교통밀도는 교통수요와 가장 직접적인 관계가 있으므로 거시적인 지표 중에서 가장 중요하다고 알려져 있으며(Traffic Engineering, 2004), 특정시각 주어진 거리 안의 존재하는 차량의 대수로 정의한다. 하지만, 밀도는 기상과 도로조건 및 비용 상의 문제로 인하여 현장에서 직접 수집이 어렵다. 이런 이유로 속도와 교통량보다 상대적으로 연구가 활발하게 이루어지지는 않아 수집방법에 관한 다양한 시도뿐만 아니라 측정된 값의 정확도에 관한 연구가 많이 부족하다. 이에 본 논문에서는 밀도를 측정할 수 있는 방법으로 여러 대의 카메라 영상을 정합(synthesis)하는 기술을 활용하였다. 이러한 밀도수집시스템으로 수집한 밀도를 정의에 기반한 참값으로 선정하고, 이 값을 전통적인 측정방법들로 산출한 밀도와 비교하였다. 비교결과, 관계식(fundamental equation)을 이용한 산출방법으로 산출한 밀도 값이 참값과 비교하여 RMSE(Root Mean Square Error)가 1.8-2.5로 가장 참값에 가깝다. 또한 향후 밀도를 직접 수집할 때 유의하여할 수집 간격 등의 간과하기 쉬운 이슈사항을 순간밀도와 평균밀도를 산출하여 알아보았다. 실험 사이트의 실제 교통상황은 LOS B임에도 불구하고, 초 당 순간밀도는 최대(16veh/km)에서 최소 2(veh/km)의 값이 다양하게 관측되어 교통상황의 판단이 어려웠다. 하지만 30초 간격으로 15분 평균밀도는 8.3-7.9(veh/km)로 정확하게 LOS B를 판단하였다.
교통밀도는 교통수요와 가장 직접적인 관계가 있으므로 거시적인 지표 중에서 가장 중요하다고 알려져 있으며(Traffic Engineering, 2004), 특정시각 주어진 거리 안의 존재하는 차량의 대수로 정의한다. 하지만, 밀도는 기상과 도로조건 및 비용 상의 문제로 인하여 현장에서 직접 수집이 어렵다. 이런 이유로 속도와 교통량보다 상대적으로 연구가 활발하게 이루어지지는 않아 수집방법에 관한 다양한 시도뿐만 아니라 측정된 값의 정확도에 관한 연구가 많이 부족하다. 이에 본 논문에서는 밀도를 측정할 수 있는 방법으로 여러 대의 카메라 영상을 정합(synthesis)하는 기술을 활용하였다. 이러한 밀도수집시스템으로 수집한 밀도를 정의에 기반한 참값으로 선정하고, 이 값을 전통적인 측정방법들로 산출한 밀도와 비교하였다. 비교결과, 관계식(fundamental equation)을 이용한 산출방법으로 산출한 밀도 값이 참값과 비교하여 RMSE(Root Mean Square Error)가 1.8-2.5로 가장 참값에 가깝다. 또한 향후 밀도를 직접 수집할 때 유의하여할 수집 간격 등의 간과하기 쉬운 이슈사항을 순간밀도와 평균밀도를 산출하여 알아보았다. 실험 사이트의 실제 교통상황은 LOS B임에도 불구하고, 초 당 순간밀도는 최대(16veh/km)에서 최소 2(veh/km)의 값이 다양하게 관측되어 교통상황의 판단이 어려웠다. 하지만 30초 간격으로 15분 평균밀도는 8.3-7.9(veh/km)로 정확하게 LOS B를 판단하였다.
Traffic Density is the most important of the three primary macroscopic traffic stream parameters, because it is most directly related to traffic demand(Traffic Engineering, 2004). It is defined as the number of existing vehicles within a given distance at a certain time. However, due to weather, roa...
Traffic Density is the most important of the three primary macroscopic traffic stream parameters, because it is most directly related to traffic demand(Traffic Engineering, 2004). It is defined as the number of existing vehicles within a given distance at a certain time. However, due to weather, road conditions, and cost issues, collecting density directly on the field is difficult. This makes studies of density less actively than those of traffic volume or velocity. For these reasons, there is insufficient attempts on divers collecting methods or researches on the accuracy of measured values. In this paper, we used the 'Density Measuring System' based on the synthesise technology of several camera images as a method to measure density. The collected density value by the 'Density Mesuring System' is selected as the true value based on the density define, and this value was compared with the density calculated by the traditional measurement methods. As a result of the comparison, the density value using the fundamental equation method is the closest to the true value as RMSE shows 1.8 to 2.5. In addition, we investigated some issues that can be overlooked easily such as the collecting interval to be considered on collecting density directly by calculating the moment density and the average density. Despite the actual traffic situation of the experiment site is LOS B, it is difficult to judge the real traffic situation because the moment density values per second are observed max 16.0 (veh/km) to min 2.0 (veh/km). However, the average density measured for 15 minutes at 30-second intervals was 8.3-7.9 (veh/km) and it indicates precisely LOS B.
Traffic Density is the most important of the three primary macroscopic traffic stream parameters, because it is most directly related to traffic demand(Traffic Engineering, 2004). It is defined as the number of existing vehicles within a given distance at a certain time. However, due to weather, road conditions, and cost issues, collecting density directly on the field is difficult. This makes studies of density less actively than those of traffic volume or velocity. For these reasons, there is insufficient attempts on divers collecting methods or researches on the accuracy of measured values. In this paper, we used the 'Density Measuring System' based on the synthesise technology of several camera images as a method to measure density. The collected density value by the 'Density Mesuring System' is selected as the true value based on the density define, and this value was compared with the density calculated by the traditional measurement methods. As a result of the comparison, the density value using the fundamental equation method is the closest to the true value as RMSE shows 1.8 to 2.5. In addition, we investigated some issues that can be overlooked easily such as the collecting interval to be considered on collecting density directly by calculating the moment density and the average density. Despite the actual traffic situation of the experiment site is LOS B, it is difficult to judge the real traffic situation because the moment density values per second are observed max 16.0 (veh/km) to min 2.0 (veh/km). However, the average density measured for 15 minutes at 30-second intervals was 8.3-7.9 (veh/km) and it indicates precisely LOS B.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
가설 설정
29일 18시에서 19시까지 시간대는 교통류율 733(veh/h), 평균속도 99(km/h)로 고속도로 LOS 기준으로 B이다. 데이터 수집 사이트의 교통상황은 정체 없이 원활한 상황으로 판단된다. 추가적으로 사이트 구간의 일반적인 특징을 설명하면, 외곽순환고속도로의 한 구간인 사패산 터널은 제한속도가 100km/h이고, 특별한 이벤트가 없을 때는 고속도로 서비스수준은 HCM기준으로 LOS A에서 C사이에 항상 위치하며 전체적으로 안정적으로 운영되는 고속도로 구간이다.
제안 방법
단순히 단위시간과 단위구간으로 한정된 밀도의 측정방법에 있어, 밀도의 순간밀도와 평균밀도로 구분하여 비교해 봄으로서 단위시간에 대한 유의사항 및 논의를 제시하였다. 측정시간대의 순간밀도는 실제로 그 구간의 현황과는 다르게 과소 혹은 과대 측정이 될 수 있음을 보았으며, 순간밀도는 초당 LOS가 급변하는 것을 확인할 수 있었다.
이렇게 수집된 밀도 값을 전통적인 밀도 산출 방법으로 수집된 값과 비교하였다. 또한, 향후 밀도를 직접 수집할 때 수집주기와 수집횟수 등의 밀도수집의 방법을 알아보았다. 이는 향후 검지기술의 발전으로 1km 안의 차량대수로 정의되는 밀도를 현장에서 직접 수집하게 될 때, 유의해야하는 사항을 미리 논의하여 이를 통해 합리적 밀도활용의 기반이 조성할 수 있을 것으로 기대된다.
밀도 수집 결과를 설명하기 앞서, 밀도수집시스템으로 밀도를 수집한 동일한 시간 동안의 사패산 터널의 교통류 특성을 분석하였다. 특성파악을 위한 데이터 수집은 사이트 안에 설치되어 있는 루프검지기를 활용하였다.
이와 같은 환경이 마련될 것임을 전재로, 본 연구에서는 밀도의 정의(단위구간 1km안의 차량의 수)기반으로 측정하는 밀도수집시스템을 소개하였다. 밀도수집시스템은 중첩되는 영역을 가지는 도로위의 CCTV의 영상을 (1)Overlapping Area 단계→(2)Image Rectification 단계 →(3)Color Blending 단계→(4)Image Stitching 단계를 거쳐 정합(synthesis)하며, 각각의 단계마다 특징과 시스템 구축시 더욱 간편하고 연산량을 줄일 수 있는 방안을 제시하였다.
본 논문에서는 밀도를 측정할 수 있는 방법으로 수대의 CCTV의 영상화면을 영상정합(synthesis)기술을 활용하여 이어붙이기(stitching)는 방식으로 실시간으로 정합하여 영상 안의 차량을 자동으로 카운트하는 방법을 소개하였다. 이렇게 수집된 밀도 값을 전통적인 밀도 산출 방법으로 수집된 값과 비교하였다.
4]의 정합영상은 도로영역 180m 연장을 포함하는 영상을 실시간으로 정합한 결과이며, 각각의 개별차량을 자동으로 추적(Object Tracking)하여 차량의 속도(공간평균속도)뿐만 아니라 교통량을 수집할 수 있다. 본 논문에서는 와 같이 사패산 터널부에 시간동기화된 CCTV 8기를 이어붙여 1km의 정합 동영상을 생성 하였고, 다시 정합영상을 초단위의 영상으로 낱장(still)화하고, 그 다음 영상 안의 차량을 카운트하여 초당 변화하는 밀도값을 만들었다. 이는 Traffic Engineering(2004)에서 제시한 밀도의 정의대로 밀도를 산출한 것임으로 이를 본 논문에서는 밀도의 참값으로 보았다.
Color Blending이란, 정합하고자 하는 영상 간의 밝기 값이나, 컬러 값 등을 일치시켜주는 과정으로 Blending 처리가 이루어지지 않을 경우 부자연스러운 영상이 생성될 수 있다. 본 밀도수집시스템에서는 중첩 되는 두 개의 영상 중 한 개 픽셀의 밝기 값으로 선택하여 표현하는 방법을 사용하였다. 가장 간단한 방법이지만 터널 부 도로의 밝기가 항상 일정하여 선택하였다.
1km의 영상을 정합하는 카메라의 대수는 총 8기이며, 카메라는 사패산 터널 일산방향에 설치하였다. 사패산 터널 사업소의 협조를 얻어서 터널 내부에 설치된 유선망을 활용하여 실시간으로 영상은 전달되었으며 각각의 카메라는 미리 시간을 동기화하여 영상을 정합 (Image Synthesis)하였다. 이를 통해 1km 내 존재하는 차량의 수를 카운트 할 수 있는 기반을 마련하였다.
대상 데이터
1] 와 같이 구성하였다. 1km의 영상을 정합하는 카메라의 대수는 총 8기이며, 카메라는 사패산 터널 일산방향에 설치하였다. 사패산 터널 사업소의 협조를 얻어서 터널 내부에 설치된 유선망을 활용하여 실시간으로 영상은 전달되었으며 각각의 카메라는 미리 시간을 동기화하여 영상을 정합 (Image Synthesis)하였다.
밀도수집시스템을 구성하는 8기의 카메라는 미리 중첩되는 영역을 정하여 이들을 특징점(Feature Point)를 설정하여 영상이어붙이기(Image Stitching)방식으로 1km 영상을 취득하였다. 세부적인 방법은 다음의 4단계를 따른다.
사패산 터널관리사무소의 협조를 얻어 사패산 터널 일산방향으로 8기의 영상정합을 위한 카메라를 설치하였다. 취득한 각각의 동영상들을 이용하여 미리 언급한 밀도수집시스템의 과정을 모두 거쳐서 1㎞의 도로 영역을 포함하는 동영상으로 저장하였다.
데이터처리
특성파악을 위한 데이터 수집은 사이트 안에 설치되어 있는 루프검지기를 활용하였다. 동영상 취득 일시와 동일한 시간의 교통량, 속도 및 점유율의 등 루프검지기에서 수집하는 교통데이터를 분석하였다. 분석결과는 다음과 같다.
전통적인 밀도 추정방법은 점유율(occupancy)을 환산하여 생성하는 방법과 거시변수간의 관계(fundamental equation)를 이용하여 생성하는 방법이 있다(Park(2014)). 본 연구에서는 밀도 수집시스템으로 수집한 밀도를 참값으로 하고, 점유율 변환방법과 변수간의 관계 이용방법으로 추정된 밀도를 각각 비교하였다. [Fig.
이론/모형
본 연구에서 밀도 수집은 밀도의 사전적 정의에 기반하여 정의하였다. 밀도는 특정시각 1km안의 차량의 대수로 정의된다.
성능/효과
이렇게 측정한 밀도를 전통적인 밀도를 측정한 결과와 값을 비교하여 보았다. 그 결과 관계식을 이용하여 구한 밀도의 RMSE가 2.5와 1.8로 점유율을 이용하여 구한 밀도보다 우수함을 확인하였으며 관계식을 밀도의 수집시간별 그래프의 패턴도 유사함을 보았다. 이는 분석구간인 연속류 비혼잡시에 한정된 결과로 볼 수 있으며, 단속류 또는 혼잡시에는 다른 양상이 나타날 수 있다.
이와 같이 초당으로 변화하는 지표는 교통소통상황 판정 및 교통류 해석을 위해 적용하기에 어려움이 있으므로, 이를 올바르고 모두가 공감할 수 있는 방법으로 정제 및 정온화하여 적용해야 할 필요가 있다. 본 연구에서는 데이터 누적 분포를 통해 30번의 관측횟수로 밀도를 측정하면 순간적인 교통 상황 변화에 따라 다양한 값이 산출되어 해당 시간대의 교통상황 진단이 어려운 반면, 최소한 15분 정도의 시간간격을 기준으로 산출한 평균 밀도가 해당 시간 구간의 현황과 가장 흡사한 값을 나타냄을 확인하였다.
단순히 단위시간과 단위구간으로 한정된 밀도의 측정방법에 있어, 밀도의 순간밀도와 평균밀도로 구분하여 비교해 봄으로서 단위시간에 대한 유의사항 및 논의를 제시하였다. 측정시간대의 순간밀도는 실제로 그 구간의 현황과는 다르게 과소 혹은 과대 측정이 될 수 있음을 보았으며, 순간밀도는 초당 LOS가 급변하는 것을 확인할 수 있었다. 이와 같이 초당으로 변화하는 지표는 교통소통상황 판정 및 교통류 해석을 위해 적용하기에 어려움이 있으므로, 이를 올바르고 모두가 공감할 수 있는 방법으로 정제 및 정온화하여 적용해야 할 필요가 있다.
후속연구
교통밀도 정의 기반의 교통밀도수집시스템의 활용으로 교통밀도의 현장 수집이 가능하게 되면 현재의 지점검지체계 위주의 지점평균속도를 기본으로 산출되는 교통정보시스템에서 제공하는 교통정보인 이동시간 (Travel Time)정보의 정확도가 향상될 것으로 기대된다. 또한 도심지의 혼잡예측에도 적극적으로 활용할 수 있을 것으로 판단된다.
교통밀도 정의 기반의 교통밀도수집시스템의 활용으로 교통밀도의 현장 수집이 가능하게 되면 현재의 지점검지체계 위주의 지점평균속도를 기본으로 산출되는 교통정보시스템에서 제공하는 교통정보인 이동시간 (Travel Time)정보의 정확도가 향상될 것으로 기대된다. 또한 도심지의 혼잡예측에도 적극적으로 활용할 수 있을 것으로 판단된다.
본 연구는 한정된 시간 및 장소에서 실측한 밀도값을 기준으로 분석하였다는 한계가 있다. 또한 차량을 자동으로 카운트하는데 S/W의 오차도 있을 수 있다.
또한, 향후 밀도를 직접 수집할 때 수집주기와 수집횟수 등의 밀도수집의 방법을 알아보았다. 이는 향후 검지기술의 발전으로 1km 안의 차량대수로 정의되는 밀도를 현장에서 직접 수집하게 될 때, 유의해야하는 사항을 미리 논의하여 이를 통해 합리적 밀도활용의 기반이 조성할 수 있을 것으로 기대된다.
이는 분석구간인 연속류 비혼잡시에 한정된 결과로 볼 수 있으며, 단속류 또는 혼잡시에는 다른 양상이 나타날 수 있다. 이와 같은 부분은 향후 연구를 통해 보완되어 야 할 것이며, 이를 통해 밀도 실측이 불가능한 장소 또는 환경을 대상으로 밀도를 최소 오차로 추정할 수 있는 방법을 제시할 수 있을 것으로 기대한다.
밀도 변수의 중요성은 교통류의 해석 및 운전자 제공 정보를 포함하여 아무리 강조하여도 지나침이 없을 만큼 중요한 변수이다. 이와 같은 측면에서 향후 지속적인 밀도 관련 연구가 연구가 지속적으로 이루어져야 하며, 이러한 지속적인 현장값을 바탕으로 연구가 미래에 예상되는 합리적인 밀도활용의 기반으로 활용될 것으로 기대한다.
9(veh/km/lane)는 검지기로 파악한 분석구간의 LOS B(HCM의 LOS 기준)를 정확하게 판단하고 있으나, 순간밀도의 측면에서는 28일 최대 15(veh/km/lane)와 최소 2(veh/km/lane)와 29일 최대 13(veh/km/lane)과 최소4(veh/km/lane)를 가지므로 LOS A에서 C까지 다양하게 관찰된다. 즉 교통량이 흔히 15분 이상을 측정하여 이를 평균하여 교통류율을 만들어 사용하듯이 밀도 역시 측정구간의 교통상황을 정확하게 알기 위해서는 수집 간격(관측 간격)이나 수집 횟수(관측횟수)에 대한 추가적인 연구와 합의에 대한 논의사항이 존재함을 알 수 있다. 실제로 Park(2014)은 연속류의 특별한 구간에 한하여 이러한 수집 횟수를 중심극한정리를 통하여 제시한 바 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
정체구간 에서는 오히려 밀도 측정이 어려운 것으로 판단되는 이유는?
관계식에 의해 밀도를 추정하는 대표적인 방법으로는 점유율(occupancy)과 밀도 변수간의 상관관계를 이용하여 밀도를 추정하는 방법이 있으나 점유율을 이용해 산출된 밀도의 정확성은 점유율 정보의 부정확성으로 인하여 실제의 값과 많은 차이가 있다고 알려져 있다(Hall, 1986). Lee(2009)는 진입-진출검지방법(In-Out counting Method)를 제안하였으나 이는 기준값이 되는 초기차량의 대수산정의 어려움으로 교통량이 증가할 경우 오차가 커지는 경향이 나타났다. 이와 같은 이유로 실제 밀도의 활용이 많을 것으로 예상되는 정체구간 에서는 오히려 밀도 측정이 어려운 것으로 판단된다.
교통밀도는 어떻게 정의되나?
교통상황을 표현하는 거시적인 지표 중에 하나인 교통밀도(이하, 밀도)는 특정시각 주어진 거리 안의 존재 하는 차량의 대수로 정의(Traffic Engineering, 2004)한다. 밀도는 현장에서 직접수집이 어려운 이유로 다른 거시적인 지표인 속도와 교통량보다 상대적으로 연구가 활발하게 이루어지지는 않았다.
밀도를 수집하는 기존의 대표적인 방식은 무엇이 있나?
본 문헌고찰에서는 밀도를 수집하는 방법에 대한 문헌위주로 정리하였다. 밀도를 수집하는 기존의 대표적인 방식은 직접 수집하는 방법과 다른 변수와의 관계를 이용하여 계산하는 방법이 있다. 이중 밀도를 수집하는 방법은 크게 단위 구간내 차량의 수를 카운트하는 방법(구간을 검지하는 방법, Park, 2014)과 특정 지점을 통과하는 차량의 수를 카운트 하는 방법(지점기능을 이용한 방법, Lee, 2009)이 있다.
참고문헌 (13)
Haberman R. (1997), Mathematical Models, Prentice Hall: Upper Saddle River, N. J., pp.265-394.
Hall F. L. (1986), "The relationship between occupancy and density," Transportation Forum, 3-3, pp.46-51.
Hall F. L., Wakefield S. and Al-kaisy A. (2001),"Free quality of service - what really matters to drivers and passengers?," Transportation Research Record, 1776, pp.17-23.
KICT (2015), Development of Realtime Traffic Tracking Technology Based on View Synthesis (5th year).
Kim M.-S., Eom K.-J. and Lee C.-W. (2009), "Density Measurement for Continuous Flow Segment Using Two Point Detectors," Journal of Korean Society of Intelligent Transportation Systems, vol. 8 no. 1, pp.37-44.
Koshi M., Iwasaki M. and Ohkura I. (1983), "Some findings and an overview on vehicular flow characteristics," In Proceedings of the Eighth International Symposium on Transportation and Traffic Theory, Toronto, Canada, pp.403-426.
May A. D. (1990), Traffic Flow Fundamentals, Prentice-Hall: Upper Saddle River, N. J., pp.192-226.
Newell G. F. (1992), "A simplified theory of kinematic waves in highway traffic, part I: general theory," Transportation Research, vol. 27, no. 4, pp.281-287.
Ozkurt C. and Camci F. (2009), "Automatic traffic density estimation and vehicle classification for surveillance systems using neural networks," Mathematical and Computational Applications, vol. 14, no. 3, pp.187-196.
Park B. J., Kim T. H., Yang I. C., Heo J. Y. and Son B. S. (2015), "A Method for Measuring accurate traffic density by aerial photography," Journal of Advanced Transportation, vol, 49, pp.568-580.
Park B. J., Roh C.-G. and Kim J. S. (2014), "A Case Study of Panoramic Section Image Collection Method for Measuring Density -with matched images in the Seoul Beltway Sapaesan Tunnel-," The Journal of The Korea Institute of Intelligent Transport Systems, vol. 13, no. 4, pp.20-29.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.