DTG 데이터를 활용한 화물자동차 적재상태 추정 연구 = Loading status estimation of trucks using DTG data

국문 초록 (Abstract)

본 연구는 화물자동차의 적재상태(공차, 영차)를 추정하는 새로운 방법론을 제시한다. 화물자동차의 적재상태 정보는 교통계획, 환경(예, 탄소 배출량) 및 차량 안전 연구에 필수적인 자료로 활용된다. 기존의 화물자동차 적재상태 정보를 수집하는 방법에는 국내 전국화물통행 실태조사와 같은 직접조사방법과 WIM과 같은 시스템을 활용하여 수집하는 방법이 있다. 그러나 이들 방법에는 명백한 한계가 있다. 기존의 데이터 수집 방법에 대한 한계를 극복하고자 본 연구는 DTG(Digital Tacho Graph) 데이터를 기반으로 한 방법론을 개발하였다. 이 방법론은 속도, 가속도, rpm 간의 관계와 차량 동역학, 동력전달계, 주행저항의 이론적 배경을 결합하여 화물자동차의 적재상태를 추정하는 것이다.
본 연구는 화물자동차의 적재상태를 추정하기 위해, 뉴턴의 제2법칙인 가속도 법칙을 전제로 하였다. 이 원리에 따르면, 화물자동차가 동일한 힘()으로 운행할 때, 공차와 영차 사이에서는 가속도()의 차이가 발생한다. 구체적으로는 공차의 가속도()는 영차보다 크게 나타나며, 정확한 분석을 위해 특정 상황 및 특정 조건에서의 공차와 영차를 구분할 필요가 있다. 이때, 정확한 분석을 위한 특정 상황 및 특정 조건을 ‘통행 단위별 속도 범위별 기어단수별 가속상태의 평균 가속도’로 설정하였다. 따라서 본 연구는 '통행 단위 분석', '기어단수 구분', '속도 범위 설정', 그리고 '가속상태의 평균 가속도' 각 요소의 필요성을 검토하고, 이를 토대로 화물자동차의 적재상태를 더 정확하고 효과적으로 추정할 수 있는 새로운 방법론을 제시하였다.
연구 과정에서는 KDE(Kernel Density Estimation)를 이용한 기어단수 구분, 도로 경사도 산출, 속도별 고빈도 기어단수 추출 및 가속상태 평균 가속도 산출을 통해 활용변수를 구축하였고, 분류모형에 적용하기 위한 분석대상 데이터셋을 구축하였다. 또한, SVM 과 BNN 모형을 활용하여 화물자동차의 적재상태 추정을 위한 분류모형을 구축하였고, 이 두 모형의 비교를 통해 최적의 모형을 선정하였다. 분석대상 데이터셋을 활용한 화물자동차의 적재상태 추정결과 89.28%의 정분류율을 달성하였으며, 특히 속도 범위 69~80km/h에서는 정분류율이 95%로 높게 나타났다. 이러한 결과는 통행 단위에서의 화물자동차 적재상태 판단에 있어 100%의 정확도를 가지는 것으로 확인되었다.
화물자동차의 적재상태를 정확히 추정하는 것은 운송 산업의 효율성과 안전성을 높이는 데 핵심적인 역할을 한다. 이를 위해 본 연구는 기초학문인 차량의 동역학적 접근을 토대로 분석을 수행하였다. 본 연구의 큰 독창성 중 하나는 기초역학의 원리를 현실의 데이터 분석에 적용한 점이다. DTG 데이터에서 수집된 속도와 rpm 정보를 활용하여 공차와 영차의 가속도 차이를 분석한 것으로 뉴턴의 운동법칙인 가속도 법칙으로 간단하게 표현되었지만, 실제 운전 환경에서의 데이터를 분석하는 것은 훨씬 더 복잡하다. 이러한 복잡성 속에서도 차량동역학의 기초 법칙을 통해 유의미한 결과를 도출할 수 있었다. 본 연구의 확장과 향후 연구 방향은 물류 효율성과 경제성, 그리고 환경 문제 등 다양한 측면에서 큰 의미를 지닐 것이다.

다국어 초록 (Multilingual Abstract)

This study introduces a new methodology for estimating the loading state (empty or loaded) of freight trucks. The loading state information of freight trucks is essential for transportation planning, environmental research (e.g., carbon emissions estimation), and vehicle safety studies. Traditional methods of collecting the loading state of freight trucks include direct surveys such as the National Freight Traffic Survey and measuring systems such as Weigh-In-Motion (WIM). However, these methods have clear limitations. To overcome these, we developed a methodology based on DTG (Digital Tachograph) data. This estimates the loading state of freight trucks by combining the relationship between speed, acceleration, rpm, and the theoretical background of vehicle dynamics, powertrain, and driving resistance.
The estimation of the loading state of freight trucks is predicated on Newton's second law of motion, the law of acceleration. According to the principle, when a freight truck operates under the same force, a difference in acceleration occurs between an empty truck and a loaded truck. Specifically, the acceleration of an empty truck is greater than that of a loaded truck. For precise analysis, it is necessary to differentiate between the empty and loaded states under specific circumstances and conditions. We defined these specific ‘circumstances’ and ‘conditions’ as average acceleration by trip unit, speed range, and gear ratio. Thus, we evaluated the necessity of 'trip unit analysis', 'gear ratio differentiation', 'speed range setting', and 'calculation of average acceleration in acceleration state'. We then proposed a new methodology for a more accurate and effective estimation of the loading state of freight trucks.
Feature set for the truck’s loading state classifier was constructed after gear ratio differentiation based on KDE (Kernel Density Estimation), road gradient calculation, extraction of high-frequency gear ratios by speed, and calculation of average acceleration in acceleration state. SVM and BNN were built as classifiers, and the optimal model was selected after comparing their performances. The optimal model, BNN’s accuracy achieved was 89.28%, particularly 95% in the speed range of 69-80km/h. This result confirmed a 100% accuracy in determining the loading state of freight trucks at the trip unit level.
Accurate estimation of the loading state of freight trucks is crucial in enhancing the efficiency and safety of the transportation industry. We conducted an analysis based on the fundamental scientific approach of vehicle dynamics. A significant innovation of this study lies in applying the basic mechanic principles to real-world data analysis. While the difference of acceleration between empty and loaded trucks was analyzed using speed and rpm data from DTG and succinctly expressed through Newton's law of acceleration, analyzing real-world driving data is much more complex. Even within this complexity, meaningful results were derived through the laws of vehicle dynamics. The expansion and future research directions of this study are expected to hold significant implications in various aspects, including logistics efficiency, economic feasibility, and environmental issues.

목차 (Table of Contents)

• 제1장 서론 1
• 제1절 연구의 배경 및 목적 1
• 1. 연구의 배경 1
• 2. 연구의 목적 2
• 제2절 연구의 내용 및 범위 3
• 1. 시공간적 범위 3
• 2. 내용적 범위 3
• 제2장 선행연구고찰 5
• 제1절 개요 5
• 제2절 선행연구 5
• 1. 화물자동차 적재상태 및 적재량 추정 연구 5
• 2. 화물자동차의 적재상태 및 적재량 활용 연구 9
• 3. DTG 데이터의 활용 연구 13
• 제3절 시사점 23
• 제3장 분석방법론 24
• 제1절 연구 수행을 위한 기본 개념 24
• 1. 차량 동역학(가속도 법칙) 24
• 2. 차량 동력전달계(내부영향) 25
• 3. 차량 주행저항(외부영향) 26
• 제2절 활용변수 설정 30
• 1. 기어단수 구분의 필요성 30
• 2. 속도 범위 설정의 필요성 30
• 3. 가속 상태의 평균 가속도 활용의 필요성 31
• 4. 도로 경사도를 고려한 가속도 보정 36
• 제3절 분석방안 수립 37
• 1. 연구의 가정 및 전제 37
• 2. 구동력 추정의 한계와 대안적 분류모형의 필요성 39
• 3. 분류모형을 활용한 분석 가능성 검토 40
• 4. 화물자동차의 적재상태 추정을 위한 분석방안 42
• 제4장 데이터 수집 및 기초분석 46
• 제1절 기초데이터 수집 46
• 1. DTG 데이터 및 운송장 데이터 수집 46
• 2. DEM 데이터 및 도로망 GIS DB 데이터 수집 47
• 제2절 기초분석 50
• 1. 기초통계분석 50
• 2. DTG 데이터를 활용한 대형화물자동차의 통행행태 검토 51
• 제5장 활용변수 구축 54
• 제1절 DTG 데이터 전처리 54
• 제2절 기어단수 구분 55
• 1. 기어비 구축 55
• 2. KDE(Kernel Density Estimation)을 활용한 기어단수 구분 57
• 3. KDE를 활용한 기어단수 구분 결과 59
• 제3절 도로 경사도 추정 62
• 1. 지형의 경사도 및 경사방향 산출 63
• 2. 도로의 경사도 산출 65
• 제4절 가속 상태의 평균 가속도 산출 71
• 1. 속도별 고빈도 기어단수 추출 72
• 2. t-test를 활용한 공차와 영차의 평균 가속도 검토 74
• 제5절 분석대상 데이터셋 구축 75
• 1. 분석대상 설정 75
• 2. 데이터 불균형 처리를 위한 오버 샘플링 77
• 제6장 분류모형 적용 및 분석결과 78
• 제1절 분류모형 적용 78
• 1. Support Vector Machine(SVM) 79
• 2. Bayesian Neural Network(BNN) 81
• 3. 최종 모형 선택 82
• 제2절 화물자동차의 적재상태 추정 결과 92
• 1. BNN 모형 고도화 92
• 2. 하위그룹분석(subgroup analysis)에 따른 적재상태 추정 95
• 3. 통행 단위에서의 화물자동차 적재상태 추정 결과 97
• 제7장 화물자동차 적재상태 추정 연구의 적용 99
• 제1절 적재상태 판단을 위한 최소 주행시간 99
• 1. 최소 주행시간 선정 99
• 2. 최소 주행시간에 따른 누적구간 관측 데이터 개수 설정 102
• 3. 모니터링 대상구간 선정 105
• 제2절 화물자동차 적재상태 활용방안 114
• 1. 물류 산업에서의 화물 운송 효율성 향상 114
• 2. 오르막 차로 설계 115
• 3. 화물자동차 O/D 개선 방안 117
• 4. 도로 인프라 유지 관리 및 교통정책 수립 118
• 5. 교통 관리 최적화 120
• 제8장 결론 121
• 제1절 연구 종합결론 121
• 제2절 연구의 한계점 및 향후 연구 방향 123
• 參考文獻 125
• 國內文獻 125
• 國外文獻 126
• 부록(Appendix) 135
• Abstract 141