🚓PARK HERE – AI Parking Congestion Predictor

• 도심 지역 주차난은 단순한 불편을 넘어서 상권 매출, 이동 효율, 주민 생활에 직결되는 문제입니다. PARK HERE는 시간·요일·위치·날씨·주변 시설 정보를 기반으로 도착 시점 주차장 혼잡도(여유/보통/혼잡) 를 예측하는 AI 모델입니다.

문제 정의

• 성북구를 비롯해 언덕·좁은 골목·상권·병원·관공서가 혼재한 지역은 구조적으로 주차 수요가 높음

• 설문조사 결과 응답자의 86%가 “목적지 도착 후 주차로 10~20분 지체 경험”

• 상권 방문객은 주차 문제 때문에 소비를 줄이거나 방문을 포기하는 사례 존재

• 행정 대응은 느리고, 기존 예약형 서비스는 “도착 시 이미 점유된 자리” 문제를 해결하지 못함

해결 방식

• AI 예측 모델로 도착 시 혼잡도를 미리 알려 탐색 시간을 줄임

• 규칙 기반 가중치를 결합해 시간대·주말·날씨·시설 특성을 반영 (현실 적합성 강화)

• 즉시성 중심 설계: 예약 없이 현장 결제(NFC) 기반으로 신뢰성과 간편성을 확보

모델 개요

• 알고리즘: XGBoost (GPU 지원), RandomForest (CPU 폴백)

• 타깃 레이블: 혼잡도 3단계 (여유 / 보통 / 혼잡)

• 특징 변수: 시간, 요일/주말 여부, 온도/강수, 지역 코드(areaCd), 주차장 타입(prkType) 등

규칙 보정 예시

• 주말(10~18시): 혼잡도 20% 증가

• OFFICE 출근시간(06~09): 혼잡도 20% 증가

• CULTURE 시설 + 주말(10~18시): 혼잡도 최소 55% 보장

• 비/눈/천둥: 실내 혼잡 ↑, 야외 혼잡 ↓

실행 방법

학습

python train_parking_congestion_predictor.py train \
  --data "./data/*.csv" \
  --model_dir "./parking_model_artifacts"

예측

python train_parking_congestion_predictor.py predict \
  --model_dir "./parking_model_artifacts" \
  --lat 37.4717 --lon 127.0389 \
  --arrival "2025-08-18T12:00" \
  --radius 1.0 --top_k 15 \
  --exact_radius --list_mode --sort_by score

출력 예시:

[예측 시각] 2025-08-18T12:00
[검색 반경] 1.0 km
[후보 수] 12
01. [혼잡] ○○주차장 거리 0.35km | 점수 0.78 (여:0.10/보:0.25/혼:0.65)
02. [보통] △△공영주차장 거리 0.52km | 점수 0.61 (여:0.22/보:0.55/혼:0.23)

성능

• 학습 단계에서 정확도(Accuracy), F1-score(weighted) 자동 출력

  예: Accuracy 0.83 / F1-score 0.81

주의사항

• API Key (GOOGLE_API_KEY, OWM_API_KEY)는 환경변수로만 관리합니다.

• 학습용 CSV 원본 데이터는 공개 저장소에 올리지 않습니다.

• 모델 아티팩트(joblib/json/csv)는 외부 스토리지에 보관하고 필요 시 링크로만 제공하세요.

모델 카드

• 목적: 주차 혼잡도 예측을 통해 탐색 시간 절감, 상권 회전율 향상

• 데이터 출처: 서울시 공공데이터, 자체 수집 로그, 날씨/시설 API

• 한계: 특정 지역/시간대 편중, 기상 API 오차 가능

• 편향/윤리: 개인정보 미수집, 공공 API 약관 준수

• 버전: v0.1.0