[논문]BRT 구간 딥 러닝을 활용한 버스우선 신호도입 방안에 관한 연구

임창식; 최양원

doi:10.12652/ksce.2020.40.1.0059

초록
AI-Helper

본 연구는 딥러닝 기술을 적용한 스마트교차로의 부산 해운대로 BRT 구간 버스정류장 유형을 대상으로 교통신호 프로그램인 LISA를 통해 네트워크 구축 및 알고리즘 설계 효과분석을 통해 버스정류장 유형별로 적합한 알고리즘을 제시하였다. 교차로 통과 전 정류장은 Phase insert 기법, 교차로 통과 후 정류장은 Early green 기법, 미드블럭형 정류장은 Extend green 기법이 가장 효과적인 것으로 분석되었고, 버스 및 일반차량과 보행자 현시로 구성하였기 때문에 Extend green 기법으로만 분석하였다. 교차로 통과 전 정류장은 교차로의 전체 통행시간은 57.8초, 지체시간은 33.2초, BRT 상·하행 평균 통행시간 85.3초, 지체시간 31.1초, 통과대수는 28대로 분석되었고, 교차로 통과 후 정류장은 교차로의 전체 통행시간은 58.2초, 지체시간은 31.8초 BRT 상·하행 평균 통행시간 102.2초, 지체시간 42.5초, 통과대수 26대로 분석되었다. 미드블럭형 정류장은 교차로의 전체 통행시간은 42.5초, 지체시간은 11.2초, BRT 상·하행 평균 통행시간 74.2초, 지체시간 17.0초, 통과대수 28대로 분석되었다. 분석결과를 토대로 버스우선 신호시범도입, 보행자 시거확보를 위한 계단식정지선, 속도감속을 위한 고원식횡단보도, 딥러닝 기술을 활용한 무단횡단금지 경고 벨 및 VMS 설치 등으로 BRT 구간에서의 교통사고 감소 효과가 기대되며, 이를 확대 도입할 필요가 있다.

Abstract ▼ AI-Helper

In this study, a suitable algorithm for each BRT stop type is presented through the network construction and algorithm design effect analysis through the LISA, a traffic signal program, for the BRT stop type in the BRT Design Guidelines, Ministry of Land, Transport and Maritime Affairs, 2010.6. It w...

In this study, a suitable algorithm for each BRT stop type is presented through the network construction and algorithm design effect analysis through the LISA, a traffic signal program, for the BRT stop type in the BRT Design Guidelines, Ministry of Land, Transport and Maritime Affairs, 2010.6. It was. The phase insert technique is the most effective method for the stop before passing the intersection, the early green technique for the stop after the intersection, and the extend green technique for the mid-block type stop. The extension green technique is used only because it consists of BRT vehicles, general vehicles and pedestrians. Analyzed. After passing through the intersection, the stop was analyzed as 56.4 seconds for the total crossing time and 29.8 seconds for the delay time. In the mid-block type stop, the total travel time of the intersection was 40.5 seconds, the delay time was 9.6 seconds, the average travel time of up and down BRT was 70.2 seconds, the delay time was 14.0 seconds, and the number of passages was 29.

주제어

표/그림 (19)

그림 Fig. 1. Research Flow
그림 Fig. 2. Near-Side Station
그림 Fig. 3. Far-Side Station
그림 Fig. 4. Mid-Block Station
그림 Fig. 5. YOLO & DetectNetREX Grid Compare
그림 Fig. 6. Concept of Active Priority Signal Control Method
그림 Fig. 7. BRT Before and After Cases of Accidents
그림 Fig. 8. BRT Before and After Type of Accidents
그림 Fig. 9. Whether BRT Can Help Citizen Services
그림 Fig. 10. Analysis Flow of Research
표 Table 1. Preferred Information Type
그림 Fig. 11. Vehicle Queue Length Estimation Model Configuration and Modeling Procedure
표 Table 2. Scenario Preferences
표 Table 3. Scenario Specific Settings
표 Table 4. 1-Phase Insert Operation Method
표 Table 5. 2-Phase Insert Operation Method
표 Table 8. Priority Signal Analysis Result
표 Table 6. 3-Phase Insert Operation Method
표 Table 7. 4-Phase Insert Operation Method

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 부산 해운대로 구간 BRT 정류장의 유형 중 정류장의 설치 및 기하구조 유형을 검토하고 각 정류장 유형별에 따른 적정 능동형 우선 신호 알고리즘 설계 및 분석을 통해 BRT 정류장의 유형별 적정 버스우선 신호 알고리즘을 제시하고자 한다.

제안 방법

딥러닝 기술이 적용된 스마트교차로 구간인 해운대로에 간선급행버스체계(BRT) 설계지침에서 제시한 BRT 구간 정류장 유형별 중 교통신호 프로그램인 LISA을 사용하여 버스우선신호 알고리즘 설계 및 분석을 실시하고 각 버스정류장 유형별 알고리즘 분석에 따른 효과가 가장 좋은 알고리즘을 선정한다(Fig. 10).
본 연구에서는 정류장의 유형에 따른 버스우선 신호 선행연구 검토를 통해 BRT 정류장별 우선 신호도입기법 선정 및 감응식 알고리즘을 설계한다. 그에 따른 시나리오 유형별 효과분석을 통해 시나리오 유형별 적정 알고리즘 도출하고, BRT 설치 전ㆍ후 교통사고분석 및 시민의식조사를 하며, 유형별 최적 알고리즘 분석결과를 바탕으로 향후 연구 과제를 제시하고자 한다(Fig.

대상 데이터

간선급행버스체계(BRT) 설계지침 상에서 BRT 정류장 유형별에 따라 구축한 알고리즘을 바탕으로 해운대로 구간 BRT 정류장 유형별로 적용 및 현실적인 분석을 위해 LISA에서 Random Seed 설정하고 분석 값은 시뮬레이션 분석 횟수 30번의 평균값으로 도출하였다(Table 8).

이론/모형

Kang(2014)과 같은 방법으로 시나리오별 일반차량 및 버스 주행속도, 교통량, 신호주기 및 현시자료를 동일하게 설정하고 버스 및 일반차량의 지체시간 및 통행시간을 효과척도로 정립하여 분석한다(Table 2).
본 연구는 딥러닝 기술을 적용한 스마트교차로의 부산 해운대로 BRT 구간 버스정류장 유형을 대상으로 교통신호 프로그램인 LISA 를 통해 네트워크 구축 및 알고리즘 설계 효과분석을 통해 버스정류장 유형별로 적합한 알고리즘을 제시하였다. 교차로 통과 전 정류장 은 Phase insert 기법, 교차로 통과 후 정류장은 Early green 기법, 미드블럭형 정류장은 Extend green 기법이 가장 효과적인 것으로 분석되었고, BRT 구간 내 버스 및 일반차량과 보행자 현시로 구성하였기 때문에 Extend green 기법으로만 분석하였다.

성능/효과

1초, 통과대수 28대로 분석되었다. 둘째, 교차로 통과 후 정류장은 교차로의 전체 통행시간은 58.2초, 지체시간은 31.8 초 BRT 상ㆍ하행 평균 통행시간 102.2초, 지체시간 42.5초, 통과대수 26대로 분석되었다. 셋째, 미드블럭형 정류장은 교차로의 전체 통행시간은 42.
5초, 통과대수 26대로 분석되었다. 셋째, 미드블럭형 정류장은 교차로의 전체 통행시간은 42.5초, 지체시간은 11.2초, BRT 상ㆍ하행 평균 통행시간 74.2초, 지체시간 17.0초, 통과대수 28대로 분석되었다. 넷째, 분석결과를 토대로 버스우선 신호시범도입, 보행자 시거확보를 위한 계단식정지선, 속도감속을 위한 고원식횡단보도, 딥러닝 기술을 활용한 무단횡단금지 경고 벨 및 VMS 설치 등으로 BRT 구간에서의 교통사고 감소 효과가 기대되며, 이를 확대 도입 할 필요가 있다.
첫째, 교차로 통과 전 정류장은 교차로의 전체 통행시간은 57.8초, 지체시간은 33.2초 BRT 상ㆍ하행 평균 통행시간 85.3초, 지체시간 31.1초, 통과대수 28대로 분석되었다. 둘째, 교차로 통과 후 정류장은 교차로의 전체 통행시간은 58.

후속연구

0초, 통과대수 28대로 분석되었다. 넷째, 분석결과를 토대로 버스우선 신호시범도입, 보행자 시거확보를 위한 계단식정지선, 속도감속을 위한 고원식횡단보도, 딥러닝 기술을 활용한 무단횡단금지 경고 벨 및 VMS 설치 등으로 BRT 구간에서의 교통사고 감소 효과가 기대되며, 이를 확대 도입 할 필요가 있다.
본 연구에서는 능동형 우선 신호 중 Phase insert, Early green, Extend green의 기법 등을 적용하였지만 향후 다각화된 능동형 우선 신호 알고리즘 설계 및 효과 분석이 필요하고, 부산광역시 해운대로 구간에서의 교차로 특성 및 BRT 차량의 정류장별 도착특성 등 대상지 특성에 맞는 자료의 입력 및 반영이 미흡하였으나 향후 2~3개 BRT 정류장에 대해 버스우선 신호를 시범 도입하여 현장에 맞는 맞춤형 자료입력과 분석이 필요하다. 또한, BRT 구간 내 횡단보도를 고원식횡단보도로 설치하는 방안과 스마트교차로 상에 설치된 딥러닝 기술을 횡단보도 내 보행자인식과 행동 등에 접목시키면 BRT 구간 내에서의 무단횡단 교통사고를 줄일 수 있을 것이라 기대되므로 향후 연구가 필요하다.

참고문헌 (12)

Busan Metropolitan City (2018). Final report on service quality evaluation for smart intersection traffic management system in Busan metropolitan city (in Korean).
Busan Metropolitan City (2019). Final report on service quality evaluation for smart intersection traffic management system in Busan metropolitan city (in Korean).
Cox, D. R. (1958). "The regression analysis of binary sequences whit discussion." Journal of the Royal Statistical Society. Series B (Methodological), Vol. 20, No. 2, pp. 215-242.

상세보기
Han, M. J. and Lee, Y. I. (2006). "Establishment of bus priority signal in real-time traffic signal control." Korean Society of Transportation, Vol. 24, No. 7, pp. 101-114 (in Korean).
Hong, K. S., Jung, J. H., An, K. H. and Lee, Y. I. (2011). "A study on the active transit signal control algorithm based on bus demand using UTIS." Korean Society of Transportation, Vol. 29, No. 6, pp. 107-116 (in Korean).
Jung, Y. T. (2018). "A study on traffic management system by smart intersection using deep learning technology." Korea Local Information Research & Development Institute, Vol. 113, pp. 15-18 (in Korean).
Kang, Y. S. (2014). A study on the BRT priority signal operation considering bus stop characteristics. Master's Degree, Kongju National University (in Korean).
Lee, B. G., Lee, C. K., Yoon, I. S. and Kim, Y. S. (2012). "Development of vehicle queue length estimation model using deep learning." The Journal of the Korea Institute of Intelligent Transportation System, Vol. 11, No. 2, pp. 21-28 (in Korean).

원문보기 상세보기
Lee, Y. J., Hwang, J. S., Kim, S. H. and Lee, C. K. (2018a). "Development of vehicle queue length estimation model using deep learning." The Journal of the Korea Institute of Intelligent Transportation System, Vol. 17, No. 2, pp. 39-57 (in Korean).
Lee, Y. J., Sim, M. G., Lee, S. S. and Lee, C. K. (2018b). "Development of vehicle queue length estimation model using deep learning." The Journal of the Korea Institute of Intelligent Transportation System, Vol. 17, No. 4, pp. 54-62 (in Korean).
Minister of Land, Transport and Maritime Affairs (2013). Korea Highway Capacity Manual (in Korean).
The Minister of Land, Transport and Maritime Affairs (2013). Korean highway capacity manual (in Korean).

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

BRT 구간 딥 러닝을 활용한 버스우선 신호도입 방안에 관한 연구
A Study on the Introduction of Bus Priority Signal using Deep Learning in BRT Section 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (19)

표/그림 (19)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

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

BRT 구간 딥 러닝을 활용한 버스우선 신호도입 방안에 관한 연구 A Study on the Introduction of Bus Priority Signal using Deep Learning in BRT Section 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (19) 모든 표/그림 보기

표/그림 (19) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

임창식 (9) 최양원 (19)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

BRT 구간 딥 러닝을 활용한 버스우선 신호도입 방안에 관한 연구
A Study on the Introduction of Bus Priority Signal using Deep Learning in BRT Section 원문보기

초록
AI-Helper

표/그림 (19)

표/그림 (19)

AI 본문요약
AI-Helper