아마도 국내에서 공공 데이터 활용 분야에서 가장 노력 많이하고 성과를 내고 있는 곳 중에 하나가 서울시청일 것이다. 이미 열린데이터광장을 통해 2-3년 전부터 공공 데이터를 오픈API 형태로 개방하고 있고, 최근에는 서울시 현안 문제를 빅데이터로 해결하려는 시도를 민간기업과 협력하여 수행하고 있다. 그 중에 가시적인 성과를 내고 있는 것이 단연 심야버스 노선 최적화에 빅데이터를 활용한 사례라고 할 수 있다. 심야에 대중교통이 끊어진 상태에서 택시를 잡기위해 고군분투를 해 본 사람이면, 자정부터 새벽 5시까지 운행하는 심야버스에 기대를 걸어봄직하다. 하지만 문제는 내가 승차하고자 하는 곳에 심야버스가 정차하느냐이다. 즉, 좋은 의도에서 시작했지만, 실제 시민들의 활용도가 높지 않다면 무용지물이 되는 것이다.

이것을 결정하는 것이 심야버스 노선 최적화 문제다. 4월19일부터 3개월동안 2개 노선이 시범적으로 운영되고 있고, 이후 6개 노선으로 확대할 계획이다. 자, 여기서 그럼 노선을 어떻게 정할 것이냐는 과제가 있는데, 이는 결국 밤시간대 유동인구가 많은 구간을 묶어서 노선을 만드는 문제로 귀결된다. 그럼 유동인구가 많은 구간을 어떻게 정할 것인가? 큰 고민없이 전형적인 방법으로 접근한다면, 아마도 버스 노선을 담당하는 전문가들의 직관이나 예전 버스 운행 데이터를 기반으로 할 가능성이 높다. 이 방법이 정말 정확할까? 여기서 우리는 빅데이터를 활용할 수 있는 접점을 찾을 수 있다. 지역별 유동인구를 파악할 수 있는 데이터가 무엇일까를 고민해 보는 것이다. 신용카드 결제 데이터, 휴대전화 통화 이력 데이터, 택시 스마트카드 데이터 등 좀 생각해 보면 직감에 의해서가 아닌 데이터에 의한 정량적 유동인구 분포도를 그려낼 수 있는 가능성을 찾을 수 있다.

사실 이 정도의 활용 아이디어는 아이디어도 아니다. 누구나 생각할 수 있는 정도지만, 정작 중요한 것은 실제 그대로 실행해 보기는 정말 쉽지 않다는 사실이다. 이를 위해 서울시는 KT와 MOU를 맺고, 휴대전화 이력 데이터에서 유동인구 통계 정보를 얻을 수 있는 채널을 마련한다. KT 역시 휴대전화 이력 데이터라는 매우 가치있지만 프라이버시 이슈 때문에 잘 활용되고 있지 못하는 데이터를 공익차원에서 분석하고, 통계정보(프라이버시를 침해하지 않는 수준)를 제공함으로써 데이터 활용 가치를 높일 수 있는 계기가 된 것이다. 결국 이런 공공과 기업의 니즈를 잘 파악하고 함께 참여할 수 있는 그림을 그리고 실행한 것이 성공의 핵심이 아니었을까 싶다.

간단하게 요약하자면 아래와 같다.

1. 유동인구 밀집도 분석: 일단 서울시를 1km 반경의 1,250개 헥사셀 단위로 구분한다. 그리고 한달치 KT 휴대전화 이력 데이터로 심야시간(0시~5시) 통화량 분석을 해서 구역별 유동인구 밀집도를 분석하고 이를 헥사셀 단위로 시각화한다.

2. 유동인구 기반 노선 최적화: 기존 노선의 시간/요일별 패턴을 분석하고, 노선 부근의 유동인구 통계로 가중치를 계산하여, 노선을 최적화한다.

3. 유동인구 기반 배차간격 조정: 정류장 단위로 통행량을 추정하고, 통행량을 선의 굵기로 표현하여 헥사셀로 구분된 맵에 시각화함으로써 최종적으로 요일별 배차 간격 조정을 결정한다.