Project/주차장 입지 및 주차 공유지 후보 선정
[Project] 지역 주차문제 해소를 위한 주차장 입지 및 주차 공유지 후보 선정 1
gangee
2023. 1. 4. 23:07
728x90
반응형
울산광역시 중구지역의 주차장 부족, 불법주정차 문제 해소를 목적으로 주차장 입지 및 주차 공유지 후보 선정
* LH COMPAS에서 주관한 "(울산 경남) 제2회 빅데이터로 우리동네 문제해결 아이디어 공모대회" 에 직접 참가한 프로젝트이다.
1. 분석 목표
- 주차문제의 근본적인 문제해결을 위해서는 수요와 공급의 불균형 해결 및 해당 지역 부지 내의 효율적인 활용이 필요하다. 따라서 울산광역시 중구의 지역적 특성을 분석하여 이를 분석 지표로 활용하고 부족 주차장 면수를 산출해 개선우선지역을 선정한다. 선정된 개선 우선 지역에 주차공간 확보를 위한 주차장 입지 및 주차장 공유 후보지를 제시하는 것이 목적이다.
2. 데이터 수집
* 모든 데이터는 공공데이터 포털, 행정안전부, 통계청, 울산광역시 중구 차량등록사업소, 건축행정시스템 세움터, 국토교통부 국가공간정보포털 등에서 수집되었다.
- 자동차 등록대수 데이터, 행정동별 인구 수 및 세대 수 데이터, 건축물 표제부 데이터, 건축물 노후도 데이터, 건축물인허가 주차장 데이터, 불법주정차 단속건수 데이터 등을 수집하였다.
3. 데이터 전처리
- 데이터 정규화를 위해 MinMaxscaler 객체 생성
scaler = MinMaxScaler()1. 불법주정차 단속건수 데이터
- Google API를 이용하여 주소지 데이터를 위경도 데이터로 변환
import googlemaps
googlemaps_key = " (API KEY) "
gmaps = googlemaps.Client(key=googlemaps_key)
def add_to_point(address):
geo_location = gmaps.geocode(address)[0].get('geometry')
lat = geo_location['location']['lat'] # 위도
lng = geo_location['location']['lng'] # 경도
return lat, lng
junggu_points = []
null_list = []
for i in tqdm(range(len(df))):
address = df['대지위치'][i]
try:
lat, lng = add_to_point(address)
tmp_dic = {"index":i, "위도":lat, "경도":lng}
junggu_points.append(tmp_dic)
except:
null_list.append(i)2. 인구 데이터
- 인구 분포 현황 : 데이터를 Min-Max Scaler로 정규화하고 pydeck을 활용해 지도로 시각화하였다.
mm_scaler = scaler.fit(df[['인구수']])
df['정규화인구'] = mm_scaler.transform(df[['인구수']])
layer = pdk.Layer(
'PolygonLayer',
df,
get_polygon='coordinates',
get_fill_color='[0, 255*정규화인구, 0]',
pickable=True,
auto_highlight=True
)
center =[129.305261,35.571258]
view_state = pdk.ViewState(
longitude=center[0],
latitude=center[1],
zoom=12)
r = pdk.Deck(layers=[layer],
mapbox_key=MAPBOX_API_KEY,
initial_view_state=view_state)
r.to_html('html/정규화 행정동 인구.html')- 인구 수 예측 : 페이스북에서 공개한 시계열 예측 Prophet 라이브러리를 이용하여 2022.11 ~2025.10(추후 3년)까지의 인구수를 예측하였다.
from prophet import Prophet
dong_name = ['학성동', '반구1동', '반구2동', '복산1동', '복산2동', '중앙동', '우정동', '태화동', '다운동', '병영1동', '병영2동', '약사동', '성안동', 'Date']
last_3year = list()
for i in range(2022, 2025):
for j in range(1, 13):
last_3year.append(['%04d-%02d' % (i,j)])
for i in range(2025, 2026):
for j in range(1, 11):
last_3year.append(['%04d-%02d' % (i,j)])
last_3year = pd.DataFrame(last_3year, columns = ['ds'])
last_3year['ds']= pd.to_datetime(last_3year['ds'])pd.to_datetime(df['Date'], format='%Y%m')for i in range(len(df['Date'])):
date_time_str = df['Date'][i]
date = datetime.datetime.strptime(str(date_time_str), '%Y%m')
df['Date'][i] = datejunggu_hangjung_predict = pd.DataFrame()
for i,name in enumerate(dong_name):
data = pd.DataFrame()
data = df[[name,'Date']]
data.columns = ['y','ds']
data['ds'] = pd.to_datetime(data['ds'])
model = Prophet().fit(data)
print(i,"model_fit")
forecast = model.predict(last_3year)
print(i,"model_predict")
junggu_hangjung_predict = pd.concat([junggu_hangjung_predict, forecast['yhat']], ignore_index = True, axis=1)junggu_hangjung_predict = pd.concat([junggu_hangjung_predict, forecast['ds']], ignore_index = True, axis=1)
junggu_hangjung_predict.columns = ['학성동', '반구1동', '반구2동', '복산1동', '복산2동', '중앙동', '우정동', '태화동', '다운동', '병영1동', '병영2동', '약사동', '성안동', 'Date']
junggu_hangjung_predict=junggu_hangjung_predict[10:]3. 차량 등록대수 데이터
- 차량 등록 현황 : 2022년 10월의 행정동별 차량 데이터를 승용차와 승합차 데이터만 산출하여 Min-Max Scaler로 데이터를 정규화하고 pydeck으로 시각화하여 나타내었다.
mm_scaler = scaler.fit(df[['차량수']])
df['정규화차량'] = mm_scaler.transform(df[['차량수']])
layer = pdk.Layer(
'PolygonLayer',
df,
get_polygon='coordinates',
get_fill_color='[0, 255*정규화차량, 0]',
pickable=True,
auto_highlight=True
)
center =[129.305261,35.571258]
view_state = pdk.ViewState(
longitude=center[0],
latitude=center[1],
zoom=12)
r = pdk.Deck(layers=[layer],
mapbox_key=MAPBOX_API_KEY,
initial_view_state=view_state)
r.to_html('html/정규화 행정동 차량.html')4. 건축물 표제부 데이터
- 주택 형태 현황 : 주소지를 위경도로 변환하여 행정동 매핑을 하였다. 그리고 pydeck을 이용해 단독주택과 공동주택을 시각화하였다.
- 단독주택
mm_scaler = scaler.fit(df[['단독주택수']])
df['정규화단독주택수'] = mm_scaler.transform(df[['단독주택수']])
layer = pdk.Layer(
'PolygonLayer',
df,
get_polygon='coordinates',
get_fill_color='[0, 255*정규화단독주택수, 0]',
pickable=True,
auto_highlight=True
)
center =[129.305261,35.571258]
view_state = pdk.ViewState(
longitude=center[0],
latitude=center[1],
zoom=12)
r = pdk.Deck(layers=[layer],
mapbox_key=MAPBOX_API_KEY,
initial_view_state=view_state)
r.to_html('html/정규화 행정동 주택형태(단독).html')- 공동주택
mm_scaler = scaler.fit(df[['공동주택수']])
df['정규화공동주택수'] = mm_scaler.transform(df[['공동주택수']])
layer = pdk.Layer(
'PolygonLayer',
df,
get_polygon='coordinates',
get_fill_color='[0, 255*정규화공동주택수, 0]',
pickable=True,
auto_highlight=True
)
center =[129.305261,35.571258]
view_state = pdk.ViewState(
longitude=center[0],
latitude=center[1],
zoom=12)
r = pdk.Deck(layers=[layer],
mapbox_key=MAPBOX_API_KEY,
initial_view_state=view_state)
r.to_html('html/정규화 행정동 주택형태(공동).html')5. 건축물인허가 주차장 데이터
- 주차면 수 현황 : 주소지를 위경도로 변환하여 행정동 매핑을 하였고 옥외식주차대수와 옥내식주차대수를 합산해 데이터를 산출하여 pydeck으로 시각화하였다.
mm_scaler = scaler.fit(df[['총주차면수']])
df['정규화주차면수'] = mm_scaler.transform(df[['총주차면수']])
layer = pdk.Layer(
'PolygonLayer',
df,
get_polygon='coordinates',
get_fill_color='[0, 255*정규화주차면수, 0]',
pickable=True,
auto_highlight=True
)
center =[129.305261,35.571258]
view_state = pdk.ViewState(
longitude=center[0],
latitude=center[1],
zoom=12)
r = pdk.Deck(layers=[layer],
mapbox_key=MAPBOX_API_KEY,
initial_view_state=view_state)
r.to_html('html/정규화 행정동 주차면수.html')6. 주차장 확보율
- 행정동별 차량 데이터와 건축물인허가 주차장 데이터를 이용해 주차장 확보율 현황을 구하였다.
- 주차장 확보율(%) = (총 주차면수/차량수)*100
df['주차장확보율'] = (df['총주차면수'] / df['차량수']) * 100mm_scaler = scaler.fit(df[['주차장확보율']])
df['정규화주차장확보율'] = mm_scaler.transform(df[['주차장확보율']])
layer = pdk.Layer(
'PolygonLayer',
df,
get_polygon='coordinates',
get_fill_color='[0, 255*정규화주차장확보율, 0]',
pickable=True,
auto_highlight=True
)
center =[129.305261,35.571258]
view_state = pdk.ViewState(
longitude=center[0],
latitude=center[1],
zoom=12)
r = pdk.Deck(layers=[layer],
mapbox_key=MAPBOX_API_KEY,
initial_view_state=view_state)
r.to_html('html/정규화 행정동 주차장확보율.html')728x90
반응형