Analysis of Network Classification and Optimization Based on Comprehensive Evaluation of Public Transportation Network – A Case Study of Guangzhou

기술 요약: 공공 교통 네트워크의 종합적 평가를 기반으로 한 네트워크 분류 및 최적화 분석 – 광저우 사례 연구

문제 제기
거대 도시의 버스 네트워크는 세 가지 과제에 직면해 있다: 승객 수 감소, 구조적 비효율성, 그리고 공간적 불평등이다. 기존의 평가 체계는 종종 위상학적 합리성, 서비스 기능의 다양성, 사회적 형평성을 개별적으로 다룬다. 또한, 명확한 운영 목적이 없으면서도 상당한 네트워크 자원을 소비하는 '기능적 모호성(functionally ambiguous)'을 가진 버스 노선에 특화된 정량화된 최적화 전략이 부족하다. 본 연구는 팬데믹 이전 대비 버스 승객 수가 52% 감소하고 교외 지역의 km당 승객 수가 매우 낮은 수준을 유지하고 있는 중국 광저우를 대상으로, 통합적인 평가 및 최적화 프레임워크를 제안함으로써 이러한 격차를 해소하고자 한다.

연구 방법론
본 연구는 다음과 같은 3단계 방법론적 접근 방식을 채택한다:

1. 위상학적 평가: 6가지 지표 시스템을 통해 네트워크의 구조적 합리성을 평가한다. 지표로는 네트워크 밀도($P_1$), 커버리지 비율($P_2$), 정류장 커버리지($P_3$), 노선 길이($P_4$), 중복 계수($P_5$), 비선형 계수($P_6$)가 포함된다. 이들은 TCRP 보고서 165 및 중국의 도시 도로 교통 계획 기술 규격과 같은 표준을 기준으로 벤치마킹된다.
2. 머신러닝을 통한 기능적 분류: 5가지 기능적 지표(공급 지수, 인구 커버리지, 지니 계수(형평성), 승객 흐름, 메트로 중첩 계수)를 기반으로 3,214개의 버스 노선을 분류하는 2단계 파이프라인을 사용한다.
   • 1단계 (비지도 학습): K-means 클러스터링을 통해 최적의 기능 유형 수를 결정하며, 엘보우 방법(elbow method)을 통해 $k=4$임을 식별한다.
   • 2단계 (지도 학습 검증): 랜덤 포레스트(Random Forest) 분류기를 사용하여 클러스터를 검증하며, 92.3%의 교차 검증 정확도를 달ர்த்த한다. 특성 중요도 분석 결과, 메트로 중첩도와 승객 흐 пото가 주요 변별 요소로 나타났다.
3. 이중 목적 최적화: 식별된 '기능적 모호성' 노선에 대해 NSGA-II 알고리즘을 사용하여 다목적 최적화 모델을 구성한다. 이 모델은 노선의 선형성, 배차 간격, 총 네트워크 길이 감소에 대한 제약 조건을 준수하면서, 중복성(중첩 페널티)을 최소화하고 형평성 개선(지니 계수 감소)을 최대화하는 것을 동시에 목표로 한다.

주요 기여
본 논문은 대중교통 계획 분야에 네 가지 구체적인 기여를 한다:

1. 통합 프레임워크: 위상학적 지표를 기능적 및 분포적 공정성 지표와 결합한 새로운 '구조-기능-형평성' 평가 지표 시스템을 개발하였다.
2. 머신러닝 기반 분류: 버스 노선을 네 가지 뚜렷한 서비스 유형으로 분류하여, 일률적인 접근 방식이 아닌 타겟팅된 최적화를 가능하게 하는 검증된 머신러닝 프레임워크를 제시하였다.
3. 실증적 진단: 광저우 네트워크의 심각한 구조적 결함을 밝혀냈다. 여기에는 권장 수치인 2.5를 훨씬 상회하는 네트워크 전체 중복 계수 4.9와 27%에 달하는 기능적 모호 노선 비율이 포함된다.
4. 실행 가능한 최적화: 이론적 진단을 넘어 구체적이고 정량화된 개입책을 제시하는, 모호한 노선들에 대한 이중 목적 모델을 생성하였다.

결과
광저우 네트워크(3,214개 노선, 6,968개 정류장, 54,000km)에 프레임워크를 적용한 결과 다음과 같은 결과가 도출되었다:

• 위상학적 비효율성: 네트워크 밀도는 국가 표준을 충족하지만, 상당한 격차가 존재한다. 농촌 지역은 네트워크 길이의 59%를 차지하지만 승객 흐름은 17%에 불과하다(200 trips/km/day). 평균 노선 길이는 16.7km로, 평균 실제 이동 거리인 7.5km의 두 배 이상이다. 중심 지역은 노선 중첩이 극심하여 중복 계수가 10을 초과한다.
• 기능적 분류: K-means 클러스터링을 통해 네 가지 노선 유형을 식별하였다:
  • 사회 보장 지향형 (30.8%): 승객 흐름은 낮으나 취약 계층에 대한 형평성 있는 서비스를 제공함.
  • 수익 지향형 (6.1%): 높은 승객 흐름(전체 흐름의 45.6%)을 보이지만, 중심지에 집중되어 있어 불평등도가 높음.
  • 메트로 통합형 (36.4%): 지하철 노선과의 중첩도가 높아 환승 연결 역할을 수행함.
  • 기능적 모호형 (27.0%): 공급과 승객 흐름이 모두 낮고 중첩도가 중간 수준이며, 최적화의 주요 대상임.
• 최적화 전략: NSGA-II 모델은 868개의 모호한 노선에 대해 세 가지 실행 가능한 전략을 도출했다:
  1. 고중첩 노선 단축: 지하철 중첩도가 50%를 초-과하는 17개 노선을 평균 4.2km 단축함으로써, 중첩 페널티를 38% 감소시키고 예상 지상 교통 압력을 12% 완화함.
  2. 피더(Feeder) 전환: 계획된 메트로 연장선(10, 11, 12호선)과 중첩될 것으로 예상되는 112개 노선을 고빈도 피더 서비스로 전환하여, 34만 명의 주민을 위한 라스트 마일 연결성을 개선함.
  3. 농촌 지역 재배분: 22개 농촌 노선에 대해 배차 간격을 늘리고 수요 응답형 구역을 도입함으로써, 노년층 지니 계수를 0.42에서 0.35로 낮추고 승객 수를 15% 증가시킬 것으로 예측함.

의의 및 한계점
본 논문은 이 프레임워크가 대중교통 계획가들에게 네트워크 비효율성을 진단하고 형평성을 고려한 개입을 설계할 수 있는 전이 가능한 데이터 기반 접근법을 제공한다고 주장한다. 이는 머신러닝이 명확한 운영 목적이 없는 노선을 효과적으로 식별할 수 있음을 보여주며, 효율성과 사회적 형평성의 균형을 맞추는 자원 재배분을 가능하게 한다.

그러나 저자들은 다음과 같은 몇 가지 한계점을 겸허히 인정하였다:

• 데이터의 시간적 특성: 분석은 2023년 10월 IC 카드 데이터에 의존하고 있으며, 팬데믹 이후의 이동 행태는 정체되어 있지 않을 수 있다.
• 정적 형평성 가정: 지니 계수는 정적인 인구 그리드를 사용하여 계산되었으므로, 형평성의 시간적 변화(예: 피크 시간대와 비피크 시간대의 혼잡도 차이)를 포착하지 못한다.
• 단일 도시 검증: 분류 모델이 광저우 데이터만을 사용하여 훈련 및 검증되었으므로, 다른 도시 형태를 가진 타 거대 도시로의 전이 가능성에 대해서는 추가 테스트가 필요하다.

저자들이 제안하는 향 향후 연구에는 동적 평가를 위한 실시간 데이터 통합, 도시 간 전이 학습 프레임워크 개발, 그리고 인터랙티브 시나리오 분석을 위한 디지털 트윈 플랫폼과의 최적화 모델 통합이 포함된다.