서론

교통량은 주말 및 첨두시 O/D 구축, 차량주행거리 산정, 혼잡도로개선 대책 등에 활용되는 중요한 기초자료이다. 그러나 국내 교통량의 링크 커버리지^*1)는 미국, 일본, 영국 등에 비해 현저히 적은 상황이며, 이마저도 지역간 도로인 고속도로 및 일반국도에 집중되고 있어 도시부 도로의 교통량 링크커버리지는 현저히 낮은 수준이다. 따라서 현재 수집중인 교통량으로는 교통정책 및 분석에 제약이 따를 수 밖에 없는 상황이다. 이의 해결방안으로 도시부 도로의 교통량 조사 지점수를 늘려 교통량 링크커버리지를 높이는 것이 가장 좋은 방안이 될 수 있다. 그러나 지자체 예산 기반^**2)으로 이루어지는 도시부 도로의 교통량 조사는 예산제약 문제로 교통량 링크 커버리지를 지금보다 현저히 높이는 것은 현실적으로 한계가 따른다. 따라서 본 연구에서는 교통량 조사에 대한 새로운 대안으로서, 현재 수집되는 교통데이터를 활용하여 교통량 결측링크의 교통량 추정방법에 대한 연구를 제안하고자 한다. 앞서, 언급한 바와 같이 국외의 경우 교통량 링크 커버리지가 높기 때문에 교통량 추정과 관련된 연구는 많이 수행되지 않았으나, 지금까지 제시된 연구를 살펴보면 회귀모형을 적용한 방법과 공간통계기법을 적용한 연구가 가장 대표적이다. 공간적 범위 및 세부 방법론에 따라 차이는 있지만 기존 문헌고찰 결과, 공간적 통계기법을 적용한 교통량 추정방법의 정확도가 높은 것으로 나타났다. 공간적 통계기법은 공간적 변동과 오차를 통계적으로 모델링한 분석방법^***3)으로서 대표적인 방법으로는 크리깅(Kriging)이다. 공간통계기법을 활용한 대표적인 교통량 추정연구로는 Selby and Kockelman (2011)와 Wang and Kockel man(2009), Eom et al.(2006) 등이 있으며 이들 모두 공간통계기법 중 크리깅을 적용하였다. 여기서 설명변수로는 연평균 일 교통량(AADT)과 속도, 차로수 등을 활용하였다. 또한, 기존의 교통량 추정연구는 공공부문에서 수집한 교통량을 활용하여 교통량 결측링크의 교통량 추정 연구가 대부분이다. 그러나 이는 위에서 언급한 바와 같이 수집 링크커버리지가 매우 적어 교통량 결측링크의 교통량 추정시 활용에 매우 제한적이다. 따라서 수집 커버리지가 넓은 새로운 교통데이터의 활용이 요구되고 있다. 이에 본 연구에서는 비교적 교통데이터의 수집이 잘 이루어지고 있는 7대 특․광역시 중 교통량 링크 커버리지가 적은 서울특별시의 도시고속도로와 도시부 도로를 대상으로 교통량 결측링크의 교통량을 추정하고자 한다. 이때 교통량 추정방법은 추정 정확성이 높은 공간적 통계기법을 적용하였고, 이용 데이터는 공공부문의 교통량, 속도 뿐만 아니라, 대부분 도로링크에서 수집되는 민간부문의 내비게이션 DB를 활용하였다. 내비게이션 DB는 내비게이션 장착차량이 도로주행시 GPS를 통해 해당 경로 및 속도 정보를 송출한 자료로서, 내비게이션 장착차량이 주행한 모든 링크의 데이터를 구축할 수 있는 장점을 가지고 있다. 단, 내비게이션 DB도 데이터 수집과정에서 통신 장애 등의 오류로 인해 수집되지 않는 링크가 발생할 뿐만 아니라 대부분 승용차로만 구성되어 있다. 이에 본 연구에서는 이러한 점을 고려하여 내비게이션 DB를 보정하였다. 이후, 교통량 추정 대상인 교통량 결측 링크를 설정하고, 공간통계기법을 활용하여 서울특별시의 교통량 결측링크의 교통량 추정모형을 구축하였다. 이때 서울시 도시 고속도로와 도시부 도로는 교통류 특성 및 교통량 링크 커버리지가 상이하므로, 본 연구에서는 교통량 추정모형을 각각 구축하여 교통량을 추정하였다. 추정모형으로 도시고속도로는 회귀분석을 포함한 구간별 상수함수(piecewise constant function), 도시부 도로는 공간통계기법 중 회귀크리깅(Regression Kriging)을 적용하였다. 마지막으로 추정한 교통량 결측링크의 교통량은 MAPE, RMSE를 활용하여 추정모형의 검증(Model error), 추정 교통량의 검증(Prediction error)을 진행하였다. 본 연구에서 추정한 도시부 도로의 교통량은 차량주행거리(VKT ; Vehicle kilometer traveled) 및 온실가스 배출량 산정 등 다양하게 활용될 수 있을 것으로 판단된다.

Figure 1.

Flow of research

대상지역 및 이용 데이터

국내 도시부 도로의 교통량 링크 커버리지는 매우 낮은 수준이며, 그나마 교통량의 수집 및 관리가 비교적 잘 이루지고 있는 7대 특․광역시의 교통량 링크 커버리지는 Table 1과 같다. 이중 교통량 추정을 위한 분석 대상지역으로 통행량은 많으나 교통량 링크 커버리지가 2.89%로 가장 낮은 서울시를 선정하였다. 분석 대상도시인 서울시 도로는 간선도로 미만의 도로를 제외하고 Figure 2와 같이 총 173개 교통축이 존재하며, 이중 도시고속도로가 7개, 주간선도로가 25개, 보조간선도로가 141개이다(2014년 서울시 도로통계).

Table 1. Collected traffic volume in seven metropolitan cities (based on ITS standard node links)    (unit: number, %)

Figure 2.

Traffic axes by road function in Seoul

서울시 도시부 도로의 교통량 추정을 위한 이용 데이터는 분석 네트워크와 Table 2와 같이 교통량, 속도, 내비게이션 DB, 그리고 차로수, 중앙분리대 유무 등과 같은 링크별 네트워크 속성데이터이다. 분석 네트워크로는 ITS표준노드링크^****4)를 활용하였다. 단, ITS표준노드링크 검토결과 네트워크 속성정보가 일부 결측된 링크가 존재하는 것으로 나타나 분석의 편리를 위해 동일 도로등급에서 인접 링크의 속성정보를 활용하여 보정하였다.

교통량, 속도는 공공부문에서 수집하는 교통데이터와 민간부문의 내비게이션 DB를 이용하였다. 먼저 공공부문의 교통데이터로는 Table 2와 같이 서울시 교통정보센터(TOPIS)에서 5분 간격으로 수집하는 도시고속도로 교통량, 속도와 도시부 도로 121개 지점의 교통량, 그리고 KTDB O/D구축시 활용하는 코든 및 스크린라인^*****5)의 일년에 하루 수집하는 교통량이 있다. 또한 서울시에 등록된 택시 GPS를 통해 5분 간격으로 속도를 수집하고 있다. 서울시의 수집 교통데이터 중 도시부 도로 121개 지점 교통량을 제외한 데이터 모두 국토교통부 국가교통정보센터로 모두 연계 및 제공되고 있다. 민간부문 교통데이터는 내비게이션 장착 차량의 도로링크 진입시 1분 간격으로 수집된 링크별 주행속도와 발생빈도이다. 여기서, 링크별 내비게이션 발생빈도는 차량별 진입링크별 진입시간을 이용하여 산정하고, 링크별 속도는 차량별 속도를 평균 주행속도로 재산정하여 활용하였다. 수집 데이터를 활용하여 서울시의 교통량과 속도, 내비게이션 DB의 링크 커버리지를 Table 3 및 Figure 3과 같이 분석하였다. 먼저 교통량은 대부분의 도시고속도로 링크에서 수집되는 반면, 도시부 도로(간선도로, 기타도로)에서는 1.93%, 0.56%로 링크 커버리지가 매우 낮은 것으로 나타났다. 그러나 속도의 링크 커버리지는 평균 91.03%로 서울시 대부분의 링크에서 속도가 수집되는 것을 알 수 있다. 또한 내비게이션 발생빈도의 링크 커버리지는 도시고속도로 82.42%, 간선도로 93.15%, 기타 도로 61.50%로 교통량에 비해 매우 높은 것으로 나타났다.

Table 2. Currently traffic data collected in Seoul

Table 3. Collected rate of traffic data by links in Seoul

*The number of total links in Seoul are 22,063(546 Urban highways, 8,822 main and minar arterial roads, and 12,695 other roads).

Figure 3.

Collected links of traffic volumes and speed in public and private section in Seoul

내비게이션 DB는 해당 내비게이션을 장착한 차량의 데이터로서, 전수 데이터(all data)가 아닌 샘플 데이터(sample data)이다. 따라서 내비게이션 DB를 활용하여 교통량을 추정하기 위해서는 모집단인 수집 교통량, 속도와 내비게이션 장착차량의 링크별 발생빈도와 속도간 비교 및 검증은 필수적이다. 이에 본 연구에서는 서울시에서 수집하는 링크별 교통량, 속도와 동일 링크에서 수집되는 링크별 내비게이션 발생빈도, 평균 속도간 상관성을 비교하였다. 이때 도로유형 즉 도시고속도로, 도시부 도로, 전체(도시고속도로+도시부도로)를 고려하여 비교하였다. 분석결과, Table 4, Figure 4와 같이 링크별 수집 교통량과 내비게이션 장착차량의 발생빈도간 상관성이 매우 높은 것으로 나타났다. 특히, 도시부 도로에서 상관성이 더욱 강한 것으로 분석되었다. 속도도 발생빈도 보다는 0.809로 작으나 수집 속도와 내비게이션 평균 속도간 상관계수가 0.671로 상관성이 높은 것으로 나타났다. 따라서 교통량 결측링크의 교통량 추정변수로서 실제 수집 교통량, 속도와 상관성이 높은 내비게이션 발생빈도와 속도의 활용은 적절한 것으로 판단된다. 더 나아가 Table 3에서 제시한 것과 같이 내비게이션 DB의 링크 커버리지가 상대적으로 우월하므로 이를 활용한 교통량 추정은 더욱 적절하다고 판단된다.

Table 4. Result of correlation analysis with navigation DB and collected traffic data

Figure 4.

Results of correlation analysis between navigation and collected traffic data in each link

내비게이션 DB 보정

본 연구에서는 교통량 결측링크의 교통량을 추정하기 위해, 수집 교통량에 비해 높은 링크 커버리지를 가진 내비게이션 DB를 설명변수로 이용하고자 한다. 이를 위해서는 교통량 수집링크 뿐만 아니라 결측링크에도 내비게이션 DB가 존재해야 한다. 그러나 앞서 언급한 바와 같이 내비게이션 DB도 통신 장애 등과의 문제로 데이터가 수집되지 않는 경우가 발생한다. 또한 이용 내비게이션 DB는 모두 승용차로만 구성되어 있으므로 전 차종으로의 보정이 필요하다. 따라서 본 연구에서는 내비게이션 DB가 부재한 링크와 차종비율을 보정하여 교통량 추정에 이용하였다.

1. 내비게이션 DB 결측링크 보정

Figure 5와 같이 공간적으로 가까운 링크들은 유사한 내비게이션 발생빈도, 속도 값을 갖는다. 교통량, 속도는 그 특성상 도로(roadway)를 따라서 나타나므로 공간적으로 가까운 주변 교통량 및 속도와 유사한 것으로 판단된다. 이러한 경향은 유사한 교통특성을 갖는 동일 도로등급 및 동일 교통축에서 더욱 강하게 나타날 것으로 판단된다. 이러한 가정을 바탕으로 본 연구에서는 내비게이션 DB의 결측링크를 보정하기 위해 동일 도로등급 도로에서 가장 가까운 링크의 내비게이션 DB와의 공간적 상관성을 이용하였다. 여기서 가장 가까운 링크란 결측링크로부터 동일 도로등급 내 여러 링크들 가운데 링크 교통량, 속도가 수집되는 최단거리 링크를 의미한다. 보정한 결측링크 수는 내비게이션 발생빈도 40%(도시고속도로 17%, 간선도로 13%), 속도 25%이다. 이를 바탕으로 서울시의 내비게이션 발생빈도와 속도의 보정결과는 Figure 6과 같다(보정 전 발생빈도, 속도는 Figure 3의 오른쪽 Figure 참조).

Figure 5.

Frequency occurrence and speed in each traffic axes

Figure 6.

Revision of links with unobserved Navi. DB

2. 승용차 비율 보정

본 연구에서 이용한 내비게이션 DB의 차종은 승용차만으로 구성되어 있으나, 수집 교통량은 승용차 뿐만 아니라 버스, 화물차 등 다양한 차종으로 구성되어 있다. 따라서 교통량 추정시 내비게이션 DB를 설명변수로 활용하기 위해서는 차종비율에 대한 보정이 필요하다. 이에 본 연구에서는 수집된 내비게이션 DB에 조사 차종비율을 적용하여 차종비율을 보정하였다. 즉 인접 교통량 조사지점의 차종 비율을 적용하여 내비게이션 발생빈도를 승용차 빈도와 타 차종 빈도로 보정하였다. ‘15년 기준 서울시의 차종 조사지점은 Table 5와 같이 총 143개 지점으로, KTDB의 67개 코든 및 스크린라인 교통량 조사지점과 국립환경과학원의 도로이동오염원 배출량 산정을 위해 조사한 서울시 도시부 도로의 121개 교통량 조사 지점 중 76개 지점이 있다. 서울시의 차종조사지점의 차종비율은 Table 5와 같이 평균 승용차 비율 69.02%, 타 차종 약 31%로 나타났다.

교통량 결측링크 교통량 추정 및 검증

본 연구에서는 공간 통계분석(Spatial statistical analysis)을 적용하여 교통량 결측링크에 대한 교통량을 추정하고자 한다. 공간 통계분석은 주변 데이터와의 공간적 관계를 이용하여 우리가 알고 싶어하는 지점의 값들을 추정하는 방법이다. 분석대상지역인 서울시는 도시고속도로와 도시부 도로의 교통류 특성 및 교통량 링크 커버리지가 상이하므로, 본 연구에서는 교통량 추정모형 구축시 이를 각각 분류하여 모형을 구축하고 교통량을 추정하였다. 이때 종속변수는 수집 교통량(대/일)이며, 설명변수로는 Table 6과 같이 내비게이션 DB 뿐만 아니라 교통류 특성, 도로기능, 차로수 등과 같은 네트워크 속성데이터를 이용하였다.

Table 5. Average vehicle type ratios in Seoul       (unit: %)

Figure 7.

Revision of personal vehicles ratio on frequency occurrence in navigation DB

Table 6. Using variables

1. 교통량 추정 모형

1) 도시고속도로

서울시 도시고속도로는 Table 3에서 제시한 바와 같이 도시부 도로(간선도로, 기타도로)에 비해 교통량 링크 커버리지가 93%로 매우 높으므로, 도시고속도로 교통량 결측링크의 교통량은 유출입램프 연결링크를 제외한 옆 링크 교통량과 동일한 것으로 가정할 수 있다. 도시고속도로는 고속도로의 특성을 가지고 있어 교통량 유․출입이 존재하는 램프(ramp) 전/후의 교통량이 모두 동일하기 때문이다. 이에 본 연구에서는 서울시 도시고속도로의 교통량 결측링크의 교통량을 추정하기 위해, 1차적으로 회귀분석을 실시하고 그 잔차에 대해 구간별 상수함수(piecewise constant function)를 적용하였다. 구간별 상수함수란 함수의 정의역이 여러 개의 부분구간으로 나뉘어질 때, 각 부분구간 내에서 상수함수를 갖는 불연속적인 함수이다. 따라서 구간별 상수함수를 적용하게 되면 도로 구간별로 잔차에 대해 동일한 상수함수를 갖게 된다. 구간별 상수함수의 적용은 교통량이 많이 수집되는 도시고속도로에 적절할 것으로 판단된다. 또한 도로 방향별로 교통량이 상이하므로 도로방향별로 교통량 추정모형을 구축하였으며, 이때 도시고속도로 교통축별로 교통량이 상이한 점을 고려하여 축 이름을 dummy변수로 추가하여 분석하였다.

where, 

: 추정교통량                           : 수집 교통량들의 연관관계 함수

: 교통량을 추정하고자 하는 링크의 속성정보    : 링크와 사이의 거리

: 링크 속성정보와 교통량과의 함수              

: 교통량이 수집된 링크                         : 오차

2) 도시부 도로

도시 고속도로에 비해 상대적으로 링크별 교통량 수집비율이 적은 도시부 도로의 교통량 결측링크에 대해서는 공간통계분석 중 회귀크리깅(Regression Kriging)을 활용하여 그 교통량을 추정하고자 한다. 크리깅(Kriging)은 Figure 8과 같이 추정하고자 하는 지점의 값(★)에 대해 지점 주위값과의 공간적 상관성을 가진다고 가정하고 지점 주위값들을 가중선형조합으로 예측하는 방법이다. 회귀 크리깅은 크리깅의 한 종류로 설명변수로 설명가능한 공간적인 경향성을 회귀식으로 추정하고, 크리깅으로 잔차(residual)를 산정하는 방법이다. Ahmed and de Marsily (1987)이 처음으로 이러한 개념을 연구에 도입한 후, Odel et al.(1994)가 회귀크리깅(Regression-Kriging)이라는 이름으로 모형에 명칭을 부여하였다. 본 연구에서 적용한 도시부 도로의 교통량 추정방법인 회귀크리깅은 Figure 2와 같으며, 이용 설명변수는 도시고속도로와 동일하다.

Figure 8.

Concept of kriging (left) and regression kriging (right)

where,

: 지점에서의 회귀크리깅으로 추정된 교통량      : 추정된 회귀모형의 계수

: 추정교통량의 추이(drift)                     : 독립변수의 개수

: 잔차                                      : 잔차의 공간적 상관성을 반영한 크리깅 가중치

: 지점에 대한 회귀분석으로 추정된 교통량       : 표본 위치()에서의 잔차

2. 교통량 결측링크의 교통량 추정

1) 도시고속도로

Figure 9.

Results of estimation traffic volume in Urban highways in Seoul

2) 도시부 도로

서울시 도시부 도로의 교통량 결측링크에 대한 교통량 추정시 이용한 설명변수 중 종속변수인 교통량과 설명변수인 내비게이션 발생빈도는 log 값으로 치환하였으며, 차로수와 도로기능은 범주형 변수형태로 Table 7와 같이 차로수는 2-6차로, 도로기능은 주간선도로, 보조간선도로, 집산도로로로 분류하여 분석하였다. 여기서, 1차로와 도시고속도로가 기준값(‘0’)이 된다. 이때 차로수(2-6차로)와 도로기능(주간선, 보조간선, 집분산도로)은 각각 이산형 변수이며, 도로연장, 내비게이션 DB, 속도는 연속형 변수로 정의하였다. 회귀크리깅을 활용한 서울시 도시부 도로의 교통량 결측링크의 교통량 추정결과는 Figure 10과 같다. 교통량 결측링크의 교통량 추정모형 구축결과, 결정계수(Adjusted R-squared)가 0.77로 나타나 추정모형의 정확도가 높은 것으로 나타났다. 내비게이션 발생빈도는 가장 강한 설명력을 갖으며, 차로수의 경우 차로수가 증가할수록 교통량은 커지는 것으로 분석되었다. 또한, 도시고속도로에 비해 주간선도로, 보조간선도로, 집산도로의 교통량은 적은 것으로 나타났다.

Table 7. Traffic volume in urban roads

Figure 10.

Collected and estimated traffic volumes in urban roads in Seoul

3. 추정교통량의 검증

앞서 구축한 서울시 교통량 결측링크의 교통량 추정모형과 추정 교통량을 검증하기 위해, Model error와 Prediction error를 분석하였다. Model error는 교통량 추정모형에 대한 정확성 검증이며, Prediction error는 추정 교통량에 대해 검증하는 것으로 모두 교차검증(leave one-out validation)을 이용하였다. 검증평가 지표는 MAPE, RMSE, 상위 및 하위 10% MAPE, RSME를 이용하였다. 여기서, 상위 및 하위 10% MAPE, RMSE를 분석한 이유는 교통량 추정시 추정력에 가장 민감한 부분이 상위/하위 10% 값이기 때문이다. 대부분의 추정모형이 이용 데이터의 “평균(average)”에 가깝게 추정하기 때문에 상위, 하위치들은 제대로 추정하지 못하는 경향이 있다. 따라서 상위, 하위치들의 추정력이 높다면 그 모형의 추정력은 매우 높다고 판단할 수 있다.

where,  : 기준값               : 반복회차        : 시나리오별 산정값     : 반복회수

분석결과, Figure 11과 같이 추정 교통량 model error는 MAPE 6.26%, RMSE 5,410, 추정교통량의 prediction error는 MAPE 20.30%, RMSE 15,398로 나타나 추정모형과 추정교통량 모두 추정력이 높은 것으로 분석되었다. 또한, 상, 하위 10%에 대한 오차분석 결과, 상위 10% 즉 전체 링크의 평균 교통량 보다 많은 교통량이 주행하는 링크의 추정력은 높은 반면, 교통량이 적은 하위 10% 링크의 추정력은 상대적으로 떨어지는 것으로 분석되었다. 이는 교통량이 적은 링크들은 이용 설명변수인 도로기하구조, 교통류 특성뿐만 아니라 다른 요인에 의해서도 교통량이 영향을 받는다는 것을 의미한다. 이러한 하위 10% 지점의 교통량 추정력에 대해서는 본 연구의 한계로 제시한다.

Figure 11.

Results of verification in model error and prediction error

결론

본 연구에서는 주말 및 첨두시 O/D 구축, 차량주행거리 산정, 혼잡도로개선 대책 등의 교통정책 및 분석에 활용되는 중요한 데이터인 교통량이 결측된 링크에 대한 교통량 추정연구를 진행하였다. 추정방법으로 공간적 통계기법을 적용하였으며, 교통량 패턴이 상이한 도시고속도로와 도시부 도로를 분류하여 각각 구간별 상수함수와 회귀크리깅을 적용하였다. 이때, 교통량 추정시 이용 데이터로 공공부문의 교통량 뿐만 아니라 대부분의 도로링크에서 수집이 되는 민간 데이터 즉 내비게이션 DB를 활용하였다. 내비게이션 DB는 해당 내비게이션을 장착한 차량의 발생빈도, 속도로서 전수 데이터가 아닌 샘플 데이터이므로, 내비게이션 DB를 활용하여 교통량을 추정하기 위해서는 전수 데이터인 수집 교통량, 속도와의 비교 및 검증은 필수적이다. 이에 링크별 내비게이션 발생빈도, 평균 속도와 동일 링크의 서울시에서 수집하는 교통량, 속도간의 상관성을 비교․검증하였다. 검증결과 링크별 수집 교통량(all)과 내비게이션 장착차량의 발생빈도(samples)간의 상관성이 매우 높은 것으로 나타났다. 특히, 도시부 도로에서 상관성이 더욱 강한 것으로 분석되었다. 속도의 경우, 발생빈도 보다는 적지만 수집 일평균 속도와 내비게이션 평균 속도(sample)간 상관계수가 0.671로 상관성이 높은 것으로 나타났다. 따라서 실제 수집 교통량, 속도(all)와 상관성이 높은 내비게이션 발생빈도와 속도(sample)를 링크별 교통량 결측링크의 교통량 추정시 변수로의 활용은 적절한 것으로 분석되었다. 따라서 내비게이션 DB를 교통량 추정시 변수로 활용하기 위해서는 모든 링크에 대한 내비게이션 DB가 수집되어야만 한다. 이에 내비게이션 DB가 부재한 링크는 동일 도로등급 도로에서 가장 가까운 링크의 값을 적용하여 보정하였다. 또한, 내비게이션 DB는 승용차로만 구성되어 있으므로 수집된 내비게이션 DB에 교통량조사 차종비율을 고려하여 차종에 대한 비율을 보정하였다.

교통량 결측링크의 교통량 추정모형 구축결과, 도시부 도로의 추정모형의 결정계수가 0.77로 추정 정확도가 높은 것으로 나타났다. 구축모형에서 차로수가 증가할수록 교통량은 커지고, 내비게이션 발생빈도는 강한 설명력을 갖는 것으로 나타났다. 추정된 교통량은 MAPE, RMSE를 활용하여 검증한 결과, model error는 MAPE 6.26%, RMSE 5,410이며 prediction error는 MAPE 20.30%, RMSE 15,398로 서울시의 교통량 결측링크 추정 교통량의 추정력이 높은 것으로 분석되었다. 따라서 본 연구에서 구축한 교통량 결측링크에 대한 교통량 추정 모형을 활용하여 서울시의 차량주행거리와 온실가스 배출량 산정 등 다양하게 활용될 수 있을 것으로 판단된다. 단, 본 연구의 모형은 서울시만을 대상으로 하기 때문에 전국을 적용하기에는 한계가 따르므로, 향후 전국을 대상으로 한 교통량 추정모형에 대해 향후 연구하고자 한다. 또한 본 연구의 구축모형이 교통량이 매우 적은 지점에 대한 추정력은 다소 떨어지므로 이 부분을 커버할 수 있는 변수에 대한 추가적인 연구가 필요한 것으로 판단된다.