구글 스트리트 뷰 데이터와 인공지능을 활용한 위치기반 가로공간 보행자 데이터 수집 방법 개발 = Developing Geo-coded Street-level Pedestrian Volume Data Using Google Street View Data and Artificial Intelligence Models

국문 초록 (Abstract)

보행량 데이터는 건축계획, 도시설계 등 다양한 방면에서 활용도가 높아 정부기관에서 혹은 상업적 목적으로 인한 조사기관에서 해당 데이터를 취득하고 있다. 하지만 전통적인 보행량 측정 방법은 목측 및 수기기입 방식으로 자료를 구축하는 바 시간 및 노동 비용이 높을 수밖에 없다. 또한 특정 지점의 보행량은 얻을 수 있어도 연속된 공간의 보행량을 측정하기에는 어려움이 있다. 본 연구에서는 이처럼 측정이 불가능한 지역의 보행량을 예측하기 위하여 GSV(Google Street View) 데이터를 활용할 수 있는지를 검증하고자 하였다. 연구방법은 객체탐지 기술을 활용하여 GSV에서 사람을 판별하고, 그 확률과 공공에서 측정한 보행량 조사 데이터를 상호 비교한다. 분석 자료는 뉴욕시에서 제공하는 데이터는 114개소 지점에 관한 보행량 데이터를 이용한다. 지점별 위도, 경도 정보 및 측정 시간과 보행량 정보가 포함되어 있다. 위도 경도 정보를 이용하여 지점별 GSV 자료를 수집, 해당 지점의 보행자 수를 객체탐지 기술을 토대로 판별하였다. 본 연구에서 분석하는 두 데이터는 확률합계 방식과 확률빈도 분석을 통해 예측력을 확인하고, 민감도 분석을 통해 예측력을 높이는 것을 진행한다. 본 방법론은 사람이 개입하지 않는 보행량 예측기법이라는 점에서 원하는 지점의 보행량 예측값을 쉽고 빠르게 도출할 수 있다는 점에서 본 연구의 의의가 있다.

다국어 초록 (Multilingual Abstract)

Pedestrian count data serves various purposes within architectural, urban planning, and related fields. Typically, this data is collected bygovernment agencies and commercial survey companies. However, conventional methods of recording pedestrian data demand significant timeand effort. Consequently, data availability is restricted to specific timeframes and limited locations. In response to this, we conductedfeasibility tests for an object-based pedestrian detection procedure. Google Street View data was used to capture geocoded pedestrian counts atstreet levels in New York City, the U.S. A validation study was performed against historical pedestrian count data recorded officially in thecity at 114 different locations. The results indicated a high agreement rate of over 0.8, suggesting that street-level image data couldeffectively and economically replace conventional pedestrian counting methods.

참고문헌 (Reference)

1 변미리 ; 서우석, "도시 거리의 주간활동인구 측정과 해석: 서울시 유동인구 조사 사례" 한국조사연구학회 12 (12): 27-50, 2011

2 박근덕 ; 이수기, "가로공간 보행만족도 예측을 위한 딥러닝 모형의적용과 검증" 한국도시설계학회 19 (19): 19-34, 2018

3 Helbich, M., "Using deep learning to examine street view green and blue spaces and their associations with geriatric depression in Beijing, China" 126 : 107-117, 2019

4 Ewing, R., "Travel and the built environment: a meta-analysis" 76 (76): 265-294, 2010

5 Ewing, R., "Streetscape features related to pedestrian activity" 36 (36): 5-15, 2016

6 Zhou, H., "Social inequalities in neighborhood visual walkability:Using Street View imagery and deep learning technologies to facilitate healthy city planning" 50 : 101605-, 2019

7 Chen, L., "Safety countermeasures and crash reduction in New York City-Experience and lessons learned" 50 : 312-322, 2013

8 Wang, X., "Predicting the city foot traffic with pedestrian sensor data" 2017

9 Wang, R., "Perceptions of built environment and health outcomes for older Chinese in Beijing: A big data approach with street view images and deep learning technique" 78 : 101386-, 2019

10 Lin, T. Y., "Microsoft coco: Common objects in context" Springer International Publishing 740-755, 2014

11 Yin, L., "Measuring visual enclosure for street walkability: Using machine learning algorithms and Google Street View imagery" 76 : 147-153, 2016

12 Zhang, L., "Is faster R-CNN doing well for pedestrian detection?" 2016

13 Kang, B., "Identifying street design elements effective in reducing vehicle-to-pedestrian collisions at intersections in New York City" 122 : 308-317, 2019

14 Ryus, P., "Guidebook on Pedestrian and Bicycle Volume Data Collection"

15 Ren, S., "Faster R-CNN: Towards real-time object detection with region proposal networks" 2015

16 Gao, G., "Exploring flood mitigation governance by estimating first-floor elevation via deep learning and google street view in coastal Texas" 2023

17 Deng, M., "Exploring associations between streetscape factors and crime behaviors using Google Street View images" 16 (16): 164316-, 2022

18 Chen, L., "Examining the association between the built environment and pedestrian volume using street view images" 127 : 103734-, 2022

19 Yue, H., "Detecting people on the street and the streetscape physical environment from Baidu street view images and their effects on community-level street crime in a Chinese city" 11 (11): 151-, 2022

20 He, K., "Deep residual learning for image recognition" 770-778, 2016

21 Chen, F. -C., "Deep learning-based building attribute estimation from Google Street View images for flood risk assessment using feature fusion and task relation encoding" 36 (36): 04022031-, 2022

22 Aikoh, T., "Comparing conventional manual measurement of the green view index with modern automatic methods using google street view and semantic segmentation" 80 : 127845-, 2023

23 City of Seoul, "CCTV floating population data collection in Bukchon, Seoul, Seoul open data plaza Homepage"

24 Kang, J., "Building instance classification using street view images" 145 : 44-59, 2018

25 New York City, "Bi-annual pedestrian counts" NYC OpenData

26 Ozbay, K., "Automated Pedestrian Counter: Final Report" 2010

27 Burr, A., "Assessing residential front yards using Google Street View and geospatial video: A virtual survey approach for urban pollinator conservation" 92 : 12-20, 2018

28 Ki, D., "Analyzing the effects of Green View Index of neighborhood streets on walking time using Google Street View and deep learning" 205 : 103920-, 2021

29 Jiao, L., "A survey of deep learning-based object detection" 7 : 128837-128868, 2019

30 Retting, R. A., "A review of evidence-based traffic engineering measures designed to reduce pedestrian-motor vehicle crashes" 93 (93): 1456-1463, 2003

31 Yin, L., "'Big data'for pedestrian volume: Exploring the use of Google Street View images for pedestrian counts" 63 : 337-345, 2015