KR101112191B1 - 에이전트 기반 실시간 통행시간 산정장치 및 그 방법 - Google Patents

Abstract

에이전트(차량)를 기반으로 통행시간을 실시간으로 추정할 수 있도록 한 에이전트 기반 실시간 통행시간 산정장치 및 그 방법이 개시된다.
개시된 에이전트 기반 실시간 통행시간 산정방법은, 도로를 주행하면서 통행시간 산정을 위한 원시자료를 수집하고, 상기 수집한 원시자료의 오류를 판단 및 보정한 후, 상기 보정 한 자료를 가공처리하고, 처리된 정보를 수집한 시각에 대한 가중치를 적용하여 구간 통행시간을 산정함으로써, 에이전트(차량)를 기반으로 통행시간을 실시간으로 정확하게 추정할 수 있으며, 차량 간 실시간 통신을 통해 시간 처짐 현상이 발생하지 않고, Incident Condition 등 여러 교통상황을 복합적으로 고려하여 최적의 통행시간을 산정할 수 있게 되는 것이다.

Description

에이전트 기반 실시간 통행시간 산정장치 및 그 방법{Agent-based travel time estimation apparatus and method thereof}

본 발명은 에이전트 기반(Agent-based) 실시간 통행시간 산출에 관한 것으로서, 더욱 상세하게는 에이전트(차량)를 기반으로 통행시간을 실시간으로 추정할 수 있도록 한 에이전트 기반 실시간 통행시간 산정장치 및 그 방법에 관한 것이다.

일반적으로, 유비쿼터스 교통체계(u-Transporation)는 유비쿼터스 환경 하에서 보행자, 교통시설, 교통수단이 실시간으로 네트워킹하여 안전성과 이동성에 기

여하는 인간중심의 미래형 교통서비스 및 시스템을 제공하는 신 교통공간이라고 정의할 수 있다.

유비쿼터스 교통체계의 핵심은 유비쿼터스 교통 센서네트워크(u-TSN: Ubiquitous Transportation Sensor Network)라고 할 수 있는데, u-TSN은 교통체계의 구성요소인 여행자, 교통수단 및 각종 시설물이 유/무선으로 연결되는 최적의 교통네트워크 공간을 의미한다. 이러한 u-TSN 상에서는 유비쿼터스 교통센터(UTC)에서 가공된 다양한 정보가 교통체계 구성요소에 전달(one-to-many)될 뿐만 아니라, 구성요소들 간의 Ad-hoc 네트워크 구성을 통한 실시간 정보교환(many-tomany)이 가능해진다. 또한, 교통체계 각 구성요소 간의 인과관계 정보가 실시간으로 모니터링되어 신속하고 안전하게 저장, 분석, 예측되는 환경이 된다.

유비쿼터스 교통체계를 기존의 교통체계와 비교하면 첫째, 기존 교통체계는 공급자 중심의 관리 위주형 서비스인 반면에 유비쿼터스 교통체계에서는 이용자 중심의 맞춤형 서비스를 지향한다. 둘째, 기존의 교통체계에서는 자신이 원하는 정보가 특정시간, 특정장소에서만 획득이 가능하여 시간적 공간적 제약이 존재하지만, 유비쿼터스 교통체계에서는 시공간적 제약의 해소를 목표로 한다. 셋째, 기존의 교통체계에서는 승용차-버스-지하철 등 이동수단의 변경시 정보의 연속성 미흡으로 이동수단의 변경이나 위치 이동에 따라 단절이 발생하지만 유비쿼터스 교통체계에서는 끊이지 않는(seamless) 서비스를 지향한다. 넷째, 기존 교통체계에서는 도로 교통만을 중심으로 하기에 도시 전체 시스템과의 유기적인 연계가 미흡하였으나 유비쿼터스 교통체계에서는 도시 전체의 최적화를 지향한다.

이러한 유비쿼터스 교통체계를 구현하기 위해서는 교통정보의 수집 및 통합, 교통정보 가공, 교통정보 제공, 유；무선통신의 적용 및 응용기술들이 개발되어야 한다. 아울러 교통정보 제공 측면에서 기존의 지능형교통체계(ITS)에서의 한계점들을 보완할 새로운 정보제공 전략에 대한 정의와 평가가 필요하다. 또한, 교통정보의 제공은 정보가 우선적으로 수집, 가공된 후에 이루어질 수 있는 서비스이므로 유비쿼터스 교통체계에서의 교통정보 제공 전략은 수집해야 할 자료의 종류와 수집방법, 가공과정 및 산출물과도 연관이 있다. 현재 유비쿼터스 교통체계에서의 정보제공 전략은 지점기반 전략과 에이전트기반 전략이 수립되었고, 지점기반 전략에 대해서는 효과평가가 이루어졌지만, 에이전트기반 전략에 대해서는 효과평가가 이루어지지 않은 상태이다.

유비쿼터스 교통체계의 특성 및 구성요소와 기능별 역할은 다음과 같다. 유비쿼터스 교통체계에서는 교통체계를 구성하는 개별 차량, 통행자, 교통?통신 인프라 등이 교통정보를 수집하고 전달하는 기능을 동시에 수행하고, 교통정보 수집, 가공, 제공이 지역(Local)과 교통정보 센터인 UTC(Ubiquitous Transportation Center)를 통해서 이루어진다.

유비쿼터스 교통체계의 구성요소들은 저마다 통신기능을 수행할 수 있도록 센서가 부착된 노변 장치 및 단말장치를 각각 탑재하거나 보유하게 된다. 그러므로 유비쿼터스 교통체계에서는 각 단말기 간의 센서를 통해 자료가 수집되고 가공된 정보가 전달된다. 이들 장치들은 UVS(Ubiquitous Vehicle Sensor), UIS(Ubiquitous Infrastructure Sensor), UPS(Ubiquitous Pedestrian Sensor)로 정의되고, 교통정보 센터는 UTC(Ubiquitous Transportation Center)로 정의된다.

유비쿼터스 교통체계의 기능은 자료수집(교통데이터의 수집), 자료처리(수집된 교통데이터의 가공 및 분석), 정보전달(교통정보 제공), 정보전송으로 구분된다.

자료수집 기능은, CAN Interface 모듈 기술을 이용하여 다양한 형태의 CAN으로 제공되는 임의의 데이터를 UVS에서 해독할 수 있는 통일된 형태로 변화시키는 기능을 포함하며, 차량환경(UVS) 및 실외환경(UIS)에 적합한 내장형(Embeded) 시스템으로 구현한다.

자료처리 기능은, UVS가 현재 주행중인 링크(Link)를 인식하여 자체 구간통행시간을 추정하는 기능으로서, 차량 돌발상황 감지 기술을 이용하여 자체센서로 Collision, 전복, 비정상적 급가속/급감속 감지하고, UIS는 인근의 다수 차량의 정보로부터 돌발상황을 감지하고, DGPS 보정신호의 적용 및 관성 항법과 GPS데이터의 융합을 통한 정밀 측위 기능, UVS와 UIS 도로망 정보 내장을 위한 도로망 정보저장 및 관리 기능을 포함한다.

정보전달 기능은 실시간성을 통해 메시지 지연을 최소화하여야 하며, 정보전송 기능은, 통신망으로 이루어지는 정보전송을 위한 망 연계 및 망 운영 기능을 포함한다.

유비쿼터스 교통체계는 센서 간 통신이 가능하도록 통신망을 설계하여 센서가 부착된 노드끼리 정보를 주고받을 수 있는 네트워크이다. 유비쿼터스 교통체계의 기능이 수행되는 통신망 구조는 도 1과 같다.

Tier 1은 정보수집 및 가공계층으로 UVS와 UPS로 구성된다. 이 중 UVS는 차량 내의 상황을 감지하고 정보를 수집, 가공 및 전달, 표출하는 기능을 수행하며 Vehicle Ad-hoc 네트워크의 기본단위가 된다. UPS는 운전자 및 보행자 개개인이 소지하게 되며, 개인단말 형태로 UVS와 UIS와의 통신을 통해 필요한 정보를 수집, 가공 및 전달한다.

Tier 2는 UIS, 즉 인프라의 가공처리 계층이다. 이 계층은 Vehicle Ad-hoc 네트워크의 정보전달 및 지역처리 기능을 수행하며, 노변의 작은 센터역할을 담당한다. 이곳에서 중앙 UTC의 기능을 분담하여 자료를 분산, 처리하고 돌발상황의 감지 및 UIS 반경 내에서 수집된 교통정보를 가공 및 제공하는 기능을 수행한다.

Tier 3은 외부망 및 센터와의 연계를 위한 통신 물리계층이다. 이러한 구조를 가지는 유비쿼터스 교통체계 통신망에서 자료의 실시간 처리 및 제공이 이루어지도록 Tier 1의 이동 중인 차량 망과 Tier 2 인프라의 고유 망을 연계하는 교통데이터 수집 전용망을 구축하고, UIS 시설이 없는 도로에는 IP 기반 데이터 통신망을 구축한다. 그리고 정확한 정보가 실시간으로 제공되도록 고속 전송기술과 높은 전송 대역폭을 적용하며 노드 간 통신 중 발생할 수 있는 집중 트래픽에 대비 대비하여 망 계층을 분산설계하고 중복 수집되는 자료는 필터링하여 처리한다.

교통정보를 제공하기 위한 전제는 도로망으로부터 필요한 자료를 수집하여 유효한 정보로 처리, 가공되어 있어야 한다는 것이다. 교통정보 수집 시나리오는 크게 시간기준 교통정보 수집 시나리오와 노드 통과 기준 교통정보 수집 시나리오로 나눌 수 있다. 차량들은 자신의 t시간 동안의 주행자료를 수집하여 정보를 생성한다. 정상 상황에서는 UIS영향권 내에 있는 차량들은 UIS로 정보를 직접 전달한다.

UIS 영향권 밖에 있는 차량들은 영향권 내에 있는 주변 차량들에게 정보를 전달하여 이를 통해서 UIS로 주행자료를 전달한다. 반면 UIS 영향권 밖에 동일방향

의 주행 차량이 없는 경우, 반대 방향의 차량에게 정보를 전달하여 UIS로 주행자료를 전달한다.

유비쿼터스 교통체계는 통신망 구조를 기반으로 하는 네트워크이므로 모든 자료의 수집과 가공된 정보의 제공이 통신의 패킷 전송방식으로 이루어지게 된다. 그러므로 정보의 제공방식은 교통정보 제공전략의 수립을 위하여 중요하게 고려해야 할 사항이다. Vehicle Ad-hoc 네트워크에서 특정 정보를 보유한 임의의 노드가 나머지 노드들로 정보를 전달하는 전략은 크게 브로드캐스트 정보제공 전략과 멀티캐스트 정보제공 전략으로 나눌 수 있다.

여기에서 브로드캐스트(Broadcast)란 불특정 다수에게 정보를 제공하는 방식으로 고유의 노드가 범위 내 모든 노드들에게 정보를 전송하는 방식을 일컫는다. 즉, 전송 가능한 모든 곳으로 정보를 전송하는 통신 방식이다.

멀티캐스트(Multicast)란 한 송신자가 특정한 여러 수신자에게 한번에 동일한 데이터를 전송하는 방식이다. 불특정 다수가 대상이 아닌 특정 소수가 정보 수신의 대상이라는 점에서 브로드캐스트 방식과는 다르다. 유니캐스트(Unicast, 일대일 전송)방식에서는 그룹 통신을 위하여 여러 수신자에게 동일한 데이터를 전송할 경우 동일한 데이터 패킷을 각각의 수신자에게 여러 번 전송해야 한다. 이러한 동일 패킷의 반복전송은 네트워크의 효율을 저하하게 되지만, 멀티캐스트 방식으로 데이터를 전송하면 중복전송으로 인한 네트워크의 자원낭비를 최소화할 수 있다.

교통정보를 각 차량에게 전달해주는 매체에 따라 크게 지점기반 정보제공 전략(Position-Based Strategy)과 에이전트 기반 정보제공 전략(Agent-Based Strategy)로 나눌 수 있다.

지점기반 정보제공 전략에서 지점, 즉 정보제공의 역할을 하는 송신자는 바로 유비쿼터스 교통체계의 UIS가 된다. UIS는 인프라와 차량 간의 통신기능(I2V)과 다수 차량의 정보로부터 돌발상황을 감지하는 기능을 통해 UIS 통신반경 내 차량의 주행자료(구간 통행시간, 위치, 속도, 교통량, 등)를 수집하고, 돌발상황 발생 시 발생지점에 새로운 노드를 생성하여 구간통행시간을 추정한다. 이렇게 수집?가공된 정보를 I2V를 통하여 UIS 반경 내에 있는 차량으로 전송한다. 이때 교통관리 전략상의 목적에 따라 UIS 반경 내의 차량으로 정보가 제공된다.

에이전트(차량) 기반 정보제공 전략에서 송신 노드는 개별 차량인 UVS가 되고, 수신 노드들 역시 대다수가 움직이는 UVS가 되지만 고정되어 있는 UIS가 될 수도 있다. 에이전트 기반 정보제공 전략에서 에이전트의 속성은 다음과 같다.

첫째, 각 에이전트는 주어진 임무의 목표를 인지하고 임무 수행 시 필요한 과정과 절차를 구분하여 판단할 수 있는 인식능력(Cognitive Ability)이 있다.

둘째, 기존의 데이터가 아닌 실 시간적인 자극에 대응하여 행동하는 반응능력(Reactive Ability)이 있다.

셋째, 자율적 업무수행(Autonomy)으로 사람이 개입하지 않아도 에이전트 자체가 상황을 파악하여 해당 업무를 수행할 수 있다.

넷째, 필요에 따라 다른 에이전트들과 정보를 교환할 수 있으며, 이것은 차량 간 통신이 가능하다는 것을 의미한다.

다섯째, 환경이 변화해도 적절히 대처할 수 있는 환경 적응성 및 대처 능력을 가지고 있다.

여섯째, 임무를 효과적으로 수행하기 위해 관련 정보를 지속적으로 습득하여 갱신한다. 각각의 에이전트는 과거의 경험에서 정보를 습득하거나 다른 에이전트와의 정보교환으로 자체 정보를 갱신한다.

유비쿼터스 교통체계의 UVS 및 UIS는 자체적으로 구간 통행시간을 산출하는 기능을 수행한다. 예를 들어 교통사고가 발생하면 그 지점을 노드로 지정하여 새로운 링크가 생기고, 구간 통행시간을 실시간으로 갱신한다. 이렇게 산출된 교통관리 차원의 정보를 UIS에서 통신반경 내 차량에게 멀티캐스트로 전송해준다. UTC에서는 교통류관리를 위해 경로가 전환되어야 하는 차량대수와 전환경로 등을 지정하여 UIS로 보내고, UIS에서는 이러한 전략에 따라 차량에 대해 선별적으로 우회경로를 제공한다. 즉, 단일의 대안 경로를 설정하여 통신반경 내 모든 차량으로 동일한 우회경로를 제공하는 것이 아니라 전체 도로망이 최적화되도록 차량별로 경로정보 제공을 다르게 해주는 것이다. 만일 본선 경로에 대해 여러 개의 우회경로가 존재한다면 우회경로 별 전환율을 산정하고 UIS 통신반경 내 주행 중인 차량을 군집하여 그룹별로 다른 우회경로를 제공해준다. 이때 하나의 군집에게 멀티캐스트 방식으로 정보를 전송하게 된다.

즉, 유비쿼터스 교통체계의 지점기반 멀티캐스트 정보제공 전략(Position-Based Multicast Strategy)으로 전체 차량에게 단일의 최적 경로를 제공하는 것이 아닌 차량 군집별 우회경로를 제공하여 전체 도로망의 최적화를 이룰 수 있다.

지점기반 브로드캐스트 전략(Position Based-Broadcast Strategy)은 기존의 VMS를 통해 이루어진 정보제공 전략과 동일한 수준의 전략이다. 이 전략에서는 UIS의 유효반경 내 존재하는 모든 차량에게 교통류 관리 차원의 정보를 제공해 준다. 제공되는 정보에는 사고, 정체, 지체, 원활 등의 구간 소통정보와 구간 통행시간 정보이다.

에이전트기반 멀티캐스트 전략(Agent-Based Multicast Strategy)은 교통 네트워크의 효율화를 목적으로 하는 전략이라기보다는 특정 차량 간 필요한 정보들을 주고받기 위한 정보제공 전략이라고 할 수 있다. 예를 들어 동일 목적지로 가는 일부 차량끼리 V2V 통신으로 필요한 정보를 주고받아야 하는 경우에 적합한 전략이다. 이때, 일대 소수차량의 멀티캐스트 방식의 통신이 될 수도 있지만 경우에 따라서는 일대일 유니 캐스트 통신이 될 수도 있다.

유비쿼터스 교통체계의 에이전트 기반 브로드캐스트 정보제공 전략(Agent-Based Broadcast Strategy)에서 UVS는 차량 내 탑재된 단말기로 개별 차량의 위치, 시간 등의 정보를 수집하여 자체적으로 통행시간을 산출한다. 돌발상황이 발생하면 자체 센서를 이용하여 돌발상황을 감지하고, 돌발상황의 종류 등의 특성을 판정하여 발생 위치와 시간 등의 정보를 수집하고 가공한다. UVS는 이렇게 수집, 가공된 정보를 UIS에 전송하기도 하고 다른 차량에 전송하기도 한다. 즉, 정보를 지니고 있는 해당 차량의 UVS 통신반경 범위 내 모든 차량에게 정보가 브로드캐스팅 되는 것이다. 이때, UIS로 전송된 정보는 UTC로 전달되어 지점기반 전략에 의해 가공되고, 이렇게 가공된 정보는 다시 UIS를 통해 각 차량에게 제공된다. 또한, UIS는 V2V 정보제공의 보조적 역할도 수행해야 하는데, V2V를 통해 정보가 홉핑(hopping)되는 횟수와 반경 등을 제한하는 역할을 한다.

유비쿼터스 교통체계의 에이전트기반 브로드캐스트 정보제공 전략은 기존 정보제공 서비스에서는 제공할 수 없었던 실시간 정보제공이 가능하다. 기존의 정보제공은 일정시간 단위로 정보가 갱신되지만, 유비쿼터스 교통체계에서는 UVS가 자동으로 정보를 갱신한다. 또한, 센서를 거쳐 가공된 정보가 제공될 뿐만 아니라 주행 중인 다른 차량으로부터 즉각적인 자료를 수집하는 것이므로, 제공 정보의 실시간성이 향상된다.

한 차량으로부터 브로드캐스팅 될 때 동일 방향의 차선만이 아닌 반대 방향 차선의 차량에게도 정보가 전송된다. 정보를 전송받은 반대방향 차선의 차량이 주행 중에 계속 브로드캐스팅 하게 되면 동일 진행방향 하류부의 차량들이 도로 상류부의 상황을 빨리 인지할 수 있으므로, 변화하는 도로상황에 맞게 실시간으로 개별 최적경로를 갱신하게 된다. 특히 돌발상황이 발생하였을 때 사고지점에서 멀리 떨어진 하류부의 차량이라도 이러한 과정을 거쳐 목적지까지의 경로와 소요시간을 계속 갱신하여 더 나은 개별 경로를 찾게 된다.

차량 간 무선통신(V2V Communication)에 관한 기존연구를 살펴보면, Ziliaskopoulos와 Zhang(2003)은 처음으로 차량 간의 Ad-hoc 네트워크를 기반으로 한 분산형 교통정보 시스템을 제시하였고, 차량의 속도와 시장 점유율에 따라 정보가 어떻게 전달되는지 연구하였다.

Hao(2004)는 차량 간 무선통신에 있어 정보 전달에 영향을 주는 변수인 밀도, 평균속도, 차량 간 상대속도 등을 고려한 정보 전달 모형을 제시하였다.

Wischhof(2005)는 SOTIS(Self-Organizing Traffic Information System)라는 차량 간 통신 시스템을 제시하였는데, 실시간으로 통신간격을 교통상황에 따라 변화시켜 통신 시 필요한 대역폭을 줄일 수 있으며, 실험차량을 이용한 실험을 통해 낮은 장착차량 비율에서도 통신이 가능하다고 분석하였다.

Jin(2006)은 차량 간 통신의 정보 전송률에 대하여 시장점유율, 전송거리, 교통상황(밀도), 홉 핑 수에 따른 분석을 실시하였으며, 또한, Jin(2007)은 몬테카를로 시뮬레이션을 이용하여 통신반경, 밀도, 시장점유율에 따른 전송률에 대하여 비교연구를 하였다.

Artimy(2007)는 교통류 모형을 기반으로 차량의 이동패턴을 이용하여 실시간으로 구간의 밀도를 추정하여 통신범위를 설정하는 모형을 제시하였으며, 시뮬레이션 결과 과부하로 인한 연결 끊김 현상의 감소 또는 높은 연결성을 보였다.

Kim(2007)는 Vehicle Ad-hoc 네트워크에서 교통정보의 전달속도를 조사하기 위하여 다양한 교통수요 및 시장점유율에 대한 모의실험을 실시하였다. 실제 시스템에서 나타나는 교통특성과 통신특성을 표현하기 위해 교통시뮬레이터 Pramics와 통신시뮬레이터 Qualnet을 시간으로 동기화한 시뮬레이션 환경을 사용하였고, 모의실험을 통하여 정보의 전달속도를 측정하였다. 실험결과 낮은 시장점유율에서도 교통정보가 효율적으로 전달되는 것으로 나타났다.

통행시간 산정 관련 종래 기술을 살펴 보면, 일반적으로 가장 많이 이용되고 있는 루프검지기(Loop Detector) 데이터를 이용한 연구에서 Petty(1998)는 단일 루프검지기로부터의 데이터를 이용하여 속도 추정 시 Common Vehicle Length를 가정하여 결점이 존재하는 것을 보완하기 위해 통행량과 점유율 만을 가정하여 통행시간을 산출하였으며, 이는 Probe Vehicle Data와 이중 루프 기반의 통행시간과 비교했을 때 정확한 것으로 분석하였다.

Cortes(2001)는 개별차량의 지점속도와 Aggregated Detector Data를 이용한 통행시간 산출 방법을 제안하였으며, Time Interval이 1분일 때보다 3분일 때 좀 더 정확한 것으로 나타났다.

Lint(2003)는 이중 루프 검지기를 이용하여 상류부와 하류부 검자기 데이터를 이용하여 Piecewise Constant-Speed-Based(PCSB) Trajectory Method와 Piecewise Linear-Speed-Based(PLSB) Trajectory Method를 통해 통행시간을 산출하였으며 PLSB가 PCSB 보다 더 중요한 것으로 분석하였다.

Smith(2003)는 혼잡상황에서 검지기의 위치가 통행시간 추정의 주요 파라미터라는 것에 초점을 맞추어 분석구간을 램프 진출입 전?후 및 기본 구간으로 나누고 진출?입 교통량을 변화시키며 통행시간을 추정하였다.

Hobeika(2004)는 사고 및 병목구간 발생으로 인한 지체에 영향을 주는 요소들(Start Time, Clearance Time, Response Time, Buildup of Queue, Dissipation of Queue)을 고려한 통행시간 산정 알고리즘을 개발하였다.

AVI(Automatic Vehicle Identification)를 이용한 통행시간 추정 연구에서 장진환(2004)은 분석구간의 잦은 유출?입 지점으로 인한 원시 AVI 자료의 이상치를 제거하기 위한 알고리즘을 제안하여 이상치를 제거한 후, 칼만 필터링 알고리즘을 이용하여 다양한 수집주기별로 통행시간 예측을 수행하고 MARE와 RRSE 등의 평가지표를 이용하여 모형을 평가하였다.

임형석(2005)은 AVI로부터 수집된 자료의 적합성 분석 및 단속류 구간통행시간 자료의 적정집계간격 산정을 위한 통계적 결정방법을 연구하였으며, 현재의 AVI 수집자료는 모든 차로에 대한 통행시간 수집자료와 교통특성에 차이가 있으므로 AVI 자료를 이용하여 산출된 구간통행시간은 구간의 대표 값으로 적용하는데 한계가 있다는 결론을 얻었다. 또한, 점 추정과 구간추정방법을 이용하여 단속류 구간에서 5분 집계간격이 적정한 것으로 분석하였다.

TCS(Toll Collection System)를 이용한 통행시간 추정 연구에서 김재진(2006)은 베이지안 추론을 적용한 고속도로 중심의 출발시간 기준 On-line 링크통행시간 추정 알고리즘을 제시하였으며 추정 알고리즘을 적용하기 전보다 통행시간 정보의 정확성과 신속성 측면에서 개선된 통행시간 대표값을 추정하는 것으로 분석하였다. 또한, 실시간 통행시간 정보제공을 위한 적정 링크길이를 결정하여 출발시간 기준 실시간 통행시간 정보 제공방법론과 공간적 설계기분을 제시하였다.

Probe Vehicle을 이용한 통행시간 추정 연구에서 최기주(2004)는 수집단계 차원에서의 이상치 제거의 필요성을 설명하고 이상 치에 대한 개념 정립을 통해 ARIMA 모형을 적용한 이상치 제거 알고리즘을 제안하였으며, 모수 추정시간에 따라 이상치 제거 결과가 민감하게 반응하는 것으로 분석하였다. 또한, 도심부에서 택시 GPS를 통해 교통정보를 생성할 경우 주행과 관계없는 정보를 실시간으로 검지하여 제거하는 휴리스틱 방법의 이상치 제거 알고리즘을 개발하였다.

심상우(2006)는 통행시간 자료를 주기 단위로 수집할 경우 수집주기 내에 링크를 통과하지 못하는 데이터는 사용할 수 없으며, 특히 혼잡시 이러한 데이터가 많이 발생하여 혼잡정보가 늦게 제공되는 문제점을 해결하기 위해 일반 승용차를 Probe 차량으로 이용하여 주행거리 및 시간, 정차시간, 대기행렬 소멸길이, 녹색시간, 신호주기를 추정하여 링크통행시간을 추정하는 기법을 개발하였다.

자료 융합을 통한 통행시간 추정 연구에서 정연식(1999)은 GPS Probe 차량의 자료와 루프 검지기 자료를 이용하여 Voting Technique, 퍼지회귀, 베이지안 기법을 이용하여 알고리즘을 개발하였으며, 그 결과 소통상황이 원활한 경우에는 데이터 퓨전 알고리즘의 효과가 미미하였지만, 소통상황이 원활하지 못한 경우와 도로의 특수한 상황에서는 그 효과가 우수하게 나타났다.

김성현(2005)은 일반국도의 지점 검지기와 AVI 기반으로 각각 산출한 통행시간의 융합을 위해 최적화 융합모형과 비례화 융합모형을 각각 개발하였으며, 기존의 모형인 분산비 융합모형과 비교평가 하였다. 그 결과 실시간 차원의 동적 융합비 예측모형인 최적화 융합모형이 가장 우수한 추정력을 보여주었고, 비례화 융합모형 역시 기존의 모형보다 우수한 것으로 분석되었다.

오철(2005)은 이종의 센서로부터 수집된 차량의 자기신호를 이용하여 개별차량이 가진 고유한 특성을 추출하고 이를 이용하여 주어진 구간에서 차량을 재인식하는 알고리즘을 개발하였으며, 유전자 알고리즘에 기반을 둔 파라미터 정산방법을 개발하고 통행시간을 산출하여 개발된 알고리즘을 평가하였다.

중앙 집중형 교통정보 시스템에 비해 분산형 교통정보 시스템에서의 통행시간 추정 알고리즘에 관한 연구는 아직까지 많은 연구가 진행되지 않았다. Xu와 Barth(2006)는 처음으로 차량 간 통신을 기반으로 한 교통정보 시스템에서의 통행시간 추정기법을 제시하였다. 차량 간 정보를 교환할 때 또는 정해진 구간을 통과할 때마다 통행시간을 추정하는 방법을 개발하였고, 교통시뮬레이터 Paramics와 통신시뮬레이터 NS-2의 통합 시뮬레이터를 이용하여 알고리즘을 비교, 평가하였다.

Xu and Barth의 알고리즘에서 차량 간 정보 전송 시, 정보를 받는 차량은 기존의 차량 내 DB에서 추정된 구간통행시간과 차량이 받게 되는 패킷(Packet)의 구간통행시간 중에서 최근에 추정된 것을 선택한다. 구간 통행시간의 추정은 도로의 구간을 통과할 때마다 이루어지는데, 기존에 차량의 DB내에 n개의 데이터를 이용하여 산출한 통행시간 t(i)에 차량의 실제 구간통행시간을 더한 다음 n+1로 나누어 통행시간을 추정하며 그 식은 (식1)과 같다.

: 구간 i의 추정 통행시간

t(i) : 구간 i에서의 추정 통행시간

time(i) : 구간 i에서의 통행시간

n: 사용된 데이터 수

상기와 같이 제시된 방법은 구간 통행시간을 추정하는데 효과적이었으나, 일정시간이 지난 과거의 자료를 계속 반영하기 때문에 교통류가 급격하게 변하는 상황에 대처하지 못하는 단점이 있다.

Kim(2007)은 분산형 교통정보 시스템에서 신뢰성 있는 교통정보를 가공하기 위해 필요한 데이터 수에 관한 연구를 수행하였다. 일반적으로 중심 극한이론에 따라 최소 30개 이상의 데이터가 적합하나, 교통이 혼잡한 상황에서는 그 이상의 데이터가 필요한 것으로 나타났다.

통행시간 추정 알고리즘 개발과 관련된 기존의 연구들은 다양한 기법을 이용하여 통행시간 추정 알고리즘을 제시하였다. 그러나 지점기반 검지 체계에서는 동 시간대의 지점별 자료를 이용하여 통행시간을 추정하므로 시?공간적으로 이동하는 실제 차량과는 동일 차량이 아닌 지점별로 존재하는 다른 차량의 통행특성에 의해 산출되어 실제 통행시간과는 이격이 발생한다. 구간 검지 체계로부터 측정되는 통행시간은 피할 수 없는 시간 처짐 현상이 발생하고, Probe 차량을 이용하였을 경우에는 Probe 차량이 승용차가 아닌 대중교통 특성으로 인한 이상치가 발생한다. 또한, 차량 간 통신을 기반으로 한 분산형 교통정보 시스템에서는 아직까지 다양한 교통 상황을 고려하지 못한다는 한계점을 가진다.

이에 본 발명은 상기와 같은 종래 통행시간 추정 알고리즘에서 발생하는 제반 문제점을 해결하기 위해서 제안된 것으로서,

본 발명이 해결하려는 과제는, 에이전트(차량)를 기반으로 통행시간을 실시간으로 추정할 수 있도록 한 에이전트 기반 실시간 통행시간 산정장치 및 그 방법을 제공하는 데 있다.

본 발명이 해결하려는 다른 과제는, 차량 간 실시간 통신을 통해 시간 처짐 현상이 발생하지 않고, Incident Condition 등 여러 교통상황을 복합적으로 고려할 수 있는 에이전트 기반 실시간 통행시간 산정장치 및 그 방법을 제공하는 데 있다.

상기와 같은 과제들을 해결하기 위한 본 발명에 따른 "에이전트 기반 실시간 통행시간 산정장치"는,

도로를 주행하면서 통행시간 산정을 위한 원시자료를 수집하는 정보 수집부와;

상기 수집한 원시자료의 오류를 판단 및 보정 하고, 상기 보정 한 자료를 가공처리한 후, 정보를 수집한 시각에 대한 가중치를 적용하여 구간 통행시간을 산정하는 제어부와;

상기 제어부에서 산정한 구간 통행시간을 사용자가 인식할 수 있도록 화면에 표시해주는 정보 표시부를 포함한다.

또한, 본 발명에 따른 "에이전트 기반 실시간 통행시간 산정장치"는,

자신의 위치 정보와 차량 고유번호 및 시간을 포함하는 원시 정보를 다른 차량에게 전송하는 정보 전달부를 더 포함한다.

상기와 같은 과제들을 해결하기 위한 본 발명에 따른 "에이전트 기반 실시간 통행시간 산정방법"은,

도로를 주행하면서 통행시간 산정을 위한 원시자료를 수집하는 정보수집단계와;

상기 수집한 원시자료의 오류를 판단 및 보정 하는 정보보정단계와;

상기 보정 한 자료를 가공처리한 후, 정보를 수집한 시각에 대한 가중치를 적용하여 구간 통행시간을 산정하는 통행시간 산정단계를 포함한다.

상기 정보보정단계는,

수집된 원시자료 중 패턴을 왜곡시키는 요소인 이상치를 제거하는 단계를 포함한다.

상기 정보보정단계는,

상기 이상치가 제거된 수집 자료에 대한 평활화를 수행하는 단계를 포함한다.

상기 통행시간 산정단계는,

갱신 주기와 자료 샘플 수 및 자료 시간제한이라는 항목을 기반으로, 수집한 자료를 가공 및 처리하는 것을 특징으로 한다.

본 발명에 따르면, 에이전트(차량)를 기반으로 통행시간을 실시간으로 정확하게 추정할 수 있는 장점이 있다.

또한, 본 발명에 따르면, 차량 간 실시간 통신을 통해 시간 처짐 현상이 발생하지 않고, Incident Condition 등 여러 교통상황을 복합적으로 고려하여 최적의 통행시간을 산정할 수 있는 장점이 있다.

도 1은 일반적인 유비쿼터스 교통체계의 망 구조도.
도 2는 본 발명의 에이전트 기반 실시간 통행시간 산정 개념도.
도 3은 본 발명에 따른 에이전트 기반 실시간 통행시간 산정장치의 구성도.
도 4는 본 발명에 따른 에이전트 기반 실시간 통행시간 산정방법의 흐름도.
도 5는 본 발명에서 모의실험 대상 구간 예시도.
도 6은 본 발명에서 모의실험 대상 구간의 현황도.
도 7은 본 발명에서 정산대상 파라미터 설명도.
도 8은 본 발명에서 지점속도로부터 구간통행시간 추정의 예시도.
도 9는 추정 통행시간의 정확도(정상 교통상황에서의 MAPE)
도 10은 추정 통행시간의 정확도(정상 교통상황에서의 Theils 부등계수)
도 11a 내지 도 11e는 정상 상황에서의 시간대별 통행시간 그래프.
도 12는 추정 통행시간의 정확도(사고 상황에서의 MAPE)
도 13은 추정 통행시간의 정확도(사고 상황에서의 Theils 부등계수)
도 14a 내지 도 14e는 사고 상황에서의 시간대별 통행시간 그래프.

이하 본 발명의 바람직한 실시 예를 첨부한 도면에 의거 상세히 설명하면 다음과 같다. 본 발명을 설명하기에 앞서 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그에 대한 상세한 설명은 생략한다.

도 2는 본 발명에 따른 "에이전트 기반 실시간 통행시간 산정장치"의 개략 구성도로서, 참조부호 100은 UVS로서, 차량에 탑재된 단말기이며, 노드라고 할 수 있으며, 일반적인 내비게이션을 이용할 수도 있다.

도 3은 본 발명에 따른 "에이전트 기반 실시간 통행시간 산정장치"의 블록도로서, 도로를 주행하면서 통행시간 산정을 위한 원시자료를 수집하는 정보 수집부(110)와, 상기 수집한 원시자료의 오류를 판단 및 보정 하고, 상기 보정 한 자료를 가공처리한 후, 정보를 수집한 시각에 대한 가중치를 적용하여 구간 통행시간을 산정하는 제어부(130)와, 상기 제어부(130)에서 산정한 구간 통행시간을 사용자가 인식할 수 있도록 화면에 표시해주는 정보 표시부(150)와, 자신의 위치 정보와 차량 고유번호 및 시간을 포함하는 원시 정보를 다른 차량에게 전송하는 정보 전달부(140) 및 정보를 저장하는 데이터베이스(120)로 구성된다.

도 4는 본 발명에 따른 "에이전트 기반 실시간 통행시간 산정방법"을 보인 흐름도로써, 개발 차량의 구간 통행시간을 추출하는 단계(S10), 교통정보를 전달하는 단계(S20), 원시자료를 수집하는 단계(S30), 이상치를 제거하는 단계(S40), 누락자료와 오류자료를 판단하고 보정하는 단계(S50), 자료를 평활화하는 단계(S60), 정보가공 및 구간 통행시간을 산정하는 단계(S70)를 포함한다.

이와 같이 구성된 본 발명에 따른 에이전트 기반 실시간 통행시간 산정장치 및 그 방법에 대해서, 자세하게 설명하면 다음과 같다.

기존의 ITS 교통체계에서는 루프 검지기, 영상 검지기 등에서 수집된 정보를 바탕으로 센터에서 통행시간을 산정하였으나, 유비쿼터스 교통체계에서는 UVS(100)에서 정보를 수집하는 동시에 실시간으로 통행시간을 산출한다. 자료를 수집하여 정보를 생성할 때에는 원시자료의 수집, 이상치 제거, 오류자료 판단 및 결측자료 처리, 평활화, 정보생성 등의 과정을 거치게 된다.

먼저, 차량에 탑재된 UVS(노드)(100)는 자신의 구간 통행시간을 추출하고, 이러한 정보를 다른 차량에게 전달하게 된다(S10, S20).

다음으로, u-TSN의 기본적인 단위로서 차량에 탑재된 UVS(노드)(100)의 정보 수집부(110)는 도로를 주행하면서 원시자료를 수집하게 된다(S30). 이때 수집하는 원시자료는 주행 중인 차량의 위치정보이다. 이 중 위치정보는 주행 중인 차량의 고유번호(id)와 자료수집 시간, 위상(x, y, z) 정보이며, 이 정보들은 구간 통과 시 자체 수집 또는 차량 간 정보전송에 의해 수집되어 UVS의 데이터베이스(DB)(120)에 누적된다.

UVS(100)에서 원시자료 수집 시 오류자료를 포함하고 있거나 교통정보를 생성하는데 필요한 자료가 누락되기도 한다. 따라서 제어부(130)의 이상치 제거모듈(131)은 상기 원시자료에 대해 가장 우선적으로 이상치를 제거한다(S40). UVS에서 수집된 자료 중 패턴을 왜곡시키는 요소들인 이상치를 제거함으로써 수집된 자료의 정확한 패턴 변화를 알아낼 수 있다. 수집된 자료가 통행시간 자료일 경우, 발생할 수 있는 이상치 요인은 다음과 같다.

차량 주행 도중 고장 및 주차중에 의해 소요된 통행시간이 너무 장시간인 경우, 긴급 주행 또는 불법주행 등으로 소요된 통행시간이 너무 짧은 경우이다.

이러한 이상치를 제거한 수집된 자료는 장비의 성능, 정보전송 상태, 기후 등 주변 환경에 의해 오류가 발생하거나 누락될 가능성이 있으므로 수집된 자료에 대한 누락자료 및 오류자료의 판단 및 보정 과정을 수행하게 된다(S50). 수집주기 단위별로 자료가 수집되지 않을 경우 이를 누락자료로 간주하고, 동일한 값의 자료가 연속적으로 검출되는 경우 또는 수집되는 자료의 값이 일정한 값보다 크거나 작을 경우에는 오류자료로 판단한다. 누락자료 및 오류자료로 판단된 자료는 보정과정을 거쳐야 하며, 이러한 자료는 문제를 해결한 후 별도로 관리하고 보정된 자료만이 교통관리 전략에 사용된다.

UVS에서는 1초 간격으로 자료를 수집하므로 이전 수집시각과의 차이가 2초 이상이면 현재 자료를 오류자료로 간주한다. 또한, 차량의 속도 100Km/h를 기준으로 했을 때 초당 주행거리는 약 28m 정도가 되므로, 이전 수집 자료와의 거리가 28m 이상 차이가 나면 현재 수집 자료를 오류자료로 판단한다. 오류 자료가 검출되면 UVS 자체에 가지고 있는 5분 이내 30개 미만의 자료를 이용하여 누락 및 오류자료를 보정 한다.

도로에서 실시간으로 수집되는 자료는 짧은 주기 동안 수집되므로, 자료의 일시적인 변동이 포함될 수 있고, 이로 인한 교통자료의 불안정성이 발생하는 것을 방지하기 위해 오류 및 누락자료에 대한 최종 보정 방법으로 평활화 과정을 수행해야 한다. 평활화 단계(S60)는 UVS 단말기 자체오류 또는 자료의 일시적 변동을 완화함으로써 발생 가능한 오류 및 불안전 요소를 감소시키기 위한 과정이다. 수집되는 자료 중 불안정한 수집자료에 대한 보정과정 수행 후 자료에 대한 평활화 과정이 수행된다.

수집된 원시자료와 필터링된 자료를 이용하여 구간 통행시간을 실시간으로 산출한다(S70). 자료들을 가공?처리하여 정보를 생성하고 갱신하는 것은 차량 간 통신을 할 때마다 수행하는 것으로 가정한다. 또한, 정보를 가공할 때 5분 이내 수집된 자료 중 30개 미만의 자료를 사용하는 것으로 가정한다.

UVS에서 가공?처리하는 구간 통행시간 정보는 차량에 탑재된 UVS가 한 구간의 주행이 끝날 때마다 수집해 온 자료를 이용하여 산출된다. 본 발명에서는 구간 통행시간 산출 시 수집된 시각에 대한 가중치를 적용하였다. 이는 최근에 수집된 자료가 더 신뢰성 있고 교통상황을 예측하기에 타당하다고 판단되었기 때문이다. 가중치의 적용은 3가지 경우로 나누어 알고리즘을 개발하였다.

제안 알고리즘은 Exponential Decay Function을 이용한 통행시간 산정 알고리즘이다. Exponential 형태의 함수를 이용하여 가중치를 적용하도록 하였고, Decay Factor은 0에서 1 사이의 값 중에서 실제 통행시간과의 차이가 가장 작은 값을 정하도록 하였으며, 아래의 수식 2와 같다.

: n번째 단말기 장착차량 DB내의 구간 i에 대해 제안 알고리즘에 의해 산정된 구간 통행시간

: n번째 단말기 장착차량 DB내의 구간 i에서 d번째 데이터의 실제 구간통행시간

이 수집된 시각

: n번째 단말기 장착차량 DB내의 구간 i에서 통행시간 산정에 사용된 데이터 수

: 데이터에 적용된 가중치

n: 분석구간 내 모든 단말기 장착차량

i: 차량 n의 목적지까지의 모든 구간

본 발명에서 개발된 에이전트 기반 실시간 통행시간 산정 알고리즘의 검증을 위해서 실험을 통한 평가를 수행하였다. 교통정보 제공전략과 그에 따른 알고리즘의 분석은 현장 실측자료로 평가하는 것이 가장 효과적이나, 에이전트 기반 교통정보 제공전략은 아직 개발 중인 기술로 실제로 교통정보 시스템에 적용한 사례가 아직 없고, 현실에서 실험을 하기에는 너무 많은 비용이 소요된다. 따라서 컴퓨터 모의실험 환경에서 효과평가를 수행하였다.

모의실험을 통한 분석과정은 분석 대상구간의 선정, 분석 시나리오 구성, 모의실험 환경 구축 및 API 모듈 개발, 파라미터 정산, 모의실험 실행 후 정확도 평가의 단계로 이루어진다.

모의실험을 위한 대상구간으로 중부고속도로의 일부 구간(동서울 TG ~ 호법 JC)과 제2중부고속도로를 선정하였다. 본 발명에서는 상하행선을 모두 고려하였으며, 도 5는 모의실험을 위해 선택된 대상구간을 보여주며, 도 6은 모의실험 대상 구간의 현황이다.

분석 시나리오를 구성하기에 앞서 통행시간 산정에 영향을 줄 것으로 예상되는 변수들을 설정하였다. 본 발명에서 가장 중요한 변수는 도로의 서비스 수준과 시장 점유율(단말기 장착차량 비율)이므로 두 개 변수의 변화에 따른 다양한 교통상황을 구성하려고 노력하였다. 또한, 교통상황을 정상 교통상황과 사고 상황으로 분류하였다. 모의실험에서 사용된 주요 파라미터들을 정리하면 도 7과 같다.

모의실험에서 다양한 교통상황을 만들기 위해 대상 구간의 연평균일 교통량을 근거로 LOS A부터 LOS E까지의 5단계로 진입 교통량의 수준을 정의하였다. 단말기의 시장점유율의 경우 시스템 도입 초기를 고려하여 5%에서 20%까지의 백분율을 가정하였다. 또한, 사고 상황일 때 교통류가 급변하는 것을 표현하기 위해 모의실험이 시작되고 30분 후 곤지암IC 하행선 부근에 사고가 발생하여 10분간 지속하도록 시나리오를 설정하였다.

차량 간 브로드캐스트 간격은 1초로 가정하였고, u-TSN 환경에서의 통신기술인 802.11p를 가정하여 통신반경은 1000m로 설정하였으며, 통신실패율은 1%로 가정하였다. 또한, 모의실험 시간은 Warming-Up 시간 10분을 포함하여 60분으로 설정하였다.

u-TSN 기반 교통정보 시스템을 위한 모의실험 환경을 구성하기 위해, 미시적 교통시뮬레이터인 AIMSUN을 사용하였다. AIMSUN은 단위 시간별로 모의실험 구간 내 개별 차량의 움직임을 연속적으로 파악하여 분석하며, HLA(High Level Architecture) 개념의 통합시뮬레이션을 가능하게 하는 API(Application Program Interface) 기능이 포함되어 있다.

대상 구간으로 선정된 중부고속도로와 제2중부고속도로의 CAD파일과 이미지 파일을 이용하여 모의실험 네트워크를 구현하였다. 또한, 도로를 주행 중인 단말기 장착차량이 차량 내 DB에 통행시간을 저장하고, 통신반경 내의 다른 단말기 장착차량에 정보를 전달하여 통행시간을 산정하는 API 모듈을 개발하여 모의실험에 적용하였다.

모의실험을 위한 평가결과가 신뢰성을 갖기 위해서는 교통 시뮬레이터가 대상구간의 현장상황을 현실감 있게 재현할 수 있어야 한다. 도로 기하구조, 교통류 특성, 운전자의 형태 등 AIMSUN에서 기본적으로 제공하는 값을 파라미터로 적용시킬 경우, 다양한 교통 환경에 대한 모의실험의 현장감을 확보하는데 어려움이 있다. 따라서 모의실험을 이용하여 효과를 분석하기 전에 분석대상 도로의 실제 교통상황 반영능력을 높이기 위해 파라미터 값을 정산하는 과정을 거쳐야 한다.

본 발명에서는 파라미터 정산을 수행하기 위해 유전자알고리즘을 사용하였다. 대상 구간의 TCS(Toll Collection System)자료를 이용하여 O/D를 생성하였고, 검지기 자료를 이용한 현장 속도 값과 시뮬레이터 상 속도 값의 제곱평균제곱근오차(RMSE: Root Mean Squared Error)를 적합도 값(Fitness Value)으로 설정하였으며, 식3은 상기 적합도 값을 보인 것이다.

Fitness Value: 적합도

: i번째 검지기의 실제 속도

: i번째 검지기의 시뮬레이션 상의 속도

N: i번째 검지기의 관측치 수

본 발명에서 개발된 알고리즘의 정확도를 평가하기 위해 기존의 루프 검지기를 이용한 추정방법, Xu and Barth의 알고리즘과 제안알고리즘을 비교하였다. 루프 검지기의 지점속도를 이용한 추정방법은 대상구간에 설치되어 있는 루프 검지기에서 수집되는 지점속도 자료를 이용하여 보간법을 통해 통행시간을 추정하였다. 지점속도의 추정은 산술평균을 적용할 경우 과대 추정되는 문제가 있어 속도추정에 신뢰성을 떨어 지게 되므로 조화평균을 사용하였다.

도 8은 지점속도로부터 구간통행시간 추정의 예를 보인 것이다.

일반적으로 알고리즘의 정확도를 평가하는 척도는 다양하나, 절대적인 기준은 없다. 본 발명에서는 통행시간의 정확도를 평가하기 위한 지표로 평균절대비율오차(MAPE: Mean Absolute Percentage Error)와 Theil's 부등계수(Theil's Inequality)를 사용하였다. MAPE는 값이 작을수록 알고리즘의 정확도가 높다고 평가할 수 있으며, Theil's 부등 계수는 1보다 작으면서 값이 작을수록 알고리즘의 정확도가 높다고 할 수 있다.

정상 교통상황에서의 모의실험을 통한 정확도 평가결과를 알고리즘별로 도 9 및 도 10에 정리하였다. 본 발명에서 제시한 Exponential Decay Function을 적용한 제안알고리즘이 가장 우수한 성능을 나타내었다.

교통수요 수준에 따른 알고리즘의 정확도 평가결과를 살펴보면 LOS A에서 LOS C까지는 도로의 교통량이 증가할수록 정확도가 높은 것으로 나타난 반면, LOS D부터는 교통량이 증가할수록 알고리즘의 정확도가 낮아지는 것으로 나타났다. 시장 점유율에 따른 알고리즘의 정확도를 살펴보면, 단말기 장착차량의 비율이 증가할수록 알고리즘의 정확도가 높아지는 것으로 나타났다.

LOS A일 때 시장점유율에 따른 MAPE를 살펴보면, 루프 검지기의 지점속도를 이용한 통행시간 추정방법은 8.7789%, Xu and Barth의 알고리즘은 5.3406~6.8675%, 제안 알고리즘은 0.2236~0.5761%의 오차를 나타내었다. LOS A에서는 제안알고리즘이 가장 우수한 성능을 보였다.

LOS B일 때 시장점유율에 따른 MAPE를 살펴보면, 루프 검지기의 지점속도를 이용한 통행시간 추정방법은 7.8699%, Xu and Barth의 알고리즘은 5.2244~6.1716%, 제안알고리즘은 0.3038~0.4759%의 오차를 나타내었다. LOS B에서는 LOS A보다 알고리즘의 오차가 작아졌는데, 교통량의 증가와 함께 단말기 장착차량도 증가했기 때문이라고 판단된다.

LOS C일 때 시장점유율에 따른 MAPE을 살펴보면, 루프 검지기의 지점속도를 이용한 통행시간 추정방법은 7.426%, Xu and Barth의 알고리즘은 4.9753~5.5554%, 제안알고리즘은 0.1794~0.3459%의 오차를 나타내었다. 단말기 장착차량의 증가로 인해 LOS C에서는 LOS B보다 알고리즘의 오차가 더 작아지는 것으로 나타났다.

LOS D일 때 시장점유율에 따른 MAPE를 살펴보면, 루프 검지기의 지점속도를 이용한 통행시간 추정방법은 9.1052%, Xu and Barth의 알고리즘은 5.9719~6.6454%, 제안알고리즘은 0.2711~0.3857%의 오차를 나타내었다. LOS D에서는 교통량의 증가로 단말기 장착차량이 증가했으나, 도로의 교통상황이 불안정하여 정확도는 LOS C보다 낮아지는 것으로 나타났다.

LOS E일 때 시장점유율에 따른 MAPE를 살펴보면, 루프 검지기의 지점속도를 이용한 통행시간 추정방법은 15.2728%, Xu and Barth의 알고리즘은 9.4075~10.3376%, 제안알고리즘은 0.3172~0.4126%의 오차를 나타내었다. 도로의 서비스 수준에 따른 알고리즘의 정확도는 LOS E에서 가장 오차가 높은 것으로 나타났다.

도 11a 내지 도 1e는 구간의 시간대 별 산정된 통행시간을 나타낸 그래프이다. 제안 알고리즘은 실제 통행시간과 거의 유사한 결과를 보였다. 루프 검지기의 지점속도를 이용한 통행시간 추정방법과 Xu and Barth의 알고리즘은 도로의 교통량이 증가하여 흐름이 불안정해 질수록 실제 통행시간과의 차이가 크게 발생하였다.

사고 상황에서의 모의실험을 통한 정확도 평가결과를 도 12 및 도 13에 도시하였다. 정상 교통상황에서와 마찬가지로 Exponential Decay Function을 적용한 본 발명이 가장 우수한 성능을 나타내었다.

교통수요 수준에 따른 알고리즘의 정확도 평가결과를 살펴보면 LOS A와 LOS B에서는 도로의 교통량이 증가할수록 정확도가 높은 것으로 나타난 반면, LOS C부터는 교통량이 증가할수록 알고리즘의 정확도가 낮아지는 것으로 나타났다. 특히, 루프검지기의 지점속도를 이용하여 통행시간을 추정하는 방법과 Xu and Barth의 알고리즘은 정상 상황일 때보다 오차가 더 커지는 것으로 나타났다. 시장점유율에 따른 알고리즘의 정확도를 살펴보면, 단말기 장착차량의 비율이 증가할수록 알고리즘의 정확도가 높아지는 것으로 나타났다.

LOS A일 때 시장점유율에 따른 MAPE를 살펴보면, 루프 검지기의 지점속도를 이용한 통행시간 추정방법은 9.4293%, Xu and Barth의 알고리즘은 6.2763~7.2853%, 제안알고리즘은 0.2403~0.4177%의 오차를 나타내었다. LOS A에서는 제안알고리즘이 가장 우수한 성능을 보였다.

LOS B일 때 시장점유율에 따른 MAPE를 살펴보면, 루프 검지기의 지점속도를 이용한 통행시간 추정방법은 21.3737%, Xu and Barth의 알고리즘은 29.1944 ~ 30.8162%, 제안알고리즘은 0.2321~0.2589%의 오차를 나타내었다.

LOS C일 때 시장점유율에 따른 MAPE를 살펴보면, 루프 검지기의 지점속도를 이용한 통행시간 추정방법은 21.7811%, Xu and Barth의 알고리즘은 27.1817 ~ 30.8612%, 제안알고리즘은 0.2684 ~ 0.3087%의 오차를 나타내었다. LOS C에서는 LOS B보다 알고리즘의 오차가 조금 더 커지는 것으로 나타났다.

LOS D일 때 시장점유율에 따른 MAPE를 살펴보면, 루프 검지기의 지점속도를 이용한 통행시간 추정방법은 24.0618%, Xu and Barth의 알고리즘은 32.8374 ~ 34.3101%, 제안알고리즘은 0.2761~0.3702%의 오차를 나타내었다.

LOS E일 때 시장점유율에 따른 MAPE를 살펴보면, 루프 검지기의 지점속도를 이용한 통행시간 추정방법은 24.1867%, Xu and Barth의 알고리즘은 29.3720 ~ 35.0741%, 제안알고리즘은 0.2597~0.3926%의 오차를 나타내었다. 도로의 서비스 수준에 따른 알고리즘의 정확도는 LOS E에서 가장 오차가 높은 것으로 나타났다.

도 14a 내지 도 14e는 사고가 난 곤지암 IC 부근 하행선 구간의 시간대 별 산정된 통행시간을 나타낸 그래프이다. 제안알고리즘은 실제 통행시간과 거의 유사한 값을 나타내었으나, 루프 검지기의 지점속도를 이용한 통행시간 추정방법과 Xu and Barth의 알고리즘은 정상 교통상태보다 알고리즘의 오차가 더 커지는 것으로 나타났다. 루프 검지기의 지점속도를 이용한 통행시간 추정방법이 제안 알고리즘에 비해 오차가 큰 이유는 실제 구간통행시간이 아닌 검지기를 통과할 때의 시간으로 통행시간을 추정하기 때문이라고 판단된다.

또한, Xu and Barth의 알고리즘은 일정 시간이 지난 과거의 자료를 계속 반영하기 때문에 사고 등으로 인해 구간 내 동일시간대에 차량의 속도가 급격히 변할 경우 실제 통행시간과의 차이가 크게 발생 되었다.

전술한 결과들을 종합해보면 본 발명에서 개발한 에이전트 기반 통행시간 산정 알고리즘은 루프 검지기의 지점속도를 이용한 통행시간 추정방법과 Xu and Barth의 알고리즘에 비해 정상 교통상황과 사고 상황에서 모두 우수한 성능을 나타내었다. 특히 제안 알고리즘이 가장 우수한 성능을 나타내었는데, 개발된 알고리즘이 우수한 성능을 나타낸 이유는 비교대상 방법과는 달리 실제 구간통행시간을 바탕으로 수집한 5분 이내 유효데이터를 이용하였고, 수집시각과의 차이를 바탕으로 가중치를 적용하였기 때문이라고 판단된다. 특히 짧은 시간에 도로 상황이 급변하는 경우 통행시간을 추정하는데 효과적인 것으로 분석되었다.

단말기 장착차량 비율에 따른 정확도를 살펴보면, 장착차량의 비율이 높을수록 알고리즘의 정확도가 높아지는 것으로 나타났다. 특히, 제안 알고리즘의 경우 단말기 장착차량 5%의 비율에서도 오차가 1% 미만으로 분석되어 낮은 시장점유율에서도 효과적인 것으로 분석되었다.

교통수요 수준에 따른 알고리즘의 정확도를 살펴보면, 정상 교통상황에서 LOS A에서 LOS C까지는 교통량이 증가하면서 단말기 장착차량도 함께 증가하여 알고리즘의 정확도가 높아졌으나, LOS D부터는 교통량이 증가함에 따라 도로의 교통상황이 불안정해지면서 알고리즘의 정확도가 떨어지는 것으로 분석되었다. 사고 상황의 경우에는 LOS A에서 LOS B까지는 도로의 교통량이 증가하면서 알고리즘의 정확도가 높아졌으나, LOS C부터는 알고리즘의 정확도가 떨어지는 것으로 나타났다.

본 발명은 상술한 특정의 바람직한 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형실시가 가능한 것은 물론이고, 그와 같은 변경은 청구범위 기재의 범위 내에 있게 된다.

100… UVS(노드)
110… 정보 수집부
120… 데이터베이스
130… 제어부
140… 정보 전달부
150… 정보 표시부

Claims (11)

1. 삭제
2. 삭제
3. 삭제
4. 실시간으로 통행시간을 산정하는 장치에 있어서,
   도로를 주행하면서 통행시간 산정을 위한 원시자료를 수집하는 정보 수집부와;
   상기 수집한 원시자료 중 동일한 값의 자료가 연속적으로 검출되는 경우 또는 수집된 자료값이 일정한 값보다 크거나 작을 경우에는 오류자료로 판단하고, 판단한 오류자료에 대해서는 UVS(Ubiquitous Vehicle Sensor) 자체가 가지고 있는 자료를 이용하여 오류자료를 보정 하고, 보정 한 자료를 가공처리한 후, 정보를 수집한 시각이 최근 것일수록 가중치가 높아지도록 가중치를 적용하여 구간 통행시간을 산정하는 제어부를 포함하고,
   상기 제어부는,
   수집된 원시자료 중 패턴을 왜곡시키는 요소인 이상치를 제거하는 이상치 제거모듈과;
   상기 이상치가 제거된 수집한 원시자료 중 동일한 값의 자료가 연속적으로 검출되는 경우 또는 수집된 자료값이 일정한 값보다 크거나 작을 경우에는 오류자료로 판단하고, 판단한 오류자료에 대해서는 UVS(Ubiquitous Vehicle Sensor) 자체가 가지고 있는 자료를 이용하여 오류자료를 보정 하는 자료판단 및 보정모듈과;
   상기 보정된 수집 자료에 대해 평활화를 수행하는 자료 평활화 모듈과;
   상기 평활화한 자료에 대해 갱신 주기와 자료 샘플 수 및 자료 시간제한이라는 항목을 기반으로, 수집한 자료를 가공 및 처리하는 정보 가공 및 처리 모듈과;
   상기 가공 및 처리된 정보를 수집한 시각이 최근 것일수록 가중치가 높아지도록 가중치를 적용하여 구간 통행시간을 산정하는 통행시간 산정모듈을 포함하는 것을 특징으로 하는 에이전트 기반 실시간 통행시간 산정장치.
   
5. 삭제
6. 삭제
7. 실시간으로 통행시간을 산정하는 방법에 있어서,
   도로를 주행하면서 통행시간 산정을 위한 원시자료를 수집하는 정보수집단계와;
   상기 수집한 원시자료 중 동일한 값의 자료가 연속적으로 검출되는 경우 또는 수집된 자료값이 일정한 값보다 크거나 작을 경우에는 오류자료로 판단하고, 판단한 오류자료에 대해서는 UVS(Ubiquitous Vehicle Sensor) 자체가 가지고 있는 자료를 이용하여 오류자료를 보정 하는 정보보정단계와;
   상기 보정 한 자료를 가공처리한 후, 정보를 수집한 시각이 최근 것일수록 가중치가 높아지도록 가중치를 적용하여 구간 통행시간을 산정하는 통행시간 산정단계를 포함하고,
   상기 정보보정단계는,
   수집된 원시자료 중 패턴을 왜곡시키는 요소인 이상치를 제거하는 단계를 포함하는 것을 특징으로 하는 에이전트 기반 실시간 통행시간 산정방법.
   
8. 제7항에 있어서, 상기 정보보정단계는,
   이상치가 제거된 수집 자료에 대해 발생 가능한 오류 및 불안전 요소를 감소시키는 평활화를 수행하는 단계를 포함하는 것을 특징으로 하는 에이전트 기반 실시간 통행시간 산정방법.
   
9. 제7항에 있어서, 상기 통행시간 산정단계는,
   갱신 주기와 자료 샘플 수 및 자료 시간제한이라는 항목을 기반으로, 수집한 자료를 가공 및 처리하는 것을 특징으로 하는 에이전트 기반 실시간 통행시간 산정방법.
   
10. 삭제
11. 제7항에 있어서, 상기 통행시간 산정단계는,
    Exponential 형태의 함수를 이용하여 가중치를 적용하고, Decay Factor은 0에서 1 사이의 값 중에서 실제 통행시간과의 차이가 가장 작은 값을 정하도록 한 후, 아래와 같은 수식을 이용하여 통행시간을 산정하는 것을 특징으로 하는 에이전트 기반 실시간 통행시간 산정방법.
    <수식>
    

    

    
    여기서,

    

    은 n번째 단말기 장착차량 DB내의 구간 i에 대해 제안 알고리즘에 의해 산정된 구간 통행시간이고,

    

    은 n번째 단말기 장착차량 DB내의 구간 i에서 d번째 데이터의 실제 구간통행시간이며,

    

    은 정보 수집된 시각을 나타내고,

    

    은 n번째 단말기 장착차량 DB내의 구간 i에서 통행시간 산정에 사용된 데이터 수를 나타내고,

    

    은 데이터에 적용된 가중치를 나타내며, n은 분석구간 내 모든 단말기 장착차량을 의미하고, i는 차량 n의 목적지까지의 모든 구간을 의미하며,

    

    이다.
    
    
    

Images