The quality of life for people in urban regions can be improved by predicting urban human mobility and adjusting urban planning accordingly. In this study, we compared several possible variables to verify whether a gravity model (a human mobility prediction model borrowed from Newtonian mechanics) worked as well in inner-city regions as it did in inter-city regions. We reviewed the resident population, the number of employees, and the number of SNS(Social Network Service) posts as variables for generating mass values for an urban traffic gravity model. We also compared the straight-line distance, travel distance, and the impact of time as possible distance values. We defined the functions of urban regions on the basis of public records and SNS data to reflect the diverse social factors in urban regions. In this process, we conducted a dimension reduction method for the public record data and used a ontology based extraction algorithm and a machine learning-based clustering algorithm for the SNS data. In doing so, we found that functional distance could be defined as the Euclidean distance between social function vectors in urban regions. Finally, we examined whether the functional distance was a variable that had a significant impact on urban human mobility.
우리는 도시 내부의 이동 패턴을 예측하고 이를 기반으로 도시 계획을 조정함으로서 도시에 거주자들의 삶의 질을 향상 시킬 수 있다. 이 연구에서는 도시 간 인구 이동처럼 도시 내부의 인구이동에도 중력 모델을 적용할 수 있는지 확인하기 위하여 몇 가지 변수들을 비교했다. 가장 적합한 질량 값을 찾기 위해서 해당 지역의 거주 인구, 노동자 수, SNS(Social Network Service) 글 수 등을 비교하였고, 적합한 거리 값을 찾기 위해서는 두 지역 간의 직선 거리, 실제 경로 상 거리, 시간을 비교하였다. 또한 우리는 도시 지역 내의 다양한 사회적 요소를 반영하기 위해 공공 데이터 및 SNS 데이터를 사용하여 도시 지역의 기능을 정의했다. 이 과정에서 공공 데이터에 대해서 차원축소기법을 적용하여 연산량을 줄였고, SNS 데이터에서 의미를 추출하기 위해서 온톨로지 기반 추론 기법과 머신러닝 기반 클러스터링 기법을 사용하였다. 마지막으로 두 지역 간의 기능적 거리를 두 지역 기능 벡터 사이의 유클리드 거리로 정의했으며, 이 수치가 도시 내부에서의 인구 이동을 예측을 향상시키는 유의미한 변수인지를 조사했다.
