바르셀로나 자전거 공유 데이터로 보는 도시 이동 패턴 탐구

** 본 논문은 바르셀로나 시의 공유 자전거 시스템인 Bicing의 역별 가용 자전거 수 데이터를 활용해 도시 내 인간 이동 패턴을 분석하고, 이를 기반으로 서비스 개선 방안을 제시한다. **1. 연구 배경 및 목적** 인간 이동성 연구는 개인 위치 로그(휴대폰, 사진, 은행권 등)를 이용해 개별 궤적을 재구성하는 것이 일반적이지만, 개인정보 보호와 데이터 접근성 문제로 제한적이다. 이에 저자들은 공개된 집계형 데이터인 Bicing 역별 가용 자전거 수를 활용해 대규모 이동성을 추정하고자 하였다. 목표는 (① 전반적인 시간·공간 패턴 도출, ② 이러한 패턴을 이용한 단기 예측 모델 구축, ③ 역 간 probable 경로 추정)이다. **2. Bicing 시스템 소개** Bicing은 400여 개 역과 약 8,700개의 슬롯을 보유하고 있으며, 사용자는 RFID 카드를 통해 30분 이내 무료 이용 후 추가 요금을 지불한다. 역은 ‘점유(자전거 있음)’, ‘빈 슬롯’, ‘정비 중’ 세 상태를 가질 수 있다. 서비스는 평일 5시~24시, 주말 24시간 운영되며, 사용자는 웹사이트에서 실시간 가용량을 확인한다. 그러나 과거 데이터와 미래 가용량 예측은 제공되지 않는다. **3. 데이터 수집 및 전처리** - **수집 기간**: 2008년 5월 15일 ~ 7월 3일, 2분 간격 KML 파싱. - **대상**: 377개 역(3개 역은 데이터 결함으로 제외). - **총 슬롯**: 약 8,700개, 역당 15~39개. - **관측된 최대 자전거 수**: 3,657대. - **전처리**: 서비스 중단 시간(0:01~5:00) 제외, 슬롯 수가 10 이하인 순간 오류로 간주, 급격한 감소는 트럭 재배치 이벤트로 판단해 분석에서 배제. 이후 평균값을 구하고 3점 이동중위값 필터 적용. **4. 지역별 활동 사이클** 각 역에 대해 주중(월~금)과 주말(토·일) 패턴을 별도로 평균화하였다. 주요 관찰점은 다음과 같다. - **대학 인근 역**: 8시~13시 사이 급격히 자전거가 감소, 오후 15시~16시 재증가(수업·점심 이동). - **업무·병원 인근 역**: 8시 경 급격히 감소 후 저녁 20시 이후 다시 증가(퇴근·야간 근무). - **주거 지역 역**: 아침에 자전거가 크게 감소하고, 오후·저녁에 회복(통근·귀가). - **레저·해변 인근 역**: 주중에는 낮 시간대 감소가 작고, 주말에는 저녁에 증가(관광·레저 활동). **5. 전역적 활동 사이클** 전체 역의 가용 자전거 수를 합산하면, 하루 전체에 두 개의 뚜렷한 피크(아침 8시, 저녁 18시)와 한 개의 저점(점심 13시~14시)으로 구성된 ‘출퇴근’ 형태의 시계열이 나타난다. 주말에는 피크가 늦게 나타나고, 전체 변동 폭이 작다. **6. 클러스터링 분석** k‑means와 계층적 군집을 적용해 역을 4~5개의 군집으로 구분하였다. 각 군집은 위에서 기술한 지역별 패턴과 일치했으며, 군집 중심을 지도에 시각화함으로써 주거, 대학, 업무·병원, 레저 구역을 명확히 구분할 수 있었다. 이는 도시 계획·교통 정책 수립에 직접 활용 가능한 지도 자료가 된다. **7. 단기 예측 모델** - **모델**: 최근 30분~1시간 구간의 변화율을 기반으로 한 선형 회귀 + 이동 평균. - **예측 대상**: 15분, 30분, 60분 후 각 역별 가용 자전거 수. - **성능**: 평균 절대 오차(MAE) 1.2대, 전체 평균 가용량 12대 대비 약 10% 오차. - **응용**: 웹사이트에 ‘예상 가용량’ 표시, 트럭 재배치 스케줄링 지원. **8. 최대 엔트로피 기반 경로 추정** 역 간 이동 확률을 \(P_{ij} \propto \Delta B_i^{-} \times \Delta B_j^{+}\) (출발 역의 감소량 × 도착 역의 증가량) 로 정의하고, 전체 네트워크에서 엔트로피를 최대화하는 경로 집합을 도출하였다. 이 방법은 실제 트럭 이동 로그와 유사한 흐름을 재현했으며, 향후 최적 재배치 알고리즘 설계에 활용 가능하다. **9. 논의 및 한계** - **데이터 기간**이 짧아 계절·특수 이벤트(축제, 악천후) 영향을 반영하지 못함. - **오류·정비 데이터**가 완전히 제거되지 않아 일부 노이즈가 남음. - **예측 모델**이 비선형 급변 상황(예: 대규모 행사)에는 취약. - **경로 모델**이 실제 사용자의 선택 요인(거리, 편의성)을 충분히 반영하지 않음. **10. 향후 연구 방향** - 장기 데이터(1년 이상) 확보 및 계절성 분석. - 딥러닝 기반 시계열 모델(LSTM, Transformer) 도입으로 예측 정확도 향상. - 실시간 트럭 위치·운행 로그와 결합한 동적 재배치 최적화. - 사용자 설문·앱 로그와 연계해 경로 선택 요인 모델링. **11. 결론** Bicing 역별 가용 자전거 수라는 제한된 집계형 데이터만으로도, 도시 내 다양한 인간 이동 패턴을 정량화하고, 이를 기반으로 서비스 예측·개선 방안을 제시할 수 있음을 입증하였다. 본 연구는 공유 모빌리티 데이터 활용의 가능성을 보여주며, 도시 교통 관리·스마트 시티 구현에 실용적인 인사이트를 제공한다. **