관행적 버스노선, AI를 통한 과학적 기준 마련해 실효성 중심으로 개편

버스 하차 인원·지점, 99% 추정 가능한 데이터 분석 모델 개발 완료

올해부터 대중교통 노선 신설·조정 등 실효성 있는 교통정책에 활용

그동안 많은 지자체에서 버스 승객 하차정보(하차지점, 하차인원) 데이터 부족으로 실질적 대중교통 수요 파악이 어려워 민원, 의회 요구 등에 의한 노선개편을 관행적으로 추진해 왔다.

버스 단일요금제를 시행하는 지자체에서는 버스를 탑승할 때 교통카드를 태그 하는 방식으로 요금을 지불하고 있어 승차정보에 대한 데이터는 있지만, 하차 시에는 태그를 건너뛰는 경우가 많아 하차정보 데이터를 수집하는 데 어려움을 겪었다.

* 부산시(40.6%)를 포함해 전북·울산 등 12개 시도의 평균 하차 태그율 32% 수준

하차정보가 부족함에 따라 수요가 없는 곳에 버스정류장이 새롭게 들어서거나 불필요한 버스노선 연장.변경 등으로 시민 불편은 물론, 버스 회사운영비 부담이 가중되어 세금 낭비라는 지적도 제기되어 왔다.

행정안전부(장관 이상민)와 부산광역시는 합리적 대중교통 노선개편 지원을 위한「AI기반 승객하차정보 추정 분석 모델」개발을 완료했다.

이번에 개발된 모델은 승객 하차지점과 하차인원 추정을 통해 실제와 가까운 교통 수요량을 산출하고, 대중교통 잠재수요를 찾아내는 것을 주요 기능으로 설계했다.

실질적 교통수요를 파악할 수 있는 분석모델을 통해, 고령화와 인구감소로 대중교통 노선운영 효율화 조치가 필요한 지자체의 대중교통 노선개편에 활용도가 높을 것으로 기대된다.

모델개발 과정에는 교통카드 사용이력 데이터, 통신사 유동인구 데이터, 신용카드 사용데이터 등 약 3억 건의 공공·민간 데이터를 활용했다.

3가지 분석 모형을 단계적으로 적용하여 노선 정류장별 하차 인원을 99%까지 추정하고, 대중교통 잠재수요까지 파악할 수 있었다.

먼저 1단계로 하차정보가 존재하는 승객 데이터(승차시간, 장소, 환승지점 등)를 AI가 학습하여 예측 알고리즘(심층신경망:DNN)을 통해 하차정보가 없는 승객의 하차지점을 예측한다.

1단계 과정에서 하차지점 예측이 어려운 경우에는 2단계로 거주지 추정 방식(Home-based 분석)*, 3단계로 동승자 이력 추적 방식**을 순차적으로 적용하여 하차정보를 99%까지 추정할 수 있었다.

* 7일 중 3일 이상 최초 출발지점이 동일한 경우 해당 출발지점을 거주지(전날 최종하차지점)로 추정

** 동일 정류장에서 탑승한 타 승객들의 이력을 추적하여 하차인원이 가장 많았던 정류장을 하차지점으로 추정

이 같은 단계별 분석 결과를 토대로 정류장별, 교통유형별 실제 이용자 규모를 산출하고, 통신사 유동인구 데이터, 신용카드 사용데이터 등을 활용하여 교통 잠재수요까지 도출했다. 이는 기존 운영노선의 합리성 평가와 심야 버스 노선개설 등에 활용할 수 있다.

행정안전부는 이번에 개발된 모델이 지자체별 과학적 노선개편 과정에 널리 활용될 것으로 기대하고 있다.

그동안 하차정보 부족으로 실제 교통수요가 반영된 노선개편에 어려움이 컸던 지자체가, 데이터에 기반한 실질수요를 반영할 수 있는 기반이 마련됨으로써 주민 생활 편의성이 높아질 것으로 보인다.

정부도 대중교통 노선별 정확한 승객 규모를 토대로 실효성 있는 교통정책을 개발하는 데 활용할 수 있을 것으로 기대된다.

김준희 공공데이터국장은 “그동안 파악이 어려웠던 승객규모를 데이터 분석을 통해 찾아냄으로써 과학적 교통정책의 토대를 마련했다는 측면에서 의미가 크다”라고 강조하며, “앞으로도 데이터를 통해 행정역량을 높이고 국민의 생활이 실질적으로 변화할 수 있도록 노력하겠다”고 말했다.