해석가능한 기계학습을 활용한 보행목적별 보행만족도 영향요인 분석

Abstract

최근 도시계획 분야에 활용되기 시작한 기계학습 모형은 높은 설명력과 비선형 관계 분석의 장점에도 불구하고 적용사례가 미비한 실정이다. 기계학습 방법론은 일반적으로기존의 전통적인 회귀모형보다 높은 설명력을 가지고 있다. 그러나 알고리즘을 통해 훈련된 모형은 블랙박스로 간주하여 각 설명변수가 종속변수의 예측에 얼마나 기여하였는지 알 수 없다는 단점이 있었다. 하지만 최근 들어 딥러닝 모형을 포함한 해석 가능한 기계학습(interpretable machine learning) 모형의 발전으로 블랙박스를 어느정도 해석할 수 있게 되면서 도시 및 교통계획분야에서 활용되기 시작하였다(윤준호·이수기, 2019; 조월 외, 2021). 기계학습 모형의 블랙박스를 해석하는 방법에는 여러 가지가 있다. 그중 Partial Dependence Plot(PDP)은 모형에 포함된 모든 변수의 평균적인 영향을 고려하여 종속변수에 대한설명변수의 한계효과(marginal effect)를 그래프로 설명하는 방법이다(Chung, 2013; Friedman, 2001). PDP 방법론은 설명변수와 종속변수 사이의 선형관계 또는 비선형 관계를 분석할 수 있다는 장점이 있다. 따라서 본 연구는 전통적인 회귀분석 모형과 비교하여 보행만족도 분석 모형으로 기계학습 모형의 우수성을 살펴보고, 해석가능한 기계학습을 활용하여 보행만족도에 영향을 미치는 도시의 물리적 환경 요인을 보행목적별로 도출한다. 나아가 보행만족도에 영향을 미치는 변수의 상호작용 효과를 분석하고 보행만족도 증진을 위한 정책적 시사점을 도출한다.