Ⅰ. 서 론
최근 기후변화의 영향으로 단시간에 강한 비가 집중되는 국지성·극한 강우가 빈번해지면서, 도시 침수 및 하천 범람 피해가 지속적으로 발생하고 있다. 특히, 도시 지역은 인구와 기반 시설이 밀집되어 있고 불투수 포장면 비율이 높아 자연 토양 지역보다 빗물 침투 능력이 낮으며, 강우 유출량이 하수관로 및 우수관거의 배수 용량을 초과하면 도로와 저지대를 중심으로 침수가 발생한다(Jacobson, 2011). 도로 배수 용량을 초과하는 강우로 인하여 도로의 일부 또는 전체가 침수되면 차량과 노면 간 마찰력이 감소하여 제동거리가 증가하고, 운전자의 시야 확보와 차선 인식이 어려워져 주행 안전성이 저하된다(Ong and Fwa, 2010;Pregnolato et al., 2017). 이는 주행속도 감소와 지‧정체를 유발하여 도로 용량을 감소시키고 통행시간을 증가시키며, 침수가 심화되면 교통 통제 등으로 인한 통행 자체가 불가능해질 수 있다(Rakha et al., 2008;Tsapakis et al., 2013;Jeong et al., 2013;Hooper et al., 2014;Kim and Oh, 2015). 따라서, 강우 시 교통류 변화를 정량적으로 분석하고 이에 대응하는 교통 운영 전략을 수립할 필요가 있다. 강우가 교통류에 미치는 영향에 관한 연구는 강우강도별 예측 또는 평균속도 보정 등에 목적을 두었으며, 도시부 단속류 도로망에서 동일 링크가 시간대와 일자에 따라 반복 관측되는 자료 구조를 고려한 분석은 부족하였다. 또한, 강우 시 주행속도 변화는 단순 평균 비교로도 파악할 수 있으나, 그 결과는 시간대, 요일, 도로기하구조 등에 따라 달라질 수 있다. 따라서, 각각의 변수를 통제한 상황에서 차량 주행 데이터 취득 및 교통류의 변화를 통계적으로 분석하고, 각 변수가 미치는 영향을 통계적으로 분석하여 연관성을 분석하는 것이 필요하다.
이러한 관점에서 본 연구에서는 강우에 의한 주행속도 변화를 분석하기 위해 강우에 의한 도시 침수가 발생한 지역을 선정하고, 해당 기간의 기상 이력 자료를 결합하여 강우가 교통류에 미치는 영향을 분석하였다. 차량의 주행 데이터는 통신사에서 제공하는 15분 단위로 집계된 실측 데이터를 분석에 활용하였다. 외부 요인에 의한 영향을 최소화하기 위해, 실제 강우가 발생한 시간과 요일 및 강우가 발생하지 않은 시간과 요일을 동일하게 선정하였다. 강우 3일, 비강우 3일의 차량 주행 데이터를 수집하였으며, 교차로를 통과하는 차량의 주행 특성을 반영하기 위해, 진입 방향(북, 남, 동, 서)과 회전 유형(직진, 좌회전, 우회전)을 구분하여 분석에 활용했으며, 교차로 단위의 링크로 구분하였다. 또한, 강우 데이터는 강우 조건(강우, 비강우)을 구분하여 교통류의 변화를 분석하였다.
강우 영향에 대한 통계적인 분석 결과는 선형 혼합효과 모형(Linear Mixed-Effects Model, LME)을 이용하였으며, 강우 조건, 도로기하구조 상황 등을 고려하여 교통류의 변화에 영향을 주는 각각의 요인을 구분하여 분석하였다. 또한, 강우 데이터와 비강우 데이터의 표본 불균형을 완화한 상태에서 주행속도 분포를 비교하기 위해, 데이터 간의 선형 보간으로 데이터 개수를 오버샘플링하는 Synthetic Minority Over-sampling Technique (SMOTE)를 이용하였다(Chawla et al., 2002;Fernández et al., 2018). 데이터 증강 기법을 활용하여 데이터를 증강시켰으며, 강우, 비강우 시의 교통류의 변화 추이를 추가적으로 분석하였다. 본 연구의 결과는 강우 시에 발생할 수 있는 교통류 대안 수립을 위한 연구에 활용될 것으로 기대된다.
Ⅱ. 자료 및 분석 방법
1. 자료 수집 및 구축
분석 대상지역은 경상남도 진주시 상대동, 상평동 및 하대동으로 선정했으며, 남강을 중심으로 도시지역과 주요 도로망이 형성되어 있어 집중호우 시 저지대 도로를 중심으로 침수 위험이 존재한다. 차량 주행자료의 위치정보와 도로 네트워크의 링크‧교차로 정보를 상호 매칭할 수 있는 지역을 고려하여 46개 교차로와 453개 링크를 선정하여 <Fig. 1>에 제시하였다.
교차로 통과 차량의 주행 특성을 반영하기 위해 링크를 진입 방향(동‧서‧남‧북)과 회전 유형(직진‧좌회전‧우회전)으로 구분하였다. 강우 자료는 기상청이 제공하는 진주시 평거동 소재 Automatic Weather Station (AWS)의 시간당 강수량 자료를 활용하였으며, 링크별 강우량을 개별 추정하지 않고 동일 시점의 AWS 관측값이 분석 대상 전체 링크에 동일하게 적용되는 것으로 가정하였다.
차량 주행자료는 링크별 15분 단위의 평균 주행속도로 구축하였고 AWS 강우자료는 1시간 단위로 제공되므로, 각 시간의 시간당 강우량을 해당 시간에 포함되는 4개의 15분 구간에 동일하게 부여하였다. 즉, 동일한 15분 시간대에 해당하는 모든 분석 대상 링크에는 동일한 강우량이 적용되도록 데이터를 구축하였다. 시간적 범위는 2025년 7월 중 강우가 발생한 3일과 비강우일 3일로 구성하였으며, 강우일은 7월 17일(목)부터 19일(토)까지이며, 비강우일은 일주일 후 동일한 요일인 7월 24일(목)부터 26일(토)까지로 선정하였다. 이는 요일별 교통수요 및 통행행태의 차이가 강우 효과와 혼재되는 영향을 최소화하기 위한 것으로, 목요일, 금요일 및 토요일을 동일 요일끼리 대응하여 비교하였다. 또한, 주중과 주말의 교통 특성을 함께 고려하기 위해 주중 2일과 주말 1일을 포함하였다. 다만, 강우 조건은 시간당 강우량을 기준으로 구분하였으므로, 강우일이라도 강우량이 0 mm인 시간대는 비강우 조건으로 분류하였다. 각각의 데이터는 동일한 요일 및 시간대를 기준으로 매칭 가능한 동일 요일‧시간대 대응 비교를 적용하였다. 동일한 요일과 시간대를 매칭함으로써, 요일별 통행 특성 및 시간대별 교통량 변화 등 강우 이외의 외적 요인이 교통류에 미치는 영향을 최소화하였다. 또한, 분석기간 동안 시간당 최대 강우량은 37.6 mm로 관측되었으며, 시간당 강우량을 <Table 1>에 제시하였다.
<Table 1>
Hourly precipitation on the target analysis day
| Day | Interval | 0H | 1H | 2H | 3H | 4H | 5H | 6H | 7H | 8H | 9H | 10H | 11H |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Thu. | Hourly | 0.2 | 0.3 | 1.0 | 1.0 | 3.2 | 4.1 | 2.7 | 8.0 | 1.8 | 1.8 | 13.8 | 3.0 |
| Cumulative | 0.2 | 0.5 | 1.5 | 2.5 | 5.7 | 9.8 | 12.5 | 20.5 | 22.3 | 24.1 | 37.9 | 40.9 | |
| Fri. | Hourly | 0.2 | 0.1 | 0.3 | 0.4 | 0.3 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 | 0.0 |
| Cumulative | 0.2 | 0.3 | 0.6 | 1.0 | 1.3 | 1.3 | 1.3 | 1.3 | 1.3 | 1.3 | 1.3 | 1.3 | |
| Sat. | Hourly | 0.6 | 2.2 | 8.3 | 7.3 | 12.3 | 4.1 | 5.0 | 1.0 | 0.1 | 0.5 | 30.6 | 2.3 |
| Cumulative | 0.6 | 2.8 | 11.1 | 18.4 | 30.7 | 34.8 | 39.8 | 40.8 | 40.9 | 41.4 | 72.0 | 74.3 | |
| Day | Interval | 12H | 13H | 14H | 15H | 16H | 17H | 18H | 19H | 20H | 21H | 22H | 23H |
| Thu. | Hourly | 1.4 | 2.7 | 1.2 | 2.5 | 1.7 | 14.0 | 2.8 | 0.1 | 24.3 | 2.7 | 0.0 | 0.0 |
| Cumulative | 42.3 | 45.0 | 46.2 | 48.7 | 50.4 | 64.4 | 67.2 | 67.3 | 91.6 | 94.3 | 94.3 | 94.3 | |
| Fri. | Hourly | 0.0 | 0.0 | 0.0 | 2.3 | 5.5 | 0.2 | 0.0 | 0.1 | 1.2 | 17.0 | 37.6 | 2.2 |
| Cumulative | 1.3 | 1.3 | 1.3 | 3.6 | 9.1 | 9.3 | 9.3 | 9.4 | 10.6 | 27.6 | 65.2 | 67.4 | |
| Sat. | Hourly | 26.9 | 25.4 | 29.6 | 23.6 | 4.2 | 6.0 | 1.2 | 0.2 | 0.7 | 0.0 | 0.0 | 0.0 |
| Cumulative | 101.2 | 126.6 | 156.2 | 179.8 | 184.0 | 190.0 | 191.2 | 191.4 | 192.1 | 192.1 | 192.1 | 192.1 |
본 연구에서는 강우 조건에 따른 주행속도 변화를 분석하기 위해 기상자료, 차량 주행자료 및 도로 네트워크 자료를 연계하여 분석 데이터를 구축하였다. 시간당 강우량 자료는 강우량 자체를 나타내는 연속형 변수와 강우 유‧무를 구분하는 범주형 변수의 두 가지 형태로 구축하였다. 차량 주행자료는 도로 링크를 기준으로 15분 단위로 집계하였으며, 해당 시간대에 수집된 차량의 평균 주행속도를 각 링크의 대표 속도로 사용하였다. 도로 네트워크는 표준노드링크 체계를 기준으로 구축하였다. 차량 주행자료와 도로 네트워크 간 공간적 정합성을 확보하기 위해 Geographic Information System (GIS) 기반의 공간 매칭을 수행하였으며, GIS의 Buffer 기능을 활용하여 차량 위치정보와 링크 및 노드의 Geometry 정보를 연계하였다. 또한, 각 링크에는 시간적 특성인 시간대 및 주중‧주말 여부와 함께 도로기하구조 특성인 차로 수, 교통운영 특성인 제한속도 등의 정보를 매칭하였다. 이를 통해, 강우 유‧무, 강우강도, 시간적 특성 및 링크별 도로 특성을 종합적으로 고려할 수 있도록 분석자료를 구성하였다. 본 연구에서는 공간적 정합성 확보를 위해 GIS 기반으로 Geometry 정보를 매칭하였다. 이를 통해, 강우 또는 비강우 조건뿐만 아니라 강우강도(강우량) 등 다양한 요인을 고려하여, 시간적ㆍ공간적 변동성과 각각의 링크 특성을 동시에 반영할 수 있도록 구성하였다. 또한, 매칭된 각 링크의 속성을 시간(시간대, 주중/주말), 도로기하구조(차로 수), 교통 조건(제한속도)을 반영하여 구축하였다. 대상 도로를 주행한 차량들의 링크별 평균 주행속도 정보가 포함된 통신 기반 데이터를 활용하였다. 데이터 수집 과정에서 발생할 수 있는 비정상적 주행 상황의 영향을 최소화하기 위해 링크별 평균 주행속도 분포를 기준으로 상·하위 5 % 데이터를 이상치로 설정하여 제거하였다. 본 연구의 모형 개발에 사용한 데이터의 형태를 <Table 2>에 제시하였다.
<Table 2>
Description of variables
| Variable | Description | Original data source | Category (Reference Category) |
Remarks |
|---|---|---|---|---|
| Speed | Mean travel speed (15-min intervals) |
Vehicle trajectory data (Mobile network) |
Continuous Variable | Outliers: <5th or >95th percentile |
| Rainfall | Hourly rainfall | AWS station in Jinju | Continuous Variable | 15-min intervals |
| Condition | Indicator of rainfall occurrence | AWS station in Jinju | Categorical Variable (NoRain) |
Rainfall = 0: NoRain, Rainfall > 0: Rain |
| TimePeriod | Time-of-day classification reflecting traffic characteristics |
Observation time | Categorical Variable (Afternoon Off-peak) |
Early Morning: 00–07, Morning Peak: 07–09, Morning Off-peak: 09–12, Afternoon Off-peak: 12–17, Afternoon Peak: 17–19, Night: 19–00 |
| WkType | Classification of observation days |
Observation date | Categorical Variable (Weekday) |
Thu-Fri: Weekday, Sat: Weekend |
| lanesF | Number of lanes | National standard node-link data |
Categorical Variable (1 lane) |
1 lane; 2 lanes; ≥3 lanes |
| SpdF | Speed limit | National standard node-link data |
Categorical Variable (30 km/h) |
Speed limit: 30 or 60 km/h |
| LinkID | Link identifier | National standard node-link data |
- | Same link ID assigned to repeated observations |
| LinkDayID | Link identifier combined with observation date |
Link ID and Observation date | - | Unique identifier combining Link ID and date |
2. 분석 방법
본 연구에서는 동일한 시간당 강우량 자료를 분석 목적에 따라 단계적으로 활용하였으며, 강우 발생 여부에 따른 기술통계 분석, 강우 조건을 범주형 변수로 적용한 선형 혼합효과 모형 분석, 강우량 임계값별 SMOTE 기반 민감도 분석을 상호보완적으로 적용하였다.
강우 발생에 따른 주행속도의 전반적인 차이를 파악하기 위하여 기술통계 분석을 수행하였으며, 강우강도 자체의 효과를 추정하기보다는 강우 발생 여부에 따른 주행속도의 분포와 평균적인 차이를 확인하기 위한 기초분석으로 수행하였다. 또한, 시간대, 요일, 차로 수 및 제한속도를 통제한 상태에서 강우 발생에 따른 평균 주행속도의 조건부 변화를 추정하기 위하여 강우 조건(강우, 비강우)을 범주형 고정효과로 포함한 선형 혼합효과 모형을 적용하였다. 다만, 시간당 강우량과 주행속도 간의 관계는 전체 강우 범위에서 선형적이라고 가정하기 어려우며, 약한 강우에서는 속도 변화가 제한적일 수 있는 반면 일정 수준 이상의 강우에서 속도 감소가 확대되는 비선형적 임계적 반응이 나타날 가능성이 존재한다. 따라서, 강우량 임계값을 기준으로 자료를 구분하여 강우강도 수준별 주행속도 분포의 차이를 보완적으로 분석하였으며, 임계값이 높아질수록 관측 빈도가 크게 감소하는 자료 불균형을 완화하기 위하여 SMOTE를 활용하였다. 다만, SMOTE를 통해 생성된 자료는 실제 관측된 강우량-주행속도 관계를 대체하거나 강우량의 인과적 효과를 추정하기 위한 자료로 활용하지 않았다. SMOTE 분석은 관측 빈도가 제한된 강우강도 조건에서 자료 불균형의 영향을 완화한 상태로 주행속도 변화 패턴을 비교하기 위한 탐색적 분석으로 한정하였다.
본 연구에서는 이상치가 제거된 분석 데이터를 대상으로 강우 및 비강우 조건별 기초 통계 분석을 수행하였으며, Kolmogorov-Smirnov (K-S) 검정을 통해 두 집단의 속도 분포가 동일한 모집단에서 기인하는지 여부를 확인하였으며, 확률밀도함수(Probability Density Function, PDF)를 추정하여 강우 조건에 따른 속도 분포 형태의 차이를 비교하였다. 강우 및 비강우 조건에서 링크별 평균 주행속도에 미치는 영향을 정량적으로 분석하기 위해 선형 혼합효과 모형(LME)를 사용하였다. 선형 혼합효과 모형은 전체 자료에서 공통적으로 나타나는 평균적인 경향을 설명할 수 있는 고정효과(Fixed Effects)와 집단 또는 개별 집단의 변동성을 반영할 수 있는 랜덤효과(Random Effects)를 동시에 고려할 수 있는 분석 방법이다. 또한, 동일 대상에 대한 반복 측정 자료 또는 군집 구조를 가진 자료에서 관측치 간 종속성을 반영할 수 있으며, 일부 결측치가 포함된 불균형 자료에도 비교적 유연하게 적용할 수 있는 장점을 가진다(Laird and Ware, 1982;Cnaan et al., 1997). 특히, 반복 관측 자료에서 발생할 수 있는 집단 내 상관구조를 고려함으로써 추정의 정확성을 향상시킬 수 있으며, 집단별 표본 수가 불균형한 경우에도 안정적인 모수 추정이 가능하다.
본 연구의 종속 변수는 도로를 주행한 차량의 링크별 평균 주행속도로 설정하였으며, 설명 변수는 강우 조건, 시간대, 요일, 차로 수, 제한속도를 설명 변수로 설정하였다. 시간대는 교통량 변화가 가장 적은 오후 비첨두 시간대를 기준으로 새벽(00시 ~ 07시), 오전 첨두(07시 ~ 09시), 오전 비첨두(09시 ~ 12시), 오후 비첨두(12시 ~ 17시), 오후 첨두(17시 ~ 19시), 야간(19시 ~ 24시)으로 구분하였으며, 차로 수는 3개(1차로, 2차로, 3차로 이상), 제한속도는 2개(30 km/h, 60 km/h)로 구분하였다. 또한, 모형에 의해 나타난 추정 계수를 분석하여, 각 변수 조건에서 링크의 평균 주행속도 변화 여부를 분석하였다. 강우 조건(강우, 비강우), 시간대, 요일, 차로 수 및 제한속도를 고정효과로 설정하고, 반복 관측자료의 계층적 구조를 고려하기 위해 링크(Link)와 링크 × 일자(Link × Day) 조합을 랜덤효과로 설정하였다. 도로 구간별 고유한 교통 및 기하구조 특성에 따라 기본적인 주행속도 수준이 상이할 수 있으므로 링크 단위의 랜덤절편(Random Intercept)을 적용하였다. 또한, 동일한 링크에서도 관측일에 따라 교통수요 및 교통상황 등에 의한 추가적인 변동이 발생할 수 있으므로, 링크 식별자와 관측일자를 결합한 Link×Day 식별자를 생성하고 이에 대한 랜덤절편을 추가하였다. 본 연구에서는 선형 혼합효과 모형을 도시부 도로 주행 자료의 반복관측 및 계층적 구조를 고려한 상태에서 강우의 조건부 영향을 추정하는데 사용하였다. 동일 링크는 다양한 시간대와 일자에 걸쳐 반복 관측되므로 관측치 간 독립성이 완전히 보장되지 않으며, 링크마다 기하구조와 교통운영 특성에 따른 기본적인 주행속도 수준이 상이할 수 있다. 따라서, Link와 Link × Day를 랜덤효과로 설정하고, 강우 조건과 시간대‧요일‧차로 수‧제한속도의 상호작용을 고정효과로 검토하였으며, 이를 통해 링크 간 주행속도 수준의 차이와 동일 링크 내 일자별 추가 변동을 동시에 고려하였다. 일자(Day) 자체에 대한 독립적인 랜덤효과는 별도로 적용하지 않았으며, 반복 관측으로 인한 관측치 간 종속성을 고려하여 고정효과의 추정 편향을 완화하고 신뢰성 있는 표준오차를 산출하도록 하였다. 또한, 강우 시에 나타나는 변화를 분석하기 위한 상호작용도 분석하였으며, 일반적인 선형 혼합효과 모형의 표현식을 Eq.(1)에 제시하였다(Cnaan et al., 1997;Bates et al., 2015).
Where,
-
: Average travel speed
-
: Design matrix for fixed effects
-
: Vector of fixed-effect coefficients
-
: Design matrix for random effects
-
: Vector of random effects
-
: Residual error
본 연구에서는 강우 데이터와 비강우 데이터를 비교한 결과, 강우 조건의 데이터 수가 상대적으로 적었으며, 강우량 구간별 빈도 또한 불균형하게 분포하는 것으로 나타났다. 데이터 수의 불균형을 보완하기 위해 강우량의 임계값에 따른 집단을 구분하여 데이터 증강을 수행하였으며, 데이터 증강 방법으로 SMOTE를 적용하였다. SMOTE는 소수 집단의 표본을 단순 반복 복제하는 방식이 아니라, 각 소수 집단의 표본과 최근접 이웃(K-Nearest Neighbor) 사이를 선형 보간하여 새로운 합성 표본을 생성함으로써 집단 간 데이터 불균형을 완화하는 기법이다(Chawla et al., 2002;Fernández et al., 2018). 데이터 증강을 위한 집단 구분 시, 강우량이 0 mm로 관측된 자료는 비강우 집단으로 정의하였으며, 강우 집단은 강우량이 임계값 이상인 구간으로 정의하였다. 본 연구에서는 강우량 임계값을 각각 5, 10, 15, 20, 25 mm 이상으로 설정하였으며, K-Nearest Neighbor (K-NN)의 K는 5로 설정하였다. SMOTE를 산출하는 식을 Eq.(2)에 제시하였다.
Where,
-
: A minority-class sample used as the reference instance
-
: A sample selected from the K-Nearest Neighbors of
-
: A random value drawn from a uniform distribution between 0 and 1
-
: A newly generated synthetic sample
Ⅲ. 분석 결과
1. 기술통계 분석
강우 조건에 따른 차량의 평균 주행속도 변화를 분석했으며, 강우 조건에 따라 강우 그룹과 비강우 그룹으로 구분하여 기술통계 분석을 수행하였다. 비강우 시의 평균 주행속도는 26.681 km/h, 표준편차는 10.232 km/h로 나타났으며, 최소값과 최대값은 각각 3.950 km/h와 66.040 km/h로 나타났다. 강우 시 데이터의 평균 주행속도는 26.359 km/h, 표준편차는 10.263 km/h로 나타났으며, 최소값과 최대값은 3.950 km/h와 66.070 km/h로 분석되었다. 따라서, 단순평균 비교 분석에서 강우 조건은 비강우 조건에 대비하여 평균 주행속도가 0.322 km/h로 감소하는 것으로 분석되었다.
또한, 강우 및 비강우 조건의 주행속도 분포 차이를 확인하기 위해 K-S 검정을 수행하였다. K-S 검정 결과 D = 0.016 (p<0.001)으로 나타나 두 조건의 주행속도 분포가 동일하다는 귀무가설을 기각하였다. 비강우 조건의 평균 주행속도와 표준편차는 각각 26.681 km/h와 10.232 km/h였으며, 강우 조건에서는 각각 26.359 km/h와 10.263 km/h로 나타났다. <Fig. 2>의 정규분포 곡선은 각 집단의 평균과 표준편차에 따른 중심 위치와 산포를 비교하기 위한 참고용으로 실제 주행속도 자료의 정규성을 가정하지 않았으며, 두 집단의 전체적인 분포 차이는 특정 확률분포를 가정하지 않는 K-S 검정을 이용하여 평가하였다. 분석 결과, 두 조건의 주행속도 분포 차이는 통계적으로 유의하였으나, 이는 표본 수가 차이에 영향을 받은 것으로 D 값(0.016)이 작아 분포 차이의 크기는 제한적인 것으로 판단된다.
2. 선형 혼합효과 모형 분석
강우 조건이 차량들의 링크별 평균 주행속도에 미치는 영향을 선형 혼합효과 모형을 이용하였으며, 강우 조건, 시간대, 요일, 차로 수 및 제한속도와 강우 조건 간의 상호작용 효과를 분석할 수 있도록 변수를 구성하였다. 기준 범주는 비강우, 주중, 오후 비첨두, 1차로 및 제한속도 30 km/h로 설정하였다. 반복 관측자료의 상관구조를 고려하기 위해 링크(Link)와 링크×일자(Link×Day) 조합에 각각 랜덤절편을 적용하여, 링크별 기본적인 주행속도 수준의 차이와 동일 링크 내 일자별 추가 변동을 통제하였다.
분석 결과, 선형 혼합효과 모형의 절편()은 21.026으로 나타났으며, 비강우, 주중, 오후 비첨두, 1차로, 제한속도 30 km/h에서 차량들의 링크별 평균 주행속도는 21.026 km/h로 추정됨을 의미한다. 또한, 기준 조건에서 강우 발생 시 평균 주행속도는 기준 범주에 비해 0.836 km/h 감소하는 효과가 나타났으며, 통계적으로 유의한 것으로 분석되었다( km/h, p<0.001). 이는 시간대, 요일 및 도로 특성을 통제한 상태에서도 기준 조건에서 강우에 따른 감속 효과가 유의하게 존재함을 의미한다. 또한, 비강우 조건에서 기준 시간대인 오후 비첨두와 비교한 결과, 새벽( km/h, p<0.001), 오전 첨두( km/h, p<0.001), 야간( km/h, p<0.001)의 평균 주행속도는 유의하게 높은 것으로 나타난 반면, 오후 첨두에는 0.636 km/h(p<0.001) 유의하게 감소하였다. 그러나, 오전 비첨두의 경우 0.092 km/h (p=0.170) 증가하였으나 통계적으로는 유의하지 않은 것으로 분석되었다.
또한, 요일, 차로 수 및 제한속도의 주효과를 분석한 결과, 주말에는 주중에 대비하여 0.854 km/h (p<0.001), 1차로의 평균 주행속도에 대비하여 3차로 이상 도로에서는 5.601 km/h (p=0.001) 증가하는 것으로 분석되었다. 2차로 도로는 1차로 대비 1.865 km/h 높았으나, 5 % 유의수준에서 통계적으로 유의하지 않았다(p=0.091). 또한, 제한속도 60 km/h에서는 30 km/h 대비 3.228 km/h (p=0.006) 증가하였으며, 주효과에 대한 분석 결과를 <Table 3>에 제시하였다.
<Table 3>
Linear Mixed-Effects Model Results (Main Effects)
| Variables (Reference Category) | β | S.E. | T-Stat. | p-Value | |
|---|---|---|---|---|---|
| Intercept | 21.026 | 0.980 | 21.460 | <0.001 | |
| Weather (NoRain) | Rain | -0.836 | 0.120 | -6.997 | <0.001 |
| Time Period (Afternoon Off-peak) |
Early Morning | 4.688 | 0.064 | 73.007 | <0.001 |
| Morning Peak | 1.414 | 0.076 | 18.586 | <0.001 | |
| Morning Off-peak | 0.092 | 0.067 | 1.373 | 0.170 | |
| Afternoon Peak | -0.636 | 0.080 | -7.961 | <0.001 | |
| Night | 3.050 | 0.062 | 49.407 | <0.001 | |
| Day of the Week (Weekdays) | Weekend | 0.854 | 0.077 | 11.042 | <0.001 |
| Lanes (1 lane) | 2 lanes | 1.865 | 1.104 | 1.690 | 0.091 |
| ≥3 lanes | 5.601 | 1.694 | 3.306 | 0.001 | |
| Speed Limit (30 km/h) | 60 km/h | 3.228 | 1.175 | 2.747 | 0.006 |
강우가 발생한 조건에서 시간대, 요일, 차로 수 및 제한속도와의 상호작용 효과를 분석하여, 각 조건에서 강우가 주행속도에 미치는 영향이 기준 조건과 비교하여 추가적으로 어떻게 변화하는지를 검토하였다. 시간대별 상호작용 분석 결과, 강우가 주행속도에 미치는 영향은 시간대에 따라 상이한 것으로 나타났다. 기준 시간대인 오후 비첨두와 비교할 때, 새벽(, p<0.001), 오전 첨두(, p=0.042), 오후 첨두(, p<0.001)에서는 강우에 따른 속도 감소 효과가 상대적으로 완화되는 것으로 나타났으며, 오전 비첨두와 야간에서는 이러한 추가적인 변화가 통계적으로 유의하지 않은 것으로 분석되었다. 특히, 새벽 시간대의 상호작용 계수()는 강우 주효과()보다 커, 점추정치 기준으로 새벽 시간대에는 강우에 따른 감속 효과가 사실상 상쇄되는 것으로 나타났다. 또한, 주말의 경우 주중과 비교하여 강우에 따른 주행속도 변화가 추가적으로 0.306 km/h 감소하는 것으로 나타났으며(, p=0.004), 1차로와 비교하여 2차로와 3차로 이상에서는 강우에 따른 속도 감소 효과가 각각 0.282 km/h (, p=0.009), 0.402 km/h (, p=0.010)만큼 상대적으로 완화되는 것으로 분석되었다. 그러나, 제한속도와 강우 조건 간 상호작용 효과는 통계적으로 유의하지 않은 것으로 나타나(, p=0.307), 제한속도에 따른 강우의 추가적인 주행속도 변화에는 유의한 차이가 없는 것으로 분석되었으며, <Table 4>에 제시하였다.
<Table 4>
Linear Mixed-Effects Model Results for Rainfall Conditions (Interaction Effects)
| Variables (Reference Category) | β | S.E. | T-Stat. | p-Value | |
|---|---|---|---|---|---|
| Time Period (Afternoon Off-peak) |
Early Morning | 0.899 | 0.101 | 8.918 | <0.001 |
| Morning Peak | 0.263 | 0.130 | 2.030 | 0.042 | |
| Morning Off-peak | 0.101 | 0.113 | 0.893 | 0.372 | |
| Afternoon Peak | 0.655 | 0.125 | 5.237 | <0.001 | |
| Night | 0.127 | 0.103 | 1.231 | 0.218 | |
| Day of the Week (Weekdays) | Weekend | -0.306 | 0.106 | -2.894 | 0.004 |
| Lanes (1 lane) | 2 lanes | 0.282 | 0.108 | 2.610 | 0.009 |
| ≥3 lanes | 0.402 | 0.156 | 2.583 | 0.010 | |
| Speed Limit (30 km/h) | 60 km/h | -0.118 | 0.116 | -1.022 | 0.307 |
모형에 대한 랜덤효과의 분산() 분석 결과, 링크 간 분산은 30.804, 링크-일자 조합 간 분산()은 0.687, 고정효과와 랜덤효과로 설명되지 않는 잔차 분산()은 54.131로 분석되었다. 즉, 링크별 기본적인 주행속도 수준의 차이가 상대적으로 크게 존재하는 반면, 동일 링크 내 일자별 추가 변동은 상대적으로 작은 것을 의미한다. 모형에 대한 적합도는 Log-Likelihood −647,628.6, AIC 1,295,663.2, BIC 1,297,726.3으로 분석되었다.
3. SMOTE를 활용한 강우강도의 민감도 비교
강우 및 비강우 조건에 따른 주행속도 분포를 비교하기 위하여, SMOTE를 이용하여 강우 조건의 데이터를 증강하였다. 비강우 조건의 데이터는 119,977건으로 나타났으며, 시간당 강우량으로 임계값(5, 10, 15, 20, 25 mm)을 설정하여 데이터를 증강하였다. 각 임계값 이상의 원 강우 데이터를 기준으로 증강시킨 데이터는 96,973건 (5 mm), 104,361건 (10 mm), 108,164건 (15 mm), 109,615건 (20 mm), 112,564건 (25 mm) 으로 나타났으며, 강우강도가 증가할수록 분석에 활용 가능한 원자료의 수가 감소하는 것으로 나타났다. <Table 5>에는 원 강우 데이터 수와 SMOTE를 통해 생성된 합성표본 데이터 수를 제시하였다.
<Table 5>
Data Augmentation Results for Rainfall and Non-Rainfall Conditions
| Threshold (mm) | Number of Non-rainfall | Number of Original Rainfall |
Number of Synthetic data | Original Rainfall to Non-rainfall Ratio (%) |
|---|---|---|---|---|
| 5 | 119,977 | 23,004 | 96,973 | 19.17 |
| 10 | 119,977 | 15,616 | 104,361 | 13.02 |
| 15 | 119,977 | 11,813 | 108,164 | 9.85 |
| 20 | 119,977 | 10,362 | 109,615 | 8.64 |
| 25 | 119,977 | 7,413 | 112,564 | 6.18 |
전체 강우량 임계값 중에서 시간당 강우량이 5 mm, 25 mm 조건을 대상으로 SMOTE 적용 전ㆍ후의 주행속도 확률밀도분포를 비교하여 <Fig. 3>에 제시하였다. 강우에 따른 주행속도 분포의 변화를 구체적으로 분석하기 위하여, 각 강우량 임계값에서 비강우 조건과 SMOTE 적용 후 강우 조건의 주행속도를 백분위(10th, 25th, 50th, 75th, 90th)를 기준으로 구분하여 비교하였다.
<Table 6>은 각 백분위에서 비강우 조건의 주행속도에서 증강된 강우 조건의 주행속도를 차감한 값을 나타내며, 모든 임계값과 백분위에서 속도 차이가 양(+)의 값으로 나타나, 강우 조건의 주행속도가 비강우 조건보다 전반적으로 낮은 것으로 분석되었다. 특히, 백분위별 차이는 상대적으로 높은 속도영역에서 크게 나타나는 경향을 보였으며, 90th percentile에서 비강우와 강우 조건 간 속도 차이는 5 mm에서 1.21 km/h, 10 mm에서 2.18 km/h, 15 mm에서 1.92 km/h, 20 mm에서 2.03 km/h, 25 mm에서 2.32 km/h로 나타났다. 이 중 25 mm 이상의 강우 조건에서 모든 백분위의 속도 차이가 가장 크게 나타났으며, 이는 강우강도가 높은 조건에서 주행속도의 감소가 보다 뚜렷하게 나타날 가능성이 있다는 시사점을 제시한다. 다만, 10 mm 조건의 속도 차이가 15 mm 및 20 mm 조건보다 크게 나타나는 등 강우강도 증가에 따라 속도 차이가 단조적으로 증가하지는 않았으므로, 강우강도별 차이에 대한 해석은 탐색적 수준으로 한정할 필요가 있다.
<Table 6>
Speed Differences by Percentile (Non-Rainfall − Augmented Rainfall, km/h)
| Threshold (mm) | 10th percentile | 25th percentile | 50th percentile | 75th percentile | 90th percentile |
|---|---|---|---|---|---|
| 5 | 0.89 | 0.76 | 0.90 | 1.15 | 1.21 |
| 10 | 1.14 | 1.13 | 1.42 | 1.67 | 2.18 |
| 15 | 0.93 | 0.91 | 1.04 | 1.49 | 1.92 |
| 20 | 1.04 | 1.05 | 1.33 | 1.62 | 2.03 |
| 25 | 1.30 | 1.53 | 1.96 | 1.98 | 2.32 |
Ⅳ. 결론 및 향후 연구과제
본 연구에서는 강우 조건에 따른 도시부 도로의 평균 주행속도 변화를 차량 주행 데이터와 기상자료를 이용하여 분석하였다. 강우 조건에서의 평균 주행속도는 비강우 조건보다 0.322 km/h 낮게 나타났으며, K-S 검정 결과 강우·비강우 조건의 속도 분포 차이는 통계적으로 유의하였으나 크기는 작은 것으로 분석되었다. 선형 혼합효과 모형 분석 결과, 기준 조건에서 강우 발생 시 평균 주행속도가 비강우 조건보다 0.836 km/h 낮은 것으로 추정되었다. 또한, 변수 간 상호작용 효과가 확인되어 강우의 영향이 도로 및 시간적 조건에 따라 상이하게 나타날 수 있음을 확인하였다. 추가적으로, SMOTE 기반 데이터 증강을 이용하여 강우량 임계값에 따른 주행속도 분포를 비교한 결과, 비강우 조건과 강우 조건의 속도 차이는 주행속도 분포의 상위 백분위에서 상대적으로 크게 나타났으며, 25 mm 이상 조건에서 모든 백분위의 속도 차이가 가장 크게 나타났다.
본 연구에서 선형 혼합효과 모형을 통해 추정된 강우에 따른 평균 주행속도 감속량 자체는 크지 않은 것으로 나타났다. 그러나, 시간대, 요일, 차로 수 및 제한속도 등의 영향을 고려했을 때 주행속도 감소 효과를 통계적으로 확인하였다는 점에서 의미가 있다. 특히, SMOTE를 이용한 강우강도별 민감도 분석에서 상위 백분위의 속도 차이가 상대적으로 크고 25 mm 이상 조건에서 속도 차이가 가장 크게 나타난 점은 강우강도, 시간대 및 도로 특성에 따라 교통운영전략을 차등화할 필요성을 시사한다. 다만, 강우강도에 따른 속도 차이의 증가가 단조적이지 않았으므로 이에 대한 해석은 탐색적 수준으로 한정된다. 또한, 본 연구에서 제시한 강우 시의 주행속도 변화는 강우 시 전체 도로의 일괄적인 속도 저감을 위한 직접적인 기준보다는 강우의 영향을 상대적으로 크게 받는 시간대와 도로 조건을 식별하고 해당 구간을 대상으로 속도관리, 운전자 정보 제공 및 위험구간 관리 등의 실증적 분석체계를 제시하였다는 점에서 의의가 있다.
향후 연구 과제는 다음과 같다. 첫째, 강우 효과를 설명하는데 있어서 도로 및 교통 측면에서의 다양한 변수를 추가하여 모형의 설명력을 높이고, 보정 계수(Mo and Lee, 2017), 포화교통류율, 차두 시간 등의 교통류를 측정할 수 있는 변수(Kim et al., 2015) 등을 추가하여 분석할 필요가 있다. 둘째, 선형 혼합효과 모형을 확장하여 일반화 가능성을 높일 필요성이 있다. 자료 수집의 한계로 인해 강우일 3일, 비강우일 3일의 주행 데이터만을 활용함으로써, 연구의 결과는 분석 대상 지역과 기간에 한정되고, 실증 지역 전체의 도로망 또는 다른 도시 지역에 동일한 효과가 발생하는 것으로 일반화하는 것은 한계가 존재한다. 따라서, 분석 기간을 확대하고 다양한 강우강도 및 계절적 조건을 포함한 장기간의 자료를 활용하여 외부 요인의 영향을 최소화하여 주행속도 변화의 일반화 가능성과 분석 결과의 신뢰성을 높이고, 공간적 이질성과 강우와 평균 주행속도 간의 비선형 관계를 모형화하는 연구를 수행해야 한다. 마지막으로 본 연구에서는 단일 AWS에서 관측된 시간당 강우량을 분석대상지역 전체 링크에 동일하게 적용하여, 국지성 강우에 따른 공간적 강우강도의 차이를 충분히 반영하지 못함으로써, 시간 내 강우강도의 세부적인 변동은 고려하지 못한 한계가 존재한다. 향후 연구에서는 복수의 AWS 관측자료, 기상레이더 등 시공간 강우자료를 활용하고, 링크와 관측지점 간 거리를 보간하여 도로 구간별 강우 조건을 세분화함으로써 강우와 주행속도의 관계를 정밀하게 분석할 필요가 있다.
본 연구에서는 도시부 단속류 도로망에서 강우와 시‧공간적 이질성에 따른 속도 변화를 실측자료에 기반하여 분석하였으며, 이러한 결과는 강우 조건을 고려한 도시부 교통운영, 통행속도 예측을 위한 기초자료로 활용할 수 있다.








