LSTM 기반 BLE RSSI 분석을 통한 Tagless 개집표기 결제 예측 시스템 = Payment Prediction System Using LSTM-Based BLE RSSI Analysis for Tagless Gate machine

다국어 초록 (Multilingual Abstract)

This study presents an AI-based model to enhance the reliability of tagless fare payment in urban rail systems. Tagless payment allows automatic transactions via Bluetooth Low Energy (BLE) or Ultra-Wideband (UWB) communication without card contact, yet adoption remains low due to technical and compatibility issues. To address this, an LSTM (Long Short-Term Memory) model using BLE Received Signal Strength Indicator (RSSI) data was developed to predict gate passage behavior. The model effectively learned temporal BLE patterns, achieving stable and accurate performance. This research provides a practical AI approach to improve the reliability and usability of tagless fare systems and suggests further studies on real-world data validation, model optimization, and sensor fusion.

국문 초록 (Abstract)

본 연구는 도시철도 환경에서 태그리스(Tagless) 결제 시스템의 정확성과 신뢰성 을 향상시키기 위한 인공지능 기반 개찰구 통과 예측 모델을 제안하였다. 태그리 스 결제는 이용자가 단말기에 접촉하지 않고 스마트폰의 블루투스(BLE)나 초광대 역(UWB) 통신을 통해 자동 결제가 이루어지는 방식으로, 이용 편의성이 높지만 기술 표준 부재와 기기 제한, 전파 간섭 등으로 인해 낮은 이용률을 보이고 있다. 이러한 문제를 해결하기 위해 본 연구는 스마트폰에서 수집한 BLE 수신 신호 강 도(RSSI) 데이터를 활용하여 사용자의 개찰구 통과 여부를 정밀하게 예측하는 LSTM(Long Short-Term Memory) 기반 인공지능 모델을 개발하였다. 제안된 모 델은 시계열적 BLE 신호 패턴을 학습하여 단순 이동과 실제 개찰구 통과를 구분 할 수 있도록 설계되었으며, PyTorch 기반 실험을 통해 높은 예측 정확도와 안정 적인 성능을 입증하였다. 본 연구는 태그리스 결제 시스템의 신뢰도 향상과 상용 화 가능성을 제고하는 실증적 인공지능 응용 방안을 제시하였으며, 향후 실증 환 경에서의 대규모 데이터 검증, 모델 경량화, 센서 융합 확장 연구를 통한 기술 고 도화를 제안한다.

목차 (Table of Contents)

• Ⅰ. 서 론 1
• Ⅱ. 이론적 배경 3
• 1. 도시철도 요금징수 시스템[AFC] 3
• 1.1. 요금징수 시스템의 종류 5
• 1.2. 태그리스 게이트의 개념 7
• 1.3. 최신 태그리스 게이트 운영 현황 8
• 1.4. 문제점 9
• 2. 위치 추적 기술 10
• 2.1. 위치 인식 기술 10
• 2.2. 위치 측위 방법 11
• 2.3. 삼각측위법 13
• 3. 기술 적용 15
• 3.1 환경적 측면 15
• 3.2 이용객 측면 15
• 3.3 운영 및 유지관리 측면 17
• 3.4 BLE RISS 기술 선정 17
• 4. RSSI 18
• Ⅲ. 도시철도 태그리스 게이트 위한 연구 19
• 1. 프로그램 원리 및 설계 19
• 2. 인공지능 기반 위치추적 프로그램 구현 21
• 2.1. 비콘 태그 좌표 설정 21
• 2.2. RSSI 함수 정의 및 데이터 초기화 22
• 2.3. 상황별 시뮬레이션 23
• 2.3.1. Free zone에서 Paid zone으로 이동(개표, in-out) 24
• 2.3.2. Paid zone에서 Free zone으로 이동(집표, out-in) 28
• 2.3.3. Free zone 내 위치(in-in) 32
• 2.3.4. Paid zone 내 위치(out-out) 36
• 2.4. 성능 측정 40
• 2.4.1. 데이터 준비 40
• 2.4.2. 데이터 분할 41
• 2.4.3. Dataset & DataLoader 42
• 2.4.4. LSTM 분류기 정의 44
• 2.4.5. 하이퍼파라미터 설정 46
• 2.4.6. 매트릭 저장용 리스트 초기화 47
• 2.4.7. 학습루프 47
• 3. 최종 TEST 성능 평가 49
• 3.1. 한계점 52
• 3.2. 모든 n값을 이용한 전체 데이터 학습 53
• Ⅳ. 결 론 55
• 참 고 문 헌 57