모바일 센서와 교통 인프라를 활용한 대중교통 이용 자동 인식

초록

본 논문은 헬싱키 지역에서 8명의 참가자가 하루 동안 수행한 대중교통 이용을 기록한 데이터셋을 기반으로, 스마트폰 센서와 실시간·정시 교통 정보(위치, 정류장 정차시간, 정시표)를 결합해 자동으로 대중교통 구간을 인식하는 알고리즘을 제시한다. 수동 로그와 자동 측정 데이터를 비교·검증하고, 배터리 절감 전략을 포함한 모바일 클라이언트 구현 방식을 설명한다. 초기 실험 결과와 데이터 결함·샘플링 부족 등 인식 정확도에 영향을 주는 문제점을 논의한다.

상세 분석

이 연구는 대중교통 이용 인식을 위한 데이터 수집·전처리·알고리즘 설계 전 과정을 체계적으로 제시한다는 점에서 의의가 크다. 첫째, 데이터셋 구축 단계에서 수동 로그와 스마트폰 센서 데이터를 동시에 확보함으로써 ‘골드 스탠다드’ 레이블을 제공한다. 수동 로그는 승하차 시각·역·노선 정보를 포함하지만 시간 오차가 존재하고, 스마트폰 데이터는 GPS, 가속도·자이로 등 하드웨어 센서와 Google Play Services가 제공하는 퓨즈드 위치·활동 인식 정보를 10초 간격으로 기록한다. 이러한 이중 데이터는 서로 보완하면서도 각각의 결함을 드러낸다.

둘째, 모바일 클라이언트는 ACTIVE와 SLEEP 상태를 전환하는 전력 관리 로직을 도입한다. STILL 상태가 연속될 경우 40초 타이머가 작동해 위치 요청을 최소화하고, 이동이 감지되면 즉시 ACTIVE로 복귀한다. 이 설계는 배터리 소모를 크게 낮추면서도 이동 구간을 놓치지 않도록 설계되었으며, 실제 데이터에서는 약 30%의 이론적 최대 포인트만 수집되는 것으로 확인된다.

셋째, 데이터 필터링 알고리즘은 위치 정확도(≤1000 m)와 활동 변화(‘GOOD’ 활동) 기준을 적용해 잡음 포인트를 제거한다. 또한, 동일 활동이 연속될 경우 마지막 수용 포인트와의 거리 > 정확도이면 새로운 포인트를 허용한다. 이 과정에서 발생하는 ‘위치 번갈아 나타나는 오류’(예: 지하철 구간에서 GPS와 셀룰러·Wi‑Fi 혼합)도 시각적으로 확인된다.

넷째, 인식 로직은 세 가지 데이터 소스를 결합한다. (1) 실시간 차량 위치(SIRI API)와 30 s 샘플링, (2) 정시표(GTFS)와 출발·도착 시각 매칭, (3) 기기의 활동 인식 결과를 활용해 ‘IN VEHICLE’ 구간을 추출한다. 각 소스는 독립적인 오류를 가지고 있어, 다중 소스 융합을 통해 신뢰도를 높인다. 예를 들어, 실시간 위치가 누락된 경우 정시표와 활동 인식을 통해 보완하고, 반대로 정시표가 불완전하거나 지연된 경우 실시간 위치를 우선한다.

다섯째, 실험 결과는 103개의 수동 로그 중 약 70%를 자동 인식에 성공했으며, 인식 실패 원인은 (a) 실시간 차량 위치 데이터의 부분적 결핍, (b) GPS 정확도 저하에 따른 위치 오차, (c) 활동 인식의 ‘UNKNOWN’·‘TILTING’ 라벨 비중 증가 등으로 분석된다. 특히, 지하철·트램과 같이 신호가 약한 환경에서 위치 오류가 크게 발생해 인식률이 낮아졌다.

마지막으로, 논문은 현재 알고리즘이 초기 단계이며, 향후 개선 방향으로 (i) 베이즈 필터링·히든 마코프 모델을 통한 연속 구간 추정, (ii) Wi‑Fi·BLE 비콘 데이터 통합, (iii) 티켓 검증 시스템과의 연계 등을 제시한다. 이러한 확장은 인식 정확도를 90% 이상으로 끌어올릴 가능성을 보여준다.