Journal Archive

분석에 앞서 본 연구에서는 유동인구의 의미를 명확히 정의하기 위해 다양한 인구관련 용어를 비교하는 작업을 수행하였다. 인구와 관련된 용어에는 대표적으로 상주인구(야간인구), 주간인구, 현재인구 그리고 유동인구가 있다(표 1).

먼저 ‘상주인구(resident population)’는 한 지역에 거주하는 인구를 뜻하므로 ‘야간인구(nighttime population)’라고도 불린다. 2015년 이후에는 주민등록인구로 대체되었다. 1990년도부터 상주인구에 주간유입인구와 주간유출인구를 적용하여 ‘주간인구(daytime population)’ 또는 ‘주간활동인구’라는 용어의 통계자료가 제작되기 시작하였다. 이는 단순히 거주지 등록현황을 반영하였던 상주인구에 통근 및 통학과 같은 인구 유출입 요인을 추가하여 인구자료의 동태적 성격을 제고하기 위한 것으로 볼 수 있다(은기수, 2001).

이 인구자료는 직접 모든 가구를 방문하지 않고 주민등록부나 건축물대장 등의 행정자료를 이용하여 생산하는 통계자료인 등록센서스(register-based census)라고 한다. 상주인구는 100% 행정자료만을 활용하여 전수조사가 가능한 완전(fully) 등록센서스이고 주간인구는 행정자료와 함께 20% 표본가구를 대상으로 현장조사를 병행하여 작성하는 부분(partly) 등록센서스이다.

이러한 센서스 데이터는 그간 많은 정책 및 계획의 근거 자료로 활용되었다. 그러나 이 데이터의 공간 단위는 자치구이므로 세밀한 분석이 제한되어 있고, 특히 주간인구 자료는 표본가구에 대한 설문조사를 통해 구득하게 되므로, 결과가 주관적(subjective)이고 정확하지 못하다는 비판에서 벗어날 수 없다. 또한 주간의 인구 이동은 단순히 통근·통학과 같은 주요 통행목적 이외에도 여가, 쇼핑, 출장 등 자발적이고 우연한 통행의 비중이 작지 않다(변미리·서우석, 2011). 유연하고 신속한 정책수립 및 평가가 필요한 상황에서 다양한 이동패턴을 고려한 인구통계자료의 생산이 요구되었다.

현재인구는 이러한 인구총조사(census) 자료의 정태적 속성 및 기술적 한계를 보완한다. 현재인구란 용어 그대로 특정 시점에 실제로 어느 곳에 위치하였는지를 기록하기 위한 개념이다. Swanson and Tayman(2011)은 사람들이 어디에 거주하는지보다 어디에 있는지(people where they are found rather than where they usually reside)에 초점을 맞추어야 한다는 것을 강조하였다. UN(2008) 또한 특정 지역에 거주하지 않으나 체류, 방문 및 업무 등의 다양한 도시활동을 경험하는 인구를 정책 대상으로 중요하게 고려하고자 서비스 인구(service population) 개념을 제안하기도 하였다.

이러한 유형의 인구자료는 획기적으로 발전한 정보통신기술로 인하여 집계 및 생산이 과거보다 용이해졌다. 가령, 서울시에서 공개하는 ‘생활인구’는 대표적인 현재인구 데이터다. 이 자료는 모바일 신호를 통해 서울 인구의 위치 현황을 시간 단위에 맞추어 실시간으로 기록한다. 다시 말해, 인구가 이동함에 따라 달라지는 체류 현황을 시점별로 수치를 기록한 자료이므로 실시간으로 달라지는 인구 현황의 공간적 ‘분포(distribution)’를 보여준다고 할 수 있다.

그렇다면 유동인구란 무엇인가? 사전적 정의에 따르면 유동인구란 ‘일정한 기간 동안 한 지역을 오가는 사람의 수’이다. 이는 특정한 시공간적 범위 내에서의 ‘통행량(volume counts)’을 뜻한다. 유동인구의 경우, 특정한 시간 및 공간적 범위 내에서 사람들이 얼마나 통행하였는지에 관한 횟수를 측정하는 것이 중요하다. 김경태 외(2015)는 유동인구를 단어 그대로 이동하는 인구로 보아 통계청이 제시하는 주간인구와 가깝다고 보았으나, 이는 유동인구가 통행량을 나타내는 지표라는 점을 간과했다는 한계가 있다.

정리하자면, 인구와 관련된 용어는 크게 상주인구, 주간인구, 현재인구와 유동인구가 있다. 과거에는 상주 및 주간인구 등의 센서스 자료가 주로 활용되었으나 측정방식의 관점에서 시공간적 범위에 대한 제약이 많았다. 통신자료 기반의 현재인구 자료는 다양한 주간활동 유형을 반영할 수 있을 뿐만 아니라 실시간 자료를 제공한다는 장점이 있다. 한편, 유동인구는 제한된 시공간적 범위 내의 통행량을 계수하는 것이므로 인구의 지리적 위치와 분포를 파악하기 위한 다른 인구용어와 비교할 때 그 성질 및 특성이 다르다.

유동인구는 ‘특정한 공간적 범위에서 일정한 시간 동안 발생한 통행량’을 의미하므로 넓은 의미에서는 보행, 자전거, 대중교통, 자동차 등 다양한 교통수단에 따른 이동을 포함할 수 있다. 반면 좁은 의미에서 유동인구는 ‘보행자 통행량(pedestrian volume)’으로 제한하여 정의된다. 가령, 후술될 서울시 유동인구조사 보고서, 빅데이터 캠퍼스 KT 유동인구 데이터 및 S-DoT 유동인구 데이터는 측정대상을 보행자에 한정하므로, 연구 목적과 자료 특성에 따라 유동인구 데이터의 이동수단 범위를 명확히 하는 것이 필요하다.

서울시는 다양한 측정 방식을 통해 생산한 다수의 인구조사자료를 보유하고 있다. 이를 측정하는 방법에는 크게 간접적인 방법과 직접적인 방법이 있다. 전자는 신용카드 매출액이나 교통카드 이용내역을 이용하여 인구이동패턴을 간접적으로 측정하는 것이다(성명준 외, 2010; 김경근·염명배, 2017; 이승민, 2020). 그러나 이 방법은 자료의 시공간적 제약이 많아 유동인구의 동태적 양상을 제대로 파악할 수 없다는 한계가 있다.

반면에 인구수를 직접 계수하거나 통신 신호 및 도시 센서를 활용하여 다양한 유형의 인구 데이터를 실시간으로 측정한 자료도 있다. 그러므로 2장에서는 서울시를 대상으로 한 인구자료의 측정방식과 이에 따른 특징을 분석하였다. 이는 앞서 정의한 유동인구의 의미에 가까운 데이터를 선별하고 이를 바탕으로 심층적인 기술 분석을 준비하기 위함이다.

<표 2>는 2장에서 다루고자 하는 서로 다른 4개의 인구 데이터를 정리한 것이다. 이 자료들은 측정 방법에 따라 관찰계수 자료, 통신 자료 및 센서 자료로 구분된다. 요약하면, 이 중 연구 대상인 유동인구에 속하는 것은 ‘서울시 유동인구조사’와 ‘S-DoT 유동인구 데이터’인 반면, ‘서울시 빅데이터 캠퍼스 유동인구 자료’와 ‘서울 생활인구’는 엄밀한 의미에서 현재인구 개념을 바탕으로 한 다른 성질의 인구자료라고 볼 수 있다.

2) 통신 자료

관찰 계수 자료는 지리적 제약이 없고 특별한 측정 설비가 필요 없다는 장점이 있다. 그러나 사람이 직접 계수한 주관적인(subjective) 데이터이므로 자료의 신뢰도와 조사의 지속성이 낮다는 한계가 있다. 이와 달리 통신자료를 통해 인구수를 추정한다면 이용자 대다수의 자료를 다양한 공간적 범위에서 실시간으로 조사할 수 있다. 또한 관측 계수 방법에 비해 예산을 절감하고 시공간적인 연속성을 확보할 수 있다는 장점이 있다(김경태 외, 2015).

통신 자료는 관찰 계수 자료에 비하여 객관적으로(objectively) 인구를 추정한다는 장점이 있으나 엄밀한 의미에서 유동인구를 측정한 자료라고는 보기 어렵다. 통신 신호에 기반하여 인구 위치 현황을 파악하고 할당된 공간 단위 내의 인구수를 집계하는 것은 현재인구의 개념에 가깝기 때문이다.

이러한 통신 신호 기반의 서울시 인구조사자료에는 ‘서울시 빅데이터 캠퍼스 유동인구 데이터’와 ‘서울 생활인구’가 있다. 이 자료들은 통화, 문자, LTE 신호 등을 활용하므로 통신신호에 수반되는 성별과 연령대 등과 같은 인구속성정보를 구득할 수 있다. 이외에 시간 정보는 시간, 일, 월 등으로 제공되고, 공간 정보는 10m 도로, 50m 그리드, 거주지 또는 행정동 단위 등으로 측정된다.

먼저, 서울시 빅데이터 캠퍼스에서 제공하는 306개의 자료 목록 중 유동인구와 관련된 데이터는 총 4개로 그 내용은 <표 3>과 같다. (1)-(3)은 SKT와 KT 통신사에서 50m 간격의 격자를 기준으로 집계한 인구자료다. 이중 시공간적 범위가 가장 세밀한 것은 (3) SKT 일별 유동인구 자료다. 서울시가 유동인구 데이터를 도로구간으로 재집계한 것이므로 값이 평면의 격자가 아니라 선형의 도로링크 ID에 할당된다. 필요에 따라 성별, 연령, 시간대 또는 거주지·행정동 단위로 분류할 수 있다.

Table 3. 
Datasets of Seoul Bigdata Campus

이때의 유동인구란 통신사별 측정기법에 따라 다소 차이가 있으나 기본적으로 상주인구를 제외한 것이다. 특이사항은 KT는 5km/h의 속도로 특정 기지국에 일정한 분(min.)단위 이상 체류한 신호를 보행인구로 판단하였다는 점이다. 즉, 해당 자료에서는 유동인구의 범위를 전체 인구에서 상주인구와 비보행인구를 제외한 보행인구로 제한한 것이다[유동인구(=보행인구)=전체인구-상주인구-비보행인구]. 이와 달리 SKT는 유동인구를 ‘해당 지역 거주자 및 근로자를 제외한 방문자’로 정의하였다. 최근 3개월간 신호 위치가 주중 주간(9~18시)과 야간의 전체 시간 중 60% 이상이 동일한 위치에 있으면 각각 근무자와 거주자로 판단하여 제외하였다.

KT 데이터의 경우 보행자에 중점을 두었으나, 빅데이터 캠퍼스의 유동인구 데이터는 전술한 바와 같이 ‘현재인구’의 개념에 가깝다. 이러한 한계를 보완하기 위해 서울시는 SKT 유동인구 자료를 비롯한 교통카드, 도보 및 택시 통행량, 2014 서울시 유동인구조사 보고서 및 다양한 집객시설의 정보를 바탕으로 가중치를 산정한 후 (4) 길 단위 유동인구를 추정하여 제공하였으나, 이 역시 특정한 시공간 내의 통행량을 지칭하는 본래의 유동인구 개념이라고 보기는 어렵다.

빅데이터 캠퍼스의 유동인구 데이터는 2018년을 끝으로 더 이상 제공되지 않았다. 이후 생활인구 데이터가 지속적으로 공개되며 현재인구 개념을 적실히 반영한 인구조사자료로 널리 활용되고 있다. 서울시는 자체 보유하고 있는 공공 빅데이터와 협력 통신사로부터 제공받은 민간 통신데이터를 종합가공 한 ‘서울 생활인구(de facto population in Seoul)’ 자료를 2017년도부터 제공하고 있다.

서울 생활인구란 “조사시점 현재 서울에 머무르고 있는 ‘현재 인구(de facto population)’로 서울에 주소지를 둔 사람은 물론 업무, 관광, 의료, 교육 등 일시적으로 서울을 찾아 행정수요를 유발하는 인구”를 총칭한다(서울시·KT, 2018). 이때, 현재 인구란 ‘조사시점에 실제로 있었던 장소에 귀속시켜 계상한 인구’를 뜻하므로 어떠한 지역에 거주하지 않더라도 다양한 통행 목적으로 특정 지역에 방문한 사람은 상주인구가 아닌 현재인구로 집계될 수 있다.

다시 말해, 생활인구란 상주인구와 다양한 통행 목적을 지닌 주간활동인구 모두를 포괄하는 인구 개념인 것이다. 이는 상주·주간인구의 한계를 보완하는 개념이며, Swanson and Tayman(2011)가 제시한 현재인구(de facto population)나 UN의 서비스인구(service population)에 부합하는 개념이라 볼 수 있다.

이 데이터는 서울시 열린데이터 광장에서 구득할 수 있고 행정동, 집계구, 성별, 연령, 시간대 기준으로 분류된다. 통화, 문자 기반의 3G 자료와 달리 LTE신호 기반의 통신 자료를 활용하여 측정 주기가 짧고 신호 발생량이 많아 개인 간 차이가 균일하다는 특징이 있다(서울시·KT, 2018).

이러한 생활인구 데이터 역시 보행량을 뜻하는 유동인구라고는 볼 수 없다. 다만, 빅데이터 캠퍼스 유동인구 데이터에 비하여 최신 자료가 주기적으로 제공되고 품질과 정확성도 제고되었다는 장점이 있다. 게다가 상주인구가 포함되어 있으므로 서울 전역의 인구 패턴을 파악하기에 적합한 자료라고 볼 수 있다. 이러한 자료를 활용한다면 광범위한 공간적 범위에서 발생하는 인구의 사회경제적 현상을 분석하거나 통신 신호에 포함된 개인적 특성을 활용한 응용연구를 다양하게 수행할 수 있다.

예를 들어, 김미경 외(2016)는 격자 기반의 통신사 유동인구 자료로 강남 3구 내 대피소의 수용 능력을 평가하였다. 이를 통해 재난 상황이 발생할 경우, 수많은 인파가 신속히 대피할 수 있는지와 관련된 시간거리 접근성 및 추정된 유동인구로 최대 수용인원이 적정한지 판단하는 기준 등을 제시할 수 있다. 박예림·강영옥(2019)은 도보관광코스에 할당된 개별 코스의 장소, 시간, 성별과 연령 등을 활용하여 관광행태와 이용자 특성 간의 관계를 분석하였다.

그리고 서울 전역 또는 일부 장소에 대한 인구패턴과 도시환경 및 지역특성 간의 관계도 분석할 수 있다. 오다원(2019)은 상권 내 토지용도가 인구 패턴에 어떤 영향을 미치는지 분석하였다. 정재훈·남진(2019)과 윤메솔(2020)은 생활인구 자료로 군집분석을 실시하여 서울 전역을 4-5개의 권역으로 분류하고 각 지역의 인구 동태적 특성을 밝혔다. 한편, 생활인구 자료는 통신 데이터에 기반하므로 내국인과 외국인의 신원을 구별할 수 있다. 이를 활용하여 외국인만을 대상으로 이들의 이동에 대한 지역적 또는 시공간적 패턴을 파악하기 위한 연구도 진행되었다(허정원·장주영, 2020; 김형준 외, 2021). 박성경(2018)은 10m 도로구간별 추정 유동인구 데이터를 통해 기존의 인구학적 조사가 미흡하였던 토지용도별 특성 및 이동패턴 연구를 보완하였다.

3) 센서 자료

서울시는 2019년도 말부터 S-DoT 센서를 설치하여 과학행정을 추진하기 위한 근거자료로서의 도시데이터를 수집하는 센서 인프라 구축사업을 시작하였다. 이를 통해 미세먼지, 온도, 습도, 조도, 소음, 진동, 자외선, 풍향, 풍속 등의 환경정보와 유동인구 데이터를 측정하고 있다(표 4). 환경정보는 2분, 유동인구는 10분 주기로 측정되며 서울 열린데이터 광장에서 각각 60분, 10분 간격으로 적재되고 있다.

Table 4. 
The types and features of S-DoT sensors

S-DoT 유동인구 데이터는 2020년 5월부터 서울 열린데이터광장에서 공개되기 시작하였다. 유동인구의 경우, 2020년 5월 4일 이후부터 매주 10분 주기의 자료가 지속적으로 업로드되고 있다. 해당 데이터의 예시는 <표 5>와 같다.

Table 5. 
The example of S-DoT population data

<그림 1>에서 알 수 있듯이 약 1,100여개의 모든 S-DoT 센서 중 유동인구 센서는 총 100개다. 이 중 2개는 과천시 소재의 서울대공원에 입지한 것으로 확인되었는데 해당 공원이 서울시에서 관할 및 운영하기 때문인 것으로 보인다.

Figure 1. 
The location of S-DoT sensors

유동인구는 2992~4050의 시리얼 번호를 가진 총 100개의 특수 센서에서만 측정된다. 이 중 4001~4050번대 센서의 데이터는 2021년 1월 이후에 추가되기 시작하였다. 이 시점을 전후로 100개의 유동인구 센서를 1차 센서(2992~3041) 50개와 2차 센서(4001~4050) 50개로 구분할 수 있다. 이 센서들은 설치 지점에서 반경 150m 이내의 인구수를 측정한다.

서울연구원(2020)의 보고서와 센서 위치정보를 참고하면, 1차 센서는 상업공간, 특히 전통시장을 중심으로 설치된 것으로 파악된다. 2차 센서에서는 일관적인 입지 특성을 찾기 어려웠으나 1차 센서가 위치하지 못한 나머지 지역에 고루 분포하되, 다양한 상권, 행정구역과 공공기관의 수요를 반영하여 신설된 것으로 추정된다.

주목할 점은 1차와 2차 센서의 데이터 측정 방식이 다르다는 것이다(서울시, 2022). 1차는 공공 WiFi 기반으로 수신된 통신 신호의 연결 횟수를 측정하고 2차 센서는 CCTV 영상분석기법을 활용한다. 2차 센서의 경우, 각 센서에 모션 감지 센서(GMS-100)가 설치되어 차량과 사람의 보행량과 이동을 구분하여 감지할 수 있고 데이터는 수집 지점에서 컴퓨팅을 수행하는 분산 시스템인 Edge computing으로 처리된다(서울시, 2021). 이 중 카메라로 보행자의 통행 여부를 확인하여 계수하는 2차 센서의 데이터가 보행량을 뜻하는 협의의 유동인구 의미에 부합한다고 볼 수 있다.

현재까지의 S-DoT 데이터를 활용한 선행연구는 주로 기온, 소음 및 미세먼지와 같은 환경변수를 대상으로 한다. 이 연구들은 데이터에 대한 기술 분석과 함께 인근 도시환경 특성 간의 관계를 분석하였다(박건철 외, 2020; 서울연구원, 2020; 박병훈 외, 2021). 박해경(2021)은 S-DoT과 AWS의 기온 데이터와 공간 해상도에 대한 비교 분석을 진행하였다. 이와 비교한다면, 본 연구는 S-DoT 유동인구 데이터에 대한 최초 분석이자 기존의 다양한 인구 자료 간 비교를 통해 유동인구의 의미 및 해당 데이터의 특성을 명료화하였다는 의의가 있다.

본 연구의 시간적 범위는 주중과 주말을 대표하는 데이터로서 각각 2021년 7월 8일 목요일과 2021년 7월 10일 토요일을 선정하였다. 두 일자만을 분석한 이유는 하루 내 24시간 데이터가 모두 시간당 6회로 온전히 측정된 날짜를 찾는 동시에 센서 외부의 다양한 변수를 고려하였기 때문이다. 예를 들어, 2차 센서 자료가 업로드되기 시작한 2021년도 자료 중 코로나19 유행기간을 제외하였고 기온, 강수 및 미세먼지 등 다양한 날씨 요소를 고려하여 야외 활동에 제약이 비교적 적은 적합한 분석 일자를 선정하였다.

연구의 공간적 범위가 서울특별시이므로 2차 센서 중 과천시 소재의 서울대공원 센서 2개(4024, 4025)를 제외하였다. 또한 선정한 분석 일자 내 특정 센서(4020)의 데이터가 공통으로 부재하여 시각화 결과물에서 자동으로 제외되었다. 따라서 연구 대상은 시공간적 범위에 따라 3개의 센서가 제외된 나머지 97개의 센서이며 연구 범위는 <표 6>과 같다.

S-DoT 도시센서 데이터와 같은 실시간 빅데이터는 이용자가 정해진 측정주기로 끊임없이 생산되는 방대한 양의 원자료를 신속히 구득할 수 있다는 장점이 있다. 그러나 이는 기계적 결함, 기상요건 등과 같은 센서의 다양한 내외부적 이유로 인해 결측치 및 이상치를 수반한다는 한계를 수반한다. 이러한 빅데이터를 활용하기 위해 연구자는 누락된 데이터를 제거 및 대치(imputation)하는 전처리 과정을 거쳐야 한다(Prakash et al., 2018; Dalad and Dahiya, 2020). S-DoT 유동인구 데이터 또한 무결점 기반자료를 통한 분석을 위해 전처리 및 정제작업을 수행하였으며 그 과정을 정리 및 공유함으로써 데이터 이해도를 증진하는 데에 기여하고자 하였다.

첫 번째 단계는 분석에 적합한 데이터를 취합하여 기초 정제작업을 진행하는 것이다. 1차와 2차 센서의 데이터가 업로드된 시점이 다르므로 늦게 설치된 2차 센서에 기준을 맞추어 2021년 이후의 개별 원시자료를 하나의 데이터셋으로 병합하는 과정을 진행하였다. 다음으로 중요한 변수열인 시리얼 번호, 방문자수와 등록일자를 추출하고 각각을 숫자(numeric) 또는 날짜(date-time) 등의 데이터형으로 변환하였다. 이때 날짜열에서 R의 lubridate 함수를 통해 월, 일, 시간, 분 등의 시간 정보를 추출하여 별도의 열로 생성하였다. 또한 약 130,000개의 중복되는 행 및 결측치를 추가로 제거하였다.

두 번째 단계는 데이터 가공이다. 유동인구 데이터는 10분 주기 자료이므로 시간당 6회가 측정되어야 온전하다고 볼 수 있다. 앞서 별도로 추출한 월, 일, 시간 등의 날짜열을 통해 특정 월(M)-일(D)-시(H)로 정렬하여 집단별 관측치의 개수를 집계하였다. 이를 통해 각각의 집단별로 관측 횟수를 요약할 수 있다. 그 결과, 관측 횟수는 1번에서 61번까지 다양했으며 이 중 시간당 6회가 온전히 측정된 데이터는 전체 중 약 74%로 가장 많은 비중을 차지하였다. 많게는 시간당 61번이 측정된 경우도 있었는데, 이는 0분에서 59분까지 1분 간격으로 측정되고 13분이 두 번 측정되어 나타난 결과로 밝혀졌다. 본 연구에서는 S-DoT 유동인구 데이터에 대한 기술 분석에 집중하여 시간당 6회가 온전히 측정된 시간대의 자료만을 활용하였다.

세 번째 단계는 데이터셋의 구조를 변환하는 작업이다. 데이터는 크게 세로형(long-form) 또는 가로형(wide-form) 구조로 저장된다. 세로형 구조는 이름 그대로 데이터 형태가 세로로 길게 뻗어 있는 형태를 취하는 것으로, 손쉽게 데이터를 가공 및 저장할 수 있다는 장점이 있다. 주로 센서별 또는 시간대별 데이터를 전체적으로 개관하거나 이 값들을 집계한 결과를 시각화할 때 사용한다. 센서별로 데이터를 개관하는 작업에서는 이상 센서를 제외하지 않고 모든 센서를 분석 대상으로 선정하였다. 그러나 시간별 데이터가 필요한 나머지 시각화 작업에서는 각 관측치를 집계하는 과정이 필요하여 이상 센서로 판단한 센서(3009, 4019)를 제외하였다.

가로형 구조는 시계열 분석과 같이 여러 변수들을 특정 기준에 따라 비교할 때 사용되는 데이터 형태다. 본 연구에서는 기존의 세로형 데이터 중 주중 자료를 가로형 구조로 변환한 후 이를 시계열 군집분석을 진행할 때 활용하였다. 해당 데이터는 데이터의 분포와 주중 및 주말 비교 그래프를 시각화하는 작업에 활용된 세로형 구조의 시간별 데이터를 피벗(pivot) 기능으로 전환해주는 작업을 통해 준비되었다. 이 과정에서 군집화 분석에 포함될 필요가 없는 센서는 제외하였다. 이와 같이 전처리된 데이터셋의 구조는 분석기법과 밀접한 연관이 있으며 종합적인 데이터 처리 과정을 <그림 2>와 같이 정리하였다.

Figure 2. 
The study design containing procedures of data processing and analysis techniques

<그림 3>의 A-D 패널은 센서별 10분 주기 원시자료를 토대로 S-DoT 유동인구 데이터의 품질과 특징을 분석한 그래프다. 4개의 그래프는 2개의 센서 종류와 2개의 분석 일자로 분류하여 각각 시각화하였다. A는 1차 센서의 주중 그래프, B는 1차 센서의 주말 그래프이고, C는 2차 센서의 주중 그래프, D는 2차 센서의 주말 그래프다.

Figure 3. 
Basic visualization of S-DoT floating population sensors: (1) [A-D] Plotting 10 min-interval raw data for each sensor(grouped by dates and sensor types) (2) [E-H] Distributions of hourly data based on dates and sensor types (3) [I-J] Graphs comparing between weekday and weekend datasets

1차 센서 그래프인 A, B의 인구수를 의미하는 y축 범위가 2차 센서 그래프인 C, D보다 전반적으로 큰 것을 알 수 있다. 또한 A, B가 C, D에 비하여 시계열 개체가 밀집한 구간의 수치도 높다는 것을 확인할 수 있다.

<그림 3>의 E-H 패널은 센서 구분 없이 모든 관측치의 분포를 나타낸 그래프다. 통행량을 뜻하는 유동인구의 정의에 부합하기 위하여 10분 주기의 원시자료를 시간별로 합산한 데이터를 사용하였다. 시간당 6회 측정된 여러 관측치에 대한 합계이므로 A-D 패널의 그래프보다 y축 범위의 최댓값이 높음을 알 수 있다. 이때 모든 관측치는 한 시간 동안 센서의 반경 150m 이내를 통행한 인구수를 의미한다.

E-H 그래프 또한 동일하게 센서 종류와 분석 일자를 기준으로 데이터를 분류하였다. 이는 상자 그림(Box plot) 그래프이므로 A-D에 비하여 개별 관측치가 밀집한 구간인 사분위수 범위와 이상치를 손쉽게 확인할 수 있다. 이를 통해 1차 센서 그래프인 E-F가 2차 센서 그래프인 G-H보다 관측치가 월등히 높은 것으로 분석되었다.

<그림 3>의 I와 J 패널은 각각 1차와 2차 센서 데이터로 크게 분류하되, 주중 및 주말 그래프를 중첩시켜 두 일자 간 유동인구수를 비교한 결과다. 이를 위해 앞서 E-H 패널에서 사용된 시간별 합산 데이터를 센서 구분 없이 평균한 데이터를 사용하였다. 그러므로 개별적인 센서를 구분하지 않고 1차와 2차 센서 군의 주중 및 주말 그래프의 평균적인 차이를 파악하고자 하였다.

I와 J는 E-H의 모든 개별 관측치의 시간별 평균치들의 꺾은 선 그래프라고 볼 수 있다. 다시 말해, I는 E와 F의 시간별 평균 그래프를 비교한 것이고 J는 G와 H의 시간별 평균 그래프다.

I에서 주중과 주말 그래프가 교차하는 지점은 크게 5시, 11시, 17-18시다. 1차 센서의 경우, 5시 이후부터 주중 그래프가 주말 그래프를 상회하기 시작하여 11시에 역전된 후, 17-18시 구간을 지나 야간 시간대 동안 주중 데이터가 지속적으로 높은 것을 확인할 수 있다.

2차 센서 데이터인 J도 마찬가지로 5시 이전에는 주중 및 주말 데이터가 근소한 차이를 유지하다가 5시 이후부터 14시까지 주중 데이터가 상회한다. 이후 14-18시 동안 주중 데이터가 상회하다가 그 이후부터 야간까지 주중 그래프의 값이 더 높은 것을 알 수 있다.

S-DoT 유동인구 센서의 입지특성을 사업 연도에 따른 구분을 기준으로 하여 분산 분석을 수행하였다. 그 결과로 보도, 전통시장, 골목상권, 발달상권, 용적률, 연면적, 토지이용 압축도, 제1종 전용주거지역, 제2종 일반주거지역(7층 이하), 중심상업지역과 일반상업지역 변수가 최대 10%의 유의수준 이내에서 센서 종류 간 평균의 차이가 통계적 유의성을 확보한 것으로 분석되었다(그림 4).

Figure 4. 
Boxplots of urban environ. between categories of sensors (Signif. codes: ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1)

<그림 4>의 상자 그림(Box plot)을 통해 1, 2차 센서의 전반적인 변수별 분포를 확인할 수 있다. 1차 센서는 전통시장, 골목상권과 제2차 일반주거지역(7층 이하)의 면적 비중이 높다. 그리고 2차 센서는 보도의 길이, 발달상권·연면적·제1종 전용주거지역·중심상업지역·일반상업지역의 면적, 그리고 용적률·토지이용 압축도의 비율이 높은 것으로 나타났다.

시계열 군집분석에는 2장에서 논의한 바와 같이 유동인구 자료에 적합하다고 판단된 2차 센서 데이터만을 활용하였다. 그 결과, 총 연구 대상인 센서는 서울대공원 센서 2개와 분석 기간 내 결측 센서(4020번)를 제외한 나머지 총 47개로 확정하였다.

최종 군집 결과(그림 5)는 최장연결법과 3개의 군집 수로 결정되었다. 먼저, 덴드로그램과 시계열 그래프를 통해 각 군집별 중심선(점선)⁵⁾의 대표성과 군집 내 다른 개체 간의 응집성을 육안으로 확인하였다. 그 결과, 최장연결법(complete linkage method)이 다른 연결법보다 개체 간 군집성이 높은 것으로 나타나 이를 최종 군집연결법으로 선정하였다.

Figure 5. 
Results of time series clustering with 2nd S-DoT population sensors (k=3, linkage method=“complete”)

Figure 6. 
Boxplots of urban environ. betweenn time series clusters (Signif. codes: ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1)

또한 동일한 군집연결법을 사용한 분석결과 중 객관적 기준을 통해 적절한 군집 수를 선정하고자 하였다. Sard′a-Espinosa(2022)에 따르면, 시계열 개체 간의 모든 거리를 연산하는 경우에는 Silhouette, Dunn, 그리고 COP 지표가 적합한 것으로 알려져 있다. 이때 Silhouette와 Dunn 지표는 최대화되고, COP 지표는 최소화될 때 분석모형의 성능이 우수하다고 볼 수 있다.

이러한 지표들을 활용하여 군집 평가를 수행한 결과는 <표 9>와 같다. 전반적으로 군집 수가 적어질수록 모든 지표의 값이 증가하는 것을 확인하였다. 군집 수가 3개일 때 Silhouette과 Dunn 지표의 값이 가장 높은 반면에 COP 지표는 군집 수가 6일 때 가장 낮았다. 따라서 군집 수가 3일 때 3개 중 2개의 지표가 우수한 것으로 분석되었다. 따라서 이때를 시계열 군집분석의 성능이 가장 높은 것으로 판단하여 최종 군집 수(k)를 3으로 결정하였다.

시계열 군집의 그래프 패턴 및 공간적 입지에 대한 분석결과는 각각 <그림 5>, <그림 7>과 같다. 각 군집별로 유동인구가 집중되는 시간대와 그 통행량이 다른 것으로 나타났다. 모든 군집이 공통적으로 출근 시간대인 8시경부터 인구이동이 시작되었을 뿐만 아니라 점심 시간대인 13-14시와 퇴근 시간대인 18-19시에 통행량이 집중되었다.

Figure 7. 
The location of S-DoT floating population sensors classfied by time-series clustering

군집 1의 개체 수는 38개로, 가장 많은 개체를 포함한 군집으로 확인되었다. 다양한 개체가 포함되어 있으므로 모든 값의 범위는 최대 약 1000명에 이르나 중심선의 최대치는 약 300명인 것으로 분석되어 모든 군집 중 인구수의 범위가 가장 낮은 것으로 나타났다. 8시부터 인구이동량이 증가하며 오전 시간대에 잠시 정체하였다가 점심시간에 급격히 증가하는 것을 알 수 있다. 이후 오후에는 그 값이 급감 내지 정체한 이후 퇴근 시간대인 18-19시에 증가하였다. 이후 약 22시까지 점진적으로 감소하는 것으로 나타났다.

군집 2의 개체 수는 3개로, 가장 적은 개체를 포함한 동시에 가장 큰 범위의 통행량을 보이는 군집으로 확인되었다. 모든 첨두 시간대에 이동량이 급증하는 동시에 19-20시를 정점으로 값이 점진적으로 커진 것을 알 수 있다. 이후 시간이 지나며 인구수가 감소하나 22시 이전까지 평균적으로 약 1000명 이상의 야간인구가 활동하였던 것으로 분석되었다.

군집 3의 개체 수는 6개로, 모든 첨두 시간대에서 평균적으로 인구 집중도가 높은 것으로 나타났다. 그중 출근 및 점심 시간대에 가장 높은 통행량으로 그래프가 정점에 달했고 퇴근 시간대 이후로 인구이동량이 급감하였던 것을 확인할 수 있다.

시계열 군집분석으로 분류한 결과에 따라 군집별 도시환경특성에 대한 분산 분석을 수행하였다. 앞서 분석하였던 1, 2차 센서 구분에 따른 분산 분석의 결과와 달리 3개의 토지용도 변수만 유의성을 확보하였다. 제2종 일반주거지역(7층 초과)은 10%의 유의수준에서, 제3종 일반주거지역과 일반상업지역은 5% 이내에서 통계적으로 군집 간 평균 차이를 보이는 도시환경변수로 확인되었다.

<그림 6>의 상자그림을 통해 각 변수별 군집 간 평균 차이를 시각적으로 확인할 수 있다. 제2종 일반주거지역(7층 초과)와 제3종 일반주거지역에서는 군집 2, 1, 3의 순서로 변수의 평균치가 높고, 일반상업지역에서는 군집 3의 평균이 다른 두 군집에 비해 월등히 높은 것을 알 수 있다.

정리하면 군집 1과 2는 상업지역의 면적에서 차이를 보이지 않으나 군집 2가 1에 비하여 두 주거지역의 면적이 높다. 한편, 군집 3은 주거용 면적이 가장 낮으나 상업용 면적이 가장 높은 것으로 나타났다.