본 연구는 현재 국내 BIS에서 버스도착시간 안내를 위해 개별노선 단위로 산정되고 있는 정류소간 통행시간 기반의 버스도착시간 추정 모형의 한계점을 제시하고, 이를 극복하기 위한 방안을 제시하였다. 정류소간 운행시간을 기반으로 산출되는 버스도착시간정보의 특성을 이용하여 버스노선번호에 관계없이 버스정류소에 도착한 동일 구간을 운행하는 모든 버스의 정보를 순서대로 이용하여 버스도착시간을 추정하는 버스도착시간 추정모형을 제안하였다. 제안한 모형은 실제 버스운행정보를 수집하여 RMSE를 기준으로 검증을 실시하였으며, 분석결과 오차는 기존 모형 대비 최대 20%가 감소하였고 버스도착시간정보의 정확도와 직결될 수 있는 데이터 업데이트 주기는 절반수준으로 감소하였다. 이를 통해 버스도착시간의 급격한 증가나 감소, 동일한 구간을 운행하는 다른 노선의 도착예정시간 차이, 운행계획과 다르게 운행시의 정보제공 불가함 등의 문제가 해결될 것으로 기대된다.
본 연구는 현재 국내 BIS에서 버스도착시간 안내를 위해 개별노선 단위로 산정되고 있는 정류소간 통행시간 기반의 버스도착시간 추정 모형의 한계점을 제시하고, 이를 극복하기 위한 방안을 제시하였다. 정류소간 운행시간을 기반으로 산출되는 버스도착시간정보의 특성을 이용하여 버스노선번호에 관계없이 버스정류소에 도착한 동일 구간을 운행하는 모든 버스의 정보를 순서대로 이용하여 버스도착시간을 추정하는 버스도착시간 추정모형을 제안하였다. 제안한 모형은 실제 버스운행정보를 수집하여 RMSE를 기준으로 검증을 실시하였으며, 분석결과 오차는 기존 모형 대비 최대 20%가 감소하였고 버스도착시간정보의 정확도와 직결될 수 있는 데이터 업데이트 주기는 절반수준으로 감소하였다. 이를 통해 버스도착시간의 급격한 증가나 감소, 동일한 구간을 운행하는 다른 노선의 도착예정시간 차이, 운행계획과 다르게 운행시의 정보제공 불가함 등의 문제가 해결될 것으로 기대된다.
In this study, we investigate to show the limitations of current bus arrival time estimation model based on each bus route, and to propose a bus arrival time estimation model based on a bus stop to overcome these limitations. Using the characteristic of bus arrival time calculated on travel time bet...
In this study, we investigate to show the limitations of current bus arrival time estimation model based on each bus route, and to propose a bus arrival time estimation model based on a bus stop to overcome these limitations. Using the characteristic of bus arrival time calculated on travel time between two bus stops, we develop a model to estimate bus arrival times with the data of all buses traveling the same section regardless of bus route numbers. In the proposed model, an estimated arrival time is calculated by weighted moving average method, and verification between observed value and estimated time is performed on the basis of RMSE. Error was reduced by up to 20% compared to the existing models and the data update period was reduced by more than half that is related to the accuracy of bus arrival time information. We expect to solve the following problems with the suggested method: sudden increase or decrease in arrival time of the bus, the difference of the expected arrival times at the same stop between two or more buses having different route numbers, and impossibility of offering information of a bus if the bus is not operated with the designated schedule.
In this study, we investigate to show the limitations of current bus arrival time estimation model based on each bus route, and to propose a bus arrival time estimation model based on a bus stop to overcome these limitations. Using the characteristic of bus arrival time calculated on travel time between two bus stops, we develop a model to estimate bus arrival times with the data of all buses traveling the same section regardless of bus route numbers. In the proposed model, an estimated arrival time is calculated by weighted moving average method, and verification between observed value and estimated time is performed on the basis of RMSE. Error was reduced by up to 20% compared to the existing models and the data update period was reduced by more than half that is related to the accuracy of bus arrival time information. We expect to solve the following problems with the suggested method: sudden increase or decrease in arrival time of the bus, the difference of the expected arrival times at the same stop between two or more buses having different route numbers, and impossibility of offering information of a bus if the bus is not operated with the designated schedule.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구는 BIS의 핵심 정보인 버스도착시간의 신뢰도 향상을 위한 방안으로 기존에 활용하고 있는 버스도착시간 가공 알고리즘을 검토하고, 제공정보의 신뢰도 향상을 위한 방안으로 버스정류장 기반 버스도착시간 추정모형을 제시하였다. 국내외 문헌고찰을 통해 적용하고 있는 버스도착시간 가공 알고리즘인 신경망(neural networks), 유전자 알고리즘(genetic algorithm), 칼만필터링(kalman filter algorithms), 퍼지(fuzzy), 자기회귀(auto regression), 가중 이동평균(weighted maving average) 등의 장·단점을 우선 검토하고, 버스의 운행특성 등을 고려하여 최적의 버스도착시간 가공 알고리즘을 선정하였다.
본 연구는 정류장에 도착하는 버스의 도착시간정보를 추정하여 제공하는 BIS/BMS의 정확도를 향상시키기 위한 방안을 제시하였다. 이를 위해 기존에 버스노선번호 단위로 정보를 산출하는 방안과는 달리 버스정류소별로 소요시간을 각각 산출하여 버스도착시간 정보를 산출하는 방안을 도출하였다.
이와 같이 버스노선 기반의 버스도착시간 추정모형이 갖는 한계는 이와 같이 제공되는 정보의 신뢰도를 떨어뜨릴 수 있다. 본 연구에서는 Roh et al. (2010)의 연구에서 제시한 노선그룹단위별 버스도착시간 추정모형의 오류를 최소화 할 수 있는 방안으로 버스정류장 기반의 버스도착시간 추정모형을 개발하였다.
이러한 문제로 인해 동일한 버스정류장에 위치한 두 개의 다른 노선 버스의 다음 정류장까지 도착시간이 서로 다르게 추정되는 오차가 발생한다. 이러한 오차를 없애기 위해 본 연구에서는 버스도착시간을 추정함에 있어 기본 원칙을 정류장을 기준으로 산정하는 방안을 제시하였다.
BIT를 통해 제공되는 정보는 서울시 버스정보시스템(BIS) 4/5단계 구축사업 용역 입찰공고문에 제시된 기본 시스템 구성안을 기준으로 검토한 결과 Table 1과 같은 정보를 제공할 수 있다. 이러한 정보제공매체를 통해 제공할 수 있는 정보 중 기본정보에 해당하는 버스도착시간정보는 BIS/BMS 설치 및 운영의 목적이다.
제안 방법
분석에 적용한 값은 Tabel 4와 같이 적용하였다. RMSE가 가장 작게 도출된 값을 관측 값의 개수(m) 및 가중치로 적용하여 결론으로 제시하였다.
국내외 문헌고찰을 통해 적용하고 있는 버스도착시간 가공 알고리즘인 신경망(neural networks), 유전자 알고리즘(genetic algorithm), 칼만필터링(kalman filter algorithms), 퍼지(fuzzy), 자기회귀(auto regression), 가중 이동평균(weighted maving average) 등의 장·단점을 우선 검토하고, 버스의 운행특성 등을 고려하여 최적의 버스도착시간 가공 알고리즘을 선정하였다.
이를 위해 기존에 버스노선번호 단위로 정보를 산출하는 방안과는 달리 버스정류소별로 소요시간을 각각 산출하여 버스도착시간 정보를 산출하는 방안을 도출하였다. 버스 노선에 관계없이 대상 정류소간을 통행하는 모든 버스의 통행시간 정보를 이용하여 관측값의 개수(m)을 5로 적용한 가중이동평균법을 적용하여 버스도착시간을 추정하였다. 이를 검증하기 위해 서대문사거리 일대의 데이터를 수집하여 분석에 활용하였다.
버스도착시간 추정모형의 신뢰도 향상방안으로 버스 이용자들에게 제공되는 버스도착예정시간의 오차를 감소시킬 수 있는 방안으로 버스정류장 기반의 버스도착시간 추정방안을 제시하였다. 그러나 버스의 운영측면(BMS)에서는 현재 적용하고 있는 버스노선 기반의 관리방안이 보다 적합하다.
본 연구에서 적용한 가중이동평균법은 관측값에 동일한 가중치를 적용하여 사용하는 단순이동평균법과는 달리 각 관측값에 서로 다른 가중치를 부여하여 최종 평균계산에 사용한다. 가중이동평균은 T시점까지 m기간의 관측값에 가중치의 합이 1이 되도록 가중치를 부여한 가중 평균으로, 가중이동평균에 의한 시점(T+1)에서의 예측값은
버스의 도착시간 추정을 위해 가중이동평균법 적용하였다. 본 연구에서는 관측 값의 개수(m)별로 가중치를 적용하여 분석하였다. 관측값의 개수(m)는 버스도착시간에 미치는 영향이 크다.
버스도착시간 정보를 가공하기 위해서는 BIS를 통해 수집되는 버스의 정류장 도착시간 정보 또는 정류장 출발시간 정보 등을 활용한다. 본 연구에서는 서울 TOPIS의 정보를 활용하였으며, 버스의 정류장 출발시간 정보를 기준으로 산정하였다.
국내외 문헌고찰을 통해 적용하고 있는 버스도착시간 가공 알고리즘인 신경망(neural networks), 유전자 알고리즘(genetic algorithm), 칼만필터링(kalman filter algorithms), 퍼지(fuzzy), 자기회귀(auto regression), 가중 이동평균(weighted maving average) 등의 장·단점을 우선 검토하고, 버스의 운행특성 등을 고려하여 최적의 버스도착시간 가공 알고리즘을 선정하였다. 선정된 알고리즘을 통해 도출되는 버스도착시간 정보의 정확도 향상을 위한 방안결정을 위해 실제 서울시 TOPIS를 통해 수집된 버스도착시간 정보를 적용하여 가장 오차(Root Mean Square Error ; RMSE)가 작은 버스도착시간 가공 방안을 결정하였다(Wikipedia, 2013).
1의 노선도중 최종 분석대상 노선은 Table 3과 같이 총 6개 정류장을 대상으로 15개 노선을 선정하였다. 이들 데이터를 이용하여 버스노선에 중점을 둔 버스도착시간 산정모형과 본 연구에서 제시한 버스정류소 중심의 버스도착시간 산정모형의 오차를 비교하여 모형의 우수성을 검토하였다.
본 연구는 정류장에 도착하는 버스의 도착시간정보를 추정하여 제공하는 BIS/BMS의 정확도를 향상시키기 위한 방안을 제시하였다. 이를 위해 기존에 버스노선번호 단위로 정보를 산출하는 방안과는 달리 버스정류소별로 소요시간을 각각 산출하여 버스도착시간 정보를 산출하는 방안을 도출하였다. 버스 노선에 관계없이 대상 정류소간을 통행하는 모든 버스의 통행시간 정보를 이용하여 관측값의 개수(m)을 5로 적용한 가중이동평균법을 적용하여 버스도착시간을 추정하였다.
같다. 이를 이용하여 정류장 도착시간 추정결과와 실제 버스의 도착시간을 비교하여 정보의 정확도 향상정도를 측정하여 비교하였다.
타 연구와의 가장 큰 차이는 동일한 노선버스의 도착시간만을 이용하여 다음 도착할 버스의 도착시간을 추정하는 기존 방법과는 달리, 버스도착시간 추정에 사용되는 버스의 정류소 도착시간 정보를 버스의 이동경로 기준단위를 기준으로 분류한 노선그룹 단위별로 구분하여 산출하는 방안을 제시하였다는 것이다. 노선그룹단위별 버스도착시간 추정모형에서 정류장 지체시간은 Fig.
(2010) 등 기존 신뢰도 향상 연구에서 제시한 모형에서도 동일하게 나타날 수 있다. 현재 적용하고 있는 버스도착시간 추정모형을 검토하고, 버스정류장 기준의 버스도착시간 추정모형을 개발, 검증을 통해 BIS/BMS의 신뢰도 향상을 위해 버스도착시간 추정모형의 정확도 향상방안을 제시하였다.
대상 데이터
모형 도출을 위하여 2009년 5월 19일(화요일, 평일)의 서울 TOPIS의 BMS자료를 활용하였다(Seoul Transport Operation & Information Service, 2013).
모형의 분석대상구간은 Fig. 3과 같이 서울역방향(직진), 충정로 방향(우회전), 광화문방향(좌회전) 등 버스노선을 진행방향과 구간별로 그룹화가 가능하다. 모형 도출을 위하여 2009년 5월 19일(화요일, 평일)의 서울 TOPIS의 BMS자료를 활용하였다(Seoul Transport Operation & Information Service, 2013).
본 연구에서는 주변 교통류 또는 버스노선 특성이 도착예정시간 산출에 큰 영향을 미칠 것이라 판단되는 노변정류소를 중심으로, 중로이상의 도로가 교차하는 신호교차로 중 첨두시 정체가 발생하는 서대문역 → 독립문역 구간을 분석대상 가로로 선정하였다.
분석은 오전첨두시(07:00∼09:00), 비첨두시(12:00∼14:00), 오후첨두시(17:00∼19:00)를 대상으로 하였으며, Fig. 1의 노선도중 최종 분석대상 노선은 Table 3과 같이 총 6개 정류장을 대상으로 15개 노선을 선정하였다.
버스 노선에 관계없이 대상 정류소간을 통행하는 모든 버스의 통행시간 정보를 이용하여 관측값의 개수(m)을 5로 적용한 가중이동평균법을 적용하여 버스도착시간을 추정하였다. 이를 검증하기 위해 서대문사거리 일대의 데이터를 수집하여 분석에 활용하였다.
이론/모형
2와 같다. Roh et al. (2010)에서 제안한 버스의 노선그룹단위별로 버스도착시간 추정모형을 이용하여 정류장간 운행 소요시간을 각각 산정한다. 이를 적용하여 동일한 정류장에 위치한 버스의 경우 동일한 다음 정류장 도착예정시간을 부여받는다.
버스도착시간 예측 값과 실제 관측 값 사이의 오차를 비교·분석하기 위한 지표로 RMSE를 사용하였다.
(2010)의 연구에서는 다음과 같은 방안을 제안하였다. 버스도착시간 추정모형으로 기본 알고리즘은 상기 검토한 버스도착시간 추정모형 중 가장 오차가 작게 나타난 가중이동평균법을 사용하였다.
버스의 도착시간 추정을 위해 가중이동평균법 적용하였다. 본 연구에서는 관측 값의 개수(m)별로 가중치를 적용하여 분석하였다.
성능/효과
가중이동평균을 적용하기 위해 적용한 관측값(m)의 경우, RMSE 분석결과 m=4를 적용할 때 가장 작은 오차가 발생하였으며, 이때의 평균 오차는 23초로 나타났다. 버스의 정류장 지체시간은 버스정류장 도착시간을 기준으로 수집된 데이터를 이용하여 분석하였기 때문에 분석시간에 모두 포함하여 분석되었다.
버스정류장을 기준으로 버스도착시간을 추정할 경우, 분석에 활용할 수 있는 버스의 개수가 많아질수록 오차가 감소(오차, m=4 > m=5)하는 것으로 분석되었다. 그러나 버스정류장에 도착하는 버스를 노선번호에 관계없이 분석에 사용하므로 실제 버스도착시간 데이터의 업데이트 주기는 본 연구에서 제안하는 방법이 현 적용방안 평균 1,954초에서 765초로 절반 이하 수준으로 감소하여 급변하는 교통상황에 대해서도 적절히 반영한다. 따라서 가장 오차가 크게 발생하는 오후 첨두의 RMSE의 경우 오차가 약 20%까지 감소하는 것으로 나타났다.
기존 버스도착시간 추정방법 대비 본 연구에서 제시한 버스도착시간 추정방법의 오차는 관측값의 개수(m) 4인 경우 10.6%의 오차 감소를, 관측값의 개수(m) 5인 경우 19.1%의 오차 감소가 발생하였다.
그러나 버스정류장에 도착하는 버스를 노선번호에 관계없이 분석에 사용하므로 실제 버스도착시간 데이터의 업데이트 주기는 본 연구에서 제안하는 방법이 현 적용방안 평균 1,954초에서 765초로 절반 이하 수준으로 감소하여 급변하는 교통상황에 대해서도 적절히 반영한다. 따라서 가장 오차가 크게 발생하는 오후 첨두의 RMSE의 경우 오차가 약 20%까지 감소하는 것으로 나타났다.
버스정류장을 기준으로 버스도착시간을 추정할 경우, 분석에 활용할 수 있는 버스의 개수가 많아질수록 오차가 감소(오차, m=4 > m=5)하는 것으로 분석되었다.
본 연구에서 제안하는 방안으로 버스도착시간을 추정할 경우 최대 20%의 발생오차를 감소시킬 수 있는 것으로 도출되었으며, 동일한 정류소에서 동시에 출발한 버스는 현재와는 달리 동일한 버스도착시간 정보를 제공할 수 있다. 또한 버스도착시간정보를 산출하기 위해 적용하는 버스정보의 업데이트 주기를 절반수준으로 감소시킬 수 있으며, 이로 인해 급변하는 교통상황에 대해서도 충분히 반영하여 버스도착시간을 추정한 후 이용자에게 제공할 수 있다.
(2010)의 연구에서는 이러한 오차의 원인이 되는 교통여건의 변화를 반영시키기 위해 버스지체시간을 별도로 산출하고, 이를 정류장별 버스지체시간을 예측하여 정류장별 버스도착시간을 예측하는 방법을 제안하고 있다. 정류장 지체시간 모형은 확률적 접근방법인 마코브 체인 과정을 이용하였으며, 제안한 방법으로 산출한 결과는 가중이동 평균법을 적용한 경우보다 오차율이 낮은 것으로 분석하였다.
후속연구
즉, 본 연구에서 제시한 방안은 버스노선에 관계없이 정류소 통행시간을 산출하는 반면, BIS측면에서는 동일한 버스 노선의 배차시간 간격 조정 등을 위해서는 버스노선 기반의 버스도착시간 간격의 정보가 반드시 필요하기 때문이다. 따라서 본 연구에서 제시한 방안을 이용하여 버스노선 단위의 정보 신뢰도를 향상시킬 수 있는 방안에 대한 연구가 필요할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
BIS는 국내 최초 어디서 도입되었나?
Bus Information System (버스정보시스템, 이하 BIS)은 2000년 12월 부천시에서 국내 최초로 도입한 이래 대중교통분야의 대시민 대표 서비스로 자리잡고 있다. 특히 Intelligent Transportation Systems (지능형교통체계, 이하 ITS)의 확대 및 u-city건설 촉진에 의해 대시민 서비스 중 이용자 만족도가 가장 높게 평가되고 있는 BIS 및 Bus Management System (버스관리시스템, 이하 BMS)의 확대가 이루어지고 있다.
신경망 모형의 장점은 무엇인가?
신경망 모형은 입력 및 출력값이 방대하여 일부 데이터에 의해 발생 가능한 오류가 적다는 장점이 있다. 그러나 많은 변수를 동시에 고려해야 하는 모형의 구조적 형태에 의해 신속한 대응 및 결과 추정이 어려우며 버스노선 또는 정류장의 변경 및 운행패턴의 변화 발생시 학습을 재시행해야 한다는 단점이 있다.
버스도착예정시간 산출을 위한 모형으로 사용되고 있는 칼만필터링의 단점은 무엇인가?
이중 칼만필터링은 다양한 상황에 적응이 가능하나 자료가 부족할 경우 처리가 불가능하다는 문제점을 가지고 있으며, 가상의 상황을 설정하고 분석함으로써 상대적으로 실제 상황 대비 신뢰도가 떨어진다는 단점을 가지고 있다.
참고문헌 (9)
Ceder, A. (2007). Public transit planning and operation, Elsevier, Oxford.
Kim, T. G., Ahn, H. C. and Kim, S. G. (2009). "Predictive modeling of the bus arrival time on the arterial using real-time bis data." Journal of the Korean Society of Civil Engineers, Vol. 29, No. 1D, pp. 1-9 (in Korean).
Lee, J. (2007). TIme series analysis and applications, Freedom Academy Pub. Co., Seoul, Korea (in Korean).
Lee, S. H., Mun, B. S. and Park, B. J. (2010). "The bus arrival time prediction using bus delay time." Journal of the Korean Society of Transportataion, Vol. 28, No. 1, pp. 125-134 (in Korean).
Roh, C. G., Kim, W. G. and Son, B. (2010), "Development of bus arrival time estimation model by unit of route group." Journal of the Korean Society of Transportataion, Vol. 28, No. 1, pp. 135-142 (in Korean).
Seoul Transport Operation &Information Service (2013). Bus information, Avaiable at: topis.seoul.go.kr/renewal/traffic/BusInfo.jsp (Accessed: July 19, 2013) (in Korean).
Silcock, D. T. (1981). "Measures of operational performance for urban bus services." Traffic Engineering and Control, Vol. 22, No. 12, pp. 645-648.
University of Seoul (2005). IMprovement and development of bis travel time estimation algorithm in Anyang, Final Report, Anyang-si, Gyeonggi-do, Korea (in Korean).
Wikipedia (2013). Root-mean-square deviation, Available at: http://en.wikipedia.org/wiki/RMSE (Accessed: July 7, 2013).
※ AI-Helper는 부적절한 답변을 할 수 있습니다.