← Machine Learning
Machine Learning · 2026년 4월 – 2026년 8월
QR 기반 교통약자 입석 위험 안내 시스템
교통약자의 버스 이용을 위한 입석 가능성 및 착석 대기 시간 예측
개요
TS × KT디지털인재장학생 사회문제 해결 프로젝트에서 교통약자의 버스 노선 선택을 돕는 서비스를 개발했습니다. 정류장의 QR 코드를 스캔하고 목적지를 입력하면 노선별 이동 시간, 입석 가능성, 착석까지의 예상 대기 시간을 비교할 수 있습니다.
LightGBM 예측 모델과 실시간 버스 정보를 결합해 노선별 입석 부담을 추정하고 웹에서 보여줍니다.
문제
고령자와 이동에 어려움이 있는 승객에게 주행 중인 버스에서 서 있는 것은 상당한 신체적 부담이 될 수 있습니다. 현재 혼잡도 정보는 탑승 전 차량 상황을 파악하는 데 도움이 되지만, 실제로 좌석을 이용할 수 있는지 또는 얼마나 오래 서 있어야 하는지는 알려주지 않습니다.
이러한 정보의 공백을 보완하기 위해 입석 가능성과 착석까지의 대기 시간을 예측하고, 이동 시간과 함께 좌석 이용 가능성을 고려하여 노선을 선택하도록 했습니다.
담당 역할
- 입석 여부와 착석까지의 대기 시간을 예측하는 LightGBM 분류·회귀 모델을 개발했습니다.
- 11개 월별 평가 구간에서 모델을 평가하여 분류 모델의 평균 AUC 0.9175와 회귀 모델의 평균 MAE 157.2초를 달성했습니다.
- 시간 기반 서브샘플링을 적용하여 전체 학습 데이터 사용 대비 AUC의 99.8%를 유지하면서 학습 시간을 55% 단축했습니다.
접근 방식
- 2024년 서울 성북구 교통카드 데이터를 활용하여 버스의 정류장별 재차 인원을 재구성했습니다.
- 승하차 기록과 추정 좌석 수를 결합하고, 먼저 탑승한 승객에게 먼저 좌석을 배정하는 FIFO 기반 시뮬레이션으로 입석 여부와 착석까지의 대기 시간에 대한 학습 라벨을 생성했습니다.
- LightGBM 분류 모델은 탑승 후 입석 여부를 예측하고, 별도의 회귀 모델은 착석까지의 대기 시간을 추정합니다.
- 예측 결과를 실시간 버스 정보와 결합하여 사용자의 목적지로 이동할 수 있는 노선을 비교합니다.
시스템 구성
- 서비스 접속: QR 코드로 탑승 정류장을 식별하고 웹 서비스를 열어 목적지를 입력합니다.
- 노선 조회: 버스 위치·도착 정보 API를 활용하여 이용 가능한 노선과 접근 중인 차량 정보를 조회합니다.
- 예측: LightGBM 모델로 각 이동 후보의 입석 가능성과 착석까지의 대기 시간을 추정합니다.
- 안내: 이동 시간, 예상 입석 부담, 혼잡도 정보를 제공하여 노선 선택을 돕습니다.
- 서비스 구성: React 프론트엔드, Spring Boot 백엔드, MySQL 데이터베이스로 구성했습니다.