차종구분 영상조사 자료를 활용한 TCS기반 고속도로 O/D 구축: 화물자동차 중심으로 Estimation of Expressway O/D Matrices from TCS data by Using Video Survey Data for Vehicle Classification: Focused on Truck원문보기
TCS자료를 통한 고속도로 화물자동차 수요추정은 많은 한계가 있다. 본 연구는 TCS자료의 차종을 재분류하기 위한 영상조사를 수행하여 고속도로 도시유형별/권역별 차종비율을 분석하였다. 또한, 도시유형별/권역별 차종비율과 TCS자료를 활용하여 2011년 기준 TCS기반 고속도로 화물자동차 O/D를 구축하였다. 본 연구에서 구축한 고속도로 화물자동차 O/D분석결과, 화물자동차 톤급별 평균통행거리는 소형화물차 52km/대, 중형화물차 56km/대, 대형화물차 97km/대로 나타났다. 또한 전국 고속도로를 대상으로 관측교통량과 배정교통량의 오차율이 30% 이하인 관측지점은 전체 관측지점의 87.3%로 나타났다. 본 연구는 고속도로 화물자동차 수요추정을 위한 차종별 고속도로 O/D 구축이라는 점에서 의미가 있으며, 고속도로 장래화물수요예측에 크게 기여할 것으로 판단된다.
TCS자료를 통한 고속도로 화물자동차 수요추정은 많은 한계가 있다. 본 연구는 TCS자료의 차종을 재분류하기 위한 영상조사를 수행하여 고속도로 도시유형별/권역별 차종비율을 분석하였다. 또한, 도시유형별/권역별 차종비율과 TCS자료를 활용하여 2011년 기준 TCS기반 고속도로 화물자동차 O/D를 구축하였다. 본 연구에서 구축한 고속도로 화물자동차 O/D분석결과, 화물자동차 톤급별 평균통행거리는 소형화물차 52km/대, 중형화물차 56km/대, 대형화물차 97km/대로 나타났다. 또한 전국 고속도로를 대상으로 관측교통량과 배정교통량의 오차율이 30% 이하인 관측지점은 전체 관측지점의 87.3%로 나타났다. 본 연구는 고속도로 화물자동차 수요추정을 위한 차종별 고속도로 O/D 구축이라는 점에서 의미가 있으며, 고속도로 장래화물수요예측에 크게 기여할 것으로 판단된다.
Truck demand analysis based on TCS data has limitation in that TCS data can not provide truck O/D data for each type of truck vehicle. This study conducted video survey for classifying truck vehicle types. By using TCS data and vehicle ratio by region/cities type, truck O/D data on expressway were e...
Truck demand analysis based on TCS data has limitation in that TCS data can not provide truck O/D data for each type of truck vehicle. This study conducted video survey for classifying truck vehicle types. By using TCS data and vehicle ratio by region/cities type, truck O/D data on expressway were estimated. It was found that average travel distances of small truck, medium truck and large truck were 52km/veh, 56km/veh and 97km/veh, respectively by analysing truck O/D data estimated in this study. The reliability analysis showed that check points where error rate is lower than 30% comprise of 87.3%. It is considered that estimated O/D data by truck vehicle types would be useful for the analysis of truck demand of expressway.
Truck demand analysis based on TCS data has limitation in that TCS data can not provide truck O/D data for each type of truck vehicle. This study conducted video survey for classifying truck vehicle types. By using TCS data and vehicle ratio by region/cities type, truck O/D data on expressway were estimated. It was found that average travel distances of small truck, medium truck and large truck were 52km/veh, 56km/veh and 97km/veh, respectively by analysing truck O/D data estimated in this study. The reliability analysis showed that check points where error rate is lower than 30% comprise of 87.3%. It is considered that estimated O/D data by truck vehicle types would be useful for the analysis of truck demand of expressway.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
또한 TCS 3종은 High-Pass자료를 통해 중형화물자동차를 재보정하였다. 따라서 본 연구는 화물자동차 수요 추정을 위한 차종을 승용차, 버스, 소형화물자동차, 중형화물자동차, 대형화물자동차로 재분류하여 도시유형별/권역별 차종비율을 산정하였다. <그림 2> 는 영상조사 자료를 이용하여 차종비율 보정방법을 나타낸 것이다.
본 연구는 TCS자료의 차종을 재분류하기 위한 영상조사를 수행하여 고속도로 도시유형별/권역별 차종비율을 분석하고자 한다. 또한 도시유형별/권역별 차종비율과 TCS자료를 활용하여 2011년 기준 TCS기반 고속도로 O/D를 구축하여 화물자동차의 통행특성을 분석하고자 한다.
본 연구는 TCS기반 고속도로 O/D의 신뢰성을 측정하기 위하여 추정된 고속도로 O/D를 이용하여 배정교통량과 도로교통량 통계연보의 관측교통량을 비교하였다. 오차율(%)은 수식 (3)과 같이 정의하고 이를 신뢰도 지표라 가정하였다.
본 연구는 TCS자료의 차종을 재분류하기 위한 영상조사를 수행하여 고속도로 도시유형별/권역별 차종비율을 분석하고자 한다. 또한 도시유형별/권역별 차종비율과 TCS자료를 활용하여 2011년 기준 TCS기반 고속도로 O/D를 구축하여 화물자동차의 통행특성을 분석하고자 한다.
본 연구는 TCS자료의 차종을 재분류하기 위한 영상조사를 수행하여 고속도로 도시유형별/권역별 차종비율을 분석하였다. 또한, 도시유형별/권역별 차종비율과 TCS자료를 활용하여 2011년 기준 TCS 기반 고속도로 화물자동차 O/D를 구축하였다.
본 연구는 통행특성을 분석하기 위해 전국 지역 간 화물자동차 O/D와 TCS기반 고속도로 화물자동차 O/D의 화물자동차 통행특성을 비교분석하였다. 화물자동차 통행특성 분석결과는 <표 10>과 같이 고속도로에서 중형화물자동차가 소․대형화물자동차에 비해 통행량이 매우 적은 것으로 나타났다.
신언교 외(1999)는 영업소간 O/D를 이용하여 교통죤간 O/D를 추정하는 모형을 구축하였다. 이 연구는 고속도로의 배정교통량과 실제교통량과 비교해 고속도로 이용차량에 대한 교통죤 간 O/D 정확도를 향상시킬 수 있는 방법을 제시하였다. 이승재 외(2001)는 TCS자료와 관측된 구간교통량 자료를 이용하여 Gradient 기법[12]으로 고속도로 O/D를 보정하였다.
최기주 외(2011)은 TCS 자료를 이용한 재차인원별 O/D를 구축하였다. 이는 재차인원 정보를 추가로 조사하여 수단별 O/D를 산출하는 과정 및 방법론을 제시하였다. <표 2>는 기존연구를 요약한 것이다.
가설 설정
둘째, 출발지+도착지특성을 반영한 방법론은 수식 (2)와 같다. 이 방법은 출발지 특성과 도착지특성을 동시에 반영하였다.
본 연구는 TCS기반 고속도로 O/D의 신뢰성을 측정하기 위하여 추정된 고속도로 O/D를 이용하여 배정교통량과 도로교통량 통계연보의 관측교통량을 비교하였다. 오차율(%)은 수식 (3)과 같이 정의하고 이를 신뢰도 지표라 가정하였다.
<그림 3>은 소형화물자동차 O/D 구축 예시를 나타낸 것이다. 우선, TCS자료 중 서울TG에서의 1종 총발생량은 1일 100,000대이며, 서울TG에서 천안 TG까지 50,000대/일(50%), 서울TG에서 순천TG까지 10,000대/일(10%)로 가정하였다.
제안 방법
서울대학교(2007)는 KTDB O/D에 도로 교통통계연보 차종비율을 적용하여 화물자동차 O/D를 구축하였다. 그러나 본 연구에서는 KTDB O/D가 아닌 TCS O/D와 차종구분을 위한 영상조사 자료를 통해 차종별 고속도로 O/D를 구축하였다.
우선 2011년 TCS 자료를 통해 요금소 기반 TCS O/D를 구축하였다. 다음으로 차종구분을 위한 영상조사 자료를 이용하여 고속도로 수요추정을 위한 차종별 고속도로 O/D를 구축하였다. 마지막으로 본 연구에서 구축한 고속도로 O/D와 KTDB O/D 자료를 이용하여 오차율을 검증하였다.
출발지+도착지 특성을 반영한 방법론은 출발지 특성만을 고려한 방법론에 비해 신뢰성이 있으나, 거리특성을 반영하지 못하는 한계가 있다. 따라서 본 연구는 출발지+도착지 특성을 반영한 방법론을 이용하여 TCS 기반 고속도로 O/D를 구축하였다. 또한 거리특성을 반영하기 위해 중력모형을 이용하여 보정하였다.
본 연구는 TCS자료의 차종을 재분류하기 위한 영상조사를 수행하여 고속도로 도시유형별/권역별 차종비율을 분석하였다. 또한, 도시유형별/권역별 차종비율과 TCS자료를 활용하여 2011년 기준 TCS 기반 고속도로 화물자동차 O/D를 구축하였다. 추정된 고속도로 O/D 신뢰도는 87.
다음으로 차종구분을 위한 영상조사 자료를 이용하여 고속도로 수요추정을 위한 차종별 고속도로 O/D를 구축하였다. 마지막으로 본 연구에서 구축한 고속도로 O/D와 KTDB O/D 자료를 이용하여 오차율을 검증하였다.
본 연구는 영상조사의 세부차종을 승용차・승합차, 미니트럭, 소형화물자동차, 중형버스, 중형화물자동차, 대형버스, 대형화물자동차로 구분한 후, TCS 자료를 이용하여 차종비율을 보정하였다. 또한 TCS 3종은 High-Pass자료를 통해 중형화물자동차를 재보정하였다.
신뢰도 분석9)결과는 과 같이 본 연구에서 구축한 TCS 기반 승용차, 버스, 소형화물차, 중형화물차, 대형화물차 O/D를 이용하여 분석하였다.
조사대상은 해당 조사지점의 진입요금소를 통과하는 모든 차량이다. 영상조사는 개방식이 아닌 폐쇄식 구간 톨게이트에서 수행하였다.
기존 TCS자료의 차종은 화물자동차의 차종구분이 명확하지 않기 때문에 교통수요추정에 한계가 있다. 영상조사는 화물자동차 수요추정을 위한 차종을 재분류하였다. <표 5>는 TCS 자료의 차종을 재분류한 결과이다.
본 연구의 수행과정은 <그림 1>과 같다. 우선 2011년 TCS 자료를 통해 요금소 기반 TCS O/D를 구축하였다. 다음으로 차종구분을 위한 영상조사 자료를 이용하여 고속도로 수요추정을 위한 차종별 고속도로 O/D를 구축하였다.
주요 고속도로 노선별 신뢰도는 관측지점수가 15 개 이상인 노선에 대해 분석하였다. <표 9>는 관측 지점수가 15개 이상인 구간을 나타낸 것으로, 고속도로 전체 관측지점수의 약 60%를 차지한다.
차종구분을 위한 영상조사는 연구의 취지에 따라 도시유형별/권역별 차종비율을 분석하여 고속도로 화물자동차 O/D를 구축하는 방향으로 진행하였다. 조사시기는 2011년 10월 20일(목) AM 07:00∼ 2011년 10월 21일(금) AM 07:00까지이다.
차종구분을 위한 영상조사의 차종비율 결과를 적용하기 위해 전국 329개 고속도로 영업소를 권역별, 도시유형별로 분류하였다. <표 3>은 전국 고속도로 영업소의 유형을 분류한 결과이다.
대상 데이터
고속도로의 대표적인 기초자료는 TCS(Toll Collection System)에서 수집한다. TCS자료는 고속도로를 이용하는 모든 차량에 대한 정보를 수집하기 때문에 신뢰도 및 활용도가 매우 높다.
본 연구는 영상조사의 세부차종을 승용차・승합차, 미니트럭, 소형화물자동차, 중형버스, 중형화물자동차, 대형버스, 대형화물자동차로 구분한 후, TCS 자료를 이용하여 차종비율을 보정하였다. 또한 TCS 3종은 High-Pass자료를 통해 중형화물자동차를 재보정하였다. 따라서 본 연구는 화물자동차 수요 추정을 위한 차종을 승용차, 버스, 소형화물자동차, 중형화물자동차, 대형화물자동차로 재분류하여 도시유형별/권역별 차종비율을 산정하였다.
<표 3>은 전국 고속도로 영업소의 유형을 분류한 결과이다. 또한 영상 조사는 예산상의 한계로 6대 권역6) 및 4개 도시유형7)을 대표하는 총 24개 지점을 선정하였다. 고속 도로 차종구분을 위한 영상조사 지점선정 결과는 <표 4>와 같다.
본 연구는 2011년 도로교통량 통계연보의 고속도로 관측지점8)을 대상으로 신뢰도를 검증하였다. 신뢰도 분석9)결과는 <표 8>과 같이 본 연구에서 구축한 TCS 기반 승용차, 버스, 소형화물차, 중형화물차, 대형화물차 O/D를 이용하여 분석하였다.
본 연구는 한국도로공사의 TCS자료와 차종구분을 위한 영상조사 자료를 활용하여 고속도로 수요 추정을 위한 승용차, 버스, 화물자동차 O/D를 구축하였다. 화물자동차 O/D는 출발지 특성만을 반영한 방법론과 출발지+도착지 특성을 반영한 방법론에 의해 구축된다.
TCS자료는 전국 고속도로 영업소간 자료로써, 선별, 영업소별, 차종별 1일 구간교통량을 파악할 수 있다. 이는 전국 약 320여개 영업소를 통과하는 모든 차량을 대상으로 수집한다. 한국도로공사 TCS 자료의 차종구분은 <표 1>과 같이 요금징수를 위한 목적으로 차종을 구분하기 때문에 고속도로 수요추정에 한계가 있다.
차종은 화물수요분석을 위해 7종으로 선정하였다. 조사대상은 해당 조사지점의 진입요금소를 통과하는 모든 차량이다. 영상조사는 개방식이 아닌 폐쇄식 구간 톨게이트에서 수행하였다.
조사시기는 2011년 10월 20일(목) AM 07:00∼ 2011년 10월 21일(금) AM 07:00까지이다.
차종은 화물수요분석을 위해 7종으로 선정하였다. 조사대상은 해당 조사지점의 진입요금소를 통과하는 모든 차량이다.
이론/모형
따라서 본 연구는 출발지+도착지 특성을 반영한 방법론을 이용하여 TCS 기반 고속도로 O/D를 구축하였다. 또한 거리특성을 반영하기 위해 중력모형을 이용하여 보정하였다.
성능/효과
고속도로 O/D 신뢰도 분석결과, 승용차가 83.1% 로 가장 높게 분석되었으며, 그 다음으로 대형화물자동차(80.6%), 중형화물자동차(57.1%), 소형화물자동차(52.8%), 버스(45.5%) 순으로 분석되었다. 버스의 신뢰도가 가장 낮게 나타난 이유는 정해진 노선에 따라 통행하기 때문이다.
화물자동차 톤급별 평균통행거리 분석결과, 소형 화물자동차 52km/대, 중형화물자동차 56km/대, 대형화물자동차 97km/대로 분석되었다. <그림 6>과 같이 소형, 대형화물자동차는 전국 지역간 화물자동차 O/D 자료의 평균통행거리에 비해 약 20km/대 이상 긴 것으로 나타났다.
도시유형별 평균차종비율은 승용차의 경우 광역도시가 74.6%로 가장 높은 것으로 분석되었으며, 버스의 경우 광역도시가 3.1%로 가장 높은 것으로 나타났다. 소형, 중형 및 대형화물자동차는 산업도시가 각각 11.
버스의 경우, 철도와 같이 Transit Line에 따라 Transit Assingment 기법을 통해 별도로 추정해야 할 것으로 판단된다. 또한 전국 지역간 O/D와 고속도로 O/D 비교 결과, 고속도로 O/D의 신뢰도가 전체적으로 높게 나타났다. 신뢰도 차이는 차종별로 대형화물자동차(34.
<그림 7>은 화물자동차의 거리대별 분포를 나타낸 것이다. 소형화물자동차는 통행거리가 50-100km 이상 구간에서 중․대형화물자동차에 비해 통행량이 급격히 감소하는 것으로 분석되었다.
영상조사 자료 분석결과, 조사 영업소별 평균차 종비율은 승용차 70.3%, 버스 2.8%, 소형화물자동차 10.9%, 중형화물자동차 7.9%, 대형화물자동차 8.1%로 분석되었다. <그림 4>는 고속도로의 평균차종비율을 나타낸 것이다.
<표 9>는 관측 지점수가 15개 이상인 구간을 나타낸 것으로, 고속도로 전체 관측지점수의 약 60%를 차지한다. 주요 노선별 분석결과, 고속도로 O/D 신뢰도는 노선에 따라 다소 차이가 있으나, 69%~100%로 매우 높게 나타났다.
권역별 영업소 평균차종비율은 <표 7>과 같다. 차종별로 살펴보면, 승용차 비중이 가장 높으며, 버스 비중이 가장 낮게 분석되었다. 화물자동차의 평균차종비율 결과, 소형화물자동차 비율은 수도권이 가장 높았으며, 중대형화물자동차는 전라권이 가장 높게 나타났다.
화물자동차 톤급별 평균통행거리 분석결과, 소형 화물자동차 52km/대, 중형화물자동차 56km/대, 대형화물자동차 97km/대로 분석되었다. <그림 6>과 같이 소형, 대형화물자동차는 전국 지역간 화물자동차 O/D 자료의 평균통행거리에 비해 약 20km/대 이상 긴 것으로 나타났다.
화물자동차 통행특성 분석결과는 과 같이 고속도로에서 중형화물자동차가 소․대형화물자동차에 비해 통행량이 매우 적은 것으로 나타났다.
차종별로 살펴보면, 승용차 비중이 가장 높으며, 버스 비중이 가장 낮게 분석되었다. 화물자동차의 평균차종비율 결과, 소형화물자동차 비율은 수도권이 가장 높았으며, 중대형화물자동차는 전라권이 가장 높게 나타났다. 전라권과 경남권은 대형화물자동차 비율이 소중형화물자동차 비율보다 높게 분석되었다.
후속연구
마지막으로 본 연구는 고속도로 O/D를 구축하여 신뢰도 검증하고 결과를 제시하였으나, 과대/과소 추정이 일어나는 원인과 오차를 보정하기 위한 세밀한 연구가 필요하다. 또한 KTDB O/D와 단순 비교한 결과만을 제시하였으나, 향후 연구에는 KTDB O/D와 TCS O/D 자료를 통합하여 현재보다 신뢰도를 높이기 위한 노력이 필요할 것으로 판단된다.
셋째, 본 연구의 범위가 고속 도로에 한정되어 있으나, 고속도로만이 아닌 기타 도로(일반국도, 지방도 등)를 포함하는 연구도 진행 되어야 할 것으로 판단된다. 마지막으로 본 연구는 고속도로 O/D를 구축하여 신뢰도 검증하고 결과를 제시하였으나, 과대/과소 추정이 일어나는 원인과 오차를 보정하기 위한 세밀한 연구가 필요하다. 또한 KTDB O/D와 단순 비교한 결과만을 제시하였으나, 향후 연구에는 KTDB O/D와 TCS O/D 자료를 통합하여 현재보다 신뢰도를 높이기 위한 노력이 필요할 것으로 판단된다.
본 연구는 고속도로에서의 화물자동차 O/D를 구축했다는 점에서 의미가 있으나, 많은 개선사항이 필요하다. 먼저, 영상조사를 통해 도시유형별/권역별 차종비율을 산정하였으나, 조사 표본수가 작으므로 대표성에 한계가 있다.
둘째, TCS기반 고속도로 화물자동차 O/D 자료의 신뢰도 검증을 관측교 통량과의 비교를 통해 파악한다는 관점은 논란의 소지가 있을 수 있다. 셋째, 본 연구의 범위가 고속 도로에 한정되어 있으나, 고속도로만이 아닌 기타 도로(일반국도, 지방도 등)를 포함하는 연구도 진행 되어야 할 것으로 판단된다. 마지막으로 본 연구는 고속도로 O/D를 구축하여 신뢰도 검증하고 결과를 제시하였으나, 과대/과소 추정이 일어나는 원인과 오차를 보정하기 위한 세밀한 연구가 필요하다.
3%로 매우 높게 나타났다. 이러한 결과는 향후 고속도로 화물자동차 수요분석에 크게 기여할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
2009년 국내 수단별 화물수송실적은?
2009년 국내 수단별 화물수송실적1)은 도로 74.1%, 해운 18.9%, 철도 6.9%, 항공 0.1%이다[9]. 2001년도에 비해 도로분담율은 8.
TCS기반 고속도로 O/D의 신뢰도가 높은 이유는?
3%로 매우 높게 나타났다. TCS기반 고속도로 O/D의 신뢰도가 높은 이유는 TCS자료가 전수화된 자료이며, 별도의 고속도로 네트워크를 구축하여 통행배정 했기 때문이다. 다시 말해 KTDB O/D는 고속도로, 일반국도, 국지도, 지방도등 모든 도로등급이 포함된 전국 네트워크를 사용했기 때문에 본 연구에 비해 신뢰도가 다소 낮게 나타났다.
철도와 해운의 역할이 축소되고 도로 역할이 확대했음을 의미하는 내용은?
2009년 국내 수단별 화물수송실적1)은 도로 74.1%, 해운 18.9%, 철도 6.9%, 항공 0.1%이다[9]. 2001년도에 비해 도로분담율은 8.2% 증가했으나 해운과 철도는 각각 7.5%, 0.7% 감소하였다. 이는 철도와 해운의 역할이 축소되고 도로 역할이 확대했음을 의미한다.
참고문헌 (15)
Choi, G., Lee, J., Lee, Y., Baek, S., "An Occupancy based O/D Data Construction Methodology for Expressway Network", Journal of the Korean Society of Civil Engineers, vol. 30, no. 6D, pp. 569-575, 2010
Jung, S., Kim, I., "Network Calibration and Validation of Dynamic Traffic Assignment with nationwide Freeway Network Data of South Korea", Journal of Korean Society of Transportation, vol. 26, no. 4, pp. 205-215, 2008
Korea Expressway Corporation homepage, Vehicle Type on TCS Data, http://www.ex.co.kr/
Korea Expressway Corporation, "An Analysis for Construction of vehicle classification estimation model from the TCS data(TCS데이터로부터 차종별 교통량 추정모형구축을 위한 조사 분석)", 2000
Korea Institute of Construction Technology, "Statistical Yearbook of Traffic Volume", 2011
Kwon, H., Seo, S., Kim, N., "Improvement of Methods Estimating Korean Macroeconomic Logistics Costs", The Korea Transport Institute, 2011
Lee, S., Kim, J., Lee, H., Chang, H., Byun, S., and Choi, D., "Origin and Destination Matrix Estimation Using Toll Collecting System and AADT data", Journal of Korean Society of Transportation, vol. 19, no. 5, pp. 49-59, 2001
Lim, Y., Kim, H., Baek, S., Development and Application of 힌 OD Matrix Estimation With Genetic Algorithm for Seoul Inner-ringroad, Journal of Korean Society of Transportation, vol. 18, no. 4, pp.117-126, 2000
Seoul National University, "A Study on Reliability Validation of freight O/D(화물 O/D 신뢰도 검증 에 관한 연구)", Graduate School of Environmental Studies Seoul National University, 2007
Shin, E., Hwang, B ., Shin, S., "An Approach for Estimating Traffic-Zonal Origin-Destination Matrices (O-D) from Toll Collection System's Ones", Journal of Korean Society of Transportation, vol. 17, no. 1, pp. 7-17, 1999
Spiess H, "Gradient Approach for OD Matrices Adjustment Problem", Center for Reseach on Transportation, 1990
The Korea Transport Institute, "National Transportation Demand Survey and Database Establishment in 2010: Actualizing of Nation Area Freight O/D(2010년 국가교통수요조사 및 DB 구축 사업: 전국 지역간 화물 O/D 보완갱신)", 2011
Yu, J., Lee, M., "Construction Method of Time-dependent Origin-Destination Traffic Flow for Expressway Corridor Using Individual Real Trip Data", Journal of the Korean Society of Civil Engineers, vol. 31, no. 2D, pp. 185-192, 2011
Zhou X., S. erdogan and H. S. Mahmassani, Dynamic Origin-Destination trip demand estimation for subarea analysis, Transportation Research Record 1964, Transportation Research Board, pp. 176-184, 2006
Zijpp V. D., Dynamic OD-Matrix Estimation from traffic counts and automated vehicle identification data, Transportation Research Record 1607, Transportation Research Board, 1997
※ AI-Helper는 부적절한 답변을 할 수 있습니다.