가장 쾌적한 버스를 고를 수 있는 앱- 버슥
- admin
- 6월 6일
- 3분 분량
팀명
에잇
팀원 명단
김도연, 이준휘, 노지현, 서진영, 이규연, 이서연, 한가현
지도교수
김도헌 교수님
작품 배경 및 목적
도시 생활 속 대중교통 이용자라면 누구나 한 번쯤은 만원 버스에서 불쾌감과 피로를 경험한 적이 있을 것이다. 특히 통학·통근 인구가 몰리는 시간대에는 버스 내부 혼잡도가 극심하여, 목적지에 도착하기도 전에 체력을 소진한 채 하루를 시작하는 일이 빈번하다. 우리 팀원들 역시 대부분 통학생으로서 이러한 불편을 일상적으로 겪고 있다.
현재 대중교통 정보 시스템은 위치, 도착 예정 시간 등 물리적 정보에만 초점을 맞추고 있어, 승객이 실제로 체감하는 쾌적함 수준은 반영되지 못하고 있다. 그 결과, 승객은 버스 선택 시 혼잡도를 고려할 수 없어, 쾌적한 이동 경로를 사전에 예측하거나 선택하기 어려운 한계가 있다.
본 프로젝트는 이러한 문제의식에서 출발하였다. 사전 설문조사 결과, 전체 응답자의 91.8%가 혼잡한 버스에서 불쾌감을 느낀 경험이 있었고, 약 34.4%는 실제로 혼잡을 피하기 위해 하차하거나 다른 노선을 선택한 경험이 있다고 응답하였다. 이는 혼잡도가 단순한 불편을 넘어 이동 경로 결정에 실질적인 영향을 미친다는 점을 시사한다. 또한, 전체의 85.3%는 실시간 쾌적도 정보를 제공하는 애플리케이션이 있다면 사용할 의향이 있다고 답하였고, 가장 선호되는 기능은 ‘버스의 현재 혼잡도 확인’이었다.
이에 따라 본 프로젝트의 목적은 사용자가 보다 쾌적한 환경에서 대중교통을 이용할 수 있도록 지원하는 서비스를 개발하는 것이다. 버스 혼잡도 및 소요 시간, 환승 횟수, 도보 거리 등의 요소를 반영하여 실시간 쾌적도 정보를 산출하고, 이를 바탕으로 사용자가 노선 및 시간대를 보다 유연하게 선택할 수 있도록 한다. 더 나아가, 이용 패턴을 기반으로 교통 수요 분산을 유도하고, 장기적으로는 배차 간격 조정 및 노선 개편 등 교통 정책 개선에 기여하는 것을 목표로 한다. 향후에는 지하철 등 타 교통수단과 연계하여 도시 전반의 모빌리티 서비스를 고도화할 수 있도록 확장할 계획이다.
작품 내용
이 작품은 대중교통 이용자에게 실시간 쾌적도 기반의 경로 탐색 서비스를 제공하는 모바일 애플리케이션 개발을 목표로 한다. 기존 버스 정보 시스템은 도착 예정 시간이나 버스 위치 같은 물리적 정보에만 초점을 맞추고 있어, 승객이 실제로 체감하는 쾌적함은 반영하지 못하고 있다. 이에 본 프로젝트는 승객의 이동 환경을 실질적으로 개선할 수 있도록, '쾌적도'라는 개념을 도입하고 이를 정량적으로 예측·제공하는 기술을 설계하였다.
I. 주요 기능 설명
사용자는 앱의 검색창에서 장소 또는 버스 노선을 입력해 원하는 정보를 조회할 수 있다.
장소를 검색한 경우, 네비게이션 알고리즘을 통해 버스를 포함한 경로를 탐색하고, 각 경로에 대해 실시간 혼잡도와 예측된 쾌적도를 함께 제시한다. 사용자는 빠른 시간순 또는 쾌적도순으로 경로를 정렬하여 선택할 수 있다.
버스를 검색한 경우, 해당 노선의 전체 경로와 함께 각 차량의 현재 위치 및 혼잡도를 확인할 수 있다. 또한 특정 정류장-노선 조합을 즐겨찾기로 등록할 수 있으며, 로그인 기능을 통해 개인화된 정보를 저장 및 불러올 수 있다.
II. 혼잡도 예측 모델
쾌적도 예측 모델의 주요 입력 변수 중 하나인 혼잡도를 정밀하게 예측하기 위해, 별도의 혼잡도 예측 모델을 구축하였다.
데이터 수집
한국교통안전공단의 교통카드 빅데이터를 기반으로 2025년 4월 14일부터 20일까지 일주일간의 노선·정류장별 혼잡도 데이터를 수집하였으며, 총 29,351건의 데이터를 확보하였다.
데이터 전처리 및 분석
혼잡도 데이터를 long format으로 재구성하고 요일, 시간, 노선, 정류장 등의 변수를 기준으로 패턴을 분석하였다. 요일별 평균 혼잡도 차이를 통계적으로 검증한 결과, 주중과 주말 간 뚜렷한 차이가 나타났으며, 이는 예측 모델의 주요 feature로 채택되었다.
모델 학습
선형 회귀 모델과 CNN 모델을 비교 학습한 결과, CNN 모델이 RMSE 13.424, 결정계수 0.564로 선형 회귀 대비 높은 성능을 보였다. 이는 시간대별 패턴과 공간적 정보의 복합 처리를 가능하게 하는 딥러닝 구조의 장점을 반영한 결과이다.
III. 쾌적도 예측 모델
쾌적도는 승객이 느끼는 전반적인 편의성을 반영하는 지표로, 이동 시간, 혼잡도, 환승 횟수, 도보 거리, 출발 시간 등을 종합적으로 고려해 산출한다.
데이터 생성
실제 라벨 수집의 한계를 고려하여, 쾌적도에 영향을 주는 주요 변수들의 통계적 분포를 기반으로 2000건의 합성 데이터를 시뮬레이션 방식으로 생성하였다.
특성 분석
각 feature와 쾌적도 간의 관계를 분석한 결과, 이동 시간과 혼잡도는 각각 –0.639, –0.643의 음의 상관관계를 보여 쾌적도와 강한 연관성을 가짐을 확인하였다. 환승 횟수와 도보 거리 또한 일정 수준의 음의 상관관계를 나타냈다.
모델 학습
선형 회귀 모델을 사용하여 학습을 진행하였고, 학습 결과 RMSE는 1.3717, 결정계수는 0.9872로 높은 설명력을 보였다. 이는 모델 설계 과정에서 정의한 쾌적도 산출 방식이 선형 구조였기 때문에 가능한 결과로 해석된다.
해석 및 확장
현 단계의 모델은 구조적 타당성 검증 및 프로토타입 수준의 예측 기능을 제공한다. 향후에는 실측 데이터를 확보하고, 외생 변수(날씨, 이벤트 등)를 반영하며, 비선형 모델과의 비교를 통해 실서비스 수준의 정밀도를 확보할 예정이다.
IV. 기대 효과
본 서비스는 사용자가 통학·통근 시 쾌적한 시간대와 노선을 사전에 파악하고 선택할 수 있도록 지원함으로써, 대중교통 이용의 전반적인 만족도를 높이는 데 기여한다. 또한, 수요가 특정 시간대에 집중되는 현상을 완화해 교통 시스템의 효율성을 제고할 수 있으며, 나아가 도시 내 교통 정책 개선 및 배차 간격 조정 등의 데이터 기반 의사결정에도 활용될 수 있다. 향후에는 지하철, 공유 교통수단 등과 연계된 통합 모빌리티 플랫폼으로 확장 가능하다.
댓글