차종분류는 교통의 흐름 및 안전에 미치는 영향을 분석하고 도로의 포장 및 시설의 설계를 위하여 이루어진다. 국내에서는 국토해양부의 12종 분류에 따라 고속국도, 일반국도, 지방도의 차종분류 자료가 제공되고 있다. 기계식 차종분류를 위한 AVC(Automatic Vehicle Classification) 장비는 차량길이, 축거, 내민 거리(overhang) 등의 측정값과 미리 입력된 모든 차량 모델의 제원값을 비교하여 차종을 판단한다. 하지만, 기존의 방법은 센서의 관리상태에 분류 정확도가 크게 영향받게 된다. 본 연구에서는 실제 조사지점에서 발생하는 장비 오차와 차량 제원정보에 민감하지 않은 차종분류 알고리즘을 개발하였다. 알고리즘을 단순화하기 위하여 차량길이와 축거 중심으로 추세선을 이용하여 차종을 분류하므로 센서의 정확도 변화의 영향을 감소시켰다. 개발된 알고리즘의 평가를 위하여 일반국도에 설치된 AVC 장비에서 축수, 차량길이, 축거, 내민거리를 추출하여 비디오 판독 결과와 비교하였다. 실험 결과는 전체 차량에 대하여 88.2%의 정확도를 얻었다. 본 연구에서 개발된 차종분류 알고리즘은 센서의 감도 변화 등 현장 환경의 변화에 덜 영향을 받도록 설계되어 차종분류를 위한 기계식 장비의 안정적 정확도 유지에 활용될 수 있을 것으로 기대된다.
차종분류는 교통의 흐름 및 안전에 미치는 영향을 분석하고 도로의 포장 및 시설의 설계를 위하여 이루어진다. 국내에서는 국토해양부의 12종 분류에 따라 고속국도, 일반국도, 지방도의 차종분류 자료가 제공되고 있다. 기계식 차종분류를 위한 AVC(Automatic Vehicle Classification) 장비는 차량길이, 축거, 내민 거리(overhang) 등의 측정값과 미리 입력된 모든 차량 모델의 제원값을 비교하여 차종을 판단한다. 하지만, 기존의 방법은 센서의 관리상태에 분류 정확도가 크게 영향받게 된다. 본 연구에서는 실제 조사지점에서 발생하는 장비 오차와 차량 제원정보에 민감하지 않은 차종분류 알고리즘을 개발하였다. 알고리즘을 단순화하기 위하여 차량길이와 축거 중심으로 추세선을 이용하여 차종을 분류하므로 센서의 정확도 변화의 영향을 감소시켰다. 개발된 알고리즘의 평가를 위하여 일반국도에 설치된 AVC 장비에서 축수, 차량길이, 축거, 내민거리를 추출하여 비디오 판독 결과와 비교하였다. 실험 결과는 전체 차량에 대하여 88.2%의 정확도를 얻었다. 본 연구에서 개발된 차종분류 알고리즘은 센서의 감도 변화 등 현장 환경의 변화에 덜 영향을 받도록 설계되어 차종분류를 위한 기계식 장비의 안정적 정확도 유지에 활용될 수 있을 것으로 기대된다.
In order to observe the impact of a type of vehicles for traffic flows and pavement, vehicle classifications is conducted. Korean Ministry of Land, Transport and Maritime Affairs provides 12-type vehicle classifications on National expressways, National highways, and Provincial roads. Current AVC (A...
In order to observe the impact of a type of vehicles for traffic flows and pavement, vehicle classifications is conducted. Korean Ministry of Land, Transport and Maritime Affairs provides 12-type vehicle classifications on National expressways, National highways, and Provincial roads. Current AVC (Automatic Vehicle Classification) devices decide vehicle types comparing measurements of vehicle lengths, wheelbases, overhangs etc. to a reference table including those of all types of models. This study developed an algorithm for macroscopic vehicle classification which is less sensitive to tuning sensors and updating the reference table. For those characteristics, trend lines in vehicle lengths and wheelbases are employed. To assess the algorithm developed, vehicle lengths and wheelbases were collected from an AVC device. In this experiment, this algorithm showed the accuracy of 88.2 % compared to true values obtained from video replaying. Our efforts in this study are expected to contribute to developing devices for macroscopic vehicle classification.
In order to observe the impact of a type of vehicles for traffic flows and pavement, vehicle classifications is conducted. Korean Ministry of Land, Transport and Maritime Affairs provides 12-type vehicle classifications on National expressways, National highways, and Provincial roads. Current AVC (Automatic Vehicle Classification) devices decide vehicle types comparing measurements of vehicle lengths, wheelbases, overhangs etc. to a reference table including those of all types of models. This study developed an algorithm for macroscopic vehicle classification which is less sensitive to tuning sensors and updating the reference table. For those characteristics, trend lines in vehicle lengths and wheelbases are employed. To assess the algorithm developed, vehicle lengths and wheelbases were collected from an AVC device. In this experiment, this algorithm showed the accuracy of 88.2 % compared to true values obtained from video replaying. Our efforts in this study are expected to contribute to developing devices for macroscopic vehicle classification.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
하지만, 운영상의 현실을 고려할 때 쉽지 않을 것이다. 본 연구가 대상으로 하는 AVC 장비는 개개 차량의 정확한 차종 구분이 중요한 고속도로의 요금소 장비와 다르게 거시적 측면의 차종비율이 중요한 도로교통량통계연보를 위한 것이다. 그러므로 일시적인 정확도 보다는 지속적인 정확도 유지가더 중요하다고 판단된다.
본 연구에서는 국토해양부의 12차종 분류방식에서 5종 이상과 비교하여 상대적으로 까다로운 1종에서 4종까지를 대상으로 분류 알고리즘을 개발하였다. 기존 방법이 유지관리가 어렵고 센서의 감도 변화에 쉽게 영향을 받는다는 것을 고려하여 단순한 구조의 알고리즘을 개발하였다.
AVC 장비에 사용되는 기존의 차종분류 알고리즘은 검지 센서의 정확도에 민감하여 지속적인 관리가 이루어지지 않으면 결과의 편차가 커진다. 본 연구에서는 센서 오차에 민감한 기존 AVC 장비의 차종분류 알고리즘을 개선하기 위하여 차량길이와 축거의 추세선을 이용한 알고리즘을 개발하였다. 개발된 알고리즘의 평가를 위하여 일반국도에 설치된 AVC 장비에서 축수, 차량길이, 축거, 내민거리를 추출하였으며, 최종 차종분류 결과는 비디오 판독으로 얻어진 기준값과 비교되었다.
거시적 차종분포를 제공하는 도로교통량통계연보에서 일반국도의 차종자료를 수집하는 AVC 장비의 기존 알고리즘은 센서의 오차에 민감하고 신규차량 제원의 지속적인 갱신이 이루어져야 한다. 본 연구에서는 차량길이와 축거의 분포에 따른 추세선을 사용하므로 장비 오차와 차량 제원정보에 민감하지 않은 차종분류 알고리즘을 개발하였다.
본 논문에서는 출고된 차량 모델의 제원값을 이용하여 추세선을 결정하였지만, 장비 설치 지점에 따라 다를 수 있는 한계점이 있다. 이와 같은 한계를 보완하기 위하여 본 논문에서는 알고리즘에 파라미터를 넣어 정확도를 미세 조정할 수 있는 여지를 남겼다. 미세 조정 방법에 대한 문제가 여전히 남아있지만 파라미터 결정을 위한 노력에 따라 정확도는 향상될 것으로 기대된다.
기존 연구에서는 루프 등 차량검지 장치를 통한 다양한 차종분류에 대한 연구가 있었지만 연구목적에 따라 차종을 분류함으로써, 차종 자료 이용시 목적에 따라 차종을 재분류해 주어야 하는 문제가 발생할 수 있다. 현재 12종 차종분류에 대한 연구는 미비한 실정이므로, 따라서 본 연구에서는 단순하고 유지관리가 수월한 차종분류 알고리즘을 개발하고자 한다.
가설 설정
<그림 3>에서 보는 바와 같이 2차원 공간에서 각 차종 분포의 중심을 선형 추세선으로 가정한다면, 개별 자료의 차종은 각 추세선까지의 거리에 관련이 있다고 가정할 수 있을 것이다. 두 개의 추세선 사이에는 차종 간에 중복되는 영역이 발생하므로 두 차종을 구분하는 분류 중심선이 형성된다.
제안 방법
국도 37호선 당동IC 부근 AVC 장비 하행방향의 2차로 도로에서 2008년 9월 25일(목), 26일(금) 이틀간 실시하였다. AVC 장비로부터 개별차량의 자료를 추출하고 동시에 비디오 촬영으로부터 실제 차종을 얻었다. 사용된 AVC 장비의 현재 정확도를 알아보기 위하여 육안으로 인식 가능한 1종 차량 254대(10개 모델)의 차량 제원과 AVC 장비가 수집한 개별차량의 차량길이와 축거를 비교하였다.
각 차종별 제원값을 알아보기 위하여 국내에 출고된 차량의 모델을 조사하였다. 주로 자동차 제작사에서 발간한 자료와 인터넷에서 자료를 수집하여 차량 모델에 따라 정리하였다.
본 연구에서는 국토해양부의 12차종 분류방식에서 5종 이상과 비교하여 상대적으로 까다로운 1종에서 4종까지를 대상으로 분류 알고리즘을 개발하였다. 기존 방법이 유지관리가 어렵고 센서의 감도 변화에 쉽게 영향을 받는다는 것을 고려하여 단순한 구조의 알고리즘을 개발하였다. 특히, 각 차종분류 변수의 범위값을 설정하는 기존의 방법을 개선하기 위하여 변수의 분포를 기준으로 추세선을 사용하였다.
다음장에서는 지금까지 수행됐던 차종분류의 국내 및 국외 관련 문헌을 검토하였다. 3장에서는 본 연구가 개발한 차종분류 알고리즘의 개념과 구조를 설명하였고, 4장에서는 실제 현장에서 조사한 자료를 본 알고리즘에 적용하였다.
본 연구에서는 5,017대 개별차량의 차량길이, 축거, 내민거리를 AVC 장비로부터 수집하고, 비디오 분석을 통하여 그 차량들에 대한 실제 차종을 얻었다. 수집된 자료가 조사지점의 일반적인 차종 구성과 유사한 지 확인하기 위하여 “2007 도로교통량통계연보”에서 제공하는 그 지점의 차종비율과 비교하였다.
개발된 알고리즘의 평가를 위하여 일반국도에 설치된 AVC 장비에서 축수, 차량길이, 축거, 내민거리를 추출하고 동시에 촬영된 비디오를 통하여 참값을 추출하여 알고리즘 결과와 비교하였다. 본 연구에서는 분류에 가장 어려움이 있는 1종에서 4종까지 2축 차량만을 대상으로 알고리즘을 적용하였다. 알고리즘의 검증에서 차종 분류의 정확도는 88.
AVC 장비로부터 개별차량의 자료를 추출하고 동시에 비디오 촬영으로부터 실제 차종을 얻었다. 사용된 AVC 장비의 현재 정확도를 알아보기 위하여 육안으로 인식 가능한 1종 차량 254대(10개 모델)의 차량 제원과 AVC 장비가 수집한 개별차량의 차량길이와 축거를 비교하였다. 차량길이와 축거는 각각 6.
수집된 자료가 조사지점의 일반적인 차종 구성과 유사한 지 확인하기 위하여 “2007 도로교통량통계연보”에서 제공하는 그 지점의 차종비율과 비교하였다.
Ki and Baik(2006)도 또한 루프 검지기의 오차를 개선하기 위하여 신경망 이론을 사용하였다. 총 다섯 종류 차종분류에 적용하여 좋은 결과를 얻었다.
기존 방법이 유지관리가 어렵고 센서의 감도 변화에 쉽게 영향을 받는다는 것을 고려하여 단순한 구조의 알고리즘을 개발하였다. 특히, 각 차종분류 변수의 범위값을 설정하는 기존의 방법을 개선하기 위하여 변수의 분포를 기준으로 추세선을 사용하였다.
대상 데이터
본 연구에서 개발된 알고리즘의 검증을 위하여 차량 길이와 축거가 조사되었다. 국도 37호선 당동IC 부근 AVC 장비 하행방향의 2차로 도로에서 2008년 9월 25일(목), 26일(금) 이틀간 실시하였다. AVC 장비로부터 개별차량의 자료를 추출하고 동시에 비디오 촬영으로부터 실제 차종을 얻었다.
본 연구에서 조사된 5,017대은 전 차종을 포함하는 것으로 5종 이상을 제외한 4,293대에 대하여 개발된 알고리즘을 적용시켰다. <그림 8>은 본 연구에서 개발된 차종분류 알고리즘을 적용한 결과이다.
본 연구에서는 개발된 차종분류 알고리즘을 검증하기 위하여 총 세가지 종류의 자료가 사용되었다. 첫번째는 위에서 언급되었던 출고된 차량의 제원 조사 자료로 초기 추세선을 얻을 때 사용되었다.
주로 자동차 제작사에서 발간한 자료와 인터넷에서 자료를 수집하여 차량 모델에 따라 정리하였다. 조사된 차량수는 총 398대로 30년이 넘은 오래된 모델은 제외하였다. <그림 1>은 조사된 차량 모델을 국토해양부의 12종 분류체계로 구분한 것이다.
각 차종별 제원값을 알아보기 위하여 국내에 출고된 차량의 모델을 조사하였다. 주로 자동차 제작사에서 발간한 자료와 인터넷에서 자료를 수집하여 차량 모델에 따라 정리하였다. 조사된 차량수는 총 398대로 30년이 넘은 오래된 모델은 제외하였다.
데이터처리
개발된 알고리즘의 평가를 위하여 일반국도에 설치된 AVC 장비에서 축수, 차량길이, 축거, 내민거리를 추출하고 동시에 촬영된 비디오를 통하여 참값을 추출하여 알고리즘 결과와 비교하였다. 본 연구에서는 분류에 가장 어려움이 있는 1종에서 4종까지 2축 차량만을 대상으로 알고리즘을 적용하였다.
본 연구에서는 센서 오차에 민감한 기존 AVC 장비의 차종분류 알고리즘을 개선하기 위하여 차량길이와 축거의 추세선을 이용한 알고리즘을 개발하였다. 개발된 알고리즘의 평가를 위하여 일반국도에 설치된 AVC 장비에서 축수, 차량길이, 축거, 내민거리를 추출하였으며, 최종 차종분류 결과는 비디오 판독으로 얻어진 기준값과 비교되었다. 본 연구의 결과는 실제 국도에 설치된 현장장비가 추출하는 차종자료의 안정성을 높이는데 공헌할 것으로 기대된다.
성능/효과
2%로 나타났다. 각 차종별 정확도에서 3종의 경우 가장 큰 오차를 보였는데, 이는 1종과 3종 차량의 제원값이 비슷함에 따른 결과로 보인다.
본 연구에서는 분류에 가장 어려움이 있는 1종에서 4종까지 2축 차량만을 대상으로 알고리즘을 적용하였다. 알고리즘의 검증에서 차종 분류의 정확도는 88.2%로 나타났다. 각 차종별 정확도에서 3종의 경우 가장 큰 오차를 보였는데, 이는 1종과 3종 차량의 제원값이 비슷함에 따른 결과로 보인다.
(2005)은 하나의 자기 센서를 도로에 설치하고 현장 실험을 통해 높은 정확도의 차량검지와 6종의 차종을 분류하였다. 자기 센서는 타 검지기에 비해 적은 비용과 설치가 용이하며, 두개의 센서가 설치될 경우 개별차량의 속도가 더욱 정확히 측정될 수 있으므로 더 높은 정확도의 차종분류가 가능함을 제시하였다. Ki and Baik(2006)도 또한 루프 검지기의 오차를 개선하기 위하여 신경망 이론을 사용하였다.
2%의 정확도를 얻었다. 차종별 정확도에서 1종은 95.7%, 4종은 92.5%로 매우 높은 정확도를 기록했다. 반면, 3종은 52.
후속연구
특히, 차량길이와 축거 가 함께 크게 또는 작게 측정되어도 결과에는 크게 영향을 주지 않는 구조를 가지고 있다. 결국, 도로교통량통계연보같이 거시적 목적으로 차종분류를 다루는 경우에 효과적으로 사용될 수 있다고 판단된다.
본 논문에서 제시한 차종분류 알고리즘의 또 다른 한계는 기계식 조사 방법 자체에 있다. 기존의 센서를 이용하는 기계식 조사 방법은 도로면에서 바라본 차량의 모습(차량길이, 축거, 내민거리, 축수, 단위수 등)으로 차종을 분류한다.
추세선을 이용하는 알고리즘은 센서의 민감도 변화에 덜 영향을 받는다는 장점과 함께 적정 추세선의 결정이라는 어려움도 포함하고 있다. 본 논문에서는 출고된 차량 모델의 제원값을 이용하여 추세선을 결정하였지만, 장비 설치 지점에 따라 다를 수 있는 한계점이 있다. 이와 같은 한계를 보완하기 위하여 본 논문에서는 알고리즘에 파라미터를 넣어 정확도를 미세 조정할 수 있는 여지를 남겼다.
개발된 알고리즘의 평가를 위하여 일반국도에 설치된 AVC 장비에서 축수, 차량길이, 축거, 내민거리를 추출하였으며, 최종 차종분류 결과는 비디오 판독으로 얻어진 기준값과 비교되었다. 본 연구의 결과는 실제 국도에 설치된 현장장비가 추출하는 차종자료의 안정성을 높이는데 공헌할 것으로 기대된다.
항상 모든 차량 모델의 제원값을 알고 있고, 센서의 정확도가 유지된다면 기존의 차종분류 알고리즘은 매우 우수한 결과를 도출할 수 있을 것이다. 하지만, 운영상의 현실을 고려할 때 쉽지 않을 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
도로를 주행하는 차량의 종류는 어떻게 구분되는가?
도로를 주행하는 차량의 종류는 교통의 흐름 및 안전에 미치는 영향과 도로의 포장두께 결정, 시설의 설계 등 사용 목적에 따라 각각 달리 구분된다. 예를 들어 고속도로의 경우, 시설의 이용료 징수를 목적으로 모든 차량을 5종으로 분류하여 운영하고 있지만, 도로 포장 설계에서는 12종으로 분류하고 있다(건설교통부, 1991).
차종분류 방법은 어떻게 구분되는가?
차종분류 방법은 조사자가 직접 판단하는 인력식 조사와 센서로 차량의 제원을 측정하여 차종을 결정하는 기계식 조사로 구분된다. 인력식 조사는 정확한 분류를 할 수 있다는 장점은 있지만, 장시간 조사가 어려워 기준값 추출 등 단시간 조사에 사용된다.
기계식 조사에서 활용하는 제원은 어떤것들이 있는가?
국토해양부의 12차종 분류에서는 차량의 용도, 축수, 단위, 규격으로 정의하였지만 기계식 조사에서는 차량의 용도를 인식할 수 없기 때문에 제원을 활용하게 된다. 차종분류에 사용되는 제원은 축수, 단위수, 차량길이, 축거, 내민거리 등이 있다.
오주삼, 최도혁 (2001), '차량제원을 활용한 차종분류 알고리즘 개발에 관한 연구', 대한토목학회 논문집, 21권, 6-D호, pp.799-811
한국건설기술연구원 (2004), 도로등급별 최종 분류체계 재정립에 관한 연구
Cheung, S. Y., S. Coleri, B. Dundar, S. Ganesh, C. Tan, and P. Varaiya (2005), 'Traffic measurement and vehicle classification with single magnetic sensor,' Journal of the Transportation Research Board, No.1917, Transportation Research Board, Washington D.C., pp.179-181
Ki, Y. and D. Baik (2006), 'Vehicle-classification algorithm for single-loop detectors using Neural Networks,' IEEE Transactions on Vehicular Technology, Vol. 55, No. 6. pp.1704-1711
Zhang, G., Y. Wang, and H. Wei (2006), 'Artificial Neural Network method for length-based vehicle classification using single-loop outputs,' Journal of the Transportation Research Board, No.1945, Transportation Research Board, Washington D.C., pp.100-108
※ AI-Helper는 부적절한 답변을 할 수 있습니다.