[논문 리뷰] An Activity-Based Model of Transport Demand for Greater Melbourne

Alan Both, Dhirendra Singh외 3명|arXiv (Cornell University)|2021. 11. 19.

Transportation Planning and Optimization참고 문헌 43인용 수 4

한 줄 요약

이 논문은 메트로 멜버른에서 활동 기반 모델링 프레임워크를 개발하여 하이브리드 기계학습, 확률론적 방법 및 중력 기반 방법을 활용해 합성 인구를 생성하는 새로운, 오픈소스이며 재현 가능한 방법을 제시한다. 이 프레임워크는 개별화된, 집단별로 특화된 활동 체인을 유일하게 생성하며, 이동 거리와 목적지의 매력도를 균형 있게 조절하고, 도달 가능한 반복 이동을 방지하기 위해 힙카운트 필터링을 적용함으로써 다양한 표본 크기에서 정확한 이동 수단 선택, 거리 분포 및 목적지 선택을 가능하게 한다.

ABSTRACT

In this paper, we present an activity-based model for the Greater Melbourne area, using a combination of hierarchical clustering, probabilistic, and gravity-based approaches. The model outlines steps for generating a synthetic population-a list of agents with their demographic attributes-and for assigning activity patterns, schedules, as well as activity locations and modes of travel for each trip. In our model, individuals are assigned activity chains based on the probabilities of their respective demographic clusters, as informed by observed data. Tours and trips then emanate from these assigned activities. This is innovative compared to the common practice of creating trips or tours first and attaching activities thereafter. Furthermore, when selecting activity locations, our model incorporates both the distance-decay of trip lengths and the activity-based attraction of destination sites. This results in areas with higher attractiveness for various activities showing a greater likelihood of being selected. Additionally, when assigning the location for the next activity, we take into account the number of activities an agent has remaining to ensure they do not opt for a location that would be impractical for a return trip home. Our methodology is open and replicable, requiring only publicly available data and is designed to produce outcomes compatible with commonly used agent-based modeling software such as MATSim. Each sub-model is calibrated to match observed data in terms of activity types, start and end times, and durations.

연구 동기 및 목표

• MATSim과 같은 에이전트기반 모델링 도구와 호환되는 완전히 재현 가능한 오픈소스 방법을 개발하는 것.
• 이동 설문조사에서 실제 활동 체인을 복제하는 데서 비롯하는 한계, 특히 보행 및 자전거와 같은 저항구역 이동 수단의 경우를 해결하는 것.
• 거리 감쇠, 목적지의 매력도, 반복 이동의 타당성을 균형 있게 조절하여 현실적인 이동 패턴을 확보하는 것.
• 집단별 활동 체인과 이동 수단에 따라 달라지는 이동 제약 조건을 통합하여 시뮬레이션의 정밀도를 향상시키는 것.
• 다양한 표본 크기에서 모델을 검증하고, 이동 수단 선택, 거리 분포 및 목적지 선택의 정확성을 입증하는 것.

제안 방법

• 모델은 기계학습, 확률적 할당, 중력 기반 목적지 선택을 융합한 하이브리드 접근 방식을 사용하여 합성 에이전트를 생성한다.
• 실제 설문 데이터에서 복제하는 대신, 각 집단별로 개별 활동 체인을 생성함으로써 소규모 또는 저항구역 집단에서도 대표성을 확보한다.
• 목적지 선택은 이동 수단, 이동 거리, 목적지의 매력도를 고려한 지역적 공간 확률을 통합하여 수행되며, 10,289개의 SA1 지역에서 校정된다.
• 남은 이동 횟수와 이동 수단에 따라 동적으로 목적지 옵션을 필터링하는 힙카운트 측정 방식을 통해 비현실적인 장거리 반복 이동을 방지한다.
• 모델은 공개된 데이터를 사용해 훈련 및 검증되며, 민족학적 인구통계는 ABS 인구총조사, 활동 행동은 VISTA 이동 설문조사 자료를 활용한다.
• 이 방법은 표준 ABM 소프트웨어(예: MATSim)와의 호환성과 완전한 재현 가능성을 고려해 설계되었다.

실험 결과

연구 질문

• RQ1 실제 활동 체인을 복제하지 않고도 실제 이동 수단 선택, 이동 거리 및 목적지 분포를 정확히 반영할 수 있는 합성 인구를 생성할 수 있는가?
• RQ2 합성 인구에서 저항구역 활동 이동 수단(보행, 자전거)을 어떻게 더 잘 표현할 수 있는가?
• RQ3 이동 횟수와 이동 수단에 따라 달라지는 제약 조건을 통합할 경우 활동 체인의 반복 이동이 얼마나 더 현실적으로 향상되는가?
• RQ4 다양한 표본 크기가 주요 교통 지표에서 합성 인구 출력의 정확성에 어떤 영향을 미치는가?
• RQ5 기계학습, 확률론적 방법 및 중력 기반 방법을 융합한 하이브리드 모델이 대표성 있고 재현 가능한 가상 인구를 생성할 수 있는가?

주요 결과

• 모든 테스트된 표본 크기에서 합성 인구는 실제 거리 분포, 이동 수단 선택 및 목적지 선택을 정확히 재현한다.
• 1% 및 0.1% 표본 크기에서는 보행, 자전거, 자동차 이용의 정확도가 낮게 나타나 소규모에서의 불안정성과 더 큰 표본이 필요함을 시사한다.
• 표본 크기가 5%를 초과하면 정확도 향상 폭이 감소하여 5%와 10% 사이에서의 개선 폭은 미미한 것으로 나타나 수익 감소 현상이 발생한다.
• 모델의 힙카운트 필터링은 특히 보행 및 자전거 이용에 있어 비현실적인 장거리 반복 이동을 크게 줄여 이동 수단 선택 시뮬레이션의 정밀도를 향상시켰다.
• 목적지의 매력도에 더 높은 가중치를 부여함으로써 거리 감쇠와 목적지 매력도 사이의 균형을 확보하여 시내 중심지(CBD)와 같은 고매력 지역으로의 충분한 이동을 보장했다.
• 모델는 공개된 자료(ABS 인구총조사 및 VISTA 설문조사)만을 사용해 완전히 재현 가능하며, 다른 지역에서도 널리 활용 및 검증이 가능하도록 한다.