선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- (1989)). 따라서 본 연구에서는 고속도로에서의 기상상태에 따른 시정거리와 교통조건인 속도에 따른 교통류의 안전성 판단 알고리즘 개발을 목적으로 하였다.
- 본 연구에서는 VDS에서 수집되는 속도자료를 이용하여 산출한 SSD와 RWIS에서 수집되는 VD를 이용하여 교통류 안전성을 평가한 두 가지 적용 안을 제시하였다. 먼저 현재자료기반의 적용 안은 Figure 8-(a)와 같으며 SSD가 VD보다 길어질 때 위험한 상황으로 판단하였다.
- 또한 통행시간과 같은 교통정보 예측에 관한 연구도 활발히 진행 중이지만, 대부분 다양한 예측기법의 성능평가 연구에만초점이 맞추어져 있다. 이에 본 연구에서는 VD와 SSD의 관계를 RWIS자료와 VDS자료를 이용하여 분석한후, 교통류 안전성 판단 알고리즘을 제시하고, 예측정보를 활용하여 신뢰성 있는 교통류 안전성 정보를 제공하기 위한 기반을 마련한다는데 기존 연구와 차별성을 가진다. 연구의 흐름은 Figure 1에 나타내었다.
제안 방법
- 과거 이력 자료 분석범위 R은 1년 자료(2012년)를 이용하였다. Training Data Set(2012년 8월 24일, 8월 29일, 9월 17일, 9월 21일)의 RWIS자료인 VD를 이용하여 K값과 L값에 대한 최적 파라미터를 분석하였다. 그 결과, L값은 3-6사이, 그리고 K값은 증가할수록 예측력이 높아지는 경향을 보였다.
- 이는 VD와 SSD의 관계분석이용이한 날을 선정하기 위함이며, Figure 3에 제시한 바와 같이 분석대상 선정기준을 적용하여 전체 5일을 선정 하였다. Training Data Set은 8월 24일, 8월 29일, 9월 17일, 9월 21일을 택하여 예측분석 시 적용할 최적 파라미터를 도출하였으며, Test Data Set은 9월 23일을 선택하여 도출한 최적 파라미터를 적용하여 분석을 실시하였다. Test Data Set(9월 23일)의 VD 변화는 Figure 4와 같으며 기술통계량은 Table 1에 제시하였다.
- 따라서 본 연구에서는 도로노면에서 직접 수집되는 도로 기상정보 시스템(RWIS : Road Weather Information System) 자료와 차량검지기(VDS : Vehicle Detection System) 자료를 활용하였으며, 분석 대상은 구간은 2012년 서울-춘천고속도로 서종대교의 RWIS와 VDS자료를 사용하였다. VDS에서 수집되는 속도 자료를 이용하여 산출된 정지시거(SSD : Stopping Sight Distance)와 RWIS에서 수집되는 시정거리(VD : Visibility Distance)의 관계를 분석하여 교통류 안전성을 판단하였다. 운전자에게 사고예방을 위한 능동적 대응이 가능하도록 가치있는 정보 제공을 위하여 예측 정보를 이용하였다.
- 교통류 안전성 판단은 SSD보다 VD 가 길어야 안전하다는 기본 개념을 적용하였으며, 속도를 예측하여 SSD를 산출하고 RWIS에서 수집되는 VD 를 예측하였으며, 이때 최근접이웃 예측기법(KNN : K-Nearest Neighbors Method)을 적용하여 예측을 실시하였다. 교통류 안전성의 객관적인 상대비교 평가를 위하여 정규화 과정을 거쳐 위험성 지표(LOHSI : Level of Hazardous Spacing Level Index)를 도출하고 이를 활용할 수 있는 방안에 대하여 제시하였다.
- 특히, 예측기반의 정보를 활용하는 적용방안 2의 경우, 예측된 자료의 신뢰성 확보를 위하 다양한 파라메터 들을 적용하여 분석을 실시하였다. 그 결과, 파라메터 L=3, K=10(L:하나의 패턴의 구성하는 자료의 수, K:유사한 패턴 개수)으로 적용하였다. K는 커질수록 예측력이 우수한 것으로 나타났으나, 유사패턴의 개수가 많아질수록 계산이 복잡지고 산출시간이 오래 걸리는 점을 고려하여 K=10으로 적용하였다.
- 이 방안은 운영관리자 관점에서 이상기상 발생 시 교통상황 및 안전성 판단 모니터링으로 적용할 수 있을 것으로 판단된다. 두 번째 적용방안은 예측기법을 적용하여 운영자 관리자가 미래 시점(t+n)의 상황을 인지할 수 있도록 지원하는 것이다. 운영관리자가 안전성 판단 및 운영관리 시, 교통류 안전성 예보 및 사고예방을 위한 능동적 대응이 가능할 것이다.
- 특히 교통량의 경우, 차두시간과 관련성이 크기 때문에 이에 대한 분석이 필요하다. 둘째, 인지반응 시간을 2.5초로 적용하였다. 그러나 일반적인 교통상황에서는 인지반응시간이 보다 짧게 나타날 수 있다.
- 첫째, 자료의 신뢰도를 위하여 일일 데이터 중 결측비율이 10%이내인 자료를 선정하였다. 둘째, 하루 동안 VD가 SSD보다 클 때와 작을 때가 뚜렷하게 나타나는 날을 선정하기 위하여 최소 VD가 100m이상, 최대 VD가 500m이상인 날을 선정하였다. 셋째, VD의 변화가 일정시간동안 연속되어 유지되는 날을 택하여 분석하였다.
- 본 연구는 VDS에서 수집되는 속도 자료를 이용하여 산출된 정지시거와 RWIS에서 수집되는 VD의 관계를 분석하여 교통류 안전성을 판단하는 알고리즘을 제시하였으며, 운전자에게 사고예방을 위한 능동적 대응이 가능하도록 하는 유용한 정보를 제공하기 위해 최근접이웃 예측기법(K Nearest Neighbors Method)을 사용하였다. 또한, 교통류 안전성의 객관적인 비교․분석을 위하여 정규화 과정을 거쳐 안전성 지표(Safety Level Index)의 기준을 제시하였다.
- 본 연구에서는 다음과 기본사항을 전제로 분석을 실시 하였다. 먼저 수집된 RWIS의 시정거리는 실제 운전자의 시정거리와 같으며, 인지반응시간(PRT : Perception Reaction Time)은 연속교통류이므로 2.5초를 적용하였다. 모든 차량의 성능은 동일하며(타이어 접지 마찰력, 가감속도 성능 등), 또한 과거 t-n시간부터 현재 t시간동안 집계된 자료는 현재 t 시간대의 교통상황 및 도로환경을 대표한다.
- 제동거리는 운전자가 브레이크를 밟아 자동차를 정지시킬 때 필요한 거리로 자동차의 브레이크 성능, 포장 종류 및 노면상태, 타이어 재질 및 상태 등 다양한 조건에 따라 달라진다. 본 연구에서는 VD가 SSD보다 짧아지는 경우가 일반적으로 이상기상(강우, 강설, 안개 등)에서 발생한다는 점을 고려하여, 젖은 노면에서의 마찰계수를 도로설계기준에서 제시하는 값을 적용하였다.
- 본 연구에서는 VD와 SSD를 이용하여 교통류 안전성을 판단하는 ‘안전하다’ 또는 ‘위험하다’ 라는 단순한 이분 법적 판단이 아니라 운전자에게 위험도 상황에 대해 ‘얼마나 위험한가’ 라는 부분에 있어서, 이해도 증진과 각도로의 구간별 위험도 정보의 객관성을 위하여 HSI를 이용하여 교통류 위험도를 0-1 사이 값으로 정규화하여 LOHSI(Level of Hazardous Spacing Index)로 정의하였다.
- 본 연구에서는 다음과 기본사항을 전제로 분석을 실시 하였다. 먼저 수집된 RWIS의 시정거리는 실제 운전자의 시정거리와 같으며, 인지반응시간(PRT : Perception Reaction Time)은 연속교통류이므로 2.
- 둘째, 하루 동안 VD가 SSD보다 클 때와 작을 때가 뚜렷하게 나타나는 날을 선정하기 위하여 최소 VD가 100m이상, 최대 VD가 500m이상인 날을 선정하였다. 셋째, VD의 변화가 일정시간동안 연속되어 유지되는 날을 택하여 분석하였다. 이는 VD와 SSD의 관계분석이용이한 날을 선정하기 위함이며, Figure 3에 제시한 바와 같이 분석대상 선정기준을 적용하여 전체 5일을 선정 하였다.
- VDS에서 수집되는 속도 자료를 이용하여 산출된 정지시거(SSD : Stopping Sight Distance)와 RWIS에서 수집되는 시정거리(VD : Visibility Distance)의 관계를 분석하여 교통류 안전성을 판단하였다. 운전자에게 사고예방을 위한 능동적 대응이 가능하도록 가치있는 정보 제공을 위하여 예측 정보를 이용하였다. 교통류 안전성 판단은 SSD보다 VD 가 길어야 안전하다는 기본 개념을 적용하였으며, 속도를 예측하여 SSD를 산출하고 RWIS에서 수집되는 VD 를 예측하였으며, 이때 최근접이웃 예측기법(KNN : K-Nearest Neighbors Method)을 적용하여 예측을 실시하였다.
- 본 연구에서는 교통류의 안전성을 판단 기법을 적용 하기 위한 방안으로 다음의 두 가지 적용방안을 Table 3에 제시하였다. 첫 번째 적용방안은 과거 1step이전의 시간(t-1)부터 현재 시간(t)까지 수집된 5분 집계자료를 이용하는 것이다. 이 방안은 운영관리자 관점에서 이상기상 발생 시 교통상황 및 안전성 판단 모니터링으로 적용할 수 있을 것으로 판단된다.
- 그러나, 본 연구를 발전시키기 위해서는 다음과 같은 사항에 대한 추가 연구가 필요하다. 첫째, 본 연구에서는 시정거리와 정지시거만을 고려하였다. 그러나 실제 이상기상에서 교통류 안전성을 판단하기 위해서는 운전자특성, 교통상황, 도로조건, 기상환경 등 다양한 조건이 고려되어야한다.
- 특히, 예측기반의 정보를 활용하는 적용방안 2의 경우, 예측된 자료의 신뢰성 확보를 위하 다양한 파라메터 들을 적용하여 분석을 실시하였다. 그 결과, 파라메터 L=3, K=10(L:하나의 패턴의 구성하는 자료의 수, K:유사한 패턴 개수)으로 적용하였다.
대상 데이터
- 1년(2012년) 동안 기록된 기상자료와 차량검지기 자료를 이용하였으며, 분석대상은 다음과 같은 선정기준을 적용하여 선별하였다. 첫째, 자료의 신뢰도를 위하여 일일 데이터 중 결측비율이 10%이내인 자료를 선정하였다.
- 자료 수집은 RWIS와 VDS에서 관측 및 검지된 시정거리 및 속도 자료를 사용하였다. RWIS 자료는 기온, 습도, 풍속, 풍향 등의 기본 기상정보, 강우상태, 강우강도 등의 강우정보, 노면온도, 노면상태 등의 도로정보, 시거 등이 포함되어 있으며, 검지기는 RWIS와 가장 가까운 서울방향의 하류부 검지기(060VDS01951C0)를 이용하였으며, 속도, 교통량 등의 교통정보가 수집된다. Figure 2에 분석구간의 RWIS와 검지기의 공간적 배경을 나타내었다.
- 본 연구에서는 예측기법으로는 KNN방법을 사용하여 t+1(5분)시간대 예측 분석을 실시하였다. 과거 이력 자료 분석범위 R은 1년 자료(2012년)를 이용하였다. Training Data Set(2012년 8월 24일, 8월 29일, 9월 17일, 9월 21일)의 RWIS자료인 VD를 이용하여 K값과 L값에 대한 최적 파라미터를 분석하였다.
- 실제 도로 기상과 기상청에서 제공하는 날씨 는 시간적 공간적 차이가 있기 마련이며, 도로 운영·관리 관점에서 기상정보 수집은 일반 기상 예보와는 다른 중요한 의미를 가진다. 따라서 본 연구에서는 도로노면에서 직접 수집되는 도로 기상정보 시스템(RWIS : Road Weather Information System) 자료와 차량검지기(VDS : Vehicle Detection System) 자료를 활용하였으며, 분석 대상은 구간은 2012년 서울-춘천고속도로 서종대교의 RWIS와 VDS자료를 사용하였다. VDS에서 수집되는 속도 자료를 이용하여 산출된 정지시거(SSD : Stopping Sight Distance)와 RWIS에서 수집되는 시정거리(VD : Visibility Distance)의 관계를 분석하여 교통류 안전성을 판단하였다.
- 본 연구에서는 VD와 SSD의 관계 분석을 위한 분석 구간으로 서울-춘천 고속도로의 서종대교로 선정하였다. 자료 수집은 RWIS와 VDS에서 관측 및 검지된 시정거리 및 속도 자료를 사용하였다.
- 본 연구에서는 VD와 SSD의 관계 분석을 위한 분석 구간으로 서울-춘천 고속도로의 서종대교로 선정하였다. 자료 수집은 RWIS와 VDS에서 관측 및 검지된 시정거리 및 속도 자료를 사용하였다. RWIS 자료는 기온, 습도, 풍속, 풍향 등의 기본 기상정보, 강우상태, 강우강도 등의 강우정보, 노면온도, 노면상태 등의 도로정보, 시거 등이 포함되어 있으며, 검지기는 RWIS와 가장 가까운 서울방향의 하류부 검지기(060VDS01951C0)를 이용하였으며, 속도, 교통량 등의 교통정보가 수집된다.
- 1년(2012년) 동안 기록된 기상자료와 차량검지기 자료를 이용하였으며, 분석대상은 다음과 같은 선정기준을 적용하여 선별하였다. 첫째, 자료의 신뢰도를 위하여 일일 데이터 중 결측비율이 10%이내인 자료를 선정하였다. 둘째, 하루 동안 VD가 SSD보다 클 때와 작을 때가 뚜렷하게 나타나는 날을 선정하기 위하여 최소 VD가 100m이상, 최대 VD가 500m이상인 날을 선정하였다.
이론/모형
- 운전자에게 사고예방을 위한 능동적 대응이 가능하도록 가치있는 정보 제공을 위하여 예측 정보를 이용하였다. 교통류 안전성 판단은 SSD보다 VD 가 길어야 안전하다는 기본 개념을 적용하였으며, 속도를 예측하여 SSD를 산출하고 RWIS에서 수집되는 VD 를 예측하였으며, 이때 최근접이웃 예측기법(KNN : K-Nearest Neighbors Method)을 적용하여 예측을 실시하였다. 교통류 안전성의 객관적인 상대비교 평가를 위하여 정규화 과정을 거쳐 위험성 지표(LOHSI : Level of Hazardous Spacing Level Index)를 도출하고 이를 활용할 수 있는 방안에 대하여 제시하였다.
- 본 연구는 VDS에서 수집되는 속도 자료를 이용하여 산출된 정지시거와 RWIS에서 수집되는 VD의 관계를 분석하여 교통류 안전성을 판단하는 알고리즘을 제시하였으며, 운전자에게 사고예방을 위한 능동적 대응이 가능하도록 하는 유용한 정보를 제공하기 위해 최근접이웃 예측기법(K Nearest Neighbors Method)을 사용하였다. 또한, 교통류 안전성의 객관적인 비교․분석을 위하여 정규화 과정을 거쳐 안전성 지표(Safety Level Index)의 기준을 제시하였다.
- 과거 이력자료의 시간적 변화 패턴을 이용하여 미래의 값을 예측하는 방법으로, 과거의 이력자료 집합에서 현재 시간대의 패턴과 거리가 가장 가까운, 즉, 교통상태가 가장 유사한 이웃(Nearest Neighbor)을 탐색하여 미래를 예측하는 방법이다 (Lim, 2011). 본 연구에서 사용한 KNN기법은 다음 단계에 따라 진행된다. 1단계, 하나의 패턴은 몇 개의 데이터로 구성할 것인가를 결정한다.
- 본 연구에서 사용한 예측기법은 분류기법 중 하나로 임의의 점이 어떤 집단에 속하는지 확률적으로 구분하는 최근접이웃 예측기법(KNN : K Nearest Neighbors Method)을 활용하였다. 과거 이력자료의 시간적 변화 패턴을 이용하여 미래의 값을 예측하는 방법으로, 과거의 이력자료 집합에서 현재 시간대의 패턴과 거리가 가장 가까운, 즉, 교통상태가 가장 유사한 이웃(Nearest Neighbor)을 탐색하여 미래를 예측하는 방법이다 (Lim, 2011).
- Do(2005)은 공주거리는 운전자 개개인의 경험 및 숙련 정도, 위기대처능력 등이 다양하기 때문에 운전자가 장애물을 발견한 후 브레이크를 밟을 것인가를 판단하고 나서 브레이크를 밟을 때까지의 동작시간에 대하여 각종 실험이 실시되고 있지만, 그 결과가 매우 다양하다고 교통공학원론에 제시하고 있다. 본 연구에서는 국토해양부의 도로설계기준(2012)에 따라 인지반응시간을 2.5초로 하여 주행거리를 산정하였다. 운전자의 반응시간의 범위는 일정하지는 않지만 보통 0.
- 본 연구에서는 예측기법으로는 KNN방법을 사용하여 t+1(5분)시간대 예측 분석을 실시하였다. 과거 이력 자료 분석범위 R은 1년 자료(2012년)를 이용하였다.
- 이는 예측력 즉, 예측 정보의 신뢰성과 연결되어 있기 때문에, 적정 파라미터 값을 찾는 것 또한 중요한 연구사항이다. 예측력 산정 시 식(3)과 같이 MAPE(Mean Absolute Percentage Error)방법을 사용하였다.
성능/효과
- Edwards(1998)는 사고 심각도와 기상상태의 상관관계에 대한 분석을 수행하였다. 강우, 안개, 강풍의 기상조건과 정상기상을 비교․분석한 결과, 교통사고와 상관관계가 가장 높은 기상 조건은 안개로 나타났으며, 안개 시 사고가 발생할 경우 사고심각도 또한 높게 나타났다. Kim et al.
- (2013)은 구간검지기 자료를 활용하여 일반국도를 대상으로 통행시간 예측 방법을 개발하고자 하였다. 그 결과 MAPE 분석에서 모든 도로유형, 교통상태에서 KNN 방법이 우수한 것으로 분석되었다.
- Training Data Set(2012년 8월 24일, 8월 29일, 9월 17일, 9월 21일)의 RWIS자료인 VD를 이용하여 K값과 L값에 대한 최적 파라미터를 분석하였다. 그 결과, L값은 3-6사이, 그리고 K값은 증가할수록 예측력이 높아지는 경향을 보였다. 각 파라미터 값의 변화에 따른 시정거리 예측력 변화 결과는 Table 4에 제시하였다.
- K는 커질수록 예측력이 우수한 것으로 나타났으나, 유사패턴의 개수가 많아질수록 계산이 복잡지고 산출시간이 오래 걸리는 점을 고려하여 K=10으로 적용하였다. 또한 이용자에게 위험도 상황에 대한 이해도 증진을 위하여 교통류 위험도를 0-1 사이 값으로 정규화하여 LOHSI(Level of Hazardous Spacing Index)로 정의하였으며, 분석결과, LOHSI의 변화는 SSD와 VD의 차이가 클수록 교통량이 증가할수록 LOHSI값이 더욱 크게 나타났다.
- 일반적으로 KNN 방법의 경우 과거 데이터가 충분할 경우 K=1인 경우에 에러가 최소화되거나, 또는 K 값이 특정 값 근처로 에러가 최소화되는 경향이 있다. 본 연구에서 K값이 증가할수록 예측력이 높아진다는 결과는 과거 데이터가 부족하여, KNN 방법으로는 충분히 예측할 수 없는 상태임을 나타낼 수 도 있다고 판단된다. 따라서 보다 객관적인 파라미터 값을 도출하기 위하여 데이터를 보완하여 연구가 필요하다.
- (2008)은 Meta-Analysis를 이용하여 사고변화율을 분석하였다. 분석결과, 젖은 노면상태에서 사고 심각도가 300% 증가한다고 하였다. Kang et al.
- 따라서 실제 알고리즘의 현장 적용 시, 다양한 범위의 인지반응시간을 사용하면서 위험도 판단 결과와 교통사고와의 관계를 장기적으로 모니터링 할 필요가 있다. 셋째, KNN 예측기법에 사용된 파라미터는 특정 날에 대한 오류 최소화 값이 사용되었다. 일반적으로 KNN 방법의 경우 과거 데이터가 충분할 경우 K=1인 경우에 에러가 최소화되거나, 또는 K 값이 특정 값 근처로 에러가 최소화되는 경향이 있다.
- 그 결과는 Figure 10과 같이 나타낼 수 있다. 약 7:30분에 SSD와 VD의 차이가 최대이지만, 약 8시에 LOHSI가 최대값을 가지는 결과를 보였다. SSD, VD의 차이와 교통량이 LOHSI에 미치는 영향력에 대해서는 Figure 11에 제시하였다.
- 예측력의 변화본 연구에서 는 L=3, K=10(K:유사한 패턴 개수, L:하나의 패턴의 구성하는 자료의 수)을 최적 파라미터로 선정하여 Test Data Set(9월 23일)에 적용하여 분석하였으며, VD와 SSD를 예측한 결과는 Figure 9에 제시하였다. 예측력 (MAPE)은 VD가 3.26%, SSD가 6.61%로 상당히 높은 결과를 보였다. 이러한 예측 결과를 바탕으로 교통류의 안전성 판단을 한 결과를 Figure 8-(b)에 나타내었다.
후속연구
- 본 연구에서 K값이 증가할수록 예측력이 높아진다는 결과는 과거 데이터가 부족하여, KNN 방법으로는 충분히 예측할 수 없는 상태임을 나타낼 수 도 있다고 판단된다. 따라서 보다 객관적인 파라미터 값을 도출하기 위하여 데이터를 보완하여 연구가 필요하다. 마지막으로, LOHSI의 기준 설정이 필요하다.
- 그러나 일반적인 교통상황에서는 인지반응시간이 보다 짧게 나타날 수 있다. 따라서 실제 알고리즘의 현장 적용 시, 다양한 범위의 인지반응시간을 사용하면서 위험도 판단 결과와 교통사고와의 관계를 장기적으로 모니터링 할 필요가 있다. 셋째, KNN 예측기법에 사용된 파라미터는 특정 날에 대한 오류 최소화 값이 사용되었다.
- 운영관리자가 안전성 판단 및 운영관리 시, 교통류 안전성 예보 및 사고예방을 위한 능동적 대응이 가능할 것이다. 따라서 예측된 정보의 신뢰성 확보가 전제되어야 유용한 교통정보로서의 가치가 크게 나타날 것으로 판단된다.
- 본 연구결과를 활용할 경우, 이용자 관점에서는 교통류의 안전성 향상을 위한 효율적인 교통운영을 지원 할수 있을 것으로 기대된다. 특히, 적용방안 2의 경우, 기상 조건 및 도로조건에 따른 가변제한속도를 적용하는 등, 능동적 교통류 관리(Active Traffic Management) 관점에서 보다 효과적일 것으로 기대되다.
- 두 번째 적용방안은 예측기법을 적용하여 운영자 관리자가 미래 시점(t+n)의 상황을 인지할 수 있도록 지원하는 것이다. 운영관리자가 안전성 판단 및 운영관리 시, 교통류 안전성 예보 및 사고예방을 위한 능동적 대응이 가능할 것이다. 따라서 예측된 정보의 신뢰성 확보가 전제되어야 유용한 교통정보로서의 가치가 크게 나타날 것으로 판단된다.
- 첫 번째 적용방안은 과거 1step이전의 시간(t-1)부터 현재 시간(t)까지 수집된 5분 집계자료를 이용하는 것이다. 이 방안은 운영관리자 관점에서 이상기상 발생 시 교통상황 및 안전성 판단 모니터링으로 적용할 수 있을 것으로 판단된다. 두 번째 적용방안은 예측기법을 적용하여 운영자 관리자가 미래 시점(t+n)의 상황을 인지할 수 있도록 지원하는 것이다.
- 이는 교통류 상황에 대한 단순한 이분법적 판단(안전 or 위험)이 아니라, 교통정보센터 운영자 관리자가 위험 상황의 심각도 수준을 보다 쉽게 이해할 수 있도록 객관적으로 표현하기 위함이다. 즉, LOHSI를 이용하여 운영 관리자는 교통류 안전성 향상을 효율적이며 능동적인 교통류 관리가 가능할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.