Ⅰ. 서 론
“안전”에 대한 국민들의 관심과 요구가 도로교통 분야에도 매우 증가하고 있다. 지난 2012년 미래창조과 학부(現 과학기술정보통신부)에서 시행한 교통정보관련 설문조사에 따르면, 실시간 교통정보콘텐츠 중 노면 상태 주의정보와 악천후 등 도로기상 정보가 각각 92.8%, 95%가 필요하다고 조사되었다. 이는 실시간 교통 소통 정보 서비스에 대한 이용률 및 정보에 대한 신뢰도 증가에 따라 보다 다양하고 실시간성이 높은 교통 정보콘텐츠를 요구하는 비중이 높아졌기 때문으로 추정된다. 설문조사결과와 같이, 기존 교통속도 위주의 소 통정보 이외에 도로기상 및 도로위험 정보 등 주행 중 운전자가 실제로 경험할 수 있는 불안정 상황(unstable conditions)을 해결해 줄 수 있는 서비스에 대한 수요가 증가하고 있다고 볼 수 있다.
이러한 수요에 부합하기 위해서는 공공주도의 물리적 인프라 투자를 점진적으로 지양하고, 민간과 적극적 인 협력을 통해 각자가 보유하고 있는 정보인프라 및 정보자산을 공유할 수 있는 방향으로 인프라 구축 및 이에 상응하는 투자가 계획되고, 수행되는 것이 보다 효율적일 것이다. 실제로 국토교통부의 경우, 기존 도 로관리청 중심의 교통정보 수집을 위한 교통체계 인프라 구축 정책을 지양하고, 민간의 교통정보를 적극적 으로 활용하는 정책을 추진한 바 있다. 내용의 핵심은 교통소통정보는 민간이 주도적으로 수집·제공하고, 공 공은 도로안전중심의 정보를 수집·가공·처리하여 민간과 공유하는 것이다. 도로 안전정보는 도로변 특정지 점에 고정된 장비 또는 시스템을 구축하여 수집할 수 있지만, 이는 도로구간에 따른 실질적인 주행위험 정보 를 적시적소에 파악하기 어려운 한계가 있다. 이를 극복하기 위해서 도로를 주행하는 차량으로부터 직접 데 이터를 수집하기 위한 다양한 노력들이 진행되었다.
우리나라의 화물 및 여객수송 영업을 담당한 사업자가 사용하는 차량은 안전 이슈 때문에 정부의 관리를 받고 있다. 이러한 사업용 차량은 전국 주요 도로구간을 대상으로 주기적으로 운행하고 있으며, 특히, 버스 및 화물차의 경우, 승용차에 비해 시야가 높아 교통상황정보를 수집하기가 더 용이하다. 무엇보다도 도로교 통법, 화물자동차운수법, 자동차 안전기준에 관한 규칙에 근거하여 차내 교통안전장치를 의무적으로 설치 할 수 있다(Korean Institute of Civil Engineering and Building Technology, 2017). 대형 물류업체 및 민간 교통정보 사업자를 중심으로 사업용 차량에 의무 장착된 DTG(Digital Tachograph, 운행기록계)를 활용하면 차량의 위 치, 주행속도, 감·가속도, 이동시간 등을 운전자에게 제공해 줄 수 있다. 현재 국내 DTG 장착 사업용 차량이 약 40만대로 집계된다. 그리고 향후에는 더욱 증가할 것으로 예측된다. 이러한 차량들을 활용한다면, 현재와 는 분명히 차별화된 多量·高품질의 정보 수집과 활용이 가능할 것이다.
지난 18-19년 기간에 사업용 차량에 장착된 장비를 통해 중요한 도로위험정보(노면결빙, 안개, 포트홀)를 수 집·가공·처리되는 기술<Fig. 1>과 이를 공공 및 민간에 공유할 수 있는 정보공유시스템이 개발되었다(Korean Institute of Civil Engineering and Building Technology, 2019).
본 연구에서는 정보공유시스템 내에서 사업용 차량으로부터 수집된 자료와 기존에 도로관리기관에 축적 되어 있는 도로속성자료를 융합하여 도로구간에 따른 도로위험정도를 정량화 할 수 있는 알고리즘과 지표를 개발하였다. 또한, 실도로 실험계획에 근거한 사업용 차량 수집자료와 해당구간의 도로 속성자료를 통해 알 고리즘과 지표를 검증하였다.
Ⅱ. 문헌고찰
최근 4차 산업혁명에 따라 보다 혁신적인 공공서비스 모델에 대한 검토가 활발히 이루어지고 있다. 필요 한 정보자원은 인프라, 데이터, 서비스 등으로 구분하여 정의된다. 초기 공공 서비스모델은 정부에서 우선적 으로 인프라와 서비스를 구축하고 서비스 제공 기반에서 데이터를 제공하는 형태였다. 이후에 민간에서도 자체 인프라 및 서비스를 구축하고 데이터를 제공하기 시작했다. 그러나 공공과 민간이 서로 필요한 데이터 를 공유하는 것이 가장 이상적인 것으로 간주된다.
국내의 정보화는 1978년 초기 전산화 개념에서 출발하여 2000년 대 전자정부사업에 이르기 까지 급속도 로 진행되어 왔으며, 국가정보화를 위한 여러 구상들이 중앙정부 차원에서 계획·실행되었다(Korean Association for Organizational Studies, 2010). 특히, 국토교통부에서는 국토공간정보 융·복합 강화와 IT를 활용 한 건축, 부동산 민원서비스 강화를 위해 건축행정시스템(세움터), 부동산종합공부시스템, 지리정보시스템, 공간빅데이터체계, 도시계획정보체계, 건설 CALS/건설산업정보시스템, 하천종합정보시스템을 구축·운영하고 있다. 해외는 국내보다 공공과 민간의 정보공유가 훨씬 활발한 특성이 있으며, 非실시간성 정보보다는 실시 간 정보제공에 초점을 맞추고 있다.
본 연구와 관련된 교통정보제공분야의 경우, 유럽과 북미 선진국에서는 2010년 대 중반부터 공공과 민간 의 정보공유를 위한 연구개발 및 민·관 협의가 많이 진행되고 있다. 유럽 ITS협의체(민관협동)에서 추진한 Transportation Management(TM) 2.0 플랫폼을 통해 <Fig. 2>와 같이 기존에 공공과 민간이 각자 개별적으로 교 통데이터를 보유하던 것으로 공유될 수 있도록 하였다(TM 2.0 홈페이지).
실제 상용화까지는 총 34개의 민간 기업과 정부기관이 참여한 것으로 총 3년 정도 소요되었다. 이를 통해 공공의 교통관제센터(Traffic Management Center)와 민간정보서비스업체(Traffic Service Provider)는 상호 보완적 인 관계가 될 수 있었다. 또한, 미국의 Waze Data Sharing은 클라우드 기반의 시스템으로 애플리케이션을 통해 도로관리기관과 Probe 차량 데이터를 실시간으로 공유하도록 구성되어 있다(Waze 홈페이지). MDM(Mobility Data Marketplace)은 독일에서 개발되었으며, 중요한 데이터를 공공과 민간이 쉽게 공유 할 수 있는 플랫폼을 개발하였다(MDM 홈페이지). 독일 바이에른의 A9 고속도로가 MDM의 테스트베드로 활용되었는데, 이를 통해 고속도로 주변 사용 가능한 주차시설, 유류가격, 기상조건, 도로 체증구간, 공사구간 등과 같은 교통 상황에 대한 정보를 실시간으로 공유할 수 있도록 하였다.
국내에서는 사업용 차량의 DTG 자료를 활용하는 연구가 많이 진행되어 왔다. Han and Kim(2017)은 사업 용 차량 DTG 자료의 원시 및 가공단계에 따른 특징을 상세히 고찰하였다. 특히, 가공단계에 따른 개별차량 의 주행궤적, 링크통행시간, 그리고 링크통행시간정보의 특성 등을 분석하였다. Cho et al.(2017) 연구에서는 고속도로 졸음운전 위험구간 분석을 위해 화물차량 DTG자료를 활용하였다. 이를 바탕으로 고속도로의 졸음 운전 위험구간을 산정하였다. 이 밖에도 고속버스 및 택시에서 수집한 DTG자료를 근거로 이용자 행태분석, 교통류 분석, 위험운전 행태 분석 등을 수행한 연구들이 많이 있다(Kim et al., 2018;Lee et al., 2019;Kwon et al., 2019).
기존 연구사례를 분석한 결과, 사업용 차량의 DTG자료를 이용하는 것은 수집범위, 수집량, 실행 가능성이 매우 높은 것으로 판단된다.
본 연구에서는 사업용 차량의 DTG 자료를 활용하여 도로구간의 포트홀, 안개, 결빙을 판정할 수 있는 가 공·처리된 정보와 도로관리기관에서 보유하고 있는 도로속성자료(예: 도로기하구조, 도로시설물 속성 및 위 치정보 등)를 융합하여 새로운 도로위험정보를 생산해낼 수 있는 알고리즘과 그에 상응한 지표를 개발하였 고, 실험조건 하에서 수집한 자료를 근거로 평가를 수행하였다.
Ⅲ. 도로위험알고리즘 및 지표개발
1. 정보공유 시스템 개요
앞서 언급하였듯이, 본 연구에서는 사업용 차량의 DTG 및 영상(블랙박스 형태)에서 추출한 자료를 가공· 처리한 도로위험정보(포트홀, 결빙, 안개)와 도로속성자료를 융합한 새로운 정보콘텐츠를 공공과 민간에 공 유하기 위한 정보공유시스템을 <Fig. 3>과 같은 개념으로 구축하였다. 도로 상의 위험정보는 일부 공공기관 에서만 국부적으로 수집·활용되어 도로이용자의 실질적 안전향상에는 미흡한 측면이 있었다. 정보공유시스 템은 사업용 차량에서 수집·가공 처리된 도로위험자료를 도로속성자료와 혼합하여 운전자는 물론 도로관리 자의 필요에 맞게 정량화하고 이를 다양한 형태(예: text, index, visualization)로 제공할 수 있도록 구성되어 있 다. 공유시스템의 정보 공유방식은 위치정보(GIS 기반 표출 포함) Open-API를 기반으로 하는데, 이는 대부분 의 정보공유콘텐츠가 위치정보임을 고려한 것이다. 최종 공유 방식은 국토교통부 공공 포털 Open-API 형태 를 준용하였다. 이러한 방식은 현재 여러 민간정보서비스업체(예: T-map 등)도 적용하고 있다.
도로속성자료는 도로관리통합시스템(Highway Management System)에 DB화되어 있는 자료를 활용하였다. 이 시스템은 국토교통부에서 운영하고 있는데, 일반국도 유지관리 업무 절차의 체계적인 관리와 업무를 데이터 기반으로 분석·관리하여 궁극적으로 효율적인 도로관리 운영 업무를 수행하기 위한 것으로 다양한 도로속성자 료를 포함하고 있다. 정보 활용측면에서는 노선정보, 도로대장정보, 교량정보, 터널정보, 포장정보, 교통량정보, 도로비탈면정보, 도로제설정보가 있다. 또한 공간정보측면에서도 전용차로, 이정표시, 위험국도, 국도점용, 표 지, 교량, 터널, 도로구역, 지적, 비탈면, ITS공사, 사고정보, CCTV, 로드뷰, 위성과 도로 등을 포함하고 있다. 특히, 도로대장에는 종단경사, 중앙분리대, 차량방호안전시설, 낙석방지시설 등이 포함되어 있다.
시스템 안에 포함된 모든 DB는 모두 비실시간성의 특성을 가지고 있어, 도로이용자 입장에서 바로 활용 하기 어려운 측면이 있다. 알고리즘 개발을 위해 가공·처리된 사업용 차량 정보 특성과 도로관리통합시스템 DB에 있는 정보 특성을 종합적으로 고려하여, 다음 <Table 1>과 같이 활용 데이터 군(Data Group)을 정립하 였다.
<Table 1>
Available Data Group of Road Inventory
| Commercial Vehicle Data (Dynamic) | Road Inventory Data for National Highways (Static) | Other Data |
|---|---|---|
| ∙ Real-time road freezing ∙ Real-time pothole ∙ Real-time fog ∙ Vehicle ID ∙ Vehicle speed |
∙ Snow removal vulnerable roadway section ∙ The length of bridge (more than 50m) ∙ Roadway section for +,- 3% grade ∙ Grade ∙ Climbing lanes ∙ Traffic volume ∙ Real-time traffic speed |
∙ Weather forecasts ∙ Current weather ∙ Real-time and Non real-time precipitation probability |
2. 도로위험 알고리즘 개발
사업용 차량에서 수집된 가공·처리 데이터 기반 도로위험 알고리즘(Road Hazard Algorithm)은 사업용 차량 에서 수집한 포트홀, 안개, 결빙 자료(동적)와 도로속성자료(정적)를 기반으로 실시간 또는 非실시간 도로위 험정도를 정량화하는 것이다. 표준노드링크체계를 기반으로 해당 구간(링크)에 대한 도로위험정보 제공이 가 능하다. 사업용 차량에서 수집된 가공·처리 데이터 기반 도로위험 알고리즘은 총 4가지 형태의 알고리즘으 로 구성된다.
도로위험(포트홀)정보 제공 알고리즘(Road Hazard Algorithm-Pothole)은 사업용 차량에서 수집한 포트홀 정 보와 해당 구간(링크)의 평균통행속도 정보를 기반으로 한다. 이는 포트홀로 인한 도로구간별 상대적 위험도 를 나타낸다. Pothole Risk Degree는 포트홀로 인한 위험 정도를 나타내는 지표이다.
여기서,
-
: t시간 동안 사업용 차량이 포트홀을 검지한 비율
-
CVpass : 특정구간을 통과한 총 사업용 차량 대수
-
CVpotholedetect : 특정구간을 통과한 총 사업용 차량 대수 중 포트홀을 검지한 차량 대수
도로위험(안개)정보 제공 알고리즘(Road Hazard Algorithm-Fog)은 사업용 차량에서 수집한 안개 정보와 해 당 구간(링크)의 평균통행속도 정보를 기반으로 안개로 인한 도로구간별 상대적 위험도를 나타낸다. Fog Risk Degree는 안개로 인한 위험 정도를 나타낸다.
여기서,
-
: t시간 동안 사업용 차량이 안개를 검지한 비율
-
CVpass : 특정구간을 통과한 총 사업용 차량 대수
-
CVfogdetect : 특정구간을 통과한 총 사업용 차량 대수 중 안개를 검지한 차량 대수
도로위험(결빙)정보 제공 알고리즘(Road Hazard Algorithm-Road Freezing)은 사업용 차량에서 수집한 결빙 정보와 해당 구간(링크)의 평균통행속도, 도로기하구조 특성, 교량통과여부, 기상정보(강수확률)를 기반으로 결빙으로 인한 도로구간별 상대적 위험도를 나타낸다. Road Freezing Risk Degree는 노면결빙으로 인한 위험 정도를 나타낸다.
여기서,
-
: t시간 동안 사업용 차량이 결빙을 감지한 비율
-
CVpass : 특정구간을 통과한 총 사업용 차량 대수
-
CVrfdetect : 특정구간을 통과한 사업용 차량 대수 중 결빙을 검지한 차량 대수
-
λbd : 교량구간에서 결빙을 검지한 사업용 차량의 비율
-
CVbpass : 교량구간을 통과한 총 사업용 차량 대수
-
λgd : 구배구간에서 결빙을 검지한 사업용 차량의 비율
-
CVgpass : 구배구간을 통과한 총 사업용 차량 대수
-
Ww : 기상청 제공 현재 날씨(또는 예보)중 강수 확률을 고려한 가중치
도로위험(안개 및 결빙)정보 제공 알고리즘(Road Hazard Algorithm-Road Freezing & Fog)은 사업용 차량에 서 동시에 검지한 결빙 및 안개 정보와 해당 구간(링크)의 평균통행속도, 도로기하구조 특성, 교량통과여부, 기상정보(강수확률)를 기반으로 결빙 및 안개로 인한 도로구간별 상대적 위험도를 나타낸다. Road Freezing- Fog Risk Degree는 결빙과 안개가 동시에 발생했을 때의 위험 정도를 나타낸다.
여기서,
-
: t시간 동안의 사업용 차량이 안개와 결빙을 동시에 검지한 비율
-
CVpass : 특정구간을 통과한 총 사업용 차량 대수
-
CVffdetect : 특정구간을 통과한 사업용 차량 대수 중 안개와 결빙을 동시에 검지한 차량 대수
-
λbd : 교량구간에서 안개와 결빙을 검지한 사업용 차량의 비율
-
CVbpass : 교량구간을 통과한 총 사업용 차량 대수
-
λgd : 구배구간에서 안개와 결빙을 검지한 사업용 차량의 비율
-
CVgpass : 구배구간을 통과한 총 사업용 차량 대수
-
Ww : 기상청 제공 현재 날씨(또는 예보)중 강수 확률을 고려한 가중치
(1) ~ (4)에 걸쳐 사용되는 구간평균통행속도는 非실시간인 경우 교통량정보시스템(Traffic Management System) 의 DB로부터 과거 이력정보를 활용하고, 실시간인 경우 국가교통정보센터로부터 연계하여 활용하도록 구성하였다.
3. 도로위험지표 생성
사업용 차량에서 수집된 가공·처리 데이터 기반 도로위험 알고리즘(Road Hazard Algorithm)을 통해 정량화 된 4가지 도로위험정도는 정규화(Normalization)를 통해 4가지 지표로 시각화하였다. 정규화(Normalization)를 위한 2가지 핵심 알고리즘을 개발하였다.
Z-값 산정은 사업용 차량에서 검지한 데이터를 가공·처리한 최종 정보는 정규분포를 따른다고 가정하였다 (Yang and Regan, 2013). 이는 통계관점에서의 표본추출과 관련된 것으로 정보의 유효성을 어느 정도 보장하 기 위해서는 30개의 표본(예: 사업용 차량 30대가 특정구간을 통과함)이 적정하며, 표본수가 30개 이상인 경 우, 정규분포에 근사하는 것을 참조한 것이다.
여기서,
-
: t시간 동안 수집된 사업용 차량 정보 i의 평균
-
: t시간 동안 수집된 사업용 차량 정보 i의 표준편차
-
: t - 1에서 t시간 동안 수집된 사업용 차량 정보 i 의 평균
-
i : 가공·처리된 포트홀, 안개, 결빙 정보
100점 환산 점수는 Z-값을 변환하는 식으로 이는 최종 정보 사용자가 매우 쉽게 직관적으로 도로위험 정 도를 인지할 수 있도록 하기 위한 것으로 100점에 근접할수록 도로위험 정도가 심각함을 나타낸다(Yang and Regan, 2013). <Table 2>는 변환식을 나타낸다.
<Table 2>
100-Score Conversion Formula
| Range | Conversion Formula |
|---|---|
| 1.645≤Z≤Max(Z) | 50+{[(95+5×{(Z-1.645)/(Max(Z)-1.645)}] ×0.5} |
| 1.282≤Z≤1.645 | 50+{[(90+5×{(Z-1.282)/(1.645-1.282)}] ×0.5} |
| 1.038≤Z≤1.282 | 50+{[(85+5×{(Z-1.038)/(1.282-1.038)}] ×0.5} |
| 0.842≤Z≤1.038 | 50+{[(80+5×{(Z-0.842)/(1.038-0.842)}] ×0.5} |
| 0.676≤Z≤0.842 | 50+{[(75+5×{(Z-0.676)/(0.842-0.676)}] ×0.5} |
| 0.526≤Z≤0.676 | 50+{[(70+5×{(Z-0.526)/(0.676-0.526)}] ×0.5} |
| 0.387≤Z≤0.526 | 50+{[(65+5×{(Z-0.387)/(0.526-0.387)}] ×0.5} |
| 0.255≤Z≤0.387 | 50+{[(60+5×{(Z-0.255)/(0.387-0.255)}] ×0.5} |
| -0.255≤Z≤0.255 | 50+{[(40+5×{(Z+0.255)/(0.255+0.255)}] ×0.5} |
| -0.387≤Z≤-0.255 | 50+{[(35+5×{(Z+0.387)/-0.255+0.387)}] ×0.5} |
| -0.526≤Z≤-0.387 | 50+{[(30+5×{(Z+0.526)/(-0.387+0.526)}] ×0.5} |
| -0.676≤Z≤-0.526 | 50+{[(25+5×{(Z+0.676)/(-0.676+0.842)}] ×0.5} |
| -0.842≤Z≤-0.676 | 50+{[(20+5×{(Z+0.842)/(-0.676+0.842)}] ×0.5} |
| -1.038≤Z≤-0.842 | 50+{[(15+5×{(Z+1.038)/(-0.842+1.038)}] ×0.5} |
| -1.282≤Z≤-1.038 | 50+{[(10+5×{(Z+1.282)/(-1.038+1.282)}] ×0.5} |
| -1.645≤Z≤-1.282 | 50+{[(5+5×{(Z+1.645)/(-1.282+1.645)}] ×0.5} |
| Min(Z)≤Z≤-1.645 | 50+{[(0+5×{(Z+Min(Z))/(-1.645+Min(Z))}] ×0.5} |
환산된 점수를 바탕으로 <Table 3>과 같이 최소 점수 50, 최대 점수 100 범위를 등간 구분하여 제시하였 다. 환산식에서 최소점수 50점을 설정한 것은 특정 환산 점수가 비정상적으로 작은 점수에 의해 과도하게 영 향 받지 않도록 하기 위함이다. <Table 3>의 도로위험지표 4가지 카테고리는 국토교통부와 행정안전부에서 현재 활용 중인 “도로분야 위기대응 단계별 수행요령(대설)＂을 준용하여 설정하였다.
<Table 3>
Road Hazard Index
| Index | Attention | Caution | Alert | Seriousness |
|---|---|---|---|---|
| 100 scores | 50~63 | 64~75 | 75~88 | 88~100 |
Ⅳ. 알고리즘 검증을 위한 실험테스트
실제 사업용 차량의 DTG 및 영상자료 수집을 통한 활용은 올해 말로 예정되어 있어, 그 전에 알고리즘 및 지표 산정과정을 검증을 위해 Probe 차량과 <Fig. 4>와 같이 수동형 운행기록계를 활용하는 실험계획을 수립하였다.
과거 이력자료를 근거로 테스트구간을 설정하고, 일정한 주행 간격으로 설정 지점 또는 구간을 통과할 때 수동형 운행기록계를 통해 이벤트 (결빙, 안개, 포트홀)를 발생시킨다. 운행기록계에는 도로위험요소별로 구 분되어 있고, 포트홀은 지점정보를 결빙과 안개는 구간정보를 출력하는 방식으로 실제 사업용 차량 수집 자 료와 동일하게 구성하였다.
조사 대상은 일반국도로 회차가 가능하고, 도로 및 교통조건이 전체 알고리즘 평가에 적합한 곳으로 선정 하였다. 최소 유효 표본수는 50개로 설정하였다. 실험구간은 앞서 언급한 도로 및 교통조건을 고려하여 <Fig. 5>와 같이 국도 19호선 (강원도) 및 국도 1호선(세종시 인근) 두 군데로 선정하였다. 전자의 경우, 편도 6.8km구간으로 강원도가 지정한 겨울철 상습결빙구간 2지점을 포함하고 있다. 후자의 경우, 편도 4.0km로 안 개상습발생구간을 포함하고 있다. 총 주행횟수는 강원도 지역 18회, 세종시 인근 지역 36회로 진행하였다. 과거이력자려를 검토한 후 포트홀, 결빙, 안개의 발생빈도가 상대적으로 높았던 지역을 선정한 것이다.
본 연구에서는 RHA-P(포트홀 도로위험알고리즘), RHA-F(안개 도로위험알고리즘), RHA-RF(결빙 도로위험 알고리즘), RHA-RFF(결빙-안개 도로위험알고리즘) 등 4가지 알고리즘을 개발하여 테스트를 수행하였다. 사 업용 차량 수집정보를 기반으로 도로속성자료와의 융합을 통해 다양한 형태의 위험정보를 제공하게 되며, 실험테스트에 의한 결과는 다음 <Fig. 6> ~ <Fig. 9>와 같다. 실험조사를 통해 수집한 자료를 기반으로 테스 트 구간에 대한 도로위험도 산정 결과 포트홀, 결빙, 결빙-안개의 경우에는 주의와 심각으로 나타났으며, 안 개는 주의, 경계, 심각으로 나타났다. 본 실험테스트는 도로위험정보를 시스템을 통해 제공하기 위한 전체적 인 프로세스에 문제가 없는지를 확인하는데 의의가 있다.
도로위험도는 <Table 3>의 도로위험지표에 의해 산정되었으며, 비록 가상의 사업용 차량 수집 자료를 활 용한 한계는 있지만, 과거이력자료를 근거하여 위험구간(안개, 결빙) 및 위험지점(포트홀)을 발생시켰다. 그 결과, 테스트 전 과정에서 특징적인 알고리즘의 오류가 발생하지 않았으나 도로위험지표에 따른 위험상황의 단계별 적정성에 대한 확인이 추가적으로 필요할 것으로 판단된다. 이는 올해 하반기에 실제 수집자료를 이 용하여 최종 검증을 수행할 계획이다.
Ⅴ. 결 론
현재의 고정식 관측 장비 또는 검지 시스템으로 확인하기 어려운 도로위험정보(포트홀, 노면결빙, 안개)를 사업용 차량에 장착된 장비(예: 카메라, DTG)를 통해 수집하고 가공 처리한 정보와 도로속성자료를 융합하 여 새로운 정보콘텐츠를 제공하기 위한 목적으로 정보공유시스템이 개발되었다. 본 연구에서는 이 목적을 달성하기 위한 4가지 알고리즘(RHA-P, RHA-F, RHA-RF, RHA-RFF)를 개발하였다. 또한 알고리즘을 통해 산 출된 정량적인 값을 정성적인 형태로 나타낼 수 있는 지표도 제안하였다. 별도의 정보수집을 위한 시설투자 없이 고속도로, 일반국도 등 전국을 대상으로 수집된 정보를 기반으로 도로위험정보에 대한 제공이 가능하 기 때문에 기존 인프라 투자비용과 비교했을 때 획기적으로 예산절감 효과가 발생할 것으로 예상된다.
정보공유시스템 및 지표는 개발은 도로구간에 따른 도로위험정보를 제공하기 때문에 도로이용자는 물론 도로관리자에게 실질적으로 도움이 될 수 있다. 알고리즘의 개발과 테스트는 Probe 차량을 이용하여 수행하 였다. 비록 가상으로 발생시킨 앞서 언급한 4가지 위험상황을 근거로 알고리즘을 테스트하였지만, 실제 발생 가능한 상황을 충분히 반영함은 물론, 과거 이력자료를 검토하여 실제와 매우 유사한 조건 하에서 실험 테스 트를 수행하였다. 이러한 노력은 도로관리차원에서만 유지·관리되던 도로위험정보를 불특정 다수의 이용자 에게 적극적으로 제공하여 궁극적으로 교통사고의 위험을 획기적으로 감소시키고, 물리적 인프라 구축을 최 소화하는데 있다. 올해 하반기에는 실제로 수집한 자료를 통해 <Fig. 3>의 개념을 완성할 계획을 가지고 있 다. 이때는 실제 사업용 차량(여객운수 및 화물차량)에 설치된 카메라와 DTG 원시자료를 취득하여 통합시스 템에서 가공·처리하고 정보공유시스템에서 알고리즘 수행을 통해 도로구간에 따른 위험도를 정량적·정성적 으로 나타낼 수 있을 것으로 기대하고 있다.
본 연구를 통해 도출되는 도로위험정보는 단계적으로 민간 교통정보 시스템과의 연계 및 공유를 통해 도 로이용자에게 추가적으로 정보제공이 가능하다. 이를 통해 블랙아이스, 포트홀, 안개 등으로 인한 교통사고 를 사전에 방지하는 효과가 있을 것으로 기대된다. 또한, 도로안전에 있어서 긍정적인 편익을 제공할 수 있 고, 향후 자율주행 및 C-ITS의 상용화 시에도 매우 중요한 정보를 제공하는 소스(source)로 사용될 수 있을 것이다.
