1. 요약

도시 간선도로의 이동시간 추정과 예상은 첨단 이동정보 시스템(Advanced Traveler Information Systems: ATIS)과 첨단 교통관리 시스템(Advanced Traffic Management Systems: ATMS)의 중요한 구성요소임. 그 동안 첨단 이동정보 시스템과 첨단 교통관리 시스템이 많은 발전을 이룬 것은 사실이지만, 특히 도시의 간선도로에서의 이동시간 측정에 대한 신뢰성있고 효율적인 이동 시간 측정은 광범위하게 이루어 지지 않고 있는 상황임. 왜냐하면, 그러한 이동시간 측정을 위해서는 고속도로에 구축 되어있는 것과 같은 광대한 센서 인프라가 요구되기 때문임. 그러나 그러한 인프라를 구축하는 데에는 많은 비용이 소비됨. 넓은 도시 네트워크에서 모든 간선도로에 그러한 인프라를 구축한다는 것은 너무 많은 비용이 소모되는 일이기 때문에, 이 연구에서는 위성위치확인 시스템(global positioning system: GPS)를 이용하여 얻는 정보를 이용함으로써, 동적인 요소는 적지만 간선 도로의 이동시간에 대한 정보가 가능한 것을 확장시켜 탐색함. 이 프로젝트에서는 다음과 같은 방식을 따름. 간선도로의 지리적인 설명과 신호체계에 대한 정보와 매 시간마다 지나간 이동거리에 대한 분포와 같은 반 동적(semi-dynamic) 정보와 그리고 GPS를 사용한 탐색 자료 등 이 모든 자료들을 이용하여 이동시간 측정을 하는 방식임.

첫째로, 신호화된 간선도로의 연결에 따른 이동 시간의 패턴은 이동 시간 히스토그램(histograms)을 기초로 분석하였음. 이 작업은 주로 차량에 대하여 집중을 하였음. 차량들을 하위그룹(subset)으로 구분한후 네 가지의 이동시간 상태를 정의함: 정체가 없음(non-stopped), 지체는 있으나 정체는 없음(non-stopped with delay), 정체(stopped), 지체를 동반한 정체(stopped with delay). 둘째로, 연관된 이동시간 분포(link travel time distributions)는 정규분포밀도의 혼합(mixtures of normal densities)을 이용하여 예측하였음. 만약 이전의 이동시간 데이터가 있다면, 이동시간 분포는 기대값 최대화(expectation maximization, EM) 알고리즘을 이용하여 경험적으로 측정할 수 있을 것임. 또 다른 면으로는 이동시간 분포는 교통신호 시간 정보와 간선도로의 지리적 구조를 통해서도 측정할 수 있을 것임. 셋째로, 연관 이동 시간은 그 개념을 확장 시켜 경로의 이동 시간을 생성할 수 있음. 연결과 이동의 경로는 따른 이동 시간은 각각 독립적인 것이 아니기 때문임. 말코브 체인(Markov Chain)을 기반으로 한 모델로 연속한 연결간의 이동시간에 대한 잠재적인 관계를 찾아내는 것을 제안함. 경험적인 예들은  Markov Chain 모델을 이용하여 측정된 경로 이동시간이 매우 정확했음을 보였줌. 그 모델을 통해 측정된 이동시간 예측의 에러는 2퍼센트 이하였음.

GPS 이동 시간 데이터는 교통정체 상황을 파악해서 그 이동시간을 예측함. 교통정체 상황을 파악하는 방법은 베이즈(Bayes) 이론을 기반으로 하여 발전시킨 방법임. 그 결과 대부분의 케이스에서 하나의 GPS 샘플은 두 가지 상황의 교통상태를 구분하는데 충분하다는 것을 보여주었음. 다른 접근방식과 비교하여, 제안된 방법은 실시간 현장 정보를 덜 필요로 하였음. 게다가 이러한 GPS 데이터는 Bayesian 업데이트를 이용하여 이동시간 분포의 변수(parameters)를 업데이트하는데 이용함. 반복된 업데이트 과정은 이동시간 분포를 더욱더 정확하게 만듦.

마지막으로,the Next Generation SIMulation (NGSIM) Peachtree Street 데이터 셋과 미네소타주의 미네아폴리스(Minneapolis, Minnesota)의 Washington Avenue의 GPS와 가상실험 데이터를 이용하여 두 개의 포괄적인 사례연구를 실시하였음. 첫 번째 사례연구는 각각 다른 교통 상황하에서 교통 신호 시간과 지리적 구조를 기초로 하여, 이전의 이동시간 분포를 추정하였음. 이동시간 데이터는 다른 교통 상황에 따라 분류되었으며, 그에 상응하는 분포도 업데이트 되었음. 그리고 Bayesian업데이트의 결과와 EM 알고리즘에 따른 결과를 비교하였음. 전체적으로, EM알고리즘이 Bayesian업데이트 보다 데이터에 더 적합한것으로 나왔음. 그러나 일부 데이터가 누락된 경우에는 Baysian접근방식이 현실 상황을 반영하는데 더 나은 것으로 나타났음.

두 번째 사례연구는 우선 교체된 I-35W 미시시피 강의 교량의 개통으로 인해 교통 흐름 패턴의 변화에 대한 연구를 위한 수집된 실제 GPS데이터를 기반으로 한 방법론들을 테스트함. 그러한 테스트 후, 한 방법론은 새로운 교통 상황을 구별할 것에 대한 제안을 하였음. 교통량에 따른 같은 신호 체계 아래에서 교통상황을 분류하기 위해서, 미시적 시뮬레이션 모델(microscopic simulation)을 구축하였음. 이 시뮬레이션을 통하여 GPS의 정밀 정보를 활용하기 위해서, 아침 출근 시간 동안 세 가지 다른 교통 상황을 파악함.

2. 결론 및 발전 방향

2.1 결론

이 프로젝트의 원래의 목적은 GPS의 정밀 데이터를 이용하여 간선도로 이동 시간의 측정을 제공하는 것임. 이론적인 기반을 둔 이러한 목표는 불가능하다기 보다는 그 목표가 너무나 빠르게 효율성이 사라진다는 것임. 이전 문헌에서와 같이, 신뢰성 있는 이동시간을 알아내기 위해서는 많은 수의 차량을 조사대상으로 해야 하고 일정한 하루 동안의 모든 시간대에 대하여 조사 대상 네트워크 상에 있는 모든 장소에 대한 이동시간을 조사하여야 함. 이러한 것은 간선도로에 대해 모든 실시간 이동시간을 제공하고 있는 모든 상용 제품들이 가지고 있는 함정임. 현재 공급되고 있는 제품들은 해당 네트워크에 대하여 일부 작은 부분만을 커버하고 있거나 또는, 그들이 제공하는 정보가 정확하지 않음.

이 프로젝트는 차량 플릿 기술(vehicle fleet technology)이 높은 밀도의 정밀 데이터를 얻을 수 있는 지점까지 진보할 시기에 대한 이상적인 기간을 가정하고 그 가정하에 이 프로젝트가 운영될 수 있을 것임. 그 시기가 어떻게, 그리고 언제 도래할 것인지는 불분명 하기 때문에 다른 경로가 선택되었음. 특히, 이 프로젝트는 간선도로의 지리적 정보와 교통 신호 체계에 대한 정보를 설명하는 정적 정보와, 하루 동안 시간마다 측정된 역사적 이동 시간 분포(historical travel time distributions)에 대한 반 동적(semi-dynamic) 정보를 이용해서 이동시간 측정에 협동적인 접근을 하는 것이 목표임. 또한 GPS 탐색 정보를 이용하여 반 동적 정보를 더 확대하고 향상시킴. 이 연구의 목적은 이동 시간 분포를 통해 얻은 간선 도로 이동 시간 패턴을 특성화시키는 방법론을 개발하고, 정적인 자료를 통해 얻은 이러한 분포를 측정하고 GPS 탐색을 통해 얻은 정보의 정제를 제안하고, 그리고 이렇게 주어진 시간과 장소를 기반으로 한 분포는 실시간 GPS 탐색 정보를 이용하여 정확한 도로의 이동 시간을 생성하고 또한 간선 도로 상황을 모니터링함.

첫째로, 신호화된 간선 연결의 이동 시간 패턴은 이동 시간 히스토그램을 기초로 하여 분석되었음. 이 보고서는 주로 차량이 통과하는 것에 초점을 맞췄음. 두 번째로, 연관 이동 시간 분포는 혼합 정규분포를 이용하여 추정하였음. 이동시간 상태에 대한 정의에 따라, 이동시간분포를 위한 두 가지 접근 방법이 제안되었음. 만약 이전 시간이동 데이터가 존재한다면, 이동 시간 분포는 경험적(empirically)으로 측정될 수 있음. 이 경우 EM알고리즘을 이용함. 반면 이동시간 분포는 간선도로의 교통신호 체계에 대한 정보와 지리적 구조를 기초로 하여 추정 할 수 있는 방법도 있음. 셋째로, 연관 이동 시간은 경로 이동시간(route travel time)을 생성할 수 있었음. 왜냐하면 연속된 이동 시간은 독립적지 않기 때문에 Markov 체인에 기반한 모델을 이용하여 연속된 연관관계 사이의 이동 시간에 대한 잠재적인 관계를 알아내는 것을 제안하였음. 경험적인 예를 통해, 말코브 체인 모델을 통해 측정된 경로 이동시간은 매우 정확함을 보여주었음.

GPS 이동 시간 데이터는 교통 상황을 파악하여 이동 시간을 예측하는데 이용됨. 교통 상황을 탐지하는 접근 방식은 베이지안 이론에 기반하여 개발되어왔음. 한 개의 GPS 샘플은 두 개의 교통 상황을 구분하는데 충분하다는 것을 보여줬음. 다른 접근 방식에 비교하여, 제안된 방법은 실시간 정보를 더 적게 필요로 함. 게다가 이러한 GPS데이터는 베이지안 업데이트를 통해 이동시간 분포의 변수를 업데이트하는데 이용할 수 있음.

마지막으로, NGSIM Peachtree Street 데이터 집합과 GPS 와Washington Avenue에서 얻은 시뮬레이션 데이터를 이용하여 두 개의 사례연구를 실시하였음. 첫 번째 사례연구는 다른 교통 상황에서의 교통 신호 체계와 지리적 구조를 기반으로  한 이전의 이동시간 분포를 추정하는 것임. 그후, 이동시간 데이터를 각기 다른 교통 상황에 따라 분류하고 그에 상응하는 분포를 업데이트 함. 그리고 베이지안 업데이트를 통한 결과와 EM알고리즘을 통한 결과를 서로 비교함. 전반적으로 EM알고리즘의 결과가 베이지안에 비해 더 적합한것으로 나타났음. 그러나 베이지안 방식이 몇몇 자료가 없을 때는 실제 상황을 더 잘 반영할 수 있었음.

두 번째 사례연구는 I-34W 미시시피강 교량을 개방한 후의 교통 흐름 패턴의 변화에 대한 연구를 위해 실제 수집한 GPS데이터를 기반으로 한 방법론들을 실험했음. 그 후, 한 방법론이 새로운 교통 상황을 구별하기 위해 제안 되었음. 교통량에 따라 같은 신호 통제하에서 교통 상황을 구분하기 위해 미시적 시뮬레이션 모델을 만들었음. 이 시뮬레이션으로부터 수집한 자료를 이용하여, 출근시간 동안에 세가지 다른 교통 상황을 구분하였음.

2.2 발전 방향

이 보고서는 도시의 간선도로에 대한 이동 시간 분포를 특징화하기 위한 기초를 놓았음. 앞으로의 연구는 다음과 같은 이슈들에 대해 해결할 필요가 있을 것임:

·현재 연구의 초점은 도로를 통과하는 차량들에 집중되어 있음. 우회하는 차량의 경우는 이동시간을 측정하기가 더 복잡해 짐. 그러므로 우회차량은 회전하는 형태에 따라 하위 카테고리로 나누어야 하고 각 카테고리에는 한 경우의 회전 시나리오만 포함되도록 하여야 함. 예를 들어 “골목길로부터 우회전을 해서 전방 교차로를 통과한다” 라는 식의 자세하고 유일한 시나리오를 만듦.
 
·과포화된 상태에서 이동시간 분포 측정하기. 교통체증이 발생하고 대기 행렬이 한 주기 안에 진행될 수 없을 때, 이원성 형태(bimodal) 패턴이 적용되기 힘들고 더 많은 이동 시간 상태가 예상됨. 예를 들어, 빨간불에 두번 정지한 차량은 새로운 상태를 만들게 됨. 한편, 교통 신호 시간과 지리적 구조를 기반으로 한 이동시간 측정은 그에 따른 수정이 필요하게 됨.
 
·이 프로젝트를 통해 알게 된 점들을 동적 신호 통제 방법론을 발전 시키는데 이용함. 지금까지는 대부분의 신호 통제가 정주기식(pre-timed)이었고, 날짜와 시간에 따라 변화하였음. 이러한 기반을 하는 이유는 교통량에 대한 패턴이 상대적으로 일정하다는 가정에 근거로 함. 그러나 이것이 항상 맞는 것은 아님. 예를 들어, 주말에 풋볼 게임이 있다면 도로의 상태는 주중에 출퇴근 시간의 상태와 같은 교통 체증이 있을 수 있을 것임. 따라서 그러한 경우에는 평상시 주말에 운영되던 신호 통제 시스템보다는 출퇴근 시간에 운영되는 신호통제 계획이 더 나을 것임. 만약 실시간 교통 상황을 알 수 있게 된다면, 신호 통제 계획은 차량정체를 최소한으로 하는 동적인 선택을 할 수 있게 될 것임.