Ⅰ. 서 론

1968년 국내 최초 고속도로인 경인 고속도로의 완공과 더불어 고속 산업화가 진행되는 과정에서 교통 수요가 급격히 증가하였다. 초기에는 도로 건 설로 수요를 해소하였으나, 토지 및 예산 문제 등으 로 물리적 공급 기반 운영 관리 방식은 한계에 도 달하게 되었다. 1990년대부터는 ITS 기술 및 국내 주요 교통축을 토대로 지능형 수요 관리를 시작하 였으며, 이로 인해 교통정보의 중요성이 대두되었 다. 정부는 이러한 실정에 맞추어 ITS 사업 진행, 프로브 차량 기반 정보수집 시스템 구축 등 첨단 교통시스템 도입을 활발히 진행 중에 있다. 특히 고 속도로 교통관리에 필요한 정보 수집은 차량검지기 시스템(VDS: Vehicle Detection System) 및 자동요금 징수 시스템(TCS: Toll Collection System), 단거리무 선통신(DSRC: Dedicated Short Range Communication) 등을 기반으로 이루어지며, 이를 통해 방대 한 양의 고속도로 이력정보 데이터가 수집 및 축적 된다.

그러나 그 방대한 양에도 불구하고, 이에 상응하 는 활용방안은 부족한 실정이다. 대용량 데이터(big data)의 축적에서 그칠 것이 아니라 이를 활용하여 교통 흐름의 함축정보 및 교통 패턴 도출에 적극적 인 개입이 필요한 시점이다. 이러한 패턴 정보는 장 래 교통상황 예측 및 운영관리 의사결정에 매우 유 용한 정보를 제공하고, 이를 통하여 고속도로 관리 시스템의 효율성을 증진시킬 수 있다.

본 연구에서는 현재 방대하게 수집되는 고속도 로 DSRC 데이터를 이용하여 구간단위의 통행패턴 의 분류 개수를 최소화하면서 일정 수준의 정확성 (accuracy)이 보장되는 통행패턴을 도출하는 것을 목표로 하였다. 이는 현재 지속적으로 축적되는 DSRC 데이터가 유연성 있게 패턴에 반영될 수 있 게 하기 위함이며, 향후 고속도로 관리자가 고속도 로 운영관리 의사결정에 있어 단순하면서도 정확한 방법으로 도로의 통행패턴을 용이하게 파악할 수 있게 하기 위함이다. 특히 구간 단위의 통행패턴 분 류는 O/D별 통행속도를 예측하는 방법에 비해 훨 씬 간결하면서도, 충분한 샘플 수의 확보가 가능하 기에 신뢰도가 높다. 구간 단위의 통행패턴이 고속 도로 전 구간에 구축되면 구간별 통행패턴 조합을 통해 모든 O/D에 대한 통행패턴의 산출에 용이하 게 활용될 수 있다.

본 연구를 수행하기 위한 분석에는 개별 차량 통 행시간을 15분 단위로 집계한 DSRC 통행속도 이력 데이터가 활용되었다. 본 데이터를 기반으로 의사결 정나무를 활용한 통행패턴 분류와 산출, 통계 오차 비교를 통한 통행패턴의 정확성 비교, 적정 이력자 료 활용기간 선정을 수행하였다. 특수상황의 경우는 일반 상황과는 상이한 통행 특성을 나타내므로, 이 러한 자료를 분리한 후 일반상황에 대한 통행패턴 을 도출한다. 이때 특수상황이란, 즉, 공휴일 및 명 절과, 강우 및 유고가 발생한 경우를 지칭한다.

본 논문의 구성은 다음과 같다. 2장에서는 기존 연구를 고찰하고, 3장에서는 자료수집 및 분석방법 론을 선정한다. 4장에서는 통행패턴 분류 및 생성 을 수행하여 타 노선에 대하여 검증하고, 그 정확도 를 확인한다.

Ⅱ. 이론적 배경

1. 통행패턴 정의

사전적 의미에서의 패턴이란 ‘일정한 형태나 양 식 또는 유형’을 의미한다. 허민국 외[1]는 교통패턴 을 ‘한 지점에서 동일한 요일 및 시간대를 기준으로 시간의 흐름에 따라 나타나는 소통상태 변화의 일 정한 형태’로 정의하였고, 송상규[2]는 패턴을 ‘교통 데이터가 교통특성에 의해 일정한 반복을 나타내는 것을 의미하는 것’으로 정의하였다. Yoshikazu 외[3] 는 통행시간 패턴을 ‘이상치를 발생 유형별로 제거 한 후 여러 일자의 유사값을 나타내는 실제 통행시 간 시계열 데이터의 평균을 적용한 것’으로 정의하 였다. 본 연구에서의 통행패턴은 ‘고속도로 구간별 로 동일한 시간대에 반복적으로 발생하는 통행속도 추이’로 정의한다.

2. 통행패턴 분류 방법론 및 사례 연구

1) 통행패턴 분류 방법론

송필용[4]은 차종별, 연도별, 월별, 요일별로 구분 한 서해대교 일평균 교통량(ADT, Average Daily Traffic) 패턴을 분석하였고, 계절별, 월별 교통량의 패턴은 차이가 있는 것으로 도출하였다. 또한 요일 별 특성 중 화·수·목요일의 교통량은 유사성이 존재 함을 주장하였다. 조준한 외[5]는 안산시 3개 구간의 단속류 시계열 과거이력자료를 활용하여 유사 통행 패턴을 보이는 요일을 5분단위로 그룹핑하는 비고 정식 알고리즘을 개발하였다. 최진우 외[6]는 서울 강남대로의 통행속도 이력자료를 바탕으로 분석을 수행하였으며, 평균 속도와 교통량이 평일과 주말은 아주 상이한 패턴을 보이므로 이력자료를 각각 구 축해야 할 필요성이 있음을 주장하였다. Lingras[7] 는 264개월의 월평균교통량을 각 개별 패턴으로 정 의하고, 월 교통량 패턴을 분류하는 연구를 수행하 였으며 그 결과 5개 이상의 군집 분류가 되어야만 집단내 오차가 확연히 감소함을 주장하였다. Yoshikazu 외[3]는 모든 누적 통행시간 패턴과 예측 일자의 통행시간 간 제곱오차가 작은 이력 데이터 를 선정하는 방식으로 패턴을 분류하였다. 누적 패 턴 중 예측을 원하는 시간대 전·후 한 시간 동안의 통행시간을 대상으로 가장 유사한 값을 지니는 데 이터를 선정하고, 예측 대상이 되는 구간과 공간적 으로 가장 인접한 대안을 패턴으로 선정하였다.

2) 통행패턴 생성 사례

이력자료의 수집은 통상 프로브 차량을 기반으 로 위성항법장치, VDS, 비콘 등을 활용하여 수집되 며, 최근 전 고속도로 구간에 확장 설치가 완료된 DSRC를 활용한 교통정보 수집 역시 이루어지고 있 다. 수집된 원시자료는 각 목적에 맞게 다양한 주기 및 교통특성별 이력자료로 생성된다. 한국도로공사 [8]는 VDS 및 DSRC 원시자료를 기반으로 지수평 활, ARIMA, 베이지안 알고리즘을 적용하여 공휴일 이 제거된 요일, 하계휴가철, 명절 패턴을 주요 5개 도시에 대해 생성한다. 천안-논산 고속도로 교통관 리시스템[8]은 화·수·목요일을 평일로 지정하고, (월)(평일)(금)(토)(일)(특수 공휴일)로 교통패턴을 분 류 및 생성한다.

3. 의사결정나무 방법론

의사결정나무는 의사결정규칙을 도표화하여 관 심대상이 되는 집단을 몇 개의 소집단으로 분류하 거나 예측하는 분석방법이다. 의사결정나무 알고리 즘은 CHAID, CART, QUEST, C4.5 등으로 분류되며 이들은 분리기준, 정지규칙 및 가지치기 등에서 서 로 다른 형성과정을 가지고 있다.

Northwestern Univ.[9]는 ADVANCE 프로젝트에서 교통사고자료를 이용하여 돌발상황 처리시간 모형을 개발하였는데, 독립변수로는 대응차량의 대수와 역 할을 이용하였다. 신치현 외[10]는 21개월 동안의 교 통사고자료를 이용하여 돌발상황 지속시간 의사결정 구조를 제시하였다. 하오근 외[11]는 교통사고를 대 상으로 돌발처리시간 예측모형 개발을 통한 주요영 향인자를 도출하여 의사결정나무에 적용하는 연구를 수행하였다. 김한수 외[12]는 화물자동차 투어유형 선택 행태를 의사결정나무 및 로짓모형을 적용하여 도출하였다. 강진웅 외[13]는 도로이용자가 경로를 우회할 때 적용하는 주된 우회결정요인을 분석하기 위해 의사결정나무와 신경망 모형을 결합하여 사용 하였다. Arentze and Timmermans[14]는 통행행태 예 측을 위해 1차로 의사결정나무를 이용하여 데이터를 그룹핑하고, 각 그룹 별 대푯값에 해당하는 통행행태 를 분류하는 과정을 수행하였다. Sohn과 Shin[15]은 교통사고 심각도 패턴 인식을 통해 잠재적 사고 발 생을 예방하기 위하여 관련 변수를 적용한 사고 심 각도 추정 분류 모형을 개발하였다.

4. 시사점

기존 통행패턴 분류 방법론 연구에서는 계절 및 월별 통행특성에 차이가 있음을 제시하였다. 또한 대부분의 연구에서 요일을 패턴 분류의 기준으로 삼는 것을 확인하였다. 기존에는 대부분 평일과 주 말을 분류하거나 모든 요일을 개별로 분류한다. 주 말의 경우 모든 연구에서 분류 필요성을 주장하였 다. 한편 평일의 경우 통상적인 분류 기준이 없기 때문에 실시간 데이터와 패턴간의 오차 분석을 통 한 분류를 실시한다. 본 연구에서는 15분 단위 DSRC 통행속도 이력데이터를 기반으로 고속도로 구간별 통행속도 추이를 파악하여 통행패턴을 생성 하기로 한다.

기존 연구의 경우 통상적 기준 없이 요일 분류를 수행하였으나, 본 연구에서는 통행패턴과 실시간 데이터 간 오차분석을 통해 요일 분류 기준을 선정 하였다. 또한 기존에는 특정 대도시 O/D를 기준으 로 패턴을 생성하였지만, 본 연구의 경우 인접 IC-IC 단위별로 통행패턴을 도출하였다는 점에서 차이가 있다.

Ⅲ. 자료수집 및 분석방법론 선정

1. 활용 자료 수집

본 연구에서는 고속도로 DSRC 데이터를 구간 단위로 분할하여 분석에 활용한다. 여기서 구간 단 위는 2개의 가장 인접한 IC간을 의미하며, JC가 존 재하는 경우 JC로 대체한다. 경부고속도로의 2011 년 데이터를 활용하였으며, 구체적인 시·공간적 범 위는 다음과 같다.

공간적 범위는 수도권에 해당되는 서울TG~안성 IC은 시간대별로 다양한 소통상황을 나타내므로 상 대적으로 소통이 원활한 지방부보다 패턴 분류의 필요성이 높은 것으로 판단되어 선정하였다.

분석 구간의 시계열 속도 추이를 확인한 결과, 야간 시간대(22-06시)의 통행속도가 80~120km/h으 로 소통원활 상태를 나타내어 패턴의 분류가 필요 없다고 판단하였다. 따라서 시간적 범위는 06-22시 로 선택하였다. <그림 1>은 이상치 제거 후 야간 시 간대 통행속도의 시계열 추이이다.

패턴분석에 활용되지 않는 데이터는 특수상황의 속도이다. 강우상황의 경우 기상청으로부터 수집한 강수량 데이터를 활용하였는데, 적설량 데이터는 제공되지 않으므로 눈이 오는 상황이 통행패턴에 미치는 영향을 파악할 수 없다. 따라서 겨울철인 1, 2, 12월은 분석에서 제외하였다. 또한 한국도로공사 에서 제공한 유고 데이터를 활용하여 유고상황 역 시 제외한 후 패턴을 생성한다. 주말의 경우 기존 연구 내용을 기반으로 명백한 고유의 패턴을 갖는 것으로 판단되어, 본 연구에서는 주말은 분석대상 에서 제외하였다.

2. 분석 방법론 선정

통행패턴을 도출하기 위해 15분 단위로 집계된 개별차량 통행속도 평균을 대푯값으로 하는 시계열 데이터를 활용한다. 요일 간 유사성이 검증된 요일 은 동일한 그룹으로 분류하며, 통행패턴의 생성은 각 구간별 월(月)단위로 수행한다. 이는 구간의 지 역적 통행특성에 따라 다양한 변동이 발생하므로 이를 반영한 대푯값 산출이 필요하기 때문이다. 또 한 단순히 요일로만 구분된 패턴을 1년 전체에 적 용할 경우 월별, 계절별 및 각종 이벤트에 대한 변 동성을 고려할 수 없기 때문에 월 단위로 대푯값을 생성한다. 데이터 가공은 특수상황 발생과 일반상 황의 분류를 한 후에 통행패턴을 생성하게 되는데, 가공절차는 <그림 2>와 같다.

통행패턴 데이터 가공절차는 1단계로 요일별로 분류된 속도 데이터에서 특수상황 시의 속도데이터 를 제거한다. 2차로 특수상황을 제거한 데이터를 대상으로 이상치를 제거한다. 이 때 이상치 제거는 한국도로공사 exTMS의 DSRC 데이터 및 국도 관리 시스템에서 적용되는 2σ를 신뢰구간 범위 이외 값 을 제거하는 방식을 채택하여 수행한다.[16][17] 이 상치 제거 단계를 포함시킨 이유는 특수상황을 제 외하더라도 결측으로 인한 수집자료 부족, 유고 상 황 종료시점 차이 발생 등으로 인한 비정상적 통행 속도가 나타났기 때문이다. 특수상황 제거 및 이상 치 제거가 완료되면 통행속도 평균을 대푯값으로 하는 15분 단위 요일별 통행패턴을 생성한다.

Ⅳ. 통행패턴 분류 및 생성

1. 통행패턴 분류

1) 분석 개요

특수상황 데이터 제거 및 이상치 제거를 통해 가 공된 15분 통행속도 데이터를 활용하여 의사결정나 무에 적용하기 위한 데이터를 구축한다. 평일을 대상 으로 요일별 평균속도 추이 비교를 통해 패턴을 분 류한다. 목표변수인 통행속도 데이터를 1시간 단위 로 분할하는 과정을 거친 후 요일을 설명변수로 하 는 의사결정나무를 적용하였다. 여기서 1시간 단위 로 의사결정나무를 적용한 이유는 첨두·비첨두 등 시간대에 따라 통행속도 추이가 상이하므로 시간대 별 요일간 관계를 도출할 필요가 있기 때문이다.

본 분석에서는 목표변수인 통행속도가 연속형 변수이므로, 분산의 감소량을 이용하여 이진분리를 수행하는 CART(Classification and Regression Trees) 알고리즘을 적용하며, 공식은 다음과 같다.

이는 마디 t의 목표변수 평균을 그 마디에 속하 는 모든 개체의 예측값으로 사용하여 예측오차를 최소화하는 과정으로 볼 수 있으며, 분산의 감소량 은 식 (2)와 같이 정의된다. 분산의 감소량을 최대 로 하는 설명변수와 그 변수의 최적 분리를 분리점 으로 선택한다.

여기서,

2) 통행패턴 분류 결과

동일한 시간대에서 요일간 통행속도 변동이 큰 경우에 의사결정나무 가지를 분리함으로써 유사한 통행속도를 갖는 경우 동일한 그룹으로 분류한다. <표 1>에 첨두시간의 분류 결과를 나타내었으며 DAY_FLAG는 요일 변수를 의미한다.

주간 시간대(06-22시)에 각기 적용된 요일 간 통 행속도 유사성의 분석 결과 총 16개 시간대 중 15 개 시간대에서 금요일을 단독 분류하였다. 월요일 의 경우 7개 시간대에서 단독 분류 되었으며, 이는 오전 첨두시간대를 모두 포함한다. 화·수·목요일은 오전 9시~10시의 1개 시간대를 제외한 전 시간에서 동일한 통행속도 그룹으로 분류되었다. 고속도로 소통상황이 원활한 시간대일수록 각 요일을 동일한 패턴으로 분류하는 경우가 빈번하며, 첨두시간대일 수록 요일별 통행속도 차이가 발생한다.

오전 첨두시간대(07-09시)의 경우 월요일과 금요 일의 평균 통행속도가 타 요일에 비해 현저히 낮으 며, 이로 인해 다른 요일과 분리된 패턴을 형성하게 된다. 이러한 결과를 통해 월요일, 금요일은 명백히 다른 평일과 분리된 통행패턴을 개별적으로 생성할 필요가 있음을 도출할 수 있다. 한편 화·수·목요일 은 1개 시간대를 제외하고 항상 유사한 속도 추이 를 갖는 것으로 분류되었으므로 이는 동일한 패턴 그룹으로 분류할 수 있음을 의미한다. 따라서 경부 고속도로 서울TG~안성IC 구간 대상 패턴 분류 결 과, (월)(화·수·목)(금) 3개의 평일 패턴으로 분류되 었다. 각 노선 및 구간은 월별·요일별·시간대별로 고유의 패턴을 갖는데, <그림 3>은 경부고속도로 하행 수원IC~기흥IC 구간의 월별 통행패턴 예이다.

요일별 통행패턴을 비교한 결과 금요일을 제외 한 평일은 명확한 월별 패턴이 나타났지만, 금요일 은 월별 패턴의 변동이 다양하게 나타났다. 그리고 8월과 11월에서 가장 낮은 속도 패턴을 나타냈는데 이는 여름철 휴가철과 가을 단풍철 등의 단기성 이 벤트가 원인인 것으로 예상된다.

2. 통행패턴 정확성 분석

의사결정나무 모형을 통해 도출된 통행패턴과 개별 일자 데이터의 오차를 이용하여 통행패턴의 정확성을 확인한다. 이 때 개별 일자 속도 데이터를 참값으로 가정하였으며, 정확성 지표는 식 (3)과 같 이 MAPE(Mean Absolute Percentage Error, 절대 백분 율 오차의 평균)을 적용하였다. MAPE는 MAE(Mean Absolute Error, 오차의 절대값 평균)를 백분율로 나 타낸 값으로써 시계열 데이터의 정확성 측정을 위 해 주로 사용되는 통계적 수치이다.

여기서,

주 분석 구간인 경부고속도로 서울TG~안성IC 하 행 구간의 통행패턴의 MAPE를 산출한 결과는 <표 2>에 제시되어 있다.

월별 MAPE 중에서는 3월이 가장 낮고, 여름 휴 가철인 8월에 가장 높은 MAPE를 나타낸다. 요일을 기준으로 보았을 때는 토요일 MAPE가 타요일에 비해 2배 이상 높은 값을 나타낸다. 이는 토요일에 발생하는 고속도로 소통상황의 변동이 가장 크고 지·정체가 빈번히 발생함을 유추할 수 있다.

3. 통행패턴 분류 검증

경부고속도로 하행 서울TG~안성IC 구간의 속도 데이터를 활용하여 분류된 패턴 분류 결과가 타 노 선에도 적용되는지 확인하기 위하여, 샘플 노선을 선정 후 검증을 수행하였다. 검증은 영동(양지IC~호 법JC), 중부(호법JC~대소JC), 중부내륙(여주JC~충주 IC)로 총 9개 구간에 대하여 수행하였고 상세 구간 명은 <표 3>과 같다.

요일 기준 통행패턴 분류 검증에는 통행속도의 분산을 고려하면서 집단 간 평균의 차이를 검증하 는 통계기법인 일원분산분석(oneway Analysis Of Variance, ANOVA)을 적용하였다. 해당 시간대 내에 요일별 속도의 평균 차이 존재 유·무를 검증하기 위해 등분산을 가정한 Scheffe 사후검정법을 적용하 였다. 시간대별로 분할된 동일 요일의 15분 주기 평 균통행속도에 대하여 유의확률 0.05에서 수행하였 으며, 가설은 다음과 같다.

검증 결과 약 94.4%의 케이스에서 기존 경부고 속도로 분류 결과와 동일 패턴 그룹으로 분류됨을 확인하였으며, 이는 <표 4>와 같다.

상대적으로 소통상황이 원활한 검증 시간대에는 전체 평일이 1개 패턴으로 분류되는 비율이 더욱 높게 나타났다. 그러나 검증 노선에서도 마찬가지 로 첨두시간에 월, 금요일의 경우 고유의 패턴을 갖 는 것으로 나타났으므로, 기존 경부 고속도로 분류 대로 월요일과 금요일의 개별 패턴 생성이 필요함 을 확인하였다.

4. 의사결정나무를 통한 추가변수 도출

1) 분석 개요

앞절에서 도출된 통행패턴은 월, 요일, 시간대, 구간을 변수로 적용하였다. 그러나 실제로는 이러 한 시·공간적 요인뿐만 아니라 매우 다양한 요인들 이 교통류에 영향을 미치게 된다. 본 연구에서는 이 러한 요인들에 따른 오차를 감소시키는 목적으로 추가변수를 적용한 모형을 검토하였다. 추가변수 도출은 요일별 패턴분류를 토대로 통행패턴 생성 최종 단계에서 새로운 외부 변수를 추가하여 의사 결정나무 모형을 정립하여 이를 평가하는 형태로 진행되었다.

2) 추가변수 선정

본 연구에서는 추가변수를 고려하는 과정에서, 고속도로의 시·공간적 특성 외에 통상적으로 교통 류 및 교통패턴에 영향을 미칠 것으로 예상되는 요 소를 검토하여 추가적인 변수로 선정하였다. 이 때 고려된 추가변수는 패턴 생성 시점 이전 월의 교통 상황을 나타내는 ‘직전월 소통상황’, 해당 구간의 ‘강수량’, ‘TCS 교통량’, 1·3·5주/2·4주를 분류한 ‘홀· 짝수 주 통행속도’이다.

고려된 변수들에 대하여 독립변수 중요도에 대 한 분석을 실시하였고, 이를 토대로 통행패턴 분류 에 영향을 미치는 추가변수의 우선순위를 파악하였 다. 해당 내용의 결과는 <표 5>와 같다. 고려된 변 수중 ‘직전월 소통상황’ 변수가 가장 높은 정규화 중요도를 나타내었고, 다른 변수들은 중요도가 1.3% 이하로 나타나 결과에 미치는 영향이 매우 낮 은 것으로 분석되었다.

3) 추가변수 적용 시 위험도 비교

‘직전월 소통상황’을 추가변수로 적용하여 의사 결정나무를 생성하였을 때, 위험도가 변화하는 정 도를 비교하여 통행패턴 오차 개선에 실제로 영향 력이 있을지 판단하였다. 본 분석의 목표변수는 연 속형으로써 위험도는 모형에서 분류된 노드의 분산 가중합을 의미한다. 설명변수를 다르게 적용할 경 우 각각의 모형에서 나타나는 위험도 비교를 통해 동일 그룹(노드, node) 내에서의 분산을 비교함으로 써 추가 설명변수가 분류의 정확성을 높이는 지 확 인할 수 있다.

<표 6>과 같이 추가변수를 적용하지 않은 경우 의 위험도 추정값은 약 368로 나타났으나, ‘직전월 소통상황’변수를 추가하는 경우 추정값은 약 190으 로 동일 그룹 내 분산이 감소함을 확인하였다.

전체적인 오분류율은 약 50% 감소하였으며, 이 에 대한 표준오차는 각각 1.9, 1.3이다.

Ⅴ. 결론 및 향후 연구과제

본 연구에서는 고속도로 구간 정보의 수집이 가 능한 DSRC 기반 통행속도 이력데이터를 활용하여 IC-IC 구간 단위의 통행패턴을 도출하는 방안을 연 구하였다. 주요 분석 구간인 경부고속도로 수도권 구간의 DSRC 통행속도 데이터를 의사결정나무 모 형에 적용한 결과 요일을 기준으로 (월)(화·수·목) (금)(토)(일) 5개 그룹으로 통행패턴이 분류되었다. 뿐만 아니라 타 노선에의 적용 가능 여부에 대한 일원분산분석 통계검증 결과, 약 94%에서 동일한 패턴으로 분류되는 것으로 나타났다. 의사결정나무 기법을 통하여 통행패턴 분류 오차 개선을 위해 추 가 설명변수를 확인한 결과, ‘직전월 소통상황’ 변 수가 가장 큰 영향력을 갖는 것으로 나타났다. ‘직 전월 소통상황’ 변수를 추가하는 경우 모형에서의 통행속도 분산이 약 50% 감소하였고, 표준오차는 0.58 감소하였다.

DSRC 데이터가 수집되지 않던 과거에는 약 300 개에 달하는 O/D의 통행특성 도출이 매우 시간 소 모적인 작업이었다. 그러나 본 연구에서 제시한 구 간 단위의 통행 패턴이 고속도로 전 구간에 구축되 면 구간별 통행패턴 조합을 통해 모든 O/D에 대한 통행패턴의 산출 및 수준 높은 교통정보의 제공이 가능하게 될 것으로 기대된다.

한편 본 연구에서는 수집된 이력데이터 기간의 제약으로 특수상황에서의 패턴 분류가 제외되었고, 주말의 경우 기존 연구 내용을 인용하여 본 연구에 서는 제외하였다. 향후에는 장기적인 데이터를 수 집하여 해당 부분에 대한 패턴 분류를 실시하고, 이 를 본 연구에서 도출된 패턴과의 내용적 관계 정립 이 필요하다. 더불어 시간당 강수량, 적설량, 안개 등의 구체적인 기상 상황, 구간별 인근 지역의 콘서 트, 운동경기, 지역 축제와 같은 이벤트 발생여부, 차종별 교통량 등과 같은 데이터를 추가 설명변수 로 활용하면 더욱 정확성 높은 통행패턴을 구축할 수 있을 것으로 판단된다.