---

👤 핵심 프로젝트 팀 (Team & Role)

이름	역할
최준영	🧑‍💻 팀원
곽태린	🧑‍💻 팀원

📁 최준영 팀원 담당 업무

• cost_increase_Model2.ipynb
• cost_of_Free_Ride_Loss.ipynb
• free_Ride_Ratio.ipynb
• front_Explamation.ipynb
• design_Improvement.ipynb
• Income_Age_Segmentation_Analysis.ipynb
• Elderly_Policy_Mitigation_Analysis.ipynb
• 깃허브 정리

📁 곽태린 팀원 담당 업무

• 2023~2025 무임승차 인원 변화.py
• 나이 상향 시뮬레이션.py
• 노인이 지하철을 이용하는 이유1.py
• 노인이 지하철을 이용하는 이유2.py
• 부분유임시 수입계산.py
• PPT 작성

---

📅 프로젝트 개요 및 일정 (Overview)

카테고리	내용
주요 목적	노인 무임승차로 인한 도시철도 재정 문제를 분석하고 교통비 인상을 완화할 실증적 방안 모색
프로젝트 기간	11/19(수) ~ 11/28(금) (총 8일)
발표 및 제출	11.28(금) 18:00 발표 (GitHub Repo & PPT 제출)

---

🚨 문제 정의 및 핵심 성과 하이라이트 (Key Achievements)

📈 모델 성과 및 정책 제언

• 모델 신뢰도 (R²): 91.21% 달성 (매우 우수)
• 평균 예측 오차 (MAE): 25.00원 (실질적인 인상 예측 능력 확보)
• 완화 전략 제시: 예측 결과 기반의 최적 무임승차 연령 상향 시점 및 부분 유임제 등 구체적인 정책 제언 도출.

📉 분석 목표

• 노인 무임승차에 기인한 지하철 적자 심화의 구조적 원인을 정량적으로 분석하여 문제의 시급성 입증.
• 교통비 인상 시나리오를 예측하고, 이를 바탕으로 일반 시민의 부담을 줄일 수 있는 정책적 완화 방안 모색.
• 무임승차 대상별 기여도 분석을 통한 합리적인 재정 지원 방안 모색 기초 자료 제공.

---

🧩 프로젝트 수행 절차 (Methodology Flow)

프로젝트는 경제/정책적 분석과 고도화된 시계열 모델링을 통합하여 노인 복지 비용 문제 해결에 중점을 두었습니다.

Step	🔍 과정	✨ 주요 Output / Focus
1	문제 및 데이터 정의	적자 완화를 위한 요금 인상 요인(재정 적자, CPI 등)과 노인 무임승차 데이터 중심 목표 설정
2	데이터 수집 및 특징 공학	요금 이력, CPI, 재정 적자 대리 변수 통합 / Years_Since_Hike 등 예측 성능 극대화 특징 생성
3	데이터 전처리 및 분석	데이터 정제 / 노인 무임승차 대상별 기여도 상세 분석 (노인 85%의 재정 손실 기여 명확화)
4	모델링 및 검증	Scikit-learn, Prophet 활용 시계열 회귀 모델 구축 / R² 0.9121 신뢰도 확보
5	시나리오 예측 및 제언	2026년~2035년 미래 요금 인상 시나리오 제시 / 무임승차 비용 해소를 위한 구체적인 정책 완화 전략 보고서 제출

---

🛠️ 기술 스택 (Technical Stack)

💻 데이터 분석 및 모델링 환경

       

🧠 머신러닝 및 시계열 예측 모델

     

💾 버전 관리 (VCS)

 

---

---

⬇️ 프로젝트 발표 자료

프로젝트 수행 결과에 대한 자세한 내용은 아래 프레젠테이션 파일에서 확인하실 수 있습니다.

• 프레젠테이션 파일 다운로드 (프로젝트.pptx)