연속류 교통특성을 활용한 실시간 구간 통행시간 예측에 관한 연구 : Markov-fuzzy이론을 이용한 예측모형 개발을 중심으로 = (The)development of Markov-fuzzy on-line traffic state prediction model for freeway sections

국문 초록 (Abstract)

본 연구는 연속류에 있어 현재 지점검지체계 및 구간검지체계에서 발생하고 있는 시간처짐 현상을 극복할 수 있는 모형을 제시하여 보다 정확한 통행시간 가공과 교통류 관리가 가능하도록 하고자 한다.
본 연구를 통해 개발된 모형은 두 가지로 구분된다. 그 중 하나는 정체유발지점의 상태변화를 예측하는 Markov-Fuzzy 전이모형이며, 다른 하나는 정체영향구간의 혼잡 전이를 모형화하여 예측 통행시간을 추정케 하는 모형이다. 두 모형을 활용하여 예측통행시간을 도출함으로써 시간처짐 현상을 극복한 보다 정확한 실시간 통행시간을 추정하였다.
모형의 구상을 위해 서울의 대표적 도시고속도로인 내부순환로 검지기의 이력자료를 분석한 결과 정체는 매일 일정 지점을 시점으로 하류로 전파되는, ‘정체유발지점’과 이에 영향을 받는 ‘동질구간’으로 나뉠 수 있었고, 정체유발지점의 교통량-밀도 그래프에서는 고유의 패턴을 볼 수 있었다.
이에 착안하여 정체유발지점의 교통량-밀도관계 그래프 상의 현 상태와 시간대, 정체의 증감상황 여부에 따라 미래의 상태를 결정할 수 있음을 전제하였고, Markov-Fuzzy상태 예측 모형을 개발하였다. 교통량-밀도 그래프 상의 상태 정의를 위해 Fuzzy logic을 활용 확률적 집합을 규정하였으며, 교통상태 예측을 위해 확률전이모형인 Markov-chain의 개념을 적용하였다.
Markov-Fuzzy 모형은 일종의 패턴인식 프로그램으로, ITS센터에 저장되고 있는 이력자료를 십분 활용할 수 있는 점을 바탕으로 장래의 여러 상황을 예측하는 ‘자기 회귀’ 할 수 있는 장점이 있고 시간대뿐 아니라 현재의 상황과 혼잡상태를 고려하기에 실시간 현상을 비교적 정확히 반영한다. 퍼지집합의 개념은 Markov chain으로 교통상태 전이를 모형화 할 수 있게 할 뿐 아니라 실시간 교통정보의 불확실성의 보완도 가능하게 한다.
Markov-Fuzzy 모형으로 예측된 정체유발지점의 혼잡 전이 모형은 계산량이 상대적으로 적은 Simple Continuum 모형인 LAX 기법을 기본으로 활용하였는데, 정체유발지점의 상황이 보다 현실적으로 반영될 수 있도록 가변 충격파와 가변 용량의 개념을 적용하였다. 이렇게 생성된 통행속도 시공도를 활용하여 예측 통행시간을 실시간으로 도출할 수 있다.
모형의 평가는 Markov-Fuzzy 상태예측 모형과 이를 통해 도출한 동적통행시간 산정모형을 구분하여 수행하였다. Markov-Fuzzy 교통상태 예측 모형의 패턴데이터, 단순이동법과 비교한 성능평가 결과, Markov-Fuzzy 모형이 교통량, 속도, 밀도 실측 검지자료와 비교했을 때 오차가 가장 적은 것으로 나타났다. 이는 시간대만을 활용한 패턴 정보보다 현 상태를 반영한 본 모형이 상대적으로 우수한 결과를 보인 것이며, 정체가 급격히 발생 및 소멸하는 도시고속도로의 특성상 전 시간대의 정보를 그대로 이용하는 단순이동법은 정체 진행 및 소멸 상황에서 오차가 크게 나타날 수 있는 것으로 분석되었다.
실시간 예측 통행시간 추정결과 개발된 모형을 통해 도출한 예측통행시간이 정적 통행시간 보다 정확한 것으로 나타났다. 특히, 정체가 진행되고 해소되는 시간대는 시간처짐 현상이 발생하는 정적 통행시간 정보에 비하여 높은 정확도를 보여 각 모형을 선택적으로 활용할 경우 정확도를 제고할 수 있다.
본 모형은 통행시간 예측 뿐 아니라 램프미터링 등 교통류 관리에도 활용이 가능하다. 정체지점의 현 상태와 미래의 용량저하 시점을 알 수 있다면 상류 유입량을 단계별로 조절하여 고속도로의 혼잡을 저감시킬 수 있는 방안으로 활용할 수 있다. 분석 대상구간의 검지체계의 정확성이 전제되어야 하고, 혼잡지점의 보다 정확한 Fuzzy 셋팅 방안 연구 등 실제 적용을 위한 꾸준한 보완과 개선이 이루어진다면 보다 정확하고 효율적인 통행시간 추정 및 교통류 관리를 위한 적용이 가능할 것이다.

다국어 초록 (Multilingual Abstract)

The presentation of information on travel time to drivers in freeways is an important element of efficient congestion control. However, most travel-time messages presented to drivers suffer from time-lag due to variations in congestion in the downstream sections. To solve this problem we overviewed the traffic patterns of the critical point on the urban expressway sections with empirical detector data. We applied the Markov-Fuzzy on-line traffic state prediction model, which could predict the traffic states for the critical point of freeway sections, using Markov chain theory and Fuzzy sets, for point detector systems. And we used lax continuum model with variable shockwave speed to predict space-time density and speed table, which enabled tracking on-line travel time at a point and a time
To develop an on-line, travel time predicting model, we reviewed two main parts of the literature. One is research on calculating travel time by on-line or collected traffic data. The other literature section is research on traffic flow theory on congestion state. Through our review of the above literature, we decided that on-line real time traffic flow information like flow, speed, and density on a point can be used to predict a model of travel time which can reflect the real future situation more than time series analysis. We therefore developed the Markov-Fuzzy model and tested with real data on data from the Nae-bu Expressway in Seoul.
This model can be divided in two main parts, one is Markov-Fuzzy Traffic state prediction model for critical point, the other is changed LAX continuum model which predicts propagations of congestions to upstream sections.
Markov-Fuzzy traffic state prediction model uses Markov chain theory to predict the state probabilities of times in the future, and Fuzzy inference process for defining each state of the flow-density relation. Markov-Fuzzy model also can be divided in two parts. One is the ‘off-line process’which defines the sets of states in the flow-density relation by the fuzzy inference method, and calibrates the Markov transition matrix of several cases (e.g., the present state, changing state, present time) by off-line data. Through this step, the model can learn the state transition rules for any traffic situation. The other one is the ‘on-line process’ which performs the Markov chain model so that it can derive the traffic data of the critical point at each time in the future.
This model is a kind of pattern recognition model, which has the advantage for real time data collecting systems in that it can use both stored pattern data and real time data, which allows the model to use the latest state transition pattern reflecting actual conditions. Markov-chain process predicts the transition among current traffic state Fuzzy sets, which assume that real time traffic data on the critical point like flow, speed, and occupancy can reflect the current state. Traffic states can be plotted in a flow-density relation graph, and then we can consider that each position in the flow-density graph can be engaged in some group of states (e.g., free-flow, impeded free, synchronized, congested, jammed etc.). In the state of increasing congestion, the point move toward the ‘congested’ state on the graph, and the degree of match on the free-flow state will decrease, whereas the degree of match on ‘congested’ will increase. That transition phenomenon in multiple states can be estimated by the Markov transition matrix.
The Markov transition matrix must be estimated before the on-line state prediction is performed. And, to predict the next state set at any state, transition matrixes for every case must be estimated. The estimated Markov transition matrixes can be used to predict the Fuzzy degree of future match sets. The collected on-line traffic data can be transformed to the current degree of match set and multiplied by the transition matrix for the current state, and then changed to the Fuzzy set at time n+1. This process is repeated for the appointed number of times. The predicted degree of a match set can be transformed to the original type of traffic data, and then the defuzzification step of Fuzzy logic can be applied to it.
To complete on-line travel time prediction process, changed LAX continuum model is used in predicting propagation of congestion to the other points in a homogeneous section. In this model, Shockwave speeds in sections changes as real time data changes. This enables tracking predicted on-line travel time at a point and a time
To evaluate the performance of Markov-Fuzzy model and accuracy of predicted on-line travel time, we used MAPE(Mean Absolute Percentage Error) as a measure of effect. This paper selected time based pattern data method and recent data method to compare performance of Markov-Fuzzy model, and static travel time to be compared with predicted travel time. And overall resule represented that the performance of Markov-Fuzzy model is superior to that of others, and predicted travel times by developed model are more accurate than static travel time data compared with observed data. Especially model showed outstanding performance in traffic state is changing condition.
Although model computes comparatively nice result, it has some weak points that initial Fuzzy infer process by if-then rule and number of states seriously affects the performance of model, and running time of off-line estimation of transition matrixes large number of states also enlarge necessary transition matrixes, which needs more data to estimation too. So we recommend initial setting for Fuzzy infer process should performed by traffic engineers, and alternative transition matrix estimation technique should be studied. And we should also improve this prediction method to apply this model to microscopic vehicle data from section detecting systems like AVI and several kinds of in vehicle unit. Then, the proposed model will be able to be loaded in several kinds of FTMS for traffic management and making travel time informations

목차 (Table of Contents)

• 제1장 서론 = 1
• 제1절 연구의 배경 및 목적 = 1
• 제2절 연구의 방법 = 2
• 제3절 연구의 구성 및 진행과정 = 3
• 제2장 선행 연구 고찰 = 5
• 제1절 통행시간 추정관련 연구 = 6
• 제2절 혼잡교통류 분석 관련 연구 = 24
• 제3절 기타 본 연구에 적용을 위한 기반 연구 고찰 = 34
• 제4절 선행 연구 종합 = 39
• 제3장 통행시간 정보제공을 위한 기초 연구 = 40
• 제1절 통행시간 정보의 시간처짐 현상 = 40
• 제2절 연속교통류 정체패턴 연구 = 43
• 제4장 교통류 특성을 활용한 예측모형의 개발 = 59
• 제1절 기본전제 및 구조 = 59
• 제2절 Markov-Fuzzy 모형의 구축 = 65
• 제3절 동질구간 내 혼잡전이 모형의 개발 = 100
• 제4절 예측 속도를 이용한 예측 통행시간의 산정 및 제공 = 105
• 제5장 모형의 검증 = 111
• 제1절 모형의 검증 개요 = 111
• 제2절 Markov-Fuzzy 모형 평가 결과 = 115
• 제3절 예측통행시간의 정확도 및 민감도 평가 = 124
• 제4절 평가결과 종합 = 134
• 제6장 결론 및 향후 연구과제 = 135
• 제1절 연구결과 종합 = 135
• 제2절 모형의 한계 및 향후 연구과제 = 137