gender, student status, driving license) (Unit: %)

Table 8.

Relationships between MDMI and the primary means of transportation (Unit: %): Private vehicle users tend to have long-distance travel and simple activity patterns, while public transportation users tend to be more outdoor-oriented.

Table 9.

Proportions of MDMI by administrative districts (Unit: %): In the Seoul Metropolitan Areas (Seoul, Incheon, and Gyeonggi), there is a higher proportion of long-distance, indoor, and long-working-hour types, indicating a marked tendency to spend more time on commuting

Table 10.

Association Analysis Results by MDMI Indicators

Funding

알림

각주

References