Analysis of Departing Passengers' Dwell Time using Clustering Techniques

클러스터링 기법을 활용한 출발 여객 체류 시간 분석

  • An, Deok-bae (School of Air Transport and Logistics, Korea Aerospace University) ;
  • Kim, Hui-yang (School of Air Transport and Logistics, Korea Aerospace University) ;
  • Baik, Ho-jong (School of Air Transport and Logistics, Korea Aerospace University)
  • 안덕배 (한국항공대학교 항공교통물류학부) ;
  • 김휘양 (한국항공대학교 항공교통물류학부) ;
  • 백호종 (한국항공대학교 항공교통물류학부)
  • Received : 2019.10.07
  • Accepted : 2019.10.25
  • Published : 2019.10.31


This paper is concerned with departure passengers' dwell time analysis using real system data. Previous researches emphasize the importance of dwell time analysis from perspective of airport terminal planning and non-aeronautical revenue. However, short-term airport operation using passengers' dwell time is considered impossible due to absence of passengers' behavior data. Recently, in accordance with the wave of smart airport, world leading airports are systematically collecting passenger data. So there is high possibility of analyzing passengers' dwell time with the data stacked in the airport database. We conducted dwell time analysis using data from Incheon Int'l airport. In order to handle passenger data, we adapted clustering algorithm which is one of data mining techniques. As a clustering result, passengers are divided into 3 clusters. One is the cluster for passengers whose dwell time is relatively short and who tend to spend longer time in the airside. Another is the cluster for passengers who have near 3 hours dwell time. The other is the cluster for passengers whose total dwell time is extremely long.

본 연구는 실제 공항에서 수집되는 여객 데이터를 활용하여 공항 내 여객의 체류 시간을 분석한 연구이다. 여객의 체류 시간은 공항 터미널 설계, 공항의 수익성에 영향을 주어 중요한 여객 특성으로 간주되어 왔지만 실제 여객 데이터 수집의 어려움으로 그에 대한 분석이나 실시간 공항 운영에 활용하기가 어려웠다. 하지만 스마트 공항의 일환으로 세계 유수의 공항에서 방대한 양의 여객 데이터를 수집하고 있고, 축적된 데이터를 활용하여 공항 내 여객 체류 시간 분석이 가능해졌다. 본 연구에서는 인천 국제 공항에서 수집된 여객 데이터를 활용하여 여객 체류 시간 분석을 수행하였으며, 방대한 양의 자료를 효율적으로 처리하기 위해 데이터 마이닝 기법인 클러스터링을 활용하여 여객을 체류 시간에 따라 구분하였다. 분석 결과 인천 국제 공항 출발 여객은 체류 시간에 따라 1) 체류 시간이 짧고 대부분의 시간을 에어사이드에서 보내는 여객, 2) 평균 3 시간 정도의 체류 시간을 갖는 여객, 3) 총 체류 시간이 압도적으로 긴 여객 등 크게 3 개의 클러스터로 구분할 수 있는 것으로 나타났다.



  1. Frost & Sullivan, Global airport passenger flow management market, forecast to 2025, Frost & Sullivan, San Antonio: TX, Report ASDR-431586, 2017.
  2. R. de Neuvfille and A. R. Odoni, Airport Systems: Planning, Design and Management, 2nd ed, New York, NY: McGraw Hill Education, pp. 497-611, 2013.
  3. A. Graham, Managing Airports, 4th ed, London: Routledge, pp. 188-219, 2014
  4. E. Torres, J. S. Dominguez, L. Valdes, and R. Aza, "Passenger waiting time in an airport and expenditure carried out in the commercial area," Journal of Air Transport Management, Vol. 11, Issues 6, pp. 363-367, Nov. 2005.
  5. Z. Huang, "Extensions to the k-means algorithm for clustering large data sets with categorical values," Data Ming and Knowledge Discovery, Vol. 2, Issues 3, pp. 283-304, Sept. 1998.
  6. S. Raschka, Python Machine Learning, 1th ed, Birmingham: Packt Publishing Ltd., 2015
  7. D. Arthur and S. Vassilvitskii, "K-means++: the advantages of careful seeding," in Proceeding of the 18th annual ACM-SIAM Symposium on Discrete Algorithms, New Orleans: LA, pp. 1027-1035, Jan. 2007.
  8. S. Theodoridis, A. Pikrakis, K. Koutroumbas and D. Cavouras, Introduction To Pattern Recognition: A Matlab Approach, Cambridge, MA: Academic Press, 2010