RISS 학술연구정보서비스

검색
다국어 입력

http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.

변환된 중국어를 복사하여 사용하시면 됩니다.

예시)
  • 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
  • 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
닫기
    인기검색어 순위 펼치기

    RISS 인기검색어

      KCI우수등재

      해석 가능한 기계학습 접근법을 이용한 부산-후쿠오카간 한일해저터널 개통에 따른 수단 선택의 선호분석에 관한 연구

      한글로보기

      https://www.riss.kr/link?id=A107901567

      • 0

        상세조회
      • 0

        다운로드
      서지정보 열기
      • 내보내기
      • 내책장담기
      • 공유하기
      • 오류접수

      부가정보

      국문 초록 (Abstract)

      컴퓨터 하드웨어 기술의 발전과 함께 기계 학습, 이른바 머신을 활용하여 반복적인 연산을 원활히 수행하고 데이터의 복잡한 패턴을 자율적으로 학습하는 머신러닝(Machine Learning)을 활용한 연구가 여러 분야에서 활발하게 이루어지고 있다. 최근 교통 분야에서도 다양한 머신러닝 방법론을 활용한 연구가 많이 활용되고 있지만, 높은 예측력에 비해서 정책 효과의 평가와 같은 부분에 있어서는 아직 그 해석의 가능성이 충분하지 못하다는 부분이 단점으로 지적되어왔다. 이러한 맥락에서, 본 연구는 머신러닝 기법을 활용한 수단선택 모형을 개발함과 동시에 머신러닝 모형결과에 대한 분석 가능성을 제시하고자 하였다. 특히, 머신러닝 모형 중에서 rule-based의 앙상블 모형인 XGBoost 기법의 장점인 다계층적(multi-level) 자료에 대한 뛰어난 분석력과 모형 결과 해석 가능성에 대한 방안들을 활용하여 한일 해저터널을 통한 고속철도 여객 수요에 대한 수단선택 선호를 이해하고 예측하고자 하였다. 모형 전체의 예측 정확도는 81%로 높게 나타났으며, 각 수단 별로도 높은 수준의 선호 예측도를 보여주었다. 이른바 블랙박스라 불리는 학습된 머신러닝의 해석력을 높이고 정책적 활용도를 높이기 위해 변수 중요도와 변수 기여도, 그리고 평균 한계 변화율을 추정하였다. 항공 수단의 경우에는 항공 요금, 후쿠오카 방문 빈도, 일본 방문 빈도순으로 상대적 변수 중요도가 확인되었고, 고속 페리의 경우에는 이용자의 나이, 해저터널 이용 의사, 일본 방문 시 항공 이용, 고속철도의 경우에는 고속철도 운임, 연령, 일본 방문 빈도순으로 중요도를 확인할 수 있었으며, 각 변수의 변화에 따른 수단선택의 선호 변화에 대한 분석 또한 시각적으로 제시하였다.
      번역하기

      컴퓨터 하드웨어 기술의 발전과 함께 기계 학습, 이른바 머신을 활용하여 반복적인 연산을 원활히 수행하고 데이터의 복잡한 패턴을 자율적으로 학습하는 머신러닝(Machine Learning)을 활용한 ...

      컴퓨터 하드웨어 기술의 발전과 함께 기계 학습, 이른바 머신을 활용하여 반복적인 연산을 원활히 수행하고 데이터의 복잡한 패턴을 자율적으로 학습하는 머신러닝(Machine Learning)을 활용한 연구가 여러 분야에서 활발하게 이루어지고 있다. 최근 교통 분야에서도 다양한 머신러닝 방법론을 활용한 연구가 많이 활용되고 있지만, 높은 예측력에 비해서 정책 효과의 평가와 같은 부분에 있어서는 아직 그 해석의 가능성이 충분하지 못하다는 부분이 단점으로 지적되어왔다. 이러한 맥락에서, 본 연구는 머신러닝 기법을 활용한 수단선택 모형을 개발함과 동시에 머신러닝 모형결과에 대한 분석 가능성을 제시하고자 하였다. 특히, 머신러닝 모형 중에서 rule-based의 앙상블 모형인 XGBoost 기법의 장점인 다계층적(multi-level) 자료에 대한 뛰어난 분석력과 모형 결과 해석 가능성에 대한 방안들을 활용하여 한일 해저터널을 통한 고속철도 여객 수요에 대한 수단선택 선호를 이해하고 예측하고자 하였다. 모형 전체의 예측 정확도는 81%로 높게 나타났으며, 각 수단 별로도 높은 수준의 선호 예측도를 보여주었다. 이른바 블랙박스라 불리는 학습된 머신러닝의 해석력을 높이고 정책적 활용도를 높이기 위해 변수 중요도와 변수 기여도, 그리고 평균 한계 변화율을 추정하였다. 항공 수단의 경우에는 항공 요금, 후쿠오카 방문 빈도, 일본 방문 빈도순으로 상대적 변수 중요도가 확인되었고, 고속 페리의 경우에는 이용자의 나이, 해저터널 이용 의사, 일본 방문 시 항공 이용, 고속철도의 경우에는 고속철도 운임, 연령, 일본 방문 빈도순으로 중요도를 확인할 수 있었으며, 각 변수의 변화에 따른 수단선택의 선호 변화에 대한 분석 또한 시각적으로 제시하였다.

      더보기

      다국어 초록 (Multilingual Abstract)

      Followed by recent vibrant effort on the application of machine-based nonparametric approaches such as machine learning (ML), ML approaches have proven to be successful in many real-world applications. Despite their predictive performances, the acknowledged drawback of ML techniques is their lack of interpretable features that can be used to evaluate policy impacts. In this sense, this article aims to not only develop discrete choice modeling using ML techniques but also provide the useful insights about demystifying (i.e., interpreting) ML models. In particular, XGBoost, rule-based ensemble model combined with ML, is adopted to predict and understand mode choice behaviors related to Korea-Japan undersea tunnel high-speed train. XGBoost model notably possesses more interpretable algorithmic features than other ML models as well as high degree of predictive power for multi-level data—e.g., stated preference (SP) survey. Overall model estimates were accurated at 81% and also presented high accuracy for each model choice. To interpret users’ behaviors and preferences, variable importance (VI), variable contribution, and interactive partial dependence were estimated. The results of VI indicates that air mode, for instance, was affected by order of air fare, Fukuoka visit frequency, and Japan visit frequency, ferry mode was affected by order of Age, Willing to use tunnel, and Japan visit by air mode, and train mode was affected by train fare, age, and Japan visit frequency.
      번역하기

      Followed by recent vibrant effort on the application of machine-based nonparametric approaches such as machine learning (ML), ML approaches have proven to be successful in many real-world applications. Despite their predictive performances, the acknow...

      Followed by recent vibrant effort on the application of machine-based nonparametric approaches such as machine learning (ML), ML approaches have proven to be successful in many real-world applications. Despite their predictive performances, the acknowledged drawback of ML techniques is their lack of interpretable features that can be used to evaluate policy impacts. In this sense, this article aims to not only develop discrete choice modeling using ML techniques but also provide the useful insights about demystifying (i.e., interpreting) ML models. In particular, XGBoost, rule-based ensemble model combined with ML, is adopted to predict and understand mode choice behaviors related to Korea-Japan undersea tunnel high-speed train. XGBoost model notably possesses more interpretable algorithmic features than other ML models as well as high degree of predictive power for multi-level data—e.g., stated preference (SP) survey. Overall model estimates were accurated at 81% and also presented high accuracy for each model choice. To interpret users’ behaviors and preferences, variable importance (VI), variable contribution, and interactive partial dependence were estimated. The results of VI indicates that air mode, for instance, was affected by order of air fare, Fukuoka visit frequency, and Japan visit frequency, ferry mode was affected by order of Age, Willing to use tunnel, and Japan visit by air mode, and train mode was affected by train fare, age, and Japan visit frequency.

      더보기

      목차 (Table of Contents)

      • Abstract
      • 초록
      • 서론
      • 선행연구
      • 분석 데이터
      • Abstract
      • 초록
      • 서론
      • 선행연구
      • 분석 데이터
      • 분석 방법론
      • 모형분석 결과
      • 결론 및 시사점
      • References
      더보기

      참고문헌 (Reference)

      1 이영호, "머신러닝을 활용한 개인의 교통수단 선택 예측모형 구축" 한국데이터정보과학회 30 (30): 1011-1024, 2019

      2 Chen T., "XGBoost: A Scalable Tree Boosting System" ACM 785-794, 2016

      3 Xie C., "Work Travel Mode Choice Modeling with Data Mining : Decision Trees and Neural Networks, Transportation Research Record" 1854 : 50-61, 2003

      4 Nasir Ahmad, "Using Fisher information to track stability in multivariate systems" The Royal Society 3 (3): 160582-, 2016

      5 Nasir Ahmad, "Using Fisher information to assess stability in the performance of public transportation systems" The Royal Society 4 (4): 160920-, 2017

      6 Xian-Yu J., "Travel Mode Choice Analysis Using Support Vector Machines" American Society of Civil Engineers 360-371, 2011

      7 Charles F. Manski, "The structure of random utility models" Springer Science and Business Media LLC 8 (8): 229-254, 1977

      8 Robert E. Schapire, "The strength of weak learnability" Springer Science and Business Media LLC 5 (5): 197-227, 1990

      9 Meisam Akbarzadeh, "The role of travel demand and network centrality on the connectivity and resilience of an urban street system" Springer Science and Business Media LLC 46 (46): 1127-1141, 2019

      10 Hastie T., "The Elements of Statistical Learning: Data Mining, Inference, and Prediction" Springer 2009

      1 이영호, "머신러닝을 활용한 개인의 교통수단 선택 예측모형 구축" 한국데이터정보과학회 30 (30): 1011-1024, 2019

      2 Chen T., "XGBoost: A Scalable Tree Boosting System" ACM 785-794, 2016

      3 Xie C., "Work Travel Mode Choice Modeling with Data Mining : Decision Trees and Neural Networks, Transportation Research Record" 1854 : 50-61, 2003

      4 Nasir Ahmad, "Using Fisher information to track stability in multivariate systems" The Royal Society 3 (3): 160582-, 2016

      5 Nasir Ahmad, "Using Fisher information to assess stability in the performance of public transportation systems" The Royal Society 4 (4): 160920-, 2017

      6 Xian-Yu J., "Travel Mode Choice Analysis Using Support Vector Machines" American Society of Civil Engineers 360-371, 2011

      7 Charles F. Manski, "The structure of random utility models" Springer Science and Business Media LLC 8 (8): 229-254, 1977

      8 Robert E. Schapire, "The strength of weak learnability" Springer Science and Business Media LLC 5 (5): 197-227, 1990

      9 Meisam Akbarzadeh, "The role of travel demand and network centrality on the connectivity and resilience of an urban street system" Springer Science and Business Media LLC 46 (46): 1127-1141, 2019

      10 Hastie T., "The Elements of Statistical Learning: Data Mining, Inference, and Prediction" Springer 2009

      11 Friedman J., "The Elements of Statistical Learning" Springer 2001

      12 Semanjski I., "Smart City Mobility Application—Gradient Boosting Trees for Mobility Prediction and Analysis Based on Crowdsourced Data" 15 (15): 15974-15987, 2015

      13 iman L., "Random Forests, Machine Learning" Kluwer Academic Publishers 5-32, 2001

      14 Lee D. W., "Predicting Residential Water Demand with Machine-Based Statistical Learning, Journal of Water Resources Planning and Management" 146 (146): 04019067-, 2020

      15 Derrible S., "Network-Based and Binless Frequency Analyses" 10 (10): e0142108-, 2015

      16 Nima Golshani, "Modeling travel mode and timing decisions: Comparison of artificial neural networks and copula-based joint model" Elsevier BV 10 : 21-32, 2018

      17 Wisetjindawat W., "Modeling the Effectiveness of Infrastructure and Travel Demand Management Measures to Improve Traffic Congestion During Typhoons, Transportation Research Record" 2018

      18 Sekhar C. R., "Mode choice analysis using random forest decision trees" 17 : 644-652, 2016

      19 Robert C., "Machine Learning, a Probabilistic Perspective, Cambridge, MA" MIT Press 2014

      20 Wang F., "Machine Learning Travel Mode Choices : Comparing the Performance of an Extreme Gradient Boosting Model with a Multinomial Logit Model, Transportation Research Record" 2672 : 35-45, 2018

      21 Pusan Metropolitan City, "Initial Research of Korea-Japan Undersea Tunnel" Pusan Metropolitan City 2018

      22 Friedman J. H., "Greedy Function Approximation : A Gradient Boosting Machine" 29 (29): 1189-1232, 2001

      23 Milad Ghasri, "Developing a disaggregate travel demand system of models using data mining techniques" Elsevier BV 105 : 138-153, 2017

      24 Lee D., "Comparison of Four Types of Artificial Neural Network and a Multinomial Logit Model for Travel Mode Choice Modeling, Transportation Research Record" 2672 : 101-112, 2018

      25 Lee Y. J., "Comparative Analysis of Machine Learning Algorithms to Urban Traffic Prediction" 2017

      26 Lee D., "Attitudes on Autonomous Vehicle Adoption using Interpretable Gradient Boosting Machine, Transportation Research Record" 2019

      27 Kim D. W., "Analysis of travel modal choice and the temporal transferability for workers" 17 : 19-32, 1999

      28 James G., "An introduction to statistical learning" Springer 112-, 2013

      29 Lundberg S. M., "Advances in Neural Information Processing Systems 30" Curran Associates, Inc 4765-4674, 2017

      30 Julian Hagenauer, "A comparative study of machine learning classifiers for modeling travel mode choice" Elsevier BV 78 : 273-282, 2017

      31 Zhang Y., "A Gradient Boosting Method to Improve Travel Time Prediction, Transportation Research Part C" 58 : 308-324, 2015

      32 Cho J., "A Comparative Study on the Commuter Mode Choice Behavior between Regions : Case of Seoul and Ilsan New Town" Korean Society of Transportation 15 (15): 75-86, 1998

      더보기

      동일학술지(권/호) 다른 논문

      동일학술지 더보기

      더보기

      분석정보

      View

      상세정보조회

      0

      Usage

      원문다운로드

      0

      대출신청

      0

      복사신청

      0

      EDDS신청

      0

      동일 주제 내 활용도 TOP

      더보기

      주제

      연도별 연구동향

      연도별 활용동향

      연관논문

      연구자 네트워크맵

      공동연구자 (7)

      유사연구자 (20) 활용도상위20명

      인용정보 인용지수 설명보기

      학술지 이력

      학술지 이력
      연월일 이력구분 이력상세 등재구분
      2022 평가예정 계속평가 신청대상 (등재유지)
      2017-01-01 평가 우수등재학술지 선정 (계속평가)
      2013-01-01 평가 등재학술지 유지 (등재유지) KCI등재
      2010-01-01 평가 등재학술지 유지 (등재유지) KCI등재
      2008-01-01 평가 등재학술지 유지 (등재유지) KCI등재
      2006-01-01 평가 등재학술지 유지 (등재유지) KCI등재
      2004-01-01 평가 등재학술지 유지 (등재유지) KCI등재
      2001-07-01 평가 등재학술지 선정 (등재후보2차) KCI등재
      1999-01-01 평가 등재후보학술지 선정 (신규평가) KCI등재후보
      더보기

      학술지 인용정보

      학술지 인용정보
      기준연도 WOS-KCI 통합IF(2년) KCIF(2년) KCIF(3년)
      2016 0.43 0.43 0.46
      KCIF(4년) KCIF(5년) 중심성지수(3년) 즉시성지수
      0.46 0.43 0.762 0.2
      더보기

      이 자료와 함께 이용한 RISS 자료

      나만을 위한 추천자료

      해외이동버튼