[논문]효율적인 교통관리를 위한 혼잡상황변화 유형 분류기법 개발

심상우; 이환필; 이규진; 최기주

doi:10.7855/ijhe.2014.16.4.127

효율적인 교통관리를 위한 혼잡상황변화 유형 분류기법 개발
Classification Method of Congestion Change Type for Efficient Traffic Management 원문보기

한국도로학회논문집 = International journal of highway engineering, v.16 no.4 = no.66, 2014년, pp.127 - 134

심상우 (아주대학교 TOD 기반지속가능도시교통연구센터) , 이환필 (한국도로공사 도로교통연구원 교통연구실) , 이규진 (아주대학교 TOD 기반지속가능도시교통연구센터) , 최기주 (아주대학교 교통시스템공학과)

Abstract ▼ AI-Helper

PURPOSES : To operate more efficient traffic management system, it is utmost important to detect the change in congestion level on a freeway segment rapidly and reliably. This study aims to develop classification method of congestion change type. METHODS: This research proposes two classification methods to capture the change of the congestion level on freeway segments using the dedicated short range communication (DSRC) data and the vehicle detection system (VDS) data. For developing the classification methods, the decision tree models were employed in which the independent variable is the change in congestion level and the covariates are the DSRC and VDS data collected from the freeway segments in Korea. RESULTS : The comparison results show that the decision tree model with DSRC data are better than the decision tree model with VDS data. Specifically, the decision tree model using DSRC data with better fits show approximately 95% accuracies. CONCLUSIONS : It is expected that the congestion change type classified using the decision tree models could play an important role in future freeway traffic management strategy.

주제어

AI 본문요약
AI-Helper

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

문제 정의

우선 관련분야 연구사례 검토와 시사점 분석을 통해 혼잡상황 분류기법 개발을 위한 방향을 설정한다. 그리고 상습정체구간인 경부선 서울-오산 구간에서 수집된 VDS 자료와 하이패스 교통정보시스템으로 수집된 DSRC 자료를 대상으로 상관분석을 실시하여 정체변화와 관련된 변수를 도출하고, 이를 의사결정나무모형의 입력변수로 설정한다.
이러한 배경에서 본 연구에서는 고속도로 운영자의 의사결정과정에 도움을 줄 수 있는 정보를 생성할 수 있도록 지점교통자료와 구간교통자료의 이력데이터 분석을 통해 정체변화 유형을 분류할 수 있는 기법을 개발하였다.
이러한 점을 고려하여 본 연구에서는 VDS와 DSRC가 혼잡상황변화 검지에 가장 적합한 자료로 판단하였으며 VDS, DSRC 자료를 혼잡상황변화 유형 분류를 위한 입력자료로 설정하였다.
이에 본 연구에서는 과거 이력자료를 기반으로 통행속도와 관련성이 높은 교통량, 정체구간 수 등의 변수에 대한 상관분석을 통해 의사결정나무의 분류기준 및 입력변수를 설정하였으며, 수집시스템 차이를 파악하기 위해 수집자료에 따른 의사결정나무모형을 개발하였다.
이에 본 연구에서는 시스템상에서 혼잡상황변화를 판단할 수 있는 기준으로 통행속도 변화가 큰 전이시간대의 평균속도 변화량을 사용하였으며, 그 이유는 판단결과의 변동성을 감소시켜 운영자의 혼란을 최소화할 수 있기 때문이다.

제안 방법

VDS 수집자료를 기반으로 혼잡상황 유형을 분류한 결과는 Fig. 5와 같이 정체 여부, 정체지점수 변화, 15분 구간속도 변화 순으로 총 11개 상황으로 분류되었다.
경부선 서울TG~안성IC 구간의 2011년 11월 자료를 대상으로 실제 구간의 출발시간 기준 통행속도 변화와 수집체계별 의사결정나무 모형 결과 비교를 통해 적용성을 평가하였다.
그러나 도착시간 기준 통행속도⁶⁾는 실시간 수집자료에 해당하므로 본 연구에서는 이를 독립변수로 적용하였다. 단, 15분 구간속도 변화량은 연속형 변수이므로 이를 기반으로 의사결정나무 모형을 개발할 경우 시스템 적용이 어려운 문제가 있다.
그리고 상습정체구간인 경부선 서울-오산 구간에서 수집된 VDS 자료와 하이패스 교통정보시스템으로 수집된 DSRC 자료를 대상으로 상관분석을 실시하여 정체변화와 관련된 변수를 도출하고, 이를 의사결정나무모형의 입력변수로 설정한다.
본 연구에서는 15분 Conzone 구간속도 변화와 정체지점 및 구간수 변화, 정체지점수 변화와 정체구간수 변화에 대한 상관분석을 통해 의사결정나무 모형의 입력변수를 설정하였다. 혼잡상황변화에 따라 정체지점수 및 구간수, 통행속도 변화가 발생하게 되므로 Conzone의 정체지점수 및 구간수와 출발기준 DSRC 통행속도의 상관분석 결과는 Table 1과 같다.
본 연구에서는 Data Mining 기법 중 하나인 의사결정나무를 이용하여 변화 패턴 분류를 통해 혼잡상황변화를 분류하는 방안을 개발하였으며, 이에 대한 주요 결과는 다음과 같다.
02%)에 비해 작다는 결과를 제시하였다. 본 연구에서는 이러한 결과를 반영하여 출발기준 DSRC 통행속도⁴⁾를 입력변수로 설정하였다.
이 때 한 지점에서의 시간적 흐름에 따른 교통량-밀도 관계를 분석하여 자유류, 혼잡, 정체²⁾ 등의 5개 상태 다이어그램(states diagram)으로 분류하여 적용하였다.
이를 위해 본 연구에서는 Data Mining 기법 중 하나인 의사결정나무를 이용하여 혼잡상황변화 패턴을 분류하였다.
이를 확인하기 위해 수도권 서울TG~안성IC 구간의 2011년 8월 자료를 이용하여 5분 단위로 집계된 VDS 교통량 변화에 따른 DSRC 통행속도 변화를 분석하였다.

대상 데이터

의사결정나무는 2011년 8월~10월(3개월)의 이력자료를 활용하여 구축하였다. VDS 수집자료를 기반으로 혼잡상황 유형을 분류한 결과는 Fig.
하이패스 교통정보시스템의 원시자료에는 승용차 외에 버스도 포함되어 있으므로 분석 시에는 버스를 제외한 승용차를 대상으로 분석을 실시하였다.

성능/효과

이러한 결과로 볼 때 VDS 수집자료만 존재하는 경우는 부정확한 결과로 인해 운영자의 혼란을 가중시킬 수 있으므로 의사결정나무 모형의 결과는 DSRC 자료가 수집되는 구간에 한해 적용하고 활용하는 것이 적절할 것으로 사료된다.
2011년8~10월의 전이시간대7) 15분 Conzone 속도 변화량을 분석한 결과 평균속도 변화량은 10.2km/h로 나타났으며, 이에 본 연구에서는 15분 Conzone 속도 변화량이 10km/h 이상 변화하면 혼잡상황이 변화하는 것으로 가정하여 10km/h 이상 증가하면 “증가” , 반대로10km/h 이상 감소하면 “감소” , 그 외의 경우는 “유지”로 분류하였다.
둘째, 수집체계의 차이를 고려하여 2개의 의사결정나무 모형을 구축한 결과 VDS 수집자료를 기반으로 할 경우 정체여부, 정체지점수 변화, 15분 구간속도 변화순으로 총 11개 상황으로 분류된 반면 DSRC 수집자료를 기반으로 한 경우는 VDS 수집자료와 동일하게 11개 상황으로 분류되었으나 정체여부, 15분 구간속도 변화, 정체구간수 변화 순으로 분류되었으며, 정체 발생 시에는 7개 상황으로 VDS 수집자료를 기반으로 한 모형보다 1개의 상황을 더 세분화되어 나타났다.
또한 VDS 정체지점수와 DSRC 정체구간수 변화에 대한 상관분석 결과 상관계수가 0.75 이상으로 나타나 두 자료는 각각 적용해야 되는 것으로 나타났다.
셋째, VDS와 DSRC 수집자료 기반의 의사결정나무모형의 적용 결과 DSRC 수집자료 기반의 의사결정나무모형의 판정결과는 대부분 95% 내외의 정확도를 보이는데 비해 VDS는 혼잡상황이 증가하거나 감소하는 상황에서 정확도가 낮게 나타났다.
이러한 결과로 볼 때 VDS 자료만 존재하는 경우는 부정확한 결과로 인해 운영자의 혼란을 가중시킬 수 있으므로 DSRC 자료가 수집되는 구간에 한해 의사결정나무 모형의 결과를 활용하는 것이 적절할 것으로 사료된다.
1, 2는 수원IC~기흥IC, 기흥IC~오산IC 구간의 VDS 교통량과 DSRC 통행속도의 관계를 나타낸 것이다. 이를 보면 오전 6시~8시에는 교통량이 증가하면 통행속도가 감소하는 일반적인 형태를 보이고 있지만 이후 시간대에서는 교통량이 유지되거나 감소되는 상황에서 통행속도가 감소하거나 유지되는 형태로 나타났다. 이는 혼잡류 상태에서 정상류 상태로 교통상황이 복귀되기 이전에는 혼잡의 영향으로 교통량 감소에 따른 통행속도 증가가 곧바로 일어나지 않기 때문이다.
적용 결과 소통원활 및 정체 시에는 통계적 유의성은 높지만 전이시간대에서는 유의성이 낮게 나타났다.
정체상황이 변화는 시간대에서는 정체지점수 및 구간수가 증가하면 통행속도가 감소하고, 감소하면 증가하는 형태를 보이고 있으나 정체가 유지되는 경우에는 정체지점수 및 구간수의 증감에도 통행속도는 유사하게 나타났다.
정체지점수 및 구간수5)와 통행속도의 상관계수는-0.6 이상으로 관련성이 높게 나타났으며, DSRC 정체구간수와 통행속도의 상관계수가 VDS 정체지점수의 상관계수에 비해 높게 나타났다.
5와 같이 정체 여부, 정체지점수 변화, 15분 구간속도 변화 순으로 총 11개 상황으로 분류되었다. 정체지점이 발생한 경우 정체지점이 증가하고 통행속도가 감소하는 상황에서는 정체가 증가하는 반면 정체지점이 감소하고 통행속도가 증가하면 정체가 감소하는 것으로 나타났다. 또한 정체가 발생하지 않은 경우 정체지점이 증가하지 않으므로 정체지점 증가에 대한 분류 기준은 나타나지 않았다.
첫째, 한국도로공사의 보유자료 중 적용 가능한 자료인 VDS 및 DSRC 수집자료를 기반으로 출발시간기준 통행속도와 교통량의 관계를 분석한 결과 용량 이후의 불안정류에서는 교통량 변화에 따른 통행속도 변화는 연관성이 적게 나타났다.

후속연구

또한 본 연구는 Conzone 구간을 대상으로 분석하였으나 이를 고속도로 노선, 경로 등 중·장거리 통행에 적용하지 못하였다.
중·장거리통행은 Conzone 구간과 상이할 것으로 판단되므로 본 연구 결과를 그대로 적용하는 것은 어려울 것으로 판단되므로 이에 대한 추가적인 연구가 필요할 것이다. 마지막으로 본 연구는 반복정체구간을 대상으로 분석하였으며, 돌발상황 및 날씨 등 다른 변수는 고려하지 못하였으므로 이에 대한 세부자료 수집을 통해 돌발상황 등 특이 상황에서의 정체변화를 판단할 수 있는 모형 개발이 필요할 것이다.
하이패스 교통정보시스템의 원시자료에는 승용차 외에 버스도 포함되어 있으므로 분석 시에는 버스를 제외한 승용차를 대상으로 분석을 실시하였다. 마지막으로 입력변수를 통해 구축된 의사결정나무모형의 적용결과 및 향후 연구과제를 제시한다.
본 연구에서 개발한 모형은 일부 구간을 대상으로 설정한 것으로 실제 적용 시 많은 구간의 자료를 이용하여 개발할 필요가 있으며, 15분 속도 변화량은 판단결과의 변동성을 감소시키기 위해 속도 변화량이 가장 큰 시간대인 전이시간대의 평균속도 변화량을 사용하였으나 혼잡상황 변화 판단의 정확도를 향상시키기 위해 세부 기준을 마련하여야 할 것이다.
이에 전통적인 교통상황 예측기법에서 벗어나 정량화된 예측정보의 확인과정 없이 직관적인 혼잡상황 변화 유형에 대한 추이를 제공한다면 운영자의 의사결정 효율성이 증대될 수 있을 것이라 판단되므로 교통관리시스템에 적용이 용이하고, 튜닝 및 최적화를 최소화하면서 혼잡의 추이판단을 분류할 수 있는 실용적인 기술 개발이 필요하다.
중·장거리통행은 Conzone 구간과 상이할 것으로 판단되므로 본 연구 결과를 그대로 적용하는 것은 어려울 것으로 판단되므로 이에 대한 추가적인 연구가 필요할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	시스템에 적용하기 위한 혼잡상황변화 유형 분류는 무엇인가?	혼잡상황변화를 파악하면서 시스템에 쉽게 적용하기 위해서는 혼잡상황변화 유형을 분류할 필요가 있다. 혼잡상황변화 유형을 분류하는 것은 현재 시점의 혼잡상황이 어떻게 변화할 것인지에 대한 상황을 분류하는 것이다. 이를 위해 본 연구에서는 Data Mining 기법 중 하나인 의사결정나무를 이용하여 혼잡상황변화 패턴을 분류하였다.
	교통류 상태의 예측 정보가 활용이 어려운 이유는?	FTMS에서는 다양한 교통정보수집매체를 통해 획득한 교통정보를 가공, 분석하여 교통류를 관리하고 있으며 필요에 따라 교통류 상태의 변화를 예측하여 관리에 활용하고 있다. 교통류 상태의 예측은 실시간 교통류 관리 시 운영자의 의사결정에 필요한 정보이지만 수집데이터 신뢰도에 따른 예측력 변동, 교통패턴변화와 최적화되지 않은 모형에 따른 신뢰도 저하 등으로 인해 활용하기에 어려운 측면이 있다. 또한, 예측모형을 통해 산출된 세부 예측정보는 운영자의 의사결정과정에서 의사결정을 방해하는 과도한 정보로 작용하기도 한다.
	고속도로교통관리시스템은 무엇을 관리하고 있는가?	고속도로의 효율적 교통관리를 위해 국내에서는 고속도로교통관리시스템(Freeway Traffic Management System, FTMS, 이하 FTMS)을 1993년부터 구축하여 운영하고 있다. FTMS에서는 다양한 교통정보수집매체를 통해 획득한 교통정보를 가공, 분석하여 교통류를 관리하고 있으며 필요에 따라 교통류 상태의 변화를 예측하여 관리에 활용하고 있다. 교통류 상태의 예측은 실시간 교통류 관리 시 운영자의 의사결정에 필요한 정보이지만 수집데이터 신뢰도에 따른 예측력 변동, 교통패턴변화와 최적화되지 않은 모형에 따른 신뢰도 저하 등으로 인해 활용하기에 어려운 측면이 있다.

참고문헌 (18)

Bo R., Li F., Wang C. (2008), Congestion Prediction for ACOPF Framework Using Quadratic Interpolation, Power and Energy Society General Meeting, Pittsburgh, USA.
Gilmore J., Abe N. (1993), Neural Networks System for Traffic congestion Forecasting, Proceedings of 1993 International Joint Conference on Neural Networks, Nagoya, Japan.
Ha O. K., Park D. J., Won J. M., Jung C. H. (2010), The Prediction Models for Clearance Times for the Unexpected Incidences According to Traffic Accident Classifications in Highway, J. Korea Institute of Intelli. Transp. Syst., Vol 9, No. 1, Korean Institute of Intelligent Transport Systems, pp. 101-110.
Han Y. J., Son B. S., Kim W. K. (2006), A Statistical Method for Predicting Recurrent Congestion Time in Urban Freeway, J. Korean Soc. Transp., Vol 24, No. 3, Korean Society of Transportation, pp.29-37.
Kang J. W., Kum K. J., Son S. N. (2011), Drivers Detour Decision Factor Analysis with Combined Method of Decision Tree and Neural Network Algorithm, J. Korean Soc. Road Eng., Vol 13, No. 3, Korean Society of Road Engineers, pp. 167-176.

원문보기 상세보기
Karine Z., Nadjim C. (2001), Spatial Decision Tree-Application to Traffic Risk Analysis, 2001 Proceedings of the ACS/IEEE International Conference on Computer Systems and Applications, Beirut, Lebanon.
Kim H. S., Park D. J., Kim C. S., Choi C. H., Kim K. S. (2010), An Analysis of Choice Behavior for Tour Type of Commercial Vehicle Using Decision Tree, J. Korean Soc. Transp., Vol 28, No. 6, Korean Society of Transportation, pp. 43-54.
Kim Y. H., Lee S. B. (2004), Analysis of Characteristics of the Dynamic Flow-Density Relation and its Application to Traffic Flow Models, J. Korean Soc. Transp., Vol 22, No. 3, Korean Society of Transportation, pp.179-201.

원문보기 상세보기
Lee S. H., Ahn W. Y., Kang H. C. (2010), A Study on Forecasting Traffic Congestion Using IMA (Integrated Moving Average) of Speed Sequence Array, J. Korean Soc. Civil Eng., Vol 30, No. 2D, Korean Society of Civil Engineers, pp.113-118.
Li H., Xu J., Huang L., Lin P. (2008), Congestion Forecast Model from Integrated GPS/GIS Data based on Fuzzy Logic and Neural Network, 2nd International Symposium on Intelligent Information Technology Application, Shanghai, China.
Seo H. I. (2012), A Study of Qualitative Traffic Condition Decision Index Development on Urban Arterial, Master Thesis, Hanyang University
Shin K. W., Jeon S. M., Choi K. C., Namkoong S., Shim S. W., Yi Y. G., False Congestion Detection Rate: Loop Detector Speed vs. Progressive DSRC Link Travel Speed, Proceedings of 19th ITS World Congress, Vienna, Austria
Sohn S. Y., Shin H. W. (2001), Pattern Recognition for Road Traffic Accident Severity in Korea, Ergonomics, Vol 44, No. 1, pp. 107-117

상세보기
Terpstra F. P., Meijer G. R., Visser A. (2004), Intelligent Adaptive Traffic Forecasting System using Data Assimilation for use in Travel Information Systems, The Symposium on Professional Practice in AI a Stream within the First IFIP Conference on Artificial Intelligence Applications and Innovations AIAI-2004, Toulouse, France.
Terpstra F. P., Meijer G. R. (2006), Data Assimilation Approach to Adaptive Forecasting using Floating Car Data. 13th ITS World Congress, London, UK.
Thammasak T., Satidchoke P., and Wasan P. (2011), The Optimization of an Intelligent Traffic Congestion Level Classification from Motorists'Judgments on Vehicle's Moving Patterns, World Academy of Science, Engineering and Technology, Vol. 5, No. 5, International Science Index 53, pp.580-585.
Wei G., Xie H. (2006), A Combination Forecasting Model of Urban Ring Road Traffic Flow, Proceedings of the IEEE ITSC 2006, Toronto, Canada.
Xiao L., Wang Z., Xu B., Hong P. (2009), Research on Traffic Monitoring Network and its Traffic Flow Forecast and Congestion Control Model Based on Wireless Sensor Networks, 2009 International Conference on Measuring Technology and Mechatronics Automation, Zhangjiajie, China.

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