시부야 도시전략을
AI로 가볍게 예측해 보는 실험실
MachiLens AI는 시부야의 유동인구, 공실률, 관광, 숙박, K-컬처 지표와 정책 강도를 조합해 도시전략 시나리오를 비교하는 AI 시나리오 예측 데모입니다.
이 프로젝트의 목표는 “미래를 맞혔다”가 아니라, 서로 다른 전략 가정을 한 화면에서 비교할 수 있게 만드는 것입니다. 정성적인 도시 아이디어를 데이터 구조, 모델, 결과 화면으로 끝까지 연결해 본 작업입니다.
인터랙티브 시나리오 데모
전략을 고르고 슬라이더를 움직이면 성공 가능성, 유동인구 변화, 공실률 변화, 리스크 점수가 함께 바뀝니다. Python을 실행하지 않아도 브라우저에서 프로젝트의 구조를 바로 확인할 수 있도록 만든 정적 HTML 데모입니다.
실제 저장소에는 PyTorch 기반 학습 코드, 합성 데이터 생성기, baseline 비교, Streamlit 앱 구성이 포함되어 있습니다.
Scenario B
화면의 값은 포트폴리오 데모용입니다. 실제 도시 예측이나 정책 판단으로 해석하지 마세요.
어떻게 만들었나
처음 아이디어는 도시전략 보고서에 가까웠습니다. 이번에는 그 내용을 코드로 옮겨서, 시나리오를 선택하고 결과를 바로 확인할 수 있는 작은 예측 데모로 다시 구성했습니다.
유동인구, 공실률, 관광, 숙박, K-컬처 지표를 0~1 범위의 시계열 값으로 만들고, 전략 A/B/C와 정책 강도를 별도 입력값으로 구성했습니다.
PyTorch 기반 BiLSTM + Attention 모델이 도시 흐름을 읽고, MLP가 정책 변수와 결합해 시나리오별 결과를 계산합니다.
예측값을 표와 슬라이더로 보여주어, Python을 실행하지 않아도 프로젝트의 구조와 한계를 브라우저에서 확인할 수 있게 했습니다.
시나리오별 예시 출력
아래 값은 합성 데이터 기반 데모 결과를 사람이 읽기 쉽게 정리한 예시입니다.
| 시나리오 | 성공 가능성 | 유동인구 | 공실률 | 리스크 |
|---|---|---|---|---|
| A 최소 개입 | 44.5% | +5.8% | -0.8%p | 낮음 |
| B K-컬처+야간경제 | 71.3% | +10.7% | -1.1%p | 중간 |
| C 커뮤니티 중심 | 59.4% | +9.1% | -1.6%p | 낮음~중간 |
왜 다시 만들었나
이 아이디어는 원래 대학 수업에서 시부야 도시공간 재편을 다루며 떠올렸던 기획이었습니다. 당시에는 보고서와 계획 단계에서 멈췄고, 실제로 만져볼 수 있는 서비스 형태까지 만들지는 못했습니다.
이번 버전은 그때의 기획을 다시 꺼내 데이터 생성, 모델 학습, HTML 데모까지 연결해 본 리빌드입니다. 완벽한 예측기를 주장하기보다, 예전에 구현하지 못했던 아이디어를 작동하는 프로토타입으로 정리하는 데 초점을 뒀습니다.
데이터와 저작권 처리는 이렇게 했습니다
공개 패키지에는 저작권이나 개인정보 이슈가 생길 수 있는 원자료를 넣지 않았습니다. 대신 코드로 생성한 합성 샘플을 사용해 모델 구조와 데모 흐름만 보여줍니다.
유동인구, 관광, 공실률, K-컬처 지표 등은 실제 데이터를 복사한 것이 아니라 모델 실험용으로 생성한 샘플입니다.
HTML은 외부 CDN, 지도 이미지, 제3자 로고, 유료 리포트 표를 불러오지 않는 단독 파일입니다.
결과는 전략 비교 방식을 보여주기 위한 예시이며, 실제 시부야의 정책 효과나 상권 전망을 보증하지 않습니다.
AI, 머신러닝, 딥러닝을 어떻게 썼나
이 프로젝트에서 AI라는 말은 막연한 홍보 문구가 아니라, 도시전략 가정을 입력값으로 만들고 모델이 비교 가능한 예측값을 내도록 구성한 전체 흐름을 뜻합니다. 아래처럼 역할을 나눠 보면 조금 더 명확합니다.
시나리오 A/B/C와 정책 강도 값을 넣으면 성공 가능성, 유동인구 변화, 공실률 변화가 함께 계산됩니다. 사람이 감으로만 비교하던 도시전략을 숫자와 설명으로 정리하는 부분이 AI 활용 목적입니다.
합성 도시 시계열과 정책 벡터를 학습 데이터로 두고, 어떤 조합이 어떤 결과 경향을 만드는지 모델이 학습합니다. 단순히 고정 공식을 적은 것이 아니라, 데이터 샘플을 통해 예측 함수를 맞추는 구조입니다.
유동인구, 공실률, 관광, 숙박, K-컬처 지표처럼 시간에 따라 변하는 값을 BiLSTM이 읽고, Attention이 중요한 시점을 더 보게 합니다. 그 다음 MLP가 정책 벡터와 결합해 classification과 regression 결과를 동시에 냅니다.
정리하면, AI는 프로젝트의 문제 해결 방식, 머신러닝은 학습 방식, 딥러닝은 그 안에서 사용한 모델 구조입니다.