선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 궤도 틀림은 시간 종속적 현상으로, 축적된 검측 데이터의 문제점을 파악하여 궤도 성능 분석 적용을 위한 데이터 정제 과정이 선행되어야 하며, 정제된 데이터로부터 궤로의 건전도 평가 방법을 정립하여 궤도의 상태 및 성능을 적절하게 평가하고, 잔존수명을 예측하여 효율적 유지관리를 실현할 수 있는 시계열 모델의 적용이 필요하다. 본 연구에서는 궤도의 효율적인 유지관리를 위해 검측된 틀림데이터의 특징과 문제점을 분석하고, 이를 보완할 수 있는 효율적인 처리 기법을 개발하였다. 또한 정제된 데이터를 이용하여 회귀모형, 지수평활법, ARIMA(Auto-Regressive Moving Average)모형 등 다양한 예측 모델의 적용을 통해 검측 데이터의 시계열 분석을 수행하고, 궤도 틀림 데이터의 예측 모델에 적합한 최적 모델 선정과 관련한 연구를 수행하였다.
제안 방법
- 검측 데이터 시계열 분석을 위해서는 유지보수 이력에 대한 정보가 필요하며, 본 연구에서는 2007년 1년간의 유지보수 이력만을 확보하였다. 때문에 일부 단위 구간별 시계열 분석을 위해 유지보수 이력에 대한 정보가 있는 2007년 데이터만을 사용하여 유지보수 이력이 없는 구간에 대한 분석을 수행하는 경우 계절에 따른 영향정도를 판단할 수가 없다.
- 다른 시계열 분석과 마찬가지로 유지보수 이력 데이터가 있는 2007년 2월부터 2007년 12월 까지 검측 데이터 이용하였으며, 해당 구간 중 MTT,․STT와 같은 기계에 의한 유지보수 이력이 없는 구간을 선정하여 ARIMA 분석을 수행하였다. 마찬가지로 2007년 2월부터 2007년 9월까지의 데이터를 Training Data로 사용하였고 2007년 10월부터 12월까지의 데이터는 ARIMA 모형을 적용하여 얻어진 예측값과 실제 측정값을 비교하는 Testing Data로 사용하였다.
- 다양한 시계열 모형의 적용을 통한 95,800km~96.000km의 200m 구간 좌측 면틀림데이터 표준편차의 예측모델에 대한 비교 분석을 수행하였으며, 그 결과를 표 2에 정리하였다. 본 연구에서는 2007년 총 11회에 검측된 데이터 중 2007년 2월부터 2007년 9월까지의 데이터를 Training Data로 사용하였고 2007년 10월부터 12월까지의 데이터는 시계열 모형을 이용해 얻은 예측값과 실제 측정값을 비교하는 Testing Data로 사용하였다.
- 즉, 성능 평가 지수로서 선정된 구간의 길이가 충분히 길기 때문에 일부 구간의 유지보수 이력은 무시할 수 있을 것으로 판단하였다. 또한 계절적 특성을 고려한 시계열 분석을 위해 2005년 1월부터 2007년 12월까지 26회에 걸쳐 검측된 데이터를 보간법을 이용해 총 36개월(12개월/년)에 걸쳐 검측된 데이터로 변환하여 분석을 수행하였다. 소위 ARIMA(Auto Regressive Integrated MoviNG Average) 모델으로 일컬어 지는 Box-Jenkins 방법은 주어진 시계열 자료가 어떤 모형에 맞을 것인가를 판단하고, 시계열 자료를 그 모형에 적용시켜나가는 방법이라 할 수 있다.
- 또한 데이터 분석은 10~12월 3개월간의 Testing Data 예측 시 2월부터 바로 이전 달까지의 데이터를 이용하여 예측모델을 산출한 ‘Forecasting Data I’과, 10~12월 3개월간의 Testing Data 예측 시 2월부터 9월까지의 Training Data만을 이용하여 회귀모델을 산출하여 예측한 ‘Forcaasting Data II’ 로 구분하였다.
- 본 연구에서는 궤도의 효율적인 유지관리를 위해 검측된 틀림데이터의 특징과 문제점을 분석하고, 이를 보완할 수 있는 효율적인 처리 기법을 개발하였다. 또한 정제된 데이터를 이용하여 회귀모형, 지수평활법, ARIMA(Auto-Regressive Moving Average)모형 등 다양한 예측 모델의 적용을 통해 검측 데이터의 시계열 분석을 수행하고, 궤도 틀림 데이터의 예측 모델에 적합한 최적 모델 선정과 관련한 연구를 수행하였다.
- 본 연구에서는 궤도의 효율적인 유지관리를 위해 EM-120에 의해 검측된 틀림 데이터의 특징과 문제점을 분석하고, 이를 보완할 수 있는 효율적인 처리 기법을 개발하였으며, 정제된 데이터의 ARIMA 분석을 통해 검측 데이터와 계절 변화의 상관관계 분석을 수행하였다. 또한 충분하지 못한 유지보수 이력 등에 의해 연구에 사용 가능한 데이터의 한계가 있었으나, 회귀모형, 지수평활법, ARIMA 모형 등 다양한 예측 모델의 적용을 통해 검측 데이터의 시계열 분석을 수행하고, 궤도 틀림 데이터의 예측 모델에 적합한 최적 모델 선정과 관련한 연구를 수행하였다. 그 결과 궤도틀림의 시계열 분석 시 서로 다른 구간 및 분석 기간마다 최적 예측 모형은 서로 다르며, 이에 검측데이터의 시계열 분석을 통한 성능 예측모델 개발 시 다양한 예측 모형의 적용을 통하여 최적의 모델을 선정하는 것이 추후 중요한 연구과제인 것으로 판단한다.
- 본 연구를 위해 확보한 궤도틀림 데이터를 분석하는 과정에서 단순 가공이 불가한 몇 가지 검측데이터의 문제점을 발견하였다. 그림 2의 데이터는 검측된 궤도틀림 데이터 중 거리의 1km 단위가 변화하는 지점을 포함하는 데이터이다.
- 본 연구에서는 궤도의 효율적인 유지관리를 위해 EM-120에 의해 검측된 틀림 데이터의 특징과 문제점을 분석하고, 이를 보완할 수 있는 효율적인 처리 기법을 개발하였으며, 정제된 데이터의 ARIMA 분석을 통해 검측 데이터와 계절 변화의 상관관계 분석을 수행하였다. 또한 충분하지 못한 유지보수 이력 등에 의해 연구에 사용 가능한 데이터의 한계가 있었으나, 회귀모형, 지수평활법, ARIMA 모형 등 다양한 예측 모델의 적용을 통해 검측 데이터의 시계열 분석을 수행하고, 궤도 틀림 데이터의 예측 모델에 적합한 최적 모델 선정과 관련한 연구를 수행하였다.
- 소위 ARIMA(Auto Regressive Integrated MoviNG Average) 모델으로 일컬어 지는 Box-Jenkins 방법은 주어진 시계열 자료가 어떤 모형에 맞을 것인가를 판단하고, 시계열 자료를 그 모형에 적용시켜나가는 방법이라 할 수 있다. 분석하고자 하는 시계열 자료가 여러가지 Box-Jenkins 모형 중 어떤 모형으로 판단되는가를 알아내고(Identify model), 시계열 자료를 그 식별된 모형이 적합한가를 진단(Diagnosis check)한 후, 적합하다면 그 모형으로 예측하는 것이다. Box-Jenkins 모형은 정상적(stationary) 시계열 자료에 대해 식별을 하는 것이기 때문에 비정상적(non-stationary) 시계열 자료를 분석해야 할 경우, 그 비정상적 시계열을 먼전 정상적 시계열로 바꿔야한다(Data preprocessing).
- 이에 대한 원인으로 궤도틀림이 기후나 강우 등 계절적인 인자의 영향을 가정할 수 있으며. 이를 검증하기 위하여 ARIMA 모형을 적용한 계절적 변화에 의한 궤도틀림의 영향 평가 분석을 수행하였다.
- 때문에 일부 단위 구간별 시계열 분석을 위해 유지보수 이력에 대한 정보가 있는 2007년 데이터만을 사용하여 유지보수 이력이 없는 구간에 대한 분석을 수행하는 경우 계절에 따른 영향정도를 판단할 수가 없다. 이에 ARIMA 모형을 적용한 계절적 변화에 의한 궤도틀림 영향 분석을 위해 궤도의 성능평가 지수로 서울-대전 전 구간 틀림 데이터 표준편차 값을 사용하였다. 즉, 성능 평가 지수로서 선정된 구간의 길이가 충분히 길기 때문에 일부 구간의 유지보수 이력은 무시할 수 있을 것으로 판단하였다.
- 지수평활법의 종류에는 단순지수평활법, 단일 모수 이중지수평활법, Holt-winter’s 이중모수 지수평활법, Holt-winter’s 삼중모수 지수평활법 등이 있으며 본 연구에서는 단순지수평활법과 Holt-winter’s 이중모수 지수평활법을 통해 궤도틀림을 예측하였다.
대상 데이터
- 유지보수 이력과 관련된 데이터가 있는 2007년 2월부터 2007년 12월까지 검측 데이터 분석을 수행하였으며, 해당 구간 중 MTT,․STT와 같은 기계에 의한 유지보수 이력이 없는 구간을 선정하여 분석을 수행하였다. 2007년 2월부터 2007년 9월까지의 데이터를 Training Data로 사용하였고 2007년 10월부터 12월까지의 데이터는 지수평활법을 이용해 얻어진 예측값과 실제 측정값을 비교하는 Testing Data로 사용하였으며, 그 중 그림 8과 동일 구간인 95,800km~96.000km의 200m 구간 틀림 표준편차 데이터를 이용한 분석 결과를 그림 9, 그림 10에 나타내었다. 단순지수평활법을 적용한 궤도틀림 예측 결과는 그림 9, Holt-winter’s 이중모수 지수평활법을 통한 궤도틀림 예측 결과는 그림 10과 같다.
- 2007년 2월부터 2007년 9월까지의 데이터를 Training Data로 사용하였고 2007년 10월부터 12월까지의 데이터는 회귀분석을 통해 얻어진 예측값과 실제 측정값을 비교하는 Testing Data로 사용하였다. 그림 9의 회귀 예측 모형은 두가지로 ‘Forecasting Data I’은 10~12월 3개월간의 Testing Data 예측 시 2월부터 바로 이전 달까지의 데이터를 이용하여 회귀모델을 산출하여 예측한 값이며(예로 12월 데이터 예측모델 산출시 2월부터 11월까지의 데이터 이용), ‘Forcaasting Data II’는 10~12월 3개월간의 Testing Data 예측 시 2월부터 9월까지의 Training Data만을 이용하여 회귀모델을 산출하여 예측한 값이다.
- 본 연구를 위해 확보한 궤도틀림 데이터를 분석하는 과정에서 단순 가공이 불가한 몇 가지 검측데이터의 문제점을 발견하였다. 그림 2의 데이터는 검측된 궤도틀림 데이터 중 거리의 1km 단위가 변화하는 지점을 포함하는 데이터이다. 해당 데이터는 2007년 4월 경부선 고속철도 상선의 궤도틀림 검측 데이터이며, 98km998m00cm 부터 99km1m 00cm 지점까지 25cm 단위로 검측된 틀림 데이터를 보여주고 있다.
- STT와 같은 기계에 의한 유지보수 이력이 없는 구간을 선정하여 ARIMA 분석을 수행하였다. 마찬가지로 2007년 2월부터 2007년 9월까지의 데이터를 Training Data로 사용하였고 2007년 10월부터 12월까지의 데이터는 ARIMA 모형을 적용하여 얻어진 예측값과 실제 측정값을 비교하는 Testing Data로 사용하였다. 그 중 앞의 예측 모델과 동일한 95,800km~96.
- 본 연구를 위해 확보한 2005년 1월부터 2008년 2월까지 검측된 궤도틀림 데이터 중 유지보수 이력 데이터가 있는 2007년 2월부터 2007년 12월까지 검측 데이터 분석을 수행하였으며, 해당 구간 중 MTT·STT와 같은 기계에 의한 유지보수 이력이 없는 구간을 선정하여 분석을 수행하였다.
- 본 연구에서 사용한 틀림데이터 중 2005년 1월부터 2007년 12월 까지 총 26회에 걸쳐 검측된 서울-대전 전 구간의 틀림데이터를 200m 간격 표준편차 값으로 데이터베이스화 작업을 수행하였으며, 이 중 2006년, 2007년 검측된 좌측 레일 면틀림에 대한 검측일별 표준편차 분포는 그림 4와 같다. 여기서 표준편차 분포의 범위를 구분하는 기준은 현행 고속철도 면틀림의 관리기준을 따른다(서사범, 2006).
- 000km의 200m 구간 좌측 면틀림데이터 표준편차의 예측모델에 대한 비교 분석을 수행하였으며, 그 결과를 표 2에 정리하였다. 본 연구에서는 2007년 총 11회에 검측된 데이터 중 2007년 2월부터 2007년 9월까지의 데이터를 Training Data로 사용하였고 2007년 10월부터 12월까지의 데이터는 시계열 모형을 이용해 얻은 예측값과 실제 측정값을 비교하는 Testing Data로 사용하였다. 또한 데이터 분석은 10~12월 3개월간의 Testing Data 예측 시 2월부터 바로 이전 달까지의 데이터를 이용하여 예측모델을 산출한 ‘Forecasting Data I’과, 10~12월 3개월간의 Testing Data 예측 시 2월부터 9월까지의 Training Data만을 이용하여 회귀모델을 산출하여 예측한 ‘Forcaasting Data II’ 로 구분하였다.
- 지수평활법의 종류에는 단순지수평활법, 단일 모수 이중지수평활법, Holt-winter’s 이중모수 지수평활법, Holt-winter’s 삼중모수 지수평활법 등이 있으며 본 연구에서는 단순지수평활법과 Holt-winter’s 이중모수 지수평활법을 통해 궤도틀림을 예측하였다. 유지보수 이력과 관련된 데이터가 있는 2007년 2월부터 2007년 12월까지 검측 데이터 분석을 수행하였으며, 해당 구간 중 MTT,․STT와 같은 기계에 의한 유지보수 이력이 없는 구간을 선정하여 분석을 수행하였다. 2007년 2월부터 2007년 9월까지의 데이터를 Training Data로 사용하였고 2007년 10월부터 12월까지의 데이터는 지수평활법을 이용해 얻어진 예측값과 실제 측정값을 비교하는 Testing Data로 사용하였으며, 그 중 그림 8과 동일 구간인 95,800km~96.
- 회귀분석은 1개의 종속변수와 1개 이상의 독립변수들 간의 함수관계를 알아보는 분석방법이다. 종속변수로는 200m 단위 구간의 틀림 표준편차 데이터가 사용되었고 독립변수로는 궤도의 공용 시간을 사용하였다. 본 연구를 위해 확보한 2005년 1월부터 2008년 2월까지 검측된 궤도틀림 데이터 중 유지보수 이력 데이터가 있는 2007년 2월부터 2007년 12월까지 검측 데이터 분석을 수행하였으며, 해당 구간 중 MTT·STT와 같은 기계에 의한 유지보수 이력이 없는 구간을 선정하여 분석을 수행하였다.
- 그림 2의 데이터는 검측된 궤도틀림 데이터 중 거리의 1km 단위가 변화하는 지점을 포함하는 데이터이다. 해당 데이터는 2007년 4월 경부선 고속철도 상선의 궤도틀림 검측 데이터이며, 98km998m00cm 부터 99km1m 00cm 지점까지 25cm 단위로 검측된 틀림 데이터를 보여주고 있다. 해당 데이터에서 킬로미터가 변화하는 지점(98km 999m75cm에서 99km로 변하는 지점) 사이에 데이터 자체 거리 보정을 위하여 추가적인 데이터가 기입되어 있는 것을 확인할 수 있으며(981,000.
데이터처리
- Box-Jenkins 모형은 정상적(stationary) 시계열 자료에 대해 식별을 하는 것이기 때문에 비정상적(non-stationary) 시계열 자료를 분석해야 할 경우, 그 비정상적 시계열을 먼전 정상적 시계열로 바꿔야한다(Data preprocessing). 2005년 1월부터 2007년 12월까지 보간법에 의해 정제된 서울-대전 전구간 좌측 면틀림 데이터의 표준편차 값을 이용하여 ARIMA 분석을 수행하였으며, 분석 데이터에 가장 적합한 모형은 자기상관함수(ACF:Autocorrelation Function)와 편자기상관함수(PACF: Partial Autocorrelation Function)를 통한 Graphical method를 이용하여 찾을 수 있다. Graphical method를 통한 모형 선정 기준은 표 1과 같다.
- 이러한 분석 결과는 우측 면틀림과 좌․우측 줄틀림에도 동일하였다. 분석 결과의 검증을 위해 예측값에 대한 자기상관함수를 구함으로써 결정된 모형에 대한 검증을 수행하였다. 통상적으로 40개 시차 수 중 2개 또는 3개가 상․하안선을 벗어나도 결정된 모델을 사용할 수 있음을 감안할 때, 그림 7에서 예측값의 자기상관함수의 한계선을 벗어난 데이터가 없으므로 AR(1) 예측 모델을 적용한 좌측 면틀림 분석 결과는 타당한 것으로 판단하였다.
성능/효과
- 여기서 표준편차 분포의 범위를 구분하는 기준은 현행 고속철도 면틀림의 관리기준을 따른다(서사범, 2006). (1) 새로운 궤도 부설시 요구되는 준공기준(CV) 0.77보다 작은 구간, (2) 유지보수 작업 후에 요구되는 목표기준(TV) 인 1.03보다 작고 준공기준(CV)보다 큰 구간, (3) 틀림의 원인 및 특성과 진행사항 등에 대한 확인이 필요한 주위기준(WV)인 1.54보다 작고 목표기준(TV)보다 큰 구간, 및 (4) 현행 기준에 표준편차 값과 관련한 보수기준(AV)과 속도제한기준(SV)은 없기 때문에 임의적으로 표준편차가 목표기준(TV)보다 크고 2보다 작은 구간, (5) 표준편차가 2보다 크고 3보다 작은 구간과 (6) 표준편차가 3보다 큰 이상 구간으로 분포 구간을 구분하였다. 이를 통해 검측일별 고속철도 궤도의 전반적인 상태․성능을 파악할 수 있다.
- 본 연구에서 사용한 26번의 검측 데이터를 이용하여 궤도 틀림와 계절의 영향 평가를 확정하기에는 그 분석데이터 량이 부족한 한계를 가지지만, 본 연구를 통해 궤도 틀림의 계절적 특성을 판단할 수 있는 방법을 제안하였으며, 추후 수년간 축적될 데이터를 이용하여 동일한 분석을 통해 보다 신뢰성 높은 결과를 도출할 수 있을 것으로 기대한다. 더불어 궤도틀림 표준편차의 ARIMA 분석은 예측값과 검측 데이터가 상당히 유사한 값을 갖는 것을 확인 할 수 있으며, 이를 통해 구간별 틀림 데이터의 생애주기 분석에 적용 가능할 것으로 판단하였다.
- 또한 SSE와 σse를 고려하면 해당 구간에서는 ARIMA 모형의 예측 오차와 불확실성이 가장 작음을 확인할 수 있다.
- 또한 SSE와 σse를 고려하면 해당구간의 시계열 분석을 통한 데이터 예측의 경우 ARIMA 모형과 회귀모형을 이용하는 것이 지수평활모형에 비해 보다 정확한 예측값을 도출하는 것을 확인할 수 있다.
- 비교적 중기 예측모형 고려를 위한 ‘Forecasting Data II’ 의 분석 결과 초기에는 회귀모형의 오차가 가장 적었지만, 시간이 지날수록 ARIMA 모형의 오차가 가장 적은 것을 확인할 수 있다.
- 즉, 전 구간에 걸쳐 검측되는 틀림 데이터는 0 부근에서 +,-로 분포해야 하지만, 2007년 3월 검측된 데이터는 5 부근에서 +,-로 분포하고, 2007년 9월 검측된 데이터는 -4 부근에서 +,-로 분포한다. 이를 통해 시간에 따라 틀림량이 점차적으로 증가 혹은 감소하는 양상을 보이는 것이 아니라, 검측 시기와는 관계없이 전반적인 거리-틀림의 경향은 유사하지만, 그 시작값(혹은 기준이 되는 값)이 모두 차이를 보이고 있는 문제를 확인할 수 있다. 이와 같은 검측 데이터의 두 특성은 상당수의 고속선 궤도틀림 데이터에서 빈번하게 검출되고 있으며, 틀림 데이터를 이용한 궤도 생애 주기 분석에 있어 반드시 고려해야 하는 부분으로 판단한다.
- 분석 결과의 검증을 위해 예측값에 대한 자기상관함수를 구함으로써 결정된 모형에 대한 검증을 수행하였다. 통상적으로 40개 시차 수 중 2개 또는 3개가 상․하안선을 벗어나도 결정된 모델을 사용할 수 있음을 감안할 때, 그림 7에서 예측값의 자기상관함수의 한계선을 벗어난 데이터가 없으므로 AR(1) 예측 모델을 적용한 좌측 면틀림 분석 결과는 타당한 것으로 판단하였다. 본 연구에서 사용한 26번의 검측 데이터를 이용하여 궤도 틀림와 계절의 영향 평가를 확정하기에는 그 분석데이터 량이 부족한 한계를 가지지만, 본 연구를 통해 궤도 틀림의 계절적 특성을 판단할 수 있는 방법을 제안하였으며, 추후 수년간 축적될 데이터를 이용하여 동일한 분석을 통해 보다 신뢰성 높은 결과를 도출할 수 있을 것으로 기대한다.
- 이를 통해 검측일별 고속철도 궤도의 전반적인 상태․성능을 파악할 수 있다. 표준편차 분석을 통한 2007년 궤도의 성능 평가 결과 서울-대전 구간 중 40% 이상의 궤도성능은 준공기준 또는 목표기준을 만족하며, 80%이상의 궤도성능이 준공기준, 목표기준 또는 주위 기준을 만족하는 것으로 판단되었다. 반면 2007년 8월과 9월의 경우 그 이전에 비해 궤도틀림의 편차가 상당히 적은 것을 확인할 수 있다.
- 해당 데이터는 2007년 4월 경부선 고속철도 상선의 궤도틀림 검측 데이터이며, 98km998m00cm 부터 99km1m 00cm 지점까지 25cm 단위로 검측된 틀림 데이터를 보여주고 있다. 해당 데이터에서 킬로미터가 변화하는 지점(98km 999m75cm에서 99km로 변하는 지점) 사이에 데이터 자체 거리 보정을 위하여 추가적인 데이터가 기입되어 있는 것을 확인할 수 있으며(981,000.00~981,002.70), 이 구간의 데이터를 분석 과정에서 정제하는 경우 1km 단위가 변하는 지점을 기점으로 하여 틀림 데이터는 급격하게 변화하는 것을 확인할 수 있다. 이는 선로 변에는 10km마다 비컨(beacon)이 설치되어 있어 고속 검측 설비 및 자주식 검측차가 측정을 수행하는 도중에 위치를 인식·보정하며(구본근 등, 2003), 이러한 검측 데이터의 검측 위치 산정 과정에서 발생한 문제로 판단되므로, 추후 이러한 현상과 관련하여 보다 정확한 규명이 필요한 것으로 판단한다.
후속연구
- 또한 충분하지 못한 유지보수 이력 등에 의해 연구에 사용 가능한 데이터의 한계가 있었으나, 회귀모형, 지수평활법, ARIMA 모형 등 다양한 예측 모델의 적용을 통해 검측 데이터의 시계열 분석을 수행하고, 궤도 틀림 데이터의 예측 모델에 적합한 최적 모델 선정과 관련한 연구를 수행하였다. 그 결과 궤도틀림의 시계열 분석 시 서로 다른 구간 및 분석 기간마다 최적 예측 모형은 서로 다르며, 이에 검측데이터의 시계열 분석을 통한 성능 예측모델 개발 시 다양한 예측 모형의 적용을 통하여 최적의 모델을 선정하는 것이 추후 중요한 연구과제인 것으로 판단한다.
- 통상적으로 40개 시차 수 중 2개 또는 3개가 상․하안선을 벗어나도 결정된 모델을 사용할 수 있음을 감안할 때, 그림 7에서 예측값의 자기상관함수의 한계선을 벗어난 데이터가 없으므로 AR(1) 예측 모델을 적용한 좌측 면틀림 분석 결과는 타당한 것으로 판단하였다. 본 연구에서 사용한 26번의 검측 데이터를 이용하여 궤도 틀림와 계절의 영향 평가를 확정하기에는 그 분석데이터 량이 부족한 한계를 가지지만, 본 연구를 통해 궤도 틀림의 계절적 특성을 판단할 수 있는 방법을 제안하였으며, 추후 수년간 축적될 데이터를 이용하여 동일한 분석을 통해 보다 신뢰성 높은 결과를 도출할 수 있을 것으로 기대한다. 더불어 궤도틀림 표준편차의 ARIMA 분석은 예측값과 검측 데이터가 상당히 유사한 값을 갖는 것을 확인 할 수 있으며, 이를 통해 구간별 틀림 데이터의 생애주기 분석에 적용 가능할 것으로 판단하였다.
- 이는 선로 변에는 10km마다 비컨(beacon)이 설치되어 있어 고속 검측 설비 및 자주식 검측차가 측정을 수행하는 도중에 위치를 인식·보정하며(구본근 등, 2003), 이러한 검측 데이터의 검측 위치 산정 과정에서 발생한 문제로 판단되므로, 추후 이러한 현상과 관련하여 보다 정확한 규명이 필요한 것으로 판단한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.