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
- 실제로 강우, 강설, 안개, 기온변화 등 기상상황 변화로 인한 도로 주행환경의 변화에 따른 도로 위험정보, 교통사고 발생가능성 등 상관관계가 매우 높을 것으로 추정됨에도 불구하고 교통예보 서비스, 교통안전정보 제공 서비스 구축에 대한 연구는 자료수집의 한계로 인해 사고위험도 예측 모형개발 등 기초연구 수준에서 진행되고 있는 것으로 조사되었다. 따라서 본 연구에서는 기존 연구의 한계를 극복하기 위해 기상정보와 교통사고정보 및 도로 기하구조정보 등을 융합하고 기상상태에 따른 도로의 사고심각도 및 가능성 모델을 적용하여 기상인자에 따른 도로위험 정도가 표출된 웹맵 서비스를 개발하는 것이 본 연구의 목적이다.
- 특히 기상정보와 실시간 교통정보를 융합하여 사용자에게 제공함으로써 사고예측을 가능하게 하고 있다. 따라서 본 연구에서는 상황별 기상정보를 분석하고 실시간 교통정보의 융합을 통해 기상인자에 따른 도로 위험지도를 개발하고자 한다.
- 본 연구에서는 기상인자에 따른 도로 위험요소를 예측하고 배경지도 위에 메쉬업하여 도로 위험지도를 서비스하고자 한다. 위험요소 예측을 위해서는 사고 유발인자 혹은 사고발생 요인들을 통계적으로 분석하는 모델이 필요하다.
- 본 연구에서는 사고당시의 기상정보와 교통사고정보, 도로의 형상적, 구조적 특징정보를 융합 및 공간분석하여 고속도로에서의 사고발생 위험도를 정량적으로 배경지도상에 매쉬업 함으로써 도로 위험도 정보를 사용자들에게 가시적으로 제공할 수있도록 하였다. 이는 사용자들이 사고 위험도를 예측함으로써 교통사고율을 감소 시킬 수 있을 것으로 사료된다.
제안 방법
- AWS 지점정보에서 제공하는 기상자료는 강수량 정보만을 제공하고 있어 강우와 강설로 구분하기 위해 ASOS의 적설정보를 보조자료로 활용하였다. 1시간 단위로 생성된 ASOS 자료와 1분단위로 생성된 283개 AWS지점의 STN_ID 및 일시 정보(년/월/일/시/분)를 기준으로 매칭했으며, 그 결과는 매칭 유무에 따라 강설, 강우로 구분하기 위해 고려하였다. 상세한 ASOS 자료가공 흐름도는 Fig.
- AWS 지점정보에서 제공하는 일 누적 강수량은 1분단위로 수집되고 있으므로 앞서 언급한 바와 같이 시간적 단위를 맞추기 위해서 일 누적 강수량의 경우도 5분단위의 기준으로 가공하였다. 처음 00:05분 시간대의 일 누적 강수량 값 그대로 사용하며 그다음 시간대인 10분 값에서 전 시간대의 값을 차감하여 값을 생성한다.
- AWS 지점정보의 경우 관측 지점이 고속도로의 연장과 일치하지 않으므로 실제 고속도로와 근접한 AWS 지점을 추출하기 위해 Thiessen Polygon을 생성하고 고속도로 링크와의 조인을 통해 총 283개 지점을 추출하였다. AWS 지점정보 세부 가공절차는 Fig.
- 위험도는 위험요인에 따라 모양에 차이를 두거나 위험등급에 따라 색상에 구분을 두어 표출할 수 있다. 강우 및 강설시 도로구간의 위험도 표시는 위험(Red), 주의(Yellow), 안전(Green)으로 색상을 3가지로 구분하여 위험도를 표시하였으며, 강우시 위험도를 3가지 색상을 이용한 막대형태로, 강설시 위험도의 경우 3가지 색상을 이용한 세로선형의 패턴으로 표현하였으며 예시는 Fig. 11과 같다. 등급별 위험도와 배경지도를 중첩한 예시는 Fig.
- 결측치, 이상치(Outlier), 중복 제거 그리고 링크와 매칭되지 않은 자료를 제거하였으며, 속도 생성은 산술평균과 조화평균 두 가지로 생성하고, 교통량 각 시간별 자료를 5분단위로가공하였으며 그 기준은 Table 7과 같다.
- 교통량이 결측된 링크에 대하여 주행 방향에 따른 전링크, 후링크, 전전링크, 후후링크를 각각 비교하여 교통량 값을 보정하는 작업을 1회에 한하여 실시하였다.
- 우선, 특정 기간에 대해 1분 단위 기상자료를 각 링크별로 5분단위로 집계하고, 5분 단위 강수량을 일 누적 강수량을 이용하여 계산하여 5분 단위로 기상정보를 가공하였다. 그리고 동일한 기간에 대해 1분 단위 교통자료를 링크별로 5분 단위로 집계하고 차량 속도는 산술평균을 작성하여 교통량은 각 시간별 자료를 합한 후 5분 단위로 교통정보를 가공하였다. 마지막으로 사고 주변 링크에 대해 기상정보, 교통정보 및 기하구조 정보를 융합하여 강우/강설 등의 기상정보에 따른 도로구간 위험등급을 산출하였으며, Table 12는 산출된 도로구간 위험등급을 링크ID에 부여한 것으로, 표준노드링크 ID와 해당링크의 중심점좌표(xn, yn, zn) 및 도로구간 위험등급(상/중/하)를 나타낸 것이다.
- 기상인자에 따른 도로 위험지도의 개발절차는 기상, 교통상황, 도로기하구조, 교통사고 등의 관련자료를 수집 및 융합한 후 자료간의 상관관계를 분석하고, GIS기법을 적용하여 비정형·비공간정보에 대한 시·공간적 매칭이후 예측모델 적용을 통해 기상상태별 교통사고 위험도 맵을 구축하였다.
- 사고심각도 DB구축 항목은 Table 10과 같다. 기상자료의 경우 AWS 지점ID와 수집시간을 매칭 기준으로 하며, 교통자료의 경우 링크 ID와 5분단위 교통정보를 매칭 기준으로 하였다. 사고정보를 교통정보 및 기상정보에 매칭하기 위해서 01분~05분의 사고정보를 00분의 교통정보 및 기상정보에 매칭하고, 06분~10분의 사고정보는 05분의 교통정보 및 기상정보에 매칭하였다.
- 도로 위험지도를 웹을 통해서 서비스하기 위한 파일럿 시스템을 개발하였다. 도로 위험지도의 정보흐름 단계는 웹서버가 사용자 단말로부터 수신한 요청사항을 분석하는 단계, 웹서버가 배경지도 DB서버 및 위험도 DB서버로 검색위치, 화면 중심좌표, 축척정보를 포함한 검색정보를 전송하는 단계, 웹서버가 배경지도와 위험도 정보를 매쉬업한 지도를 생성하는 단계로 구성된다.
- 먼저, 한국도로공사에서 수집된 사고자료는 전국기반의 데이터로써, 전국고속도로에서 일어난 사고자료 데이터만을 추출하기 위해 ArcGIS 프로그램을 이용하였으며, 표준노드링크의 링크 ID와 매칭기법을 통해 이정기반의 X, Y좌표 약 29,951건을 추출하였다. 또한 한국도로공사가 제공하는 4단계의 교통사고 등급분류를 적용하여 컬럼을 추가했으며, 교통사고 등급분류 기준은 Table 9와 같다.
- 처음 00:05분 시간대의 일 누적 강수량 값 그대로 사용하며 그다음 시간대인 10분 값에서 전 시간대의 값을 차감하여 값을 생성한다. 마지막으로 23:55 시간대의 값과 가공된 시간대의 값의 합이 일치하는지 확인하였다.
- 그리고 동일한 기간에 대해 1분 단위 교통자료를 링크별로 5분 단위로 집계하고 차량 속도는 산술평균을 작성하여 교통량은 각 시간별 자료를 합한 후 5분 단위로 교통정보를 가공하였다. 마지막으로 사고 주변 링크에 대해 기상정보, 교통정보 및 기하구조 정보를 융합하여 강우/강설 등의 기상정보에 따른 도로구간 위험등급을 산출하였으며, Table 12는 산출된 도로구간 위험등급을 링크ID에 부여한 것으로, 표준노드링크 ID와 해당링크의 중심점좌표(xn, yn, zn) 및 도로구간 위험등급(상/중/하)를 나타낸 것이다.
- 사고자료는 한국도로공사에서 수집된 자료와 보험개발원에서 수집된 자료로 구분된다. 먼저, 한국도로공사에서 수집된 사고자료는 전국기반의 데이터로써, 전국고속도로에서 일어난 사고자료 데이터만을 추출하기 위해 ArcGIS 프로그램을 이용하였으며, 표준노드링크의 링크 ID와 매칭기법을 통해 이정기반의 X, Y좌표 약 29,951건을 추출하였다. 또한 한국도로공사가 제공하는 4단계의 교통사고 등급분류를 적용하여 컬럼을 추가했으며, 교통사고 등급분류 기준은 Table 9와 같다.
- 도로 위험지도의 배경 데이터 제작시 배경지도와 위험도를 중첩하여 구성하며, 배경지도는 래스터데이터, 위험도는 벡터데이터로 제작되어 지도 화면에 표현된다. 배경 데이터 제작시 국가기본도, 새주소, 연속지적도 등을 기초자료로 하고 가독성 향상을 위해 맵 디자인 가이드에 맞게 가공한다.
- 등급별 위험도를 매쉬업하기 위해 필요한 벡터데이터는 위험도 DB서버에 보유하고 있으며, 사용자가 요청한 위치에 해당되는 데이터를 전송하여 최종 화면에 표출하는 순으로 요청정보를 제공한다. 분석지표 선택 창에서 지표를 선택하면 표준노드링크의 중심선(링크)를 이용하여 각 링크별 위험도를 색상(Red, Yellow, Green)으로 구분하여 사고 가능성은 5단계로, 사고 심각도는 4단계로 표출한다. 또한 시뮬레이션 기능을 선택하여 강우, 강설 등 분석지표별로 도로 위험도를 시뮬레이션 할 수 있으며 프로토타입으로 구현된 도로 위험지도의 화면구성은 Fig.
- 사고 가능성 모델 구축은 최초 기준링크에 대한 전, 전전,후, 후후, 링크에 매칭하고 이에 해당하는 기상자료, 교통자료, 기하구조자료를 매칭하여 DB를 구축하였으며 DB구축 항목은 Table 11과 같다. 사고 발생링크, 상류 2개 링크, 하류 2개 링크를 대상으로 링크와 사고지점간의 관계를 확인할 수 있도록 Flag 값을 포함하도록 구축하였다.
- 사고 가능성 모델 구축은 최초 기준링크에 대한 전, 전전,후, 후후, 링크에 매칭하고 이에 해당하는 기상자료, 교통자료, 기하구조자료를 매칭하여 DB를 구축하였으며 DB구축 항목은 Table 11과 같다. 사고 발생링크, 상류 2개 링크, 하류 2개 링크를 대상으로 링크와 사고지점간의 관계를 확인할 수 있도록 Flag 값을 포함하도록 구축하였다. 강우로 인한 사고인 경우는 사고 전/후 12시간 범위에서 강우가 계속되는 시점까지 5분단위로 생성했으며, 강설로 인한 사고인 경우는 사고 전/후 12시간 범위에서 강설이 계속되는 시점까지 1시간/3시간 단위로 생성하였다.
- 사고 심각도 모델 DB구축은 가공된 교통자료, 사고자료,기상자료, 기하구조자료 중 사고자료를 기준으로 매칭하여 구축하였다. 사고심각도 DB구축 항목은 Table 10과 같다.
- 수집된 교통자료는 1분단위로 누적된 3년간의 자료 약 27억 건으로써 대용량 자료이므로 다른 수집자료인 사고자료, 기상자료 등과의 시간적 단위를 맞추기 위해서 일반적으로 분석에 활용하는 자료인 5분 단위로 가공하여 적용하였다. 5분 단위 가공방법은 05분 이하의 값을 평균하여 05분 데이터로 생성하였고, 06분 이상의 값을 평균하여 10분 데이터로 생성하였다.
- (2013)에서 제시한 사고심각도 모델을 적용하여 위험도 등급 정보를 가공하였다. 우선, 특정 기간에 대해 1분 단위 기상자료를 각 링크별로 5분단위로 집계하고, 5분 단위 강수량을 일 누적 강수량을 이용하여 계산하여 5분 단위로 기상정보를 가공하였다. 그리고 동일한 기간에 대해 1분 단위 교통자료를 링크별로 5분 단위로 집계하고 차량 속도는 산술평균을 작성하여 교통량은 각 시간별 자료를 합한 후 5분 단위로 교통정보를 가공하였다.
- 위험지도의 주요 기능으로 위험도 맵 메뉴 컨트롤, 교통소통정보 표출, 지도 레벨 컨트롤, 권역 노선도 리스트, 스크린샷 기능, Chart 저장 기능 등으로 구성하였다.
- 지금까지 본 연구는 기상상황별 교통사고 발생 가능성 및 심각도 예측모형 구축에 필요한 기초 자료를 수집하고, 수집한 자료에 대한 오류제거, 필터링, 융합 등 기초분석 과정을 수행하였다. 이러한 기초분석 과정을 기반으로 통계적 모형 기반 교통사고 발생 가능성 및 심각도 DB을 구축하였으며, 전국 고속도로에 대한 기상상태별 도로 위험지도를 제작하고 파일럿 시스템을 개발하였다.
- 기하구조자료 가공 중 평면선형 가공은 대상 노선의 링크를 버텍스 단위로 세분화하고 분할된 링크의 진행방향에 따른 각도를 산정하여 최종적으로 곡선률을 산출 하였다. 종단경사는 분할된 링크를 대상으로 ArcGIS를 이용하여 고도값을 공간조인하여 최종 분할된 링크에 경사율을 산출하였다.
- 지금까지 본 연구는 기상상황별 교통사고 발생 가능성 및 심각도 예측모형 구축에 필요한 기초 자료를 수집하고, 수집한 자료에 대한 오류제거, 필터링, 융합 등 기초분석 과정을 수행하였다. 이러한 기초분석 과정을 기반으로 통계적 모형 기반 교통사고 발생 가능성 및 심각도 DB을 구축하였으며, 전국 고속도로에 대한 기상상태별 도로 위험지도를 제작하고 파일럿 시스템을 개발하였다.
대상 데이터
- 2단계에서는 AWS 지점ID가 1개인 것을 사용하였으며, 중복인 데이터는 삭제하였다. 3단계에서는 추가적으로 2014년 이후 설치된 지점 및 AWS 사용기한이 짧은 것을 제거하고 사용기한이 비교적 긴 지점을 사용하여 최종 688개 지점을 추출하였다. 4단계에서는 Fig.
- 3단계에서는 추가적으로 2014년 이후 설치된 지점 및 AWS 사용기한이 짧은 것을 제거하고 사용기한이 비교적 긴 지점을 사용하여 최종 688개 지점을 추출하였다. 4단계에서는 Fig. 7과 같이 3단계에서 추출된 AWS지점 688개소를 ArcGIS를 이용하여 Thiessen Polygon을 생성하고 고속도로 링크와 조인하여 고속도로 인근에 위치하고 있는 AWS 지점 총 283개소를 최종 추출하였다.
- AWS 지점정보에서 제공하는 기상자료는 강수량 정보만을 제공하고 있어 강우와 강설로 구분하기 위해 ASOS의 적설정보를 보조자료로 활용하였다. 1시간 단위로 생성된 ASOS 자료와 1분단위로 생성된 283개 AWS지점의 STN_ID 및 일시 정보(년/월/일/시/분)를 기준으로 매칭했으며, 그 결과는 매칭 유무에 따라 강설, 강우로 구분하기 위해 고려하였다.
- 기상자료는 기상청에서 제공하는 자동기상관측시스템(AWS, Automatic Weather System)의 평균풍속, 일 누적 강수량 등을 수집하였으며, AWS에서 수집한 정보는 Table 5와 같다. 강설정보는 종관기상관측시스템(ASOS, Automated Synoptic Observing System)의 자료를 수집하였고, 추가적으로 3시간 단위로 수집된 자료인 동네예보 자료를 수집하였다. 동네예보 자료는 격자의 X, Y 값, 적설, 적설/강수, 강수, 없음 등으로 구성되어 있으며 그 내용은 Table 6과 같다.
- 교통자료는 한국교통연구원의 3년간(2012년∼2014년) 고속도로에 해당하는 통행정보로 링크ID, 관측일시, 속도, 교통량으로 구성되어 있다.
- 기상자료는 기상청에서 제공하는 자동기상관측시스템(AWS, Automatic Weather System)의 평균풍속, 일 누적 강수량 등을 수집하였으며, AWS에서 수집한 정보는 Table 5와 같다. 강설정보는 종관기상관측시스템(ASOS, Automated Synoptic Observing System)의 자료를 수집하였고, 추가적으로 3시간 단위로 수집된 자료인 동네예보 자료를 수집하였다.
- 기하구조자료는 한국도로공사 사고데이터 내에 있는 기하구조 정보를 사용하였으며, 기하구조 정보는 평면선형, 편경사, 편경사 구분, 노면상태, 조명시설, 방책시설 등으로 구성되어 있다.
- 도로(구간)정보는 전국고속도로의 형상정보를 이용하기 위해 국토교통부에서 배포하는 표준노드링크를 이용하였으며, Table 3과 같이 링크의 속성정보 중 도로등급을 활용하여 전국고속도로를 추출하여 사용하였다. 교통자료는 한국교통연구원의 3년간(2012년∼2014년) 고속도로에 해당하는 통행정보로 링크ID, 관측일시, 속도, 교통량으로 구성되어 있다.
- ,2013). 또한, 사고 발생가능성 및 사고심각도 모형에 필요한 사고자료, 기상자료, 교통자료, 기하구조자료를 해당 기관들로부터 2012년에서 2014년까지 과거 3년간의 자료를 수집하였으며 그 내용은 Table 2와 같다.
- 사고자료는 Table 4와 같이 한국도로공사에서 제공하는 2012년부터 2014년까지의 전국고속도로에 해당하는 정보를 수집하였고 사고일자, 사고시간, 노선명, 이정, 좌표값, 사망자 수 등으로 구성되어 있다. 또한, 사고날짜, 사고내용 등의 정보를 포함하는 보험개발원의 사고자료도 2012년부터 2014년까지 약 13백만건도 수집하였다.
- 사고자료는 Table 4와 같이 한국도로공사에서 제공하는 2012년부터 2014년까지의 전국고속도로에 해당하는 정보를 수집하였고 사고일자, 사고시간, 노선명, 이정, 좌표값, 사망자 수 등으로 구성되어 있다. 또한, 사고날짜, 사고내용 등의 정보를 포함하는 보험개발원의 사고자료도 2012년부터 2014년까지 약 13백만건도 수집하였다.
- 사고자료는 한국도로공사에서 수집된 자료와 보험개발원에서 수집된 자료로 구분된다. 먼저, 한국도로공사에서 수집된 사고자료는 전국기반의 데이터로써, 전국고속도로에서 일어난 사고자료 데이터만을 추출하기 위해 ArcGIS 프로그램을 이용하였으며, 표준노드링크의 링크 ID와 매칭기법을 통해 이정기반의 X, Y좌표 약 29,951건을 추출하였다.
- 보험개발원에서 수집된 사고자료의 경우 주소정보와 우편번호 데이터를 포함하고 있어 사고가 발생한 대략적인 지점을 추출하였다. 해당 사고지점에 대한 좌표는 Google의 지오코딩 API를 이용하여 X, Y 값 좌표를 추출 하였으며 최종 가공된 결과는 약 237,875건이다.
이론/모형
- (2008), Park et al.(2013)에서 제시한 사고심각도 모델을 적용하여 위험도 등급 정보를 가공하였다. 우선, 특정 기간에 대해 1분 단위 기상자료를 각 링크별로 5분단위로 집계하고, 5분 단위 강수량을 일 누적 강수량을 이용하여 계산하여 5분 단위로 기상정보를 가공하였다.
- 위험요소 예측을 위해서는 사고 유발인자 혹은 사고발생 요인들을 통계적으로 분석하는 모델이 필요하다. 이를 위해 교통사고 발생 및 위험도 예측모형에 대한 선행연구를 비교분석하여 사고발생 가능성은 이항 로짓모형을 적용하였고,사고 심각도는 순서형 프로빗 모형을 적용하였다(Park et al.,2013). 또한, 사고 발생가능성 및 사고심각도 모형에 필요한 사고자료, 기상자료, 교통자료, 기하구조자료를 해당 기관들로부터 2012년에서 2014년까지 과거 3년간의 자료를 수집하였으며 그 내용은 Table 2와 같다.
후속연구
- 이러한 연구 주제들에 대한 지속적인 연구가 수행된다면,제4차 산업혁명의 핵심키워드인 자율주행자동차 운행에 있어 기상요소에 따른 위험도를 예측하고 선제적으로 대비할 수 있도록 위험지도 DB를 지속적으로 아카이빙하고 제공하여 보다 안전한 자율주행을 지원할 수 있는 정보로 활용할 수 있을 것으로 판단된다.
- 향후 네비게이션에서 사용되는 안전도움정보에 차량위치와 기상상태별 사고 위험도가 결합된 정보를 포함시켜 음성을 통해 안전운전을 지원하는 구체적인 연구가 수행될 필요가 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.