서론
선행연구
1. 통행비용함수 보정
2. GPS 데이터 활용
3. 기존연구와의 차별성
방법론
1. 모델속도데이터 구축
2. 실제 속도데이터 구축
3. 유사성 평가
Case Study
1. 대상지 선정
2. 데이터 수집
3. 분석결과
결론 및 향후 과제
서론
최근 국내외 자동차제조 및 통신 ‧ IT 업계에서 자율주행차량 개발에 전력을 다하고 있어 머지않은 미래에 완전 자율주행차량을 도로 위에서 볼 수 있을 것이다. 자율주행차량은 기존 차량과는 달리 지역마다 다를 수 있는 운전자의 주행특성을 획일화함으로써 지역 간 다른 통행행태로 인한 도로 위계별 통행량 및 통행속도를 예측하는데 발생하는 어려움을 해결할 수 있다. 이는 정확한 예측으로 효과적인 교통운영을 가능하게 하여 용량증대 및 통행속도 개선과 같은 효과로 인해 긍정적으로 평가될 수 있다. 하지만, 모든 차량이 완전자율주행이 되기까지는 앞으로도 수십 년의 시간이 필요하다. 이 과도기에는 자율주행의 일정한 주행특성과 일반차량의 다변화된 주행특성을 동시에 고려해서 통행수요 예측을 해야만 한다. 기존의 일반적인 방법인 현장교통량 조사를 통한 통행수요 예측에는 분명 시간적 비용적 한계가 존재한다.
국내에서는 대표적으로 차량의 통행수요 및 속도분석을 시행하기 위해 국가 차원의 교통분석용 네트워크, 기종점 통행량(O/D matrix), 통행비용함수를 배포하고 있다. 이 중 통행비용함수는 차량의 통행특성반영을 위한 지표로 모든 차량이 통행시간을 최소화하는 경로를 선택할 수 있도록 한다. 하지만, 국내 VDF의 유형은 미국의 BPR 함수를 활용한 것으로, 각 도로 유형별로 통행비용함수 상관계수 값을 지역적 특성을 고려하지 않고 일률적으로 적용하여 도로위계는 같으나 지역에 따라 통행속도가 상이한 문제점이 있다. 예를 들어, 국도 4호선 KTnG-직지교사거리(경북 김천 부근)의 상 ‧ 하행 평균속도는 42.79km/h, 국도 28호선 유굼나들목-학전보건소앞교차로(경북 포항 부근)의 상 ‧ 하행 평균속도는 80.21km/h, 국도 3호선 상승대삼거리-건장삼거리(경기)의 상 ‧ 하행 평균속도는 55.86km/h로 같은 일반국도의 위계와 유사한 교통량(국도4호선 17,415대/일, 국도 28호선 18,507대/일, 경기 12,606대/일)을 보이지만 지역에 따라 다른 것으로 나타난다. 따라서 시뮬레이션 상에서 교통수요예측 시 분석되는 통행속도와 실제 통행속도를 비교하여 그 오차를 최소로 할 수 있는 통행비용함수 상관계수 값이 필요하다. 본 연구에서는 다양해지는 교통수단과 지역별 특성을 고려한 현실적인 통행속도 산정을 위한 초기연구로 개별차량 GPS를 기반으로 지역 내 최적의 통행비용함수 상관계수 값을 산정하는 방안을 수립하고자 한다.
선행연구
1. 통행비용함수 보정
통행비용함수는 링크 교통량과 통행시간 간의 관계 함수로 도로의 수단선택 및 경로선택, 통행비용과 교통망 비용을 결정하는 중요한 역할을 수행한다. 정확한 교통수요분석 및 교통망효과평가를 위해 합리적이고 최적화된 도로통행비용 설정이 필요하다(Jeon et al., 2009; Hong, 2017). 통행비용 계산을 위한 식은 Equation 1과 같다.
여기서, : 링크 통행시간(일반화 비용, 분)
: 링크 자유통행시간(링크길이/자유속도)
: 링크 교통량
: 링크 용량
: 파라미터
기존 통행비용함수 보정관련 연구는 최적의 파라미터 값을 도출하기 위해 Genetic algorithm이 주로 활용되었다(Choi, 2016). Cetin et al.(2012)은 현장에서 조사된 교통량과 모델에서 분석된 통행량을 기준으로 통행시간을 기준으로 파라미터 보정을 시행하였다. 분석결과 경로 선택 및 분배과정에서 미흡한 결과가 도출되었으며, Foytik et al.(2013)은 수요를 세분화하여 배정된 통행량의 오차를 최소화하였다. Choi et al.(2015)은 연속류에서 교통량을 기반으로 파라미터를 보정하였다. Choi et al.(2006)은 KTDB에서 배포한 도로위계별 파라미터를 기반으로 전국 지역 간의 값을 추정하여 할당교통량과 관측교통량 간의 오차율이 개선되었다.
Genetic algorithm을 사용하지 않은 연구로는 Nobel and Yagi(2017)가 BPR 함수를 지역에 따라 서로 다른 파라미터를 적용하여 통행 배정한 것과 교통량조사의 결과로부터 delay의 차이점을 분석하였다. Leong(2016)은 파라미터 보정을 하였다. 분석결과, 원래 BPR 함수의 파라미터(α: 0.15, β: 4.0)는 교통량변화에 민감하지 않으나 보정된 파라미터(α: 0.8298, β: 3.361)는 다양한 교통량 변화에 따라 현실과 유사한 교통량 배정이 가능하였으며, 특히 낮은위계의 도로에서 용량이 600pcu/h를 초과 시 교통량 변화에 특히 민감한 것으로 분석되었다. Kim et al.(2008)은 고속도로에서의 구간별 V/C를 산출하여 관측통행시간과 관측교통량을 근거로 BPR 파라미터 회귀분석으로 추정하였고, V/C의 통행시간 변화율 지방부 고속도로보다 도시부 고속도로가 높다는 결과를 도출하였다. Lee et al.(2008)은 통행비용함수에 다른 식(BPR식, Akcelik 지체함수식)을 적용하여 통행배정을 실시한 결과, 장래 수요패턴과 편익이 상이하게 발생하였다. 이는 일률적으로 BPR식을 적용하는 것이 아닌 분석 지역에 따라 검토한 후 정산해야 신뢰성을 가진 통행비용함수를 이용할 수 있다고 판단하였다. Heo and Son(2009)은 신호등 설치밀도와 g/C가 고려된 도로의 등급으로 재정립하였고 실제 조사된 교통량과 속도 자료를 회귀분석으로 통행비용함수를 추정하였다.
일률적인 통행비용함수를 적용하는 것은 많은 연구사례에서 볼 수 있듯이 필요한 사항이다. 하지만 대부분의 연구가 교통량 및 통행시간 활용 및 특정 알고리즘에 편중되어있는 성향으로, 보다 다양한 접근 방법을 통해 현실과 유사한 통행비용함수 파라미터 보정연구가 필요하다.
2. GPS 데이터 활용
GPS 데이터는 세 개 이상의 GPS위성에서 송신된 신호를 활용하여 시간에 따른 정확한 위치측정이 가능하다. 또한, One-way 방식으로 기상조건, 간섭 및 방해에 강하여 시간과 날씨의 상관없이 신뢰성 높은 위치정보 획득이 가능하다.
시간에 따라 정확한 위치측정이 가능한 GPS데이터의 장점으로 인해, 교통분야에서 GPS데이터는 이동거리, 속도, 시간과 같은 다양한 정보 획득을 목적으로 활용되었다. Quiroga and Bullock(1998)은 GPS와 GIS 기술을 활용하여 이동시간 연구를 진행하였다. 데이터수집 절차로 GPS 수신기를 이용하여 정기적인 sampling 기간에 시간과 좌표 및 속도를 수집하였고 GPS data를 필터링하여 고속도로 구간을 따라 이동시간과 속도를 계산을 시행하였다. Choi et al.(2006)은 구간정보 추정의 정확도를 높이기 위해서 실제 도로 링크를 주행하는 GPS Probe 샘플을 활용하였고 이는 우수한 정보 신뢰도를 가진 구간검지체계로, 도시부 신호교차로의 방안으로 제시하였다. Yoo(2014)는 결손 된 링크로 인하여 부정확한 이동 거리 간 이동 추정시간이 문제였으나, 손실링크를 위성정보와 결합하므로써 제한된 GPS 데이터를 복원시킨 후 통행속도산출 알고리즘을 개발하였다. Lee et al.(2016)은 교통혼잡상황 판단을 위해 서울시 택시들의 GPS 데이터를 가공 및 활용하였다. 링크매칭과 진 ‧ 출입시간을 바탕으로 데이터를 가공하였고 이로부터, 구간통행속도를 산출하였다. Hwang et al.(2019)은 2초단위의 택시 GPS 데이터를 활용하여 통행속도의 정확도를 향상을 목적으로 결측링크 복원 및 링크 진 ‧ 출입시각 산정을 위한 맵매칭 기법을 고안하였다.
3. 기존연구와의 차별성
기존 통행비용함수에 관한 연구는 할당된 교통량과 실제 교통량의 관계로 통행비용함수의 최적 파라미터를 도출하였다. 실제 교통량을 수집하려면 큰 비용과 시간이 필요하고 수집된 데이터를 가공하는데 더 많은 노력이 필요하다. 이로 인하여 국내에서는 KTDB가 제공하는 파라미터를 사용하는데 이는 지역의 특성, 도로의 특성을 담지 못하는 바 교통수요분석을 하는데 큰 어려움이 따른다.
본 연구는 기술의 발전으로 더 적은 비용을 많은 전자 기기에서 수집할 수 있는 GPS 데이터를 활용하여 통행비용함수의 파라메터값을 최적화하는 방안을 논의한다. GPS데이터는 위성에 의해 전원이 공급되므로 GPS 수신기의 전원만 갖추어져 있으면 언제나 접근할 수 있고, 많은 최신 GPS 시스템들이 자체적으로 보정하는 기능을 가지고 있어 누구나 쉽게 사용할 수 있는 장점이 있다. 하지만 가장 큰 단점으로 대형구조물에 영향을 받아 정확한 위치수집이 어려울 경우가 많다. 또한 다른 무선 위성 수신의 간섭이 있을 수 있어서 이에 따른 보정이 필요하다. 본 연구는 이를 위하여 교통 네트워크상의 링크에 가장 근접하도록 위치 정보를 보정하였고, 이를 바탕으로 시뮬레이션상의 통행시간과 GPS의 통행시간의 차를 최소화하는 방향으로 최적화를 시행하였다.
방법론
본 연구는 서로 다른 지역특성을 고려한 현실적인 통행속도 예측을 위해, 통행비용함수 파라미터 값을 최적화하기 위한 기초연구이다. 이를 위해 Figure 1과 같이 GPS데이터와 교통수요분석 시뮬레이션을 활용하여 실제통행속도와 분석된 통행속도의 속도 유사성을 비교하고자 한다.
통행속도 분석을 위해 국가교통데이터베이스(KTDB)에서 제공하는 수요분석 네트워크, 기종점 통행량(O/D), 도로위계별 통행비용함수를 수집하였다. 다음으로 수집된 데이터는 PTV사의 Macro simulation인 VISUM을 활용하여 통행속도 분석데이터를 산정하였다.
실제통행속도 분석을 위해서는 실제 도로주행 시 스마트폰 내 GPS 기록장치를 활용해 차량위치정보를 획득하고, 이를 수요분석도구(VISUM)에 할당하므로써, 링크 별 통행속도 추정을 시행하였다.
실제속도와 모델속도의 유사성평가를 위해 RMSE(Root Mean Square Error)방식을 채택하였다.
1. 모델속도데이터 구축
모델속도 데이터 구축을 위해 국가교통데이터베이스(KTDB)에서 제공하는 전국단위의 네트워크, 기 ‧ 종점 통행량 그리고 통행비용함수 상관계수 자료를 수집하였다. 분석 네트워크는 도로선형을 보다 자세하게 반영하기 위해서 전국단위 네트워크에 대전 ‧ 충청권 부분을 GIS자료 기반 네트워크로 보완하여 Figure 2와 같은 분석 네트워크를 구축하였다. 기 ‧ 종점통행량(O/D)은 1일 평균교통량자료로 배포하고 있다. 하지만 본 연구의 분석시간은 첨두 1시간으로 통행량 보정이 필요하였다. 첨두 1시간 교통량을 산정하기 위해 본 연구에서는 2014년 국토교통부 주관 ｢국가교통DB 사후평가보고서｣에 제시된 1일 통행량 중 첨두 1시간 교통량 집중률인 7%를 적용하였다. 이후 시뮬레이션 도구(VISUM)에 산정된 첨두 1시간의 O/D를 적용하여, 전국단위의 첨두 1시간 통행배정이 가능하도록 하였다.
마지막으로, 도로위계별 현실적인 통행배정이 가능하도록 하는 통행비용함수의 파라미터는 KTDB 기준에 맞추어 Table 1과 같이 적용하였다.
Table 1.
VDF funtcion parameters form KTDB
2. 실제 속도데이터 구축
실제 속도데이터 구축을 위해서는 크게 두 단계로 나뉜다. 첫 번째는 실제 주행 GPS 데이터수집 단계, 두 번째는 수집된 GPS 데이터를 시뮬레이션 내 구축된 노드 및 링크에 GPS 정보를 할당하는 단계이다. 실제주행 GPS데이터 수집을 위해서 본 연구에서는 probe차량으로부터 평일 오전첨두 및 비첨두시 1초 단위의 GPS정보를 수집하였다.
GPS 정보할당단계에서는 수집한 GPS데이터가 앞서 구축한 시뮬레이션 내 정확한 좌표위치에 할당이 되도록 한다. 이에 본 연구에서는 서로 다른 좌표계를 Python을 활용하여 일치시켰다(국내 표준노드링크: KATEC 좌표계, 수집된 GPS 데이터: WGS84 좌표계).
초단위로 기록된 GPS 데이터는 GPS 위치정보 오차를 고려하여 단속류의 경우 50m반경(표준편차 40m), 연속류의 경우 700m반경(표준편차 40m)에 위치한 노드를 탐색하여 인접 노드에 GPS 시간정보를 입력한다. 이후 통행속도는 인접한 두 노드의 시간 및 거리정보를 통해 산출된다. 실제주행된 GPS정보가 Node에 할당되므로, 연속류와 같이 두 노드간 거리가 먼 경우에는 노드 탐색반경을 넓혀 더 많은 범위에서 인접 노드 탐색이 가능하도록 조절이 필요하다.
3. 유사성 평가
유사성 평가를 위해서 최근 딥러닝 분야에서 구축된 모델의 예측성능 판단을 위해서 사용되고 있는 RMSE(Root Mean Square Error) 측도를 활용할 것이다. Equation 2는 예측한 값과 실제환경에서 관찰되는 값의 차이를 다루는 정밀도를 표현하는데 적합하므로, 본 연구의 목적을 평가하기 알맞은 지표로 사용하였다.
여기서, : 데이터 수
: 실제값
: 예측값
Case Study
1. 대상지 선정
통행특성에 따른 실제주행속도와 분석된 통행속도의 차이를 확인하기 위하여 Figure 3과 같이 단속류 및 연속류로 구분하여 대상지를 선정하였다.
단속류 분석지점 선정기준으로는 신호교차로 및 단일로가 존재하며, 교통량이 주기적으로 많은 구간을 선정하였다. 선정 결과, 국도 1호선(천안대로) 내 수헐교차로에서 공주대학교 삼거리까지로 총 4.43km로 제한속도 60km/h의(현재는 50km/h로 변경) 구간이다. 분석구간 내에는 5개의 신호교차로와 6개의 보행자를 위한 단일 신호등이 있다.
연속류 분석지점 선정기준으로는 교통량이 많으며, 평일에 지체가 심하게 발생하지 않는 곳으로 우리나라를 대표하는 경부고속도로의 천안 IC부터 신탄진 IC까지 총 58.33km구간을 선정하였다.
2. 데이터 수집
본 연구는 특정시간 GPS 데이터를 참값으로 가정하고 시뮬레이션 상의 통행시간과의 차이(error)를 줄여나가는 방향으로 연구를 진행하였기 때문에 GPS 데이터 한 세트를 기준으로 시뮬레이션 결과가 수렴할 때까지 수행하는 방법으로 최적화를 진행하였다.
3. 분석결과
통행속도 비교분석을 위해 총 3가지 속도를 비교하였다. 사용된 통행속도는 국가교통데이터베이스에서 제공하는 네트워크, O/D, 통행비용함수 파라미터를 기반으로 한 시뮬레이션에서 산출되는 통행속도, 실제 주행으로 획득한 GPS데이터를 기반으로 한 통행속도 그리고 링크의 할당된 자유 통행속도이다.
단속류 구간 비교분석 결과, 자유속도와 시뮬레이션에서 분석되는 통행속도의 패턴은 유사하게 나타났다(Figure 4참조). 하지만, 기종점 통행량 자료를 첨두시간을 사용하여 평소보다 가중된 통행량으로 통행속도가 전체적으로 저하되어 모델 유사성 지표가 높게(RMSE=45.40) 분석되었다.
GPS데이터 기반 분석결과의 경우 다른 속도지표와는 전혀 연관성이 없는 새로운 패턴을 보이는 것으로 분석되었다. 단속류의 특성 상 교통신호의 영향 및 국도와 연결되는 지방도로부터의 차량진입 등 교통흐름을 방해하는 다양한 요인들로 인해 모델 유사성이 높게(RMSE=38.38) 분석되었다. 이때 단순히 RMSE 숫자만을 가지고 비교하면 자유속도와 시뮬레이션의 결과가 더 상이한 것으로 보이지만, RMSE는 패턴보다는 숫자 간의 오차만을 비교하기 때문에 GPS결과의 RMSE가 낮게 분석된 것으로 판단된다.
Table 2는 각 통행구간에 대하여 GPS와 시뮬레이션에서 추출한 통행시간과 통행속도를 비교한 결과를 보여주고 있다. 구간4-2에서 통행시간의 차이가 85초로 가장 큰 것으로 분석되었으며 이에 영향을 받아 하류부인 구간5-1에서도 78초의 큰 차이를 보인다. 예상되는 주요 요인으로는 신호연동이 되어있지 않아 신호대기를 해야 하는 이유로 판단된다.
Table 2.
Difference between GPS and Simulation in travel speed and time (interrupted flow) (unit: km, km/h, s)
연속류 구간 분석결과, Figure 5와 같이 자유속도와 시뮬레이션에서 분석되는 통행속도의 패턴은 단속류의 경우와 달리 단순히 패턴만 비슷한 것이 아니라 실제 속도값도 유사한 것으로 분석되어 RMSE 값이 9.45로 유사한 수준으로 분석되었다. 또한, GPS기반의 통행속도도 일부구간을 제외하면 다른 속도지표와 매우 유사한 패턴을 갖는 것으로 분석되었으며 이에 따라 모델 유사성은 9.67로 통행배정속도와 비교한 경우보다 약소하게 증가한 것으로 분석되었다.
Table 3은 연속류에서 각 통행구간에 대하여 GPS와 시뮬레이션에서 추출한 통행시간과 통행속도를 비교한 결과를 보여주고 있다. 구간5에서는 주행데이터(108.86 km/h) 수집 시 해당 구간을 기준 속도(99.33 km/h)보다 높게 주행을 한 것으로 판단된다(Table 3 참조). 모든 구간 시뮬레이션의 통행시간과 실제주행으로 획득한 통행시간의 차이가 12km/h 미만으로 분석되었고 각 구간별 차이(Variation)가 크지 않은 것으로 나타났다.
결론 및 향후 과제
본 연구에서는 실제 주행으로부터 획득한 GPS 데이터를 기반으로 VDF 상관계수 보정 가능성 검증을 목적으로 하였다. 해당 연구로부터 도출되는 시사점은 크게 두 가지가 있다. 첫째, 통행시간 차이를 최소화하는 VDF를 찾아, 지역 특성을 고려한 시뮬레이션 분석결과를 도출하는 것이 가능하다. 둘째, 연속류의 경우 통행흐름 방해요소가 적어 모델과 유사한 통행속도 패턴을 보이지만, 단속류의 경우 통행에 방해되는 요소(신호 대기, 반복 정체구간 등)으로 통행속도 패턴이 다른 것으로 분석된다. 도심부에서 신호교차로 고려에 대한 중요성을 확인하는 계기로 Macroscopic이 아닌 Mesoscopic 혹은 Microscopic한 분석을 통하여 도심 내 신호교차로가 통행에 주는 영향을 고려해야 할 필요가 있다.
본 연구는 수요예측 추정단계의 마지막 단계인 통행배정 시 현실의 차량흐름을 최대한 반영하기 위하여 GPS를 사용하여 구간별 통행시간 및 속도를 정확히 수집해냈고 이를 바탕으로 모형 내 교통량, 교통용량, 통행속도 및 통행시간 간의 가중치를 계산하는 방법론을 제시하였다.
각기 다른 차량에 설치된 GPS를 사용하게 되면 수단별, 시간대별, 지역별, 구간별로 세분된 VDF 변수 정산을 할 수 있다. 이는 현재 전체론적인(Holistic) 거시적 교통 시뮬레이션의 분석론을 넘어 매우 미시적이고 세세한 교통류 흐름을 파악할 수 있고 개별행태를 포함할 수 있는 등 장점이 매우 많다.
스마트 모빌리티 서비스 지원을 위한 모빌리티의 운영정보 수집 및 분석시스템을 통하여 개인특성 데이터 DB를 구축하여 개인 이동패턴 및 통행행태를 파악하는 활동기반(Activity based) 모형을 개발하는 데도 GPS와 같은 최신기기는 수요예측 추정단계에서 매우 유용하게 활용될 수 있는 수단임을 본 연구에서 증명하였다. 새로운 가구통행실태조사는 마이크로 모빌리티 같은 신교통수단과 더 다양화된 통행목적을 포함하게 될 것으로 기대되는 현시점에서 최첨단 기기를 활용한 정확한 데이터의 수집 및 가공은 활동기반모형을 개발하고 이에 따른 서비스를 제공하는데 핵심적인 역할을 할 것이다.
기존 연구(지점 검지기 데이터 활용)와 다르게 개인교통수단의 경로 파악이 가능한 GPS 데이터를 활용하여 각 시뮬레이션에서 유사한 통행속도로 분석되게 하는 것에 의의가 있다. 앞으로는 GPS 기반 통행속도 및 모델로부터 획득한 통행속도 차이 최소화를 위한 상관계수 최적화 및 획득이 필요하다.
