[논문]고속도로 이력데이터에 포함된 정체 시공간 전개 패턴 자동인식 알고리즘 개발

박은미; 오현선

doi:10.7470/jkst.2014.32.5.522

고속도로 이력데이터에 포함된 정체 시공간 전개 패턴 자동인식 알고리즘 개발
An Automatic Pattern Recognition Algorithm for Identifying the Spatio-temporal Congestion Evolution Patterns in Freeway Historic Data 원문보기

大韓交通學會誌 = Journal of Korean Society of Transportation, v.32 no.5, 2014년, pp.522 - 530

초록
AI-Helper

교통관리센터에 축적되어 있는 속도 이력데이터에는 반복 비반복 정체 시공간 전개에 대한 상세한 정보가 모두 들어있으나, 도해법에 의해 다루어져 왔기 때문에 많은 양의 이력데이터를 처리하여 교통상황예측이나 정보제공에 활용할 수 없는 한계가 존재하였다. 본 논문에서는, 기존의 Classification과 Density-Based Clustering 알고리즘을 속도 시공간 데이터 특성에 맞게 조합하고 변형하여 정체 시공간 영역을 자동 인식하는 알고리즘과, 정체파급길이, 파급속도, 해소속도 등 정체 시공간 전개 패턴의 특성치를 산정하는 알고리즘을 개발하였다, 본 알고리즘은, 교통관리센터에 축적되어 있는 방대한 양의 이력데이터를 자동으로 분석하여 자세한 정체 관련 정보를 추출할 수 있고, 산정된 특성치를 가지고 각 센터의 필요에 따라 다양한 정보를 2차 생성하고 활용할 수 있는 장점이 있다. 본 연구결과는 향후 반복 비반복 정체에 대한 예측과 대응이 획기적으로 개선되는데 초석이 될 것으로 기대된다.

Abstract ▼ AI-Helper

Spatio-temporal congestion evolution pattern can be reproduced using the VDS(Vehicle Detection System) historic speed dataset in the TMC(Traffic Management Center)s. Such dataset provides a pool of spatio-temporally experienced traffic conditions. Traffic flow pattern is known as spatio-temporally recurred, and even non-recurrent congestion caused by incidents has patterns according to the incident conditions. These imply that the information should be useful for traffic prediction and traffic management. Traffic flow predictions are generally performed using black-box approaches such as neural network, genetic algorithm, and etc. Black-box approaches are not designed to provide an explanation of their modeling and reasoning process and not to estimate the benefits and the risks of the implementation of such a solution. TMCs are reluctant to employ the black-box approaches even though there are numerous valuable articles. This research proposes a more readily understandable and intuitively appealing data-driven approach and developes an algorithm for identifying congestion patterns for recurrent and non-recurrent congestion management and information provision.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 속도 시공간 이력 데이터를 입력으로 하여 정체 시공간 영역을 자동인식하고, 정체 시공간 전개 패턴의 특성치를 산정하는 알고리즘을 개발하였다. 정체 시공간 전개 패턴의 특성치는 정체의 시공간적 파급과 해소 행태를 규명하는 값들로서 정체파급길이, 파급속도, 해소속도로 정의하였다.
본 연구는 이러한 이슈를 해결하고 방대한 이력데이터에 내재되어 있는 정체 시공간 전개 패턴 정보를 자동으로 추출하는 알고리즘 개발을 목적으로 한다.
본 연구에서는 4개월 치 데이터에 의한 사례연구를 수행한 결과를 제시하였다. 향후 동시 인접구간에서 발생된 정체, 명절 및 휴가 등으로 인한 극심한 정체 등에 대한 분석이 추가로 수행되어야 할 것이며, 이러한 경우 특성치 정의가 별도로 되어야 할 것으로 판단된다.
정체 시공간 전개 패턴의 특성치는 정체의 시공간적 파급과 해소 행태를 규명하는 값들로서 정체파급길이, 파급속도, 해소속도로 정의하였다. 특성치 산정은 정체시 공간 패턴을 특성치로 인식 및 저장함으로써 정체패턴에 포함된 정보를 손실 없이 디멘젼을 줄여 저장할 수 있도록 하는데 그 목적이 있다.

제안 방법

개발된 알고리즘은 Figure 7과 같은 모듈로 구성하여, Java 프로그램 코드로 구현했다. 교통관리센터 기존 DB 테이블 형식 변경 없이 본 사례연구에 필요한 데이터 항목만 쿼리하여 입력으로 받아들일 수 있도록 하는 실험의 편리성을 고려하여 Java 프로그램 언어를 선택하였다. Figure 8은 알고리즘 수행결과를 보여주는 인터페이스로서 시공도, 인식된 정체영역, 제거된 잡음, 산정된 정체패턴 특성치를 보여준다.
본 연구에서 제안한 알고리즘은 정체패턴의 특성치 산정을 기하학적 원리에 의해 하도록 되어있으므로, 시공도를 그렸을 때 정체형태의 왜곡을 피하기 위해 불규칙한 간격의 검지기데이터를 등간격으로 조정하였다. 또한 결측에 대하여는 전후방 검지기의 평균값으로 결측치를 보정하고, 1분 데이터의 무의미한 변동을 제거하기 위해 이동평균법을 사용하여 평활화를 수행하고 5분주기 1분 데이터를 생성하였다(Figure 6 참고).
이러한 경계가 되는 속도 값은 도로특성에 따라 달라지며, 어떤 이론 혹은 기준에 의한 값 추정보다는 분석대상 이력데이터의 간단한 사전 검토를 통해 도출할 것을 제안한다. 본 사례연구는 대상지의 이력데이터 사전 컴토를 통해 60kph를 경계 속도값으로 도출하여 분석을 수행하였다.
본 연구에서 제안한 알고리즘은 정체패턴의 특성치 산정을 기하학적 원리에 의해 하도록 되어있으므로, 시공도를 그렸을 때 정체형태의 왜곡을 피하기 위해 불규칙한 간격의 검지기데이터를 등간격으로 조정하였다. 또한 결측에 대하여는 전후방 검지기의 평균값으로 결측치를 보정하고, 1분 데이터의 무의미한 변동을 제거하기 위해 이동평균법을 사용하여 평활화를 수행하고 5분주기 1분 데이터를 생성하였다(Figure 6 참고).
본 연구의 알고리즘은, 정체 시공간 영역을 자동인식 하고, 정체의 시공간적 파급과 해소에 대한 특성치를 산정한다. 이 특성치만 있으면, 정체파급길이, 파급시간, 해소시간, 경로 통행시간 등 어느 하나에 국한되지 않고 각 센터의 필요에 따라 다양한 정보를 생성할 수 있다는 장점이 있다.
단계 1. 분석대상 시간 공간 범위를 설정하고, 설정된 시간 공간 범위의 속도 이력데이터를 입력으로 하여 속도 시공도를 생성한다. 이때, 정체 패턴의 특성치를 기하학적으로 산정하게 되므로 값의 왜곡을 방지하기 위해, 전 처리 과정을 거친다.
이처럼 정체 시공간 영역을 ‘도형’으로 인식하고 인식된 ‘도형’의 기하학적 특성, 즉 변의 길이와 기울기를 구함으로써 정체파급길이, 파급속도, 해소속도 등 정체 시공간 전개 패턴의 특성치를 산정하는 알고리즘도 함께 개발하였다
정체 시공간 영역을 자동 인식하는 알고리즘은, 기존의 Classification과 Density-Based Clustering 알고리즘(M. Ester, and et. al.,1996)을 속도 시공간 데이터 특성에 맞게 조합하고 변형하여 개발하였다. 즉 정체와 비정체 경계에 속도 불연속성이 존재하는 속도 시공 데이터 특성에 의거 Classification을 적용하되, 단순 속도 Fluctuation을 정체로 인식하는 것을 보정하기 위해 Density-Based Clustering 알고리즘의 개념을 일부 변경시켜 조합하였다.
,1996)을 속도 시공간 데이터 특성에 맞게 조합하고 변형하여 개발하였다. 즉 정체와 비정체 경계에 속도 불연속성이 존재하는 속도 시공 데이터 특성에 의거 Classification을 적용하되, 단순 속도 Fluctuation을 정체로 인식하는 것을 보정하기 위해 Density-Based Clustering 알고리즘의 개념을 일부 변경시켜 조합하였다. 이처럼 정체 시공간 영역을 ‘도형’으로 인식하고 인식된 ‘도형’의 기하학적 특성, 즉 변의 길이와 기울기를 구함으로써 정체파급길이, 파급속도, 해소속도 등 정체 시공간 전개 패턴의 특성치를 산정하는 알고리즘도 함께 개발하였다

대상 데이터

9 km 간격으로 설치되어 있다 (Figure 5 참고). 분석은 2012년 6-9월까지의 4개월간 VDS 이력 데이터를 이용하여 수행하였다.
사례연구 대상지로 서울춘천고속도로 서울방향(남춘천 JCT→강일IC구간)을 선정하였으며, 총연장 61.4km로 9개의 진출입 램프가 존재하며 검지기(VDS: Vehicle Detection System)는 서울방향 67개 지점에 약 0.9 km 간격으로 설치되어 있다 (Figure 5 참고).

성능/효과

(2) 꼭지점-즉 시공간 좌표로 볼 때 가장 끝에 해당하는 점-들은 그렇지 않은 점들에 비해 이웃수가 적을 수 밖에 없으며, 같은 문턱치를 적용하면 잡음이 아님에도 불구하고 잡음으로 걸러지는 문제가 있다. 이를 보완하기 위해 정체그룹의 꼭지점에 해당되는 점의 이웃에 해당되는 점이 잡음으로 제거되었다면 다시 정체그룹으로 복귀시켜 주고 이 과정을 복귀시킬 잡음이 더 이상 없을 때까지 반복 수행한다.
이는 직관적으로 이 해하기 쉽고 정확한 정체파급길이, 경로통행시간 등을 산정할 수 있으나, 많은 양의 이력데이터를 처리하고 데이터베이스화하여 교통상황예측이나 정보제공에 활용할 수 없는 한계가 존재하였다. 본 연구에서 개발된 알고리즘을 통하여 그간 축적해 놓은 데이터를 한꺼번에 분석하여 자세한 정체 관련 정보를 추출할 수 있고, 실시간 운영관리와 접목하여 센터에서 요구되는 정보생성에 활용할 수 있게 되었다.
본 연구에서 개발한 알고리즘을 서울춘천 고속도로 서울방향 4개월 치 이력데이터를 가지고 수행한 결과 16개의 사고에 의한 비반복정체 패턴이 인식되었고, 3개의 반복정체 패턴이 인식되었다. 그 추출된 정체 패턴을 Figure 9에 Case별로 정리하여 제시하였으며, 자동 인식된 정체 시공간 패턴의 산정된 특성치는 Table 2에 제시하였다.

후속연구

이는 방대한 이력데이터에 들어있는 반복, 비반복 정체의 구체적 전개과정을 정확히 재현하고 이를 정체관리나 정보제공에 활용할 수 있게 되었다는 것을 의미한다. 따라서 본 알고리즘의 개발이 반복ㆍ비반복 정체에 대한 예측과 대응의 정확성 및 효과성을 획기적으로 개선하는데 초석이 될 것으로 기대된다.
또한 보다 방대한 시간범위 데이터를 가지고 추출된 결과에 의한 패턴 DB 생성과 이를 활용한 실시간 교통 상황예측에 대한 구체적 방법론 제시를 향후과제로 남겨두었다.
또한 사고DB에 기록된 사고 규모와 실제 속도시공도 상에 나타난 정체규모와 일부 불일치를 보여주고 있다. 이것은 사고DB의 부정확성에 기인하는 것으로 추측가능하나, 이는 보다 면밀한 검증이 요구되며 이것은 향후 과제로 남겨두도록 한다.
반복정체나 비반복정체 모두 정체 발생시 정체영역과 비정체 영역을 구분 지을 수 있는 Speed drop이 발생하고 이러한 속도의 불연속면이 존재하는 것은 이미 교통류이론에서 알려진 사실이다. 이러한 경계가 되는 속도 값은 도로특성에 따라 달라지며, 어떤 이론 혹은 기준에 의한 값 추정보다는 분석대상 이력데이터의 간단한 사전 검토를 통해 도출할 것을 제안한다. 본 사례연구는 대상지의 이력데이터 사전 컴토를 통해 60kph를 경계 속도값으로 도출하여 분석을 수행하였다.
본 연구에서는 4개월 치 데이터에 의한 사례연구를 수행한 결과를 제시하였다. 향후 동시 인접구간에서 발생된 정체, 명절 및 휴가 등으로 인한 극심한 정체 등에 대한 분석이 추가로 수행되어야 할 것이며, 이러한 경우 특성치 정의가 별도로 되어야 할 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	반복정체란?	Figure 2 (a)와 (b)는 각각 비반복정체와 반복정체 영역과 특성치를 도식화한 그림이다. 반복정체는 수요 즉 도착교통량이 줄어들면서 정체가 해소되는 것이고, 비반복 정체는 사고가 처리되는 등 비반복 정체의 원인 이 되는 요소가 제거되는 즉 용량이 다시 회복되면서 해 소된다. 이러한 차이에서 Figure 2의 (a)와 (b)처럼 정체가 해소되는 부분에서 다른 패턴이 나타난다.
	사고 이력데이터를 장래 사고발생시 정보제공 등에 활용하는 것이 한계가 있는 이유는?	Figure 1과 같이 속도 이력데이터를 가지고 시공도를 그려보면 정체의 시공간 전개 패턴이 정확히 재현되고, 운전자가 실제 경험한 경로통행시간, 또 사고발생시 정체 파급시간, 해소시간, 대기행렬길이 등 모든 발생된 교통상황을 정확히 추정할 수 있게 된다, 통상 사고시점, 종료시점, 사고내용, 발생위치 등을 포함한 사고 이력데이터가 센터에 별도로 존재하나, 운전자 제보나 CCTV 확인 등의 결과를 운영자가 입력한 데이터로서 오차가 발생하며 그 내용의 정확성을 보장하기 힘들다.
	ITS가 설치된 목적은?	오늘날 도로의 효율적 운영관리와 이용자에 대한 정보제공을 목적으로 ITS(Intelligent Transportation System) 설치가 광범위하게 이루어져 있다. 특히 고속 도로의 경우 거의 모든 도로에 시스템이 구축되어 운영 중에 있으며, 그 시스템을 운영하는 센터에는 방대한 양의 이력 데이터들이 저장되어 있다.

참고문헌 (10)

Chen C., Skabardonis A., Varaiya P. (2004), Systematic Identification of Freeway Bottlenecks, Transportation Research Board 83rd Annual Meeting, Washington D.C., Jaunuary 2004.
Chen H., Rakha H.A., McGhee C.C. (2013), Dynamic Travel Time Prediction Using Pattern Recognition, http://www.citg.tudelft.nl/fileadmin/Faculteit/CiTG/ Over_de_faculteit/Afdelingen/Afdeling_Transport_e n_Planning/002Onderzoek/Chen__Rakha_and_McG hee_2013.pdf
Chung Y.s. (2007), Development of Spatio-temporal Accident Impact Estimation Model for Freeway Accident Management, Dissertation, UC Ivine.
Elhenawy M., Chen H., Rakha H.A. (2014), Dynamic Travel Time Prediction Using Data Clustering and Genetic Programming, Tranportation Research Part C 42, 82-98.

상세보기
Ester M. et al. (1996), A Density-based Algorithm for Discovering Clusters in Large Spatial Databases with Noise, 2nd International Conference on Knowledgd Discovery and Data Mining, Portland, Oregon.
Jin Y., Dai J., Lu C.T. (2006), Spatial-Temporal Data Mining in Traffic Incident Detection, In Proc. SIAM DM 2006 Workshop on Spatial Data Mining, Apr.
Logi F., Ritchie S.G. (2001), Development and Evaluation of a Knowledge-based System for Traffic Congestion Management and Control, Transportation Research part C 9, 433-459.

상세보기
Vlahogianni E.I., Karlaftis M.G., Golias J.C. (2014), Short-term Traffic Forecasting: Where we are and where we're going, Transportation Research part C (in press).
Weijermars W., van Berkum E. (2005), Analyzing Highway Flow Pattern Using Cluster Analysis, Proceedings of the 8th International IEEE Conferences on Intelligent Transportation Systems, Vienna, Austria, September 13-16.
Yildirimoglu M., Geroliminis N. (2013), Experienced Travel Time Prediction for Congested Freeways, Transportation Research Part B 53, 45-63.

상세보기

저자의 다른 논문 :

LOADING...

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