교통 흐름 최적화와 탄소 배출 저감을 위한 강화학습 기반 교통 신호 제어 시스템 및 분석 도구 개발 = Development of a Reinforcement Learning-Based Traffic Signal Control and Analytical Tool for Traffic Flow Optimization and Carbon Emission Reduction

다국어 초록 (Multilingual Abstract)

In this paper, we propose a reinforcement learning–based traffic signal control method and a real-time analysis simulation system (RTASS: Real-Time Analysis Simulation System) designed to simultaneously mitigate urban traffic congestion and reduce carbon dioxide (CO2) emissions. The proposed RTASS is integrated with a SUMO-based simulation to collect and visualize data such as traffic volume, waiting time, and carbon emissions in real time, enabling comparative performance evaluation among various control algorithms. A comparison between real-world and simulated traffic data showed an average error rate of approximately 6%, demonstrating that the proposed system effectively reflects actual traffic conditions. In a single intersection environment, a Deep Q-Network (DQN) based reinforcement learning algorithm was applied and evaluated against conventional fixed-time and actuated control methods. As a result, CO2 emissions were reduced by 54%. Furthermore, the study extended its scope to a multi-intersection network by designing a centralized DQN structure in which a central agent integrates the learning outcomes of local agents. Simulation results confirmed that the proposed method achieves global
optimization, improving both traffic efficiency and environmental performance. As a result, we provide an experimental foundation for quantitatively analyzing the performance of traffic signal control algorithms and suggest the potential applicability of the proposed approach to smart city traffic management and carbon-neutral transportation policies.

국문 초록 (Abstract)

본 연구는 도시 교통 혼잡 완화와 이산화탄소(CO2) 배출 저감을 동시에 달성하기 위한 강화학습 기반 교통 신호제어 기법과 실시간 분석 시뮬레이션 시스템(RTASS: Real-Time Analysis Simulation System)을 제안한다. RTASS는 SUMO 기반 시뮬레이션과 연동되어 교통량, 대기 시간, 탄소 배출량 등의 데이터를 실시간으로 수집 및 시각화하며, 다양한 알고리즘의 성능을 비교 평가할 수 있다. 실제 교통 데이터와 시뮬레이션 데이터를 비교한 결과 평균 오차율은 약 6%로, 제안 시스템이 실제 교통 환경을 효과적으로 반영함을 확인하였다. 단일 교차로 환경에서는 DQN(Deep Q-Network) 기반 강화학습 알고리즘을 적용하여 고정 주기와 감응식 제어 방식, 급정거 최소화(딜레마존) 알고리즘과 비교하였다. 그 결과 CO2 배출량이 평균 54% 줄어들었다. 나아가 다중 교차로 네트워크로 범위를 확장하여, 로컬 에이전트의 데이터를 중앙 에이전트가 통합하는 중앙집중형 DQN 구조를 설계하였다. 시뮬레이션 결과, 제안 기법은 전역적 최적화를 통해 교통 효율성과 환경적 성과를 동시에 개선함을 입증하였다. 본 연구는 교통 신호 제어 알고리즘의 성능을 정량적으로 분석할 수 있는 실험 기반을 제공함으로써, 향후 스마트시티 교통 관리 및 탄소중립 교통 정책의 적용 가능성을 제시한다.

목차 (Table of Contents)

• I. 서론 1
• 1.1 연구배경 및 필요성 1
• 1.2 연구목표 2
• II. 관련 연구 4
• 2.1 교통 신호제어 시스템 4
• 2.2 교통 신호제어의 확장 5
• 2.3 교통 흐름 시뮬레이션 시스템 9
• III. 탄소 배출 및 교통 흐름 분석을 위한 시뮬레이션 시스템 11
• 3.1 서론 11
• 3.2 시스템 설계 12
• 3.3 구현 19
• 3.4 결과 및 분석 22
• IV. 강화학습 기반 단일 교차로 교통 신호 제어 시스템 27
• 4.1 서론 27
• 4.2 제안 28
• 4.3 실험 환경 및 방법 29
• 4.4 결과 및 분석 30
• V. 강화학습 기반 다중 교차로 교통 신호 제어 시스템 32
• 5.1 서론 32
• 5.2 제안 32
• 5.3 실험 환경 및 방법 35
• 5.4 결과 및 분석 37
• VI. 결론 39
• 참고문헌 40