딥러닝을 이용한 지하철 승차인원 예측시 평균변화 보정의 역할

Abstract

본 연구에서는 딥러닝 모형을 이용하여 부산시 지하철 일별 총 승차인원을 예측한다. 최근 코로나19의 장기적인 확산으로 지하철 승차인원이 줄어들었고 이로 인해 코로나19 발생전과 후의 지하철 승차인원의 평균 변화가 발생하였다. 이에 따라 Quandt likelihood ratio (QLR) 검정을 시행하여 코로나19 전후의 승차인원의 평균변화가 유의한 정도의 변화임을 밝히고 평균변화시점을 추정한다. 승차인원의 평균변화가 유의한 정도로 변화하였을 때 예측시 평균변화를 반영하는 것이 좋은 예측력을 가져다 주는지 확인하기 위해 통계적 모형과 딥러닝 모형을 사용하여 예측치를 비교한다.|We forecast the number of subway passengers in Busan using deep learning models. Due to the prolonged COVID-19 outbreak, the number of subway passengers has decreased. It led to the mean change in the number of subway passengers before and after COVID-19. Accordingly, we focus on whether the deep learning model adjusted mean change gives good forecast performance or not. As the forecast models, we consider two statistical forecast models (autoregressive (AR) model, seasonal AR model) and three deep learning models (convolutional neural network (CNN), long short-term memory (LSTM), CNN-LSTM). An out-of-sample forecast comparison reveals that the mean change adjustment improves forecast performance in deep learning models, and deep learning models adjusted mean change have better forecast performances than the statistical forecast models.