실측 구간 데이터 기반의 과포화 신호교차로 지체도 추정 모형 개발 연구 = Development of a Delay Estimation Model for Oversaturated Signalized Intersections Using Field Trajectory Data

국문 초록 (Abstract)

실측 구간 데이터 기반의 과포화 신호교차로 지체도 추정 모형 개발 연구 본 硏究는 개별 차량의 구간 이동 궤적 데이터를 활용하여, 신호교차로 과포화 지체 추정 모형을 개발하는 국내 ‧ 외 최초 실증 연구이다. 본 연구는 가정에서 출발하는 도로용량편람(Highway Capacity Manual ; HCM)의 지체 추정 방식이 아닌, 현실 교통 상황을 정확히 반영할 수 있는 실제 개별 차량의 구간 운행 데이터 기반의 새로운 과포화 상태의 신호교차로 지체도 추정 모형을 개발하는 것이다. HCM의 지체 모형은 교통류 조건, 신호운영 조건 등의 가정을 기반으로 추정하며, 특히 과포화 상태(v/c ≥ 1.0)에서 지체를 과소추정하는 한계가 있다. 이 문제를 해결하기 위해 본 연구에서는 실측 구간 데이터와 과포화 상태(안정, 임계, 과포화)의 데이터 보정을 위 한 AI 학습 모델을 결합하여 현실 교통 상황을 반영한 지체도 추정 모형을 개발하였다. 실측 구간 데이터는 ‘인천시 남동구의 올림픽공원 사거리(교차로 A)와 문예역 사거리 (교차로 B)’에 설치된 스마트 교통카메라의 번호판 인식 정보를 이용하였다. 동일 차량의 번호판 데이터를 A → B 카메라 간 시간순으로 연결하여, 통과시각 차이(tactual)를 구하고, 여기에 자유류 주행시간을 차감한 값을 링크 지체(dlink)로 정의하였다. 또한, 실시간 신호 로그와 신호운영계획 자료를 결합하여, 각 차량의 하류 도착 시점에 대한 신호 상태(적색 또는 녹색 시간), 주기(C), 녹색시간비율(g/C), 옵셋(θ) 및 옵셋오차(Offset Error), 주기기 반 도착지표(POS-in-Cycle, In_Green, Time-to-next-Green 등)를 구성하였다. 동시에 15분 단위 교통량(v), 포화도(v/c), 차두간격(h) 등을 산정하여 안정·임계·과포화 상태별 지체 특 성을 비교·분석할 수 있는 AI 학습용 입력변수(v, v/c, g/C, C, θ)가 포함된 데이터셋을 구축하였다. 기존 HCM 지체식을 활용해 각 관측값에 대한 기준 지체를 추정하고, 이를 실측 링크 지체와 비교하여 발생하는 차이를 ‘지체 보정값(Residual, 오차)’으로 정의하였다. 이 보정 값은 단일 이론식으로 설명하기 어려운 옵셋 불일치에 따른 연동 단절, 적색 도착 비율 증가, 과포화 시 대기행렬 누적 등 복합적인 비선형 효과를 포함한다. 본 연구에서는 이 보정값을 종속변수로 두고, 그레이디언트 부스팅 회귀(Gradient Boosting Regression ; GBR)모형 기반의 AI 모형을 구축하였다. GBR은 여러 개의 의사결정 나무를 순차적으로 결합하여 오차를 점진적으로 줄여 나가는 앙상블 기법으로, 교통량·수요 지표(v, PHV, h), 신호운영 지표(C, g/C, θ, Offset Error), 주기 기반 도착 지표(POS-in-Cycle, In_Green), 상태 구간(v/c 범위) 등을 설명변수로 사용하여 보정값의 패턴을 학습하였다. 최종 지체 추정 모형은 ‘HCM 기준 지체 + GBR AI 모형’이 예측한 지체 보정값으로 산출되는 복 합 모형 형태의 구조를 가진다. 분석 결과, 대상 링크는 출퇴근 첨두 시간대에 80초를 초과하는 큰 지체가 빈번히 발 생하며, 전체 지체 분포가 우측으로 긴 꼬리(long tail)를 갖는 것이 확인되었다. v/c가 1.0 을 넘는 과포화 구간에서는 HCM 모형이 지체를 현저히 과소추정하는 반면, 제안한 GBR 기반 AI 보정값 모형은 안정·임계·과포화 상태별 구간 학습 구조를 통해 이러한 비 선형적인 지체 증가를 잘 포착하였다. 제안 모형은 전체 데이터셋 기준 RMSE를 14.8초 (HCM)에서 8.9초로 약 40% 감소시켰으며, 결정계수(R2)는 0.62에서 0.82로 향상되었고, 과포화 상태에서의 편향을 –3.6% 수준으로 대폭 개선하였다. 본 연구는 실측 링크 지체 데이터를 통해 기존 HCM 지체 모형의 한계를 정량적으로 검증하고, v/c 중심의 새로운 지체 해석 관점을 제시하였다. 스마트 교통카메라 기반 링크 지체 산정 → 신호·교통 지표 결합 → AI 학습 데이터 구성에 이르는 분석 파이프라인을 정립함으로써, 실측 자료 기반의 지체 분석 체계를 구축하였다. 이론식(HCM)과 GBR 모형을 결합한 실용적 복합 형태의 지체 추정 모형을 구현하여, 향후 실시간 신호제어, 강화학습 기반 신호 최적화 등으로 확장 가능한 기반을 마련하였 다. 특히 HCM 모형의 ‘지체 보정값(오차)’을 별도의 AI 모형으로 학습하는 접근을 신호 교차로 지체 분야에 적용함으로써, 과포화 상태에서의 지체를 보다 정교하게 설명할 수 있음을 입증하였다. 본 연구는 실측 구간 데이터를 이용한 국내‧외에서 연구 및 시도된 적 없는 ‘최초의 지 체도 추정 연구’이다. 연구 결과는 과포화 구간의 조기 진단, 교통혼잡비용 및 탄소배출 저감, 신뢰성 있는 통행시간 제공 등에 적용하여, 교통 운영을 한 단계 발전시킬 수 있다.

목차 (Table of Contents)

• Ⅰ. 서론 1
• 1.1 연구 배경 및 목적 1
• 1.2 연구 범위 4
• 1.3 논문의 구성 5
• Ⅱ. 문헌 고찰 6
• 2.1 지체도 이론 및 개념 6
• 2.2 신호교차로 지체도 측정 방법의 발전 10
• 2.3 지체도 추정 모형 고찰 18
• 2.4 지체도 계산 방법 31
• 2.5 교통공학 분야 인공지능 적용 사례 고찰 39
• 2.6 기존 연구의 한계점 40
• Ⅲ. 연구 방법 46
• 3.1 개요 46
• 3.2 모형 개발 47
• 3.3 자료 수집 55
• 3.4 연구 수행 64
• 3.5 데이터 전처리 및 연결 65
• 3.6 변수 산정 및 결합 70
• 3.7 학습 데이터셋 구축 73
• 3.8 교통 특성 분석 75
• 3.9 GBR 모형 구축 및 학습 92
• 3.10 검증 및 평가 97
• Ⅳ. 연구 결과 99
• 4.1 지체와 신호 운영 관계 분석 100
• 4.2 지체와 교통류 관계 분석 116
• 4.3 제안 모형 성능 평가 127
• 4.4 연구의 한계 및 시사점 139
• Ⅴ. 결론 142
• 5.1 연구 결과 요약 142
• 5.2 연구의 시사점 및 제언 144