도시철도 승객의 수입금 정산 배분을 위하여 승객의 경로를 파악할 필요가 있다. 승객의 예상 이동경로를 파악을 위해 다양한 경로탐색기법들이 있지만, 링크기반 k-경로탐색기법이 많이 활용되고 있다. 그러나 기존의 k-경로탐색기법은 통행 및 도보시간, 환승 패널티 등의 변수에 따라 다양한 최적경로가 존재하는 문제점이 있고 특히, 급행열차를 선호하는 승객의 특성, 열차의 특성 등을 반영하지 못하는 한계를 지니고 있다. 본 연구에서는 이를 보완하기위하여 교통카드자료를 기반으로 실제로 이용한 하나의 경로를 탐색하는 방안을 제시하였다. 또한, 각 철도운영기관의 열차스케줄을 연계하여 최적경로를 탐색하는 방안도 제안하였다.
도시철도 승객의 수입금 정산 배분을 위하여 승객의 경로를 파악할 필요가 있다. 승객의 예상 이동경로를 파악을 위해 다양한 경로탐색기법들이 있지만, 링크기반 k-경로탐색기법이 많이 활용되고 있다. 그러나 기존의 k-경로탐색기법은 통행 및 도보시간, 환승 패널티 등의 변수에 따라 다양한 최적경로가 존재하는 문제점이 있고 특히, 급행열차를 선호하는 승객의 특성, 열차의 특성 등을 반영하지 못하는 한계를 지니고 있다. 본 연구에서는 이를 보완하기위하여 교통카드자료를 기반으로 실제로 이용한 하나의 경로를 탐색하는 방안을 제시하였다. 또한, 각 철도운영기관의 열차스케줄을 연계하여 최적경로를 탐색하는 방안도 제안하였다.
It is necessary to determine real path for urban railway users in order to allocate revenues between urban railway organizations. Out of several algorithms used to determine optimal routes, the k-path algorithm based on link-label has been utilized. However, this k-path algorithm has certain flaws. ...
It is necessary to determine real path for urban railway users in order to allocate revenues between urban railway organizations. Out of several algorithms used to determine optimal routes, the k-path algorithm based on link-label has been utilized. However, this k-path algorithm has certain flaws. For example, optimal route can change depending on the travel and walking time, transfer penalty, and so on. Also, this algorithm cannot take into account the characteristics of users, who prefer express train to normal trains. In this paper, an algorithm is proposed to determine one single optimal route based on the traffic card data. This method also can search for an optimal path in conjunction with the railway timetable.
It is necessary to determine real path for urban railway users in order to allocate revenues between urban railway organizations. Out of several algorithms used to determine optimal routes, the k-path algorithm based on link-label has been utilized. However, this k-path algorithm has certain flaws. For example, optimal route can change depending on the travel and walking time, transfer penalty, and so on. Also, this algorithm cannot take into account the characteristics of users, who prefer express train to normal trains. In this paper, an algorithm is proposed to determine one single optimal route based on the traffic card data. This method also can search for an optimal path in conjunction with the railway timetable.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
HTW는 시간창 내에서만 대기와 탑승행위가 이루어지는 것을 의미하고, STW는 시간창 전에 대기 및 출발시간까지의 탑승이 가능하도록 표현할 수 있다. 도시철도 이용객은 Tag 이용 후 열차탑승을 위한 도보시간 및 열차환승시간이 존재함으로 본 연구에서는 대기시간 및 출발시간까지의 탑승여부를 판단할 수 있는 STW를 고려한 경로탐색방법을 제시한다.
이에 본 연구에서는 기존 k-경로탐색기법의 한계점을 보완하여 기존 수도권 도시철도 연락운임정산[5]에서 처리하지 못한 급행열차를 적용할 수 있는 방안을 검토하도록 한다. 또한 민자노선을 고려한 네트워크 구축 및 도시철도 열차스케줄과 k-경로탐색기법을 연계하여 급행열차를 고려한 최적경로탐색 모형을 제안하고자 한다.
본 연구는 수도권 교통카드자료를 활용하여 철도이용객의 통행경로를 정확하게 분석할 수 있는 최적경로탐색 알고리즘을 제안함으로써, 향후 경전철, 민자철도 등 다양한 철도운송기관의 진입에 따른 운영주체들간의 효율적인 수입금 정산배분을 위한 기법을 제안하였다.
본 연구에서는 일반화비용(통행, 도보, 대기시간 등)을 고려한 최적경로탐색 방안을 제안한다. 출발노드(역) r에서 경로 b의 도착노드(역) k까지의 경로를 탐색할 경우 실제 이용자의 Tag-In/Out 기록과 열차스케줄을 고려한 통행행태를 살펴보도록 한다.
이 논문은 2014년도 제67회 철도학회 춘계학술발표회에서 발표하였던 내용을 추가 보완하여 수행한 연구이다.
이에 본 연구에서는 기존 k-경로탐색기법의 한계점을 보완하여 기존 수도권 도시철도 연락운임정산[5]에서 처리하지 못한 급행열차를 적용할 수 있는 방안을 검토하도록 한다. 또한 민자노선을 고려한 네트워크 구축 및 도시철도 열차스케줄과 k-경로탐색기법을 연계하여 급행열차를 고려한 최적경로탐색 모형을 제안하고자 한다.
제안 방법
7개 철도운송기관의 도시철도 역사정보인 역간 소요시간, 거리 및 구간정보자료를 취합하고, 환승 역사에서 환승시 이용되는 도보거리는 일반인의 보행속도를 기준으로 적용하여 수도권 철도네트워크를 구축하였다(Table 1 참조).
3참고). 각 교통카드자료별 데이터 필드의 형식이 다르게 구성됨에 따라, 필드를 통합하여 1일 교통카드 운영DB를 구축하도록 한다.
분석구간은 계양역에서 신길역까지이며, 2개의 완행구간과 1개의 급행구간으로 총 3개의 대안을 설정하였다. 각 대안의 조건은 다음 Table 5와 같다.
이러한 문제를 보완하기 위하여 확장 네트워크(N')에 대하여 열차스케줄을 적용하여 경로를 추정하도록 한다.
)에서 제공하는 교통카드자료(RF-Card Data)는 정산을 목적으로 DB를 취합함으로써, 요금의 변동 및 발생이 되지 않는 민자노선의 교통카드 자료는 별도로 구분하여 보관하고 있다. 이에 따라 KSCC에서 민자노선의 이용자료(TBBZD042)를 제공받아 기존 선후불 카드의 자료와 연계하여 1일 수도권 도시철도 교통카드 자료를 구축하도록 하였다.
이에 본 연구에서는 Fig. 10과 같이 완행구간과 급행구간을 비교할 수 있는 대안을 제시하고, 열차스케줄을 고려하여 최적경로를 분석하였다.
이에 본 연구에서는 도시철도 행태를 명확하게 구분하기 위하여 교통수단을 버스와 철도로 구분하고, 버스는 “B”, 철도는 유형별로 “0(일반철도), 1(민자철도), 2(신분당선)”로 구분하였다.
이에 본 연구에서는 도시철도 행태를 명확하게 구분하기 위하여 교통수단을 버스와 철도로 구분하고, 버스는 “B”, 철도는 유형별로 “0(일반철도), 1(민자철도), 2(신분당선)”로 구분하였다. 특히, 신분당선은 귀속금액이 발생함에 따라 민자철도에서 별도로 구분하였다.
대상 데이터
도시철도 이용객의 통행경로를 탐색하기위해 2012.05.17 선후불 교통카드자료 및 민자철도 승하차자료를 활용하였으며, 이들 자료를 통합하여 1일 도시철도 이용객 OD를 구축하였다. ㈜한국스마트카드(이하 “KSCC”이라고 함.
수입금 정산배분을 위해서는 실제이용객의 통행정보가 필요함으로 교통카드자료를 활용하도록 한다. 자료는 각각 선불카드(TBBZT010), 후불카드(TBBZT020), 선불카드지연수집(TBBZT 090), 후불카드지연수집(TBBZT091)가 필요하고, 민자노선의 통행정보를 알기위하여 추가적으로 3개 민자철도 운영기관의 승하차(TBBZD042)자료를 이용하였다(Fig. 3참고). 각 교통카드자료별 데이터 필드의 형식이 다르게 구성됨에 따라, 필드를 통합하여 1일 교통카드 운영DB를 구축하도록 한다.
이론/모형
2는 링크표지기반의 개념을 설명하는 것으로 호선 n에서 호선 m으로 환승시에 발생하는 환승비용 #이 수단-링크표지 확장방안을 적용할 경우 dab로 단순화됨을 보여준다. 이에 본 연구에서는 수입금 정산배분을 위하여 노드 및 링크기반 다수경로 탐색알고리즘을 활용하였다.
성능/효과
17. 분석결과 미금역에서 선릉역까지 분당선(Korail)을 이용한 건수는 40건, 신분당선을 이용한 건수는 총 66건으로 나타났다. 신분당선 이용여부에 따른 수입금 정산·배분결과는 Table 4와 같다.
열차스케줄을 고려하여 경로탐색결과, 실제통행경로는 경로1이 아니라 급행구간을 이용한 경로2-2인 것으로 분석되었다. 수입금 정산배분 시 기존의 경로탐색기법에서는 급행열차를 고려하지 않으므로 수입금 배분이 이루어지지 못하지만, 스케줄을 고려함으로써 좀 더 명확하게 고려가 되는 것을 알 수 있다.
현행 수도권 도시철도 이용객 증가에 따라 급행열차의 도입 및 중요성이 나날이 대두되고 있는 실정이지만, 기존의 연락 운임정산에서는 이를 고려할 수 없다는 한계가 있었다. 특히, 메트로 9호선의 경우 급행수요가 많은 것으로 분석됨에 따라 연락운임정산시 반영여부에 따라 운영기관에 미치는 영향이 매우 큰 것으로 나타났다.
후속연구
각 철도운영기관의 열차스케줄을 연계하여 최적경로를 탐색함으로써, 다양한 변수들을 고려함에 따라 복잡했던 수입금 정산처리 규칙을 단순화하고, 유사경로에 대한 문제를 보완할 수 있을 것으로 판단된다. 또한 기존 수입금 정산배분대상에서 처리하지 못한 급행구간을 포함함으로서 보다 합리적이고, 명확한 수입금 정산배분이 이루어질 것으로 기대한다.
각 철도운영기관의 열차스케줄을 연계하여 최적경로를 탐색함으로써, 다양한 변수들을 고려함에 따라 복잡했던 수입금 정산처리 규칙을 단순화하고, 유사경로에 대한 문제를 보완할 수 있을 것으로 판단된다. 또한 기존 수입금 정산배분대상에서 처리하지 못한 급행구간을 포함함으로서 보다 합리적이고, 명확한 수입금 정산배분이 이루어질 것으로 기대한다.
향후 연구에서는 다양한 변수들을 고려하여 동적 철도네트워크를 기반으로 현행 열차스케줄을 파악하고, 열차의 지정체에 따른 영향을 고려한 연구가 필요할 것으로 사료된다.
현재 급행구간이 운영되는 노선은 매우 적어서 수입금 정산배분 시 큰 영향을 미치지는 못하나, 향후 민자노선의 추가진입 및 급행열차의 도입가능성이 매우 높은 것을 감안할 때 급행/완행의 승객정보 구분 및 통행유형에 대한 고려가 필요할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
승객의 예상 이동경로를 파악을 위해 사용되는 링크기반 k-경로탐색기법의 문제점은 무엇인가?
승객의 예상 이동경로를 파악을 위해 다양한 경로탐색기법들이 있지만, 링크기반 k-경로탐색기법이 많이 활용되고 있다. 그러나 기존의 k-경로탐색기법은 통행 및 도보시간, 환승 패널티 등의 변수에 따라 다양한 최적경로가 존재하는 문제점이 있고 특히, 급행열차를 선호하는 승객의 특성, 열차의 특성 등을 반영하지 못하는 한계를 지니고 있다. 본 연구에서는 이를 보완하기위하여 교통카드자료를 기반으로 실제로 이용한 하나의 경로를 탐색하는 방안을 제시하였다.
도시철도 승객의 경로를 파악할 필요가 있는 이유는?
도시철도 승객의 수입금 정산 배분을 위하여 승객의 경로를 파악할 필요가 있다. 승객의 예상 이동경로를 파악을 위해 다양한 경로탐색기법들이 있지만, 링크기반 k-경로탐색기법이 많이 활용되고 있다.
승객의 예상 이동경로 파악을 위해 많이 활용되는 것은 무엇인가?
도시철도 승객의 수입금 정산 배분을 위하여 승객의 경로를 파악할 필요가 있다. 승객의 예상 이동경로를 파악을 위해 다양한 경로탐색기법들이 있지만, 링크기반 k-경로탐색기법이 많이 활용되고 있다. 그러나 기존의 k-경로탐색기법은 통행 및 도보시간, 환승 패널티 등의 변수에 따라 다양한 최적경로가 존재하는 문제점이 있고 특히, 급행열차를 선호하는 승객의 특성, 열차의 특성 등을 반영하지 못하는 한계를 지니고 있다.
참고문헌 (5)
C.H. Lee, D.J. Jeong, K.M. Sohn (2012) A public transportation card data-based route estimation issue according to the entry of private rail organization, The 67th Conference of Korean Society of Transportation, Daegu, South KOREA, pp. 151-156.
H.J. Jeong, C.H. Lee, S.I. Shin (2012) The railroad dynamic assignment model based on departure times and service schedules, The 67th Conference of Korean Society of Transportation, Daegu, South KOREA, pp.63-68.
S.H. Cheon (2010) Development of a smart card data-based stochastic transit assignment model on integrated public transportation networks, PhD Thesis, Seoul National University.
S.I. Shin (2004) Finding the first K shortest loopless paths in a transportation network, Journal of Korean Society of Transportation, 22(6), pp. 121-131.
Seoulmetro et al. (2013) Revenue allocation of railway organizations in Seoul metropolitan area, Seoul Institute.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.