Ⅰ. 서 론

1. 연구의 배경 및 목적

우리나라 자동차 등록 대수는 2015년 약 2,100만 대부터 2023년 2,600만여 대까지 8년간 약 24%가 증가하였으 며, 매년 평균 2.7%씩 꾸준히 늘어나고 있다(MOLIT, 2023). 이에 따라, 도심지의 교통 혼잡은 더욱 심해지고 있으며 전국 도로교통혼잡비용은 2021년 약 65조 원으로 추산되며 10년간 약 115%가 증가하였다(KOTI, 2024). 이러한 도심지의 교통 혼잡 문제를 해결하기 위해서 정보통신기술(information and communication technologies, ICT)을 활용한 교통 시스템 구축 관련 연구가 활발히 이루어지고 있다(Kim, 2011). 특히 최근에는 차량과 다양한 요소 간(vehicle to everything, V2X) 통신 기술을 이용하여 차량에 장착된 여러 센서를 통해 데이터를 수집하고 전송할 수 있는 차량이 운영되고 있다. 이러한 차량을 커넥티드 차량(connected vehicle, CV)이라 하며 자율주행기 술을 접목한 CV의 경우 커넥티드 자율주행 차량(connected autonomous vehicle, CAV)이라고 한다. 이는 차세대 지능형 교통체계(cooperative intelligent transport systems, C-ITS)의 핵심 요소이다. A CAV기반의 교통 정보 수집은 고정 장비가 지점 단위로 데이터를 수집하는 한계를 넘어, 장비가 설치되지 않은 지역에서도 실시간으로 데이터 를 수집하여 공간적으로 연속적인 교통 정보를 수집할 수 있다. 이를 통해 데이터 음영 구간을 최소화하여 데이터 수집의 효율성을 향상 시키고 다양한 환경에서의 교통 흐름을 분석해 보다 포괄적이고 정확한 정보를 제공할 수 있다(Jo, 2016). 최근 CAV를 통해 교통 신호를 최적화하거나 고속도로에서의 교통 흐름, 안전, 승차감, 연료 소비 등을 평가하는 프레임워크를 제안하는 연구들이 이루어지고 있다(Tan et al., 2024;Zhong et al., 2022).

C-ITS, V2X통신 기반의 효율적인 교통 운영을 위해서는 CAV를 통해 실시간으로 수집되는 데이터의 신뢰 성이 매우 중요하다. 수집되는 데이터의 양이 많을수록, 즉 도로 환경에서 데이터를 수집하는 CAV의 점유율 이 높아질수록 데이터의 신뢰성이 높아질 것이다. 다만, CAV의 차량비용이 매우 높으며, 개인 정보 보호 등 의 다양한 이유로 모든 차량이 CAV가 되어 실시간 데이터를 제공하는 것은 현재로서 불가능에 가깝다. 따 라서 정확한 교통정보 취득을 위해 도로 상의 전체 차량 중 CAV가 점유해야 하는 적정 점유율을 산정하고, CAV의 점유율에 따른 교통정보의 정확도를 확인할 수 있는 연구를 통해 CAV가 갖는 현실적인 제약의 극복 이 필요하다. 다만, 기존의 연구는 주로 고속도로와 같은 연속류를 대상 구간으로 선정하여 교차로, 신호 등 다양한 요소가 있는 도심지의 단속류를 대상 구간으로 한 분석이 필요하다(Kim et al., 2019;Nam et al., 2023).

이에, 본 연구에서는 미시교통시뮬레이션을 통해 도심지 도로를 구현하여 데이터를 수집하고 통계 분석하 여 일반상황과 유고상황에서 교통정보를 수집하는 CAV의 점유율을 산정하고자 한다. 본 연구에서 CAV의 점유율은 도심지 네트워크에서 전체 차량 중 교통정보를 수집하는 CAV의 적정 비율로 정의한다. 연구의 결 과를 바탕으로 C-ITS 환경에서 V2X 통신을 활용하여 CAV를 통해 다양한 상황에서 교통정보를 취득하여 교 통운영의 효율성과 안전성을 높이고 더 효율적인 신호 운영 시스템 구축에 활용할 수 있을 것으로 기대된다.

2. 연구의 범위 및 방법

본 연구에서는 다양한 교통 환경에서 도심지 교통정보 취득을 위한 CAV의 점유율을 산정하기 위하여 미 시교통시뮬레이션 모형을 사용하였다. 본 연구에서 사용된 미시교통시뮬레이션 모형인 VISSIM 정산에 사용 한 실제 데이터의 시간적 범위는 2021년 12월 04일부터 2021년 12월 10일까지로 일주일간 5분 단위로 수집 된 교통량 데이터와 교통신호 현시 데이터이다. 공간적 범위는 부천시 상동역 사거리와 송내대로 사거리, 석 천 사거리, 문예 사거리까지 네 개 교차로로 이루어진 길주로 도심지 구간을 대상으로 한다.

연구 방법은 다음과 같다. 먼저, 대상 구간에서 수집된 교통량 데이터와 교통신호 현시 데이터를 활용하여 VISSIM 기반의 일반상황 및 유고상황 시나리오를 구축하였다. 이후 미시교통시뮬레이션을 통해 구간을 통 과하는 개별 차량 데이터를 수집하고, 이를 구간 통행시간 형태로 가공하여 전체 차량에 대한 통행시간 데이 터를 산출하였다. 마지막으로, 일반상황과 유고상황에 따라 점유율을 달리하여 추출한 CAV 데이터와 전체 데이터를 대상으로 t-test를 수행하였으며, 이를 통해 도심지 교통정보 수집을 위한 적정 CAV 점유율을 산정 하였다.

Ⅱ. 관련 이론 및 선행연구 고찰

1. 관련 이론 고찰

1) 커넥티드 자율주행 차량

커넥티드 차량(Connected vehicle, CV)은 차량 내부의 V2X통신이 가능한 장비를 통해 차량과 인프라, 다른 차량 및 교통관리 시스템 간에 실시간으로 정보를 교환할 수 있는 기술을 기반으로 한 차량이다(Argote, 2015). 커넥티드 자율주행 차량(Connected autonomous vehicle, CAV)은 CV에 자율주행 기술을 접목하여 스스 로 주행할 수 있는 차량이다. 고정형 검지기와 달리 이동 중인 차량에서 데이터를 수집하기 때문에 공간적 커버리지를 확장할 수 있어 고정형 센서가 설치되지 않은 지역에서도 효과적인 교통관리가 가능하다는 이점 이 있다(Chen, 2000). CAV를 통해 도로를 주행하는 차량으로부터 속도, 가속도 등 주행 정보를 포함한 프로 브 차량 데이터(probe vehicle data, PVD)를 실시간으로 수집할 수 있다. 기존에는 디지털 운행 기록계(digital tachograph, DTG) 데이터와 같이 실시간성이 부족한 데이터를 활용하여 차량의 주행 정보를 수집했으나, 이 러한 방식은 주기적인 수집에 따른 시간적 지연으로 인해 실시간 교통 흐름 반영에 한계가 있다(Kwon and Kim, 2018). 이러한 점에서 CAV는 C-ITS 환경에서 실시간 도로 상황과 공사 구간과 같은 실시간 교통정보 제공을 통해 교통신호 제어와 도로 네트워크를 관리하고 교통 흐름 최적화에 도움을 줄 수 있다(MOLIT, 2024).

2) 라틴 하이퍼큐브 샘플링

라틴 하이퍼큐브 샘플링(Latin hypercube sampling, LHS)은 표본 추출 방법의 하나로 다차원 확률 분포에서 무작위 또는 확률적으로 샘플을 생성하는 통계적 방법이다(Huh et al., 2015). 이는 합리적인 분석 결과를 얻 기 위해 필요한 분석 수행 횟수를 대폭 줄일 수 있으며, 입력 변수의 범위를 대표하는 표본을 생성하기에 유 용하다는 장점이 있다(Kim et al., 2019). LHS는 <Fig. 1>과 같이 라틴 사각형의 구조를 기반으로 하며, 각 행 과 열에 하나씩 샘플이 존재하도록 구성된다. LHS의 구체적인 절차는 먼저 임의의 N × K 행렬을 P = (P_ij)라 두고 P 의 각 열에 독립적으로 1부터 N까지의 수를 무작위로 지정한다. N × K개의 W_ij, i = 1, ⋯, N ; j = 1, ⋯, K 는 각각 독립적으로 0에서 1 사이의 균일분포(U [0, 1])를 따르는 확률변수이고 P와 독립이라고 가정한다. 따 라서 X_ij 값은 식(1)을 통해 구할 수 있다(Im et al., 1995).

<Fig. 1>

LHS Concept

위 과정에서 P_{i 1, ⋯, K} 는 각 확률변수 X₁, ⋯, X_K 의 i번째로 선택된 값이 P 의 어느 공간에 속하는지를 나타내 고, W_{i 1, ⋯, K} 는 그 공간 내에서의 상대적인 위치를 나타낸다(Im et al., 1995).

2. 선행연구 고찰

실시간 데이터를 기반으로 한 CV 및 CAV는 기존 고정형 인프라에 비해 더 효율적이고 광범위한 교통 정 보를 제공할 수 있으며, 이를 통해 혼잡 감소, 사고 예방, 안전성 증대 등의 교통운영 측면에서 이점을 가져 올 수 있다(Jo, 2016). 이러한 배경을 바탕으로 CV 및 CAV 기반 교통정보 수집에 관한 다양한 연구가 수행 되었다. 본 연구에서는 기존 연구의 동향을 반영하여 CV 및 CAV를 활용한 교통 운영 효율성 제고 및 도로 안전성 향상에 초점을 맞추어 선행연구 고찰을 수행하였다.

Kim et al.(2019)는 가능한 많은 차량이 CV인 경우 가장 이상적인 교통정보를 취득할 수 있지만 여러 가지 한계점으로 모든 차량이 CV가 될 수 없다는 점을 고려해 고속도로에서 프로브 차량의 역할을 하는 CV의 최 소 비율을 도출 하고자 하였다. 교통정보 취득을 위해 개별차량의 공간 평균속도와 평균 통행속도를 비교하 였다. 차로의 차단 유무와 차단 시간, 교통량 변화의 다양한 상황에 대해 40가지의 시나리오를 선별하였다. 분석 결과 교통정보 취득에 일반상황에서는 최소 1%, 다양한 상황이 적용된 유고상황에서는 최소 45%의 CV가 필요함을 도출하였다. 하지만 비교적 단순한 고속도로 구간을 대상으로 하여 단속류 교통상황에 적용 하기 어려운 한계점이 존재한다.

Ma et al.(2021)은 자율주행 자동차(autonomous vehicles, AV)를 프로브 차량으로 이용하여 고해상도의 교통 상황을 추정하는 데이터 기반 접근법을 제안하였다. AV의 센서 범위 내의 데이터와 다른 AV와의 데이터 공 유를 통한 근접 도로의 데이터, 전체 도로 네트워크의 AV로부터 수집된 데이터를 머신러닝으로 통합한 데 이터 세 가지로 교통 상황을 예측하고자 하였다. AV의 점유율이 5% 이하일 때도 교통상황 추정의 정확도가 90% 이상으로 나타났으며 기존 고정 센서 기반의 교통상황 예측 방법보다 더 높은 해상도로 교통상황을 추 정할 수 있음을 확인하였다. 또한, AV가 교통 상태 추정에 효과적이며, 특히 고속도로에서 우수한 성능을 발 휘하였다. 하지만 차량의 이동 경로가 복잡할 경우 AV가 감지할 수 있는 정보가 제한된다는 한계점이 존재 한다.

Nam et al.(2023)은 고정식 장비 기반으로 돌발상황을 검지하는 것에 한계가 있어 이동식 영상정보 수집 및 분석 기술이 발전을 이용하여 CV 도입 수준에 따른 돌발상황 검지 시간 감소 효과를 추정하고자 하였다. 편도 2차로 고속도로와 3차로 고속도로에서 각각 CV의 보급률(market penetration rate, MPR)이 4%와 3% 이 상일 때 돌발상황 검지 시간이 1분 이하로 나타났다. 이후 검지 시간은 돌발상황 발생 후 최대 36.5분에서 0.1분으로 단축될 수 있음을 확인하여 CV의 증가가 돌발상황을 신속하게 검지하는 것에 기여할 수 있음을 확인하였다. 다만 해당 연구는 이동식 영상분석 기반의 돌발상황 검지 기술이 100% 정확하게 검지된다고 가 정하였기 때문에 CV의 오검지율에 대한 고려가 부족하다는 한계점이 존재하였다.

3. 기존 연구와의 차별성

선행 연구의 고찰 결과, CV 및 C-ITS를 활용한 실시간 교통정보의 경우 차량의 비율에 따라 상이한 신뢰 도를 보이는 것으로 나타났으며, CV의 적정 비율을 확보하는 것은 교통정보의 신뢰성과 다양성, 실시간성 증진에 크게 기여할 것으로 판단된다. 다만, 대부분의 기존 연구는 교통신호 규제가 없는 연속류를 대상으로 수행되어, 교통신호 운영이 교통류에 미치는 영향에 대한 고려가 부족한 실정이다(Kim et al., 2019;Ma et al., 2021;Nam et al., 2023). 또한, 미시교통시뮬레이션 기반 데이터 추출 과정에서 단일 추출에 의존함으로써 데 이터의 편향이 발생할 수 있는 한계가 존재한다(Nam et al., 2023). 따라서 본 연구에서는 도심지 교통신호 교 차로 네 개를 대상 구간으로 선정하여 CAV의 비율에 따른 교통정보의 해상도를 비교함으로써 기존 연구의 공간적 범위 한계를 보완하고자 한다. 또한, 데이터 추출 시 단일 추출이 아닌 10회 반복 추출을 통해 데이 터 편향으로 인한 결과 왜곡 가능성을 최소화하여 도심지 교통정보 취득을 위한 CAV의 적정 비율을 추정하 고자 한다.

Ⅲ. 미시교통시뮬레이션 모형 구축

1. 미시교통시뮬레이션 모형 구축 및 수행

본 연구를 수행하기 위해 먼저 미시교통시뮬레이션 모형을 구축하였다. 본 연구의 공간적 범위인 부천시 상동역 사거리에서 문예 사거리로 이어지는 길주로 구간의 지도와 실제 교통량, 속도, 교통신호 현시 데이터 를 수집하였다. 수집한 데이터를 활용하여 유입교통량과 교통신호 현시를 구현하고 구축한 시뮬레이션이 교 통상황을 잘 모사할 수 있도록 정산(calibration)을 수행하였다. 시뮬레이션 정산에 사용한 지표는 평균 속도 이며, 본 연구의 대상 구간인 길주로를 정산 대상으로 선정하였다. 실제 데이터와 시뮬레이션 수집 데이터를 비교하여 두 데이터가 유사해질 때까지 VISSIM 내부의 driving behaviors의 Wiedemann 74 car-following model parameter를 조정하였다. 이때, 시뮬레이션 수집 데이터를 통해 도출한 정산 지표가 실제 데이터와의 오차율 이 10% 미만인 경우 정산이 완료된 것으로 판단하였다. 정산을 통해 조정한 Wiedemann 74 car-following model parameter의 정의는 <Table 1>과 같으며, 시뮬레이션 적용 값은 <Table 2>, 정산 결과는 <Table 3>과 같다.

전체 차량 중 CAV의 거동 특성을 반영하기 위해 CAV driving behaviors를 구성하였으며, 기존 운전자가 직접 운전하는 일반차량 대비 자율주행 차량은 보수적인 감속과 일관된 속도 유지 특성을 갖는 점을 고려하 여 Wiedemann 74 car-following model parameter를 조정하였다(Kim et al., 2024). 조정한 CAV의 Wiedemann 74 car-following model parameter 값은 <Table 4>와 같다.

대상 구간의 도로 유형은 도심지 일반 도로이며 4개의 교차로로 구성되어 있다. 길이는 상동역 사거리 east bound(EB) 방향의 교차로 진입 전 25m 지점부터 문예 사거리 통과 후 25m 지점까지 일 방향 1.55km 구 간이다. 대상 구간은 시청 인근으로 통근 통행이 빈번하며, 고속도로와 연결되는 주요 축을 포함하여 다양한 요인으로 인해 혼잡이 자주 발생하는 지역이다. 따라서 해당 구간은 도심지의 교통 특성과 통행 패턴을 대표 할 수 있는 구간이라고 판단하여 본 연구의 시뮬레이션 상에 대상 구간으로 선정하였다. 대상 구간에 포함된 4개 교차로의 서비스 수준은 <Table 5>와 같고, <Fig. 2>는 시뮬레이션을 통해 구축된 대상 구간의 모습이다.

<Fig. 2>

VISSIM .simulation network of selected sections

미시교통시뮬레이션 상에서 상동역 사거리의 EB 방향으로 진입하는 차량은 시간당 소형차 1,556대, 중차 량 226대로 총 1,782대이다. 미시교통시뮬레이션 데이터 수집 시간 단위는 1초이며 총 4,500초간 시뮬레이션 을 수행하였다. 이때, 0초부터 900초까지 warm up time을 적용하고 이후 900초부터 4,500초까지 3,600초 동안 의 데이터를 수집한다. 900초 동안의 warm up time을 적용함으로써 교통 흐름이 안정화되지 않은 초기 교통 상태 조건이 분석결과에 미치는 영향을 최소화하고자 하였으며, 차량 통행이 안정적인 상태에 도달한 후 데 이터를 수집할 수 있도록 설정하였다.

2. 분석 시나리오 선정 및 구현

본 연구에서는 다양한 교통 환경을 대상으로 도심지 교통정보 취득을 위한 CAV의 점유율을 산정하기 위 해 일반상황 뿐만 아니라 유고상황을 포함한 분석 시나리오를 구성하였다. 특히 유고상황의 경우, 2023년 기 준 서울특별시 하루 평균 차대차 교통사고 발생 건수는 68.6건으로, 도심 내 유고상황이 빈번하게 발생하는 것으로 확인된다(KoROAD, 2024). 이러한 도심 내 유고상황은 주변 교통 흐름을 에 악영향을 미치기 때문에 분석 시나리오에 차량이 주행 도중 직면 가능한 다양한 위험 상황을 고려한 유고상황 시나리오를 반영할 필 요가 있다. 따라서 연구의 신뢰성을 높이기 위하여 도심지에서 발생할 수 있는 일반상황과 유고상황의 시나 리오를 생성하였다. 시나리오 구성의 경우 일반상황은 단일 시나리오로 설정하였으며, 유고상황은 교통사고 나 주행 중 돌발상황으로 인해 차량 통행이 정상적으로 이루어지지 않는 경우를 반영하였다. 이러한 유고상 황에서는 일부 차로가 일정 시간 동안 차단되고, 이에 따라 교통량이 증가하거나 감소하는 다양한 상황을 구 현하였다. 이때 교통사고 발생 상황시 차로가 차단되는 상황을 구현하기 위해 VISSIM의 parking lots 기능을 사용하였다. 시나리오별 차로 차단 발생 시간 동안 차단 차로에 주차 공간을 생성하고 차량을 주차시켜 차량 통행에 영향을 주도록 하였다. <Fig. 3>은 미시교통시뮬레이션 네트워크에서 유고상황을 구현한 모습이다.

<Fig. 3>

Example of Accident Situation Implementation

유고상황은 교통량 변화, 교통사고 발생 등으로 교통상황이 일반상황과 크게 달라지는 경우를 고려하기 위하여 선정하였다. 유고상황 시나리오의 항목은 ‘전체 차량 교통량 변화’, ‘차단 차로’, ‘차단 시간’ 세 가지 로 설정하였다. 전체 차량 교통량 변화 항목 조건으로는 교통량의 증가 및 감소가 유고상황에 미치는 영향을 분석하기 위해 -20%, -10%, +10%, +20%의 세부 조건을 설정하였다. 차단 차로 항목의 경우 본 연구의 대상 구간이 편도 5차로로 구성되어 있어 1, 2, 3, 4, 5차로로 설정하였다. 차단 시간 항목에 대한 세부 조건 설정 을 위해 사고 처리 시간(incident duration time) 관련 선행 연구를 검토한 결과, 연구에 활용된 사고 처리 시간 은 5분에서 120분 사이였으며, 특히 10분에서 40분 사이의 시간이 자주 활용되었다(Zhang et al., 2012;Khattak et al., 2016;Shang et al., 2022;Hamad et al., 2023;Chand et al., 2022). 이에 본 연구에서는 차단 시간 세부 조건으로 10분, 20분, 40분으로 설정하였다.

결과적으로 전체 유고 상황 시나리오는 전체 교통량 변화 (-20%, -10%, +10%, +20%), 차단 차로 (1차로, 2 차로, 3차로, 4차로, 5차로), 차단 시간 (10분, 20분, 40분)으로 구성되어 총 60가지 시나리오(4개 교통량 변화 조건 × 5개 차단 차로 조건 × 3개 차단 시간 조건)를 생성하였다.

다만 모든 시나리오를 활용하여 연구를 수행하기에는 어려움이 있어 LHS을 통해 20개의 대표 시나리오를 선정하였다. 최종적으로 선정된 일반상황 및 유고상황 시나리오 정보는 <Table 6>와 같다.

Ⅳ. 개별차량 데이터 추출 및 점유율 산정

CV 점유율 산정 과정은 본 연구는 시뮬레이션을 통해 수집한 개별차량 데이터 확인, 데이터 가공, 시나리 오별 전체 개별차량 데이터와 임의 추출한 데이터 집단 간의 t-test, 최종 결과 해석의 단계로 이루어진다. 과 정은 <Fig. 4>에 제시되어 있다. 이 중 데이터 가공 단계에서는 가장 보편적으로 교통정보 수집에 사용되는 효과척도(measures of effectiveness, MOE)인 구간 통행시간을 본 분석의 MOE로 선정하여 시나리오별 데이터 추출 항목 및 데이터 전처리 단계에서 활용하였다.

<Fig. 4>

Analysis process

1. 개별차량 데이터

본 연구에서는 VISSIM을 이용하여 도심지 네트워크를 구축하고 일반상황과 20가지 유고상황 시나리오에 대해 시뮬레이션을 수행하여 각각의 개별차량 데이터를 VISSIM의 COM-Interface를 통해 수집하였다. 수집한 데이터에는 시뮬레이션 시간(초), 차량 번호, 차량 종류, 구간 통행시간(sec)이 포함되어 있다. 시각은 데이터 를 수집한 900초부터 4500초 사이의 값이고, 차량 종류는 데이터가 수집된 차량의 종류를 나타낸다. 일반상 황 시나리오에서 시뮬레이션을 통해 추출한 개별차량 데이터의 예시는 <Table 7>와 같다.

2. 데이터 가공 및 결과 분석

미시교통시뮬레이션을 통해 수집된 개별차량 데이터는 구축된 미시교통시뮬레이션 네트워크의 모든 차량 에 대한 정보를 포함하므로, 대상 구간을 통과하는 차량 데이터를 별도로 추출할 필요가 있다. 이에 따라, 설 정된 시작 지점과 종료 지점을 통과하는 차량 데이터를 기반으로 대상 구간을 통행하는 차량을 선별하였다. 또한 MOE로 선정한 구간 통행시간 데이터 산출을 위해, 대상 구간을 통과하는 차량의 시작 지점과 종료 지 점에서 측정된 시간을 활용하여 개별차량의 구간 통행시간을 계산하였다. <Table 8>은 일반상황의 구간 통 행시간 기초통계량이다. 단일 시나리오인 일반상황에서는 총 871대의 차량이 대상 구간을 통과하였으며 개 별차량 통행시간은 평균 258초, 표준편차 60초, 최솟값 117초, 최댓값 450초이다.

이후, VISSIM에서 시나리오별 개별차량의 구간 통행시간 데이터를 CAV의 점유율에 따라 추출하였으며, 이를 전체 차량 중 CAV가 수집한 데이터로 활용하였다. 이때 임의로 추출하는 경우 추출된 데이터가 편향 될 수 있으며 이는 분석 결과에 영향을 미칠 수 있다. 따라서 이와 같은 임의 추출에 의한 데이터 편향은 분 석 결과에 영향을 미칠 수 있다. 이를 보완하고자 고유 번호를 적용한 10번의 추출을 진행하였고 점유율별로 10개 그룹의 데이터를 도출하였다. 예를 들면, <Fig. 5>는 유고상황의 1번 시나리오 중 전체 데이터와 1%를 임의로 10번 추출한 데이터 그룹의 분포를 나타낸 모습이다. 같은 시뮬레이션에서 동일한 1%의 점유율로 데 이터를 추출하였음에도 각 그룹은 서로 상이한 분포 특성을 보이는 것을 확인할 수 있다.

<Fig. 5>

Data distribution of Total and 1% in Accident Scenario 1

시나리오에 따라 대상 구간을 통행하는 전체 차량의 구간 통행시간 데이터와 임의로 추출한 점유율별 구 간 통행시간 데이터의 차이를 비교하고자 유의수준 95%로 두 그룹 간 t-test를 수행하였다. t-test 결과를 통해 p-value 값이 전부 0.05 이상으로 나오는 점유율을 CAV의 최소 점유율로 산정하였다.

1) 일반상황

먼저 일반상황에서의 분석 결과이다. CAV의 점유율은 1%부터 5%까지 t-test를 수행하였으며, <Table 9>과 같이 3%의 점유율부터 p-value가 0.05보다 큰 것으로 확인되었다. 즉, CAV의 점유율이 3%부터 전체와 추출 표본 간에 통계적으로 유의미한 차이가 없다고 판단할 수 있다. 따라서, 일반상황에서는 CAV가 3%만 되어도 도심지에서 교통정보를 취득할 수 있을 것으로 판단된다. 이는 유고상황이 발생하지 않은 안정적인 교통상황을 가정한 시나리오이기 때문에 교통정보 취득에 필요한 CAV의 최소 비율이 매우 낮은 것으로 사료된다.

2) 유고상황

선정한 20가지의 유고상황 시나리오에 대해 점유율 20%, 30%, 40%, 50%까지 t-test를 수행하였다. 이때, 시나리오별로 10번 추출한 데이터와 전체 데이터 간 t-test를 수행하였으며, 이때 p-value가 모두 0.05보다 큰 경우 해당 점유율을 최소 점유율로 판단하였다. 일반상황 시나리오 분석과 동일하게 점유율별 데이터 추출 에 번호를 부여하여 10회 추출을 수행하였다. <Table 10>와 <Table 11>은 점유율 30%와 40%에서 유고상황 시나리오별 p-value를 나타낸 것이다. 시나리오 4번의 경우, 점유율 30%에서 수행한 10회의 추출 모두 p-value가 0.05보다 크게 나타나 유의성을 확보하였으나, 점유율 40%에서는 10회 중 일부 추출에서 p-value가 0.05보다 작게 나타났다. 이와 같이 일부 추출에서 유의수준을 만족하지 못하는 경우, 점유율을 점진적으로 증가시키며 모든 추출에서 p-value가 0.05 이상이 되는 점유율을 최소 점유율로 선정하였다. 특히, 점유율 40%에서 p-value가 0.05 이하로 나타난 경우는 모두 교통량을 20% 증가시킨 시나리오에 해당함을 확인하였 다. 최종적으로 점유율 50%에서는 10회 추출 모두 p-value가 0.05 이상으로 나타났으며, 이를 통해 차량 통행 이 정상적이지 않은 다양한 유고상황의 조건에서는 CAV의 최소 점유율이 50% 이상이어야 신뢰도 높은 교 통정보 수집이 가능함을 확인할 수 있었다. <Table 12>은 점유율 50%에서의 t-test 결과로, 모든 시나리오에 서 p-value가 유의수준 0.05 이상으로 나타난 사례를 제시한 것이다.

Ⅴ. 결론 및 향후 연구과제

본 연구에서는 경기도 부천시 길주로 구간을 대상으로, VISSIM을 이용하여 도심 지역에서 교통정보 수집 을 위한 CAV의 적정 점유율을 추정하였다. 시뮬레이션을 통해 시나리오별로 개별차량 데이터를 추출하였으 며, 각 시나리오에서 구간 통행시간 데이터를 점유율에 따라 10회 임의 추출하여 10개의 그룹 데이터를 생성 하였다. 이후 전체 개별 차량 데이터와 그룹 데이터를 대상으로 t-test를 실시한 결과, 도심지 교통정보 수집 을 위한 CAV의 최소 점유율은 일반 상황에서는 3%, 유고 상황에서는 50%로 추정되었다. 이에 따라, 모든 상황에서 정확한 교통정보를 확보하기 위해서는 도심지에서 CAV의 최소 점유율이 50% 이상 필요하다는 결 론을 도출하였다.

하지만 본 연구에는 몇 가지 한계가 존재한다. 첫째, 분석 구간이 1.55km로 도심지 교통정보를 취득하기에 는 짧으며, 직선 구간의 일 방향 데이터만을 사용하였기에 실제 복잡한 도심 교통상황을 완전히 반영하지 못 한다는 한계가 존재한다. 따라서 향후 연구에서는 회전 교통량이 포함된 교차로와 더 넓은 도심지 구간을 포 함한 분석이 필요하다. 이러한 공간적 범위의 확장은 다양한 도심 교통 패턴을 보다 정교하게 반영하여, CAV 기반 교통정보 수집의 신뢰성을 높이고 실제 적용 가능성을 향상시킬 수 있을 것으로 기대된다.

둘째, 본 연구에서는 60가지의 유고 상황 시나리오 중 20가지를 추출하여 분석하였기 때문에 모든 교통 상황을 완벽하게 반영하지 못했다는 한계가 존재한다. 특히 유고 상황시 사고의 규모가 큰 경우 여러 차로가 동시에 차단되어 교통 혼잡이 가중되고, 처리 시간 또한 더 길어질 수 있으나, 본 연구는 다섯 가지의 단일 차로 차단과 세 가지의 차단 시간만을 고려하여 사고를 발생시켰기 때문에 복잡한 사고 상황을 충분히 반영 하지 못했다는 한계가 존재한다. 따라서 향후 연구에서는 보다 복잡하고 다양한 유고 상황을 고려한 시나리 오를 통해 분석의 범위를 확장할 필요가 있다. 이를 통해 다양한 교통 상황에서의 시스템 성능을 보다 포괄 적으로 평가할 수 있으며, CAV 기반 교통정보 수집의 신뢰성을 높이고 예측 정확도를 향상시킬 수 있을 것 이다. 나아가, 이는 실제 도로 환경에서 CAV의 효과적인 활용 방안을 제시하는 데 중요한 기초 자료로 활용 될 수 있을 것으로 사료된다.

마지막으로, 시뮬레이션 상에서 CAV의 거동을 Wiedemann 74 car-following model parameter 조정으로 한정 하여 연구를 수행한 점이 본 연구의 한계로 작용한다. 이는 CAV가 실제 도로 환경에서 자율주행 차량과 다 른 거동 특성을 보일 수 있다는 점을 충분히 반영하지 못한 것이다. 따라서 향후 연구에서는 자율주행 차량 의 거동을 정교하게 반영한 intelligent driver model(IDM)과 같이 CAV의 특유한 주행 패턴을 정밀하게 모델링 하여 시뮬레이션에 반영함으로써, 보다 현실적인 교통 흐름을 반영하는 시뮬레이션을 구현할 것이다. 이를 통해 CAV 기반 교통정보 수집의 정확성과 현실성을 한층 더 높일 수 있을 것으로 기대된다. 나아가, 자율주 행 차량이 상용화됨에 따라 이러한 기술적 진보는 더욱 중요한 역할을 하게 될 것이다. CAV를 활용한 실시 간 교통관리 및 사고 예방 시스템은 교통 효율성을 극대화하고 도로 안전성을 향상시킬 수 있다. 따라서 향 후 연구에서는 보다 정교한 시뮬레이션 모델을 구축함으로써, 자율주행 시대의 교통정보 수집 및 관리체계 에 기여할 수 있기를 바란다.