차량궤적자료를 활용한 통행행태 기반 고속도로 휴게소 이용 확률 모형 개발 The Utilization Probability Model of Expressway Service Area based on Individual Travel Behaviors Using Vehicle Trajectory Data원문보기
휴게소는 장거리 운전자나 졸음 운전자가 충분히 쉴 수 있는 공간을 조성하여 사고를 미연에 방지하는 중요한 역할을 한다. 따라서 휴게소의 적절한 위치 선정은 필수적이며, 이를 위해 정확한 수요 예측과 이용자 통행 행태를 분석하는 것은 매우 중요하다. 따라서 본 연구는 고속도로에서 RSE를 통해 수집되는 DSRC자료를 이용하여 안성휴게소(상행)를 이용하는 휴게소 이용자의 통행 행태를 분석하였으며, 통행행태지표를 토대로 휴게소 이용 확률 모형을 개발하고 검증하였다. 분석결과, 안성 휴게소(상행) 이용 행태는 통행시간이 평일 90분 이상, 주말 70분 이상일때 가장 이용 빈도가 높았으며, 휴게소부터 통행종료까지 남은 거리가 30km 이하일 때, 휴게소 이용률은 급격히 감소하는 것으로 분석되었다. 본 연구의 휴게소 이용 확률 모형을 통해 추정된 휴게소 이용률은 실이용률과 1~2%오차가 발생했다. 본 연구 결과는 정형화된 자료를 이용하여 휴게소 이용 행태를 분석한데 의의가 있으며, 본 연구의 휴게소 이용차량 분별방법론과 개별휴게소이용확률 모형 개발방법은 향후 휴게소 입지선정과 이용자의 서비스 수준 향상을 위한 차별화 전략에 적극 활용될 수 있을 것으로 판단된다.
휴게소는 장거리 운전자나 졸음 운전자가 충분히 쉴 수 있는 공간을 조성하여 사고를 미연에 방지하는 중요한 역할을 한다. 따라서 휴게소의 적절한 위치 선정은 필수적이며, 이를 위해 정확한 수요 예측과 이용자 통행 행태를 분석하는 것은 매우 중요하다. 따라서 본 연구는 고속도로에서 RSE를 통해 수집되는 DSRC자료를 이용하여 안성휴게소(상행)를 이용하는 휴게소 이용자의 통행 행태를 분석하였으며, 통행행태지표를 토대로 휴게소 이용 확률 모형을 개발하고 검증하였다. 분석결과, 안성 휴게소(상행) 이용 행태는 통행시간이 평일 90분 이상, 주말 70분 이상일때 가장 이용 빈도가 높았으며, 휴게소부터 통행종료까지 남은 거리가 30km 이하일 때, 휴게소 이용률은 급격히 감소하는 것으로 분석되었다. 본 연구의 휴게소 이용 확률 모형을 통해 추정된 휴게소 이용률은 실이용률과 1~2%오차가 발생했다. 본 연구 결과는 정형화된 자료를 이용하여 휴게소 이용 행태를 분석한데 의의가 있으며, 본 연구의 휴게소 이용차량 분별방법론과 개별휴게소이용확률 모형 개발방법은 향후 휴게소 입지선정과 이용자의 서비스 수준 향상을 위한 차별화 전략에 적극 활용될 수 있을 것으로 판단된다.
A Service Area plays an important role in preventing accidents in advance by creating a space for long distance drivers or drowsy drivers to rest. Therefore, proper positioning of the expressway service area is essential, and it is important to analyze accurate demand forecasting and user travel beh...
A Service Area plays an important role in preventing accidents in advance by creating a space for long distance drivers or drowsy drivers to rest. Therefore, proper positioning of the expressway service area is essential, and it is important to analyze accurate demand forecasting and user travel behavior. Thus, this study analysis travel behavior and developed odel of the probability of using the service area by using the DSRC data collected by the RSE on the highway. According to the analysis, the usage behavior of highway service areas was most frequently when travel time was 90 minutes or more on weekdays and 70 minutes or more on weekends. The utilization rate of the service area estimated from the probability model of use of the rest area in this study was 1 % to 2 % error. The results of this study are meaningful in analyzing the behavior of the use of rest areas using the structured data and can be used as a differentiated strategy for selecting the location of rest areas and enhancing the service level of users.
A Service Area plays an important role in preventing accidents in advance by creating a space for long distance drivers or drowsy drivers to rest. Therefore, proper positioning of the expressway service area is essential, and it is important to analyze accurate demand forecasting and user travel behavior. Thus, this study analysis travel behavior and developed odel of the probability of using the service area by using the DSRC data collected by the RSE on the highway. According to the analysis, the usage behavior of highway service areas was most frequently when travel time was 90 minutes or more on weekdays and 70 minutes or more on weekends. The utilization rate of the service area estimated from the probability model of use of the rest area in this study was 1 % to 2 % error. The results of this study are meaningful in analyzing the behavior of the use of rest areas using the structured data and can be used as a differentiated strategy for selecting the location of rest areas and enhancing the service level of users.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그러나 최근 하이패스의 높은 보급률과 지능형교통체계의 발전으로 인해 전수화에 가까운 자료 수집이 용이해졌다. 따라서 본 연구는 고속도로 가로변에 설치된 RSE를 통해 수집된 DSRC자료를 이용하여 휴게소 이용자의 통행 행태를 분석하고, 휴게소 이용 확률 모형을 개발하였다.
분석에 활용된 자료 또한 차량이 검지되는 위치의 간격이 너무 커서 차량의 통행특성을 명확히 드러내기에 어려운 점이 있었다. 따라서 본 연구에서는 4~5km 간격으로 차량의 궤적이 수집되는 DSRC자료를 이용하여 휴게소를 이용하는 차량을 분별하는 방법에 대해 정립한다. 또한 본 연구에서는 Shoich의 연구결과를 참고하여 고속도로에 진입과 진출까지의 총 통행시 간은 휴게소 체류시간과 순수 통행시간으로만 구분하여 분석한다.
본 연구의 분석 표본과 한국도로공사에서 조사한 전수화된 자료크기 차가 존재한다. 따라서 휴게소 이용 비율을 비교하며, 실제 휴게소를 이용한 차량과 본 연구를 통해 분별된 휴게소 이용 차량의 절대치 비교를 통해 향후 본 연구의 보완할 점과 한계에 대해 고찰한다.
본 단계에서는 앞서 수집된 휴게소 구간을 지나는 차량의 통행 행태를 기반으로 휴게소 이용확률 모형을 개발한다. 본 연구의 모형은 개별 운전자의 휴게소 이용 확률 모형을 의미하며, 이를 통해 실시간으로 수집되는 운전자의 궤적자료를 토대로 운전자가 이용할 휴게소를 추정할 수 있다.
본 연구는 DSRC자료를 사용하였기 때문에 차량의 출발지와 목적지는 진입 IC와 진출 IC가 된다. 하지만 이는 운전자가 직접적으로 이동한 통행시간과 통행거리로 보기 매우 힘들다.
본 연구는 한국도로공사에서 제공한 DSRC와 TCS 궤적자료를 통합한 자료를 이용하여 분석했다. 분석 데이터는 임의로 부여된 차량ID, 차종, 검지한 RSE(or TCS)번호 그리고 검지된 시각으로 총 4가지 범주로 나누어진다.
본 장에서는 휴게소 이용 차량 분별 방법과 휴게소 이용차량의 통행행태를 토대로 휴게소 이용 확률 모형 개발 방법에 대해 논한다. 본 연구의 분석 자료는 DSRC와 TCS자료를 통합한 자료를 이용한다.
설문을 통해 분석된 이용자의 편의시설사용유무, 식사, 선호인식, IC로부터의 거리, 그리고 휴게소 이용 빈도 등을 이용해 로짓모형을 이용하여 휴게소 이용 수요 모형을 개발하였다. 이 연구는 개별 차량의 통행시간이나 통행거리와 같은 객관적인 수치에 근거한 수요모형이 아닌 운전자의 주관적 요소(선호도)를 반영한 휴게소 이용 수요 모형을 개발했다.
가설 설정
따라서 본 연구는 Lim et al.(2009)의 연구를 참고하여, 운전자가 최초 출발지, 최종 목적지부터 고속도로까지 접근하는 통행시간과 통행거리를 각각 30분, 20km라 가정하여 분석한다.
또한 Shoichi et al.(2015)에서는 휴게소에 체류하는 시간이 2시간 이하인 차량을 정상 차량으로 보았으며, 고속도를 이용하는 차량의 통행시간이 3시간이상이면 휴게소를 무조건 이용한다는 가정을 한 후 분석하였다. 이 연구에서는 휴게소 체류시간을 고속도로 전체통행시간(진출시간-진입시간)에서순 통행시간을 감한 시간을 휴게소를 체류한 시간으로 분석했다.
제안 방법
즉, 본 연구는 통행시간이 10분이상 1000분이하인 차량을 대상으로 분석을 진행한다. Shoich(2015)의 연구에서 최대 분석 범위로 통행시간을 6시간(720분)으로 지정하여 분석한데 반해 본 연구는 보다 넓은 시간적 범위의 분석을 진행했다.
(2016)는 프로브 카에서 수집한 ETC 자료를 이용하여 휴게소 이용 차량을 분석하고 특성을 분석하는 연구를 진행하였다. Shoich는 휴게소 이용차량 분별방법을 시공도(Time-space trajectory)를 이용하여 휴게소 구간을 지나는 차량중 휴게소를 이용하는 차량과 통과 차량의 통행시간 간격(Time interval)이 3분(180초)이상인 차량을 휴게소 이용 차량으로 분별하였다. 또한 Shoichi et al.
첫째, 휴게소 이용차량을 분별하고, 휴게소 이용 차량의 궤적(경로) 자료를 구축한다. 구축된 궤적자료를 이용하여, 통행 행태 지표(통행시간, 통행거리, 남은거리)가 휴게소 이용에 미치는 영향을 분석한다. 둘째, 이항 로짓 모형(Binary Logit Model)을 이용하여 개별차량의 휴게소 이용 확률 모형을 개발하고 검증한다.
본 연구는 이용자의 휴게소 이용 행태를 통행시간, 통행거리, 남은 거리 총 3가지 지표를 통해 구분하고, 각 지표가 휴게소 이용에 미치는 영향을 분석한다. 그리고 각 지표를 토대로 휴게소 이용 확률 모형을 개발하여 실제 휴게소 이용률과 비교 및 검증한다. 본 연구의 분석 결과는 향후 휴게소 수요 분석과 입지선정을 위한 판단 자료로 사용될 수 있을 것으로 기대된다.
또한 본 연구에서는 Shoich의 연구결과를 참고하여 고속도로에 진입과 진출까지의 총 통행시 간은 휴게소 체류시간과 순수 통행시간으로만 구분하여 분석한다. 그리고 휴게소 이용자의 통행 행태를 정량화할 수 있는 객관적인 지표를 설정하고, 이를 토대로 휴게소 이용 수요 모형을 개발하고 검증한다.
구축된 궤적자료를 이용하여, 통행 행태 지표(통행시간, 통행거리, 남은거리)가 휴게소 이용에 미치는 영향을 분석한다. 둘째, 이항 로짓 모형(Binary Logit Model)을 이용하여 개별차량의 휴게소 이용 확률 모형을 개발하고 검증한다.
본 연구에서 개발하는 휴게소 이용 확률 모형의 변수는 다중공선성의 문제가 발생할 수 있다. 따라서 상관관계 분석을 통해 이항 로짓 분석 가능성을 검증한다. 상관관계 분석결과, [Table 6]과 같이 변수간의 상관관 계가 거의 없는 것으로 나타나 3가지 지표를 모두 활용한 모형개발이 가능함을 확인했다.
따라서 본 연구에서는 4~5km 간격으로 차량의 궤적이 수집되는 DSRC자료를 이용하여 휴게소를 이용하는 차량을 분별하는 방법에 대해 정립한다. 또한 본 연구에서는 Shoich의 연구결과를 참고하여 고속도로에 진입과 진출까지의 총 통행시 간은 휴게소 체류시간과 순수 통행시간으로만 구분하여 분석한다. 그리고 휴게소 이용자의 통행 행태를 정량화할 수 있는 객관적인 지표를 설정하고, 이를 토대로 휴게소 이용 수요 모형을 개발하고 검증한다.
본 단계는 앞서 분석된 휴게소 이용자의 행태분석 지표를 이용하여 휴게소 이용 확률 모형을 개발한다. 본 연구에서 개발하는 휴게소 이용 확률 모형의 변수는 다중공선성의 문제가 발생할 수 있다.
본 연구는 Text 형태로 저장된 방대한 양의 DSRC자료를 분석하기 위해 마이크로소프트사에서 제공하는 Visual Basic for Application을 이용하여 분석하며, 대상 휴게소 구간을 지나는 개별 차량의 통행거리, 통행시간 그리고 남은 거리를 추출하여 차량의 궤적자료를 구축한다.
본 연구는 이용자의 휴게소 이용 행태를 통행시간, 통행거리, 남은 거리 총 3가지 지표를 통해 구분하고, 각 지표가 휴게소 이용에 미치는 영향을 분석한다. 그리고 각 지표를 토대로 휴게소 이용 확률 모형을 개발하여 실제 휴게소 이용률과 비교 및 검증한다.
본 단계는 앞서 분석된 휴게소 이용자의 행태분석 지표를 이용하여 휴게소 이용 확률 모형을 개발한다. 본 연구에서 개발하는 휴게소 이용 확률 모형의 변수는 다중공선성의 문제가 발생할 수 있다. 따라서 상관관계 분석을 통해 이항 로짓 분석 가능성을 검증한다.
본 단계에서는 앞서 수집된 휴게소 구간을 지나는 차량의 통행 행태를 기반으로 휴게소 이용확률 모형을 개발한다. 본 연구의 모형은 개별 운전자의 휴게소 이용 확률 모형을 의미하며, 이를 통해 실시간으로 수집되는 운전자의 궤적자료를 토대로 운전자가 이용할 휴게소를 추정할 수 있다.
본 장에서는 휴게소 이용 행태 지표인 통행시간, 통행거리, 남은 거리와 휴게소 이용간의 관계를 분석한다. [Table 3]과 [Fig.
본 연구는 한국도로공사에서 제공한 DSRC와 TCS 궤적자료를 통합한 자료를 이용하여 분석했다. 분석 데이터는 임의로 부여된 차량ID, 차종, 검지한 RSE(or TCS)번호 그리고 검지된 시각으로 총 4가지 범주로 나누어진다. 본 연구의 자료는 고속도로 구간에 4~5km 간격으로 설치되어있는 RSE를 통해 차량의 검지시각이 수집되며, 검지시각은 24시간을 초 단위로 환산되어 나타난다.
(2014)의 연구도 위의 연구와 마찬가지로 설문조사를 기반으로 분석했다. 설문을 통해 분석된 이용자의 편의시설사용유무, 식사, 선호인식, IC로부터의 거리, 그리고 휴게소 이용 빈도 등을 이용해 로짓모형을 이용하여 휴게소 이용 수요 모형을 개발하였다. 이 연구는 개별 차량의 통행시간이나 통행거리와 같은 객관적인 수치에 근거한 수요모형이 아닌 운전자의 주관적 요소(선호도)를 반영한 휴게소 이용 수요 모형을 개발했다.
(2015)에서는 휴게소에 체류하는 시간이 2시간 이하인 차량을 정상 차량으로 보았으며, 고속도를 이용하는 차량의 통행시간이 3시간이상이면 휴게소를 무조건 이용한다는 가정을 한 후 분석하였다. 이 연구에서는 휴게소 체류시간을 고속도로 전체통행시간(진출시간-진입시간)에서순 통행시간을 감한 시간을 휴게소를 체류한 시간으로 분석했다. 그리고 휴게소 체류시간이 2시간 이하인 행태를 정상적인 휴게행태로 판단하였으며, 식사 시간대 휴게소를 이용하는 차량의 빈도가 전체 시간대에 비해 비정상적으로 매우 높음을 명시하였다.
이를 이용하여 휴게소 구간과 휴게소 상·하류부 구간을 지나는 차량의 매15분 단위의 평균통행시간을 산정한다.
식(3)을 이용하여 분석대상지역의 휴게소 이용차량을 분별하고 휴게소 이용률을 산정한다. 이후 한국도로공사에서 제공한 휴게소 실태조사의 실제 휴게소 이용률과 비교한다.
따라서 본 연구는 모든 차량이 One day를 기준으로 통행을 종료하는 것으로 간주한다. 즉, 수면시간(8시간)을 제외한 일일 활동시간인 16시간(960분)이하를 통행한 차량에 대해 분석한다. 그리고 통행시간이 10분 이하인 데이터는 오류데이터(Ohba et al.
Lee의 연구에서는 휴게소 이용 경계시간을 휴게소 RSE 링크를 통과한 차량의 구간통행시간을 일정한 시간대별 집계자료를 구축한 후, 대표그룹 중심 탐색법을 활용해 집계된 구간통행시간자료를 탐색하여 대표그룹을 선정하고, 대표그룹의 구간통행시간을 초과하는 시간을 휴게소 이용 경계시간으로 정의했다. 즉, 시간대별 대표통행시간을 휴게소 이용경계시간으로 간주하고, 통행시간이 이를 초과한 차량을 휴게소 이용 차량으로 분석했다.
휴게소 구간을 지나는 차량의 진입부터 진출까지의 검지시각과 RSE간의 거리정보를 이용하여 개별 차량의 궤적자료를 구축한다. 진입 IC부터 휴게소 RSE까지, 그리고 휴게소 RSE부터 진출 IC까지의 통행시간과 통행거리를 추출하여 분석에 이용한다. 휴게소 구간을 지난 차량의 경로자료는 [Table 2]와 같다.
첫째, 본 연구에서 제안한 휴게소 이용차량 분별 방법론을 검증한다. 식(3)을 이용하여 분석대상지역의 휴게소 이용차량을 분별하고 휴게소 이용률을 산정한다.
연구는 크게 2가지 단계로 이루어진다. 첫째, 휴게소 이용차량을 분별하고, 휴게소 이용 차량의 궤적(경로) 자료를 구축한다. 구축된 궤적자료를 이용하여, 통행 행태 지표(통행시간, 통행거리, 남은거리)가 휴게소 이용에 미치는 영향을 분석한다.
휴게소 구간을 지나는 차량의 진입부터 진출까지의 검지시각과 RSE간의 거리정보를 이용하여 개별 차량의 궤적자료를 구축한다. 진입 IC부터 휴게소 RSE까지, 그리고 휴게소 RSE부터 진출 IC까지의 통행시간과 통행거리를 추출하여 분석에 이용한다.
휴게소 이용 확률 모형 검증은 연구 대상 지역인 안성휴게소에 다른 일시의 데이터를 적용하여 한국도로 공사에서 조사한 휴게소 이용률과 비교분석한다. 본 모형의 검증은 두 가지 측면에서 이루어진다.
대상 데이터
본 연구는 휴게소를 포함한 링크를 기준으로 상류부와 하류부 링크를 포함한 총 3개의 링크를 분석한다. [Fig. 1]과 같이 분석 대상 휴게소를 포함한 휴게소 구간(sa)와 휴게소 상류부 구간(usa) 그리고 휴게소 하류부 구간(dsa)을 명시하고, 3개 구간을 지나는 차량을 대상으로 분석한다.
Ohba는 이상치를 Type1: 극도로 짧은 통행시간, Type2: 극도로 긴 통행시간, Type3: 운전자 특성에 따라 나타나는 정규분포를 벗어난 특이 행태로세 가지 유형으로 나눴다. 그 중 Type2를 휴게소나 졸음쉼터를 이용하는 차량으로 간주하고, 연구를 진행했다. Ohba의 연구는 TCS 자료를 이용하였기 때문에 다소 긴 거리에 따른 차량의 통행시간을 산정하여 휴게소를 이용한 차량을 정확히 분별할 수 없었으며, 이상치 제거 과정에서 이상치를 규명하는 방법이 연구자의 주관과 판단에 따라 이루어져 명확한 방법론을 제시하지 못한 한계를 가졌다.
본 연구는 경부 고속도로의 안성IC에서 오산IC 사이에 위치한 안성휴게소(서울상행)를 대상으로 분석했다. 이 구간은 편도 4차로, 버스전용차로 1차로로 구성된 도로이며, 분석 구간의 길이는 총 14.
본 연구는 휴게소를 포함한 링크를 기준으로 상류부와 하류부 링크를 포함한 총 3개의 링크를 분석한다. [Fig.
본 연구에서 개발한 휴게소 이용 확률 모형의 검증을 위해 한국도로공사에서 제공한 2010년 휴게소 이용 실태 자료를 이용한다. 한국도로공사(2010.
본 장에서는 휴게소 이용 차량 분별 방법과 휴게소 이용차량의 통행행태를 토대로 휴게소 이용 확률 모형 개발 방법에 대해 논한다. 본 연구의 분석 자료는 DSRC와 TCS자료를 통합한 자료를 이용한다. 분석자료는 하루단위를 기준으로 수집되고, 차량의 ID는 개인정보보호에 따라 무작위로 부여되기 때문에 24시 이후에 측정된 차량에 대해서는 분석이 어렵다.
본 연구의 시간적 범위는 평일 2015년 5월 20일 수요일 00시~24시, 주말 2015년 5월 24일 일요일 00시~24시로 평일 하루, 주말 하루를 대상으로 분석하였으며, 이는 평일과 주말의 휴게소 이용 행태의 변화를 분석하기 위함이다.
분석 데이터는 임의로 부여된 차량ID, 차종, 검지한 RSE(or TCS)번호 그리고 검지된 시각으로 총 4가지 범주로 나누어진다. 본 연구의 자료는 고속도로 구간에 4~5km 간격으로 설치되어있는 RSE를 통해 차량의 검지시각이 수집되며, 검지시각은 24시간을 초 단위로 환산되어 나타난다. 분석 데이터에 대한 구조는 [Table 1]과 같다.
이에 본 연구에서는 하이패스 단말기를 통해 수집된 단거리전용통신(Dedicated Short-Range Communication, DSRC)자료를 활용하여 연구를 진행한다. 분석 자료는 한국도로공사로부터 제공받아 분석하였다.
1km이다. 안성 휴게소는 RSE 1030과 1031번 사이에 위치하였으며, 휴게소 구간의 상류부와 하류부 구간을 대상으로 분석하기 위해 RSE1029, 1030, 1031, 1032의 총 4개의 RSE를 대상으로 연구를 진행하였다. 분석 대상지역은 [Fig.
본 연구는 경부 고속도로의 안성IC에서 오산IC 사이에 위치한 안성휴게소(서울상행)를 대상으로 분석했다. 이 구간은 편도 4차로, 버스전용차로 1차로로 구성된 도로이며, 분석 구간의 길이는 총 14.1km이다. 안성 휴게소는 RSE 1030과 1031번 사이에 위치하였으며, 휴게소 구간의 상류부와 하류부 구간을 대상으로 분석하기 위해 RSE1029, 1030, 1031, 1032의 총 4개의 RSE를 대상으로 연구를 진행하였다.
그러나 최근 지능형교통체계의 발전과 높은 하이패스의 보급률을 통해, 전수화에 가까운 자료 수집이 용이해졌다. 이에 본 연구에서는 하이패스 단말기를 통해 수집된 단거리전용통신(Dedicated Short-Range Communication, DSRC)자료를 활용하여 연구를 진행한다. 분석 자료는 한국도로공사로부터 제공받아 분석하였다.
, 1999)로 제외한다. 즉, 본 연구는 통행시간이 10분이상 1000분이하인 차량을 대상으로 분석을 진행한다. Shoich(2015)의 연구에서 최대 분석 범위로 통행시간을 6시간(720분)으로 지정하여 분석한데 반해 본 연구는 보다 넓은 시간적 범위의 분석을 진행했다.
성능/효과
이 연구에서는 휴게소 체류시간을 고속도로 전체통행시간(진출시간-진입시간)에서순 통행시간을 감한 시간을 휴게소를 체류한 시간으로 분석했다. 그리고 휴게소 체류시간이 2시간 이하인 행태를 정상적인 휴게행태로 판단하였으며, 식사 시간대 휴게소를 이용하는 차량의 빈도가 전체 시간대에 비해 비정상적으로 매우 높음을 명시하였다. Shoich의 연구를 통해 식사 시간대 휴게소이용차량의 분별의 어려움과 휴게소 체류시간 산정 방법을 도출할 수 있다.
분석 결과, 휴게소 이용자는 통행시간이 평일 90분, 주말 70분 이상일 때 그 휴게소 이용 수요가 가장 많았고, 통행거리는 평일 110km, 주말 90km 이상 주행했을 때 가장 높은 것으로 분석되었다. 그리고 휴게소부터 이용자의 통행종료까지 남은 거리가 30km이하일 때 휴게소 이용률은 급격히 감소함을 알 수 있었다. 본연구에서 휴게소 이용자의 행태 지표로 설정한 통행거리, 통행시간, 남은 거리를 이용하여 휴게소 이용 확률 모형을 만들고 검증한 결과, 실제 휴게소 이용률과 본 모형을 통해 산정된 휴게소 이용률 추정값은 1~2%의오차가 발생한다.
모형의 변수의 계수를 추정한 값을 보면 주중에는 남은거리가 휴게소를 이용하는데 큰 영향을 주는 것으로 판단되었고, 주말에는 통행거리가 휴게소를 이용하는데 많은 영향을 줌을 알 수 있다. 또한 [Table 7]의 결과 중 Exp(B) 값을 통해 주중에 단위 남은 거리가 1 증가할 때 휴게소를 이용할 확률은 1.
두 분포가 중첩되는 부분은 뿔 모양으로 나타난다. 본 연구에서는 두 분포의 Overlap을 기준으로 휴게소를 이용하는 차량의 휴게소 구간 통행시간이 휴게소를 포함하지 않은 전/후 구간에서의 통행시간보다 90%이상 초과한다는 것을 도출하였다. 그리고 이는 식(3)에 반영하였다.
그리고 휴게소부터 이용자의 통행종료까지 남은 거리가 30km이하일 때 휴게소 이용률은 급격히 감소함을 알 수 있었다. 본연구에서 휴게소 이용자의 행태 지표로 설정한 통행거리, 통행시간, 남은 거리를 이용하여 휴게소 이용 확률 모형을 만들고 검증한 결과, 실제 휴게소 이용률과 본 모형을 통해 산정된 휴게소 이용률 추정값은 1~2%의오차가 발생한다. 하지만 휴게소 이용 차량의 절대치는 상당히 많은 오차가 발생함을 알 수 있었다.
통행거리와 휴게소 이용 빈도 관계는 [Table 4]와 같다. 분석 결과, 휴게소 이용은 통행거리가 평일에는 110km, 주말에는 90km일 때, 휴게소를 가장 많은 것으로 나타나며, [Fig. 7]과 같은 분포를 나타낸다.
분석 결과, 휴게소 이용자는 통행시간이 평일 90분, 주말 70분 이상일 때 그 휴게소 이용 수요가 가장 많았고, 통행거리는 평일 110km, 주말 90km 이상 주행했을 때 가장 높은 것으로 분석되었다. 그리고 휴게소부터 이용자의 통행종료까지 남은 거리가 30km이하일 때 휴게소 이용률은 급격히 감소함을 알 수 있었다.
실제 휴게소 이용률과 본 연구의 휴게소 이용차량 분별 방법론, 개별차량 휴게소 이용 확률 모형을 통해 분석한 휴게소 이용률은 [Table 8]과 같다. 분석결과, 본 연구를 통해 추정한 휴게소 이용률은 실 이용률과 비율로는 1~2%의 차이를 보이나 휴게소 이용차량의 절대치는 오차가 큰 것으로 나타난다. 이는 DSRC를 통해 수집된 자료의 표본 양과 모수의 양이 달라 나타난 결과로 볼 수도 있지만, 본연구가 휴게소를 집중적으로 이용하는 시간인 식사시간대를 제외하고 분석하였기 때문에 나타난 결과로 판단된다.
따라서 상관관계 분석을 통해 이항 로짓 분석 가능성을 검증한다. 상관관계 분석결과, [Table 6]과 같이 변수간의 상관관 계가 거의 없는 것으로 나타나 3가지 지표를 모두 활용한 모형개발이 가능함을 확인했다. 본 연구에서 설정한 3가지 지표를 이용하여 이항 로짓 분석을 통해 계수를 추정한 결과는 [Table 7]과 같다.
주말은 통행시간이 평일보다 조금 짧은 70분 이상일 때, 휴게소를 이용한 차량이 1167대/일로 휴게소 이용 빈도가 가장 높았음을 알 수 있다. 즉, 휴게소 이용자는 평일보다 주말에 더 짧은 시간을 주행한 후 휴게소를 이용함을 알 수 있었다. 통행거리와 휴게소 이용 빈도 관계는 [Table 4]와 같다.
휴게소 이용 차량 분별 결과, 평일 휴게소 이용 차량은 총 50,975대/일 중 2,625대/일로 전체의 약 5.15%를차지했다. 주말에 휴게소를 이용한 차량은 총 휴게소 구간 통과차량 54,719대/일 중 4,486대/일로 약 8.
8]과 같이 남은 거리가 길수록 휴게소 이용 빈도가 높아짐을 알 수 있었다. 휴게소 이용자의 약 27%는남은 거리가 70km이상 일 때, 휴게소를 이용하는 것으로 분석됐다. 또한 남은 거리가 30km이하일 때, 휴게 소를 이용하는 빈도가 급격히 낮아짐을 알 수 있었다.
후속연구
본 연구는 안성휴게소(상행)을 기준으로 분석하였기 때문에 본 연구에서 추정한 휴게소 이용 확률 모형의 모수는 휴게소마다 달라 타 휴게소에 본 연구의 모형을 적용하기 어려운 한계가 있다. 그러나 본 연구의 휴게소 이용차량 분별방법과 휴게소 이용 확률 모형 개발 방법론을 이용하여 휴게소의 개별적인 분석이 가능할 것으로 예상된다. 향후 이 문제를 해결하기 위해 연구의 범위를 확장하여 고속도로에 속한 모든 휴게소를 대상으로 연구를 진행한다면 일반화할 수 있는 결과가 도출될 것으로 판단한다.
본 연구는 안성휴게소(상행)을 기준으로 분석하였기 때문에 본 연구에서 추정한 휴게소 이용 확률 모형의 모수는 휴게소마다 달라 타 휴게소에 본 연구의 모형을 적용하기 어려운 한계가 있다. 그러나 본 연구의 휴게소 이용차량 분별방법과 휴게소 이용 확률 모형 개발 방법론을 이용하여 휴게소의 개별적인 분석이 가능할 것으로 예상된다.
본 연구의 결과는 향후 휴게소의 수요분석과 휴게소 입지 선정에 대한 기초 자료를 제공할 수 있을 것으로 보이며, 고속도로 운영자가 이용자의 서비스 향상을 위한 차별화 전략을 실시(수립)할 때에 적극 활용될수 있을 것이다.
그리고 각 지표를 토대로 휴게소 이용 확률 모형을 개발하여 실제 휴게소 이용률과 비교 및 검증한다. 본 연구의 분석 결과는 향후 휴게소 수요 분석과 입지선정을 위한 판단 자료로 사용될 수 있을 것으로 기대된다.
그러나 본 연구의 휴게소 이용차량 분별방법과 휴게소 이용 확률 모형 개발 방법론을 이용하여 휴게소의 개별적인 분석이 가능할 것으로 예상된다. 향후 이 문제를 해결하기 위해 연구의 범위를 확장하여 고속도로에 속한 모든 휴게소를 대상으로 연구를 진행한다면 일반화할 수 있는 결과가 도출될 것으로 판단한다.
질의응답
핵심어
질문
논문에서 추출한 답변
본 논문에서 고속도로에서 RSE를 통해 수집되는 DSRC자료를 이용하여 안성휴게소(상행)를 이용하는 휴게소 이용자의 통행 행태를 분석하고, 통행행태지표를 토대로 휴게소 이용 확률 모형을 개발하고 검증한 결과는 어떠한가?
따라서 본 연구는 고속도로에서 RSE를 통해 수집되는 DSRC자료를 이용하여 안성휴게소(상행)를 이용하는 휴게소 이용자의 통행 행태를 분석하였으며, 통행행태지표를 토대로 휴게소 이용 확률 모형을 개발하고 검증하였다. 분석결과, 안성 휴게소(상행) 이용 행태는 통행시간이 평일 90분 이상, 주말 70분 이상일때 가장 이용 빈도가 높았으며, 휴게소부터 통행종료까지 남은 거리가 30km 이하일 때, 휴게소 이용률은 급격히 감소하는 것으로 분석되었다. 본 연구의 휴게소 이용 확률 모형을 통해 추정된 휴게소 이용률은 실이용률과 1~2%오차가 발생했다. 본 연구 결과는 정형화된 자료를 이용하여 휴게소 이용 행태를 분석한데 의의가 있으며, 본 연구의 휴게소 이용차량 분별방법론과 개별휴게소이용확률 모형 개발방법은 향후 휴게소 입지선정과 이용자의 서비스 수준 향상을 위한 차별화 전략에 적극 활용될 수 있을 것으로 판단된다.
휴게소는 어떤 역할을 하는가?
휴게소는 장거리 운전자나 졸음 운전자가 충분히 쉴 수 있는 공간을 조성하여 사고를 미연에 방지하는 중요한 역할을 한다. 따라서 휴게소의 적절한 위치 선정은 필수적이며, 이를 위해 정확한 수요 예측과 이용자 통행 행태를 분석하는 것은 매우 중요하다.
휴게소와 관련한 선행연구로는 주로 무엇이 있었는가?
휴게소와 관련한 선행연구는 휴게소 이용 차량을 분별하는 방법과 휴게소의 이용률 등을 예측하는 연구가 주를 이루었다. 휴게소 이용 차량 분별 방법론을 제시한 연구는 주로 톨게이트나 프로브카를 통해 수집된 궤적자료를 토대로 분석하였다.
참고문헌 (7)
Baek S. G. and Kim C. H.(2006), "A research on parking demand of freeway service area," Proceedings of the KSCE Convention, pp.3573-3576.
Kazuo N. et al.(2014), "An empirical model of expressway driver's behaviors on stopover at SA/PA involving the location choice," the 54th Annual Congress ERSA in St. Petersburg 2014.
Lee et al.(2017), "A Study on DSRC data-based Service Area Utilization Status Analysis Methodology," Proceedings of the KITS Conference, vol. 2017, pp.569-574.
Lim H. S. et al.(2009), "Estimation of Use of Rest Area with Freeway Drivers' individual behavior," Proceedings of the KOR-KST Conference, vol. 2009 no. 1, pp.255-260.
Ohba Y. et al.(1999), "Travel Time Calculation Method for Expressway Using Toll Collection System Data," Intelligent Transportation Systems, pp.471-475.
Shoichi H. et al.(2015), "Preliminary analysis on service behavior of expressway users with ETC data," 22nd ITS World Congress, Bordeaux, France, 5-9 October 2015, Paper number ITS-2498.
Shoichi H. et al.(2016), "Study of resting behavior on inter-urban expressways using ETC 2.0 probe data," 23rd ITS World Congress, Melbourne, Australia, 10-14 October 2016, Paper number ITS-0327.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.