A scalable framework for correcting public transport timetables using real-time data for accessibility analysis

이 논문은 영국의 실시간 버스 데이터를 활용하여 정시표 기반의 접근성 분석 한계를 극복하고, 대규모 공간적·시간적 범위에서 실제 운행 성능을 반영한 확장 가능한 접근성 분석 프레임워크를 제시합니다.

핵심

이 논문은 영국의 버스 시간표가 실제로 얼마나 '착각'을 불러일으키는지를 밝히고, 더 정확한 정보를 바탕으로 누가 어디까지 쉽게 갈 수 있는지를 다시 계산하는 방법을 소개합니다.

쉽게 비유하자면, 이 연구는 **"버스 시간표라는 '지도'가 실제 '현장'과 얼마나 다른지"**를 확인하고, 그 차이를 보정하여 진짜 현실에 맞는 이동 계획을 세우는 도구를 개발한 것입니다.

다음은 이 연구의 핵심 내용을 일상적인 언어와 비유로 설명한 것입니다.

---

1. 문제점: "시간표는 이상향, 현실은 난장판"

우리가 버스를 탈 때 가장 먼저 보는 것은 시간표입니다. "오후 2 시에 이 버스가 도착할 거야"라고 적혀 있죠. 하지만 실제 현실은 어떨까요?

• 교통 체증: 갑자기 차가 막히면 10 분 늦게 옵니다.
• 날씨: 비가 오면 더 늦어집니다.
• 운전사 사정: 승객이 많으면 문이 닫히는 데 시간이 걸립니다.

기존 연구들은 이 '시간표'만 믿고 "이 마을에서 병원까지 20 분 걸려"라고 계산했습니다. 마치 날씨 예보만 보고 우산을 챙기지 않는 것과 비슷합니다. 실제로는 비가 쏟아져서 40 분이나 걸릴 수도 있는데, 시간표는 "20 분"이라고만 말해주니까요.

이런 오차는 **교통 사막 (Transport Deserts)**이라는 문제를 더 악화시킵니다. "시간표상으론 병원까지 20 분 거리라 접근성이 좋네?"라고 생각했는데, 실제로는 1 시간이나 걸려서 병원 갈 엄두가 안 나는 사람들이 생기는 것입니다.

2. 해결책: "현장의 목소리를 듣는 스마트한 도구"

저자들은 이 문제를 해결하기 위해 실시간 버스 위치 데이터를 활용했습니다.

• 비유: 마치 라이브 스트리밍을 보는 것과 같습니다. 시간표라는 '대본'이 아니라, 실제 버스가 어디에 있는지 '실시간 화면'을 보고 분석하는 것입니다.

영국 전역의 버스들이 보내는 **GPS 신호 (실시간 위치)**를 30 초마다 수집해서, 이를 시간표와 대조했습니다. 그리고 **"아, 이 버스는 시간표보다 5 분 늦게 이 정류장에 도착했구나"**라고 계산하여 **수정된 시간표 (Corrected Timetable)**를 만들었습니다.

3. 방법론: "맞추기 게임과 빈칸 채우기"

이 과정을 쉽게 설명하면 다음과 같습니다.

1. 데이터 수집 (모으기): 영국 전역의 버스 위치 정보를 30 초마다 쉼 없이 다운로드합니다. (하루 종일 녹화하는 것과 같죠.)
2. 매칭 (찾기): "지금 이 GPS 신호는 시간표의 A 번 버스일까, B 번 버스일까?"를 찾아냅니다.
   • 난이도: GPS 신호가 시간표의 '버스 번호 (Trip ID)'가 빠진 경우가 많아서, 마치 이름표가 없는 택배 상자를 찾아야 하는 것처럼 어렵습니다. 저자들은 이걸 해결하기 위해 주변 날짜의 시간표도 함께 찾아보는 지능적인 방법을 썼습니다.
3. 빈칸 채우기 (추정): GPS 신호가 아예 없는 구간 (예: 시골 길이나 터널) 이 있다면, 앞뒤로 신호가 잡힌 구간을 보고 선형으로 추정합니다.
   • 비유: "10 시에 A 정류장에 5 분 늦게 도착했고, 10 시 30 분에 B 정류장에 5 분 늦게 도착했다면, 그 사이의 C 정류장도 아마 5 분 늦었을 거야"라고 추측하는 것입니다.

4. 결과: "예상과 현실의 괴리"

이렇게 만든 수정된 데이터로 영국 전역을 분석해 보니 놀라운 결과가 나왔습니다.

• 시간표는 너무 낙관적입니다: 시간표상으로는 79% 의 지역에서 버스가 제시간에 도착하는 것처럼 보였지만, 실제로는 더 늦게 도착했습니다.
• 불확실성이 큽니다: 특히 시골 (Rural) 지역은 도시보다 버스 도착 시간이 훨씬 들쑥날쑥했습니다. (비가 오거나 도로 사정에 따라 10 분 차이가 날 수도, 1 시간 차이가 날 수도 있음)
• 접근성의 진실: "병원까지 30 분 거리"라고 생각했던 사람이, 실제로는 1 시간 이상 걸려서 병원 갈 엄두를 못 낼 수도 있다는 사실을 드러냈습니다.

5. 왜 중요한가요? (핵심 메시지)

이 연구는 단순히 "버스가 늦다"는 것을 알려주는 것을 넘어, 사회적 형평성을 위한 중요한 도구가 됩니다.

• 공정한 계획 수립: 정부가 "이 지역은 버스가 잘 다니니까 괜찮다"라고 생각했다가, 실제로는 교통 사막이었다는 사실을 깨닫고 예산을 제대로 쓸 수 있습니다.
• 실제 생활 반영: 우리가 일상에서 겪는 '예상치 못한 지연'을 데이터로 증명함으로써, 더 현실적인 교통 정책을 만들 수 있습니다.

요약

이 논문은 **"시간표라는 책상 위의 지도"**를 버리고, **"실제 도로 위의 생생한 GPS 신호"**를 이용해 진짜 이동 시간을 계산하는 새로운 방법을 제시했습니다.

마치 날씨 예보 앱이 과거의 기록이 아니라, 지금 이 순간의 구름과 바람을 보고 비가 올지 알려주는 것처럼, 이 도구는 우리가 버스를 탈 때 겪을 진짜 이동 시간과 불확실성을 정확히 보여줍니다. 이를 통해 더 공정하고 현실적인 교통 시스템을 만들 수 있게 된 것입니다.

기술 요약

1. 문제 정의 (Problem Statement)

• 정적 시간표의 한계: 기존의 대중교통 접근성 (Accessibility) 분석은 정적인 시간표 (GTFS) 데이터에 의존합니다. 이는 서비스가 계획대로 정확히 운영된다는 가정을 전제로 하며, 실제 운영 중 발생하는 교통 체증, 악천후, 차량 고장 등으로 인한 **여행 시간 변동성 (Travel Time Variability, TTV)**과 **여행 시간 부정확성 (Travel Time Inaccuracy, TTI)**을 간과합니다.
• 접근성 평가의 왜곡: 실제 운영 데이터와 시간표 간의 괴리는 접근성 지표를 과대 또는 과소 평가하게 만들어, 사회적 불평등과 교통 사막 (Transport Deserts) 의 실제 지리적 분포를 왜곡할 수 있습니다.
• 실시간 데이터 활용의 어려움: 실시간 차량 위치 데이터 (AVL) 는 존재하지만, 이를 대규모 지리적 영역에서 접근성 분석에 활용하기 위한 확장 가능하고 계산 효율적인 방법론이 부족합니다. 특히 영국의 경우, GTFS-RT(Real-time) 피드가 'TripUpdates(정시 지연 정보)' 대신 'VehiclePositions(차량 위치)' 위주로 제공되어, 정류장 도착 시간을 직접 얻기 어렵고 재구성이 필요합니다.

2. 방법론 (Methodology)

이 연구는 영국 전역의 버스 데이터 (BODS) 를 기반으로 한 확장 가능한 프레임워크를 제시하며, 다음과 같은 단계로 구성됩니다.

A. 데이터 수집 파이프라인

• 자동화 아키텍처: 영국 버스 오픈 데이터 서비스 (BODS) 의 GTFS(시간표) 및 GTFS-RT(실시간 위치) 피드를 매일 30 초 간격으로 자동 수집 및 아카이빙하는 파이썬 스크립트 기반 파이프라인을 구축했습니다.
• 데이터 포맷: GTFS 및 GTFS-RT 표준을 사용하여 전 세계적 재현성을 확보하고, R5 라우팅 엔진 (r5py) 과의 호환성을 유지했습니다.

B. 차량 위치와 정류장 매칭 (Matching)

• Trip ID 연결: 실시간 차량 위치 데이터에 포함된 trip_id 를 사용하여 해당 차량이 운행 중인 계획된 GTFS 노선 (Trip) 과 연결합니다.
• 공간적 매칭 알고리즘:
  1. ** coarse search (대략적 검색):** 차량 위치를 중심으로 300m 반경 내의 후보 정류장을 식별합니다.
  2. 정밀 거리 계산: 후보 정류장 중 차량과 실제 거리가 가장 가까운 정류장을 최종 매칭 대상으로 선정합니다.
  3. 중복 제거: 동일한 차량이 정류장에 정차하는 동안 여러 번 기록된 데이터를 정리하여 가장 가까운 지점의 타임스탬프를 '실제 도착 시간'으로 간주합니다.

C. 결측치 보간 및 외삽 (Interpolation & Extrapolation)

• 문제: 모든 정류장에서 실시간 위치 데이터가 매칭되지 않는 경우 (예: 신호 불량, 빠른 통과 등) 가 발생합니다.
• 해결책:
  • 선형 보간 (Linear Interpolation): 상하류 매칭된 정류점이 모두 있을 경우, 계획된 시간표와 실제 관측된 시간의 편차를 기반으로 결측 정류점의 도착 시간을 선형적으로 보간합니다.
  • 일측 외삽 (One-sided Extrapolation): 시작 또는 종점 근처에서 한쪽 이웃만 매칭된 경우, 가장 가까운 매칭 정류점의 지연 시간을 그대로 적용하여 추정합니다.

D. 수정된 시간표 생성 및 최적화

• 수정된 GTFS 생성: 관측된 도착/출발 시간을 반영하여 수정된 GTFS 번들을 생성합니다.
• 최적화 전략: 일부 운영 데이터의 trip_id 가 누락되거나 시간표와 일치하지 않는 경우를 대비해, 관측일 기준 전후 7 일간의 시간표 데이터를 매칭 윈도우에 포함시켜 매칭 성공률을 최대 20% 향상시켰습니다.

3. 주요 기여 (Key Contributions)

1. 확장 가능한 프레임워크: 대규모 국가 단위 데이터 (영국 전역) 를 처리할 수 있도록 계산 효율성을 극대화한 자동화 파이프라인을 개발했습니다. 기존 연구 (Wessel et al., 2017) 의 정밀한 네트워크 보간 방식보다 계산 비용을 줄이면서도 접근성 분석에 충분한 정확도를 유지합니다.
2. 실증적 시간표 재구성: GTFS-RT 의 VehiclePositions 데이터만으로 정류장 수준의 도착 시간을 추론하여, 실제 운영 상황을 반영한 '수정된 경험적 시간표 (Corrected Empirical Timetable)'를 생성하는 방법을 제시했습니다.
3. TTV 및 TTI 분석 도구: 생성된 데이터를 통해 공간적, 시간적 여행 시간 변동성 (TTV) 과 계획 대비 부정확성 (TTI) 을 정량화할 수 있는 도구를 제공하며, 이를 통해 기존 시간표 기반 분석이 놓치고 있던 불평등 패턴을 포착합니다.
4. 오픈 소스 및 재현성: 연구에 사용된 모든 코드와 방법론을 오픈 소스로 공개하여 다른 연구자들이 재현하고 확장할 수 있도록 했습니다.

4. 결과 (Results)

2025 년 5 월부터 10 월까지의 영국 전역 버스 데이터를 활용한 사례 연구 결과는 다음과 같습니다.

• 계획 대비 실제 여행 시간 차이: 연구 기간 동안 England 의 Lower Layer Super Output Areas (LSOA, 약 1,500 명 거주 구역) 의 **79.3%**에서 계획된 시간보다 실제 평균 여행 시간이 더 길었습니다 (도시 지역 79.9%, 농촌 지역 76.2%).
• 변동성 증가: **81.6%**의 LSOA 에서 실제 여행 시간 변동성 (TTV) 이 계획된 것보다 높게 나타났습니다 (도시 86.3%, 농촌 57.7%). 이는 도시 지역이 농촌보다 더 큰 시간적 불확실성을 겪고 있음을 시사합니다.
• 일일 변동성 (Day-to-day TTV): 아침 출근 시간대 (08:00-10:00) 의 분석 결과, 평균 여행 시간과 변동성 사이에는 양의 상관관계가 관찰되었습니다. 도시 지역은 상대적으로 낮은 변동성과 짧은 시간을 보인 반면, 농촌 지역은 높은 변동성과 긴 여행 시간을 보였습니다.
• 접근성 격차: 수정된 시간표를 기반으로 한 접근성 분석은 기존 시간표 기반 분석보다 실제 서비스 이용 가능성을 더 정확하게 반영하며, 특히 취약 계층이 거주하는 지역에서 서비스 불확실성이 접근성 격차를 심화시킬 수 있음을 보여줍니다.

5. 의의 및 한계 (Significance & Limitations)

• 의의:

  • 정책 및 계획 지원: 대중교통 서비스의 실제 성능을 평가하고, 교통 계획 및 정책 수립을 위한 더 현실적인 증거 기반 (Evidence Base) 을 제공합니다.
  • 실시간 정보의 중요성: 모바일 앱 등을 통해 실시간 정보를 얻는 승객이 증가함에 따라, 본 연구에서 계산한 경험적 여행 시간은 승객이 실제로 경험할 수 있는 접근성의 상한선 (Upper Bound) 을 제공한다는 점에서 의미가 큽니다.
  • 확장성: 이 프레임워크는 GTFS 와 실시간 차량 위치 데이터를 제공하는 다른 지역/국가에도 적용 가능합니다.

• 한계:

  • 버스에 국한: 기차나 지하철 등 다른 대중교통 수단을 포함하지 않았습니다.
  • 후향적 분석: 생성된 데이터는 과거의 실제 운영을 반영하므로, 승객이 실시간으로 지연 정보를 알지 못하는 상황에서의 접근성 (불확실성 하의 의사결정) 을 완전히 대체하지는 못합니다.
  • 데이터 품질 의존성: BODS 데이터의 trip_id 누락 등으로 인해 매칭되지 않는 구간이 존재할 수 있으며, 이는 일부 지역의 접근성이 실제보다 낮게 평가될 수 있는 요인입니다.

결론

본 논문은 실시간 데이터를 활용하여 대중교통 시간표를 보정하고, 이를 통해 접근성 분석의 정확성을 높이는 확장 가능한 프레임워크를 성공적으로 제시했습니다. 이는 정적 시간표에 의존하던 기존 접근법의 한계를 극복하고, 교통 불평등과 서비스 변동성을 더 정밀하게 분석할 수 있는 새로운 방법론적 기반을 마련했다는 점에서 의의가 깊습니다.