[논문 리뷰] Leveraging Data Driven Approaches to Quantify the Impact of Construction Projects on Urban Quality of Life

Zhengbo Zou, Semiha Ergan|arXiv (Cornell University)|2019. 01. 25.

Occupational Health and Safety Research참고 문헌 62인용 수 4

한 줄 요약

이 논문은 뉴욕시의 개방형 데이터를 활용하여 건설 프로젝트가 도시 생활 질에 미치는 영향을 데이터 기반 프레임워크로 정량화한다. 311 서비스 요청과 27건의 도로 공사 프로젝트를 분석하여 시간이 지남에 따라 증가하는 불만, 특히 소음, 대기 질 및 위생 관련 불만을 특정하고, 기계학습 모델을 통해 불만 추세를 예측할 때 R-squared 값이 0.67에 도달한다.

ABSTRACT

According to the World Bank, more than half of the world's population now lives in cities, creating burdens on the degraded city infrastructures and driving up the demand for new ones. Construction sites are abundant in already dense cities and have unavoidable impacts on surrounding environments and residents. However, such impacts were rarely quantified and made available to construction teams and local agencies to inform their planning decisions. A challenge in achieving this was the lack of availability of data that can provide insights about how urban residents respond to changes in their environment due to construction projects. Wider availability of data from city agencies nowadays provides opportunities for having such analysis possible. This paper provides the details of a generic data-driven approach that enables the analysis of impact of construction projects on quality of life in urban settings through the quantification of change on widely accepted quality of life indicators in cities. This paper also evaluated the approach using data from publicly construction projects' information and open city data portals from New York City. Historical 311 Service Requests along with 27 road reconstruction projects were used as testbeds. The results showed that 61% of the projects analyzed in this testbed experienced higher 311 requests after the commencement of construction, with main complaints of 'noise', 'air quality', and 'sewer' at the beginning of construction, and 'sanitation' and 'waste' towards the end. Prediction models, built using regression machine learning algorithms, achieved an R-Squared value of 0.67. The approach is capable of providing insights for government agencies and construction companies to take proactive actions based on expected complaint types through different phases of construction.

연구 동기 및 목표

• 건설 프로젝트가 도시 거주자들의 삶의 질에 미치는 영향에 대한 정량적 데이터 부족 문제를 해결하기 위해.
• 공개된 도시 데이터를 통해 거주자들의 건설 관련 불만을 식별하고 분석하기 위해.
• 다양한 프로젝트 단계에서 건설 영향을 평가할 수 있는 확장 가능한 데이터 기반 방법론을 개발하기 위해.
• 예측 인사이트를 활용해 건설 팀과 시 정부 기관이 사전 계획을 수립할 수 있도록 하기 위해.
• 뉴욕시의 311 서비스 요청 및 도로 복구 프로젝트와 같은 실제 데이터를 활용해 접근 방식을 검증하기 위해.

제안 방법

• 311 서비스 요청 기록을 건설 활동과 관련된 거주자 불만의 대체 지표로 활용한다.
• 도시 포털에서 제공하는 개방형 데이터를 통합하여 27건의 도로 복구 프로젝트의 시작 일자, 위치, 기간 정보를 확보한다.
• 시계열 분석을 적용해 건설 단계 이전, 동안, 이후의 불만 수량 변화를 추적한다.
• 프로젝트 일정 및 특성에 기반해 불만 유형과 수량을 예측하기 위해 회귀 기반 기계학습 모델을 활용한다.
• 311 요청 텍스트에 자연어 처리 기법을 적용해 소음, 대기 질, 위생, 폐기물, 하수 문제 등 유형으로 불만을 분류한다.
• 예측 정확도 평가를 위해 R-squared 지표를 사용해 모델 성능을 검증한다.

실험 결과

연구 질문

• RQ1 건설 프로젝트가 시간이 지남에 따라 도시 생활 질 관련 거주자 불만에 어떤 영향을 미치는가?
• RQ2 소음, 대기 질, 위생 등 다양한 유형의 불만 중 어느 것이 건설 프로젝트의 각 단계에서 가장 빈번한가?
• RQ3 기계학습 모델이 프로젝트 데이터를 바탕으로 불만의 수량과 유형을 어느 정도 정확하게 예측할 수 있는가?
• RQ4 311 서비스 요청과 같은 개방형 데이터 소스가 도시 거주자에 대한 건설 영향을 신뢰성 있게 반영할 수 있는가?
• RQ5 건설 프로젝트의 각 단계에서 도시 생활 질 저하의 주요 지표는 무엇인가?

주요 결과

• 분석한 27건의 도로 복구 프로젝트 중 61%에서 건설 시작 후 311 서비스 요청 수가 증가했다.
• 소음, 대기 질, 하수 문제 불만이 건설 프로젝트 시작 시 가장 빈번하게 발생했다.
• 위생 및 폐기물 관련 불만은 건설 프로젝트 종료 수순에 걸쳐 뚜렷하게 증가했다.
• 기계학습 예측 모델이 프로젝트 단계 전반의 불만 추세를 예측할 때 R-squared 값이 0.67에 도달했다.
• 데이터 기반 접근 방식은 거주자 불만의 시계열 패턴을 성공적으로 특정하여 단계별 영향 평가가 가능하게 했다.
• 311 데이터와 프로젝트 메타데이터의 통합은 도시 계획 및 건설 관리에 확장 가능하고 실질적인 방법을 제공한다.