The dissertation discusses the long-term evolution patterns of inter-city travel networks and the demand prediction problem in the inter-city level. By using railway and highway travel data from 1977 to 2016, the dissertation verifies that the changes in inter-city travel networks have close relationships with changes in population. As people have concentrated on large cities over the years, the residents of large cities are interacting with other cities more frequently than in the past. This strengthened inter-city connectivity is the evidence that the life space of people is gradually growing, centered on hub cities. The results also show that the direction of evolution varies by transportation modes. The role of the highway and railway became divergent as two travel networks have evolved over the decades. This result implies that highways evolved to serve short-distant travels while railways developed to handle long-distant trips. On the other hand, the dissertation also provides the traffic demand prediction model in the inter-city level. The model predicts daily Origin-Destination traffic demands between cities. The novel Graph Convolutional Network is proposed to consider both spatial and temporal dependencies. The stratified framework, which divides the heterogeneous O-D graph into multiple subgraphs and trains them separately, is utilized to capture the large heterogeneity of traffic demand. The performance of the model is tested by using the inter-city travel data of Korean highways from 2015 to 2019, showing the best performance compared to the state-of-the-art model. The dissertation shows that convergent and interdisciplinary research presents a variety of perspectives on investigating human mobility. Analysis of the network through graph theory provided various perspectives for observing the characteristics of human mobility, and the attributes of these graphs contributed to the development of high-precision prediction models along with the deep learning. Grafting of various academic fields and the use of domain knowledge in transportation are significantly helpful in interpreting, understanding, and modeling human mobility.
본 학위논문은 지난 40년 동안의 철도와 고속도로을 통한 이동 정보를 수집하여 도시 간 통행 네트워크 장기적인 변화를 관찰하고, 도시간 통행 수요를 예측하는 모델을 다룬다. 철도와 고속도로 모두에서 분석 기간 동안 도시 간 통행 불균형이 점차 심화되고 있으며, 이는 인구분포의 도시 집중화로 인한 인구의 양극화 현상과 밀접한 연관이 있었다. 도시간 통행 네트워크의 장기적인 변화는 교통 인프라의 중심인 대도시의 역할이 점차 증대되고 있으며, 향후 이러한 추세가 지속될 것이라는 것을 보여준다. 한편, 일관적인 인구와 통행의 변화 방향에도 불구하고, 철도와 고속도로의 네트워크 변화 방향은 상반되게 나타났다. 고속도로 통행 네트워크는 대도시를 중심으로 인접한 도시들과의 연결성을 강화하는 방향으로 변화한 반면, 철도 통행 네트워크는 대도시 간 연결성을 강화하는 방향으로 변화하였다. 본 학위논문은 또한 도시간 교통 수요를 예측할 수 있는 모델을 제시한다. 도시간 통행간의 공간적, 시간적 상관성 및 수요의 큰 이질성을 고려하기 위해 계층화된 그래프 합성곱 신경망 모델을 제시하였다. 본 연구는 그래프 이론, 딥러닝, 교통공학을 접목하여 도시간 인간 이동의 다양한 특성을 규명하고 모델링 하였으며, 그동안 풀지 못했던 교통 문제를 다학제적 연구를 통해 풀었다는 점에서 의의가 있다.
