[논문 리뷰] Machine Learning Based Demand Modelling for On-Demand Transit Services: A Case Study of Belleville, Ontario.

Nael Alsaleh, Bilal Farooq|arXiv (Cornell University)|2020. 10. 27.

Transportation and Mobility Innovations인용 수 6

한 줄 요약

이 연구는 벨빌, 온타리오에서의 수요 기반 이동 서비스(ODT) 수요를 예측하기 위해 랜덤 포레스트, 배깅, 인공 신경망(ANN), 딥 신경망(DNN) 등의 기계학습 모델을 개발한다. 이 모델들은 픽업 수요의 63%와 여행 수요의 70%를 설명하며, 월과 요일이 가장 영향력 있는 요소이며, 지역 밀도가 픽업 수요의 핵심 디모그래픽 기준이 된다.

ABSTRACT

The use of mobile applications apps and GPS service on smartphones for transportation management applications has enabled the new mobility service, where the transportation supply is following the users' schedule and routes. In September 2018, the City of Belleville in Canada and Pantonium operationalized the same idea, but for the public transit service in the city to develop an on-demand transit (ODT) service. An existing fixed route (RT 11) public transit service was converted into an on-demand service during the night as a pilot project to maintain a higher demand sensitivity and highest operation cost efficiency per trip. In this study, Random Forest (RF), Bagging, Artificial Neural Network (ANN), and Deep Neural Network (DNN) machine learning algorithms were adopted to develop a pickup demand model (trip generation) and a trip demand model (trip distribution model) for Belleville ODT service based on the dissemination areas' demographic characteristics and the existing trip characteristics. The developed models aim to explain the demand behavior, investigate the main factors affecting the trip pattern and their relative importance, and to predict the number of generated trips from any dissemination area as well as between any two dissemination areas. The results indicate that the developed models can predict 63% and 70% of the pickup and trip demand levels, respectively. Both models are most affected by the month of the year and the day of the week variables. In addition, the population density has a higher impact on the ODT service pickup demand levels than the other demographic characteristics followed by the working age percentages and median income characteristics. Whereas, the distribution of the trips depends on the demographic characteristics of the destination area more than the origin area.

연구 동기 및 목표

• 기계학습을 사용하여 캐나다 온타리오 주 벨빌에서의 수요 기반 이동(ODT) 서비스에 대한 정확한 수요 모델을 개발하기.
• ODT 시스템 내 픽업 수요와 여행 분포 패턴에 영향을 주는 요인을 이해하기.
• 디모그래픽 및 시간 변수가 ODT 수요 행동에 미치는 상대적 중요도를 정량화하기.
• 지역 단위 수준에서 여행 생성 및 분포를 예측함으로써 데이터 기반 운영 결정을 가능하게 하기.

제안 방법

• ODT 수요를 모델링하기 위해 랜덤 포레스트, 배깅, 인공 신경망(ANN), 딥 신경망(DNN)의 네 가지 기계학습 알고리즘을 적용하였다.
• 입력 예측 변수로는 지역 단위의 디모그래픽 데이터(인구 밀도, 노령 인구 비율, 중위소득)와 시간적 특성(월, 요일)을 사용하였다.
• 두 가지 별도의 모델을 개발하였는데, 하나는 픽업 수요 모델(여행 생성)이고, 다른 하나는 원천지와 목적지 지역 간의 여행 수요 모델(여행 분포)이었다.
• RT 11가 야간에 수요 기반 서비스로 전환된 시범 프로그램의 역사적 ODT 여행 데이터를 기반으로 모델을 훈련시켰다.
• 픽업 수요 및 여행 수요 수준의 예측 정확도를 평가하기 위해 설명된 분산(결정계수, R²)을 사용하였다.
• 모델 내부 메트릭을 활용해 특성 중요도를 순위 매겨 수요 예측에 가장 영향력 있는 예측 변수를 파악하였다.

실험 결과

연구 질문

• RQ1 실제 도시 환경에서 수요 기반 이동의 픽업 수요를 가장 잘 예측하는 기계학습 모델은 무엇인가?
• RQ2 인구 밀도, 노령 인구 비율, 중위소득 등의 디모그래픽 특성이 ODT 픽업 수요에 어떻게 영향을 주는가?
• RQ3 시간 변수(예: 월, 요일)가 ODT 수요 패턴에 미치는 상대적 영향은 어떠한가?
• RQ4 여행 분포에서 원천지 지역의 디모그래픽 특성과 목적지 지역의 특성이 서로 어떻게 다른 영향을 미치는가?
• RQ5 기계학습 모델이 지역 단위 수준에서 수요를 얼마나 잘 설명하고 예측할 수 있는가?

주요 결과

• 모델들은 픽업 수요(여행 생성)의 변동성의 63%와 여행 수요(여행 분포)의 변동성의 70%를 예측하였다.
• 모든 모델에서 연도의 월과 요일이 가장 영향력 있는 변수였다.
• 디모그래픽 요소 중에서 인구 밀도가 픽업 수요에 가장 큰 영향을 미쳤으며, 이어 노령 인구 비율과 중위소득이 뒤를 이었다.
• 여행 분포의 경우, 목적지 지역의 디모그래픽 특성이 원천지 지역의 특성보다 더 큰 영향을 미쳤다.
• 랜덤 포레스트, 배깅, ANN, DNN는 모두 뛰어난 예측 성능를 보였으며, DNN가 여행 수요 예측에서 가장 높은 R²를 기록하였다.
• 결과적으로 기계학습 모델이 가용한 디모그래픽 및 시간 데이터를 활용해 복잡한 수요 패턴을 효과적으로 포착할 수 있음을 보여주었다.