구글 스트리트 뷰로 도시 이동 패턴 추정

초록

본 연구는 영국 34개 도시의 구글 스트리트 뷰(GSV) 이미지를 활용해 도보·자전거·오토바이·대중교통·자동차 이용 비율을 예측한다. 1 000곳의 무작위 위치에서 7가지 도로 이용자를 수작업으로 분류하고, 이를 회귀모형에 투입하였다. 자전거 이용자 이미지와 실제 자전거 통근 비율 사이의 상관계수는 0.92로 매우 높았으며, 다변량 모델은 모든 교통 모드의 시가 수준을 잘 설명하였다. 다만 도보 이용 예측은 다소 부진하였다. 결과는 스트리트 뷰가 도시 이동 패턴을 추정하는 새로운 빅데이터 원천으로 활용 가능함을 시사한다.

상세 분석

이 연구는 기존 교통 조사 방법이 갖는 비용·시간·표본 한계에 대한 대안으로, 전 세계적으로 제공되는 구글 스트리트 뷰(GSV) 이미지를 활용하였다. 먼저 영국의 34개 주요 도시(Primary Urban Areas)를 선정하고, 각 도시에서 1 000개의 무작위 위치를 추출하였다. 위치 선정은 GIS 도로망의 링크를 기반으로 3단계 샘플링을 거쳐 이루어졌으며, 2010‑2012년 사이에 촬영된 파노라마를 확보하기 위해 ‘streetview’ 파이썬 패키지를 이용해 과거 이미지에 접근하였다.

이미지는 0°와 180° 두 방향만 사용해 중복을 최소화했으며, 각 이미지에 대해 연구 보조원이 보행자, 자전거 이용자, 주차된 자전거, 자동차, 오토바이, 버스, 밴·트럭 등 7가지 범주를 0, 1‑3, 4‑6, 7 이상 네 단계로 기록하였다. 이후 관측값이 희소한 카운트 구간을 통합해 각 범주의 ‘이미지에 나타난 횟수’만을 변수로 사용하였다(GSV‑Walk, GSV‑Cycle 등).

예측 변수와 비교 대상은 2011년 인구조사와 2011‑2013년 Active People Survey(APS)에서 얻은 통근 교통 모드 비율(도보·대중교통, 자전거, 오토바이, 자동차) 및 지난 한 달 동안의 도보·자전거 활동 비율이다. 단변량 상관분석 결과, GSV‑Cycle와 자전거 통근 비율(r=0.92), GSV‑Cycle와 APS 자전거 활동(r=0.90) 사이에 매우 높은 양의 상관이 나타났다. GSV‑Pedestrian와 도보 활동(r=0.46), GSV‑Motorcycle과 오토바이 통근(r=0.44), GSV‑Bus와 도보·대중교통 통근(r=0.81)도 중간 정도의 상관을 보였으며, GSV‑Car와 자동차 통근 비율은 거의 무관(r=-0.12)했다.

다변량 선형 회귀 모델에서는 모든 교통 모드의 시가 비율을 설명력이 높은 모델(R²>0.70)로 추정할 수 있었다. 교차검증(leave‑one‑out) 결과, 자전거·오토바이·대중교통·자동차 통근 예측은 안정적인 MAE와 RMSE를 보였으나, 도보 활동 예측은 오차가 크게 나타났다. 이는 도보 이용자가 거리·시간에 따라 가시성이 낮아 이미지 기반 측정이 제한적임을 의미한다.

성별 분석에서는 GSV 이미지에 나타난 자전거 이용자의 성별을 직접 판독해, 실제 설문에서 보고된 남·여 비율과 비교했지만, 표본 크기와 이미지 해상도 제한으로 일관된 결론을 도출하기엔 부족했다.

연구의 강점은 전국 규모의 도시를 대상으로 동일한 프로토콜을 적용했으며, 과거 이미지 선택을 통해 조사 연도와 시점을 맞춘 점이다. 반면 한계로는 이미지가 특정 시점에 국한돼 계절·시간대 편향이 존재할 수 있고, 수작업 라벨링의 주관성이 남아 있다. 또한 자동차와 같은 고빈도 교통수단은 이미지에 과포화되어 변별력이 떨어지는 점이 관찰되었다.

결론적으로, 스트리트 뷰 이미지에서 도로 이용자를 자동 혹은 반자동으로 추출한다면, 기존 교통 조사와 결합해 비용 효율적인 도시 이동 패턴 모니터링 체계를 구축할 수 있을 것으로 기대된다. 향후 다양한 국가·도시, 장기 시계열 데이터를 활용해 모델 일반화와 시계열 변화를 탐색하는 연구가 필요하다.