빅데이터 분석 업무를 하다 보면, "시공간 데이터"라는 말을 자주 보게 됩니다.

처음 들으면 어렵게 느껴지지만, 사실 우리 주변의 많은 데이터가 이미 시공간 데이터에 해당됩니다.

 

예를 들어 보면,

어느 지역에서 교통 체증이 자주 발생하는가?

어느 시간대에 택시 수요가 몰리는가?

산불이나 재난은 어디에서, 언제 확산되는가?

감염병은 어떤 지역에서 어떤 속도로 퍼지는가?

매장 방문자는 어느 지역에서 많이 오고, 언제 몰리는가?

즉, 시공간 데이터 탐색은 데이터를 단순히 숫자로만 보는 것이 아니라,

"어디에서 발생했는가?"와 "언제 발생했는가?"를 함께 보는 분석입니다.

 

공간 데이터가 "위치"를 다룬다면, 시간 데이터는 "변화"를 다루게 됩니다.

시공간 데이터는 이 둘을 합쳐서 위치에 따른 시간 변화 패턴을 찾는 데이터입니다.

시공간 데이터는 일반적으로 시간 속성과 공간 속성을 함께 가진 데이터로 설명됩니다.

 

시공간 데이터 탐색이 중요한 이유는 무엇일까요 ?

일반적인 데이터 분석은 평균, 합계, 비율 같은 숫자를 중심으로 봅니다.

하지만, 현실의 문제는 대부분 장소와 시간을 함께 보아야 제대로 이해할 수 있습니다.

예를 들어 "교통량이 많다"는 말만으로는 부족합니다.

어디에서 교통량이 많은가 ?

평일과 주말 중 언제 더 심한가 ?

출근 시간과 퇴근 시간 중 어느 쪽이 문제인가 ?

특정 행사나 날씨가 영향을 주는가 ?

이렇게 보면 단순한 교통량 데이터가 정책 결정, 교통 신호 조정, 버스 노선 개선, 사고 예방으로 연결될 수 있습니다.

데이터 분석관점에서 데이터 탐색, 시각화, 군집 분석, 이상치 탐색, 예측 분석과 연결해서 이해해야 합니다.

 

가장 이해하기 쉬운 시공간 데이터 사례는 교통 데이터입니다.

서울시 교통정보 시스템인 TOPIS는 교통 관련 정보를 실시간으로 관리하고 제공하는 시스템입니다. 서울 TOPIS의 도시고속도로 교통관리 시스템은 검지기에서 수집돈 데이터를 처리해 실시간 교통 정보를 생성하는 구조를 갖고 있습니다.

여기에서 분석할 수 있는 데이터는 다음과 같습니다.

① 공간 정보 - 도로 구간, 교차로, 버스 정류장 위치

② 시간 정보 - 오전 8시, 오후 6시, 평일, 주말

③ 측정값 - 통행속도, 교통량, 정체 시간

④ 추가변수 - 사고 여부, 공사 여부, 날씨, 행사

이러한 데이터를 지도 위에 표시하면 특정 구간이 계속해서 빨갛게 나타날 수 있습니다. 그런데, 시간까지 함께 보면 더 많은 것을 알 수 있습니다.

예를들어

강남역 주변은 평일 퇴근 시간에 혼잡하다.

여의도는 출근 시간과 점심 시간에 유동인구가 증가한다.

잠실 주변은 야구 경기나 콘서트가 있는 날 교통량이 급증한다.

비 오는 날에는 특정 도로의 평균 속도가 더 낮아진다.

이런 식으로 분석하면 단순한 "교통 체증"이 아니라, 언제, 어디에서, 왜 체증이 반복되는지를 알 수 있습니다.

 

또, 다른 사례로는 감염병 데이터의 확산 경로 파악이 있을 수 있습니다.

보건의료 데이터 분야에서도 시공간 데이터 분석은 매우 중요합니다.

감염병은 시간에 따라 확산되고, 지역에 따라 발생 양상이 다릅니다.

국내 공중보건 연구에서도 GIS와 시공간 분석 방법의 활용이 꾸준히 논의되어 왔습니다.

감염병 데이터를 분석한다고 하면 다음 정보가 필요합니다.

① 공간정보 - 시군구, 읍면동 병원위치

② 시간정보 - 확진일, 증상발현일, 입원일

③ 측정값 - 확진자 수, 발생률

④ 추가 변수 - 인구밀도, 이동량, 연령대, 백신접종률

이러한 데이터를 이용하면 다음과 같은 분석이 가능합니다.

특정 지역에서 확진자가 급증하는가 ?

확산이 주변 지역으로 이동하고 있는가 ?

인구밀도가 높은 지역에서 발생률이 높은가 ?

특정 연령대가 많은 지역과 관련이 있는가 ?

이동량 증가 후 며칠 뒤 확진자가 증가하는가 ?

감염병의 경우 추가로 "시차"를 고려해야 합니다. 이동량이 증가했다고 해서, 그날 바로 확진자가 늘어나는것은 아닐수 있기 때문입니다.

따라서, 시공간 데이터 탐색에서는 시간 지연 효과, 즉 lag를 함께 봐야 합니다.

 

이러한 시공간 데이터를 다룰 때, 실무자가 주의해야 할 점은 위치 정확도 문제, 시간 기준 문제, 공간 단위 선택 문제, 개인정보 보호 문제, 해석 오류 문제 등 다양한 사항을 고려해야 합니다.

위치 정확도 문제

- GPS는 항상 정확하지 않을 수 있고, 건물 안, 지하, 고층 빌딩 사이에서는 위치가 부정확할 수 있습니다.

2. 시간 기준 문제

- 데이터마다 시간 기준이 다를수 있는데, 수집시간, 발생시간, 저장시간, 처리시간이 다르면 분석 결과도 달라질 수 있습니다.

3. 공간 단위 선택 문제

- 행정동 단위로 볼지, 격자 단위로 볼지에 따라 결과가 달라질 수 있습니다.

4. 개인정보 보호 문제

- 위치 데이터는 매우 민감한 데이터입니다. 개인의 이동 경로가 드러날 수 있기 때문입니다.

5. 해석 오류 문제

- 지도에 점이 많이 찍힌다고 해서 무조건 중요한 지역은 아닙니다. 인구가 많은 지역은 당영히 데이터가 많을 수 있습니다. 단순한 건수 뿐만 아니라, 인구대비 비율, 면적 대비 밀도, 시간대별 변화율 등을 같이 봐야 합니다.

 

시공간 데이터 탐색에서는 시간데이터, 공간데이터가 있고, 이러한 데이터를 적용하는 부분을 이해해야 합니다.

시간 데이터 : 유효시간, 거래시간, 사용자 정의시간, 스냅샷 데이터

공간 데이터 : 비공간 타입, 래스터 공간 타입, 벡터 공간 타입, 기하학적 타입, 위상적 타입

적용 및 응용 : 지리정보시스템, 위치기반서비스, 차량 위치 추적 서비스

 

결국 시공간 데이터 탐색은

숫자 속에 숨어 있는 장소의 의미와 시간의 흐름을 찾아내는 과정입니다.

데이터가 “무엇이 일어났는가”를 말해준다면,

시공간 데이터는 “언제, 어디서, 왜 반복되는가”를 보여준다.