지난 2004년 4월 경부고속철도 1단계 개통이후, 2단계 사업은 2010년 11월 개통하였으며, 고속철도 개통이후 타 교통수단에 비해 속도 경쟁의 장점을 가지고 있어 고속철도의 수요는 계속 증가하고 있다. 이러한 고속철도의 개통은 인구의 이동, 기업의 입지, 공간구조의 개편 등과 같은 사회적, 경제적, 교통적인 변화를 주도하고 있는 실정이며. 특히 고속철도의 고속운행으로 지역간의 이동시간을 단축한다는 점에서 고속철도 수요는 계속적인 증가 추세로 전망된다. 본 연구에서는 고속철도 서울역 설문조사의 데이터를 이용한 EMME/2 프로그램의 2-Dimentional Blancing을 활용한 고속철도 역 접근수단별 통행분포 모형의 파라메타 추정을 통하여 조사 통행분포를 추정 통행분포와 같이 재현하고자 하였으며, 분석 결과 접근수단별로 파라메타(${\theta}$)는 승용차 0.0395, 버스 0.0390, 지하철 0.0415, 택시 0.0650으로 분석되었고, 통행거리빈도분포(Trip Length Frequency Distribution: TLFD)를 기준으로 조사치와 모형치를 비교한 결과 $R^2$는 승용차 0.909, 버스0.923, 지하철 0.922, 택시 0.745로 조사치와 모형치는 유사한 것으로 분석 되었으며, F검증 결과 P값이 모두 0.05보다 매우 작게 분석되어 95%신뢰수준으로 유의할 만 한 것으로 판단되었다. 통행거리빈도분포를 5km 단위로 설정하여 분석 하였으나, 향후에는 통행거리빈도분포를 중죤단위에서 소죤단위(행정동)로 세분화 연구가 필요하며, 통행거리 0~5km 구간의 분포을 반영할수 있는 결합함수(Combined function)을 활용한 중력모형과 3-Dimentional Blancing을 적용한 연구가 필요 할 것으로 판단된다.
지난 2004년 4월 경부고속철도 1단계 개통이후, 2단계 사업은 2010년 11월 개통하였으며, 고속철도 개통이후 타 교통수단에 비해 속도 경쟁의 장점을 가지고 있어 고속철도의 수요는 계속 증가하고 있다. 이러한 고속철도의 개통은 인구의 이동, 기업의 입지, 공간구조의 개편 등과 같은 사회적, 경제적, 교통적인 변화를 주도하고 있는 실정이며. 특히 고속철도의 고속운행으로 지역간의 이동시간을 단축한다는 점에서 고속철도 수요는 계속적인 증가 추세로 전망된다. 본 연구에서는 고속철도 서울역 설문조사의 데이터를 이용한 EMME/2 프로그램의 2-Dimentional Blancing을 활용한 고속철도 역 접근수단별 통행분포 모형의 파라메타 추정을 통하여 조사 통행분포를 추정 통행분포와 같이 재현하고자 하였으며, 분석 결과 접근수단별로 파라메타(${\theta}$)는 승용차 0.0395, 버스 0.0390, 지하철 0.0415, 택시 0.0650으로 분석되었고, 통행거리빈도분포(Trip Length Frequency Distribution: TLFD)를 기준으로 조사치와 모형치를 비교한 결과 $R^2$는 승용차 0.909, 버스0.923, 지하철 0.922, 택시 0.745로 조사치와 모형치는 유사한 것으로 분석 되었으며, F검증 결과 P값이 모두 0.05보다 매우 작게 분석되어 95%신뢰수준으로 유의할 만 한 것으로 판단되었다. 통행거리빈도분포를 5km 단위로 설정하여 분석 하였으나, 향후에는 통행거리빈도분포를 중죤단위에서 소죤단위(행정동)로 세분화 연구가 필요하며, 통행거리 0~5km 구간의 분포을 반영할수 있는 결합함수(Combined function)을 활용한 중력모형과 3-Dimentional Blancing을 적용한 연구가 필요 할 것으로 판단된다.
KTX step 1 April 2004, after the opening, the second phase of the project was opened in November 2010. High-speed rail after the opening and continue to increase the demand of high-speed rail, Have the speed of competitive advantage compared too the means of transportation. The opening of these high...
KTX step 1 April 2004, after the opening, the second phase of the project was opened in November 2010. High-speed rail after the opening and continue to increase the demand of high-speed rail, Have the speed of competitive advantage compared too the means of transportation. The opening of these high-speed rail has led to changes of the move, the company's position, and the spatial structure of the population of reorganization, such as the social, economic, transportation. In this study, survey data using the High Speed Rail Station EMME/2 of the program to take advantage of the 2-Dimentional Blancing trip distribution to investigate the passage through the trip distribution by the estimation of the parameters of the model to estimate the distribution of the means of access and high-speed rail station to reproduce and Analysis of the results by means of access parameters (${\theta}$) autos 0.0395, buses 0.0390, subway 0.0650, taxi 0.0415, the frequency distribution (Trip Length Frequency Distribution: TLFD) were analyzed survey data value model with the results of comparing $R^2$ cars analysis and model values similar survey data 0.909 bus 0.923, subway 0.745 to 0.922, taxi, F test P value analysis is smaller than 0.05 at the 95% confidence level as a note that was judged to have been. Trip frequency distribution analysis, but in the future, set the unit to 5km-trip frequency distribution middle zone Units from small zone units (administrative district) segmentation research is needed, and can reflect the trip distance 0~5 km interval combined function to take advantage of the gravity model and the 3-Dimentional Blancing applied research is needed to be considered.
KTX step 1 April 2004, after the opening, the second phase of the project was opened in November 2010. High-speed rail after the opening and continue to increase the demand of high-speed rail, Have the speed of competitive advantage compared too the means of transportation. The opening of these high-speed rail has led to changes of the move, the company's position, and the spatial structure of the population of reorganization, such as the social, economic, transportation. In this study, survey data using the High Speed Rail Station EMME/2 of the program to take advantage of the 2-Dimentional Blancing trip distribution to investigate the passage through the trip distribution by the estimation of the parameters of the model to estimate the distribution of the means of access and high-speed rail station to reproduce and Analysis of the results by means of access parameters (${\theta}$) autos 0.0395, buses 0.0390, subway 0.0650, taxi 0.0415, the frequency distribution (Trip Length Frequency Distribution: TLFD) were analyzed survey data value model with the results of comparing $R^2$ cars analysis and model values similar survey data 0.909 bus 0.923, subway 0.745 to 0.922, taxi, F test P value analysis is smaller than 0.05 at the 95% confidence level as a note that was judged to have been. Trip frequency distribution analysis, but in the future, set the unit to 5km-trip frequency distribution middle zone Units from small zone units (administrative district) segmentation research is needed, and can reflect the trip distance 0~5 km interval combined function to take advantage of the gravity model and the 3-Dimentional Blancing applied research is needed to be considered.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
고속철도 서울역의 접근수단별 통행분포는 2-Dimentional Blancing을 활용한 통행분포 모형의 파라메타(β) 추정을 통하여 접근수단별 통행분포을 재현하고자 한다.
목적별로 통행거리가 상이한 것을 고려하여 목적별로 분석하였다. 기존의 연구는 수단별 통행거리 파라 메타를 분석한 사례는 없으며, 본 연구는 고속철도 역세권 이용자의 접근수단별 통행분포에 대한 기초연구를 제시하는데 목적이 있어, 고속철도 접근수단별 2-Dimentional Blancing기법을 활용하여 파라메타를 추정하였다.
목적별로 통행거리가 상이한 것을 고려하여 목적별로 분석하였다. 기존의 연구는 수단별 통행거리 파라 메타를 분석한 사례는 없으며, 본 연구는 고속철도 역세권 이용자의 접근수단별 통행분포에 대한 기초연구를 제시하는데 목적이 있어, 고속철도 접근수단별 2-Dimentional Blancing기법을 활용하여 파라메타를 추정하였다.
따라서, 본 연구에서는 이러한 연구의 배경과 필요성을 바탕으로 설문조사의 데이터를 이용한 EMME/2 프로그램의 2-Dimentional Blancing을 활용한 통행분포 모형의 파라메타 추정을 통하여 조사 통행분포를 추정 통행분포와 같이 재현하고자 한다.
정산의 목적은 기준년도의 주어긴 상황에서 저항함수 f(crs)와 통행거리 f(drs)간의 관계 또는 일반화비용 crs 간의 관계를 설정하는 것이다. 정산과정은 전체지역의 존간 통행시간에 대한 다항함수가 가정된 통행시간 요소(Travel Time Factor)함수의 개발에 목적이 있다. 국내의 국가교통DB와 수도권 통행분포의 TLFD는 다음과 같다.
제안 방법
중력모형 추정은 저항함수의 형태 및 계수이다. 8개 통행목적별로 저항함수식의 형태를 설정하였고 목표연도의 셀별 목적통행량과 저항함수를 이용하여 장래 셀별 목적통량을 산출하였다.
02485로 추정하였다. 또한 교통수요의 신뢰성 및 적정성을 판단하기 위해 통계적인 오차분석, 통행분포분석(TLFD), TCS에서 산출되는 주요도시간 평균통행시간 등의 지표를 활용하여 전국 교통수요 추정결과를 검증하여 TCS에서 추정된 교통수요의 현실성을 반영하기 위해 최적의 관측지점수를 산정하여 Gradient기법을 이용한 추정된 OD를 보정하였다.
『2009년 수도권 장래교통수요 예측 및 대응방안』에서는 8개의 통행목적별로 저항함수의 중력모형을 적용하였으며. 목적별로 통행거리가 상이한 것을 고려하여 목적별로 분석하였다. 기존의 연구는 수단별 통행거리 파라 메타를 분석한 사례는 없으며, 본 연구는 고속철도 역세권 이용자의 접근수단별 통행분포에 대한 기초연구를 제시하는데 목적이 있어, 고속철도 접근수단별 2-Dimentional Blancing기법을 활용하여 파라메타를 추정하였다.
서울역의 설문조사의 테이터를 이용하여 출발존과 도착존을 EMME/2에 입력하여 접근수단별 O/D을 구축하였으며, EMME/2의 Network을 이용하여 최단거리를 이용하여 죤간거리를 산출하였다.
본 연구에서는 고속철도역별 통행분포모형 추정을 위하여 2011년『고속도로 및 고속철도 연계환승을 위한 연구』에서 조사된 고속철도 서울역 설문조사를 사용하였다. 설문조사의 내용은 RP 테이터를 적용하였으며, 개인특성조사, 통행특성조사로 구분되어 실시하였다
이러한 연구의 배경과 필요성을 바탕으로 설문조사의 데이터를 이용한 EMME/2 프로그램의 2-Dimentional Blancing을 활용한 통행분포 모형의 파라메타(θ) 추정을 통하여 통행분포 모형화를 재현하였다.
대상 데이터
본 연구에서는 고속철도역별 통행분포모형 추정을 위하여 2011년『고속도로 및 고속철도 연계환승을 위한 연구』에서 조사된 고속철도 서울역 설문조사를 사용하였다. 설문조사의 내용은 RP 테이터를 적용하였으며, 개인특성조사, 통행특성조사로 구분되어 실시하였다
분석을 위한 죤체계는 서울역 설문조사 부수를 고려하여 수도권을 서울시 90개존, 인천시 10개존, 경기도 54개존으로 총 154개 존체계로 정립하여 수행하였다.
데이터처리
접근수단별 통행분포 모형 검증은 통행거리빈도분포(Trip Length Frequency Distribution: TLFD)를 기준을 적용하였으며, 설문조사에 의한 추정 O/D와 전수화 O/D를 기준으로 거리별 통행거리 빈도분포 비율을 비교 분석하였다.
추정된 2중제약 엔트로피모형의 마찰저항함수의 파라메타(θ)값은 TCS 교통량과 통행시간을 이용하여 회귀분석법으로 정산하였으며 정산된 값은 0.02485로 추정하였다.
이론/모형
「수도권 장래교통 수요예측 및 대응방안 연구, 2009.2」에서 교통시설 및 토지이용 변화에 따른 통행패턴 변화를 반영할 수 있기 때문에 적용한 이중제약 중력모형을 적용하였다. 중력모형 추정은 저항함수의 형태 및 계수이다.
국내에서 사용한 기존 통행분포모형은 프라타모형, 중력모형, 이중제약 감마중력모형, 엔트로피모형 등이 있으며, 모형에 적용한 통행저항으로는 죤간 통행거리, 통행비용 등을 사용하였다. 『2002년 국가교통DB구축사업, 수도권 및 5대 광역권 여객통행량 분석』에서는 프라타모형을 사용 하였으며, 『2006년 국가교통DB구축사업』에서는 2중제약 및 3중제약 엔트로피 모형과 2중제약 프라타모형을 구축하여 적용 하였으며, 통행비용함수는 도로망의 죤간 통행거리를 사용하였다. 『2009년 수도권 장래교통수요 예측 및 대응방안』에서는 모형에 적용한 통행저항으로 죤간 통행거리를 사용하고, 8개의 통행목적별 저항함수의 중력모형을 적용하였다.
성능/효과
EMME/2을 활용하여 접근수단별 평균거리를 분석한 결과 승용차 19.80km, 버스 20.87km, 지하철 19.34km, 택시 11.41km로 분석되었으며, 분산의 정도를 살펴보면 버스 및 승용차가 가장 넓게 분포하고 있으며, 택시는 좁은 분포형태로 분석되었다.
고속철도 서울역 설문조사의 데이터를 이용한 EMME/2 프로그램의 2-Dimentional Blancing을 활용한 고속철도 역접근수단별 통행분포 모형의 파라메타 추정을 통하여 조사 통행분포를 추정 통행분포와 같이 재현하고자 하였으며, 분석 결과 접근수단별로 파라메타(θ)는 승용차 0.0395, 버스 0.0390, 지하철 0.0415, 택시 0.0650으로 분석되었고 조사치와 모형치의 평균통행거리는 접근수단별로 -0.12km~2.29km의 차이가 있는 것으로 분석되었다.
국가교통DB(2009)에서는 θ값이 0.02485로 분석되었으며, 전국의 통행분포의 경우 장거리 통행분포로 분포 거리가 길기 때문에 θ값이 적은 것으로 판단되며, 본 연구의 θ값은 0.0395~0.0650으로 도시내통행의 파라메타와 유사한 것으로 분석되었으며, 조사치와 모형치의 통행거리빈도분포를 활용하여 회귀분석한 결과 R2는 승용차 0.909, 버스 0.923, 지하철 0.922, 택시 0.745로 매우 높은 값을 가지며, F검증 결과 P값이 모두 0.05보다 매우 작게 나타났으며, 추정결과 95%신뢰수준으로 유의할 만 한 것으로 판단되어, 조사치와 모형치는 유의한 것으로 분석되었다.
설문조사한 승용차 평균접근거리 19.80km을 이용하여 θ값의 초기값을 0.050을 설정하였으며, 2-Dimentional Blancing을 활용하여 반복 수행한 결과 θ이 0.5 이상시는 수렴이 되지 않았으며, 2-Dimentional Blancing의 θ값은 0.0395에서 가장 통행분포가 유사한 것으로 분석 되었다.
엔트로피 극대화인 2-Dimentional Blancing을 활용하여 서울역 접근수단별 파라메타 산정 결과 승용차 0.0395, 버스 0.0390, 지하철 0.0415, 택시 0.0650으로 분석되었다
접근 수단별 평균통행거리 분석결과 승용차는 조사치 대비 2.29km가 증가하였으며, 버스는 0.67km, 지하철은 0.35km로 각각 증가 하였으며, 택시는 0.12km가 감소한 것으로 분석 되었다. 조사치와 모형치의 통행거리빈도분포를 활용하여 회귀분석한 결과 R2 는 승용차 0.
접근수단별 특징을 살펴보면 승용차 및 버스는 통행거리가 넓게 분포하는 반면, 택시는 30km 이상은 거의 없는 것으로 분석되었다. 그러한 이유는 택시비용에 의한 통행저항으로 분석되며, 지하철은 장거리인 경기도 외곽에 지하철이 없어 장거리에 경우에는 출발지에서부터 타 수단을 이용하는 것으로 분석되었다.
12km가 감소한 것으로 분석 되었다. 조사치와 모형치의 통행거리빈도분포를 활용하여 회귀분석한 결과 R2 는 승용차 0.909, 버스 0.923, 지하철 0.922, 택시 0.745로 매우 높은 값을 가지며, F검증 결과 P값이 모두 0.05보다 매우 작게 나타났으며, 추정결과 95%신뢰수준으로 유의할 만 한 것으로 판단되어, 조사치와 모형치는 유의한 것으로 분석되었다.
후속연구
현재 국가교통DB의 철도OD는 출발지와 도착지의 OD표로만 작성되어, 현재의 통행특성인 출발지-고속철도 승차역 - 고속철도 하차역 - 도착지의 특성이 반영되어 있지 않으며, 고속철도역사의 접근수단별 OD을 산출하기 어려운 문제점을 가지고 있다. 고속철도 역사의 역세권 및 수단별 접근통행분포를 고려한 연계환승 계획시 활용 할수 있을 것으로 판단된다.
교통수요의 추정은 분석대상지역에 대한 통행실태를 통하여 교통수요를 추정하며, 본 연구의 고속철도 서울역 전체 이용자를 대상으로 설문조사하는 것은 현실적으로 어려우며, 설문조사를 통한 조사치를 기준으로 모형화하는 과정에서 어느 정도 오차가 수반되고, 그 결과가 현실적으로 반영하기는 한계가 있다. 또한 현재 국내의 고속철도 역사별 접근 O/D의 통행발생·도착량, 통행분포, 접근수단에 대한 연구가 전무하여 본 연구의 조사치를 활용한 모형화는 비교할수 있는 테이터가 없어 신뢰성 및 적정성 측면에서는 판단하기가 어렵다.
본 연구를 통하여 역세권 개발에 따른 환승체계, 환승시스템, 수단연계 등 역세권의 통행분포를 고려한 공간적 범위 설정에 따른 개선이 이루워 질수 있을 것이라 판단된다. 이러한 연구의 배경과 필요성을 바탕으로 설문조사의 데이터를 이용한 EMME/2 프로그램의 2-Dimentional Blancing을 활용한 통행분포 모형의 파라메타(θ) 추정을 통하여 통행분포 모형화를 재현하였다.
본 연구에서는 고속철도 개통이후 경부고속철도 서울역을 대상으로 역세권의 통행실태를 조사하여 접근수단인 승용차, 버스, 지하철, 택시 수단별 통행분포 모형을 통해 추정 통행량을 재현 할 수 있다면, 통행분포모형의 파라메타 보정만으로 장래 수요의 통행분포 및 변화되는 통행을 예측 할 수 있을 것으로 판단된다. 현재 국가교통DB의 철도OD는 출발지와 도착지의 OD표로만 작성되어, 현재의 통행특성인 출발지-고속철도 승차역 - 고속철도 하차역 - 도착지의 특성이 반영되어 있지 않으며, 고속철도역사의 접근수단별 OD을 산출하기 어려운 문제점을 가지고 있다.
통행거리빈도분포를 5km 단위로 설정하여 분석하였으나, 향후에는 통행거리빈도분포를 중죤단위에서 소죤단위(행정동)로 세분화 연구가 필요하며, 통행거리 0~5km 구간의 분포을 반영할수 있는 결합함수(Combined functon)을 활용한 중력모형과 3-Dimentional Blancing을 적용한 연구가 필요할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
엔트로피 이론은 어떤 분야가 발달 된 이론인가?
엔트로피 이론은 자연과학의 열역학 및 통계역학분야에서 입자들의 상태에 대한 불확실성을 규명하기 위해 시도된 것 으로 정보이론, 사회과학 등의 분야에 도입되어 발달한 이론이다. 엔트로피란 “어떤 체계의 가장 있음직한 상태(the most likely state of a system)로 정의되는데, 즉 엔트로피가 큰 상태가 가장 큰 확률적으로 존재가능성이 큰 상태가 된다.
엔트로피의 정의는?
엔트로피 이론은 자연과학의 열역학 및 통계역학분야에서 입자들의 상태에 대한 불확실성을 규명하기 위해 시도된 것 으로 정보이론, 사회과학 등의 분야에 도입되어 발달한 이론이다. 엔트로피란 “어떤 체계의 가장 있음직한 상태(the most likely state of a system)로 정의되는데, 즉 엔트로피가 큰 상태가 가장 큰 확률적으로 존재가능성이 큰 상태가 된다. 이러한 개념에서 wilson에 의해 도시내의 통행발생의 관계를 설명하기 위해 발전되었다.
참고문헌 (18)
교통개발연구원(2003) 수도권 및 5대 광역권 여객통행량 분석 보고서.
국토해양부(2011), 제4차 개정 교통시설 투자평가 지침 보고서.
김종형(2000) Gradient 방법에 의한 통행량기반 수요추정 연구, 서울시립대학교 도시공학 대학원 박사학위 논문.
노정현(1991) 엔트로피 극대화 통행배분 모형의 효율적 해법개발.
노정현, 김재진, 김태균(2005) 고속도로 이용차량에 대한 통행분포 모형의 적합성 연구: 중력모형과 간섭기회 모형의 비교, 국토연구, pp. 93-104.
서울시정개발연구원(1998) 서울시 교통수요 예측모형의 정립 보고서.
서울시정개발연구원(2004) 서울시 교통수요 예측 및 대응방안 연구 .보고서.
수도권교통본부(2009) 수도권 장래교통 수요예측 및 대응방안 연구 보고서.
원제무, 강경우, 정용기(2001) 고속도로 O/D자료를 이용한 Entropy 극대화모형의 통행저항계수 추정에 관한 연구, 대한국토.도시계획학회, pp. 101-p110.
이승재, 손의영, 김종영(2000) 통행시간분포를 이용한 교통량기반 추정 O/D의 신뢰성 평가에 관한 연구, 대한교통학회지, 대한교통학회
※ AI-Helper는 부적절한 답변을 할 수 있습니다.