텍스트 마이닝을 활용한 지역 특성 기반 도시재생 유형 추천 시스템 제안

김익준; 이준호; 김효민; 강주영

추천

검색

질문

자료유형: 학술저널

저자정보: 김익준 이준호 (아주대학교) 김효민 강주영 (아주대학교)

저널정보: 한국지능정보시스템학회 지능정보연구 지능정보연구 제26권 제3호

발행연도: 2020.9

수록면: 149 - 169 (21page)

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

이 논문의 연구 히스토리 (2)

2020

텍스트 마이닝을 활용한 지역 특성 기반 도시재생 유형 추천 시스템 제안

김익준 , 이준호 , 김효민 외 1명 지능정보연구 2020.09 학술저널

2019

지속 텍스트 마이닝과 머신러닝 모델을 활용한 도시재생 유형에 따른 신규 도시재생 예정 지역 추천 시스템 제안

김익준 , 이준호 , 김효민 외 1명 한국지능정보시스템학회 학술대회논문집 2019.06 학술대회자료

이 논문의 후속연구가 궁금하신가요?
연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
이 논문의 연구 히스토리 확인하기

초록· 키워드

오류제보하기

현 정부의 주요 국책사업 중 하나인 도시재생 뉴딜사업은 매년 100 곳씩, 5년간 500곳을대상으로 50조를 투자하여 낙후된 지역을 개발하는 것으로 언론과 지자체의 높은 이목이 집중되고 있다. 그러나, 현재 이 사업모델은 면적 규모에 따라 “우리동네 살리기, 주거정비지원형, 일반근린형, 중심시가지형, 경제기반형” 등 다섯 가지로 나뉘어 추진되어 그 지역 본래의 특성을 반영하지 못하고 있다. 국내 도시재생 성공 키워드는 “주민 참여”, “지역특화” “부처협업”, “민관협력”이다. 성공 키워드에 따르면 지자체에서 정부에게 도시재생 사업을 제안할 때 지역주민, 민간기업의 도움과 함께 도시의 특성을 정확히 이해하고 도시의 특성에 어울리는 방향으로 사업을 추진하는 것이 가장 중요하다는 것을 알 수 있다. 또한 도시재생 사업 후 발생하는 부작용 중 하나인 젠트리피케이션 문제를 고려하면 그 지역 특성에 맞는 도시재생 유형을 선정하여 추진하는 것이 중요하다.
이에 본 연구는 ‘도시재생 뉴딜 사업’ 방법론의 한계점을 보완하기 위해, 기존 서울시가 지역 특성에 기반하여 추진하고 있는 “2025 서울시 도시재생 전략계획”의 도시재생 유형을 참고하여 도시재생 사업지에 맞는 도시재생 유형을 추천하는 시스템을 머신러닝 알고리즘을 활용하여 제안하고자 한다. 서울시 도시재생 유형은 “저이용저개발, 쇠퇴낙후, 노후주거, 역사문화자원 특화” 네 가지로 분류된다 (Shon and Park, 2017). 지역 특성을 파악하기 위해 총 4가지 도시재생 유형에 대해 사업이 진행된 22개의 지역에 대한 뉴스 미디어 10만여건의 텍스트 데이터를 수집하였다. 수집된 텍스트를 이용하여 도시재생 유형에 따른 지역별 주요 키워드를 도출하고 토픽모델링을 수행하여 유형별 차이가 있는 지 탐색해 보았다. 다음 단계로 주어진 텍스트를 기반으로 도시재생 유형을 추천하는 추천시스템 구축을 위해 텍스트 데이터를 벡터로 변환하여 머신러닝 분류모델을 개발하였고, 이를 검증한 결과 97% 정확도를 보였다. 따라서 본 연구에서 제안하는 추천 시스템은 도시재생 사업을 진행하는 과정에서 신규 사업지의 지역 특성에 기반한 도시재생 유형을 추천할 수 있을 것으로 기대된다.

"The Urban Renewal New Deal project”, one of the government"s major national projects, is about developing underdeveloped areas by investing 50 trillion won in 100 locations on the first year and 500 over the next four years. This project is drawing keen attention from the media and local governments. However, the project model which fails to reflect the original characteristics of the area as it divides project area into five categories: "Our Neighborhood Restoration, Housing Maintenance Support Type, General Neighborhood Type, Central Urban Type, and Economic Base Type," According to keywords for successful urban regeneration in Korea, "resident participation," "regional specialization," "ministerial cooperation" and "public-private cooperation”, when local governments propose urban regeneration projects to the government, they can see that it is most important to accurately understand the characteristics of the city and push ahead with the projects in a way that suits the characteristics of the city with the help of local residents and private companies. In addition, considering the gentrification problem, which is one of the side effects of urban regeneration projects, it is important to select and implement urban regeneration types suitable for the characteristics of the area.
In order to supplement the limitations of the "Urban Regeneration New Deal Project" methodology, this study aims to propose a system that recommends urban regeneration types suitable for urban regeneration sites by utilizing various machine learning algorithms, referring to the urban regeneration types of the "2025 Seoul Metropolitan Government Urban Regeneration Strategy Plan" promoted based on regional characteristics. There are four types of urban regeneration in Seoul: "Low-use Low-Level Development, Abandonment, Deteriorated Housing, and Specialization of Historical and Cultural Resources" (Shon and Park, 2017).
In order to identify regional characteristics, approximately 100,000 text data were collected for 22 regions where the project was carried out for a total of four types of urban regeneration. Using the collected data, we drew key keywords for each region according to the type of urban regeneration and conducted topic modeling to explore whether there were differences between types. As a result, it was confirmed that a number of topics related to real estate and economy appeared in old residential areas, and in the case of declining and underdeveloped areas, topics reflecting the characteristics of areas where industrial activities were active in the past appeared. In the case of the historical and cultural resource area, since it is an area that contains traces of the past, many keywords related to the government appeared. Therefore, it was possible to confirm political topics and cultural topics resulting from various events. Finally, in the case of low-use and under-developed areas, many topics on real estate and accessibility are emerging, so accessibility is good. It mainly had the characteristics of a region where development is planned or is likely to be developed.
Furthermore, a model was implemented that proposes urban regeneration types tailored to regional characteristics for regions other than Seoul. Machine learning technology was used to implement the model, and training data and test data were randomly extracted at an 8:2 ratio and used. In order to compare the performance between various models, the input variables are set in two ways: Count Vector and TF-IDF Vector, and as Classifier, there are 5 types of SVM (Support Vector Machine), Decision Tree, Random Forest, Logistic Regression, and Gradient Boosting. By applying it, performance comparison for a total of 10 models was conducted. The model with the highest performance was the Gradient Boosting method using TF-IDF Vector input data, and the accuracy was 97%. Therefore, the recommendation system proposed in this study is expected to recommend urban regeneration types based on the regional characteristics of new business sites in the process of carrying out urban regeneration projects."

#도시재생 #텍스트 마이닝 #토픽모델링 #머신러닝 분류 알고리즘 #도시재생 유형 분류 #Urban Regeneration #Text Mining #Topic Modeling #Classification #Machine Learning

참고문헌 (28)

참고문헌 신청

Aizawa, A., An Information-Theoretic Perspective of Tf?Idf Measures, Information Processing & Management, Vol. 39, No. 1, 2003, 45-65.

Bae, M.-K. and Park, S.-H., Classification and Analysis of the Project Contents and Expected Effects of Urban Regeneration Pilot Projects, JOURNAL OF THE KOREA CONTENTS ASSOCIATION, Vol. 18, No. 10, 2018, 527-544.

Blei, D. M., Ng, A. Y. and Jordan, M. I., Latent Dirichlet Allocation, Journal of machine Learning research, Vol. 3, No. Jan, 2003, 993-1022.

Caruana, R. and Niculescu-Mizil, A., An Empirical Comparison of Supervised Learning Algorithms, Proceedings of Proceedings of the 23rd international conference on Machine learning, 2006.

Choi, J.-W. and Lee, J.-H., An Impact Analysis of Idle Space Regeneration Types on Regional Revitalization, Journal of the Korea Academia- Industrial cooperation Society, Vol. 17, No. 5, 2016, 478-489.

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

김익준

소속기관 아주대학교

주요연구분야 공학 > 산업공학 공학 > 전기전자공학 > 정보통신공학

논문수 4 이용수 1,373

Junho Lee

소속기관 Brain Ventures

주요연구분야 공학 > 산업공학 공학 > 전기전자공학 > 정보통신공학

논문수 5 이용수 1,307

김효민

소속기관 광운대학교

주요연구분야 공학 > 산업공학 공학 > 전기전자공학 > 정보통신공학

논문수 11 이용수 1,913

강주영

소속기관 아주대학교

주요연구분야 공학 > 전기전자공학 > 정보통신공학 TOP 5% 공학 > 컴퓨터학 TOP 5%

논문수 72 이용수 22,157

이 논문과 함께 이용한 논문

인천시 도시재생 뉴딜사업의 문제점과 개선방안 연구

황윤식 , 김성규 , 김경배 도시연구 2019 .12

박세은 , 윤재희 , 최세영 외 2명 디지털콘텐츠학회논문지 2020 .12

인구소멸 위기의 농촌, 지속가능한 대안을 찾아서 (함양군 지역맞춤형 농촌재생 시범사업 추진)

정승태 도시정보 2020 .11

SNS 감성분석을 통한 맞춤형 노래 추천 인공지능 스피커

박재현 , 오주연 , 민경은 외 2명 한국지능정보시스템학회 학술대회논문집 2019 .06

IoT 기반 스마트시티 적용 기술 동향 및 소개

이인환 , 박동환 , 손영성 외 2명 정보과학회지 2018 .07

최근 본 자료

전체보기

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

이 논문의 연구 히스토리 (2)

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (28)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)