Ⅰ. 서 론

1. 개요

대부분의 사람들은 일, 쇼핑, 여가 등 일상생활에서 다양한 활동을 하며 때로는 주기적인 패턴으로 이루어 진다. 쇼핑과 여가가 상대적으로 시간과 장소에 대해 자유로운 반면, 일, 수업과 같은 활동은 비슷한 시간에 반복적으로 행해지며, 활동장소도 유사하다. 일반적으로 사람들은 활동을 위해 보행, 대중교통, 승용차량 등 을 이용한 통행을 수반하며, 이러한 통행들이 모여 도시 교통의 패턴을 만들어낸다.

통행 규칙성을 규명하는 것은 사람들의 생활패턴을 보다 명확하게 알 수 있을 뿐만 아니라, 시간에 따른 도로의 정적인 교통 수요를 파악하는 기준이 된다. 도로 구간 및 지점에 대한 고정적 통행수요는 교통특성 예측 및 교통관제를 뒷받침하는 주요 근거이다. 기존에는 VDS나 TCS로부터 수집한 지점 및 구간 교통데이터 를 통해 수집된 교통인프라 관점에서의 자료로 <Fig. 1>과 같이 통행특성의 반복성을 설명하였다. 이는 시간흐 름에 따른 지점 교통량 패턴과 대중교통 승객 수가 도시 교통에 반복적 패턴이 있음을 증명한다. 하지만 이와 같은 고정적 교통시설 관점의 통행 패턴분석으로 개별 통행자 단위에서의 통행행태를 이해하기에는 한계가 있었다.

개인 수준의 통행 규칙성 분석은 지점 및 구간에 대한 통행수요 예측뿐만 아니라 경로 수준의 통행수요 분석을 가능하게 하며, 이는 대중교통 서비스, 카풀 등 다양한 교통 서비스로의 적용이 가능하다. 이를 분석 하기 위해 이전 연구들은 가구통행실태조사나 표본 집단의 통행 일지를 활용하여 통행의 반복성을 검토하였 다. 통행 일지 자료는 개인 정보, 통행 목적 및 수단과 같은 상세 정보를 포함하고 있기 때문에 개별 통행자 의 반복적 시종점 정보와 목적을 확인할 수 있었다 (Axhausen et al., 2002; Schlich et al., 2013). 또한 이를 기 반으로 통행자의 특성, 통행 목적, 방문 빈도와 같은 변수들을 기반으로 통행 규칙성을 분석하였다. 하지만 이러한 설문조사는 응답자의 기억에 의존한 기록으로 오차가 내재되어 있으며, 높은 비용으로 인해 표본율 의 확보가 어렵다는 한계를 지닌다.

최근 정보통신기술(Information-communication technology)의 발달로 전자 요금 징수 시스템, 대중교통 스마 트카드, 내비게이션, 휴대 전화 통신 기록 등의 경로로부터 다양하고 고도화된 교통 데이터 수집이 가능해졌 다. 시간 및 공간 정보를 포함하는 이러한 개별통행 데이터는 이용자의 이동을 추적할 수 있어, 개인의 이동 패턴 유사성에 관한 연구에도 큰 영향을 미치고 있다. 스마트카드로부터 수집된 데이터는 카드 태그를 통해 승객이 언제 어떤 정류장에서 승·하차하였는지는 알 수 있어 이를 통해 통행 시작·종료 수준의 통행 유사성 에 관한 연구가 진행되었다 (Ma et al., 2013; Sun et al., Ma et al., 2017). 그러나 대중교통이용 데이터를 이용 할 경우, 대중교통 특성상 배차시간과 고정된 정류장 위치로 인해 통행자 특성에 대한 자유도가 다소 낮게 나타난다. 휴대전화는 GPS 뿐만 아니라 통화상세기록(CDR), SNS 위치 표출 등으로 사용자의 이동을 추적할 수 있다. GPS는 세밀한 단위까지 개인의 시간 및 공간적 위치 정보 기록이 가능하여, 전반적인 이동패턴에 대해서는 고도화된 분석이 가능하다 (Lee et al., 2010;Crawford et al., 2018). 그러나 이는 이용자의 이동 수단 추정, 유효한 기·종점 단위로의 구분 등의 어려움이 있다. 휴대전화로부터 수집되는 다른 데이터인 CDR은 사용자가 통화 시의 기록을 연결된 셀 타워 ID와 발생 시각 등의 정보를 수집한다. 이 기록은 사용자의 정확 한 위치가 아닌, 고정적인 셀 타워의 위치이기 때문에 휴대폰 사용자의 통행 패턴이 집계적 수준에서 감지되 어 주로 VDS나 TCS와 같은 수준에서의 통행 유사성 분석이 가능하다(Sevtsuk et al., 2010). 이와 같이 통행규 칙성 분석은 각 데이터가 가진 한계에 따라 수집 규모, 개인 식별, 이동 수단 및 경로 구분 등의 어려움이 존 재하였다.

한편 대구광역시는 첨단교통관리시스템 도입을 통해 현재 고속도로 하이패스 정보수집체계와 동일한 시 스템을 도시부에 적용하여 하이패스 단말기 장착차량의 도시 내 통행정보를 수집하고 있다. 단거리무선통신 (Dedicated Short Renage Communication; DSRC) 기술을 이용하는 본 시스템은 2016년 하이패스 단말기 장착 률이 전국 기준 60.5%로 높은 표본율을 가지며, 개별 차량 식별뿐만 아니라 지점 통행 시각 및 위치 등의 정 보를 수집한다. 또한 다른 경로 데이터와 달리 통행의 시작과 끝의 구분이 가능하여, 통행 기·종점 단위의 규칙성 분석이 가능하다.

따라서 본 연구에서는 개별통행자 수준에서의 공간적 통행규칙성을 새롭게 정의하고, 대구광역시에서 수 집되는 경로형 데이터를 분석에 이용하였다. 또한 여러 날에 걸쳐 개별통행자가 유사한 위치 및 순서의 통행 을 반복하는지를 정량적으로 측정하기 위해 본 데이터를 일별 통행사슬 형태로 재가공하고 서열정렬 알고리 즘인 Dynamic Time Warping (DTW)을 적용하여 일 단위 공간 이동 패턴울 비교하였다. 또한 산출된 공간적 통행 규칙성을 통해, 본 연구에서는 고정적 교통수요 추정의 지표 및 교통서비스로의 활용방안을 논의하고 자 한다.

Ⅱ. 데이터 및 처리 방법론

1. 데이터 개요

본 연구에서는 대구광역시에서 수집되는 대규모 경로형 교통자료를 활용한다. 대구광역시에서는 첨단교 통시스템의 일환으로, 174개의 노변검지기 (Road-side Equipment; RSE)를 대구광역시 주요 교차로에 설치하였 다. 단거리무선통신 기술인 DSRC를 사용하는 본 장비는 통행료 전자 지불을 위하여 사용하는 하이패스 단 말기 (On board unit; OBU) 부착차량이 인식 반경 내를 통과하면 차량 단말기 정보를 포함하여 통과 시각, 해 당 RSE 정보, 차종 등의 정보를 수집한다. 2017년 9월 기준, 174개의 노변검지기로부터 한 달 동안 76 만 여 대의 차량에서 11,494 만 여 건의 통과기록이 수집되었다. 이는 약 9GB 용량의 데이터로, 기록된 정보 목록 은 <Table 1>과 같다.

2. 연구 범위

1) 공간적 범위

본 연구는 대구광역시에서 RSE를 통해 통행정보 수집이 가능한 범위를 중심으로 진행하였다. 대구광역시 는 국내에서 네 번째로 큰 도시로 그 면적은 883.56㎢이며, 2017년 기준 246만 명의 인구가 거주하고 있다. <Fig. 2>과 같이 현재 대구광역시 도시부 간선도로 주요 교차로를 중심으로 174개의 RSE가 설치되어있다. 평균적으로 1.7km마다 설치된 RSE를 중심으로, 도로를 따라 654개의 연속적 RSE 링크가 형성되어있으며, 대구광역시 행정구 별 RSE 설치현황은 <Table 2>와 같다. 중구의 경우, 대구 내 주요 간선도로들이 교차하는 지점이 많아 단위면적 1㎢ 당 설치대수가 가장 많았고, 대구 도심과 거리가 있는 달성군은 RSE 설치 밀도가 가장 낮았다.

2) 시간적 범위

본 연구에서는 공휴일과 같이 다른 통행 특성을 보이는 일 특성의 영향을 최소화하기 위하여, 공휴일이 없 는 2017년 9월의 대규모 통행 경로 데이터를 분석에 활용하였다. 또한 요일에 의한 영향을 줄이고, 사람들의 주기적인 통행특성을 장기간 살피기 위하여 1개월 동안 생성된 평일 데이터를 추출하여 연구를 진행하였다.

3. 데이터 처리 방법론

대구광역시에서 수집되는 개별통행 자료는 다른 경로형 자료와는 달리 각 차량 및 통행에 대한 구분이 가 능하다. 이 때, 통행이란 개별 차량의 출발지에서부터 도착지까지의 이동을 말한다. 2017년 9월, 대구광역시 개별 통행 자료에 기록된 승용차량은 하루 평균 300,500대, 이들이 생성한 통행기록은 3,719,529건에 달하였 다. 본 연구에서는 일별 통행사슬의 유사성을 통해 개인의 통행 규칙성을 추정하기 위해 개별차량의 지점 통 과기록을 기종점 단위 통행으로 압축시키고 이를 하루 통행사슬의 형태로 재가공하였다.

1) 기종점 단위 개별 통행 자료 생성

기 수집되는 교통자료의 경우, 차량 식별 및 해당 정보 유지 등의 문제로 개별 차량의 경로 정보를 취득하 기 어려워 특정 지점 혹은 구간에 대한 교통정보만을 제공한다. 대구광역시 개별 통행 자료 수집체계를 통해 개별 차량에 대한 경로 정보를 생성하고 이를 기종점 통행단위 자료로 가공할 수 있다. 본 데이터는 익명성 보장을 위하여 32 digit로 암호화된 OBU정보를 통해 차량 식별이 가능하며 고속도로에서 적용하는 차종 구 분 값을 통해 개별차량의 차종을 확인할 수 있다. 또한 통행시작을 구분하는 컬럼을 포함하는데, 차량이 시 동을 걸었을 때 혹은 대구시에 진입했을 때에 최초 수집되는 통행정보는 해당 컬럼에 특정 값이 기록된다.

기종점 단위 개별 통행 자료 생성에 앞서 통행단위로의 구분을 위해 문자열 타입의 차량식별자를 정수형 데이터 전환하고, 전환된 차량식별자와 RSE 통과시각을 기준으로 원본 데이터를 정렬하였다. 이후 정렬된 데이터 각 행의 전, 후 행의 차량 정보 및 통행시작 컬럼 값에 대한 조건문을 통해 통행시종점 (Trip Origin) 테이블을 생성하였다. 통행 발생테이블과의 비교를 통해, 원본 데이터 테이블에 통행 트랜잭션(Transaction) ID를 부여하여, 통행 트랜잭션 ID을 기준으로, 최초 시각과 최종 시각의 자료를 병합해 해당 개별 통행의 기 종점 테이블을 생성하였다. 또한 RSE 적용 범위 외 통행, 시간 및 공간적 유효 통행 수준 미달 등의 조건에 해당되는 통행은 오류로 처리하였다. Fig. 3, 4

2) 통행 사슬

통행에 있어서 개인이 갖는 공간적 유사성을 측정하기 위해, 본 연구는 일별 기종점 이동 기록을 비교하 였다. 따라서 차량과 통행 날짜, 즉 차량식별자과 RSE통과시각의 날짜부분을 사용하여 가공된 개별 기종점 통행 자료를 연결하여 통행 사슬의 형태로 재가공하였다. 재가공 된 통행사슬 데이터는 차량 식별 값, 통행 일자, 연속적 통행 기종점 연결을 포함한다. 본 연구에서는 개별 차량의 각 통행날짜에 대한 통행 사슬을 이 용하여, 공간적 통행 분석에 적용하였다.

Ⅲ. 공간적 통행 규칙성

1. 대구광역시 통행 패턴 분석

통행 규칙성 분석에 앞서, 대구광역시의 전반적인 통행 특성에 대한 이해를 위하여 개별 통행 자료를 이 용해 대구광역시 승용차의 통행패턴을 분석하였다. 2017년 9월 한달 간 수집된 757,499 대 승용차량의 개별 통행 자료를 기종점 단위 개별 통행 자료로 가공하였으며, 이상 통행 제거를 위해 통행시간이 10초 미만이거 나 10시간을 초과하는 통행, 이동거리가 0km인 통행은 분석에서 배제하였다. <Fig. 5>에서는 일반적인 도시 의 시간대별 통행량 분포와 유사하게 오전 및 오후 첨두시에 통행 발생량이 급증하는 것을 확인할 수 있었 다. 평일과 주말을 구분하여 시간대에 따른 일별 통행 발생량을 분포시킨 결과, 각 일 특성별로 유사한 통행 량 패턴이 생성되는 것을 확인하였다. 특히 평일의 경우, 보다 반복적인 통행발생량 패턴은 통근 통행자들과 같이 시간적으로 규칙적인 통행을 하는 차량들의 집계적인 통행량 결과로 보여진다. 또한 각 차량이 하루 몇 건의 통행을 하는지 알아보기 위하여 일·차량수에 대한 하루 통행 건을 분석하였을 때, <Fig. 6>에서와 같이 하루 2건의 통행을 하는 경우가 많았고, 1건, 3건 순으로 나타났다. 이는 주거지를 기반으로 통행을 하는 경 우로 해석된다.

기종점 단위 통행에 대한 특성을 분석하기 위해, 통행발생 시각에 따른 통행시간 및 통행거리 분포를 살 펴보았다. <Fig. 7>은 평일과 주말에 대해 각 시간대별로 발생한 통행의 평균 주행거리 및 소요시간을 표시 한 것으로 분포가 원점에서 멀어질수록, 해당 시간의 평균적인 통행거리 혹은 시간이 긴 것을 의미한다. 다 른 시간대와 유사한 거리를 통행함에도 불구하고, 출·퇴근 교통량 정체의 영향으로 평일 첨두 시간에는 보다 긴 통행시간이 소요되는 것을 확인 할 수 있었다. 또한 주말과 비교하였을 때, 통행 거리는 유사하지만 통행 시간에서 차이가 발생하는 것으로 보아 주말에는 공간적으로 통행이 분산되거나 적은 통행량으로 정체가 비 교적 적은 편임을 확인하였다.

2. 공간적 통행 규칙성 정의

통행 규칙성은 통행패턴의 유사 반복성을 설명한다. 따라서 분석하는 데이터의 형태나 자료 수집 방식에 따라 크게 교통인프라 관점에서의 통행 규칙성과 통행자 관점에서의 통행규칙성으로 나눌 수 있다. 먼저 교 통인프라 관점에서의 통행규칙성은 지점 및 구간과 같이 고정된 장소에서 시간에 따라 반복되는 통행량이나 속도와 같은 통행 특성 패턴으로 설명할 수 있다. 따라서 교통인프라 관점 통행규칙성은 루프검지기와 같은 차량 검지 시스템으로부터 수집된 자료를 분석에 이용한다. 이와 달리, 통행자 관점에서 살펴본 통행 규칙성 은 여러 날에 걸쳐 개인의 이동패턴이 시간 및 공간에 대해 얼마나 유사하게 반복되는가로 표현된다. 이를 위해서는 스마트카드나 블루투스, 고속도로 DSRC 원시자료와 같이 개별 통행자의 식별이 가능한 데이터를 활용하여 통행이 공간적 및 시간적으로 유사하게 반복되는지를 분석한다. 본 연구에서는 대구광역시 개별 통행 자료를 활용하여 통행자 관점에서의 통행 규칙성, 즉 개인의 통행이 갖는 규칙성의 정도를 공간적으로 측정한다. Fig. 8

통행은 시간과 공간의 연속으로 표현할 수 있으며 이에 대한 규칙성 또한 시간과 공간, 두 가지 측면에서 정의할 수 있다. 시간적 규칙성은 특정 시간에 사람이 통행을 시작, 종료, 혹은 진행하는지에 대한 유사반복 성이다. 즉, 하루 중 이동하고 있는 매 순간이 다른 날에도 유사하게 나타나는지를 측정한다. 마찬가지로, 공 간적 규칙성은 사람이 하루 동안 이동하는 공간적 패턴의 유사반복성으로 정의된다. 이는 연속된 위치에 대 한 순서 거리로 정량화 할 수 있다. 따라서 본 연구에서는 두 순서 데이터의 유사도를 측정하는 방법 중 하 나인 DTW 알고리즘을 사용하여 공간적 통행 규칙성을 산정하고자 한다.

3. 공간적 통행 규칙성 산정

1) Dynamic Time Warping (DTW, 동적 시간 워핑)

서열정렬 알고리즘(Sequence alignment algorithm)은 이중 또는 다중의 서열(Sequence)을 대응시켜 유사도를 측정 혹은 유사도가 높아지는 방향으로 서열을 재배열한다. 생명정보학이나 음성인식 분야에서 유사성 판단 을 위해 주로 사용되는 이 알고리즘의 종류로는 대표적으로 Needlman-Wunsch(NW) 알고리즘과 DTW 알고리 즘이 있다.

NW 알고리즘은 연속적인 값들의 유사도를 평가하기 위해 일치, 불일치, 그리고 공백에 대한 점수 스키마 를 필요로 한다. 본 연구에서는 연속적인 지점에 대한 최단경로거리를 기반으로 서열을 비교하기 때문에, NW 알고리즘에서 사용하는 공백 점수를 설정하기에는 모호한 부분이 있다. 반면 DTW 알고리즘은 고정적 파라미터 없이 서열의 유사성 산정이 가능하기 때문에 본 연구에서는 공간적 통행 규칙성을 산정하기 위해 DTW 알고리즘을 적용하였다. 또한 두 서열을 비교할 때 <Fig. 9>와 같이 동일 축 위치에서의 거리를 비교하 는 유클리드 거리 비교와는 달리, DTW는 왜곡 혹은 변형된 형태의 서열들을 다룰 수 있다.

DTW는 동적 프로그래밍을 통해 두 시계열 서열에 속한 노드를 일대일로 비교하면서 거리가 가장 가까운 노드끼리 매칭시켜 결과적으로는 두 서열의 전체 거리가 최소화되는 방향으로 작용하는 알고리즘이다. 본래 알고리즘은 포인트 간 직선거리를 사용하는 것이 일반적이지만, 본 연구는 차량의 통행 패턴에 대한 분석으 로 노드, 즉 차량의 출발 및 도착 지점들 간의 최단 경로 거리를 활용하였다. 따라서 사전에 계산된 RSE 지 점 노드 간 최단 경로거리를 이용하여, 개별 차량의 일별 통행 순서의 공간적 유사성을 산정하였다. 이때, 최 단 경로거리는 지리정보시스템(GIS) 프로그램을 이용하여, 표준노드링크 중 간선도로에 해당하는 도로를 중 심으로 산출하였다.

DTW 알고리즘으로 두 서열의 유사도를 계산하기 위해서 비용 행렬(Cost matrix)을 사용한다. <Fig. 10>은 변형된 DTW 알고리즘의 처리 과정을 도식화한 것으로, 두 서열 비교에 앞서 비용 행렬을 초기화를 통해 첫 번째 행과 첫 번째 열에 식(1)에 따라 누적 값을 계산한다. 그리고 두 서열 간 차이를 최소화하여 최적 거리 를 구하기 위해, 식(2)를 사용하여 나머지 행렬부분을 완성한다. 최종적으로 식(3)과 같이 비용 행렬의 마지 막 행·열에 위치한 값은 변형 DTW 알고리즘의 결과 값으로, 이는 두 통행사슬 간의 공간적 최소 거리를 의 미한다. 본 연구에서는 2017년 9월 한 달 동안 개인의 통행에 따른 공간적 규칙성을 산정하기 위해 이러한 일련의 과정을 모든 통행일자에 대해 비교·반복하여 평균값을 산출하였다. 하지만 DTW 특성상 장거리를 주 로 통행하거나, 하루 통행 빈도가 많은 사람일수록 그 값이 높아지는 경향이 있다. 따라서 이를 식(4)와 같이 개인의 하루 평균 통행거리를 개별특성 변수로서 개인 DTW 값을 표준화하여, 개인이 갖는 공간적 이동 범 위에서의 통행 불규칙 정도(Spatial irregularity score)를 산정하였다.

2) 공간적 통행 규칙성 분석

공간적 통행 규칙성 분석은 앞서 Ⅱ장에서 언급했던 바와 같이, 비교적 일 특성의 영향을 적게 받는 2017 년 9월을 대상으로 진행하였으며, 보다 일상적인 통행패턴 분석을 위해 승용차량의 통행 패턴을 분석하였다. 2017년 9월 한달 동안 통행이 관측된 757,499대의 승용차량 중 일회성 방문 통행목적 혹은 세컨드카(second car) 등으로 인한 결과 영향을 배제하기 위하여 해당 기간 중 일주일 1회 이상 4주 이상 동안 통행한 프로브 차량을 선별하였다. 해당 336,295대 중 2,000대를 임의추출하여 통행 규칙성에 영향을 미치지 않도록 표본을 선정하였으며, 이들의 개별 통행 자료로부터 생성된 통행사슬 구조의 재가공 데이터를 사용하였다.

표본 차량들의 공간적 통행규칙성을 산출한 결과, <Fig. 11>와 같은 분포를 보였다. 공간적 통행 규칙성 점수(spatial trip irregularity score)는 개별적으로 산출된 DTW 결과를 개별 통행 특성인 하루평균 이동거리로 표준화된 값이다. 따라서 DTW 결과가 클수록 서열 간의 차이가 크다는 것을 의미하므로, 규칙성 점수가 높 을수록 해당 차량이 공간적으로 불규칙한 하루 통행 패턴을 가진다. DTW는 두 통행 사슬의 각 노드 간 거 리를 비교 및 누적하면서 진행하기 때문에 결과 값의 범위에 상한이 존재하지 않아, 공간적 통행규칙성 또한 범위를 한정 지을 수 없다.

더 나아가 통근통행을 주로 하는 사람들이 공간적으로 유사한 패턴을 가질 것이라는 점에서 공간적 통행 규칙성과의 관계를 증명하였다. 본 연구에서는 통근통행자에 대해 다음과 같이 정의하고 이에 따라 표본차 량을 통근통행 집단과 비통근통행 집단으로 분류하였다. 통근통행자는 (i) 같은 시간(hour)에 통행을 시작 및 평일에 대해 반복하며, (ii) 해당 반복 통행은 같은 기·종점을 통행하고, (iii) 이를 주 3회 이상 3주 이상 반복 한다. 조건 (i), (ii), (iii)을 모두 만족하는 차량을 검색한 결과, 2,000대의 표본 승용차량 중 267대의 차량이 통 근통행차량으로 분류되었다. 각 집단에 대해 공간적 통행 규칙성의 차이를 살펴본 결과, 전반적으로 통근통 행자 그룹의 점수가 비통근통행자 그룹의 점수보다 낮게 분포되었다. 즉, 비통근통행자와 비교했을 때, 통근 통행자의 이동 패턴이 여러 날에 걸쳐 유사하게 반복되는 것을 확인할 수 있었다.

Ⅳ. 결 론

본 연구에서는 대구광역시 도시부에서 수집되는 경로형 통행 자료를 이용하여 개별 통행자가 갖는 공간 적 이동 규칙성을 정의 및 분석하였다. 연구 수행을 위해 통행규칙성의 의미 및 수준에 대해 고찰하고, 개별 통행자 수준에서의 규칙성 산정을 위해 2017년 9월 한달동안 수집된 대규모의 개별 통행 자료를 기종점 통 행 단위로 가공하고 이를 일단위 통행 사슬로 재생성하였다. 또한 통행 규칙성을 공간적 차원에서 구현하기 위해 서열정렬알고리즘 중 하나인 DTW를 최단 경로거리를 기준으로 변형하였다. 개별 통행 특성에 영향을 받는 변형 DTW를 보완하기 위해 개별 차량마다 일평균 통행거리를 사용하여 표준화된 공간적 통행규칙성 을 구현하였다.

반복적 이동패턴 분석에 앞서, 도시 중 유일하게 고속도로의 개별차량 통행정보 수집체계가 적용된 대구 광역시의 전반적 통행패턴을 살펴보았다. 시간흐름에 따른 통행 발생량이 평일과 주말에 대해 유사한 패턴 을 통해 집계적 통행자 관점에서의 시간적 통행 규칙성 또한 존재함을 확인하였다. 또한, 유사한 통행거리를 주행함에도 불구하고 통행 시작 시간에 따라 소요시간에 차이가 있어, 이는 출퇴근 시간과 같이 교통량이 많 아지는 외부요인에 의한 것으로 추정할 수 있다.

본 연구를 통해 대구광역시에서 수집되는 대규모 통행자료를 이용하여 그동안은 수행하기 어려웠던 차량의 기종점 통행 추정 방안을 도출하였다. 이 방안을 이용하여, 대구시 내 통행 행태에 관한 새로운 정보를 생성할 수 있었다. 또한 교통인프라 관점에서의 통행규칙성을 통해 가정하였던 개별 통행자의 통행규칙성을 정량적 지표로써 나타내고 이러한 통행 행태를 확인할 수 있는 방법론을 제시하였다. 제시된 공간적 통행 규칙성은 하루단위로 사람들의 통행이 얼마나 유사하게 반복되는 보여준다. 따라서 이 개념을 통해 대구광역시 승용차 량의 통행 유사도를 추정함으로써 고정적인 공간적 통행수요 추정의 초석을 다질 수 있었다. 이는 지점 및 구간에 대한 고정적 수요가 존재함을 증명할 수 있으며 특히, 평일에 주로 같은 장소를 오고가는 통근통행자와 그렇지 않은 비통근통행자를 비교하였을 때, 공간적 통행 규칙성의 분포로 이를 확인할 수 있었다.

일반적으로 교통수요관리 부문 정책을 결정할 때 반복적 통행 행태가 주요 전제사항으로 요구된다. 기존 연구에 있어서 반복적 통행에 대한 구체적인 평가가 부족하여, 통행규칙성을 정량화 할 수 없었다. 본 연구 에서 제시한 공간적 통행 규칙성 지표는 개별 통행자의 통행 유사성을 측정할 수 있기 때문에 이는 교통정 책에 있어서 타당한 근거로 작용할 수 있다. 이를 이용하면 규칙적 통행을 하는 사람들이 주로 이용하는 경 로에 대하여 대중교통 서비스 노선 도입 등을 통한 통행 수요 관리가 가능하다. 시간적 통행 규칙성 또한 통 행 규칙성의 다른 개념으로, 도로 네트워크에 특정 시간에 분포하는 통행수요를 추정 및 예측할 수 있는 주 요 파라미터로 사료된다. 따라서 이는 첨두 시간에 주로 발생하는 도시부 도로 정체 및 특송 기간 고속도로 정체 완화를 위한 동적 신호 조정 및 램프 미터링 등의 기법에 적용될 수 있는 잠재력을 가지고 있으며, 향 후 연구를 통해 통행규칙성에 근거한 정책 적용 방안을 구상할 것이다.

본 연구에서 사용한 대구시에서 수집된 경로형 데이터는 차종에 대한 분류는 가능하지만 택시나 택배 차 량과 같은 사업용 차량은 분석을 통해 구분하기 어려워, 이는 데이터가 가진 한계로 판단된다. 또한 분석에 서는 공간적 통행 규칙성과의 스케일(scale) 및 분석 수준(resolution) 한계로 시간적 통행 규칙성을 다루지 못 하였으나, 추후 연구에서는 DSRC 기반의 대규모 통행자료 뿐만 아니라 다양한 경로형 자료를 검토를 통해 공간 및 시간을 복합적으로 고려하여 통행 규칙성에 대해 재정의 및 분석하는 연구를 진행할 것이다. 또한 해당 연구를 통해 두 차원의 규칙성의 관계와 함께 토지 및 건축물 용도와 같은 외부요인이 해당 규칙성에 어떤 영향을 미치는지도 분석될 것이다.