고속도로 이동시간 추정 및 예측

요약

조지아 교통부(Georgia Department of Transportation, GDOT)에서 제공되는 실시간 교통 정보는 조지아 고속도로 네트워크를 이용하는 통근자들에게 유용한 정보인 것으로 증명되었음. 가변 표지판(Variable Message Sign)의 증가, My-NaviGAtor, NaviGAtor-to-go와 같은 서비스의 추가, 511 교통정보시스템의 개발과 함께 교통관리센터(Traffic Management Center)에서는 증가하고 있는 이용자들에게 더욱 자세하고 정확한 교통 정보를 제공하도록 요구되고 있음. 이러한 맥락에서 교통 상황(시간적 측면과 공간적 측면 모두)을 예측하는 능력은 NaviGAtor가 제공하는 서비스의 확장을 가져올 것임. 추정모델을 통해 구축된 예측은 오래된 데이터의 사용을 줄임으로써 이동시간 측정을 더욱 정확하게 예측할 수 있게 함. 게다가, 공간적인 예측은 조지아 교통부가 교통 카메라의 고장과 같이 순간적인 고장이 난 상황에서 그 상황을 커버할 수 있도록 신뢰할만한 정보를 제공하는 것을 도움을 줄 수 있음.

문헌연구에서 제안된 실시간(real-time) 이동시간(travel-time) 추정 알고리즘의 대부분은 데이터 마이닝 기법에 기초하였음. 불행히도, 이 접근방식은 신뢰성있는 예측을 할 수 없는데, 그 이유는 이 방식은 동적인 교통공간을 고려하지 않기 때문임. 독일에서는, 이미 시뮬레이션 기반의 예측 시스템이 대부분의 대도시 지역에 설치되어 있음. 이 시스템은 이용자들에게 매우 긍정적인 반응을 얻고 있음. 그러나 독일의 성공사례에도 불구하고, 이러한 타입의 시뮬레이션 모델(Cellular Automata model)은 치명적인 단점을 가지고 있음: 교정의 어려움, 승용차와 트럭과 같이 다른 계열의 차량의 이용에 대하여 통합할 수 없음, 그리고 고속도로에서 자세한 교통의 동적인 상황을 복제하여 증명할 수 없음. 이 프로젝트에서 제안된 모델은 최신의 교통흐름 이론과 시뮬레이션의 협력을 통하여 위와 같은 단점을 극복하였음.

이 연구에서 개발된 보강된 이동시간 측정방법은 조지아 교통국에 의해 제공되는 측정을 더욱 정확하게 할 것임. 이는 측정의 신뢰성만 높이는 것이 아니라, 사람들로 하여금 그들의 출퇴근 시간의 조정이 가능하도록 함에 따라, 교통체증을 피하기 위해 대안의 노선을 선택함으로써 교통 체증을 줄일 수 있게 될 것임.

아래의 그림은 실시간 이동시간 측정과 예측을 위한 예측프레임워크를 제안한 것임. 이 프레임워크의 두 개의 주요 구성 요소는 마이크로-시뮬레이션과 고속도로에 달린 교통 센서 인프라임. 마이크로-시뮬레이션은 이동시간 측정과 예측을 하는 교통 센서에 의해 보고되는 데이터를 사용한 실시간보다 더 빠르게 실행됨.

실시간 이동시간 측정과 예측 프레임 워크

교통 센서(traffic sensors)는 네트워크 경계와 네크워크 내에 있는 교통량과 속도에 대하여 시계열(time series)를 제공함. 네트워크 경계에 있는 교통량은 동적 출발지-목적지(origin-destination, OD) 매트릭스에 사용함. 네트워크 중간의 교통량과 속도는 시뮬레이션의 최초 대기열을 결정하는데 이용함. 이 시뮬레이션에서 생성된 차량의 궤적은 동적 OD 측정 모듈에서 다음 시뮬레이션을 실행하기 위한 OD 매트릭스를 생성하는데 사용됨. 이 동적 OD 매트릭스는 다음 시뮬레이션이 실행되는 입력에 사용되기 전에 기록되어있던 OD 매트릭스를 통한 유효성 검증을 함. 이러한 시뮬레이션으로 생성된 차량 궤적은 이동신간예측을 하는데 사용됨.

이 연구는 조지아 주의 고속도로인 GA-400과 주간(interstate) 고속도로인 I-85 사이의 EB/SB I-285도로의 6.5마일 구간에 대해 2시간 동안 시뮬레이션을 실행하였음. 시간대는 저녁에 차가 많은 시간대인 오후 3시부터 5시까지 2시간에 걸쳐서 실행하였음. 교통량에 대한 데이터는 조지아 교통부의 교통 모니터링 카메라를 이용해 녹화되어 있는 비디오로부터 수작업으로 추출하였음. 블루투스(bluetooth) 데이터는 선택된 육교에서 육교아래의 도로에서 같은 날 수집된 교통량 데이터와 지상에서 이동 시간으로부터 수집된 것임. OD 매트릭스는 매 5분마다 바뀌고 새로운 시뮬레이션은 매 시간마다 새로운 초기 대기열과 새로운 OD흐름과 함께 시작하였음. 여섯 개의 이동시간 예측은 매 시뮬레이션이 실행 할 때마다 만들어짐. 매 5분마다 만들어진 예측은 실제 지상에서 수집된 이동시간 데이터와 비교하게 됨.

다음에 나오는 도표는 그 도로에서 각기 다른 시간대에 대한 이동 시간 예측한 것으로써, 시뮬레이션이 실행하는 동안 만들어진 예측은 관찰된 블루투스 데이터 패턴을 따르는 것을 보여줌. 교통 체증이 상승하는 동안, 예측은 그 시간대의 이동시간이 증가하는 것을 보였음. 마지막으로는 도로의 교통체증이 지나가면, 예측시간은 기울기가 완만해짐.

그림1. 도로의 다른 시간대의 이동시간 예측

다음의 그래프는 조사된 이동시간 또는 실제 이동시간 (actual travel-times: ATT)과 순간적인 속도 이동 시간(Instantaneous speed travel-times: ITT)를 비교해서 보여줌. 순간적인 이동 시간은 한 순간 도로를 지나가는 속도를 기초로 하고, 그리고 교통관리센터에서 이동시간을 위해 부착한 도로표지판을 이용하는 전통적인 방법을 통해 밀접한 근사치를 이용함.

그림2.  도로의 다른 시간대의 이동시간 예측의 비교

다음에 오는 실제 이동시간 (actual travel-times: ATT)과 순간적인 속도 이동 시간(Instantaneous speed travel-times: ITT)에 대한Y-Y 도표는 첫 번째 예측의 결과는 측정된 순간적인 속도 이동 시간(ITT)보다 실제 이동시간(ATT)이 더 가깝다는 것을 보여줌. 빨간색으로 표시된  첫 번째 예측 이동시간 데이터의 점은 블루투스 데이터가 10보다 작은 경우의 순간(instances)을 표시한 것임. 이상점(outlier points)을 제외하면, 시뮬레이션 성능은 동적인 상황에서는 ITT 방법보다 상당히 우수한 것으로 보지만, 심한 교통체증의 상황에서는 이 시뮬레이션과 ITT방법 중 어느 방법이 상당히 더 우수하다고 말하기는 힘듦.

그림3. 블루투스와 비교하여 첫 번째 예측한 이동시간(TT)과 ITT에 대한 Y-Y도표

이 연구는 실제 시간에서 단기간 이동시간의 예측을 하기 위한 프레임 워크를 기반으로 한

시뮬레이션의 사용을 증명하였음. 그 결과 이 프레임 워크를 이용하여 충분히 정확한 5분 예측과 10분 예측을 만들어 낼 수 있음을 보여줌.