[논문]DSRC 기반 프로브 자료를 이용한 거시 교통류 모형 추정 방법

심지섭; 여지호; 이수진; 장기태

doi:10.12815/kits.2017.16.6.29

초록
AI-Helper

본 연구에서는 개별 차량의 주행정보를 이용하여 대구광역시 도심부에서 네트워크 스케일의 거시 교통류 모형(Macroscopic Fundamental Diagram, MFD)을 추정하는 방법에 대해 고찰한다. 이를 위해 근거리 전용 통신(Dedicated Short Range Communication, DSRC) 방식으로 수집된 개별 차량의 원시 데이터 처리 방법 및 통행 정의 방법을 분석하고, 해당 자료를 활용하는 새로운 활용 방안을 제시한다. 이를 위해 프로브 자료인 DSRC 데이터와 교통량 조사 자료를 이용해 표본율을 산정하고 대구광역시 네트워크 내 MFD를 도출하는 방법을 설명한다. 도출된 MFD를 통해 시간적 재현성(reproducibility)의 확인과 선행 연구 가정 사항들에 대한 데이터 기반 검증을 수행하였으며, DSRC 자료의 새로운 활용 방법을 제시하고자 한다.

Abstract ▼ AI-Helper

In this study, we used individual trip data to estimate a macroscopic fundamental diagram (MFD) that relates flow (or production) to density (or state) in Daegu metropolitan city. The individual trip data were generated by processing data that were collected from DSRC-based (dedicated short range co...

In this study, we used individual trip data to estimate a macroscopic fundamental diagram (MFD) that relates flow (or production) to density (or state) in Daegu metropolitan city. The individual trip data were generated by processing data that were collected from DSRC-based (dedicated short range communication) traffic data collection system. Using the processed individual trip data, we first examined whether the assumptions for MFD are valid, and then the relation between outflow and accumulation was estimated in our study site. As a result, we found that i) the assumptions are valid to construct MFD; and ii) the reproducible and well-defined MFDs exist in the network level.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 대구광역시 내 개별 차량의 주행정보를 이용하여 MFD를 추정하는 방법 및 결과에 대해 고찰하고자 한다. 먼저, MFD는 네트워크를 구성하는 각 링크에서의 교통량, 밀도를 평균 또는 가중 평균하여 네트워크 전체 차원에서의 교통기본도를 산정하는 것으로 정의된다.
우리나라 대구광역시의 경우 첨단교통관리시스템(Advanced Traffic Management System:ATMS) 도입을 통해 단거리 무선통신인 DSRC(Dedicated Short Range Communication) 방식을 기반으로 교통정보를 수집하고 있으며, 기존 루프 검지기 자료와 달리 각 차량의 개별 통행 경로를 추출하여 분석할 수 있다. 이에 따라 본 연구에서는 대규모로 수집되는 개별 통행 자료의 또 다른 활용 방법을 모색하고, MFD 추정 방법 고찰을 통한 네트워크 통행 분석 및 운영 방법론 연구의 기틀을 마련하고자 한다.
본 연구에서는 개별 통행 자료를 이용하여 대구광역시 도심부에서 네트워크 스케일의 거시 교통류 모형, 즉 MFD를 추정하는 방법에 대해 고찰하였다. 이를 위해 DSRC 방식으로 수집된 개별 통행 원시 자료의 데이터 처리 방법 및 통행 정의 방법을 연구하였고, 기존 교통량 조사 자료를 이용해 프로브 차량 자료와 표본율의 관계를 이용하여 네트워크 내 교통량-밀도를 추정하는 방법에 대해 고찰하였으며, 이를 활용한 MFD 추정 방식을 제시하고 기존 가정사항에 대한 데이터 기반의 검증을 실시하였다.

가설 설정

통행 산출은 링크 내모든 차량이 일정 시간(t~t+Δt)동안 주행한 거리를 합산한 것이며, 통행 누적은 링크 내에서 특정 시간(t)에 주행 중인 차량의 수를 나타낸다. 두 번째 가정은 이 중 통행 산출이 통행을 종료한 비율과 비례 관계에 놓인다는 것이다. 통행을 종료한 비율은 통행 종료(trip completion or outflow)로 정의되는데, 이러한 가정과 검증의 이유는 기존 자료의 경우 통행 종료를 측정할 수 있는 수단이 없었기 때문이다.

제안 방법

장마나 강설과 같은 계절적 영향을 최소화하기 위해 2015년 9-11월 가을 기간의 데이터를 확보하였으며, 2015년 9월의 경우 추석 명절 기간을 포함하고 있어 분석 대상에서 제외하였다. 요일에 의한 영향 역시 배제하기 위해 주말을 제외한 주중데이터만을 분석 하였으며, MFD의 시간적 재현성(reproducibility)을 확인하기 위해 2015년 10월 1~3주의 목요일 데이터를 이용하여 MFD를 추정하였다.
2]에서는 두 대의 차량이 세 개의 통행과 네 개의 단위통행을 생성한다. 즉, 거시 교통류 모형을 추정하는 데 있어 필요한 정보인 각 차량의 주행거리 및 주행시간을 연구 영역 내로 한정하여 정확하게 산정하기 위한 방법으로 단위통행 자료를 생성·이용하였다.
통행을 종료한 비율은 통행 종료(trip completion or outflow)로 정의되는데, 이러한 가정과 검증의 이유는 기존 자료의 경우 통행 종료를 측정할 수 있는 수단이 없었기 때문이다. 그러나 본 연구에서는,DSRC 자료를 활용하여 개별 차량의 통행 종료를 측정할 수 있다는 점을 이용하여 산출-상태 관계를 나타내는 MFD를 추정할 수 있었다. [Fig.
본 연구에서는 개별 통행 자료를 이용하여 대구광역시 도심부에서 네트워크 스케일의 거시 교통류 모형, 즉 MFD를 추정하는 방법에 대해 고찰하였다. 이를 위해 DSRC 방식으로 수집된 개별 통행 원시 자료의 데이터 처리 방법 및 통행 정의 방법을 연구하였고, 기존 교통량 조사 자료를 이용해 프로브 차량 자료와 표본율의 관계를 이용하여 네트워크 내 교통량-밀도를 추정하는 방법에 대해 고찰하였으며, 이를 활용한 MFD 추정 방식을 제시하고 기존 가정사항에 대한 데이터 기반의 검증을 실시하였다.
먼저 대구광역시 교통 수집 체계의 특징인 DSRC 방식으로 수집되는 데이터의 세부 사항을 살펴보고, 해당 데이터를 가공하여 개별 통행을 추출 하는 방법에 대해 분석하였다. 개별 통행을 추출함에 앞서 통행 및 단위통행의 개념을 정립하고, 각각에 해당하는 통행 데이터를 재가공하였다.
개별 통행을 추출함에 앞서 통행 및 단위통행의 개념을 정립하고, 각각에 해당하는 통행 데이터를 재가공하였다. 이 때 DSRC 방식으로 수집되는 자료의 한계점인 노변 검지기 음영지역에 대한 통행시간 및 경로 추정 과정을 추가하였으며, 이는 MFD 추정에 있어 프로브 차량의 총 통행시간 및 통행거리를 산정하는데 활용되었다.
표본율은 차량의 통행 대수가 많을수록, 시간적 분석 범위가 길어질수록 더 높은 신뢰도를 보인다. 또한 O-D 쌍에 따른 공간적 분산이 크지 않아야 하는데, 본연구에서는 대구광역시 전체 지역에 대한 표본율 자료를 조사한 뒤 분석 대상 지역에 대한 표본율의 일괄적용을 통해 MFD를 추정하였다. 최종적으로, 추정된 MFD는 2015년 10월 3주 간의 자료를 통해 시간적 재현성을 확인할 수 있었고, 주행거리-통행종료 간의 관계 역시 확인되었다.

대상 데이터

본 연구에서 활용하는 데이터는 대구광역시 ATMS에서 수집되는 자료를 기반으로 한다. ATMS에서는DSRC 링크를 기준으로 교통정보를 수집 및 제공하고 있으며, 대구광역시 전역에 174개의 RSE(Road-Side Equipment) 장비가 설치되어 하이패스(Hi-pass) 단말기를 부착한 차량에 대해 DSRC 방식으로 통신하여 기기고유 ID, 통신 시각, 차종, 신호 상태 등의 자료를 수집한다.
본 연구에서 활용하는 데이터는 대구광역시 ATMS에서 수집되는 자료를 기반으로 한다. ATMS에서는DSRC 링크를 기준으로 교통정보를 수집 및 제공하고 있으며, 대구광역시 전역에 174개의 RSE(Road-Side Equipment) 장비가 설치되어 하이패스(Hi-pass) 단말기를 부착한 차량에 대해 DSRC 방식으로 통신하여 기기고유 ID, 통신 시각, 차종, 신호 상태 등의 자료를 수집한다. 하루 간 전체 RSE에서 수집되는 차량 정보는 약 320만 행이며, 텍스트 파일 형태로 저장 시 크기는 250MB 정도이다.
본 연구의 공간적 범위는 ATMS가 설치된 대구광역시 전역을 대상으로 하였으며, 그 중 상업지구가 밀집되어 통행량이 많이 발생하는 지역에 대해 MFD를 추정하기 위해 세부 분석 지역을 설정하였다. [Fig.
본 연구에서는 2015년 10월에 수집된 DSRC 데이터를 분석에 활용하였다. 장마나 강설과 같은 계절적 영향을 최소화하기 위해 2015년 9-11월 가을 기간의 데이터를 확보하였으며, 2015년 9월의 경우 추석 명절 기간을 포함하고 있어 분석 대상에서 제외하였다.
본 연구에서는 2015년 10월에 수집된 DSRC 데이터를 분석에 활용하였다. 장마나 강설과 같은 계절적 영향을 최소화하기 위해 2015년 9-11월 가을 기간의 데이터를 확보하였으며, 2015년 9월의 경우 추석 명절 기간을 포함하고 있어 분석 대상에서 제외하였다. 요일에 의한 영향 역시 배제하기 위해 주말을 제외한 주중데이터만을 분석 하였으며, MFD의 시간적 재현성(reproducibility)을 확인하기 위해 2015년 10월 1~3주의 목요일 데이터를 이용하여 MFD를 추정하였다.

데이터처리

보고서에 기재된 교통량은 2015년 10월~11월의 평일 조사 결과를 통해 작성된 것이며, 간선도로의경우 오전 7시부터 오후 19시까지 12시간에 대해 조사가 이뤄졌다. 본 연구에서는 정확한 표본율 산정을 위해 같은 기간 및 같은 시간대의 DSRC 검지 차량으로만 필터링 하여 검지 차량 대수(N_p)를 산정하였다. 각 지점에서의 표본율 ρ는 아래 식 (5)와 같이 계산될 수 있으며, 영상자료를 통해 산정된 링크 내 총 교통량 Nd은 해당 지점을 지나는 모든 차량(N)을 검지하고, 그 중 OBU를 장착한 차량 역시 모두 검지하였다는 전제를 두고 있다(N = N^d, N_p = #).

이론/모형

내 MFD를 추정하기 위해, Edie(1965)의 일반화된 정의(generalized definitions)에 따라 네트워크 내 모든 링크에서 주어진 시간 단위 내의 평균 교통량 q(시간당 교통량) 및 평균 밀도 k(킬로미터당 교통량)는 아래 식 (1) 및 (2)와 같이 계산된다(Edie, 1965).
한편 대구광역시의 경우 루프 검지기를 통한 교통량측정을 하지 않고 ATMS 기반의 DSRC 자료만을 가지고 교통 정보를 조사하기 때문에, 차량의 전수 자료를 도로별로 집계하는 데에 기존과 다른 방법을 적용해야만 한다. 이에 본 연구에서는 대구광역시 교통종합정보DB센터(http://car.daegu.go.kr)에서 제공하는 통계 자료 보고서를 이용하여 간선도로별 교통량을 확인하였다(대구광역시, 2015). 해당 교통량 조사는 영상촬영을 이용해 직접조사 되었으며, 대구광역시 내 20개 지점양방향에 대해 교통량 및 속도 정보를 도출하였다.

후속연구

첫 번째는 방대한 규모로 생성되고 있는 개별 통행 자료의 활용 방안을 새로운 방향에서 모색한다는 점이고, 두 번째는 국내 데이터 및 인프라 실정에 맞는 거시 교통류모형에 대한 연구의 초석을 제시한다는 점이다. 향후 연구에서는 루프 검지기 자료 및 GPS 자료 등 다양한 수집 체계에서 구득 가능한 자료를 이용하여 각 데이터를 이용한 MFD 추정에서 어떤 차이가 있는지 살펴보고자 한다. 또한 MFD에서 나타는 이력현상(hysteresis phenomena) 및 MFD의 형태에 영향을 미치는 요소에 대한 연구도 필요하다.
향후 연구에서는 루프 검지기 자료 및 GPS 자료 등 다양한 수집 체계에서 구득 가능한 자료를 이용하여 각 데이터를 이용한 MFD 추정에서 어떤 차이가 있는지 살펴보고자 한다. 또한 MFD에서 나타는 이력현상(hysteresis phenomena) 및 MFD의 형태에 영향을 미치는 요소에 대한 연구도 필요하다. DSRC 자료를 이용할 경우 기존 소수의 프로브 차량이나 택시 차량과는 달리 개별차량의 O-D 및 통행지속시간(trip duration) 등 통행 특성을 정확하게 파악할 수 있으므로, 계속되는 연구에서는 개별적 특성이 네트워크 내 MFD 형성에 어떤 영향을 미치는지도 분석될 것이다.
또한 MFD에서 나타는 이력현상(hysteresis phenomena) 및 MFD의 형태에 영향을 미치는 요소에 대한 연구도 필요하다. DSRC 자료를 이용할 경우 기존 소수의 프로브 차량이나 택시 차량과는 달리 개별차량의 O-D 및 통행지속시간(trip duration) 등 통행 특성을 정확하게 파악할 수 있으므로, 계속되는 연구에서는 개별적 특성이 네트워크 내 MFD 형성에 어떤 영향을 미치는지도 분석될 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	교통기본도란?	교통기본도(Fundamental Diagram)는 교통류, 속도, 밀도와 같은 변수간의 관계를 정립하는 가장 기본적이고 핵심적인 모형이다. 최초의 교통기본도(Greenshield, 1934)는 특정 구간에서의 교통량이 최대일 때 형성되는 임계밀도를 기준으로 선형 대칭의 교통량-밀도 관계를 보이며, 해당 초기 모형으로부터 파생된 비선형,Reverse-람다(λ)형, 이중영역 모형 등이 교통 현상 설명을 위해 제시되어 왔다(Greenberg, 1959; Edie, 1961).
	MFD는 기존 연속 위주의 교통류 이론과 달리 어떻게 활용될 수 있는가?	먼저, MFD는 네트워크를 구성하는 각 링크에서의 교통량, 밀도를 평균 또는 가중 평균하여 네트워크 전체 차원에서의 교통기본도를 산정하는 것으로 정의된다. 기존 연속류 위주의 교통류 이론과 달리, MFD는 도시부 내 단속류 도로에 대한 모니터링과 제어에 직접적으로 활용될 수 있으며, 도시부 도로 영역 전체를 하나의 경계(perimeter)로서 이해하고 분석한다. MFD를 구성하는 개념에 대한 이론적 연구는 그동안 많이 선행되어 왔으나(Daganzo and Geroliminis, 2008; Cassidy et al.
	단위통행 테이블에서 단위통행은 5가지 종류의 노드로 분리되는데 각각 어떠한 노드가 있는가?	5가지 종류의 노드는 통행 시작 노드, 경계 진입 직전 노드, 경계 내 첫 노드, 경계 내 끝 노드, 경계 진출 직후 노드(혹은 통행 종료 노드)로 구분되며, 각각 노드의 ID와 해당 노드에서 기록된 시각을 저장한다. 노드를 구분하는 이유는 앞서 분석 지역의 경계 및 내부·외부로 구분한 것과 관련이 있다.

참고문헌 (16)

Buisson C. and Ladier C.(2009), "Exploring the impact of homogeneity of traffic measurements on the existence of macroscopic fundamental diagrams," Transportation Research Record: Journal of the Transportation Research Board, (2124), pp.127-136.
Cassidy M., Jang K. and Daganzo C.(2011), "Macroscopic fundamental diagrams for freeway networks: theory and observation," Transportation Research Record: Journal of the Transportation Research Board, (2260), 8-15.
Daegu Metropolitan City(2015), 2015 Transportation Survey (II): Traffic flow and speed, Daegu Gyeongbuk Development Institute Report, 53-6270000-000203-11.
Daganzo C. F.(2007), "Urban gridlock: Macroscopic modeling and mitigation approaches," Transportation Research Part B: Methodological, vol. 41, no. 1, pp.49-62.

상세보기
Daganzo C. F. and Geroliminis N.(2008), "An analytical approximation for the macroscopic fundamental diagram of urban traffic," Transportation Research Part B: Methodological, vol. 42, no. 9, pp.771-781.

상세보기
Du J., Rakha H. and Gayah V. V.(2016), "Deriving macroscopic fundamental diagrams from probe data: Issues and proposed solutions," Transportation Research Part C: Emerging Technologies, vol. 66, pp.136-149.

상세보기
Edie L. C.(1961), "Following and Steady-State Theory for Non-congested Traffic," Operations Research, Vol. 9, pp.66-76.

상세보기
Edie L. C.(1965), "Discussion of Traffic Stream Measurements and Definitions. In 2nd Symposium on the Theory of Traffic Flow; Summary of Communications (J. Almond, ed.)," Organisation for Economic Co-operation and Development, Paris, pp.139-154.
Gayah V. V. and Daganzo C. F.(2011), "Clockwise hysteresis loops in the macroscopic fundamental diagram: an effect of network instability," Transportation Research Part B: Methodological, vol. 45, no. 4, pp.643-655.

상세보기
Gayah V. V. and Dixit V.(2013), "Using mobile probe data and the macroscopic fundamental diagram to estimate network densities: Tests using microsimulation," Transportation Research Record: Journal of the Transportation Research Board, (2390), pp.76-86.
Geroliminis N. and Daganzo C. F.(2007), "Macroscopic modeling of traffic in cities," Transportation Research Board 86th Annual Meeting, No. 07-0413.
Geroliminis N. and Daganzo C. F.(2008), "Existence of urban-scale macroscopic fundamental diagrams: Some experimental findings," Transportation Research Part B: Methodological, vol. 42, no. 9, pp.759-770.

상세보기
Greenberg H.(1959), "An Analysis of Traffic Flow," Operations Research, vol. 7, pp.79-85.

상세보기
Greenshields B. D.(1935), "A study of traffic capacity," Highway Research Board Proceedings, vol. 14, 448-477.
Saberi M. and Mahmassani H.(2012), "Exploring properties of networkwide flow-density relations in a freeway network," Transportation Research Record: Journal of the Transportation Research Board, (2315), pp.153-163.
Tsubota T. Bhaskar A. and Chung E.(2014), "Macroscopic fundamental diagram for Brisbane, Australia: empirical findings on network partitioning and incident detection," Transportation Research Record: Journal of the Transportation Research Board, (2421), pp.12-21.

이 논문을 인용한 문헌

저자의 다른 논문 :

LOADING...

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

[국내논문] DSRC 기반 프로브 자료를 이용한 거시 교통류 모형 추정 방법
Deriving Macroscopic Fundamental Diagrams Using Probe Vehicle Data Based on DSRC 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

후속연구

질의응답

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

연구과제 타임라인

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] DSRC 기반 프로브 자료를 이용한 거시 교통류 모형 추정 방법 Deriving Macroscopic Fundamental Diagrams Using Probe Vehicle Data Based on DSRC 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

후속연구

질의응답

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

여지호 (1) 장기태 (18)

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] DSRC 기반 프로브 자료를 이용한 거시 교통류 모형 추정 방법
Deriving Macroscopic Fundamental Diagrams Using Probe Vehicle Data Based on DSRC 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper