[논문]끼어들기위반 단속장비의 교통정체 측정에 관한 연구

유성준; 정준하; 홍순진; 강수철

doi:10.12815/kits.2013.12.6.068

끼어들기위반 단속장비의 교통정체 측정에 관한 연구
A Study on the Measurement of Intruding Vehicles Enforcement System of Traffic Jam 원문보기

韓國ITS學會論文誌 = The journal of the Korea Institute of Intelligent Transportation Systems, v.12 no.6, 2013년, pp.68 - 77

유성준 (도로교통공단 교통과학연구원) , 정준하 (도로교통공단 교통과학연구원, 교통공학연구실) , 홍순진 (도로교통공단 교통과학연구원) , 강수철 (도로교통공단 교통과학연구원)

초록
AI-Helper

본 연구에서는 끼어들기 위반단속시스템 개발을 위한 교통정체판정방법에 대한 실험적 연구결과를 제시하였다. 해당 정체판정 방법은 정체를 검지하여 끼어들기 위반단속시스템의 최적 구동기준을 결정하는데 목적이 있다. ITS 분야에서 일반적으로 정체판정은 구간통행속도를 기준으로 한다. 그러나 영상검지 방식적용 시 속도오차 등으로 인해 정체판정의 오류가 높게 나타날 수 있으며, 본 연구에서는 현장실험을 통해 속도와 점유율을 종합적으로 고려한 방식을 제시하였다. 현장실험 결과 영상검지체계 기반의 끼어들기위반 단속시스템에서 정체판정 기준으로 속도의 경우 20km/h, 점유율의 경우 60% 이상의 조건을 적용할 경우 실제 정체상황과 같은 결과를 얻을 수 있었고, 정확도를 높일 수 있었다.

Abstract ▼ AI-Helper

This study suggested experimental study results of congestion detection method for intruding vehicle enforcement system. This congestion detection method is developed to determine optimal operation criteria of intruding vehicle enforcement system as detecting traffic congestion. In ITS sector, traffic management systems generally have used a sectional travel speed for congestion detection. However, image sensors have high error rate of congestion detection because of speed error. This study suggested comprehensive congestion detection criteria based on speed and occupancy rate using field studies. As field study results, the proposed intruding vehicle enforcement system using image sensor is capable of accurately detecting the traffic congestion using sectional speed of 20km/h and occupancy rate of 60% as congestion detection criteria.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

끼어들기 위반 단속장비의 효율적인 운영방안을 위한 램프구간의 정체 판단 기준 제시가 필요하다. 따라서 본 연구에서는 램프구간의 정체 판단 기준을 끼어들기 위반 단속장비 현장실험을 통하여 최적의 효율적인 정체판단 기준을 제시하는 데 있다.
따라서, 끼어들기 위반 단속장비는 램프구간의 정체 시 끼어들기 위반하는 차량을 단속하는 시스템으로 본 논문에서는 끼어들기 위반 단속장비의 효과적인 정체판단 방법을 고찰하고 현장실험을 통해 정체판단 기준을 제시하는데 목적이 있다.
본 연구는 교통법규 위반 행위 중 끼어들기 위반 차량에 대해 자동으로 검지하여 단속할 수 있는 시스템을 개발함에 있어 정체를 어떻게 판단할 것인가에 대한 실험적 연구결과를 제시하는데 그 목적이 있다.
정체 판단을 하는 방안으로는 램프구간의 차량 평균 주행속도와 점유율 등 방안이 있다. 본 연구는 램프구간 정체시 램프구간에서 끼어들기 위반 차량 단속을 위한 램프구간의 정체판단 기준을 제시하는데 있다. 끼어들기 위반 단속장비의 효율적인 운영방안을 위한 램프구간의 정체 판단 기준 제시가 필요하다.
연구의 방법으로는 현장에 시범 설치되어 있는 끼어들기 위반 단속장비를 통해 고찰한 정체판단 방법이 효과적인지를 분석하고 직접 현장에 적용하여 정체판단에 오류가 없는지를 분석하여 그 결과를 제시하고자 한다.
이에 본 연구에서는 끼어들기 위반 단속장비의 시스템적 특성을 고려하여 정체판단 방법을 고찰하고 정체판단 기준을 모색하는데, 목적이 있다.
이에 본 연구에서는 영상검지 기반의 시스템 특성을 고려하여 검지영역 100m에서 구간 점유율과 구간 평균속도를 함께 사용함으로서 정체의 판단정확도를 높이는 방법을 제시하고자 하며, 시스템에 적용한 후 현장 테스트를 통해 끼어들기 위반 단속장비에서 정체판단 방법의 적정성을 제시하고자 한다.

제안 방법

⑤ 5분간의 평균속도(AV)가 20km/h 이하인 경우 정체로 판단

속도로 정체를 판단하는 방법을 위 2가지로 고찰하였고 현장에서 적용하여 테스트 한 결과 영상검지 방식으로 적용된 시스템을 고려하여 세로축 변화량에 의한 속도산출 방식을 적용하였고 구간 평균속도 20km/h 이하일 때, 정체로 판단하도록 하였다.
검지영역 내에서 정체 시 점유율 기준 선정을 위해 사전 현장 분석을 실시하였다. 검지영역 중간지점에서 지점 속도가 20km/h 이하 일 때의 차량대수를 직접 측정하여 이 경우 시스템에서 측정하는 점유율을 확인하였다.
검지영역 내에서 정체 시 점유율 기준 선정을 위해 사전 현장 분석을 실시하였다. 검지영역 중간지점에서 지점 속도가 20km/h 이하 일 때의 차량대수를 직접 측정하여 이 경우 시스템에서 측정하는 점유율을 확인하였다.
끼어들기 위반 차량을 검지하기 위해 앞서 고찰한 정체 판단 방법을 점유율과 구간평균속도로 적용하였고 각각의 정체판단 기준은 점유율 60% 이상일 때, 구간평균속도 20Km/h 이하일 때를 적용하였고 2가지 조건이 모두 만족될 때 정체로 판단하는 방법을 적용하였다.
따라서 본 논문에서 정체를 판단하기 위한 속도 계측은 연속적인 영상에서 차량이 진행하면 일반적으로 차량이 가로축(x축)의 변화량보다 세로축(y축)의 변화량이 현저하게 크다는 점을 감안하여 영상의 검지영역에서 세로축(y축)의 변화량을 구하였다. 여기서 구한 y축 변화량은 차량의 검지영역 내에서 모든 차량의 변화량이기 때문에 다음 처리과정에서 검지영역내의 차량수를 구한다.
만약 세로길이를 측정한다 하더라도 그 오차가 매우 크게 발생된다. 따라서 본 논문에서는 검지하려는 차량을 일률적으로 대 당 5m로 적용하였다.
2는 현재 처리하고 있는 영상의 세로축 320Pixel을 100m로 가정하여 산출한 값이며, 실제 거리와 영상에서의 거리 간 차이가 있기 때문에 장소에 따라 실험적으로 조정해야 한다. 속도산출의 오차를 최소화하기 위해 본 논문에서는 끼어들기 위반 차량이 램프차로로 끼어들기 시작한 시점을 기준으로 5Frame을 평균하여 다음과 같이 속도를 산출하였다.
점유율 산정에서 일률적으로 적용한 차량의 길이는 주간과 야간 모두 같은 방법으로 적용하였다. 야간에는 정확한 차량의 세로길이를 산정하는 것이 주간보다 더욱 어렵기 때문에 차량을 인식하여 차량 수에 세로길이 5m를 일률적으로 적용하여 점유율을 산정하였다.
오전 7시부터 9시까지는 출근 정체가 극심하게 발생되는 시점으로 위반차량 발생 시 정체판단 기준인 점유율과 구간평균속도를 확인하였으며, 점유율의 경우 60% 이상일 때, 구간평균속도는 20km/h 일 때, 각각 단속할 수 있도록 시스템을 설정하였다.
위 지점의 검지영역은 100m로 설정하고 검지영역 내 점유율과 구간평균속도를 측정하였다.
위반당시의 상황을 촬영 및 인식하고 위반차량의 번호를 인식해야 하는 시스템 특성을 고려하여 영상검지방식을 채택하였으며, 위반차량의 검지 및 인식 방법은 와 같이 3가지로 구분할 수 있다.
일률적으로 차량 당 세로길이를 5m로 적용한 이유는 도심지의 도로 특성 상 대형차 혼합비율이 20%를 넘지 않고 승용차 위주의 통행이 많기 때문에 승용차의 평균 세로 길이 4.5m에 대형차의 혼합 비율을 고려하여 5m로 적용하였다.
점유율 60% 이상의 교통상황은 와 같으며, 시범 운영 중인 단속 장비에서 점유율 60%일 때를 정체로 판단하도록 설정하였다.
점유율의 경우는 검지영역의 총길이를 기준으로 검지영역 내 차량이 차지하는 길이를 분석하여 점유율을 계산하고 산출된 결과를 토대로 정체 여부를 판단하는 방법을 사용하였다.
현장 실험은 올림픽대로 한남대교 남단과 양재IC에서 시범 설치되어 있는 끼어들기 위반 단속장비를 대상으로 실시하였고 각각 설정한 정체판단 기준으로 시스템 운영을 통해 적합성을 분석하였다.
현장실험은 2013년 8월 30일 07~09시까지 2시간 동안 실시하였으며, 5분 주기로 점유율과 구간평균 속도를 산출하였다.

데이터처리

식 (1)에서 분모는 차량수를, 분자는 y축 변화량을 나타내며, 이 식을 통해 평균적으로 차량이 움직인 y축의 변화율을 구할 수 있다. 이렇게 구해진 변화량으로 현재 시범설치 한 지점의 검지영역인 100m를 기준으로 식 (2)를 통해 평균속도를 구하였다.

성능/효과

서형일(2012)은 현재 운영하고 있는 교통정보센터 자료를 이용하여 다양한 교통요인을 분석, 반영하여 종합적인 교통상황판단을 목표로 연구하였다. 그 결과 정보가공체계의 개선 방안 중 하나로 소통 상황 분류기준이 원활, 서행, 정체 중 정체에 관한 분류기준을 재정립하고 정체의 심각도 및 유형을 복합적으로 판단하였다.
더불어 단속된 차량 중 끼어들기 시점에 검지영역 내 점유율이 60% 이상이면서 구간평균속도가 20km/h 이하인 경우는 37대로 20km/h의 저속에서는 점유율이 60% 이상임을 분석할 수 있었다. 이러한 결과는 실제 현장에서 검지영역 내 교통상황을 비교한 결과 하나의 기준에 만족하여 단속되는 경우는 정체로 판단하기에는 오류율이 높다는 것을 확인할 수 있었다.
둘째, 속도 이외에 점유율을 동시에 만족하는 방법이 정체 여부를 판단하는데 정확도를 향상시킬 수 있었다.
셋째, 속도의 경우 20km/h, 점유율의 경우 60% 이상의 조건을 적용할 경우 실제 정체상황과 같은 결과를 얻을 수 있었고 정확도를 높일 수 있었다.
속도의 경우는 지점속도와 구간속도로 구분할 수 있는데, 본 논문에서는 구간속도의 측정이 적합하다. 지점속도의 경우는 비교적 계측하기가 용이하지만 램프구간에서 차량의 속도는 지점별로 상당한 차이를 보이기 때문에 검지영역 전체의 평균속도를 산출하는 것이 타당하다.
더불어 단속된 차량 중 끼어들기 시점에 검지영역 내 점유율이 60% 이상이면서 구간평균속도가 20km/h 이하인 경우는 37대로 20km/h의 저속에서는 점유율이 60% 이상임을 분석할 수 있었다. 이러한 결과는 실제 현장에서 검지영역 내 교통상황을 비교한 결과 하나의 기준에 만족하여 단속되는 경우는 정체로 판단하기에는 오류율이 높다는 것을 확인할 수 있었다. 즉, 정체 판단 방법으로 속도와 점유율 기준을 동시에 만족할 경우 정체판단의 정확도가 높음을 확인할 수 있었다.
이상과 같이 현장 적용 사례를 통해 신규로 개발되는 끼어들기 위반 단속시스템에서 정체판단 방법은 속도검지와 점유율검지를 동시에 만족하는 방법으로 적용할 경우 실제 정체상황에 거의 유사한 경우임을 현장 사례를 통해 확인할 수 있었다.
점유율 60%일 때의 평균 차두거리는 약 3m정도 였으며, 차량의 길이를 평균적으로 5m로 볼 때, 100m 구간 내에 차량이 차두 거리 약 3m를 유지할 경우 차량은 약 12대가 존재하게 되며, 이것을 점유율로 계산하면 약 60%로 산출되었다.
이러한 결과는 실제 현장에서 검지영역 내 교통상황을 비교한 결과 하나의 기준에 만족하여 단속되는 경우는 정체로 판단하기에는 오류율이 높다는 것을 확인할 수 있었다. 즉, 정체 판단 방법으로 속도와 점유율 기준을 동시에 만족할 경우 정체판단의 정확도가 높음을 확인할 수 있었다.
첫째, 속도로만 정체 여부를 판단하는 방법은 단속기준을 만족하는데, 오류율이 높다는 사실을 알 수 있었다.

후속연구

하지만 영상검지 방식의 시스템에 국한하여 현장 실험을 했다는 점은 논문의 한계점이다. 실제 끼어들기 위반 단속장비가 현장에 확대 설치되기 위해서는 정체판단의 정확도 향상 방안과 위반차량 검지 방식을 영상검지가 아닌 루프 또는 레이더검지 방식 등 검지방식의 다양화가 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	도심지의 교통에서 첨두 시간에 교통기본질서가 무너지는 사례에는 어떤 것이 있는가?	서울과 같은 대도시권의 중심업무지구(CBD : Central business district)와 CBD를 중심으로 하여 주위를 둘러싸고 있는 위성도시들이 발달함으로써 출근시간에 CBD로 집중되고 퇴근시간에는 CBD에서 위성도시로 나가는 차량들로 도심지의 교통은 하루에 2번의 큰 첨두시간을 가지게 되는데 이러한 첨두 시간에 교통기본질서가 무너지는 현상을 많이 볼수 있다. 그 대표적인 예가 안전거리미확보, 끼어들기, 교차로 꼬리물기, 불법유턴 등이 있다.
	끼어들기위반은 어떤 조항으로 정의되어 있는가?	끼어들기위반은 도로교통법 제23조에 “끼어들기 금지”라는 조항으로 정의되어 있는데, 이 법에 의하면 차량이 정지 또는 서행하고 있는 상황에서 끼어들기를 못 한다고 명시하고 있어 현재의 단속장비는 도로교통법 제23조에 의해 도로 정체 시에만 단속되도록 하고 있다.
	끼어들기의 행위는 어디에서 많이 볼 수 있는가?	특히, 끼어들기의 행위는 간선도로와 접해있는 램프구간 진입지점에서 흔히 볼 수 있는데, 끼어들기의 경우 양보하지 않으려는 차량과의 추돌사고를 야기할 수 있고 본선에서 램프차로로 끼어들기 위해 속도를 줄이기 때문에 본선 교통흐름에 악영향을 주며, 더불어 끼어드는 차량에 의해 램프차로의 대기행렬에 충격파현상으로 정체가 더욱 극심해져 결국 램프차로 및 본선차로 모두에 교통정체 발생 원인을 제공한다.

참고문헌 (9)

W. K. Kim, The Development of Detedction Algorithm by Image Detection Method about Vehicle Intrading into the Exit Ramp, Graduate School of Dongguk University, 2009
J. C. Lee, "A Study on Congestion Threshold Using Break Point Analysis in Urban Freeway" Myong ji University. 2006
H. M. Lee, "Error of The Traffic Information using Point-based Vehicle Detector", Korean Society of Transportation, Joumal of Korean Society of Transportation. 2009
Y. J. Kim, "Development of a freeway incident detection model based on traffic congestion classification scheme" Korean Society of Transportation, Joumal of Korean Society of Transportation vol. 22 no. 6, pp.175-196 December, 2004
H. I. Seo, "(A) study of qualitative traffic condition decision index development on urban arterial" Han yoang University. 2012
E. M. Park, "Preventive Congestion Management Algorithm for Ubiquitous Freeway System" Korean Society of Transportation, Joumal of Korean Society of Transportation vol. 27 no. 3, pp.161-168 June, 2009
L. A. Klein, "Sensor Technologies and Data Requirements for ITS", pp.103-115, 2002
J. H. Jang, "vehicle speed detector performance by image analysis," Journal of Transportation vol. 23, Issue 5, pp.105- 112, 2005
S. J. Yoo "Vehicle violation enforcement equipment Barge Analysis of the development and installation effects" Road Transport Corporation Transport Instruction Manual 2008-2, 2008.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

끼어들기위반 단속장비의 교통정체 측정에 관한 연구
A Study on the Measurement of Intruding Vehicles Enforcement System of Traffic Jam 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

제안 방법

데이터처리

성능/효과

후속연구

질의응답

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

끼어들기위반 단속장비의 교통정체 측정에 관한 연구 A Study on the Measurement of Intruding Vehicles Enforcement System of Traffic Jam 원문보기

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

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

데이터처리

성능/효과

후속연구

질의응답

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

유성준 (3) 정준하 (13) 홍순진 (1)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

끼어들기위반 단속장비의 교통정체 측정에 관한 연구
A Study on the Measurement of Intruding Vehicles Enforcement System of Traffic Jam 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper