연평균 일교통량(AADT)은 도로를 계획하고 설계하는데 있어 매우 중요한 기초자료로 활용된다. 상시 교통량 조사 자료는 연간 일교통량이 수집되어 AADT를 구할 수 있지만, 단기 교통량 조사(short-term traffic counts)의 경우 특정 기간에만 조사되므로 AADT를 추정하여야 한다. 본 연구에서는 교통량 자료가 시공간적 특성을 동시에 지닌다는 점에 착안하여 공간통계방법을 이용하여 AADT를 추정하였다. 공간통계모형 중 보편적으로 이용되는 크리깅 모형을 적용하였으며, 여러 가지 크리깅 모형을 비교분석하였다. 또한 사회경제지표를 반영하여 AADT 추정 정확도를 높이는 방법에 대하여 알아보았다. 모형의 비교평가를 위하여 일반국도 상시조사 자료를 이용하여 제안된 모형의 AADT 추정오차를 분석하고, 적용된 다양한 크리깅 모형의 성능을 비교하였다. 이러한 연구결과는 AADT 추정 정확도를 향상시킴으로써 적정 수준의 교통시설 공급과 서비스 수준 향상에 기여할 것으로 기대된다.
연평균 일교통량(AADT)은 도로를 계획하고 설계하는데 있어 매우 중요한 기초자료로 활용된다. 상시 교통량 조사 자료는 연간 일교통량이 수집되어 AADT를 구할 수 있지만, 단기 교통량 조사(short-term traffic counts)의 경우 특정 기간에만 조사되므로 AADT를 추정하여야 한다. 본 연구에서는 교통량 자료가 시공간적 특성을 동시에 지닌다는 점에 착안하여 공간통계방법을 이용하여 AADT를 추정하였다. 공간통계모형 중 보편적으로 이용되는 크리깅 모형을 적용하였으며, 여러 가지 크리깅 모형을 비교분석하였다. 또한 사회경제지표를 반영하여 AADT 추정 정확도를 높이는 방법에 대하여 알아보았다. 모형의 비교평가를 위하여 일반국도 상시조사 자료를 이용하여 제안된 모형의 AADT 추정오차를 분석하고, 적용된 다양한 크리깅 모형의 성능을 비교하였다. 이러한 연구결과는 AADT 추정 정확도를 향상시킴으로써 적정 수준의 교통시설 공급과 서비스 수준 향상에 기여할 것으로 기대된다.
Annual average daily traffic(AADT) serves as important basic data in the transportation sector. AADT is used as design traffic which is the basic traffic volume in transportation planning. Despite of its importance, at most locations, AADT is estimated using short term traffic counts. An accurate AA...
Annual average daily traffic(AADT) serves as important basic data in the transportation sector. AADT is used as design traffic which is the basic traffic volume in transportation planning. Despite of its importance, at most locations, AADT is estimated using short term traffic counts. An accurate AADT is calculated through permanent traffic counts at limited locations. This study dealt with estimating AADT using various models considering both the spatial correlation and time series data. Kriging models which are commonly used spatial statistics methods were applied and compared with each model. Additionally the External Universal kriging model, which includes explanatory variables, was used to assure accuracy of AADT estimation. For evaluation of various kriging methods, AADT estimation error, proposed using national highway permanent traffic count data, was analyzed and their performances were compared. The result shows the accuracy enhancement of the AADT estimation.
Annual average daily traffic(AADT) serves as important basic data in the transportation sector. AADT is used as design traffic which is the basic traffic volume in transportation planning. Despite of its importance, at most locations, AADT is estimated using short term traffic counts. An accurate AADT is calculated through permanent traffic counts at limited locations. This study dealt with estimating AADT using various models considering both the spatial correlation and time series data. Kriging models which are commonly used spatial statistics methods were applied and compared with each model. Additionally the External Universal kriging model, which includes explanatory variables, was used to assure accuracy of AADT estimation. For evaluation of various kriging methods, AADT estimation error, proposed using national highway permanent traffic count data, was analyzed and their performances were compared. The result shows the accuracy enhancement of the AADT estimation.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구는 교통량 자료의 시공간적 상관관계를 적용하여 현장 자료를 실증적으로 검증하였다는데 의미가 있다고 판단된다. 이러한 연구결과는 AADT 추정 정확도를 향상시킴으로써 적정 규모의 도로 설계, 서비스수준 향상 등 교통 관련 연구에 이바지할 것으로 기대된다.
또한 공간적 추세를 제거한 일반-공동크리깅에 사회경제적 변수를 설명변수로 추가할 경우 AADT 추정의 정확도는 더욱 높아질 것으로 기대된다. 본 연구에서는 다양한 공간통계모형을 적용하여 그 결과를 비교분석하고, 그 특성을 살펴보았다.
상시조사 지점은 AADT의 참값을 구할 수 있지만 단기 교통량조사에서는 AADT의 참값을 구할 수 없어 상시조사 지점의 보정계수를 적용하는 방법이 적용되고 있지만, 어떤 지점의 보정계수를 적용할 지에 대한 객관적 지표가 없을 뿐 아니라 자료가 불량이거나 조사되지 않았을 경우 AADT를 추정할 방법이 없다는 단점이 있다. 이에 본 연구에서는 교통량 자료의 공간상관성을 이용하여 인근 조사자료를 기준으로 미조사 지점 또는 자료불량 지점의 교통량 자료를 추정할 수 있는 방법에 대하여 연구하였으며, 대표적인 공간통계방법인 크리깅 방법을 적용하였다.
제안 방법
(2011)은 Eom et al.(2006)이 이용한 유클리디안 거리 대신 도로망 기반 거리(network distance)를 적용하였으며 공간분석을 위하여 도로의 기능과 차로수, 제한속도, 인근 지점 들의 속성 등을 적용하였다. 분석결과 유클리디안 거리를 이용하여 AADT를 추정한 것과 네트워크 기반 거리를 이용하여 AADT를 추정하는 방법에서 정확도가 유사하게 나타났으며 이는 텍사스의 교통량 조사 지점의 밀도가 높지 않아 한계가 있는 것으로 판단하였다.
1절에서는 크리깅을 이용하여 AADT를 추정하기 위하여 다양한 크리깅 방법을 적용하였으며, 본 절에서는 각 모델별 AADT 추정오차를 비교 분석하였다. AADT 추정오차는 CK_EUK를 이용하였을 때 MAPE는 6.
본 연구에서는 일반국도를 대상으로 다양한 크리깅 방법을 적용하여 AADT를 추정하고, 비교분석하였다. 2010년 일반국도 조사지점의 AADT를 추정하기 위하여 다양한 크리깅 방법을 적용하고 크리깅 방법을 통하여 교통량 자료에 대한 통계적 검증을 실시하였다. 또한 이차변수 적용이 가능한 공동크리깅 방법에서는 2010년 일반국도 조사지점의 AADT를 구하기 위하여 2009년 자료를 이차변수로 적용하였다.
의 연구에서는 일반 회귀분석(ordinary regression)과 공간회귀분석(geostatistical regression)을 이용하여 AADT를 추정하였고 추정값의 오차에 대하여 분석하였다. 공간모형을 적용하기 위한 변수로 도로특성과 인구통계적 특성, 지리특성, 교통량 조사 지점의 거리에 대한 공간정보를 활용하였다. 공간상관관계를 알아보기 위하여 베리오그램의 모수를 추정할 때 일반적으로 적용하는 유클리디안(Eucliedean distance)거리를 이용하였으며, 분석결과 일반 회귀분석보다 공간 회귀분석이 AADT 추정값의 정확도가 더 높은 것으로 나타났다.
공동크리깅은 일변량 크리깅을 활용하는 방법으로 상관관계가 높은 자료를 2차변수로 적용할 경우 예측력이 좋아지는 것으로 알려져 있다. 공동크리깅을 이용한 방법을 적용하기 위하여 교통량 자료의 대표적인 특성인 공간적 상관성을 반영한 공간모형을 구축하고, 본 연구에서 적용하였던 일변량크리깅을 공동크리깅으로 적용하여 AADT를 추정하였다. 2010년 일반국도 조사지점의 AADT를 구하기 위하여 공동크리깅 방법 적용시 2010년의 교통량과 상관관계가 높은 2009년 교통량을 이차변수로 적용하였다.
이에 본 연구에서는 교통량 자료의 공간적 상관관계(spatial relation)를 분석하여 공간통계기법 중 가장 널리 이용되고 있는 크리깅(Kriging) 방법을 이용하여 단기 교통량 조사의 AADT를 추정하고 실제 AADT와 비교 분석하였다. 교통량 자료는 공간적 상관성과 시간적 연속성을 동시에 지니고 있으므로 본 연구에서는 크리깅 모형으로 공간적 상관성을 반영하고, 크리깅 모형 중 공동크리깅(cokriging)의 이차변수로 전년도 교통량을 적용하여 교통량 자료의 시간적 연속성을 반영하였다. 또한 설명력을 높이기 위하여 사회경제지표를 설명변수로 하여 AADT 추정오차를 줄이는 방안에 대하여 분석하고, 본 연구에서 적용된 다양한 크리깅 방법을 적용하여 각 방법의 특징을 살펴보았다.
교통량 자료는 공간적 상관성과 시간적 연속성을 동시에 지니고 있으므로 본 연구에서는 크리깅 모형으로 공간적 상관성을 반영하고, 크리깅 모형 중 공동크리깅(cokriging)의 이차변수로 전년도 교통량을 적용하여 교통량 자료의 시간적 연속성을 반영하였다. 또한 설명력을 높이기 위하여 사회경제지표를 설명변수로 하여 AADT 추정오차를 줄이는 방안에 대하여 분석하고, 본 연구에서 적용된 다양한 크리깅 방법을 적용하여 각 방법의 특징을 살펴보았다.
하지만 1,583개 지점 중 365일 자료가 모두 수집된 상시조사 지점만 AADT 참값을 가지고 있으므로 크리깅 방법의 오차분석에는 상시조사지점 312개 지점만 이용하였다. 또한 오차평가지표로 RMSE(Root Mean Squared Error), MAE(Mean Absolute Error), MAPE(Mean Absolute Percentage Error)를 활용하여 크리깅 밥법 간 AADT와 AADT 추정값의 차이를 비교분석하였다.
2010년 일반국도 조사지점의 AADT를 추정하기 위하여 다양한 크리깅 방법을 적용하고 크리깅 방법을 통하여 교통량 자료에 대한 통계적 검증을 실시하였다. 또한 이차변수 적용이 가능한 공동크리깅 방법에서는 2010년 일반국도 조사지점의 AADT를 구하기 위하여 2009년 자료를 이차변수로 적용하였다. 2010년 일반국도 조사 지점의 AADT를 구하기 위하여 2009년 AADT를 이차 변수로 사용하기 위해서 2009년과 2010년에 모두 조사된 지점이어야 하므로 본 장에서는 2009년과 2010년의 교통량이 모두 조사된 1,583개 지점을 대상으로 분석하였다.
본 연구에서는 AADT를 추정하기 위한 방법으로 다양한 크리깅 방법을 적용하고, 크리깅 방법의 결과를 비교분석하였다. 상시조사 지점은 AADT의 참값을 구할 수 있지만 단기 교통량조사에서는 AADT의 참값을 구할 수 없어 상시조사 지점의 보정계수를 적용하는 방법이 적용되고 있지만, 어떤 지점의 보정계수를 적용할 지에 대한 객관적 지표가 없을 뿐 아니라 자료가 불량이거나 조사되지 않았을 경우 AADT를 추정할 방법이 없다는 단점이 있다.
크리깅 방법으로 예측값을 구할 경우 사용된 자료가 동일하다면 항상 동일한 계산결과를 얻으므로, 교차검증을 통해 주어진 본래의 값을 제거하여 자료값을 재예측하고 재예측한 값과 실제 참값을 비교하였다. 본 연구에서는 위 방법을 이용하여 크리깅 방법으로 AADT를 추정한 값과 실제 AADT를 비교하여 오차를 분석하고 신뢰구간을 구하여 신뢰도를 살펴보았다. 분석에 앞서 2010년 교통량과 2009년 교통량의 특성을 살펴본 결과 교통량분포가 모두 정규성을 따르지 않아 크리깅 방법 적용시 교통량을 자연로그로 변환하여 분석하였다.
이에 범용-공동크리깅과 일반-공동크리깅을 적용한 연구가 국내에서 있었으며, 분석결과 일반-공동크리깅으로 추정할 경우 추정의 정확도가 향상되는 것으로 나타났다. 본 연구에서는 일반-공동크리깅으로 분석할 때 주변수를 설명할 수 있는 설명변수를 추가하여 기존 방법과 비교분석하였다. 분석결과 전년도 교통량을 이차변수로 하여 분석한 CK_EUK를 이용한 방법이 가장 우수한 것으로 나타났다.
본 연구에서는 일반국도를 대상으로 다양한 크리깅 방법을 적용하여 AADT를 추정하고, 비교분석하였다. 2010년 일반국도 조사지점의 AADT를 추정하기 위하여 다양한 크리깅 방법을 적용하고 크리깅 방법을 통하여 교통량 자료에 대한 통계적 검증을 실시하였다.
분석결과 인구와 총주택수가 통계적으로 유의하지 않는 것으로 나타나 인구와 총주택수를 제외한 6개의 변수를 설명변수로 추가하여 분석하였다.1)
본 연구에서는 위 방법을 이용하여 크리깅 방법으로 AADT를 추정한 값과 실제 AADT를 비교하여 오차를 분석하고 신뢰구간을 구하여 신뢰도를 살펴보았다. 분석에 앞서 2010년 교통량과 2009년 교통량의 특성을 살펴본 결과 교통량분포가 모두 정규성을 따르지 않아 크리깅 방법 적용시 교통량을 자연로그로 변환하여 분석하였다.
공간회귀분석은 일반회귀분석 결과 잔차를 다시 세미베리오그램(semi-variogram)으로 분석하여 공간상관성을 추가한 것이다. 분석을 위해 세미베리오그램의 변수로 쓰이는 거리는 유클리디안 거리를 적용하였고, 독립변수로 교통량 자료와 조사지점의 위치 자료(도로등급, 노면상태, 제한속도, 차로수, 토지이용 상태 등), 인구센서스 자료(인구, 사회경제지표, 운전자수, 직업분포 등)를 이용하였으며, 주성분분석으로 변수를 축약하였다.
설명변수를 추가한 일반크리깅(External Universal Kriging : EUK)은 UK를 적용할 때 교통량과 밀접한 연관이 있는 변수들을 추가하여 공간모형을 구축하여 공간적 추세를 제거한 후 잔차를 통해 공간모형을 구축하여 원자료를 예측하는 방법이다. 설명변수는 교통량 조사지점이 소속된 지역의 교통수요를 유발하는 인구수, 총주택수, 자동차 등록대수, 사회경제를 반영하는 고용율, 해당 지점의 교통특성을 설명할 수 있는 트럭비율, 교통 시설 공급 수준을 반영하는 차로수를 기준으로 분석하였다. 설명변수 중 차로수와 트럭 비율은 조사지점마다 특정 값이 있으므로 사용 가능하지만 나머지 변수들은 해당 지역의 통계자료를 이용하여야 한다.
(2012)은 기존의 보정계수 그룹핑에 기초한 방법을 변형하여 새로운 그룹핑 방법을 제시하였다. 어떤 지점의 보정계수를 적용할지에 대한 객관적인 기준을 제안하기 위하여 보정계수 그룹핑에 월보정계수와 요일보정계수, 시간대별 교통량 비율을 모두 고려하여 그룹핑하고 각 그룹의 평균 시간대별 교통량의 비율과 단기 교통량조사 지점의 시간 대별 교통량의 비율을 적합도검정(goodness of fit test)을 이용하여 그룹을 배정하였다. 그 결과 동일 대구간의 상시조사 지점의 보정계수를 적용한 것보다 정확도가 높은 것으로 나타났다.
교통량 자료는 시계열적 특성과 공간적 특성을 동시에 가지고 있으나 기존 연구에서는 공간적 특성을 반영한 연구가 많지 않았으며 최근 연구가 진행되고 있었다. 이에 본 연구에서는 교통량 자료의 공간적 상관관계(spatial relation)를 분석하여 공간통계기법 중 가장 널리 이용되고 있는 크리깅(Kriging) 방법을 이용하여 단기 교통량 조사의 AADT를 추정하고 실제 AADT와 비교 분석하였다. 교통량 자료는 공간적 상관성과 시간적 연속성을 동시에 지니고 있으므로 본 연구에서는 크리깅 모형으로 공간적 상관성을 반영하고, 크리깅 모형 중 공동크리깅(cokriging)의 이차변수로 전년도 교통량을 적용하여 교통량 자료의 시간적 연속성을 반영하였다.
공동크리깅은 두 가지 이상의 변수의 선형조합을 사용하여 자료가 알려지지 않은 지점의 값을 예측하는 방법으로 일변량크리깅을 적용할 수 있다. 일반크리깅은 범용크리깅에서 가지는 단점을 보완한 크리깅 방법이므로 본 연구에서는 일반크리깅을 적용하였다. 일반크리깅은 설명변수를 추가할 수 있으며, 이차변수를 적용한 공동크리깅은 일변량크리깅보다 예측력이 높은 것으로 기존연구에서 분석되어 본 연구에서는 Table 1과 같은 크리깅 방법을 적용하였다.
일반크리깅은 범용크리깅에서 가지는 단점을 보완한 크리깅 방법이므로 본 연구에서는 일반크리깅을 적용하였다. 일반크리깅은 설명변수를 추가할 수 있으며, 이차변수를 적용한 공동크리깅은 일변량크리깅보다 예측력이 높은 것으로 기존연구에서 분석되어 본 연구에서는 Table 1과 같은 크리깅 방법을 적용하였다.
다양한 크리깅 방법을 적용하여 AADT를 추정하고 방법의 비교평가를 위하여 본 연구에서는 일반국도 전체 지점의 교통량 자료를 활용하여야 한다. 크리깅 방법으로 예측값을 구할 경우 사용된 자료가 동일하다면 항상 동일한 계산결과를 얻으므로, 교차검증을 통해 주어진 본래의 값을 제거하여 자료값을 재예측하고 재예측한 값과 실제 참값을 비교하였다. 본 연구에서는 위 방법을 이용하여 크리깅 방법으로 AADT를 추정한 값과 실제 AADT를 비교하여 오차를 분석하고 신뢰구간을 구하여 신뢰도를 살펴보았다.
대상 데이터
또한 이차변수 적용이 가능한 공동크리깅 방법에서는 2010년 일반국도 조사지점의 AADT를 구하기 위하여 2009년 자료를 이차변수로 적용하였다. 2010년 일반국도 조사 지점의 AADT를 구하기 위하여 2009년 AADT를 이차 변수로 사용하기 위해서 2009년과 2010년에 모두 조사된 지점이어야 하므로 본 장에서는 2009년과 2010년의 교통량이 모두 조사된 1,583개 지점을 대상으로 분석하였다. 하지만 1,583개 지점 중 365일 자료가 모두 수집된 상시조사 지점만 AADT 참값을 가지고 있으므로 크리깅 방법의 오차분석에는 상시조사지점 312개 지점만 이용하였다.
공동크리깅을 이용한 방법을 적용하기 위하여 교통량 자료의 대표적인 특성인 공간적 상관성을 반영한 공간모형을 구축하고, 본 연구에서 적용하였던 일변량크리깅을 공동크리깅으로 적용하여 AADT를 추정하였다. 2010년 일반국도 조사지점의 AADT를 구하기 위하여 공동크리깅 방법 적용시 2010년의 교통량과 상관관계가 높은 2009년 교통량을 이차변수로 적용하였다.
설명변수 중 차로수와 트럭 비율은 조사지점마다 특정 값이 있으므로 사용 가능하지만 나머지 변수들은 해당 지역의 통계자료를 이용하여야 한다. 인구수와 총 주택수, 자동차등록대수, 고용율은 통계청 자료를 활용하였으며 이 중 인구수와 총주택수는 읍/면 단위, 자동차 등록대수와 고용율은 시/군 단위의 자료를 활용하였다.
2010년 일반국도 조사 지점의 AADT를 구하기 위하여 2009년 AADT를 이차 변수로 사용하기 위해서 2009년과 2010년에 모두 조사된 지점이어야 하므로 본 장에서는 2009년과 2010년의 교통량이 모두 조사된 1,583개 지점을 대상으로 분석하였다. 하지만 1,583개 지점 중 365일 자료가 모두 수집된 상시조사 지점만 AADT 참값을 가지고 있으므로 크리깅 방법의 오차분석에는 상시조사지점 312개 지점만 이용하였다. 또한 오차평가지표로 RMSE(Root Mean Squared Error), MAE(Mean Absolute Error), MAPE(Mean Absolute Percentage Error)를 활용하여 크리깅 밥법 간 AADT와 AADT 추정값의 차이를 비교분석하였다.
데이터처리
(2007)은 Eom et al.(2006)의 연구에 이어 공간상관성을 알아보기 위해 조사지점간의 거리를 유클리디안 거리 대신 최단경로를 이용하여 공간회귀모형에 적용하여 기존 연구와 비교분석하였다. 공간예측방법으로 일반크리깅을 이용하였으며 교차검증(Cross validation)으로 최단경로 기반의 교통량 공간예측모형의 타당성을 제시하였다.
(2006)의 연구에 이어 공간상관성을 알아보기 위해 조사지점간의 거리를 유클리디안 거리 대신 최단경로를 이용하여 공간회귀모형에 적용하여 기존 연구와 비교분석하였다. 공간예측방법으로 일반크리깅을 이용하였으며 교차검증(Cross validation)으로 최단경로 기반의 교통량 공간예측모형의 타당성을 제시하였다. Selby et al.
설명변수가 교통량 자료를 설명하는지를 판단하기 위하여 분석에 앞서 다중회귀분석을 통하여 설명력을 판단하였다. 설명변수를 위도와 경도, 인구수, 총주택수, 차로수, 자동차등록대수, 고용율, 트럭비율로 하고 종속변수를 교통량으로 하여 다중회귀분석(multiple regression)한 결과는 Table 3과 같다.
Eom et al.의 연구에서는 일반 회귀분석(ordinary regression)과 공간회귀분석(geostatistical regression)을 이용하여 AADT를 추정하였고 추정값의 오차에 대하여 분석하였다. 공간모형을 적용하기 위한 변수로 도로특성과 인구통계적 특성, 지리특성, 교통량 조사 지점의 거리에 대한 공간정보를 활용하였다.
이론/모형
공간통계모형을 적용하여 AADT를 추정하기 위하여 본 연구에서는 다양한 크리깅 방법을 이용하였다. 일반 크리깅은 종속변수를 추정하기 위하여 위치정보 이외의 설명변수를 추가할 수 있다.
성능/효과
1절에서는 크리깅을 이용하여 AADT를 추정하기 위하여 다양한 크리깅 방법을 적용하였으며, 본 절에서는 각 모델별 AADT 추정오차를 비교 분석하였다. AADT 추정오차는 CK_EUK를 이용하였을 때 MAPE는 6.575%으로 가장 적게 나타났으며, 이 모델에서 상관 거리는 25.9km인 것으로 분석되었다. Table 4는 312개 분석대상 지점을 각 방법으로 AADT를 추정하고 추정오차의 분포를 나타낸 것이다.
CK_UK를 적용하여 AADT를 예측하고 교차검증을 통하여 AADT의 추정값을 산출한 후 상시조사 지점의 AADT 참값과 비교한 결과 MAPE는 6.578%로 나타났다. 이러한 결과는 UK와 비교하면 오차가 상당히 줄어든 것을 알 수 있다.
EUK에서 적용한 설명변수를 적용하여 CK_EUK 방법으로 AADT를 예측하고 교차검증을 통하여 AADT 추정값을 산출한 후 상시조사 지점의 AADT 참값과 비교한 결과 MAPE는 6.575%인 것으로 나타났다(Figure 3 참조). 이러한 결과는 본 연구에서 적용한 크리깅 방법 중 MAPE가 가장 낮은 것으로 분석되었지만, 실제로 CK_UK와 오차가 크게 차이나지 않는 것으로 분석되었다.
EUK을 이용하여 AADT를 예측하고 교차검증을 통하여 AADT의 추정값을 산출한 후 상시조사 지점의 AADT 참값과 비교한 결과 MAPE는 42.7%로 나타났다. 일반크리깅(universal kriging)의 MAPE가 51.
공간모형을 적용하기 위한 변수로 도로특성과 인구통계적 특성, 지리특성, 교통량 조사 지점의 거리에 대한 공간정보를 활용하였다. 공간상관관계를 알아보기 위하여 베리오그램의 모수를 추정할 때 일반적으로 적용하는 유클리디안(Eucliedean distance)거리를 이용하였으며, 분석결과 일반 회귀분석보다 공간 회귀분석이 AADT 추정값의 정확도가 더 높은 것으로 나타났다. Heo et al.
그러므로 공간적 추세를 제거한 잔차를 이용하여 분석을 하여야 한다. 공간적 추세를 제거한 잔차를 이용한 UK로 AADT를 예측하고 교차검증을 통하여 AADT의 추정값을 산출한 후 상시조사 지점의 AADT 참값과 비교한 결과 MAPE는 51.6%로 오차가 상당한 것으로 나타났다.
분석결과 일변량크리깅 UK에서 설명변수를 추가할 경우 MAPE가 약 10% 정도 줄어든 것으로 보아 설명변수를 추가할 경우 AADT 정확도가 향상되는 것으로 판단할 수 있다. 공동크리깅으로 AADT를 추정할 경우 일변량크리깅과 비교하였을 때 오차가 상당히 줄어드는 것을 알 수 있으며, 설명변수를 추가할 경우 오차가 다소 줄어들긴 하지만 그 차이가 크지 않은 것을 알 수 있었다. 이는 이차변수로 적용된 전년도 교통량이 설명변수의 설명력을 내포하고 있기 때문이라 판단된다.
어떤 지점의 보정계수를 적용할지에 대한 객관적인 기준을 제안하기 위하여 보정계수 그룹핑에 월보정계수와 요일보정계수, 시간대별 교통량 비율을 모두 고려하여 그룹핑하고 각 그룹의 평균 시간대별 교통량의 비율과 단기 교통량조사 지점의 시간 대별 교통량의 비율을 적합도검정(goodness of fit test)을 이용하여 그룹을 배정하였다. 그 결과 동일 대구간의 상시조사 지점의 보정계수를 적용한 것보다 정확도가 높은 것으로 나타났다. 보정계수를 적용하는 방법은 단기 교통량조사로 얻은 교통량 자료가 불량이거나 누락일 경우 AADT를 추정하지 못하는 단점이 있다.
Figure 4는 본 연구에서 적용한 네가지 크리깅 방법의 오차 누적분포를 그래프로 나타낸 것이다. 그래프를 보면 알 수 있듯이 일변량 크리깅보다 공동크리깅이 오차가 훨씬 적고, 설명변수를 추가한 것이 그렇지 않은 것보다 오차가 낮아 AADT 추정시 설명변수를 추가한 공동크리깅이 오차를 줄일 수 있을 것으로 판단된다.
(2004)은 AADT를 추정하기 위해 보정계수 그룹핑에 기초한 방법과 동일 대구간에 기초한 방법, 최단거리에 기초한 방법을 비교분석하였다. 분석결과 동일 대구간에 기초한 방법이 오차가 가장 적은 것으로 나타났다. 하지만 이 방법은 상시조사지점이 설치되어있지 않은 대구간에는 적용 불가능하다는 단점이 있다.
(2006)이 이용한 유클리디안 거리 대신 도로망 기반 거리(network distance)를 적용하였으며 공간분석을 위하여 도로의 기능과 차로수, 제한속도, 인근 지점 들의 속성 등을 적용하였다. 분석결과 유클리디안 거리를 이용하여 AADT를 추정한 것과 네트워크 기반 거리를 이용하여 AADT를 추정하는 방법에서 정확도가 유사하게 나타났으며 이는 텍사스의 교통량 조사 지점의 밀도가 높지 않아 한계가 있는 것으로 판단하였다.
분석결과 일변량크리깅 UK에서 설명변수를 추가할 경우 MAPE가 약 10% 정도 줄어든 것으로 보아 설명변수를 추가할 경우 AADT 정확도가 향상되는 것으로 판단할 수 있다. 공동크리깅으로 AADT를 추정할 경우 일변량크리깅과 비교하였을 때 오차가 상당히 줄어드는 것을 알 수 있으며, 설명변수를 추가할 경우 오차가 다소 줄어들긴 하지만 그 차이가 크지 않은 것을 알 수 있었다.
본 연구에서는 일반-공동크리깅으로 분석할 때 주변수를 설명할 수 있는 설명변수를 추가하여 기존 방법과 비교분석하였다. 분석결과 전년도 교통량을 이차변수로 하여 분석한 CK_EUK를 이용한 방법이 가장 우수한 것으로 나타났다. 일변량 크리깅중 설명변수를 추가하지 않은 UK와 설명변수를 추가한 EUK를 비교하였을 때 EUK의 AADT추정력이 높게 나타나 설명변수의 설명력이 영향력이 있는 것으로 나타났다.
(2013)은 공동크리깅 방법을 적용하여 AADT를 추정하고 기존 보정계수를 적용하는 방법과 오차를 비교분석하였다. 분석을 위해 범용-공동크리깅과 일반-공동크리깅을 적용하였으며, 공간적 추세를 제거한 일반-공동크리깅의 추정오차가 가장 적은 것으로 분석하였다.
선형회귀분석결과 위도와 경도 모두 통계적으로 유의하게 나타나 남북, 동서 방향으로 공간적 추세가 있는 것을 알 수 있다. 그러므로 공간적 추세를 제거한 잔차를 이용하여 분석을 하여야 한다.
575%인 것으로 나타났다(Figure 3 참조). 이러한 결과는 본 연구에서 적용한 크리깅 방법 중 MAPE가 가장 낮은 것으로 분석되었지만, 실제로 CK_UK와 오차가 크게 차이나지 않는 것으로 분석되었다. 이는 설명변수와 별개로 공동크리깅에서 이차변수를 적용할 때 상관관계가 높은 이차변수를 적용하였기 때문에 AADT 추정값의 정확도가 유사하게 나타나는 것이라 판단된다.
크리깅 방법을 이용하여 AADT를 추정한 기존 연구들은 외국 교통 자료를 이용하여 OK, UK 등 일변량 크리깅 방법을 적용한 것이 대부분이었으나, 우리나라 일반국도는 조사 지점이 평균 8km로 일변량 크리깅 방법을 적용할 경우 AADT의 신뢰도가 낮은 것으로 분석되어 새로운 방법이 필요하였다. 이에 범용-공동크리깅과 일반-공동크리깅을 적용한 연구가 국내에서 있었으며, 분석결과 일반-공동크리깅으로 추정할 경우 추정의 정확도가 향상되는 것으로 나타났다. 본 연구에서는 일반-공동크리깅으로 분석할 때 주변수를 설명할 수 있는 설명변수를 추가하여 기존 방법과 비교분석하였다.
7%로 나타났다. 일반크리깅(universal kriging)의 MAPE가 51.6%수준으로 나타난 것과 비교하였을 때 설명변수를 추가하는 것이 AADT 추정오차를 줄이는 것으로 나타났지만, 42.7%의 오차는 상당한 수준으로 분석되어 AADT를 추정하는 방법으로 적용하기에는 다소 무리가 있는 것으로 판단된다.
분석결과 전년도 교통량을 이차변수로 하여 분석한 CK_EUK를 이용한 방법이 가장 우수한 것으로 나타났다. 일변량 크리깅중 설명변수를 추가하지 않은 UK와 설명변수를 추가한 EUK를 비교하였을 때 EUK의 AADT추정력이 높게 나타나 설명변수의 설명력이 영향력이 있는 것으로 나타났다. 하지만 공동크리깅에서 UK_CK와 EUK_CK를 비교하였을 때 EUK_CK의 설명력이 가장 좋은 것으로 분석되었으나, 일변량크리깅과 비교하였을 때 설명변수의 유무가 방법별로 크게 차이가 나지 않은 것으로 나타났다.
일변량 크리깅중 설명변수를 추가하지 않은 UK와 설명변수를 추가한 EUK를 비교하였을 때 EUK의 AADT추정력이 높게 나타나 설명변수의 설명력이 영향력이 있는 것으로 나타났다. 하지만 공동크리깅에서 UK_CK와 EUK_CK를 비교하였을 때 EUK_CK의 설명력이 가장 좋은 것으로 분석되었으나, 일변량크리깅과 비교하였을 때 설명변수의 유무가 방법별로 크게 차이가 나지 않은 것으로 나타났다. 이는 공간적 상관관계가 높은 이차변수를 적용하였기 때문으로 판단되며, 지점의 특성을 잘 설명 하는 설명변수를 적용할 경우 설명력은 높아질 것이라 예상된다.
후속연구
다양한 크리깅 방법을 적용하여 AADT를 추정하고 방법의 비교평가를 위하여 본 연구에서는 일반국도 전체 지점의 교통량 자료를 활용하여야 한다. 크리깅 방법으로 예측값을 구할 경우 사용된 자료가 동일하다면 항상 동일한 계산결과를 얻으므로, 교차검증을 통해 주어진 본래의 값을 제거하여 자료값을 재예측하고 재예측한 값과 실제 참값을 비교하였다.
교통량 자료는 도로의 특성에 따라 거리기반 민감도가 다르게 분석되어 도로의 특성을 반영하여 공간분석을 하는 것이 정확도가 높을 것으로 예상된다. 또한 공간적 추세를 제거한 일반-공동크리깅에 사회경제적 변수를 설명변수로 추가할 경우 AADT 추정의 정확도는 더욱 높아질 것으로 기대된다. 본 연구에서는 다양한 공간통계모형을 적용하여 그 결과를 비교분석하고, 그 특성을 살펴보았다.
본 연구는 교통량 자료의 시공간적 상관관계를 적용하여 현장 자료를 실증적으로 검증하였다는데 의미가 있다고 판단된다. 이러한 연구결과는 AADT 추정 정확도를 향상시킴으로써 적정 규모의 도로 설계, 서비스수준 향상 등 교통 관련 연구에 이바지할 것으로 기대된다. 하지만 일반국도가 각 지점별로 도로의 기능분류가 되어 있지 않고, 도로의 기능분류를 위한 설명변수로 차로수, 자동차등록대수, 고용율, 화물차비율 등 4가지 변수만 설명하여 한계를 지니고 있다.
하지만 일반국도가 각 지점별로 도로의 기능분류가 되어 있지 않고, 도로의 기능분류를 위한 설명변수로 차로수, 자동차등록대수, 고용율, 화물차비율 등 4가지 변수만 설명하여 한계를 지니고 있다. 추후 지역의 도로밀도 등과 같은 주변의 교통환경을 설명할 수 있는 변수를 활용하거나 도로 기능별 분류를 통하여 도로 특성을 고려한 분석이 필요할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
교통량 자료는 어떻게 활용되고 있는가?
교통량(volume)이란 한 시간당 어느 지점을 통과하는 차량 대수를 말하며 조사된 교통량 자료는 도로의 계획, 설계, 운영 등에 폭넓게 이용되고 있다. 365일 일교통량의 평균으로 산출되는 연평균 일교통량(annual average daily traffic, AADT)은 도로 재정, 노선 계획, 포장설계, 사고분석 등에서 기초자료로 활용되고 있으며 AADT를 기준으로 투자개선계획 및 도로 구조물 설계가 이루어지고 있어 AADT의 추정이 잘못될 경우 예산낭비 등을 초래할 수 있다.
상시조사(permanent traffic counts)와 단기 교통량 조사는 무엇인가?
현재 우리나라 교통량 조사는 상시조사(permanent traffic counts)와 단기 교통량 조사(short-term traffic counts)로 나누어 조사되고 있다. 상시조사는 고정식 조사장비를 이용하여 365일 자료를 모두 수집하는 조사인 반면, 단기 교통량 조사는 기본 교통량 자료가 필요하다고 판단되는 모든 구간에 대하여 광범위하게 실시하는 조사이다. 단기 교통량 조사는 1년에 1-5회 조사가 시행 되고 있으며 정확한 AADT를 산출할 수 없어 AADT를 추정하여 활용되고 있다.
교통량이란 무엇인가?
교통량(volume)이란 한 시간당 어느 지점을 통과하는 차량 대수를 말하며 조사된 교통량 자료는 도로의 계획, 설계, 운영 등에 폭넓게 이용되고 있다. 365일 일교통량의 평균으로 산출되는 연평균 일교통량(annual average daily traffic, AADT)은 도로 재정, 노선 계획, 포장설계, 사고분석 등에서 기초자료로 활용되고 있으며 AADT를 기준으로 투자개선계획 및 도로 구조물 설계가 이루어지고 있어 AADT의 추정이 잘못될 경우 예산낭비 등을 초래할 수 있다.
참고문헌 (16)
Baek N. C. (2002), Traffic Pattern Groups-based Estimation of AADT using Bayesian Sampling and Neural Network Discriminant Functions, Seoul National University.
Choi J. K. (2007), Geostatistics, Sigmapress.
Doh T. W. (1997), Traffic Engineering Theory(1), ChungMunGak.
Eom J. K., Park M. S., Heo T. Y., Huntsinger L. F. (2006), Improving the Prediction of Annual Average Daily Traffic for Nonfreeway Facilities by Applying a Spatial Statistical Method, Transportation Research Record, 1968, 20-29.
Ha J. A., Oh S. C. (2012), Estimating Annual Average Daily Traffic Using Hourly Traffic Pattern and Grouping in National Highway, Journal of Korea ITS society, 11(2), 10-20.
Ham H. B. (2009), Park T. R., An C. H., General Statistics, YeonHakSa.
Heo T. Y., Eom J. K., Park H. M., Park C. K. (2008), Statistical Validation for Short Count Traffic Counts Using Spatial Regression Model, Journal of the Korean Data Analysis Society, 10(4), 1837-1848.
Heo T. Y., Park M. S., Eom J. K., Oh J. S. (2007), A Study on the Prediction of Traffic Counts Based on Shortest Travel Path, Journal of Applied Statistics, 20(3), 459-473.
Kim H. Y. (2010), A Geostatistical Approach for Improved Prediction of Traffic Volume in Urban Area, Journal of Korean Association of Geographic Information Studies, 13(4), 138-147.
Lee S. J., Baek N. C., Kwon H. J. (2002), A Study on the Estimation of AADT by Short-term Traffic Volume Survey, J. Korean Soc. Transp., 20(6), Journal of Korean Society of Transportation, 59-68.
Lim S. H., Oh J. S. (2004), A Study on Deriving of Adjustment Factor to Estimate AADT, Journal of Korea Society of Civil Engineers, 24(1D), 19-29.
MOLIT (2001), Guidelines of Traffic volume survey.
MOLIT (2009, 2010), Statistical Yearbook of Traffic Volume.
Selby B., Kockelman K. (2011), Spatial Prediction of AADT in Unmeasured Locations by Universal Kriging, the 90th Annual Meeting of the Transportation Research Board.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.