머신러닝을 활용한 특수학교 최적입지 선정

2022년 deep daiv 봄기수에 했던 팀프로젝트를 간단하게 회고하고자 한다.
많관부✌️✌️


우리 팀은 "머신러닝을 활용한 특수학교 최적입지 선정"을 주제로 잡았다.
이 프로젝트를 시작할 때 장애인에 대한 이슈가 많아서
자연스럽게 장애인 관련해서 주제를 잡았던 거 같다.

지역은 서울을 대상으로 하기로 했고
먼저 구를 선정한 다음에 동을 선정하기로 했다.

우리 프로젝트의 프로세스를 말하자면..
1. 평가지표 설정(의료지수, 문화지수 등등)
2.구에 따른 평가지표 scaling(이때 scaler는 MinMaxScale적용)
3.평가지표에 사용된 각 요소에 따른 가중치 설정한 다음 최종 지수 설정
4.군집화 및 최적의 구 도출
5. 결론

1. 평가지표 설정
평가 지표로는 총 7가지를 임의로 설정했다.
각 지수를 만든 과정은 아래와 같다.
의료지수: 우선 각 구마다 병원 개수(정신병원, 종합병원) 현황 데이터 이용
교통지수: 버스정류장 및 지하철역 개수, 그리고 주차공간 현황 데이터 이용
문화/체육지수: 도서관, 공공체육관, 문화복지시설,공원 현황 데이터 이용
유해성지수:유흥주점 개수 이용
공시지가: 공시지가 데이터 이용
장애인수:장애인 수 데이터 이용
복지지수: 사회복지시설 및 치안시설(경찰서, 파출소) 현황 데이터 이용


2.Scaling
위와 같이 각 지표를 설정하고 나니 숫자가 너무 큰 것을 확인
따라서 MinMaxScaler를 이용하여 각 지수에 1~10까지 Scaling을 진행


3.가중치 설정
스케일링을 한 다음에 각 지수에 사용된 데이터마다 다른 가중치를 설정
이때 가중치는 임의로 설정함
문화/체육지수로 예를 들자면,
도서관에는 가중치 0.1로 설정했고, 공공체육시설에는 가중치 0.1
문화복지시설에는 가중치 0.5를, 공원 데이터에는 가중치 0.3을 사용하여
각 데이터에 가중치를 곱한 값을 다 더해서 최종 문화/복지 지수를 생성

 

다른 지수들도 위와 같이 가중치를 설정
단, 유흥지수만 다르게 진행 > 점수가 높을수록 최적의 구로 설정한 것을 고려하여
유흥지수는 스케일링을 한뒤 역수를 취한 다음 가중치를 설정


4.군집화 및 최종 점수 도출
1~3번 과정을 통해 최종 데이터를 생성
평가 지수를 종합한 최종 점수를 도출하기 위해 군집화를 진행

총 4개의 그룹으로 군집화를 진행하였고
군집화를 한 다음에 각 지수마다 가중치를 설정하여 최종점수를 도출

최종점수는 아래와 같다.

아래는 태블로로 시각화 한 결과이다.

군집0이 가장 좋은 점수가 나왔고
실제로, 9개의 자치구 중 동대문구를 제외한 나머지 자치구에는 특수학교가 존재
더불어 최종점수에서 2등을 차지한 군집3에서도
영등포구를 제외한 나머지 자치구에는 특수학교가 존재한다는 것을 확인
따라서 우리는 영등포구와 동대문구를 최적의 구로 설정

5.결론
특수학교 설립 조건 중 하나인 경사도 4.8를 넘어서는 안된다는 점을 반영하기 위해
영등포구와 동대문구에 대해서 GIS분석 진행
+
각 동마다의 장애인수를 고려하여 최적의 동을 도출함

왼쪽은 동대문구의 등고선을 나타내는 사진이고, 오른쪽은 동대문구 동별 장애인수를 시각화한 결과이다.(진할수록 장애인이 많은 것을 의미)

분석을 통해 선정한 동대문구 내의 최적 입지는 ‘장안동’이었고
영등포구 내의 최적입지는 대림동으로 나왔다.

7. 프로젝트를 진행하면서 느꼈던 아쉬운 점
a)근거 부족
> 여러가지 사항으로 고려해서
가중치를 부여했지만
결론적으로는 정확한 지표를 근거로 하지않고
가중치를 설정

b) 데이터의 한계
> 특수교육 대상장에 해당하는 저연령층 장애인이 아닌
전연령층 장애인 데이터를 가지고 프로젝트를 진행