earticle

영어

Approximately 90% of domestic cargo is transported by road, necessitating systematic management for road maintenance and traffic safety. However, existing origin-destination (O-D) surveys rely on face-to-face and traffic data collection methods, which have limitations in sustainability, reliability, and spatio-temporal resolution. To address these issues, mobile communication data has gained attention due to its large sample size, but distinguishing cargo drivers from non-cargo drivers is essential. This study developed a cargo driver traffic identification model based on trip chain data from mobile communication data, evaluating its potential for logistics network and O-D construction. Using explainable AI, the study identified traffic characteristic differences between cargo and non-cargo drivers. The findings confirm that mobile communication data can classify cargo drivers, and with enhanced models and additional data, it could support cargo vehicle modeling and national logistics planning.

한국어

국내 화물의 약 90%는 도로를 통해 운송되는 만큼, 화물운송은 도로의 유지보수 및 교통안 전의 측면에서 체계적인 관리가 필요하다. 다만, 기존 화물차량 기종점(origin-destination, O-D) 은 대면조사 및 가구통행실태조사를 기반으로 하고 있기 때문에, 지속가능성, 신뢰성, 시공간 적 해상도 등 여러 측면에서 한계를 가진다. 이러한 한계점을 극복하기 위해 모바일 이동통신 데이터를 활용하는 방법이 주목받고 있으나, 물류 통행의 분석 및 화물 운송에 이를 활용한 연구는 수행되지 않고 있다. 모바일 이동통신 데이터는 높은 표본 수를 가진다는 장점이 있으 나, 모바일 통신기기를 소지한 모든 이용자를 대상으로 수집되기 때문에 화물운전자와 비화물 운전자의 통행 식별이 선행되어야 한다. 따라서, 본 연구는 모바일 이동통신 데이터를 통해 구 축된 트립 체인 데이터의 물류 네트워크 및 O-D 구축에 활용 가능성을 판단하기 위해 트립 체인 데이터 기반 화물운전자 통행 식별 모델을 개발하였으며, 설명가능한 AI를 적용하여 화 물운전자와 비화물운전자의 통행 특성 차이를 확인하였다. 본 연구를 통해 모바일 이동통신 데이터를 활용하여 화물운전자를 분류할 수 있음을 확인하였으며, 향후 다양한 모델과 추가 데이터 수집을 통해 성능을 향상시키는 경우, 화물차량 기종점 구축 및 국내 물류 기본계획 등에서도 활용될 수 있을 것으로 기대한다.