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
- 본 연구에서 다루는 DTG데이터는 1일∼1달 주기로 데이터를 수집 및 저장한다. 따라서 본 연구에서는 이처럼 다양한 수집시스템을 지원할 수 있도록 NiFi 기반의 전처리 시스템을 구성하였다.
- 따라서 연구의 목적은 하둡 에코시스템을 이용하여 실시간으로 축적되는 DTG 데이터를 저장 및 검색할 수 있는 시스템을 구현하고 성능검사를 통해 효율적 분석이 가능함을 확인하는 것으로, DTG 데이터를 탑재하여 분석 서비스의 가능여부를 평가하는 것을 연구의 목표로 한다.
- 수집된 원시 데이터는 DBMS에서 ATIS DW로 변환되어 하루 1회 데이터를 이전한다. 복잡한 교통문제 연구를 위한 기초적인 자료 제공을 목적으로 시스템을 구축하였으나 배치 처리 방식을 사용하고 있어 빅데이터 기술을 도입할 것을 향후 추가적인 연구 방향으로 설정하였다.
- 본 논문에서는 대용량의 교통 빅데이터를 저장하고 실시간 운행정보 분석에 적합한 수준의 검색을 위해서 하둡 에코시스템 기반의 분산 환경에서 데이터베이스 서버 시스템을 구축하였다. 구축된 데이터베이스 서버 시스템은 약 9천억건의 DTG 교통 빅데이터를 분산 저장하고 검색 시 분산처리를 수행한다.
- 결과적으로 데이터의 특징에 따라 분산 환경에서 저장할 것인지, 아니면 데이터베이스를 활용할 것인지에 대한 결정이 필요하다. 본 연구에서는 DTG데이터의 특성과 가공 처리된 데이터의 생명주기에 따라 다른 저장소에 적재하여 관리한다.
- Zeppelin[25]은 웹 기반 분석 프레임워크로 Spark을 활용한 분산 처리부터 시각화, R과 Python 기반 분석 환경, HBase등 다양한 하둡 분산 소에 대한 접근 등 분산 환경에서 데이터 분석이 가능하도록 다양한 기능들을 제공한다. 본 연구에서는 이러한 Zeppelin의 기능들을 활용할 수 있는 분석 환경을 제공하였다.
제안 방법
- HBase는 적재, 저장 및 관리, 검색적 측면에서의 최적화를 수행하였다. 먼저 대용량 DTG데이터를 빠르게 적재하기 위해 자바 어플리케이션에 대한 분산 병렬 처리를 지원하도록 구현하였다.
- HDFS의 튜닝은 크게 Thread와 Network관점에서 진행하였다. HDFS에서 외부 요청을 처리하는데 사용할 Thread 수인 데이터 노드 핸들러 카운터의 기본값은 3으로 설정되어 있으나 20으로 변경하여 실시간으로 처리할 수 있는 Thread 수를 확보하였고, 하나의 데이터 노드에서 동시에 서비스 가능한 HDFS 블록의 개수 제한을 기본값 256에서 1024로 변경하였다. TCP/IP network에서는 TCP 패킷의 overhead를 절약하고자 Nagle's algorithm이 활성화되어 있어 작은 크기의 패킷들을 모아서 전송하도록 설정되어 있는데, 본 연구에서는 OLTP 용도로 HBase를 사용하고자 하였으므로 tcp노딜레이 설정을 활성화함으로써 패킷을 모으지 않고 바로 전송하도록 하여 latency를 상승시켰다.
- HDFS의 튜닝은 크게 Thread와 Network관점에서 진행하였다. HDFS에서 외부 요청을 처리하는데 사용할 Thread 수인 데이터 노드 핸들러 카운터의 기본값은 3으로 설정되어 있으나 20으로 변경하여 실시간으로 처리할 수 있는 Thread 수를 확보하였고, 하나의 데이터 노드에서 동시에 서비스 가능한 HDFS 블록의 개수 제한을 기본값 256에서 1024로 변경하였다.
- TCP/IP network에서는 TCP 패킷의 overhead를 절약하고자 Nagle's algorithm이 활성화되어 있어 작은 크기의 패킷들을 모아서 전송하도록 설정되어 있는데, 본 연구에서는 OLTP 용도로 HBase를 사용하고자 하였으므로 tcp노딜레이 설정을 활성화함으로써 패킷을 모으지 않고 바로 전송하도록 하여 latency를 상승시켰다.
- 버튼을 클릭한 시점부터 검색결과가 표출되는 시점까지를 응답시간으로 측정한다. 검색결과는 시스템에서 출발위치와 도착위치, 전체 운행경로를 확인할 수 있는 Map data와 운행시각에 따른 차량의 속도변화 및 속도제한 상한선 그래프로 구성되어 있으며, 모든 결과가 표출되었을 때를 응답종료시점으로 보았다. 동일한 운행시간에 대해 반복해서 응답시간을 측정하고, 검색조건을 변경하여 재측정을 수행하였다.
- 본 논문에서는 대용량의 교통 빅데이터를 저장하고 실시간 운행정보 분석에 적합한 수준의 검색을 위해서 하둡 에코시스템 기반의 분산 환경에서 데이터베이스 서버 시스템을 구축하였다. 구축된 데이터베이스 서버 시스템은 약 9천억건의 DTG 교통 빅데이터를 분산 저장하고 검색 시 분산처리를 수행한다. 성능시험 결과 2시간 이내의 Trip데이터를 호출할 때 OLTP 서비스에 적합한 3초 이내의 응답시간을 제공하는 것을 확인할 수 있었다.
- 유럽연합과 일본 등 교통선진국에서는 이러한 문제를 해결하기 위하여 사업용자동차의 운행정보를 기록하고 공공기관에서 관리하도록 하였다. 기록된 운행정보를 사고분석 등에 사용하여 사고율이 감소하는 것을 확인하였으며[9] 운전자에게 정보를 공유하고 운전자가 안전운전을 위해 노력하도록 하여 사고 발생 저하 효과를 확인하였다[16,17]. 국내에서는 2009년 12월 교통안전법을 개정하여 2014년부터 모든 사업용 차량의 DTG 장착이 의무화되었다[5].
- 검색결과는 시스템에서 출발위치와 도착위치, 전체 운행경로를 확인할 수 있는 Map data와 운행시각에 따른 차량의 속도변화 및 속도제한 상한선 그래프로 구성되어 있으며, 모든 결과가 표출되었을 때를 응답종료시점으로 보았다. 동일한 운행시간에 대해 반복해서 응답시간을 측정하고, 검색조건을 변경하여 재측정을 수행하였다.
- 또한 압축된 파일은 순차적으로 데이터를 읽어서 처리해야 하기 때문에 분산 환경에서 처리가 복잡하다. 따라서 본 연구에서는 압축된 파일을 LFS와 같은 단일 저장소에 적재한다.
- 하둡 에코시스템은 교통뿐만 아니라, 다양한 분야에서의 활용을 목표로 하고 있다. 따라서 분야나 사용하는 데이터에 따라 하둡 에코 시스템을 튜닝하여 사용함으로써 성능에 대한 최적화를 진행한다. 제안된 빅데이터 시스템에서는 HDFS와 HBase의 튜닝을 통해 적재와 조회 성능에 대한 최적화를 진행하였다.
- 먼저 대용량 DTG데이터를 빠르게 적재하기 위해 자바 어플리케이션에 대한 분산 병렬 처리를 지원하도록 구현하였다. 또한 데이터에 따라 사용되는 스레드와 프로세스를 할당할 수 있도록 하여 데이터 크기에 따른 유동적 할당이 가능하도록 구성하였다. 분산 병렬환경에서 자바 어플리케이션은 스레드당 50만 라인 단위로 데이터를 처리 하도록 하였으며, 각 프로세스당 최대 2개의 스레드를 사용할 수 있도록 하였다.
- HBase는 적재, 저장 및 관리, 검색적 측면에서의 최적화를 수행하였다. 먼저 대용량 DTG데이터를 빠르게 적재하기 위해 자바 어플리케이션에 대한 분산 병렬 처리를 지원하도록 구현하였다. 또한 데이터에 따라 사용되는 스레드와 프로세스를 할당할 수 있도록 하여 데이터 크기에 따른 유동적 할당이 가능하도록 구성하였다.
- 성능시험 평가에서 응답시간에 영향을 줄 수 있는 데이터 크기를 종속변수로 설정하기 위해 운행시간을 기준으로 검색조건을 설정하였다. 버스, 택시, 화물차의 모든 상용차에서 측정할 수 있도록 운행시간은 30분, 1시간, 1시간 30분, 2시간으로 설정하였다. 데이터베이스 시스템의 초기화 시점에서 설정된 검색조건에 따라 데이터 검색 버튼을 클릭한다.
- 본 연구에서 다루는 DTG데이터는 1일∼1달 주기로 데이터를 수집 및 저장한다.
- 본 연구에서는 DTG 데이터의 전처리를 위해 과 같이 전처리 시스템을 구성하였다.
- 하둡 에코 시스템은 대표적으로 분산처리를 위한 MapReduce와 분산 저장을 위한 HDFS가 있다. 본 연구에서는 하둡 에코 시스템에서 저장을 담당하는 HDFS, HBase와 분석을 위한 Zeppelin, 데이터 흐름 관리 엔진인 NiFi, 마지막으로 분산처리를 담당하는 Spark을 활용하여 빅데이터 시스템을 구축하였다.
- 또한 데이터에 따라 사용되는 스레드와 프로세스를 할당할 수 있도록 하여 데이터 크기에 따른 유동적 할당이 가능하도록 구성하였다. 분산 병렬환경에서 자바 어플리케이션은 스레드당 50만 라인 단위로 데이터를 처리 하도록 하였으며, 각 프로세스당 최대 2개의 스레드를 사용할 수 있도록 하였다. 단, 대상 파일이 압축된 상태이기 때문에, 파일을 읽어 각 스레드의 버퍼에 저장하는 과정은 단일 스레드에서 수행해야 한다.
- 또한, 디지털 운행기록계에서 수집되는 운행기록정보는 초 단위로 축적되는 정보로 실시간 서비스를 제공할 수 있는 활용가치가 있으나 기존 시스템에서는 빠른 속도로 축적되는 데이터를 저장하는 동시에 검색하기가 어려웠다. 분산처리 기술을 활용하여 실시간으로 축적되는 데이터의 저장 및 검색 시스템을 구축할 수 있을 것으로 판단하였다.
- 먼저, RowKey 기반으로 데이터 검색조건을 선정한다. 성능시험 평가에서 응답시간에 영향을 줄 수 있는 데이터 크기를 종속변수로 설정하기 위해 운행시간을 기준으로 검색조건을 설정하였다. 버스, 택시, 화물차의 모든 상용차에서 측정할 수 있도록 운행시간은 30분, 1시간, 1시간 30분, 2시간으로 설정하였다.
- 하루 1회 버스정보시스템(Bus Information System, BIS), 첨단교통관리시스템(Advanced Traffic Management System, ATMS) 데이터를 첨단교통정보시스템(Advanced Traffic Management System, ATIS) DB에 수집한다. 수집된 원시 데이터는 DBMS에서 ATIS DW로 변환되어 하루 1회 데이터를 이전한다. 복잡한 교통문제 연구를 위한 기초적인 자료 제공을 목적으로 시스템을 구축하였으나 배치 처리 방식을 사용하고 있어 빅데이터 기술을 도입할 것을 향후 추가적인 연구 방향으로 설정하였다.
- 실제 분석 과정에서 분석자가 선택하는 노선 및 차량 종류에 따라 운행시간이 달라지기 때문에 다양한 값을 고려하였다. 실제 분석을 위한 데이터 추출 시에는 동일 노선의 데이터를 추출하여 Trip 시간이 다른 경우도 사용할 수 있으나 실험에서는 동일한 운행시간에서 동작하는 응답시간을 확인하였다.
- 시스템 사양은 <표 2>와 같으며, 클라이언트는 Windows 10을 사용하였다. 실험모델은 분석가가 다양한 데이터를 사용하는 것을 고려하여 서로 다른 운수회사의 데이터가 요청되도록 설정하고, 운행시간은 동일한 값으로 하였다. 즉, 실험 데이터는 동일한 운행시간에서 동일한 크기로 발생된다.
- 한국교통 안전공단에서는 차량의 운행기록정보를 기반으로 위험운행 행동분석을 수행하여 운전자의 위험 운전 여부 및 주기를 식별하고 운전자 교육, 운수회사 관리 및 점검에 사용한다. 위험운행 행동분석을 위해 초 단위 또는 Trip 단위로 DTG 데이터를 추출하므로, 이를 고려하여 초 단위 또는 Trip 단위의 검색이 가능하도록 RowKey를 차대번호와 trip key, 운행시각의 조합으로 구성하였다. 차대번호는 지역번호가 포함되어 hex 분산이 가능하며, trip key는 조회의 기본 단위이고 운행시각은 해당 row 데이터를 식별할 수 있는 고유식별자이다.
- 따라서 분야나 사용하는 데이터에 따라 하둡 에코 시스템을 튜닝하여 사용함으로써 성능에 대한 최적화를 진행한다. 제안된 빅데이터 시스템에서는 HDFS와 HBase의 튜닝을 통해 적재와 조회 성능에 대한 최적화를 진행하였다.
대상 데이터
- DTG 데이터는 자동차의 순간속도, 분당 엔진회전수, 브레이크 신호, GPS, 방위각, 가속도 등으로 이루어져 있으며 세부 제원은 과 같다.
- 본 논문에서는 교통 빅데이터의 효율적인 저장 및 검색이 가능한 데이터베이스 서버 시스템을 구축하기 위해 한국교통안전공단에서 수집하고 있는 전국 상업용 차량 운행자료를 수집하였다. 데이터의 공간적 범위는 DTG를 사용하고 있는 차량이 있는 전국을 대상으로 하며, 시간적 범위는 운행기록분석시스템에서 전처리가 완료된 최신데이터인 2018년 12월에서 2019년 7월까지의 데이터를 사용하였다.
- 본 논문에서는 교통 빅데이터의 효율적인 저장 및 검색이 가능한 데이터베이스 서버 시스템을 구축하기 위해 한국교통안전공단에서 수집하고 있는 전국 상업용 차량 운행자료를 수집하였다. 데이터의 공간적 범위는 DTG를 사용하고 있는 차량이 있는 전국을 대상으로 하며, 시간적 범위는 운행기록분석시스템에서 전처리가 완료된 최신데이터인 2018년 12월에서 2019년 7월까지의 데이터를 사용하였다.
- 그렇기 때문에 무의미한 컬럼이 많을 경우, HBase 내에서는 Row의 수가 많아져, 불필요하게 저장공간을 사용하거나 검색 성능을 저하시키는 원인이 된다. 본 연구에서 사용한 DTG데이터는 총 20개의 컬럼이 있지만, 조회 시 직접적으로 사용하는 컬럼만 조회 가능하도록 하여 총 2개의 컬럼만 HBase 내에 존재하도록 구성하였다.
- 본 연구에서 사용한 저장소는 크게 LFS와 HDFS, HBase가 있다. LFS는 앞서 전처리 시스템에서 설명한 것과 같이 수집시스템에서 압축된 형태로 전달된 DTG데이터를 임시적으로 관리하는 역할을 한다.
- 차량사진, 차량유형을 포함한 교통 HD 비디오 데이터, 속도, 차선번호, 이동방향등의 차량정보, 운영데이터 등 다양한 데이터를 교통 빅데이터로 분류할 수 있다. 본 연구에서는 상용차에 부착된 디지털운행기록계(Digital Tachograph)에서 취득되는 교통정보를 분석의 대상으로 하였다. 아파치의 하둡(Hadoop)은 대량의 데이터를 처리할 수 있는 프레임워크로, ‘하둡 에코시스템’이라 불리는 다양한 연계 시스템들을 이용하여 손쉬운 저장소 확장, 분산 처리를 통한 빠른 데이터 처리 속도를 보유하고 있어 빅데이터 처리에 주로 사용된다.
- 청주시 교통 빅데이터 분석 시스템[8]은 관계형 데이터베이스 시스템 기반의 배치 처리방식으로 구축되었다. 하루 1회 버스정보시스템(Bus Information System, BIS), 첨단교통관리시스템(Advanced Traffic Management System, ATMS) 데이터를 첨단교통정보시스템(Advanced Traffic Management System, ATIS) DB에 수집한다. 수집된 원시 데이터는 DBMS에서 ATIS DW로 변환되어 하루 1회 데이터를 이전한다.
이론/모형
- 교통 빅데이터 분석 시스템을 선정할 때 고려한 사항은 분석 환경과 대용량 DTG데이터에 대한 빠른 처리이다. 먼저 분석 환경은 분석 결과에 대한 시각화, 저장된 데이터의 활용, 모델 처리나 통계 처리 가능 여부, 분산 환경에서 분석 작업 수행 여부 등을 고려하여 하둡 에코시스템 중 하나인 Apache Zeppelin을 사용하였다. 본 연구에서 Spark은 분석 과정에서 직접적인 역할을 하지는 않는다.
성능/효과
- 운행시간이 길어질수록 전체 데이터의 수가 증가하기 때문에, 운행시간에 따라 응답시간이 증가하는 것을 확인할 수 있었다. OLTP서비스가 가능한 시간은 수 초 이내로, 본 성능 시험 평가에서는 3~5초 사이에 결과가 표출되면 서비스가 가능한 것으로 판단하였다.
- <표 3>과 같이, 성능 시험 평가 결과 1시간 단위의 운행데이터를 호출할 때 응답시간은 2초 이내이며, 2시간 단위의 운행데이터는 3초 이내에 호출되어 OLTP서비스를 제공할 수 있는 응답시간 이내에서 동작함을 확인할 수 있었다.
- 이는 데이터를 저장하고 검색하는 순간에도 새로운 데이터가 생성되어 전송되고 있으므로 실시간 데이터베이스 시스템인 OLTP에 중점을 두고 장애 허용량과 처리량이 높은 하둡 빅데이터 기술을 적용하여 설계되어야 하기 때문이다. 따라서 OLTP에 적합한 실시간 데이터베이스 시스템을 구축하기 위해 본 연구에서는 기존에 통상적으로 사용하던 관계형 데이터베이스 대신 비관계형 데이터베이스를 선택했으며 이는 비관계형 데이터베이스의 경우, 관계형 데이터베이스에 비해 스키마에 대한 제약이 없어 데이터처리가 유연하고 추후 데이터양 증가에 따라 확장이 용이한 장점이 있기 때문이다. 또한, 하둡 에코시스템을 이용하여 분산처리 환경을 구축했을 때 데이터베이스에 대한 대량의 동시접속이 가능하고 보관하는 데이터량이 증가하더라도 인덱싱 정책에 따라 검색 성능의 저하를 최소화할 수 있다.
- 따라서 OLTP에 적합한 실시간 데이터베이스 시스템을 구축하기 위해 본 연구에서는 기존에 통상적으로 사용하던 관계형 데이터베이스 대신 비관계형 데이터베이스를 선택했으며 이는 비관계형 데이터베이스의 경우, 관계형 데이터베이스에 비해 스키마에 대한 제약이 없어 데이터처리가 유연하고 추후 데이터양 증가에 따라 확장이 용이한 장점이 있기 때문이다. 또한, 하둡 에코시스템을 이용하여 분산처리 환경을 구축했을 때 데이터베이스에 대한 대량의 동시접속이 가능하고 보관하는 데이터량이 증가하더라도 인덱싱 정책에 따라 검색 성능의 저하를 최소화할 수 있다.
- 구축된 데이터베이스 서버 시스템은 약 9천억건의 DTG 교통 빅데이터를 분산 저장하고 검색 시 분산처리를 수행한다. 성능시험 결과 2시간 이내의 Trip데이터를 호출할 때 OLTP 서비스에 적합한 3초 이내의 응답시간을 제공하는 것을 확인할 수 있었다. 본 연구에서 구축된 시스템에서 운행정보를 OLTP에 적합한 응답시간 내에 확인할 수 있다면, 향후 교통관리 측면에서 특정 지역의 교통량 추정 및 교통수요를 실시간 단위로 분석하는 것이 가능할 것으로 판단된다.
- 성능시험에서 2시간 단위의 운행데이터 호출까지 3초 이내의 응답시간을 확인하였으나, 장시간 운행하는 화물차의 경우 7시간, 10시간, 18시간 등 매우 오랜 시간의 Trip data가 존재한다. 성능시험 결과에서 데이터의 양이 증가함에 따라 응답시간이 선형적으로 증가하는 것을 확인할 수 있었다. 데이터가 일정 크기를 초과하는 경우에도 OLTP 서비스가 가능하도록 일정 크기를 기준으로 서로 다른 최적화 방법론을 적용하여 시스템을 개선할 필요가 있다.
- 운행시간 및 시도횟수에 따른 실시간 검색의 응답시간을 다음 표와 그래프로 정리하였다. 운행시간이 길어질수록 전체 데이터의 수가 증가하기 때문에, 운행시간에 따라 응답시간이 증가하는 것을 확인할 수 있었다. OLTP서비스가 가능한 시간은 수 초 이내로, 본 성능 시험 평가에서는 3~5초 사이에 결과가 표출되면 서비스가 가능한 것으로 판단하였다.
후속연구
- 이 데이터베이스 서버 시스템을 이용하여 추후 DTG 데이터를 사용한 교통 빅데이터의 분석작업을 기존 RDBMS 대비 빠르게 수행할 수 있을 것으로 기대된다. 교통 빅데이터 분석결과는 자율주행 환경을 구축하기 위한 기반 데이터로 사용될 수 있을 것이며, 빅데이터의 효율적인 저장 및 검색 기술은 디지털 트윈 등 다른 범주의 데이터를 저장, 관리하기 위한 시스템을 구축할 때에도 사용될 수 있을 것이다.
- 검색조건은 차량으로만 검색하는 방법, 특정 차량의 특정 트립으로 검색하는 방법, 특정 차량의 특정 트립 내 특정 시간 범위로 검색하는 방법 중 선택할 수 있다. 데이터 수집 과정에서 차종 등의 별도 통계정보를 수집하여 postgresql 등의 메타DB에 기록하고 대상 차량정보만 원활하게 획득할 수 있으면 기존 RDBMS 대비 고속으로 대용량의 데이터를 검색할 수 있을 것으로 판단된다.
- 본 연구에서 구축된 시스템에서 운행정보를 OLTP에 적합한 응답시간 내에 확인할 수 있다면, 향후 교통관리 측면에서 특정 지역의 교통량 추정 및 교통수요를 실시간 단위로 분석하는 것이 가능할 것으로 판단된다. 또한 교통정보는 시공간정보를 모두 포함하는 데이터이므로, 실시간 단위 분석을 통해 향후 자율주행 지원, 스마트 도시 관리 등에 활용할 수 있는 시공간 빅데이터 플랫폼의 개발 및 최적화에도 기여할 수 있을 것으로 판단된다.
- 성능시험 결과 2시간 이내의 Trip데이터를 호출할 때 OLTP 서비스에 적합한 3초 이내의 응답시간을 제공하는 것을 확인할 수 있었다. 본 연구에서 구축된 시스템에서 운행정보를 OLTP에 적합한 응답시간 내에 확인할 수 있다면, 향후 교통관리 측면에서 특정 지역의 교통량 추정 및 교통수요를 실시간 단위로 분석하는 것이 가능할 것으로 판단된다. 또한 교통정보는 시공간정보를 모두 포함하는 데이터이므로, 실시간 단위 분석을 통해 향후 자율주행 지원, 스마트 도시 관리 등에 활용할 수 있는 시공간 빅데이터 플랫폼의 개발 및 최적화에도 기여할 수 있을 것으로 판단된다.
- 이 데이터베이스 서버 시스템을 이용하여 추후 DTG 데이터를 사용한 교통 빅데이터의 분석작업을 기존 RDBMS 대비 빠르게 수행할 수 있을 것으로 기대된다. 교통 빅데이터 분석결과는 자율주행 환경을 구축하기 위한 기반 데이터로 사용될 수 있을 것이며, 빅데이터의 효율적인 저장 및 검색 기술은 디지털 트윈 등 다른 범주의 데이터를 저장, 관리하기 위한 시스템을 구축할 때에도 사용될 수 있을 것이다.
- 축적된 DTG 데이터는 차량 유형, 운행지역, 계절, 노후화 정도 등 다양한 기준에 따라 분석될 수 있으며, 실시간으로 전송된 데이터를 저장하여 분석에 사용할 수 있다면 실시간 단위의 전국 상업용 차량의 분포 및 교통량 추정, 도로상황, 교통수요 등을 파악할 수 있다. [3,14] 이러한 데이터는 자율주행차량 운행을 위해 필요한 기초정보로 사용될 수 있으며, 스마트시티의 실시간 도로관리와 신규 교통정책 수립에 도움을 줄 수 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.