[논문]피에조센서의 차량 축 카운트를 활용한 교통량보정시스템

정승원; 오주삼

doi:10.5392/jkca.2021.21.01.277

초록
AI-Helper

차종별 교통량 자료는 건축·도시·교통 등의 다양한 분야에서 기초 자료로 활용되는 중요한 자료이다. 교통량 자료는 상시조사와 수시조사를 통해 수집되어 도로교통량 통계연보에 매년 연평균일교통량(AATD)으로 제공된다. 상시조사는 매설형 교통량 수집 장비 (AVC)를 통해 수집되며, AVC는 교통량을 검지하는 루프센서와 축수를 검지하는 피에조 센서로 구성되어 있다. 교통량 수집 장비는 매설형의 특성상 검지 장비 고장 등으로 인한 결측자료가 발생된다. 기존방법에서는 과거 데이터와 지점 주변의 교통량 추세를 통해 보정한다. 그러나 이러한 방법은 시간적·공간적 특성을 반영하지 못하고 보정에 활용되는 기데이터 또한 보정값일 수도 있다는 단점이 있다. 본 연구에서는 차량의 축을 검지할수 있는 피에조센서를 활용하여 획득되는 누적 축수를 통해 축보정계수를 산출하여 결측된 교통량을 보정하는 방안을 제안하였다. 이는 기존 방법의 한계점인 시간적·공간적 특성을 반영할 수 있다는 장점이 있으며, 비교 평가 결과 기존의 방법보다 오차율이 더 낮게 도출되었다. 축 카운트를 활용한 교통량보정시스템은 간단한 알고리즘으로 바로 현장 시스템에 적용 가능한 보정방법으로 판단된다.

Abstract ▼ AI-Helper

Traffic data by vehicle classification are important data used as basic data in various fields such as road and traffic design. Traffic data is collected through permanent and temporary surveys and is provided as an annual average daily traffic (AATD) in the statistical yearbook of road traffic. per...

Traffic data by vehicle classification are important data used as basic data in various fields such as road and traffic design. Traffic data is collected through permanent and temporary surveys and is provided as an annual average daily traffic (AATD) in the statistical yearbook of road traffic. permanent surveys are collected through traffic collection equipment (AVC), and the AVC consists of a loop sensor that detects traffic volume and a piezo sensor that detects the number of axes. Due to the nature of the buried type of traffic collection equipment, missing data is generated due to failure of detection equipment. In the existing method, it is corrected through historical data and the trend of traffic around the point. However, this method has a disadvantage in that it does not reflect temporal and spatial characteristics and that the existing data used for correction may also be a correction value. In this study, we proposed a method to correct the missing traffic volume by calculating the axis correction coefficient through the accumulated number of axes acquired by using a piezo sensor that can detect the axis of the vehicle. This has the advantage of being able to reflect temporal and spatial characteristics, which are the limitations of the existing methods, and as a result of comparative evaluation, the error rate was derived lower than that of the existing methods. The traffic volume correction system using axis count is judged as a correction method applicable to the field system with a simple algorithm.

주제어

AI 본문요약
AI-Helper

문제 정의

루프센서 결함이 발생하여 결측자료가 발생하더라도 3개의 센서가 모두 고장 나는 경우는 흔치 않다. 따라서 루프 센서 장애로 인한 결측자료를 피에조센서를 통해 보정하는 방안을 제안한다.
본 연구는 루프센서 장애로 인한 결측자료가 발생할 경우, 피에조 센서의 축 카운트를 통해 교통량 결측을 줄이는 방안을 제안하려 한다. 교통량 조사 장비는 2개의 루프센서와 1개의 피에조센서, 또는 1개의 루프 센서와 2개의 피에조센서를 통해 각각 교통량과 축수 등을 감지한다.
본 연구는 상시조사 교통량 검지기 3개 센서 가운데 정상적으로 작동하는 센서의 누적 자료를 활용하여 결측 자료를 보정하는 방안으로, 피에조센서의 축 카운트자료를 활용하여 결측 자료를 보정하는 축보정 시스템을 제안하였다.
본 연구는 피에조센서의 축 카운트를 통한 축 보정계수를 산출하여 결측 자료를 보정하는 방안을 제안하고자 한다. 매설형 교통량 검지 장비는 기본적으로 3개의 센서를 활용하여 교통량과 차종 등의 데이터를 수집하며, 3개의 센서가 모두 고장 나는 상황이 아니라면 본연구의 방법을 활용하여 보정이 가능하다.

제안 방법

교통량 상시조사 장비인 AVC는 매설된 2개의 루프 센서와 1개의 피에조센서로 구성된 시스템(이하 2L1P) 과, 1개의 루프 센서와 2개의 피에조센서로 구성된 시스템(이하 1L2P)이 있다. 각 시스템은 3개의 센서를 통해 교통량과 속도 데이터를 검지하고, 차종 분류를 위해 축수, 축간 거리, 앞 내민 길이, 차량 길이를 검지한다. 기본적으로 루프 센서는 교통량을 검지하고, 피에조센서는축수를 검지한다.
본 연구에서 제안한 축보정계수는 해당 요일 또는 해당 월의 교통량과 축보정 값을 활용하여 요일보정 및 월보 정계 수를 산정하여 활용하고 있다. 본 연구의 알고리즘에서 더 정확하고 유사한 보정값을 선정 또는 산출할 수 있으면 오차범위를 더 줄일 수 있을 것이다.
본 연구에서는 이러한 전후 시간, 전후공간의 자료를 기반으로 보정하는 보정 방법이 아닌, 매설형 교통량 검지기 자체에서 수집되는 피에조센서의 차량 축 데이터를 활용하여 보정하는 방법을 제안한다. 시간적, 공간적 특성을 배제하고 보정하는 기존의 방법과는 달리, 실측되는 보조 데이터를 기반으로 보정하는 방법이므로 공간적・시간적 특성이 반영된다는 점에서 기존 방법론의 단점이 보완된다.
센터 시스템은 교통량 상시조사 장비로부터 교통량자료를 수집하여 저장 및 관리하는 통합 DB 서버와, 정보를 제공하기 위한 연계 서버 및 웹서버 등의 서버 시스템, 보안을 위한 방화벽과 침입 탐지 시스템으로 구성되어 있다. 교통량조사시스템의 소프트웨어는 연계 S/W, 웹 정보제공 S/W, 상시수집 S/W 및 운영단말 S/W로 구성되어있다.
이상치(결측 교통량) 발생 시 과년도 보정계수, 또는 보정계수를 [그림 2]의 알고리즘을 통해 산출한 뒤, 피에조센서의 축카운트에 보정계수를 적용하여 축 보정교통량을 산출한다. 축 보정계수는 월 보정계수 또는 요일 보정계수를 사용하며, 과년도의 동일한 월 또는 요일의 교통량 대비 차량의 축수를 통해 보정계수를 산출하여 적용한다.
피에조센서 축 카운트 보정 방법은 루프센서의 교통량 결측값(0)이 검지 되거나, 피에조센서의 축 카운트와 차이가 과도하게 발생할 경우(설정 가능), 이상치로 판단하고 피에조센서의 축 카운트를 통해 교통량을 보정하는 알고리즘을 수행한다.

대상 데이터

상시조사를 통한 교통량 데이터는 AVC (차종별 교통량조사 장비: Automatic Vehicle Classification)를 통해 수집된다. AVC는 도로에 매설된 루프센서와 피에조센서(Piezo Seonsor)를 통해 통과 차량의 차종(12 종), 속도와 함께 교통량 데이터를 검지·수집한다.
축 보정계수를 통한 보정교통량의 시험 결과는 매설형 차종분류용 교통량 수집 장비(1L2P)의 2018년 8월 1차로 상행 교통량 자료를 기반으로 검토하였다.

이론/모형

통신 프로세스는 스케줄러에서 전달받은 스케줄에 따른 데이터를 현장장비에 요구하고, DB 저장 프로세스를 통해 NTMS DB에 저장한다. DB 저장 프로세스는 다수의 현장 장비에서 수집되는 정보를 데이터베이스화 하는 과정에서 병목현상을 방지하기 위해 장비 ID 별 그룹화를 통한 멀티스레드 방식을 사용한다.

성능/효과

AVC장비의 특징은 차로별로 설치된 3개의 센서가 모두 정상 동작할 때 차종별 교통량 자료가 정상적으로 수집된다. 만약 3개 센서 가운데 1개 이상의 센서가 비정상적일 경우 결측이 발생될 수 있다. 기존에는 교통량 결측장료 보정 방법으로 누적된 과거 자료를 활용하여 보정함으로서 시간적·공간적 특성을 반영하지 못하고 보정에 활용하는 자료가 과거에 보정된 자료일 수도 있다는 한계점이 있다.
본 연구의 축 보정 교통량은 동일한 지점, 동일한 시점의 피에조센서의 검지 자료를 토대로 보정계수를 통해 보정하는 방법으로, 기존방법의 한계점을 극복하였을 뿐 아니라 오차 또한 기존의 방법에 비해 더 유사한 결과를 보이고 있는 것으로 분석되었다.
전후일 보정교통량과 축 보정교통량을 비교해보면 평균 제곱근 오차는 전후일보정교통량 35.95, 축 보정교통량 11.10, 평균절대비율오차값은 전후일보정교통량 17.00, 축보정교통량 8.02로 본 연구에서 제안한 축 보정 계수를 활용한 보정 값이 원시교통량 값과 훨씬 더 유사한 결과를 도출하였다. 통상적으로 MAPE 10% 이내의 오차율이라면 일괄적으로 보정할 수 있는 방법을 활용한 보정값으로서는 매우 높은 수준이므로, 교통량 통계자료로서 보정값을 활용하는데 적정하다고 판단된다.
02로 본 연구에서 제안한 축 보정 계수를 활용한 보정 값이 원시교통량 값과 훨씬 더 유사한 결과를 도출하였다. 통상적으로 MAPE 10% 이내의 오차율이라면 일괄적으로 보정할 수 있는 방법을 활용한 보정값으로서는 매우 높은 수준이므로, 교통량 통계자료로서 보정값을 활용하는데 적정하다고 판단된다.

후속연구

기존에는 교통량 결측장료 보정 방법으로 누적된 과거 자료를 활용하여 보정함으로서 시간적·공간적 특성을 반영하지 못하고 보정에 활용하는 자료가 과거에 보정된 자료일 수도 있다는 한계점이 있다.
그러나 일반적으로 3개의 센서가 모두 결함을 보여서 결측되는 경우는 극히 드물다. 또한, 복잡한 통계기법이 아닌 간단한 알고리즘만 적용하면 어렵지 않게 바로 현장 시스템에 적용하여 운용할 수 있으므로 활용도가 매우 높다고 판단된다.
본 연구에서는 피에조 센서의 축카운트 자료를 토대로 결측 자료를 보정하는 시스템이므로, 만약 루프 센서와 피에조 센서 모두 결함이 발생할 경우에는 활용할 수 없다는 단점이 있다. 그러나 일반적으로 3개의 센서가 모두 결함을 보여서 결측되는 경우는 극히 드물다.
본 연구에서 제안한 축보정계수는 해당 요일 또는 해당 월의 교통량과 축보정 값을 활용하여 요일보정 및 월보 정계 수를 산정하여 활용하고 있다. 본 연구의 알고리즘에서 더 정확하고 유사한 보정값을 선정 또는 산출할 수 있으면 오차범위를 더 줄일 수 있을 것이다. 향후 보다 유사한 축보정계수를 산출하기 위해 시계열 분석, 공간회기 분석 등의 통계적 기법을 적용하여 축 보정계수산정모형을 개발하면 더 좋은 결과를 보일수 있을 것으로 판단된다.
본 연구의 알고리즘에서 더 정확하고 유사한 보정값을 선정 또는 산출할 수 있으면 오차범위를 더 줄일 수 있을 것이다. 향후 보다 유사한 축보정계수를 산출하기 위해 시계열 분석, 공간회기 분석 등의 통계적 기법을 적용하여 축 보정계수산정모형을 개발하면 더 좋은 결과를 보일수 있을 것으로 판단된다.

참고문헌 (10)

임성용, 장인혁, 이영주, 임홍우, "AVC에 사용되는 피에조 센서의 고장 모드와 고장 메커니즘을 통한 개선," 공학기술논문지, 제8권, 제2호, pp.135-140, 2015.
조성윤, 이동균, 류승기, "3-Piezo 센서 기반 교통량 조사시스템의 차종분류방식에 대한 연구," 한국인터넷방송통신학회논문지, 제13권, 제3호, pp.25-31, 2013.

원문보기 상세보기
한경호, 양승훈, "루프검지기와 피에조 센서를 이용한 차량정보 수집 시스템 설계," 조명.전기설비학회논문지, 제16권, 제6호, pp.102-108, 2002.

원문보기 상세보기
김정연, 이영인, 백승걸, 남궁성, "차량 검지자료 결측 보정처리에 관한 연구 : 이력자료 활용방안을 중심으로," 대한교통학회지, 제24권, 제7호, pp.27-40, 2006.

원문보기 상세보기
C. Chen, J. Kwon, J. Rice, A. Skabardonis, and P. Varaiya, "Detecting Errors and Imputing Missing Data for Single-Loop Surveillance Systems," Transportation Research Record, Vol.1855, No.1, pp.160-167, 2003.

상세보기
B. L. Smith, W. T. Scherer, and J. H. Conklin, "Exploring Imputation Techniques for Missing Data in Transportation Management Systems," Transportation Research Record, Vol.1836, No.1, pp.132-142, 2003.

상세보기
D. Ni, J. D. Leonard, A. Guin, and C. Feng, "Multiple Imputation Scheme for Overcoming the Missing Values and Variability Issues in ITS Data," Journal of Transportation Engineering, Vol.131, No.12, pp.931-938, 2005.

상세보기
H. Tan, G. Feng, J. Feng, W. Wang, Y. J. Zhang, and F. Li, "A tensor-based method for missing traffic data completion," Transportation Research Part C: Emerging Technologies, Vol.28, pp.15-27, 2013.

상세보기
B. Ran, H. Tan, Y. Wu, and P. J. Jin, "Tensor based missing traffic data completion with spatial-temporal correlation," Physica A: Statistical Mechanics and its Applications, Vol.446, pp.54-63, 2015.

상세보기
J. Tang, G. Zhang, Y. Wang, H. Wang, and F. Liu, "A hybrid approach to integrate fuzzy C-means based imputation method with genetic algorithm for missing traffic volume data estimation," Transportation Research Part C: Emerging Technologies, Vol.51, pp.29-40, 2015.

상세보기

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

피에조센서의 차량 축 카운트를 활용한 교통량보정시스템
Traffic Correction System Using Vehicle Axles Counts of Piezo Sensors 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (6)

표/그림 (6)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

피에조센서의 차량 축 카운트를 활용한 교통량보정시스템 Traffic Correction System Using Vehicle Axles Counts of Piezo Sensors 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (6) 모든 표/그림 보기

표/그림 (6) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (10)

이 논문을 인용한 문헌

저자의 다른 논문 :

오주삼 (34)

관련 콘텐츠

원문 보기

원문 URL 링크

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

피에조센서의 차량 축 카운트를 활용한 교통량보정시스템
Traffic Correction System Using Vehicle Axles Counts of Piezo Sensors 원문보기

초록
AI-Helper

표/그림 (6)

표/그림 (6)

AI 본문요약
AI-Helper