4차 산업혁명과 더불어 고품질의 교통정보 빅데이터의 시대에 접어들었다. 개별차량 위치정보 기반의 링크별 통행시간 자료를 이용하여 교통관리 목적의 혼잡 지표를 개발하였다. 신호운영의 효율성 등 교통 운영에 대한 효과를 평가할 수 있도록 과포화 상태를 모니터링하는 혼잡 지표를 개발하였다. 기존의 혼잡 지표와는 다르게 혼잡 강도와 혼잡 시간을 동시에 표출하는 지표로 모형을 개발하였다. 교통정보 빅데이터 중 실제 교통관리 목적으로 활용가능한 자료를 검토하였다. 도심 네트워크를 대상으로 광범위한 지역에서 상시 수집이 가능한 교통정보로 링크 평균통행속도를 선택하였다. 택시의 위치정보를 기반으로 가공된 서울시 교통정보센터(TOPIS)의 통행속도의 생성을 위한 가공단계에 따라 자료명을 정의하고, 속성을 검토하였다. 차량궤적이 생성되는 교통정보 빅데이터 시대에 있지만, 실제의 데이터 활용은 링크의 평균통행속도를 사용할 수 밖에 없는 현실을 진단했다. 서울시 TOPIS의 링크 평균통행속도를 기본으로 시간적-공간적 표현이 가능한 혼잡지표 모형(SCRIN)을 개발하였다. 링크 통행속도와 자유속도 개념의 기준속도를 이용하여 링크 추가여행시간을 산출한다. 이를 ...
4차 산업혁명과 더불어 고품질의 교통정보 빅데이터의 시대에 접어들었다. 개별차량 위치정보 기반의 링크별 통행시간 자료를 이용하여 교통관리 목적의 혼잡 지표를 개발하였다. 신호운영의 효율성 등 교통 운영에 대한 효과를 평가할 수 있도록 과포화 상태를 모니터링하는 혼잡 지표를 개발하였다. 기존의 혼잡 지표와는 다르게 혼잡 강도와 혼잡 시간을 동시에 표출하는 지표로 모형을 개발하였다. 교통정보 빅데이터 중 실제 교통관리 목적으로 활용가능한 자료를 검토하였다. 도심 네트워크를 대상으로 광범위한 지역에서 상시 수집이 가능한 교통정보로 링크 평균통행속도를 선택하였다. 택시의 위치정보를 기반으로 가공된 서울시 교통정보센터(TOPIS)의 통행속도의 생성을 위한 가공단계에 따라 자료명을 정의하고, 속성을 검토하였다. 차량궤적이 생성되는 교통정보 빅데이터 시대에 있지만, 실제의 데이터 활용은 링크의 평균통행속도를 사용할 수 밖에 없는 현실을 진단했다. 서울시 TOPIS의 링크 평균통행속도를 기본으로 시간적-공간적 표현이 가능한 혼잡지표 모형(SCRIN)을 개발하였다. 링크 통행속도와 자유속도 개념의 기준속도를 이용하여 링크 추가여행시간을 산출한다. 이를 효과척도로 사용하여 링크의 과포화 상태를 판단하였다. 과포화 상태를 혼잡수준 F, FF, FFF로 정의한 후 혼잡수준을 혼잡 강도 계수로 표현하였다. 하루 중 얼마동안 과포화 상태를 경험하는지의 혼잡 시간 계수를 추가하여 SCRIN 지수 모형을 구축하였다. SCRIN 지수는 혼잡 평균 강도와 혼잡 지속 시간의 특성 계수로 구성하여 혼잡의 특성을 유추할 수 있도록 하였다. 지수 중 혼잡 평균 강도의 물리적인 의미는 1에 가까울수록 과포화 상태가 가장 극심한 상황인 혼잡도 FFF 상태이고 0에 가까울수록 과포화 상태에서 혼잡도가 가장 낮은 F 상태를 뜻한다. 혼잡 지속 시간의 물리적 의미는 하루 24시간을 기준으로 과포화 상태를 몇 시간 동안 겪는지를 뜻한다. 15분 단위의 링크 추가여행시간으로 개별 링크의 SCRIN 지수를 산출하는 과정을 설명하였다. 거시적인 혼잡 모니터링을 위하여 두 개 이상의 링크로 구성되는 교차로 단위, 축 단위, 네트워크 단위에서의 SCRIN 지수 산출 방법을 정립하였다. SCRIN 지수는 다양한 공간적 범위에 적용이 가능하고, 혼잡 강도와 혼잡 시간의 혼잡 특징 속성을 나타내도록 개발하였다. 이를 검증하기 위하여 2016년 서울시 링크 평균통행속도 이력자료를 기준으로 시간적-공간적 범위의 다양한 시나리오에 대한 혼잡 분석을 실시하였다. 혼잡 평균 강도와 혼잡 지속 시간과의 관계로 이루어진 SCRIN 지수 분포를 이용하여 구간별, 기간별 과포화 상태를 모니터링 하였다. SCRIN 지수의 활용성을 위하여 기술통계량 분석을 이용한 혼잡 상세 모니터링 방법과 혼잡 강도 분산을 추가하여 모형을 발전시켰다. SCRIN의 혼잡 지표는 도심 네트워크의 과포화 상태를 교통 운영 관점에서 거시적으로 모니터링 할 수 있다. 실제 교통정보 빅데이터 기반의 SCRIN으로 극심한 혼잡을 겪는 구간과 시간대 등을 예측할 수 있다. 향후에는 SCRIN을 이용하여 교통관리분야에서의 평가지표(Performance Index)로 활용할 수 있을 것으로 기대한다.
4차 산업혁명과 더불어 고품질의 교통정보 빅데이터의 시대에 접어들었다. 개별차량 위치정보 기반의 링크별 통행시간 자료를 이용하여 교통관리 목적의 혼잡 지표를 개발하였다. 신호운영의 효율성 등 교통 운영에 대한 효과를 평가할 수 있도록 과포화 상태를 모니터링하는 혼잡 지표를 개발하였다. 기존의 혼잡 지표와는 다르게 혼잡 강도와 혼잡 시간을 동시에 표출하는 지표로 모형을 개발하였다. 교통정보 빅데이터 중 실제 교통관리 목적으로 활용가능한 자료를 검토하였다. 도심 네트워크를 대상으로 광범위한 지역에서 상시 수집이 가능한 교통정보로 링크 평균통행속도를 선택하였다. 택시의 위치정보를 기반으로 가공된 서울시 교통정보센터(TOPIS)의 통행속도의 생성을 위한 가공단계에 따라 자료명을 정의하고, 속성을 검토하였다. 차량궤적이 생성되는 교통정보 빅데이터 시대에 있지만, 실제의 데이터 활용은 링크의 평균통행속도를 사용할 수 밖에 없는 현실을 진단했다. 서울시 TOPIS의 링크 평균통행속도를 기본으로 시간적-공간적 표현이 가능한 혼잡지표 모형(SCRIN)을 개발하였다. 링크 통행속도와 자유속도 개념의 기준속도를 이용하여 링크 추가여행시간을 산출한다. 이를 효과척도로 사용하여 링크의 과포화 상태를 판단하였다. 과포화 상태를 혼잡수준 F, FF, FFF로 정의한 후 혼잡수준을 혼잡 강도 계수로 표현하였다. 하루 중 얼마동안 과포화 상태를 경험하는지의 혼잡 시간 계수를 추가하여 SCRIN 지수 모형을 구축하였다. SCRIN 지수는 혼잡 평균 강도와 혼잡 지속 시간의 특성 계수로 구성하여 혼잡의 특성을 유추할 수 있도록 하였다. 지수 중 혼잡 평균 강도의 물리적인 의미는 1에 가까울수록 과포화 상태가 가장 극심한 상황인 혼잡도 FFF 상태이고 0에 가까울수록 과포화 상태에서 혼잡도가 가장 낮은 F 상태를 뜻한다. 혼잡 지속 시간의 물리적 의미는 하루 24시간을 기준으로 과포화 상태를 몇 시간 동안 겪는지를 뜻한다. 15분 단위의 링크 추가여행시간으로 개별 링크의 SCRIN 지수를 산출하는 과정을 설명하였다. 거시적인 혼잡 모니터링을 위하여 두 개 이상의 링크로 구성되는 교차로 단위, 축 단위, 네트워크 단위에서의 SCRIN 지수 산출 방법을 정립하였다. SCRIN 지수는 다양한 공간적 범위에 적용이 가능하고, 혼잡 강도와 혼잡 시간의 혼잡 특징 속성을 나타내도록 개발하였다. 이를 검증하기 위하여 2016년 서울시 링크 평균통행속도 이력자료를 기준으로 시간적-공간적 범위의 다양한 시나리오에 대한 혼잡 분석을 실시하였다. 혼잡 평균 강도와 혼잡 지속 시간과의 관계로 이루어진 SCRIN 지수 분포를 이용하여 구간별, 기간별 과포화 상태를 모니터링 하였다. SCRIN 지수의 활용성을 위하여 기술통계량 분석을 이용한 혼잡 상세 모니터링 방법과 혼잡 강도 분산을 추가하여 모형을 발전시켰다. SCRIN의 혼잡 지표는 도심 네트워크의 과포화 상태를 교통 운영 관점에서 거시적으로 모니터링 할 수 있다. 실제 교통정보 빅데이터 기반의 SCRIN으로 극심한 혼잡을 겪는 구간과 시간대 등을 예측할 수 있다. 향후에는 SCRIN을 이용하여 교통관리분야에서의 평가지표(Performance Index)로 활용할 수 있을 것으로 기대한다.
The era of high-quality Big Traffic Data is coming together with the 4th Industrial Revolution. This paper develops the Congestion Index for traffic management using the link travel time from the GPS probe vehicle data. This Congestion Index can evaluate the performance of an arterial network under ...
The era of high-quality Big Traffic Data is coming together with the 4th Industrial Revolution. This paper develops the Congestion Index for traffic management using the link travel time from the GPS probe vehicle data. This Congestion Index can evaluate the performance of an arterial network under oversaturated condition. The model is composed of congestion intensity and congestion duration unlike existing congestion index. The link average travel speed which can be collected all the time with wide range is selected to develop the congestion index after investigating the current big traffic data. I classify and define each data by stages of data processing from raw data to link average travel speed. The SCRIN is the spatiotemporal congestion index which calculated from link average travel speed like Seoul TOPIS data. The measure of effectiveness to determine oversaturated conditions is the extra travel time of each link, which can be produced from link average travel speed and reference speed. After classifying the LOS F, LOS FF and LOS FFF as oversaturated conditions, the congestion level is substitute as the congestion intensity coefficient. SCRIN is defined as congestion intensity and congestion duration. Congestion Average Intensity() is close to 1, which means that congestion is very severe as like LOS FFF. The opposite(closer to 0) means that congestion level is LOS F. Congestion Duration() refers to hours of oversaturated conditions over 24 hours a day. Congestion Average Intensity and Congestion Duration is calculated using the extra travel time on every 15 minutes of each link. After constructing SCRIN model for each link, I designed SCRIN model to monitor macroscopically congestion on various spatial extent, for example nodes, corridors and network. In order to verify the applicability as Congestion Index, I analyzed SCRIN to monitor the traffic congestion of Seoul City using the historical data of Seoul TOPIS travel speed in 2016. Congestion characteristics under oversaturated conditions were deduced using SCRIN distribution with Congestion Average Intensity() and Congestion Duration(). SCRIN model was expanded and developed for the availability, so that further analyzed the descriptive statistics analysis about each congestion indicator and added Congestion Intensity Variance(). SCRIN model can be used to monitor the traffic congestion under oversaturated conditions on urban network from the traffic management point of view. SCRIN model based on Big Traffic Data can predict the areas and time zones under very severe congestion. In the future, it is expected that SCRIN model can be used as a performance index in the traffic management field.
The era of high-quality Big Traffic Data is coming together with the 4th Industrial Revolution. This paper develops the Congestion Index for traffic management using the link travel time from the GPS probe vehicle data. This Congestion Index can evaluate the performance of an arterial network under oversaturated condition. The model is composed of congestion intensity and congestion duration unlike existing congestion index. The link average travel speed which can be collected all the time with wide range is selected to develop the congestion index after investigating the current big traffic data. I classify and define each data by stages of data processing from raw data to link average travel speed. The SCRIN is the spatiotemporal congestion index which calculated from link average travel speed like Seoul TOPIS data. The measure of effectiveness to determine oversaturated conditions is the extra travel time of each link, which can be produced from link average travel speed and reference speed. After classifying the LOS F, LOS FF and LOS FFF as oversaturated conditions, the congestion level is substitute as the congestion intensity coefficient. SCRIN is defined as congestion intensity and congestion duration. Congestion Average Intensity() is close to 1, which means that congestion is very severe as like LOS FFF. The opposite(closer to 0) means that congestion level is LOS F. Congestion Duration() refers to hours of oversaturated conditions over 24 hours a day. Congestion Average Intensity and Congestion Duration is calculated using the extra travel time on every 15 minutes of each link. After constructing SCRIN model for each link, I designed SCRIN model to monitor macroscopically congestion on various spatial extent, for example nodes, corridors and network. In order to verify the applicability as Congestion Index, I analyzed SCRIN to monitor the traffic congestion of Seoul City using the historical data of Seoul TOPIS travel speed in 2016. Congestion characteristics under oversaturated conditions were deduced using SCRIN distribution with Congestion Average Intensity() and Congestion Duration(). SCRIN model was expanded and developed for the availability, so that further analyzed the descriptive statistics analysis about each congestion indicator and added Congestion Intensity Variance(). SCRIN model can be used to monitor the traffic congestion under oversaturated conditions on urban network from the traffic management point of view. SCRIN model based on Big Traffic Data can predict the areas and time zones under very severe congestion. In the future, it is expected that SCRIN model can be used as a performance index in the traffic management field.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.