부산도시철도 시간대별 수요예측을 위한 NeuralProphet?시간대 수요 패턴 라이브러리 결합 모형 = A NeuralProphet?Time of Day Demand Shape Library Hybrid Model for Hourly Ridership Forecasting of the Busan Metro

국문 초록 (Abstract)

본 연구는 부산도시철도 전 역사 승·하차 실측자료를 이용하여 NeuralProphet과 시간대 수요 패턴 라이브러리를 결합한 2단계 수요예측 모형을 제안하고 그 성능을 검증한다. 1단계에서는 일별 승·하차 데이터를 대상으로 NeuralProphet 기반 일별 예측 모형을 구축하여 역별 일별 예측 성능을 평가하고, 도시철도 수요예측에서 추세, 연간·주간 계절성 및 외생변수의 기여를 해석한다. 2단계에서는 과거 시간대별 승차 데이터로 역·요일·공휴일 조건에 따른 대표 시간대 분포를 패턴 라이브러리로 정의하고, 1단계에서 예측된 일별 수요에 패턴 라이브러리를 적용해 역·시간대별 승하차 수요를 복원하여, LSTM모델과 비교·평가를 하여 성능을 검증한다. 실증 결과, NeuralProphet 일별 예측은 108개 역 평균 MAPE 8%대의 오차율을 보이며, 양호한 성능을 나타냈으며, 시간대별 예측은 딥러닝 모델인 Vanilla-LSTM 모형과 비교해 역 108개 역 평균 승·하차 RMSE 기준 9% 이상 감소(개선)되었고, 승·하차 MAPE도 각각 17.19%, 15.69%로 준수한 성능을 보였다. 이는 제안 결합 모형이 일별과 시간대별 수요를 동시에 산출 하면서도 구성요소 기반의 해석 가능성을 제공함으로써 실무 적용 가능성을 확인하였음을 시사한다.

다국어 초록 (Multilingual Abstract)

This study proposes and validates a two-stage ridership forecasting model that combines NeuralProphet with an intraday demand pattern library, using observed boarding and alighting data from all stations of the Busan Metro. In Stage 1, we build a NeuralProphet-based daily forecasting model using daily boarding and alighting series, evaluate station-level daily forecasting performance, and interpret the contributions of trend, annual and weekly seasonality, and exogenous variables in metro demand forecasting. In Stage 2, we define representative intraday distributions by station, day-of-week, and holiday condition as a pattern library using historical hourly boarding data, and then apply the library to the daily forecasts produced in Stage 1 to reconstruct station-by-hour boarding and alighting demand. The resulting hourly forecasts are evaluated through comparison with a deep-learning baseline, the Vanilla LSTM model. Empirical results show that the NeuralProphet daily model achieves an average MAPE in the 8% range across 108 stations, indicating strong performance. For hourly forecasting, the proposed two-stage model reduces RMSE by more than 9% on average for both boarding and alighting across the 108 stations compared with the Vanilla LSTM, and achieves MAPE values of 17.19% (boarding) and 15.69% (alighting). These findings suggest that the proposed hybrid framework can simultaneously produce daily and hourly demand estimates while providing component-wise interpretability, supporting its practical applicability in real-world metro operations and planning.

목차 (Table of Contents)

• Ⅰ. 서 론 1
• 1. 연구 배경 및 목적 1
• 2. 연구 범위 및 대상 3
• 3. 연구 방법 및 절차 4
• 4. 논문 구성 6
• Ⅱ. 이론적 배경 및 선행 연구 7
• 1. 도시철도 수요와 시간대별 승하차 패턴 7
• 2. 시계열 수요 예측 연구 9
• 2.1 ARIMA 계열 전통 통계 모형 9
• 2.2 LSTM 계열 딥러닝 기반 모형 9
• 2.3 기존 모형과의 비교와 하이브리드 모형의 필요성 11
• 2.4 Prophet 및 NeuralProphet 12
• 3. 패턴 분해 기반 수요 예측 연구 14
• 3.1 시간대 패턴 클러스터링과 대표 패턴 14
• 3.2 총량과 분포로 나누는 2단계 예측 구조 16
• 3.3 패턴 라이브러리 구축 16
• Ⅲ. 데이터 및 분석 프레임워크 18
• 1. 데이터 개요 18
• 2. 데이터 전처리 19
• 3. 평가 지표 및 실험 설계 21
• 3.1 평가지표 정의 21
• 3.2 학습·검증·테스트 구간 설정 23
• Ⅳ. NeuralProphet을 이용한 일별 수요 예측 실험 26
• 1. 기본 모형 설정 26
• 1.1 모델구조 및 하이퍼파라미터 26
• 1.2 외생변수 분석 32
• 1.3 자기 회귀 분석 37
• 1.4 클러스터 기반 분석 39
• 2. 예측결과 컴포넌트 해석 44
• 2.1 실무적 필요성 44
• 2.2 해석 예시 45
• Ⅴ. 시간대 수요 패턴 라이브러리를 이용한 수요 예측 48
• 1. 시간대 수요 패턴 라이브러리 정의 방법 48
• 1.1 평균·가중치 기반 48
• 1.2 KNN 기반 49
• 1.3 평균·가중치 및 KNN기반 실험 비교 52
• 2. LSTM 기반 시간대 예측 모델과 비교 53
• 2.1 Vanilla LSTM 53
• 2.2 모형 비교 55
• 2.3 딥러닝 모델의 장점과 한계점 56
• Ⅵ. 결론 57
• 1. 연구 요약 및 시사점 57
• 2. 학술적 기여 58
• 3. 연구의 한계 및 향후 연구 과제 59