- 특정 시간대에 도로/대중교통/공간이 얼마나 붐비는지를 예측하거나 실시간으로 파악해 서비스에 반영하는 분석
- 단순히 "사람이 많다/적다"가 아니라 밀도의 추이, 체류 시간, 분포 특성까지 분석
- 프로세스는 데이터 수집 및 저장 → 시계열 데이터 분석 → 공간 데이터 분석 → 밀도 추정 및 패턴 분석 → 실시간 처리 및 서비스 적용 순으로 이어짐
데이터 수집 및 저장 : 시간적 데이터(승하차 기록, 방문 시간, 체크인), 공간적 데이터(GPS 좌표, 센서, CCTV 인원 카운팅), 비정형 데이터(리뷰, SNS, 포털 검색 트렌드)를 수집. PostgreSQL/PostGIS로 공간 데이터 저장, Redis로 빠른 조회, Kafka로 실시간 스트리밍 처리
시계열 데이터 분석 : Pandas로 시간 단위 집계. scikit-learn 이상 탐지로 비정상 혼잡 자동 감지. 커널 밀도 추정(KDE)으로 연속적인 혼잡도 곡선 생성. 수치 대신 사이 시간대까지 반영하여 혼잡도 추이 반영
공간 데이터 분석 : GeoPandas로 지리 정보 처리. .within(), .intersects(), .distance() 같은 공간 연산으로 어떤 지점이 어느 구역에 속하는지, 두 지점 간 거리가 얼마인지 계산. PostGIS의 ST_Contains(), ST_Distance() 등도 활용. Shapely(기하학적 연산), Fiona(공간 파일 읽기/저장), Pyproj(좌표계 변환)와 연동
밀도 추정 및 패턴 분석 : KDE로 시간대별/공간별 밀도 패턴 파악. 머신러닝 모델로 시간대/요일/날씨/지역 이벤트 등 외부 요인을 결합한 다차원 밀도 추정. FAISS로 유사 혼잡 패턴을 가진 장소 검색. Matplotlib/Folium/Plotly로 지도 위에 혼잡도를 색상/크기로 시각화
실시간 처리 및 서비스 적용 : Kafka/Redis Streams로 실시간 데이터 처리 및 이벤트 감지. 경로 추천, 장소 추천, 혼잡 알림, 대안 경로 제안, 시간대별 방문 최적화에 활용