교통수단의 GPS 궤적 데이터를 저장하는 데이터베이스부;도로 지도 데이터로부터 도로 네트워크 맵을 생성하는 데이터 처리부;상기 GPS 궤적 데이터의 GPS 궤적을 상기 도로 네트워크 맵에 매칭시키는 맵 매칭부;각 OD(기종점: Origin and Destination)별로 k-라벨링 방식을 이용하여 대체경로를 생성하는 대체경로 생성부;각 OD에 대한 생성된 대체경로에 대해서 기계학습을 이용하여 각 OD(기종점: Origin and Destination)에 대한 대안 경로집합을 찾는 경로집합부; 및상기 경로집합 및 효용으로부터 경로선택모형을 생성하는 모형 생성부를 포함하는 공공자전거 경로선택행태 모형 생성 시스템.

제1항에 있어서, 상기 도로 네트워크 맵은 도로의 속성, 거리, 자전거 전용도로, 경사도를 포함하는 공공자전거 경로선택행태 모형 생성 시스템.

제1항에 있어서, 상기 맵 매칭부는 OSM(Open Source Routing Machine)을 이용하여 상기 GPS 궤적을 상기 도로 네트워크 맵에 매칭시키는 공공자전거 경로선택행태 모형 생성 시스템.

제1항에 있어서, 상기 기계학습은 K-means 클러스터링 알고리즘이고,상기 K-means 클러스터링 알고리즘의 클러스터 그룹의 수는 Elbow 방법을 이용하여 결정되는 공공자전거 경로선택행태 모형 생성 시스템.

제4항에 있어서, 상기 교통수단은 자전거이고,상기 K-means 클러스터 알고리즘을 이용한 대안 경로 집합은 자전거 횡단 길이, 주 주거지의 도로 유형, 보조 주거지의 도로 유형, 고도 및 경로 특성을 포함하는 공공자전거 경로선택행태 모형 생성 시스템.

제1항에 있어서, 상기 효용은 효용함수를 포함하고,상기 효용함수는 다음의 수학식으로 정의되는 공공자전거 경로선택행태 모형 생성 시스템.여기서, 는 효용이고, 는 경로와 이용자의 특성을 표현하는 변수와 모수임.

제6항에 있어서, 상기 효용함수의 변수는 도로의 자전거 이용가능 차선 수, 도로의 길이 및 도로의 경사를 포함하는 공공자전거 경로선택행태 모형 생성 시스템.

제6항에 있어서, 상기 경로선택모형은 다음의 수학식으로 정의되는 공공자전거 경로선택행태 모형 생성 시스템.여기서, 은 선택집합, i는 선택대안, j는 선택집합 중에서 선택되지 않은 대안, 은 대안 i의 효용함수, 은 대안 j의 효용함수, 및 은 대안간 상관성 보정계수임.

제8항에 있어서, 상기 대안간 상관성 보정계수는 다음의 수학식으로 정의되는 공공자전거 경로선택행태 모형 생성 시스템.여기서 PS는 대안간 상관성 보정계수, 는 경로 대안 i에 포함되어있는 링크, 는 링크 a의 길이, 는 경로대안 i의 길이, 는 경로대안 j의 링크a 포함여부, 은 대안 경로집합 안에서의 보정계수임.

제1항에 있어서, 상기 경로선택모형을 이용하여 통행경로 선택특성을 도출하는 특성 도출부를 더 포함하는 공공자전거 경로선택행태 모형 생성 시스템.

데이터 처리부가 도로 지도 데이터로부터 도로 네트워크 맵을 생성하는 단계;맵 매칭부가 데이터베이스부의 교통수단의 GPS 궤적 데이터의 GPS 궤적을 상기 도로 네트워크 맵에 매칭시키는 단계;대체경로 생성부가 각 OD(기종점: Origin and Destination)에 대해 k-라벨링 방식을 이용하여 대체경로를 생성하는 단계;경로집합부가 각 OD(기종점: Origin and Destination)에 대한 생성된 대체경로에 대해서 기계학습을 이용하여 각 OD(기종점: Origin and Destination)에 대한 대안 경로집합을 찾는 단계; 및모형 생성부가 상기 경로집합 및 효용으로부터 경로선택모형을 생성하는 단계를 포함하는 공공자전거 경로선택행태 모형화 방법.

제11항에 있어서, 상기 도로 네트워크 맵은 도로의 속성, 거리, 자전거 전용도로, 경사도를 포함하는 공공자전거 경로선택행태 모형화 방법.

제11항에 있어서, 상기 도로 네트워크 맵에 매칭시키는 단계에서는 OSM(Open Source Routing Machine)을 이용하여 상기 GPS 궤적을 상기 도로 네트워크 맵에 매칭시키는 공공자전거 경로선택행태 모형화 방법.

제11항에 있어서, 상기 기계학습은 K-means 클러스터링 알고리즘이고,상기 K-means 클러스터링 알고리즘의 클러스터 그룹의 수는 Elbow 방법을 이용하여 결정되는 공공자전거 경로선택행태 모형화 방법.

제14항에 있어서, 상기 교통수단은 자전거이고,상기 K-means 클러스터 알고리즘을 이용한 대안 경로 집합은 자전거 횡단 길이, 주 주거지의 도로 유형, 보조 주거지의 도로 유형, 고도 및 경로 특성을 포함하는 공공자전거 경로선택행태 모형화 방법.

제11항에 있어서, 상기 효용은 효용함수를 포함하고,상기 경로선택모형을 생성하는 단계는, 상기 효용함수를 생성하는 효용함수 생성 단계; 및상기 효용함수로부터 상기 경로선택모형을 추정하는 경로선택모형 추정단계를 포함하고,상기 효용함수는 다음의 수학식으로 정의되는 공공자전거 경로선택행태 모형화 방법.여기서, 는 효용이고, 는 경로와 이용자의 특성을 표현하는 변수와 모수임.

제16항에 있어서, 상기 효용함수의 변수는 도로의 자전거 이용가능 차선 수, 도로의 길이 및 도로의 경사를 포함하는 공공자전거 경로선택행태 모형화 방법.

제16항에 있어서, 상기 경로선택모형은 다음의 수학식으로 정의되는 공공자전거 경로선택행태 모형화 방법.여기서, 은 선택집합, i는 선택대안, j는 선택집합 중에서 선택되지 않은 대안, 은 대안 i의 효용함수, 은 대안 j의 효용함수, 및 은 대안간 상관성 보정계수임.

제18항에 있어서, 상기 대안간 상관성 보정계수는 다음의 수학식으로 정의되는 공공자전거 경로선택행태 모형화 방법.여기서 PS는 대안간 상관성 보정계수, 는 경로 대안 i에 포함되어있는 링크, 는 링크 a의 길이, 는 경로대안 i의 길이, 는 경로대안 j의 링크a 포함여부, 은 대안 경로집합 안에서의 보정계수임.

제11항에 있어서, 특성 도출부가 상기 경로선택모형을 이용하여 통행경로 선택특성을 도출하는 단계를 더 포함하는 공공자전거 경로선택행태 모형화 방법.

제11항 내지 제20항 중 어느 한 항에 있어서, 상기 공공자전거 경로선택행태 모형화 방법의 각 단계가 정보처리장치의 프로세서에 의해 수행되는 컴퓨터가 판독가능한 기록매체에 저장된 컴퓨터 프로그램.