지오태깅 트윗으로 박물관 방문 흐름 모델링

본 논문은 ‘자발적 지리정보(Volunteered Geographic Information, VGI)’가 공간 행동 모델에 제공할 수 있는 가치를 검증하기 위해, 영국 요크셔 지역에 위치한 15개 박물관을 대상으로 한 방문 흐름 분석을 사례연구로 삼았다. 연구는 크게 네 부분으로 구성된다. 첫째, 이론적 배경에서는 VGI의 정의와 기존 활용 사례를 정리하고, 공간 상호작용 모델(SIM)의 기본 구조와 파라미터(출발지·도착지 가중치 \(A_i, B_j\), 거리 감쇠 파라미터 β)의 역할을 설명한다. 특히, 전통적인 SIM은 인구, 고용, 관광지 규모 등 정형화된 변수에 의존하지만, 이러한 데이터는 최신성·세분성에서 한계가 있다. 둘째, 데이터 수집 및 전처리 단계에서는 트위터 스트리밍 API를 이용해 2014년 1월부터 2015년 6월까지 18개월간 영국 레즈와 브래드포드 주변에서 지오태깅이 포함된 트윗을 실시간으로 수집하였다. 동시에 OpenStreetMap(O­SM)에서 ‘museum’ 태그가 달린 객체를 검색해 15개 박물관의 정확한 위치와 경계를 확보했다. 트윗 텍스트는 ‘museum’, ‘exhibit’, ‘gallery’ 등 키워드와 정규표현식을 활용해 박물관 관련 트윗을 추출하고, 좌표를 영국 행정구역(총 179개)으로 매핑했다. 이렇게 구축된 트윗‑구역‑박물관 행렬 \(F_{ij}^{tweet}\)은 각 구역에서 특정 박물관으로 향하는 트윗 수를 나타낸다. 셋째, 모델 구축 및 보정 과정에서는 전통적인 중력형 SIM \(T_{ij}=A_i B_j e^{-\beta d_{ij}}\)에 트윗 기반 \(A_i\)와 \(B_j\)를 직접 대입한다. 거리 \(d_{ij}\)는 구역 중심점과 박물관 좌표 사이의 유클리드 거리이며, β는 거리 감쇠 효과를 조절한다. 초기 β값을 0.001 km⁻¹로 설정하고, 트윗 행렬과 모델 출력 간의 평균제곱오차를 최소화하는 비선형 최적화(Levenberg‑Marquardt)로 β를 추정하였다. 보정 결과 β≈0.0012 km⁻¹로, 이는 기존 연구와 일치하면서도 모델 적합도(R²)가 0.68→0.81로 크게 개선되었다. 또한, 민감도 분석을 통해 트윗 수가 적은 구역·박물관에서는 β 추정치의 변동성이 커짐을 확인하고, 데이터 양이 충분히 확보될 경우에만 VGI 기반 가중치가 신뢰성을 가진다고 결론지었다. 넷째, 논의 및 결론에서는 VGI 활용의 장점과 한계를 종합한다. 장점으로는 (1) 실시간·저비용 데이터 확보, (2) 전통 데이터가 부재한 소규모 지역에서의 적용 가능성, (3) 사회적·문화적 행동을 반영하는 새로운 변수 제공을 들었다. 반면, 한계점은 (1) 지오태깅 트윗이 전체 트위터의 약 2%에 불과해 표본 편향이 심함, (2) 트위터 이용자 연령·소득·교육 수준이 일반 인구와 차이가 나며, (3) 트윗 내용이 실제 방문을 의미하는지 여부를 구분하기 어려워 텍스트 감성 분석이나 이미지 메타데이터와의 결합이 필요함을 지적한다. 마지막으로, 연구는 VGI가 기존 설문·교통 데이터와 병행될 때 공간 상호작용 모델의 초기 파라미터 추정에 유용한 보조 자료가 될 수 있음을 제시한다. 향후 연구에서는 다중 소셜 플랫폼 데이터 통합, 장기적 데이터 축적, 그리고 머신러닝 기반 텍스트·이미지 분석을 통해 VGI의 정확도와 대표성을 높이는 방안을 모색해야 한다.