Understanding functional regions resulting from interactions between people and regions is crucial for effective city planning and transportation management. Addressing potential deviations from planned functional regions, this study focuses on identifying how people actually utilize regions based on travel demand patterns. We propose a research framework consisting of three phases—extraction, validation, and application—using multi-modal travel demand datasets covering buses, taxis, and probe vehicles over a long-term period. In the extraction phase, regional clusters are identified based on similar temporal travel demand patterns across multiple transportation modes within a year using t-distributed stochastic neighbor embedding and K-Means clustering methods. The validation phase aims to prove the distinctiveness of regional clusters on both collective and individual scales. Spatial characteristics, considering the built environment and socio-demography, interpret each regional cluster using extreme gradient boosting and Shapley additive explanations, labeling regional clusters with representative functions. On the individual scale, differences in travel behavioral indices across functional regions, in this case, the revisit interval and stay duration, are analyzed. In the application phase, functional regions, as indicators incorporating spatial-temporal features for each region, contribute to enhancing future travel demand forecasting. As a case study, our research framework is applied to the urban area of Daejeon Metropolitan City, South Korea. The study identifies six distinct functional regions, specifically residential areas (proximity to the city center and outskirts), industrial zones, business/education/ research districts, commercial centers, and mixed-functional regions. It also confirms that individual travel behaviors vary across functional regions and that embedding functional region variables can enhance the predictability of demand for city services. This study provides a detailed understanding of the spatio-temporal dynamics linked to functional regions and offers valuable insights into functional regions illuminated by its analysis of travel demand patterns. These insights can support informed decisions in urban planning and transportation management.
도시의 효율적 운영을 위해서는 지역과 사람 간 상호 작용으로 사람들이 실제로 각 지역을 어떤 목적으로 활용하는지, 기능 지역에 대한 이해가 중요하다. 본 연구는 버스, 택시 및 프로브 차량을 포함한 다양한 교통수단의 통행 기록을 활용하여 기능 지역에 대한 3단계 연구 프레임 워크를 제안한다. 1단계-기능 지역 추출 단계에서는 다중 교통수단의 통행 기록에서 얻은 시간적 수요 패턴의 유사성을 기반으로 t-분포 확률적 이웃 임베딩과 K-Means 클러스터링 방법을 사용하여 지역 클러스터를 식별한다. 2단계-검증 단계는 지역 클러스터의 특징점을 집합적 및 개별적 규모에서 입증하는 것을 목표로 한다. 집합적 규모에서의 검증은 건축 환경 및 사회인구학을 고려한 공간 특성을 활용하여 Extreme Gradient Boosting과 Shapley Additive Explanations을 사용하여 각 지역 클러스터를 해석하고 지역 클러스터에 대표적 기능을 부여하여 기능 지역을 도출한다. 개별적 규모에서는 재방문 간격 및 체류 기간과 같은 개별 통행 행태 지표를 활용하여 기능 지역 간 지표의 차이를 분석한다. 기능 지역은 각 지역의 시공간적 특징을 내포한 변수로, 3단계-응용 단계에서 단기 통행 수요 예측 성능을 향상시키는 데에 활용한다. 본 연구 프레임 워크를 검증하기 위해 대전광역시를 대상으로 시범 분석을 진행하였으며, 주거 지역, 공업 지역, 업무/교육/연구 지역, 상업 지역 및 혼합 기능적 지역을 포함한 6개의 기능 지역을 도출하였다. 또한, 개별 통행 행태가 기능 지역별로 다르게 분포하며, 기능 지역 변수의 사용이 통행 수요 예측 성능 개선으로 이어지는 것을 확인하였다. 이에 따라 본 연구에서 제안한 연구 프레임 워크는 기능 지역의 시공간적 영향에 대한 이해를 제공하며, 이러한 통찰력은 도시 계획 및 교통 관리에 체계적인 의사 결정을 지원할 수 있을 것으로 사료된다.
