2.1 역사 건축 데이터 수집

군집분석을 위한 기초 작업으로 지하철 역사에 관한 데이터 수집을 진행하였다. 수집범위는 서울 지역 내 291개의 모든 지하철 역사를 범위로 수집하였다. 데이터는 현장방문을 통한 역사 건축물의 기록 및 문서 혹은 공공데이터 포털에서 제공되는 Open Data를 활용하였다. ‘서울 열린 데이터광장’, ‘공공데이터 포털’ 사이트를 활용하였고, 주요 검색어는 ‘서울 도시철도’, ‘서울 지하철’, ‘서울 교통공사’, ‘지하철 역사’, ‘지하철’ 등으로 지정하여 자료 수집하였다.

해당 검색어를 통하여 ‘서울교통공사 지하철 역사 건축 현황’, ‘서울시 지하철 호선별 역별 승하차 인원 정보’ 등의 다양한 Open Data를 수집하였다. 저작권자는 서울 교통공사이며 데이터 라이선스는 이용허락유형 제2유형으로 비상업적 범위에서 이용이나 변경 및 2차적 저작물의 작성을 포함한 자유이용을 허락한다. 데이터의 갱신주기는 연간 갱신되며 최신 수정 일자는 2022년7월8일자로 갱신된 데이터를 사용하였다. 데이터 형태는 CSV, JSON 형태로 다운로드 가능하며, OpenAPI로 인증키를 신청하여 데이터 크롤링도 가능하다.

2.2 역사 데이터 전처리

데이터 수집 과정을 진행하며 서울교통공사 관리 아래에 있는 291개의 지하철도역사 데이터를 수집하여 15개의 Column으로 정리하였다. ‘호선’, ‘역명’, ‘길이’, ‘층수’, ‘면적’, ‘준공년도’, ‘섬식’, ‘상대식’, ‘복합식’, ‘지상’, ‘지하’, ‘복합(지상+지하)’, ‘환승유무’, ‘승하차 인원’, ‘임대상가면적’으로 구분하여 군집분석을 위한 데이터 전처리 과정을 수행하였다. 철도역의 승강장 유형인 섬식, 상대식, 복합식의 경우는 원-핫 인코딩(One-Hot Encoding)을 이용하여 데이터 전처리를 수행하였다. 다의어 처리가 불분명한 한계가 존재하지만 본 연구에서는 이러한 오류가 발생하지 않으므로 원-핫 인코딩을 이용하였다.

변수 간의 척도가 다른 경우에는 직접적인 상호 비교를 진행하는 것이 곤란하고, 데이터의 각 변수 간 척도 차이로 인하여 왜곡이 발생할 수 있다. 이러한 왜곡의 제어를 위하여 정규화를 적용하여 데이터 분석 전 변수 간의 척도 조정을 수행하였다. 정규화된 데이터의 평균은 0, 분산과 표준편차를 1로 만들어주는 것을 의미한다. 정규화된 데이터로 척도가 다른 통계 데이터간 상호 비교가 쉽다.

원-핫 인코딩(One-Hot Encoding)데이터들과 물리적 특성을 표현하는 길이, 층수, 면적등 군집데이터로 설정된 컬럼의 피쳐들은 서로 척도가 상이한 데이터들이다. 따라서 정규화 과정을 통해 분포의 단순화를 하는 것이 군집분석 전 이루어져야 한다. 다만 분석을 진행할 데이터에 이상치가 존재한다면 평균과 표준편차에 영향을 미치게 되어 변환 데이터의 확산이 매우 달라질 수 있다. 그래서 본 연구에서는 정규화 변환 데이터와 정규화 비 변환데이터세트의 군집화 분석을 모두 수행 후 군집성능이 더 좋은 데이터 세트를 선택하여 활용하였다.

이상치가 있는 데이터를 활용할 경우, 균형 잡힌 척도를 보장할 수 없음을 의미하므로 데이터 표준화 전 이상치에 대한 처리 작업이 수반될 수 있다. 표준화 과정은 Scikit-learn 라이브러리의 StandardScaler 함수를 활용한다. 사이킷런 라이브러리에서 제공되는 sklearn preprocessing 모듈을 불러온 후, 표준화를 진행할 데이터를 입력하게 되면 StandardScaler 함수가 적용되어 표준화된 데이터를 얻을 수 있다.

2.3 최적 군집개수 결정을 위한 군집화 평가

비지도 학습의 군집화 분석은 몇 개의 군집을 선택하여 군집화분석을 진행해야 할 것에 대한 가이드가 어렵다. 객관적으로 군집화 개수를 결정하는 방법인 Elbow Method를 사용하여 최적 군집 개수를 설정한다.

군집화 개수 K를 결정하기 쉽게 도와주는 python언어의 yellowbrick라이브러리의 KElbowVisualizer 함수를 사용하였다. 위의 그림 2과 같이 군집화 개수 k는 1~9까지 테스트하였다. 결과는 오른쪽 세로축이 각데이터들의 군집 중심과의 거리를 나타내고 오른쪽 세로축은 학습시간을 나타낸다. 3개의 군집화 이후 학습시간은 늘어나지만 군집중심과의 거리변화는 비교적 크게 낮아지지 않음으로 k=3인 경우를 추천하였다.

군집화 같은 비지도학습의 특성상 어떠한 지표라도 정확하게 성능을 평가하기는 어렵다. 그러나 군집화 평가방법으로 실루엣 분석이 있다. 실루엣 분석은 각 군집 간의 거리가 얼마나 효율적으로 분리돼 있는지를 나타낸다. 효율적으로 잘 분리 되었다는 것은 다른 군집과의 거리는 떨어져있고 동일 군집끼리의 데이터는 서로 가깝게 잘 뭉쳐 있다는 의미이다. 실루엣 계수는 –1에서 1사이의 값을 가지며 1로 가까워질수록 근처 타 군집과 더 멀리 떨어져 있다는 것이고 0에 가까울수록 근처의 타 군집과의 거리가 가깝다는 것을 의미한다. 음수의 값은 전혀 다른 군집에 데이터 포인트가 할당되었음을 의미한다. 위의 그림 3과 같이 군집개수는 2~5개로 4가지 케이스로 실루엣 분석을 하였다.

전체 데이터의 평균 실루엣 계수 값이 높다고 해서 반드시 최적 군집 개수로 군집화가 잘 되었다고 볼 수는 없다. 2개의 군집을 실루엣 분석한 첫 번째 케이스의 경우(좌상) 평균 실루엣 점수가 0.627로 가장 높게 나타났지만, 0번 군집의 실루엣 계수 값만 높게 나타나 평균적으로 높은 값으로 나타났다. 각 군집별로 점수가 높은 5개군집 실루엣분석 케이스는(우하) 평균 실루엣 점수는 가장 낮은 0.376으로 나타났다. Elbow Method 분석결과인 3개 군집의 경우(우상) 평균 실루엣 점수는 0.45 점으로 두 번째로 높은 평균 점수로 나타났지만 군집별 점수는 가장 높은 평균점수의 2개군집 분석 케이스 대비 상대적으로 편차가 낮은 값으로 나타났다.

2.4 K-means 군집결과 및 군집별 특성 분석

비지도 학습의 군집알고리즘에서 K-means는 가장 보편적으로 사용된다. 군집의 중심점(centroid)을 임의로 지정한 후 해당 중심에서 가장 가까운 포인트들을 선택하는 기법이다.

알고리즘이 대표적으로 사용되는 이유는 위의 그림 4와 같이 군집결과를 시각적으로 확인할 수 있다는 장점이 있으며, 과도하지 않은 반복횟수를 설정하였을 때 분석시간이 빠르다. 하지만 속성의 개수가 많고, 반복수행 횟수가 많아지면 분석 수행시간이 급격하게 증가한다.

위의 표 1에 K-means 군집결과를 요약하였다. 총 291개 역사 에서 cluster-0 의 군집은 149역으로 51% 비중을 차지하였다 cluster-1의 군집은 27개 역으로 9%의 비중으로 군집되었으며, cluster-2의 군집은 115개의 역으로 40% 비중으로 군집 되었다. K-means 군집결과는 cluster-0과 cluster-2가 거의 유사한 특성을 가지는 군집단으로 나타났다. 면적, 준공년도K-means 군집결과로는 군집된 집단이 타 집단과 다른 어떠한 특성이 나타났는지 설명하기 어렵다.

역사 건축물 형태로 구분 가능한 특성인 섬식, 상대식, 복합식중 상대식의 역사의 비중이 높다.

K-means 결과로 나타난 3개의 군집단의 상대식방식이 70% 수준으로 동일한 비중으로 군집되었다. 이와 같은 결과로는 서로 다른 특성을 가지는 집단으로의 유형화가 어렵다. 표 1의 군집을 군집별 그룹화를 세분화하여 위의 표 2에서와 같이 클러스터링 결과를 지하, 복합, 지상으로 그룹화 하여 중위값으로 요약하였다. 지하형은 지하철 역사가 지하에만 존재하는 유형, 지상형은 건대역 2호선 역사와 같이 지하철 역사가 지상에만 존재하는 유형, 복합형은 지상과 지하 모두 존재하는 유형이다. 이렇게 3가지 유형을 구분한 이유는 건물에너지 사용량에서 외기부하, 일사부하가 공조부하의 주된 요소이기 때문이다. 표 2에서도 표 1과 마찬가지로 군집별 지상형, 지하형, 복합형에서 특정군집만의 특징이라도 판단할 수 있는 특이사항은 발견하기 어렵다.

K-means 클러스터링 결과는 군집이 이루어졌으나 군집별 특성으로 특정할 수 없었다. 따라서 공공데이터 포털에서 제공하는 지하철 역사건축물 데이터로 분석된 K-means는 군집알고리즘으로써 적합하지 않다.

2.5 GMM(Gaussian Mixture Model) 군집결과 및 군집별 특성 분석

K-means는 데이터 세트가 원형의 범위를 가질수록 군집화 효율은 더욱 높아진다. 하지만 데이터가 긴 형태의 타원형으로 늘어선 경우처럼 원형의 범위로 퍼져있지 않은 경우, 군집화를 잘 수행하지 못한다. GMM은 K-means와는 다르게 군집화 중심좌표를 구할 수 없기 때문에 군집 중심 표현이 시각화하기 어렵지만 K-means 보다 유연하게 데이터 세트에 잘 적용될 수 있다는 장점이 있다.

아래 표 3에 GMM으로 군집화한 결과를 요약하였다.

총 291개 역사에서 cluster-0 의 군집은 37역사로 13% 비중을 차지하였다 cluster-1의 군집은 23개 역사로 8%의 비중으로 군집되었으며, cluster-2의 군집은 231개의 역사로 79% 비중으로 군집 되었다. 각 클러스터의 면적 중위수는 K-means 군집분석에 비해 편차가 비교적 크게 나타났다. 준공년도 또한 cluster-0은 1980년대, cluster-1은 2000년대, cluster-2는 1990년대로 특정할 수 있을 만큼의 중위수 값을 보인다. GMM 클러스터링 결과는 완벽하게 특징을 구분지어 군집되었다고 볼 수는 없지만 K-means 군집분석에 비해 면적, 준공년도, 플랫폼의 섬식, 상대식, 복합식의 특성이 구분되었음을 확인 하였다.

GMM clustering의 군집을 지상,복합, 지하로 그룹화 하여 중위수를 확인한 결과는 위의 표 4와 같다. K-means 의결과는 cluster-0~2 3군집의 군집별 지하비율이 91~85%로 유의미한 차이를 보이지 않았다. 그러나 GMM clustering의 결과는 cluster-1에서 복합형이 35% cluster-2에서 지하형이 94%로 나타났으며 cluster-0과 2에서는 복합형이 전혀 나타나지 않았다.

지하철 역사의 군집에서 지상형이 22%나 차지하는 것은 군집의 특성에 지상의 특성이 유의미하게 나타났다고 판단하여 GMM cluster-0의 군집 특성은 지상형으로 특정하여 군집별 대표 케이스 모델을 선정하였다.