Page 19 - 2024 학습공동체 우수 성과 사례집(ebook)_Spread
P. 19
프로그램 개요 활동 2024학년도 러닝스터디 & 러닝튜터링 활동 성과
회차(날짜) 활동 목표 활동 내용 목표 달성률
아차산’과 관련된 주제의 인사이트를 더욱 구체화하기 위해 팀원들끼리 세분화하여 ● 1학기 ●
광진구와 관련된 오픈 데이터 데이터를 수집한 후 전부 시각화를 진행하여 Notion에 공유함.
를 수집 및 시각화하기 의논 결과 ‘아차산 가이드’보다 아차산을 활성화 시키면서 광진구에게 이득을 가져
주제를 구체화하여 공모전의 다 줄 수 있는 주제로 노선을 변경함.
2회차
방향성을 잡아 아이디어 확 - “광진구 균형발전을 위한 데이터 기반 아차산 주변 상권 분석 및 최적 입지 선정” 100%
(4/22)
보하기 변경된 주제를 고려하여 논문에서 사용한 모델을 활용하기로 결정함.
구체화된 아이디어와 관련된 - 입지와 관련된 정보를 변수로 두고, 모델의 입력으로 넣으면 가중치가 나오는 방식으로, 어
논문 수집 및 선정하기 떤 변수를 둘 것인지가 중요.
- 팀원들끼리 논의하여 수집해야 할 데이터를 정리함.
광진구에서 받은 유동인구 데이터를 월별 순위와 증감률로 시각화한 것을 통해 광
선정한 주제를 위해 데이터를 진구에 월별로 사람들이 모이는 곳이 다르다는 것을 확인함.
수집하기
광진구 내 균형 발전을 위해 선정한 10개의 feature 데이터를 모으고 행정동 기준
수집한 데이터를 파이썬으로 으로 정리함.
3회차 분석하고 시각화하기
f
eature 데이터를 통해 상권 입지 선정을 위한 AHP 기법으로 1차 후보지 우선 순 100%
(4/29) 시각화한 이미지를 통해 주제 위 선정.
와 관련하여 제안할 수 있는 AHP 기법으로 정렬한 행정동에서 비슷한 특징을 가진 행정동을 클러스터링(군집
인사이트와 알고리즘에 대해
논의하기 화).
- a 군집(중곡1,2,3동/능동/군자동/구의1동)이 상권이 비교적 필요한 구역
MCLP란 시설물의 개수 혹은 예산 비용이 제한되었을 때, 시설물의 서비스 수준을
높이기 위해 주어진 제약조건 하에서 시설물이 커버하는 수요량을 최대화하는 위
치를 선정하는 기법.
- MCLP 알고리즘 제약조건 및 변수: I = 상권 수요 지점, j = 상권 입지 지점, N_i = 행정동,
a_i = 수요량, P = 상권 구역 수, y_i = 결정변수
- 데이터들의 피쳐 설정: 개업률/폐업률, 총 직장인구 수, 당월 매출 금액, 아차산거리, 총 상
MCLP 기법을 조사하고 필요 주인구 수, 수요량
한 데이터 확보 및 가공하기
- 각 행정동 별 수요량 a_i는 유동인구를 대략적으로 파악할 수 있는 ‘대중교통 이용 총 승객
4회차 MCLP 제약조건을 설정하 수’ 데이터를 회귀분석을 통해 예측함. 100%
(5/7) 고, 필요한 변수 값 구하기 입지시설 개수와 커버리지 범위 값을 바꿔가며 선정된 입지와 커버가능개수를 비
데이터를 MCLP 알고리즘에 교함.
적용하여 최적 입지 선정하기 - acility = 2, coverage distance = 500
F
F
- acility = 3, coverage distance = 300
F
- acility = 3, coverage distance = 400
변수에 여러 값을 주며 실험한 결과, Facility = 5, coverage distance = 500 에서
약 90%의 커버 가능도를 보여줌.
이를 통해 최적 결정변수와 최종입지를 선정함.
2024학년도 학습공동체 우수성과사례집 19
