초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

서울메트로는 도시철도 운영기관 중에서 2011년 기준, 수도권의 전체 수송분담율의 41.5%를 차지하고 있다. 특히 2호선 외선 신도림역~강남역 구간은 국내의 도시철도 노선 중 혼잡율이 가장 높은 200%를 상회한다. 도시철도에서 혼잡율이 높은 구간은 혼잡도에 따라 승하차시간이 길어지고, 그 결과 더욱 정차시간이 시간이 지연된다. 한 열차의 지연은 또 다른 후속열차에 연속적으로 지장을 주기 때문에 열차정시성을 확보하기가 매우 어렵다. 이에 따라 서울메트로에서는 2호선의 표정속도를 향상시키기 위하여 신호시스템의 개량을 추진해 왔으며, 총 38편성의 ATO차량을 도입하여 운영 중에 있다. ATO 도입 시기에 ...

서울메트로는 도시철도 운영기관 중에서 2011년 기준, 수도권의 전체 수송분담율의 41.5%를 차지하고 있다. 특히 2호선 외선 신도림역~강남역 구간은 국내의 도시철도 노선 중 혼잡율이 가장 높은 200%를 상회한다. 도시철도에서 혼잡율이 높은 구간은 혼잡도에 따라 승하차시간이 길어지고, 그 결과 더욱 정차시간이 시간이 지연된다. 한 열차의 지연은 또 다른 후속열차에 연속적으로 지장을 주기 때문에 열차정시성을 확보하기가 매우 어렵다. 이에 따라 서울메트로에서는 2호선의 표정속도를 향상시키기 위하여 신호시스템의 개량을 추진해 왔으며, 총 38편성의 ATO차량을 도입하여 운영 중에 있다. ATO 도입 시기에 시뮬레이션을 통해 예측한 표정속도에서 약 5[km/h]의 속도증가를 기대하였으나, 도입 후 실측에서는 약 1[km/h]의 속도증가에 그쳤다. 그 이유에는 여러 가지가 있을 수 있으나, 도입 시기에 실시한 표정속도 시뮬레이션에서 혼잡도를 고려하지 않고 각 역사별 정차시분을 30[sec]로 고정시켰기 때문이다. 실측에서 나타난 정차시분은 평균 약 40[sec]로 43개역을 주행하였을 때 약 420[sec]의 지연이 생겼다. 따라서 본 논문에서는 도시철도의 표정속도를 예측할 때 주요한 변수가 되는 정차시분의 추정모델에 관하여 연구하고, 정차시분 추정모델을 이용하여 표정속도를 예측한다. 정차시분 추정모델의 주요한 변수가 되는 역/시간대별 유출입승객수와 환승역의 환승객수 등의 데이터를 시간대별로 입력하여, 각 역에서의 정차시분을 분석하였고, 이를 표정속도 예측에 반영하였다. 또한 예측된 표정속도를 실측치와 비교하여 정차시분 추정모델을 이용한 표정속도의 예측이 타당함을 확인하였다. 본 논문의 연구 성과는 도시철도에서의 열차 다이아 혹은 운행계획을 세울 때 도움을 줄 수 있다. 향후 2호선 차량 88편성이 모두 도입되면 혼잡역 및 비혼잡역, 그리고 첨두시간과 비첨두시간의 정차시분을 구분하여 최적의 정차시간을 설정하는데 자료로 활용할 수 있다.