일반국도의 상시조사 자료는 교통량 조사 장비를 통해 수집되며, 수집된 자료가 누락되거나 불량일 경우 통계자료의 객관성을 유지하기 위해서 보정을 해야 한다. 교통량 결측 자료의 보정을 통계적인 방법으로 접근하여 신뢰성을 높이고자 본 연구에서는 보정 대상 시간과 동일시간의 자료를 적용할 수 있는 자기회귀분석과 보정 대상 지점과 동일 지점의 자료를 적용할 수 있는 계절 시계열 분석을 이용하여 보정하는 방안을 제시하였다. 계절 시계열 분석을 적용하여 결측 자료를 보정한 결과, 결측 기간이 길어질수록 오차가 커지는 것으로 분석되었다. 이것은 단기예측의 경우 실제자료를 이용하여 예측 값을 제시하지만, 장기예측의 경우 예측된 자료를 이용하여 예측값을 제시하기 때문에 신뢰성이 떨어지기 때문이라 판단된다. 자기회귀분석을 적용하여 결측 자료를 보정한 결과, 시계열분석에 비해서 오차가 적은 것으로 분석되었다. 이것은 교통량자료는 과거 패턴보다 현재 시점의 영향을 더 많이 받는 것이기 때문이라 판단된다 하지만 자기회귀분석은 인근에 패턴이 유사한 지점이 있어야 가능하며, 인근에 유사한 지점이 있더라도 그 지점의 자료가 불량일 경우 보정이 불가능하다는 단점이 있다. 이러한 경우에는 과거자료를 이용해서 보정할 수밖에 없으며, 단기 결측의 경우에는 시계열분석을 이용할 수 있다.
일반국도의 상시조사 자료는 교통량 조사 장비를 통해 수집되며, 수집된 자료가 누락되거나 불량일 경우 통계자료의 객관성을 유지하기 위해서 보정을 해야 한다. 교통량 결측 자료의 보정을 통계적인 방법으로 접근하여 신뢰성을 높이고자 본 연구에서는 보정 대상 시간과 동일시간의 자료를 적용할 수 있는 자기회귀분석과 보정 대상 지점과 동일 지점의 자료를 적용할 수 있는 계절 시계열 분석을 이용하여 보정하는 방안을 제시하였다. 계절 시계열 분석을 적용하여 결측 자료를 보정한 결과, 결측 기간이 길어질수록 오차가 커지는 것으로 분석되었다. 이것은 단기예측의 경우 실제자료를 이용하여 예측 값을 제시하지만, 장기예측의 경우 예측된 자료를 이용하여 예측값을 제시하기 때문에 신뢰성이 떨어지기 때문이라 판단된다. 자기회귀분석을 적용하여 결측 자료를 보정한 결과, 시계열분석에 비해서 오차가 적은 것으로 분석되었다. 이것은 교통량자료는 과거 패턴보다 현재 시점의 영향을 더 많이 받는 것이기 때문이라 판단된다 하지만 자기회귀분석은 인근에 패턴이 유사한 지점이 있어야 가능하며, 인근에 유사한 지점이 있더라도 그 지점의 자료가 불량일 경우 보정이 불가능하다는 단점이 있다. 이러한 경우에는 과거자료를 이용해서 보정할 수밖에 없으며, 단기 결측의 경우에는 시계열분석을 이용할 수 있다.
Up to now Permanent traffic volumes have been counted by Automatic Vehicle Classification (AVC) on National Highways. When counted data have missing items or errors, the data must be revised to stay statistically reliable This study was carried out to estimate correct data based on outoregression an...
Up to now Permanent traffic volumes have been counted by Automatic Vehicle Classification (AVC) on National Highways. When counted data have missing items or errors, the data must be revised to stay statistically reliable This study was carried out to estimate correct data based on outoregression and seasonal AutoRegressive Integrated Moving Average (ARIMA). As a result of verification through seasonal ARIMA, the longer the missed period is, the greater the error. Autoregression results in better verification results than seasonal ARIMA. Traffic data is affected by the present state mote than past patterns. However. autoregression can be applied only to the cases where data include similar neighborhood patterns and even in this case. the data cannot be corrected when data are missing due to low qualify or errors Therefore, these data shoo)d be corrected using past patterns and seasonal ARIMA when the missing data occurs in short periods.
Up to now Permanent traffic volumes have been counted by Automatic Vehicle Classification (AVC) on National Highways. When counted data have missing items or errors, the data must be revised to stay statistically reliable This study was carried out to estimate correct data based on outoregression and seasonal AutoRegressive Integrated Moving Average (ARIMA). As a result of verification through seasonal ARIMA, the longer the missed period is, the greater the error. Autoregression results in better verification results than seasonal ARIMA. Traffic data is affected by the present state mote than past patterns. However. autoregression can be applied only to the cases where data include similar neighborhood patterns and even in this case. the data cannot be corrected when data are missing due to low qualify or errors Therefore, these data shoo)d be corrected using past patterns and seasonal ARIMA when the missing data occurs in short periods.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
교통량 보정을 위해 본 연구에서는 시계열 분석과 자기 회귀분석 방법을 제시하였다. 시계열분석은 보정 대상지점과 동일 지점의 과거 자료를 이용해서 보정하는 방법이며, 이 방법으로 추정값을 제시한 결과, 단기 결측에서의 추정은 가능하나 장기결측에서의 추정은 오차가 크게 나타나서 장기결측에는 부적합하다는 결론을 얻었다.
수시조사는 매년 같은 날짜나 같은 요일의 교통량을 조사하는 것이 아니라 365일 중 주말과 공휴일, 휴가철을 제외한 평일 교통량을 연 1회~5회 걸쳐 조사하는 것이므로, 시간대별 패턴이나 일 교통량의 패턴을 찾는 일이란 불가능하다. 따라서 본 연구에서는 수시조사 교통량에 대한 내용은 분석 대상에서 제외하고, 상시 조사 지점의 교통량을 활용하여 결측 자료를 보정하는 방법에 관한 연구를 수행한다.
본 연구에서는 기존 연구방법에서 좋은 예측력을 나타낸시계열 모형과, 실시간 ITS 영상검지기의 결측자료를 보정할 때 이용된 자기회귀분석을 비교분석하여 일반국도 상시조사 자료의 결즉자료를 보정하는 모형을 제시하고자 하였다.
본 연구에서는 통계적인 방법으로 교통량 결측 자료에 대한 보정방법을 제시하여 단순한 자료 보정빙법에서벗어나 보다 더 신뢰성이 높은 자료 보정 방법론을 제시하고자 한다. 이러한 방법은 교통량 자료의 보정에 있어서 좀 더 객관적인 방법을 제시하며, 추정값의 오차를 줄여 교통량 자료의 정확성을 높일 것으로 기대된다.
이는 교통량의 특성상 동일 지점에서는 시간적인 추세에서 일정한 시간적 패턴을 형성함으로써 그 지점의 특성을 살릴 수 있다는 것과, 동일 시간에 결측 교통량이 발생한 지점과 교통특성이 유사한 지점의 교통량 패턴 역시 유사할 것이라는 것에 착안한 것이다. 이러한 점에 근거하여 교통량 결측 자료보정에 시계열분석과 자기회귀분석을 적용하고자 한다.
통계적으로 신뢰성은 부족하다고 할 수 있다. 이를 위해 본 연구에서는 보정 대상 시간과 동일 시간의 자료를 적용하는 방법과 보정 대상 지점과 동일 지점의 자료를 적용하는 방법을 제시하고자 한다. 이는 교통량의 특성상 동일 지점에서는 시간적인 추세에서 일정한 시간적 패턴을 형성함으로써 그 지점의 특성을 살릴 수 있다는 것과, 동일 시간에 결측 교통량이 발생한 지점과 교통특성이 유사한 지점의 교통량 패턴 역시 유사할 것이라는 것에 착안한 것이다.
이에 본 연구에서는 상시조사의 결측 및 불량 자료에 대해서 보정하는 방법에 대해 알아보았다. 보정하기에 앞서 보정 대상 지점의 교통특성을 먼저 파악하고 보정하는 것이 정확한 교통량을 추정호)는 데 효과적이며, 이를 위해서 도로의 기능분류가 우선적으로 필요하다고 판단된다.
이 방법은 보정 대상 시점의 주변 상황이나 날씨 등은 고려하지 못하는 방법이며, 과거 자료만을 이용하여 추정한다는 점에 있어서 한계가 있다고 판단된다. 이에 본 연구에서는 이러한 한계점을 극복하기 위해 보정대상 시점과 동일한 시점의 자료를 이용할 수 있는 자기 회귀분석을 이용하는 방법을 제시하였다.
가설 설정
분석하였다. 본 절에서는 분석 대상 자료의 2005년 10월~12월 교통량을 결측이라고 가정하고, 3장에서 제시한 방법으로 추정 값을 구하여 오차를 검정하였다.
여러 통계분석에서는 일변량 계열에 내재하는 관측값이 통계적으로 독립이라고 가정한다. 하지만 일변량 ARIMA분석에서는 '자료계열에서 시간의 흐름에 따라 얻어진 관측값은 통계적으로 종속이다라고 가정한다.
여러 통계분석에서는 일변량 계열에 내재하는 관측값이 통계적으로 독립이라고 가정한다. 하지만 일변량 ARIMA분석에서는 '자료계열에서 시간의 흐름에 따라 얻어진 관측값은 통계적으로 종속이다라고 가정한다. 즉, 계열 내 관측값 사이에 존재하는 상관관계'라는 통계적 개념을 이용한다.
제안 방법
3장에서 추정한 2004년 시간대별 교통량의 추정 식과는 별개로 본 절에서는 2005년도 1월부터 9월달 자료로 시계열분석을 하고, 분석결과 얻어진 시계열 식으로 10 월~12월의 교통량을 추정하였다.
<그림 12>는 2005년 10월 1일부터 2005년 11월 30일까지의 자료가 결측이라고 가정하고, 2005년 1월 1일부터 2005년 9월 30일까지 자료를 이용하여 교통량추정 식을 구하고, 추정식으로 추정값을 구하여 참값과 비교하여 오차를 비교. 분석한 것이다.
다음은 자기회귀분석으로 일 교통량을 추정할 때 시간대별 교통량과 일 교통량 중 어떤 값을 이용하는 것이 더 좋은가를 두 가지 방법의 오차를 분석하여 알아보았다. 두 집단의 속성 이 같은지를 알아보는 빙법으로 검정이 널리 이용되며, 지점별로유사지점의 시간대별 교통량으로 보정지점의 일 교통량을 구하는 방법과 유사 지점의 일 교통량으로 보정지점의 일 교통량을 구하는 방법을 비교하고자 유사지 점의 시간대별 교통량으로 보정지점의 일 교통량을 구하여 실제 값과 오차를 구한 값과, 유사 지점의 일 교통량으로 보정지점의 일 교통량을 구하여 실제값과 오차를 구한 값이 같은지 다른지를 T검정을 이용하여 비교 분석하였다.
다음은 자기회귀분석으로 일 교통량을 추정할 때 시간대별 교통량과 일 교통량 중 어떤 값을 이용하는 것이 더 좋은가를 두 가지 방법의 오차를 분석하여 알아보았다. 두 집단의 속성 이 같은지를 알아보는 빙법으로 검정이 널리 이용되며, 지점별로유사지점의 시간대별 교통량으로 보정지점의 일 교통량을 구하는 방법과 유사 지점의 일 교통량으로 보정지점의 일 교통량을 구하는 방법을 비교하고자 유사지 점의 시간대별 교통량으로 보정지점의 일 교통량을 구하여 실제 값과 오차를 구한 값과, 유사 지점의 일 교통량으로 보정지점의 일 교통량을 구하여 실제값과 오차를 구한 값이 같은지 다른지를 T검정을 이용하여 비교 분석하였다. 검정에 이용될 가설은 다음과 같다.
5분 교통량 자료로 검지기들 간에 상관분석을 하여 유사검지기를 찾은 결과, 상관성이 높은 검지기는 적은 것으로 나타났다. 따라서 유사 검지기를 선택하기 위하여 특정시점이 아니라 하루의 평균적인 교통 변화패턴이 유사한 인근 검지기를 주중, 토요일, 일요일 별로 선택하여 이 유사 검지기의 정상 자료를 이용한 보정을 제안하였다. 유사 검지기의 정상자료를 이용한 보정으로 자기 회귀분석을 제시하였으며, 독립변수는 유사 검지기의 직전 5주의 주중, 토일별 5분 과거 자료를 이용하였다.
자료가 불량이라고 판단되는 지점에 대해서는 보정을 해야하며, 예측값에 대해서 오차가 클 것이라 판단되는 지점에 대해서는 보정이 불가능하다고 판단을 내려야 한다. 본 연구에서는 자료의 보정을 위해 계절 시계열 모형과 자기 회귀모형을 이용하여 비교 . 분석하였다.
상시조사는 특정 지점에 고정식 조사 장비를 설치하여, 1년 이상의 장기간에 걸쳐 그 특정지점을 통과하는 차량수를 측정하고 기록하는 조사이다. 수시조사는 이동식 조사 장비를 이용하여 지점별로 연 1회~5회 실시하며, 상시조사는 고정식 조사장비를 이용하여 1년 365일 교통량을 모두 측정한다. 모든 조사지점에 고정식 조사 장비를 설치하여 1년 365일 동안 교통량을 조사하는 것이 이상적이나, 예산 등의 문제로 주요 지점에만 고정식 조사 장비로 교통량을 조사하고, 나머지 지점에 대해서는 이동식 조사 장비를 이용하여 수시조사를 시행하고 있다.
3장에서는 2004년의 지점별 . 시간대별 교통량 자료를 이용하여 식을 추정하고, 추정 값을 구하여 오차를 비교 . 분석하였다.
따라서 유사 검지기를 선택하기 위하여 특정시점이 아니라 하루의 평균적인 교통 변화패턴이 유사한 인근 검지기를 주중, 토요일, 일요일 별로 선택하여 이 유사 검지기의 정상 자료를 이용한 보정을 제안하였다. 유사 검지기의 정상자료를 이용한 보정으로 자기 회귀분석을 제시하였으며, 독립변수는 유사 검지기의 직전 5주의 주중, 토일별 5분 과거 자료를 이용하였다. 분석결과 유사 검지기와 결측 검지기의 상관계수가 높을 경우에는 자기회귀분석이 효과적이며, 그렇지 않을경우 직전 5주의 과거자료를 이용하여 주중, 토, 일요일별로 평균으로 보정하는 것이 좋다는 결론을 얻었다.
일변량 분석 모형은 비교적 적용하기가 쉽고 다른 시간대의 특정 교통특성을 적용할 수 있으며, 다변량 분석은 인근에 위치하거나 교통류의 패턴이 유사한 지역의 자료를 결합함으로써 정확성을 기대할 수 있다. 자료의 정확성 비교를 위해서 일변량 분석 방법으로는 과거 자료를 평균한 값과, ARIMA를 이용한 모형을 제시하였으며, 다변량 분석 모형으로는 VARMA(Vector Autoregressive Moving Average) 와 STARIMA(Space Time Autoregressive Integrated Moving AverageX 이용한 모형을 제시하였다. 4개의 모형으로 실제 검지기 자료를 이용하여 상대속도를 예측하였으며, 비교분석 결과 과거 자료를 평균한 값이 가장 나쁜 예측력을 보였다.
대상 데이터
교통량 패턴을 분석하고 예측값을 제시하기 위해, 본연구에서는 교통량 조사 장비를 통해 수집되는 일반국도 상시지점의 시간대별 자료를 이용하였다. 연평균 일 교통량(Annual Average Daily Traffic: AADT)은 차종 분류조사나 투자개선계획 및 도로구조물 설계시에 대단히 중요한 자료이며 시간대별 교통량은 도로의 기하구조 설계에 이용되는 중요한 자료이다〔11〕.
분석하였다. 보정대상 지점은 일반국도 상시조사 지점 중 2004년과 2005년에 교통량자료가 모두 있고, 자기회귀보정이 가능하다고 판단되는 지점을 선택했으며 총 245지점이다.
적용하였다〔14〕. 시계열 모형은 어떤 특정 기간의 순환모형으로 특성화되며, 시계열모형의 적용을 위해서 버지니아 북부의 두 개지점을 대상으로 하였다. 교통량 자료는 15분 자료 이며 계절 주기는 96(1일 기준)으로 분석하였다.
방법을 비교분석한 예가 있다〔3〕. 이 분석에서 이용한 자료는 ITS(Intelligent Transport System) 영상검지기로부터 얻은 자료이며, 5분 단위로 수집된 자료이다. 실시간으로 수집이 되는 1분, 5분 교통량 자료는 변동이 매우 심하여 그 추이를 예측하기에 오차가 아주 크다고 알려져 있다.
추정값이다. 이 지점의 2005년 1월부터 9월까지 시간대별 교통량으로 추정된 시계열 모델은 ARIMA(l.l.O) (1.1, 1)24으로 분석되었다. ARIMA(l, l, 0)(l, l, l) 24의일반적인 추정식은 다음과 같다.
데이터처리
필요하다. 오차항들 사이에 자기상관이 존재하는 것은 Durbin-Watson 통계량(d)를 이용하여 검정할 수 있다. d통계 량을 이용하여 자기회귀 여부를 검정결과 자기 상관이 존재한다면 주어진 자료의 오차항은 시계열모형을 따르는 확률변수로 생각할 수 있고, 이 확률변수를 q(t:시차)라고 한다면 위의 회귀식을
지점별로 자기회귀분석을 이용하여 시간대별 교통량의 추정식을 구하고, 추정식으로부터 산출된 추정값의 오차를 MAPE로 비교한 결과는와 같다.
유사한 지점을 찾아야 한다. 패턴이 유사한 지점을 찾는 방법으로는 회귀분석의 선행 작업으로 자주 이용되는 상관분석을 이용했다. 동일노선 내에 보정대상 지점과 상관계수가 높은 지점이 많을 경우 인근 지점을 선택하였으며, 인근 지점이 모두 선택되면 인근지점 중상관계 수가 더 높은 지점을 우선적으로 선택하였다.
성능/효과
3) 실제로를 보면 추정된 교통량은 실제 교통량과 차이가 있음을 알 수 있다.
자료의 정확성 비교를 위해서 일변량 분석 방법으로는 과거 자료를 평균한 값과, ARIMA를 이용한 모형을 제시하였으며, 다변량 분석 모형으로는 VARMA(Vector Autoregressive Moving Average) 와 STARIMA(Space Time Autoregressive Integrated Moving AverageX 이용한 모형을 제시하였다. 4개의 모형으로 실제 검지기 자료를 이용하여 상대속도를 예측하였으며, 비교분석 결과 과거 자료를 평균한 값이 가장 나쁜 예측력을 보였다. 이는 단기간의 자료로는 교통류를 예측하는 것이 어렵기 때문인것으로 판단된다.
실시간으로 수집이 되는 1분, 5분 교통량 자료는 변동이 매우 심하여 그 추이를 예측하기에 오차가 아주 크다고 알려져 있다. 5분 교통량 자료로 검지기들 간에 상관분석을 하여 유사검지기를 찾은 결과, 상관성이 높은 검지기는 적은 것으로 나타났다. 따라서 유사 검지기를 선택하기 위하여 특정시점이 아니라 하루의 평균적인 교통 변화패턴이 유사한 인근 검지기를 주중, 토요일, 일요일 별로 선택하여 이 유사 검지기의 정상 자료를 이용한 보정을 제안하였다.
자기 회귀분석의 경우 일 교통량을 추정할 때, 패턴이 유사한 지점의 일 교통량으로 추정하는 것보다 시간대별 교통량을 추정하여 일 교통량을 산출하는 것이 오차가 더 적게 나왔으므로 일 교통량 추정에는 패턴이 유사한 지점의 시간대별 교통량을 이용하였다. MAPE 분석결과 시계열 분석보다 자기회귀 분석의 MAPE의 평균이 훨씬 낮음을 알 수 있었다. 또한 시계열 분석의 오차는 결측 기간이 길어질수록 커진다는 것도 알 수 있다.
000으로 귀무가설(%)이 기각되었다. T검정 결과두 방법 간에는 차이가 있는 것으로 분석되었으며, 유사 지점의 시간대별 교통량으로 보정 지점의 일 교통량을 추정하였을 때의 MAPE의 평균은 1.94, 유사지점의 일 교통량으로 보정지점의 일 교통량을 추정하였을 때의 MAPE의 평균은 5.23으로 유사지점의 시간대별 교통량으로 보정지점의 일 교통량을 추정하는 것이 오차가 적은 것으로 분석되었다. 즉 자기회귀분석으로 일 교통량을 추정하고자 할 때에는 시계열분석과는 달리 패턴이 유사한 지점의 시간대별 교통량을 이용해서 보정 대상지점의 일 교통량을 추정하는 것이 더 좋다고 판단된다.
이는 단기간의 자료로는 교통류를 예측하는 것이 어렵기 때문인것으로 판단된다. 또한 특정 지점에 돌발상황이 발생하였을 때의 교통류 속도에 대한 예측에서는 일변량 모형에서는 예측이 어려운 반면 다변량 모형에서는 인근 지점과 다른 지점의 상황을 반영할 수 있도록 모형화되기 때문에 예측이 가능하다고 분석되었다.
이모형은 AADT 와 DHV를 추정하기 위해 적용되었으며, 유전자 회귀모형이 결측 교통량 추정에서 가장 효과적인 것으로 제시하였으며, ARIMA 모형은 신경 망 모형보다 우수한 것으로 판단되었다. 모형의 추정에 대한 정확성은 도로의 종류 및 기능 분류에 의해 영향을 받으며 , 교통량 패턴이 안정적이거나 도로의 기능 분류가 보다 체계적일 때 AADT와 DHV의 추정이 더욱 정확해 지는 것으로 나타났다.
교통량 자료는 15분 자료 이며 계절 주기는 96(1일 기준)으로 분석하였다. 분석결과 계절 ARIMA모형이 인근 지점의 교통량을 이용하는 방법과 신경망 분석, 과거 교통량의 평균을 이용하는 방법보다 성능이 우수하다고 분석되었다.
유사 검지기의 정상자료를 이용한 보정으로 자기 회귀분석을 제시하였으며, 독립변수는 유사 검지기의 직전 5주의 주중, 토일별 5분 과거 자료를 이용하였다. 분석결과 유사 검지기와 결측 검지기의 상관계수가 높을 경우에는 자기회귀분석이 효과적이며, 그렇지 않을경우 직전 5주의 과거자료를 이용하여 주중, 토, 일요일별로 평균으로 보정하는 것이 좋다는 결론을 얻었다. 이 연구는 실시간 ITS 영상검지기 자료를 이용한 것으로 online자료에 해당된다.
시간대별 교통량을 이용하여 시간대별 교통량을 추정하고, 추정된 시간대별 교통량을 이용하여 일 교통량을 추정할 경우, 단기 예측값의 경우에도 공휴일이나 주말의 교통량은 예측오차가 작지 않음을 알 수 있었다. 이는 교통량의 시간대별 패턴만 고려하고 요일별 교통량의 패턴은 고려하지 않았기 때문이라고 판단되며, 요일별 교통량 패턴을 감안하여 분석을 하기 위해서는 시간대별 교통량으로 시계열분석을 하는 것보다 일 교통량을 이용하여 시계열분석을 해야.
방법을 제시하였다. 시계열분석은 보정 대상지점과 동일 지점의 과거 자료를 이용해서 보정하는 방법이며, 이 방법으로 추정값을 제시한 결과, 단기 결측에서의 추정은 가능하나 장기결측에서의 추정은 오차가 크게 나타나서 장기결측에는 부적합하다는 결론을 얻었다. 이 방법은 보정 대상 시점의 주변 상황이나 날씨 등은 고려하지 못하는 방법이며, 과거 자료만을 이용하여 추정한다는 점에 있어서 한계가 있다고 판단된다.
6>을 보면 알 수 있듯이 시계열 모형으로 추정한 추정값이 공휴일이나 주말의 경우 오차가 큰 것으로 나타났으며 , 예측하고자 하는 날짜가 길어질수록 오차가 계속 커지고 있음을 알 수 있다.<그림 7>은 국도 44호선 지점의 일 교통량의 참값과 시간대별 교통량으로 추정한 일 교통량의 추정값을 그래프로 그린 것이다.
모형을 이용한 사례가 있었다〔4〕. 이것은 기존에 사용되던 전후일 평균방법과 전후주 평균, 회귀모형, EM 알고리즘과 시계열을 비교하여 분석하였고, 시계열모형이 오차가 가장 적은 것으로 분석하였다. 하지만 이 분석은 일반국도 3호선 상에 위치한 단일지점에 대한 교통량에 대해 교통량이 가장 안정적이라고 판단되는 수요일만의 교통량을 이용하여 공휴일이나 휴가철 등의 교통량에 대해서는 설명할 수 없다는 것에 한계가 있다.
데이터를 활용하였다〔15〕. 이모형은 AADT 와 DHV를 추정하기 위해 적용되었으며, 유전자 회귀모형이 결측 교통량 추정에서 가장 효과적인 것으로 제시하였으며, ARIMA 모형은 신경 망 모형보다 우수한 것으로 판단되었다. 모형의 추정에 대한 정확성은 도로의 종류 및 기능 분류에 의해 영향을 받으며 , 교통량 패턴이 안정적이거나 도로의 기능 분류가 보다 체계적일 때 AADT와 DHV의 추정이 더욱 정확해 지는 것으로 나타났다.
일 교통량을 추정할 때 계절 시계열 모형에서는 과거 시간대별 교통량으로 시계열분석의 추정식을 구하여 일 교통량을 구하는 것보다 과거 일 교통량의 추정식을 구하여 구하는 것이 오차를 줄이는 방안 중 하나라고 분석되었다. 다음은 자기회귀분석으로 일 교통량을 추정할 때 시간대별 교통량과 일 교통량 중 어떤 값을 이용하는 것이 더 좋은가를 두 가지 방법의 오차를 분석하여 알아보았다.
장비를 통해서 수집되는 교통량 자료의 보정을 위해 3장에서는 시계열 분석과 자기회귀분석으로 분석하였으며, 그 결과 시계열 분석은 단기 결측 자료의 추정에 적합하고 자기회귀분석은 단기결측과 장기결측의 추정 모두 적합하다고 분석되었다.
6 사이에 존재함을 알 수 있었다. 즉, 시간대별로 조사된 교통량자료의 회귀분석 결과 전 지점에서 오차항들의 자기상관이 존재한다고 분석되었다. 오차항들의 자기상관은 흔히 시계열 자료에서 나타나는 현상이며, 이 경우 오차항의 추정 식도 회귀분석 모형에 포함시켜야 한다.
비교한 것이다. 추정식으로 실제 자료를 이용하여 추정값을 구한 경우 오차가 적은 것으로 분석되었으나, 추정식으로 결측 자료를 예측한 경우 단기간 결측에는 실제 자료를 이용하여 추정하지만 장기간 결측은 추정값을 이용하여 추정을 해야 하므로 오차가 커졌다. 결측 자료가 몇시간 되지 않을 경우에는 시계열분석을 이용하여도 오차가 크지 않지만, 장기간 결측이거나 불량일 경우에는 시계열분석은 오차를 수반할 것으로 예상된다.
회귀분석과 자기회귀분석으로 교통량 자료를 추정한 결과, 대부분의 지점에서 자기회귀분석으로 추정한 추정값의 오차가 회귀분석으로 추정한 추정값의 오차보다 더 적게 나타났다.
후속연구
이 연구는 실시간 ITS 영상검지기 자료를 이용한 것으로 online자료에 해당된다. 본 연구에서 분석하고자 하는 자료는 일반국도 상시조사 장비에서 얻은 자료로 offline 자료에 해당되므로 ITS 실시간 자료의 분석결과와 비교하였을 때 다른 결과를 가져오리라 판단된다.
한다. 이러한 방법은 교통량 자료의 보정에 있어서 좀 더 객관적인 방법을 제시하며, 추정값의 오차를 줄여 교통량 자료의 정확성을 높일 것으로 기대된다.
이용할 수밖에 없다. 하지만 이는 보정시점의 중요한 변수들의 영향을 반영하지 못하므로, 이러한 점을 해결하여 장기 결측의 오차를 줄이는 방법에 대한 추후 연구가 필요하리라 판단된다.
참고문헌 (15)
건설교통부(2001), 도로 교통량 조사 지침
건설교통부(2006), 2005 도로 교통량 통계연보
한국건설기술연구원(2001), 통행시간 추정과 통계 자료 보정을 위한 결측 데이터 보정 모형 제작
장진환 외 1인(2005), '교통량 결측 자료 대체기법 연구', 대한토목학회 정기학술대회
임성한 외 2인(2005), '요인분석을 활용한 일반국도 유형분류', 한국도로학회 논문집.
김동희 외 6인(2001), '통계학 -이론과 응용-', 자유아카데미
이덕기(1999), '예측모형의 이해', SPSS아카데미
정동빈 외 1인(2001), 'SPSS를 활용한 시계열자 료와 단순화분석', SPSS아카데미.
강근석 외 1인(1999), '회귀분석', 교우사.
박우창 외 4인(2003), '데이터마이닝 개념 및 기법', 자유아카데미
도철웅(1998), '교통공학원론', 청문각
Statish C. Sharma Birj M, Gulati Samantha N. Rizak(2006), 'Statewide Traffic Volume studies and precision of AADT estimates', Journal of Transportation engineering Vol. 122 No. 6, pp.430-439
Yiannis Kamarianakis, Poulicos Prastacos (2003), 'Forecasting Traffic Flow Conditions In an Urban Network : Comparison of Multivariate And Univariate Approaches', Transportation Research Record No. 1857 Transportation Network Modeling, pp.74-84
Williams, B M, Durvasula, P K, Brown, D E (1997), 'Urban Freeway Traffic Flow Prediction : Application of Seasonal Autoregressive Integrated Moving Average and Exponential Smoothing models' Transportation Research Record No.1644 Traffic Flow Theory, pp.132-141
Satish Sharma, Pawan Lingras, Ming Zhong(2001), 'Effect of Missing Value Imputation on Traffic Parameters Estimations from Permanent Traffic Counts', Transportation Research Board 80th Annual meeting, Washington, D.C
※ AI-Helper는 부적절한 답변을 할 수 있습니다.