인공지능 활용 부산도시철도 수송량 예측모델 검증 = Verification of an AI-driven Passenger Demand Prediction Model for “Busan Metro”

국문 초록 (Abstract)

본 연구는 부산교통공사의 예산편성, 예산집행, 투자계획의 수립 등 경영전반의 의사결정에서 핵심 기준이 되는 수송량 예측 업무에 있어 담당자의 통계적인 지식의 부재와 방대한 수송 관련 데이터를 체계적으로 활용하지 못하는 비효율 및 예측치의 신뢰 도 저하 등의 문제를 해결하기 위해 수행되었다. 이를 위해 2020 년부터 2023년까지의 데이터를 수집하여 GAT-LSTM 모델 기반의 예측모델을 개발, 실제 수송량과 모델의 예측값을 비교하는 방식 으로 연구를 진행하였다. 개별 역을 “교통결절형, 정기통근형, 학교형, 관광지형, 주거지형” 의 유형으로 분류하여 해당 유형의 역사에 더욱 유의미한 영향을 미치는 변수를 찾고자 부산교통공사의 자체 데이터, 국가데 이터처의 SGIS 데이터 등을 기반으로 역 유형별로 수송인원에 유 의미한 영향을 미치는 설명변수를 도출하였다. 이를 바탕으로 역 간 인접성과 거리 기반 가중치를 반영한 GAT-LSTM 모형을 설계 하여 개별 역 예측에 적용한 결과 단순 LSTM 모형 대비 더욱 개 선된 설명력을 가지는 예측모델을 도출할 수 있었다. 이와 같은 연구 결과는 도시철도 수송수요 예측에서 딥러닝 기반 모형, 특히 공간적 상호작용을 반영한 GAT-LSTM 모형이 실무 의사결정의 신뢰도 제고와 수송통계 업무의 효율화에 기여할 수 있음을 시사한다. 아울러 향후 연구범위를 더욱 확장하고, 설명변 수의 고도화 등의 후속작업을 통해 보다 정교하고 범용적인 도시 철도 수송인원 예측모형으로 발전시킬 수 있을 것으로 기대한다.

다국어 초록 (Multilingual Abstract)

This study was conducted to address problems in ridership forecasting at Busan Transportation Corporation, which serves as a key basis for decision-making in budget formulation and execution, investment planning, and overall management. In particular, the study aims to mitigate issues arising from the limited statistical expertise of staff and the inefficient use of massive ridership-related data, which have led to reduced reliability of forecast results. To this end, data from 2020 to 2023 were collected and a GAT-LSTM–based prediction model was developed, with model forecasts compared against actual urban rail ridership. Individual stations were first classified into five functional types—“transportation hub,” “commuter-oriented,” “school-oriented,” “tourist-oriented,” and “residential-oriented.” Using Busan Transportation Corporation’s internal data and SGIS data from the national data portal, explanatory variables with statistically significant influence on ridership were derived for each station type. Based on these variables, a GAT-LSTM model was designed that incorporates both station-to-station adjacency and distance-based weights, and was applied to station-level ridership prediction. The results indicate that the proposed GAT-LSTM model achieves improved explanatory power compared to a conventional LSTM model without explicit spatial structure. These findings suggest that deep learning–based models for urban rail ridership forecasting—especially GAT-LSTM models that explicitly capture spatial interactions between stations—can contribute to enhancing the reliability of managerial decision-making and improving the efficiency of ridership statistics operations. Furthermore, by extending the scope of analysis and further refining the set of explanatory variables in future research, the proposed approach is expected to evolve into a more sophisticated and generalizable prediction model for urban rail passenger demand.

목차 (Table of Contents)

• Ⅰ. 서 론 1
• 1.1. 연구의 배경 1
• 1.2. 연구의 목적 3
• 1.3. 연구의 범위 및 연구 방법 4
• Ⅱ. 이론적 배경 6
• 2.1. 기존 업무 추진현황 6
• 2.2. 딥러닝 모형 기반 관련연구 분석 7
• 2.3. 딥러닝 모형의 이론적 고찰 10
• Ⅲ. 모델 설계 및 분석 15
• 3.1. LSTM 모형 활용 거시적 예측 15
• 3.1.1. 모형 설계 15
• 3.1.2. 학습시행결과(당초) 16
• 3.1.3. 학습모델 보완 19
• 3.1.4. 학습시행결과(보완 후) 19
• 3.2. GAT-LSTM 모형 활용 개별 수요 예측 22
• 3.2.1. 연구과정 요약 22
• 3.2.2. GAT-LSTM 모형 설계 24
• 3.2.3. 학습시행결과: 센텀시티역을 중심으로 35
• Ⅳ. 결 론 50
• 4.1. 결론 50
• 4.2. 차기 연구 개선방향 51
• 참고문헌 53