모빌리티 데이터를 활용한 AI 기반 신호교차로 방향별 교통량 추정 기법 연구 = An AI-Based Method for Estimating Directional Traffic Volumes at Signalized Intersections Using Mobility Data

국문 초록 (Abstract)

본 연구는 ‘실시간 검지 인프라 중심의 운영’에서 ‘이용자 데이터 기반의 운영’으로 의 전환 가능성을 탐색하고, ‘교통신호상태정보사용자정보(Traffic Signal Information Service User Data; TSISUD)’가 제공하는 새로운 데이터 환경을 신호설계 관점에서 활 용할 수 있는지를 검토하였다. 도시부 교차로는 상충하는 교통류를 시간적으로 분리하여 통행 질서를 확보하는 공 간으로, 신호운영의 효율성은 교통흐름의 안정성과 전체 네트워크의 성능을 결정한다. 그러나 국내 교통신호 운영은 정주기식(Fixed-time) 또는 여러 개의 ‘정주기식’ 교통신 호 운영계획을 마련한 후 시간대부를 구분하며 적용하는 방식(Time of Day; TOD) 체 계에 장기간 의존해 왔으며, 해당 과정에서 교통량 조사 기반의 한계, 검지기 장비의 고장, 기상조건 등 여러 가지 이유로 인한 데이터 불안정성, 24시간 교통패턴 반영 미 흡 등 구조적 문제가 지속되어 왔다. 본 연구의 첫 번째 단계에서는 TSISUD의 시·공간적 특성을 활용하여 교통량을 추 정하고, 미래 교통량을 추정하는 시계열 학습 모형을 개발하였다. TSISUD는 이용자의 이동 과정에서 자연스럽게 생성되는 데이터로, 검지기가 설치되지 않은 구간의 교통 흐름까지 광범위하게 반영할 수 있다는 점에서 기존 루프검지기나 비매설 검지기 시스 템과 근본적으로 다르다. 본 연구는 ‘서비스 이용률(Service Usage Rate; SUR)’을 10~90%로 변화시키며 실제 서비스 이용률의 변동을 고려한 환경을 구성하였고, 부분 관측데이터만으로도 전체 교통량의 시계열적 변동을 재현할 수 있음을 확인하였다. 특 히 SUR 40% 이상 구간에서는 LSTM 모형 기준 평균절대오차(Mean Absolute Error; MAE)가 약 10대 내외, 결정계수(R-squared; R2)가 0.99 수준으로 나타나, TSISUD 기 반 교통량 추정이 높은 정확도와 설명력을 동시에 확보할 수 있음을 확인하였다. 특히 장단기메모리(Long Short-Trem Memort; LSTM), 시간 분산(TimeDistributed), 랜덤 포레스트(Random Forest) 모형을 비교·분석함으로써 TSISUD 기반 교통량 추정에 적합한 학습 구조를 검증하였으며, 이러한 학습 기반 추정이 기존의 ‘정지선 통과 교 통량 기반 신호설계’의 한계를 보완할 수 있음을 제시하였다. 이는 교통량 조사 기반 의 정적 신호설계 방식에서, 이용자 데이터 기반의 동적·추정형 설계 방식으로 전환할 수 있는 기술적 토대를 마련했다는 점에서 의미가 크다. 본 연구의 두 번째 단계에서는 추정된 교통량 데이터를 기반으로 신호운영 성능을 검증하였다. 기존 TOD 체계는 1~2개 시간대 교통조사 결과에 기반하여 하루 전체를 대표하는 정적 신호계획으로 운영해 왔다. 이러한 방식은 교통조사를 실시한 시간을 중심으로 설계뙤며, 실제 도심부의 시간대별 교통량 변화를 반영하기 어렵기 때문에 비첨두시간대의 불필요한 대기증가나 혼잡의 비효율을 초래하였다. 본 연구에서는 추 정된 교통량을 활용하여 24시간을 1시간 단위로 세분화한 TOD 체계를 구성하였으며, TRANSYT-7F 기반의 신호계획 산출을 통해 각 시간대의 교통특성을 반영하는 신호시 간을 설계하였다. 시뮬레이션 결과, 제안된 TOD 운영 방식은 기존 TOD 대비 차량 1 대당 평균 제어지체가 약 30초 이상 감소하는 효과를 보였으며, Mann-Whitney U 검 정을 통해 두 운영 방식 간 제어지체 분포 차이가 통계적으로 유의함을 확인하였다. 이는 기존의 24시간 교통량 정보의 한계로 인해 국한되던 TOD 운영 방식을 탈피하여 추정된 교통량을 통해 보완하는 구조적 대안이 될 수 있음을 시사한다. 본 연구는 정적 TOD 체계에서 벗어나, 데이터가 시간대의 경계를 규정하고 패턴을 식별하는 지능형 TOD 체계로의 전환 방향성을 제시했다는 점에서 학술적 기여를 갖 는 것으로 사료된다. 이는 도시교통공학 분야가 인프라 중심의 정적 운영에서, 데이터 융합형 동적 운영체계로 발전하고 있음을 보여주는 실질적 진전으로 기대된다.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1.1 연구 배경 및 목적 1
• 1.2 연구 내용 및 범위 4
• 1.3 논문 구성 5
• Ⅱ. 기존 연구 검토 및 연구 방향 도출 6
• 2.1 교통류 예측 부문 6
• 2.2 신호제어 부문 8
• 2.3 딥러닝 부문 25
• 2.4 미시적 교통 시뮬레이션 부문 35
• 2.5 교통신호 정보개방 부문 36
• 2.6. 소결 41
• Ⅲ. 교통량 추정 딥러닝 모형 개발 43
• 3.1 모형 개발 개요 43
• 3.2 딥러닝 모형 개발 및 학습 절차 설계 46
• 3.3 학습데이터 구축 59
• 3.4 딥러닝 모형 성능 점검 71
• Ⅳ. 추정 교통량 기반 신호운영 성능 검증 112
• 4.1 검증 개요 112
• 4.2 신호운영 전략 설계 113
• 4.3 검증 환경 설계 117
• 4.4. 시나리오별 평가 결과 123
• Ⅴ. 결론 141
• 5.1 결론 141
• 5.2 제언 143