내비게이션 데이터를 활용한 시간대 그룹별 통행량 집중률 분포 패턴 분석

송용욱; 김익기; 남호현; 박상준

doi:10.7470/jkst.2021.39.3.221

추천

검색

질문

자료유형: 학술저널

저자정보: 송용욱 (한국교통연구원) 김익기 (한양대학교) 남호현 (한국교통연구원) 박상준 (한국개발연구원)

저널정보: 대한교통학회 대한교통학회지 대한교통학회지 제39권 제3호

발행연도: 2021.6

수록면: 221 - 239 (19page)

DOI: 10.7470/jkst.2021.39.3.221

이용수

📌

연구주제

📖

연구배경

🔬

연구방법

🏆

연구결과

초록· 키워드

오류제보하기

이 연구는 내비게이션의 실측 데이터를 이용하여 지역 간 통행에 있어 통행거리별로 출발시각 선택에 차이가 있다는 가설과 이와 같은 출발시각 차이는 통행거리별로 시간대별 교통량 분포패턴의 차이를 야기한다는 행태적 가설을 검증하고자 하였다. 현재 교통수요추정 시 가구통행실태조사 표본자료를 전수화하여 추정된 AAWDT(Annual Average WeekDay Traffic)를 이용하여 첨두 · 비첨두의 집중률을 적용하여 교통패턴을 추정 분석하고 있다. 하지만 이와 같이 통행거리(통행시간)에 상관없이 획일적 첨두 및 비첨두 집중률을 적용하여 네트워크 노선배정분석을 하여 각 도로구간의 첨두시, 비첨두시의 교통량을 추정하는 것은 현실적 통행패턴과는 차이가 클 것으로 고려된다. 그래서 본 연구에서는 현실에서 실측 조사된 내비게이션 자료로부터 통행거리별 출발시각의 차이로 인한 첨두시간대의 차이를 네트워크 분석에 반영함으로써 출발시각 시점을 기준으로 첨두시와 비첨두시의 집중률 패턴을 좀 더 현실적으로 추정하는 방법을 제안한다. 본 연구에서 사용한 자료는 현재 국내 내비게이션 서비스 중 가장 높은 점유율을 확보하고 있는 SK T-map 자료이며, 2016년의 평일 261일의 자료를 사용하였다. 적용한 분석도구는 통계 패키지 프로그램인 SAS와 데이터 마이닝 플랫폼인 RapidMiner를 이용하여 k-means 클러스터링을 실시하였다. 내비게이션 실측자료를 기반으로 지역 간 통행의 통행거리를 통행특성이 유사하도록 거리별 7개의 그룹으로 구분하였으며, 구분한 거리별 그룹에 대해 시간대별 평균 교통량 비율을 산출하였다. 위에서 구한 통행거리별 7개 그룹의 출발시간 기준 24시간 교통량 집중률 자료를 활용하여 그룹별 시간대를 첨두, 비첨두 및 심야로 구분하는 것과 같이 유사 교통패턴을 그룹화 및 단순화하여 시간대별 분포패턴을 가장 현실적으로 표현 하는 방법에 대한 연구를 수행하였다. 즉, 7개의 그룹의 하루 24시간의 시간대별 교통량 집중률을 k=2부터 k=5까지 k-means 클러스터링 분석을 통해 집중률 패턴이 유사한 시간대를 하나의 그룹으로 구분하였다. k값에 따라 k-means 클러스터링 결과별 BIC, Elbow Method, 실루엣 계수, 상관계수 분석과 절편이 없는 단순회귀모형의 기울기와 R²값을 평가 분석결과 시간대별 교통 패턴을 3개로 구분하는 것이 최적의 결과로 도출되었다. 또한 네트워크 분석이 가능하도록 연구결과로 얻어진 통행거리 구분과 시간대별 교통량 집중률 패턴 구분이 반영된 OD 자료를 구축하는 방법도 제안하였다. 이와 같이 통행거리별 출발시각의 차이를 반영한 하루의 시간대 그룹별 OD 자료에 의한 네트워크의 노선배정(traffic assignment)을 수행할 경우 단거리, 중거리 및 장거리 통행이 혼재한 도로구간(링크) 상의 시간대 구간 그룹의 교통량 패턴을 더욱 현실적 분석을 가능하게 할 수 있을 것으로 기대된다.

This study was intended to verify the hypothesis that there is a difference in the choice of start time by travel distance and the behavioral hypothesis that such difference in departure time results in differences in vehicle trip distribution patterns by time range using actual measurement data of navigation. In the current, when estimating traffic demand, use AAWDT (Annual Average WeekDay Traffic) estimated from household traffic survey sample data to estimate traffic pattern by applying the ratio of peak and non-peak vehicle trip. However, it is thought that estimating the concentration ratio of roads with uniform rate of peak and non-peak regardless of travel distance (travel time) to analyze the network path will differ significantly from the actual traffic patterns. This study proposes a more realistic method of estimating by reflecting the traffic patterns which difference in peak and non-peak time due to differences in departure time by distance using actual measurement data of navigation. in the network analysis. This study use SK T-map data, which has the highest share of navigation service in Korea, of 261 day on weekdays during one year. SAS (statistical package program) and RapidMiner (data mining platform) were used as analysis tools to construct k-means clustering. Based on actual navigation data, interregional travel distance was divided into seven groups to have similar characteristics, and the average traffic rate was calculated by the distance groups. By grouping and simplifying similar traffic patterns such as peak, non-peak and night using 24-hours traffic concentration rate data from derived seven distance group, a study was conducted on how to most realistically express traffic patterns. In other word, using the 24-hour traffic concentration rate of seven distance groups, through the k-means clustering analysis from k=2 to k=5, the time zone with similar traffic pattern of concentration was divided into one group. The results of BIC, Elbow, Silhouette, correlation coefficient analysis by k-means clustering result, slope, and value of non-segmented simple regression model were compared according to k value. As a result of this study, it was found that it is best to classified traffic pattern by time into three groups. In addition, it proposed a method of building OD data to enable network analysis that reflected the classification of travel distance and traffic concentration ratio patterns obtained from the research results. It is expected that a more realistic analysis of the traffic patterns of time bands on roads where short, medium and long distance traffic is mixed when performing a traffic assignment based on OD data which reflecting differences in departure time by travel distance.

#construction of OD data reflecting differences in departure time by distance #grouping of time sections by similar patterns according to traffic concentration rate #k-means clustering #navigation data #simple regression #교통량 집중률에 따른 유사패턴으로 시간대의 그룹화 #통행거리별 출발시각 차이를 반영한 OD 자료 구축 #내비게이션 데이터 #k-means 클러스터링 #단순회귀모형

참고문헌 (9)

참고문헌 신청

Dursun Delen (2016), Real-World Data Mining, Translation Sin D.M Hur D., Sigmapress (Korea, Seoul), 119-122.

Jung S. B., Kim S. K., Kim J. Y. (2009), Peak Factor Analysis Using 24 Hours Traffic Count Data, Journal of Transport Research, 35(3), The Korea Transport Institute, 41-50.

Kim H. J., Chang Justin S. (2012), Calculation of the Peak-hour Ratio for Road Traffic Volumes using a Hybrid Clustering Technique, J. Korean Soc. Transp., 30(1), Korean Society of Transportation, 19-30.

Kim I. K. (2016), Practical Interpretation and Source of Error in Traffic Assignment Based on Korea Transport Database(KTDB), J. Korean Soc. Transp., 34(5), Korean Society of Transportation, 476-488.

Korea Development Institute (2008), A Study on Roadway ‧ Railway Part Feasibility Study Standard Guideline Supplementation and Amendment (5th Edition), South Korea.

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

송용욱

소속기관 한국교통연구원

주요연구분야 공학 > 기타공학 > 교통공학

논문수 2 이용수 350

김익기

소속기관 한양대학교

주요연구분야 공학 > 기타공학 > 교통공학 TOP 10% 사회과학 > 지리학 > 국제·지역개발학

논문수 20 이용수 2,676

남호현

소속기관 한국교통연구원

주요연구분야 공학 > 기타공학 > 교통공학

논문수 2 이용수 421

박상준

소속기관 한국개발연구원

주요연구분야 공학 > 기타공학 > 교통공학

논문수 1 이용수 272

이 논문과 함께 이용한 논문

서울시 생활인구의 시간대별 혼합수준에 영향을 미치는 요인 분석

조월 , 하재현 , 이수기 국토계획 2021 .02

모바일 데이터 기반 심야 모빌리티 특성 분석 연구

김병관 , 김혜원 경기연구원 기본연구 2020 .11

공유차량 서비스 이용자 특성별 통행 이질성 분석

김규혁 , 김희수 , 윤보경 외 1명 대한교통학회지 2022 .08

통행목적을 고려한 통행시간 영향요인 분석

구자헌 , 추상호 대한교통학회지 2021 .10

압축지표와 통근 네트워크가 통근시간에 미치는 영향에 관한 연구 - 수도권 경기·인천 지역을 대상으로 -

신학철 , 우명제 지역연구 2021 .06

최근 본 자료

전체보기

UCI(KEPA) : I410-ECN-0101-2021-053-001747509

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI 요약

연구주제

연구배경

연구방법

연구결과

주요내용

목차

참고문헌 (9)

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)