머신러닝 기반 월별 불법주정차 예측 모델 성능 비교 연구 (A Comparative Study on the Performance of Machine Learning–Based Models for Monthly Illegal Parking Prediction)

서지정보

· 발행기관 : 한국정보통신학회
· 수록지 정보 : 한국정보통신학회논문지 / 29권 / 2호 / 224 ~ 232페이지
· 저자명 : 김성우, 김경이

초록

본 연구는 공공데이터 포털에서 제공하는 B도시와 S도시의 불법주정차 월별 통계 데이터를 활용하여 월별 불법주정차 빈도를 예측하는 최적의 머신러닝 모델을 탐색하고 다양한 모델에 적용하여 비교 분석하는 것을 목적으로 한다. 초기 분석 단계에서는 ElasticNet 모델을 사용하였으며, 데이터의 복잡한 패턴을 보다 정확히 포착하기 위해 랜덤 포레스트, LightGBM, XGBoost와 같은 고급 앙상블 학습 기법을 추가로 적용하였다. 데이터를 모델 학습에 적합한 형태로 전처리한 후, 다양한 머신러닝 모델을 통해 불법주정차 빈도를 예측하였다. 모델의 성능은 RMSE, %RMSE, R-squared 지표로 평가하였으며, 그 결과 ElasticNet모델이 가장 높은 예측 정확도를 나타냈다. 본 연구는 지방자치단체가 불법주정차 문제뿐만 아니라 다양한 도시 문제에 대해 데이터 기반의 예측 모델을 활용하여 효율적이고 선제적인 대응 방안을 마련하는 데 기여할 것으로 기대된다.

영어초록

This study aims to explore and compare optimal machine learning models for predicting monthly illegal parking frequency using monthly statistical data from Cities B and S that are provided by the Public Data Portal. In the initial analysis phase, an ElasticNet model was employed as a baseline approach, and advanced ensemble learning techniques such as RandomForest, LightGBM, and XGBoost were additionally applied to capture more complex patterns in the data. After preprocessing the data into a suitable format for model training, various machine learning models were used to predict illegal parking frequency. The models' performance was evaluated using RMSE, %RMSE, and R-squared metrics throughout the experimental phase, and the ElasticNet model demonstrated the highest prediction accuracy. This study is expected to contribute to local governments' efforts in developing efficient and proactive response strategies using data-driven prediction models, not only for illegal parking issues but also for various urban challenges.

참고자료

· 없음