1. 개요

연간 평균 일일 교통량(annual average daily traffic, AADT)은 양쪽 방향으로 한 지점을 지나는 연간 교통량을 365로 나눈 것임. 연간 교통량을 수집하기 위해서 모든 거리를 계속적으로 모니터링하는 것은 불가능함. 연구에 의하면, 연간 평균 일일 교통량은 표본 지역에 대해 관측된 데이타를 가지고 선형 회귀(linear regression)를 사용하여 추정될 수 있음. 관측된 데이타는 보통 도시를 통과하여 움직이는 공기 튜브 카운터(pneumatic-tube counters)를 사용하여 짧은 기간(보통 48시간) 동안 수집됨. 예를 들어, <그림 1>은 교통 공학자들이 아이다호 주 모스카우 시(Moscow, Idaho)에서 2005년 이후로 짧은 기간의 통행량을 수집한 지점을 보여줌.

<그림 1> 아이다호 주 모스카우 시에서 짧은 기간의 통행량을 측정하는 지점

이 보고서는 연간 평균 일일 교통량을 추정하기 위해서 지리정보시스템(geographic information system, GIS)을 위해 생성된 5개의 도구를 소개함. 도구들 중 3개는 선형 회귀를 위한 지리정보를 준비하는데 사용되는 준비도구임. 분석도구 중 하나는 네트워크에서 모든 거리에 대한 연결도 중요성 지수(connectivity importance index)를 계산함. 결과 지수는 연간 평균 일일 교통량을 추정하기 위한 선형 회귀와 함께 사용될 수 있음. 다른 분석 도구는 선형 회귀를 수행하고 이 프로젝트에서 주요한 도구임. <그림 2>는 이 도구 ？ 연간 평균 일일 교통량의 추정(Estimate AADT) ？ 에 대한 인터페이스(interface)를 보여줌. 사용자는 관측된 연간 평균 일일 교통량 데이타를 가진 입력 거리 파일(input street file)을 제공하고, 회귀 분석을 위한 설명 변수(explanatory variable, 독립변수)로써 거리 연결(street links)의 특성을 파악함. 예를 들어, 분석가는 설명변수로써 차선의 수, 속도 제한, 그리고 인접 토지사용을 포함할 수 있음. <그림 3>은 도구로부터의 결과를 보여줌.

<그림 2> 도구 인터페이스

<그림 3> 회귀분석 결과
 

2. 소개

연간 평균 일일 교통량은 양쪽 방향으로 한 지점을 통과하는 전체 연간 교통량을 365로 나눈 것임. 연간 평균 일일 교통량 값은 서비스 수준의 평가, 시나리오 분석, 사고 분석, 자본 투자의 우선순위 결정, 전후 평가 연구, 추세 분석, 그리고 지역의 이동수요 모델 검증을 포함하여 다양한 교통계획과 교통 공학 활동에 대해 필수적임.

연간 통행량을 얻기 위해 지역사회에서 모든 거리를 지속적으로 모니터링하는 것은 불가능함. 그래서 일반적으로 연간 평균 일일 교통량은 짧은 기간의 교통량 관측으로부터 추정됨. 그러나, 짧은 기간의 교통량 측정기(예를 들어, 공기 튜브)를 시 전역에 설치하고 재설치하는 것은 여전히 많은 시간 및 비용을 요구함. 이와같은 이유로, 연구자들은 도로와 인접 지역의 특성(예를 들어, 기능적 분류, 차선의 수, 속도 제한, 또한 인구밀도)에 근거하여 연간 평균 일일 교통량을 추정하기 위해 선형 회귀를 사용하여 탐구해 왔음.

3. 문제 분석

논문에서 유망한 결과에도 불구하고 선형 회귀는 실제에서는 그렇게 자주 사용되지 않았음. 하나의 이유로는, 대량의 공간 데이타를 관리하고 분석하는 것을 돕는 도구의 부족을 들 수 있음. 또다른 이유로는, 많은 지역사회에 있어서 차선의 수, 속도 제한, 인접지역의 고용밀도와 같은 잠재적 도로의 설명변수들이 신뢰할만한 선형회귀 결과를 가질 만큼 충분한 변동성(variability)을 보이지 않기 때문임. 예를 들어, 거리의 대부분은 하나의 차선만을 가지고 있다면, 차선의 수는 선형 회귀를 수행하는데 쓸모없는 설명변수가 됨. 유용하기 위해서 설명변수는 변동성을 가질 필요가 있고 변동성은 연간 평균 일일 교통량과 연계될 필요가 있음.

두가지의 혁신이 연간 평균 일일 교통량을 추정하기 위해 선형 회귀를 사용하는 것의 실현가능성을 개선할 수 있음. 첫째는 데이타를 관리하고 선형 회귀를 수행하는 것을 돕는 지리정보시스템을 위한 도구를 생성하는 것임. 대부분의 지역사회는 지리정보시스템에 접근가능하고 많은 지역사회는 이미 선형 회귀에서 사용될 수 있는 도로의 속성(roadway attributes)을 가진 shapefiles을 가지고 있음. 둘째는 도로에 걸쳐 더 큰 변동성을 가진 도로에 대한 새로운 측정기준을 개발하는 것임.

4. 프로젝트 목표

이 프로젝트는 두가지 목표에 중점을 두고 있음:

· 선형 회귀에 근거하여 연간 평균 일일 교통량을 추정하는 일련의 지리정보시스템 도구를 생성

· 연간 평균 일일 교통량을 추정하기 위한 선형 회귀의 설명 변수로 사용될 수 있는 거리 연결도를 정량화하기 위한 도구를 생성

5. 새로운 지리정보시스템(GIS) 도구

이 프로젝트는 5개의 새로운 GIS 도구를 개발하였음. 이 도구는 오픈소스(open-source)의 python script로 쓰여졌고 ArcGIS 10과 호환이 됨. 이 도구는 손쉬운 공유와 분배를 위해 전자폴더로 구성되어 있음. 이 도구는 CD나 USB 드라이브로부터 직접 구동될 수 있으나, 더 빠른 실행을 위해 하드 드라이브(hard drive)로 복사하는 것이 권장됨.

<그림 4>는 새로운 도구에 대한 폴더 구조를 보여줌. “ExampleData”로 불리는 GIS 도구에 대한 하위폴더는 사례 shapefiles를 포함하고 있음. “ToolData”로 불리는 하위폴더는 운영에 필수적이며 수정되지 말아야 함. 이는 특별한 python libraries에 대한 하위폴더, 스크래치 폴더(scratch folder), python scripts, 지원 shapefiles 그리고 결과 부호를 포함하고 있음. GIS 도구를 수정하고자 하는 사용자들은 python scripts를 열 수 있음.

<그림 4> GIS 도구의 폴더 구조
 

6. 결론

이 프로젝트는 선형 회귀에 근거하여 연간 평균 일일 교통량을 추정하기 위한 일련의 지리정보시스템 도구를 성공적으로 생성하였음. 5개의 도구 모두 사용하기 편리하며 요구되는 입력요소와 결과에 대한 설명을 위해 도움말 파일을 포함함. 도구들 중 하나는 네트워크에 있는 모든 거리에 대한 연결도 중요성 지수를 계산함. 이 도구를 생성하는 것은 이 프로젝트에 대해 중요한 목표임. 왜냐하면 이 지수는 모든 연결에 대해 변화하며 연간 평균 일일 교통량과 연계되어 있어 선형 회귀로부터의 결과를 향상시키기 때문임.

차후의 연구는 연결도 중요성 지수를 개선하는 것에 중점을 둘 수 있음. 하나의 가능한 개선사항은 외부에서 내부로(external-to-internal) 그리고 내부에서 외부로(internal-to-external)의 이동을 다루는 것임. 왜냐하면 현재의 도구는 내부에서 내부로(internal-to-internal)의 이동만을 고려함. 게다가, 최단 경로를 파악하기 위한 방법은 좀더 현실적으로 개선될 수 있음. 왜냐하면 현재의 도구는 방향전환에 대한 벌칙(turning penalties)이나 교차로의 통제(intersection control)를 고려하지 않음.

선형 회귀는 도구는 최적의 모델을 찾는 과정을 자동화함으로써 개선될 수 있음. 예를 들어, 사용자는 대규모 집합의 설명변수들을 제공할 수 있고 도구는 최적의 모델 부합도를 찾기 위해 최고의 부분집합 절차(best subsets procedure)를 실행할 수 있음. 이 도구에 대한 다른 개선사항은 여러 특성을 가진 다양한 도시들로부터의 데이타를 체계적으로 테스트함으로써 발견될 수 있음.

마지막으로, 이 도구는 연간 평균 일일 교통량 추정 ？ 역사적 관측에 근거하여 다음해에 대한 연간 평균 일일 교통량 예측 ？ 의 다른 측면으로 확대될 수 있음. 연간 평균 일일 교통량을 예측하는데 있어 가장 중요한 요인은 이전해로부터의 연간 평균 일일 교통량임. 일반적으로 다음해에 대한 예측은 이전해에 대한 관측에 적용되는 성장률(growth factor)을 통해 결정됨. 이 보고서에서 기술된 도구는 관측이 전혀 이루어지지 않은 지역에서 연간 평균 일일 교통량을 추정하는데 중점을 두고 있음. 그러나, 차후 연구는 연결도 지수가 다음해의 예측을 어떻게 개선시킬 수 있는지를 연구할 수 있음. 회귀 분석은 이전해의 연간 평균 일일 교통량을 포함하는 시계열(timer series)의 속성 때문에 자기상관(auto-correlation)을 고려할 필요가 있을 것임.