Ⅰ. 서 론
1. 연구 배경 및 목적
도시부 도로의 교통 혼잡은 증가하는 차량 대수와 더불어 해결해야 할 중요한 사회적 과제 중 하나이다. 국내 자동차 등록대수는 2019년 2,368만 대에서 2023년 2,594만 대로 연평균 약 2.3% 증가했으며, 교통사고 건수는 같은 기간 동안 2019년 229,600건에서 2023년 198,260건으로 약 3.6% 감소 추세를 보인다(MOLIT, 2024). 그러나 교통사고로 인한 사회적 비용은 2019년 25조 9,592억 원에서 2022년 26조 2,833억 원으로 연평 균 약 0.41% 증가하고 있다(KoROAD, 2024). 교통 혼잡 비용과 사고로 인한 사회적 비용을 줄이기 위해 지능 형교통체계(ITS) 기반의 장비와 교통 예측 시스템이 지속적으로 개발되고 있다(Korea Expressway Corporation 2004). 특히 도시부에서는 실시간 교통정보 수집 및 제공 시스템을 통해 통행시간, 통행속도, 교통량 등을 예 측하고 이를 교통운영 관리에 활용하고 있다. 기존의 돌발상황 관리 시스템은 교통사고 및 차량 고장과 같은 돌발정보를 수집·관리하며, 경찰청과 도시교통정보센터(UTIC)가 주요 역할을 수행하고 있다. 이들은 긴급차 량 연계와 2차 사고 예방 등 사후 대응 매뉴얼에 초점을 맞추어 운영되고 있다(Gyeonggi Research Institute, 2017). 그러나 이러한 돌발상황 발생 시 사전 대응보다는 사후 처리에 중점을 두고 있어, 신호교차로 등 단속 류 환경에서의 복잡성을 충분히 반영하지 못하고 있다.
본 연구에서는 단속류 환경에서 돌발상황 발생 시 교통 흐름 변화를 예측할 수 있는 모형을 개발하는 것을 목적으로 한다. 신호교차로 및 기하구조 요소를 포함한 다양한 요인을 종합적으로 고려하여, 돌발상황이 교통류 에 미치는 영향을 정량적으로 분석하고, 이를 기반으로 도시부에 적합한 돌발상황 예측모형을 제안하고자 한다.
2. 연구수행 절차
본 연구에서는 단속류 환경에서 돌발상황 발생 시 교통류 변화 유형을 정의하고 예측모형을 개발하는 것 을 목표로 한다. 이를 위해 VISSIM 시뮬레이션을 활용하여 돌발상황이 발생한 가상 네트워크를 구축하고, 신호교차로와 다양한 교통 변수(차로 수, 유출입 교통량, 돌발 위치 등)를 조합한 시나리오를 생성하였다. 생 성된 시나리오를 바탕으로 대기행렬 발생 유형을 분석하였으며, 유형별 돌발상황 발생 시 교통류 영향권을 정량적으로 예측하는 모형을 개발하였다. 모형 적용과 검증을 위해 네트워크 내 교통정보 검지기(영상, 루프 등)가 설치되어 있다고 가정하고, 검지기로부터 수집이 가능한 링크 유입 교통량, 통과 교통량 등의 데이터 를 분석에 활용하였다. 또한, 돌발상황 발생지점의 통과 교통량과 신호 대기행렬 길이를 추출하여 모형의 정 확성을 평가하였다.
Ⅱ. 선행 연구 고찰
1. 돌발상황 영향 예측 연구
Sharma et al.(2007)는 신호교차로를 대상으로 실시간 지체와 최대 대기행렬 길이를 예측하기 위한 하이브 리드 기법을 제안하였다. 유입 교통량과 처리 용량 간의 불균형을 기반으로 시간에 따른 대기행렬의 성장 과 정을 추정하여, 용량 저하 상황에서 행렬 확산 특성을 설명하였다. 해당 연구는 신호교차로 환경에서 사고· 공사 등으로 인한 차로 점유 발생 시, 대기행렬의 최대 길이를 예측함으로써 영향이 미치는 상류 구간 범위 를 추정할 수 있는 개념적·방법론적 토대를 제공하였다.
Lee and Lee(2009)은 고속도로에서 사고 발생 시 일시적인 차로 감소로 인해 도로 용량이 변화하는 정도를 예측하는 방법을 제안하였다. 서울외곽순환고속도로 송내IC ~ 중동IC 구간을 대상으로 교통량과 속도 데이 터를 활용하여, 사고로 인해 1개 차로가 감소했을 때 도로 용량 감소율을 산출하였다. 분석 결과, 평균속도 90~100km/h 구간에서는 용량 감소율이 25%였으며, 40~80km/h 구간에서는 차량 정체로 인해 27~37%까지 감 소하였다. 문헌값인 42%와 비교를 통해 도로 용량 감소율을 검증하였으며, 차로 감소가 교통 흐름에 미치는 영향을 정량적으로 평가하였다.
Ha et al.(2010)은 고속도로에서 발생하는 비반복적 정체를 완화하고 돌발상황 처리시간의 예측 정확도를 향상시키기 위해, 경부고속도로(2003~2007년) 사고 데이터를 활용한 처리시간 예측모형과 의사결정나무 기 반 분류모형을 개발하였다. 연구에서는 사고등급(A·B·C)과 교통량, 차량 구성, 사고 시간대 등 15개 설명변 수를 적용하고, CHAID 분석기법을 통해 처리시간에 영향을 미치는 주요 요인을 식별하였다. 분석 결과, 사 고등급, 교통량, 주·야간 구분, 중차량 포함 여부 등이 처리시간을 결정하는 핵심 변수로 나타났으며, 특히 교통량은 모든 사고등급에서 공통적으로 가장 영향력이 큰 변수로 도출되었다. A등급 사고는 처리시간이 가 장 길게 나타났고, 교통량이 많거나 야간에 발생한 사고 또한 처리시간이 증가하는 경향을 확인했다.
Eo and Shin(2010)은 도시부 신호교차로 인근에서 발생하는 도로점용공사가 교통류에 미치는 영향을 정량 적으로 규명하고, 이를 반영한 포화교통류율 산정모형을 개발하였다. 연구에서는 차로 폭 축소, 공사 구간의 길이와 위치, 공사 시간대 등의 요인이 교차로 처리능력을 낮추는 핵심 요소임을 실증적으로 제시하였으며, 특히 차로 폭 감소가 포화교통류율을 가장 크게 저하시킨다는 결과를 도출하였다. 이 연구는 외부 요인(공 사·차단 등)이 교통용량과 혼잡 발생에 미치는 구조적 영향을 계량화하였다.
Lee and Kim(2012)은 고속도로에서 발생한 교통사고 데이터를 활용하여 사고 위치를 일반구간, 터널, 교량 구간으로 구분하고, 사고 지속시간에 영향을 미치는 요인을 분석하였다. 연구에서는 설명변수를 사고대응, 사고 피해, 도로요인, 환경요인으로 분류하였으며, 특히 사고대응 변수로 작업 차량의 현장 도착 시간, 최초 사고 접수 매체, 교통 차단 시간을 활용하였다. 모형 분석에는 지수형태의 선형회귀식을 적용하였으며, 터널 구간은 별도의 관리 체계가 잘 갖추어져 있어 사고 지속시간이 교량이나 일반 구간보다 짧은 것으로 나타났다. 또한, 작업 차량의 현장 도착시간이 모든 구간에서 사고 지속시간에 가장 큰 영향을 미치는 변수로 분석되었다.
Shin(2013)은 신호교차로 접근부의 공사로 인해 차로가 감소하는 구간에서 포화교통류율을 산정하는 이론 적 모형을 제안하였다. 공사 구간을 상류부와 하류부로 나누어, 상류부는 유효녹색시간 내 대기 차량 통과를 기반으로, 하류부는 공사로 인해 발생한 충격파가 하류 교차로에 미치는 영향을 기반으로 모형을 구축하였 다. 실제 공사 현장 데이터를 통해 이론 모형을 검증한 결과, 포화교통류율의 오차율은 ±3% 수준으로 높은 정확도를 산출하였다.
Korea Road Traffic(2019)은 서울특별시 주요 도로에서 발생한 2,482건의 돌발상황 데이터를 수집하여 지속 시간을 예측하는 회귀 모형을 개발하였다. 지속시간 예측을 위해 교통사고, 차량 고장, 적재물 낙하 등 돌발 상황 유형과 제한속도, 첨두 여부 등 다양한 변수를 설정하였으며, 생존분석과 의사결정나무인 Decision Tree 를 활용하여 돌발상황 지속시간을 예측하였다. 예측 결과, 돌발상황 지속시간에 대한 정확도는 94%로 매우 높은 수준을 산출하였다.
Das and Chilukuri(2020)는 다양한 차종이 있는 교통 환경에서 차로 점유로 인해 교통 조건 변화 시 용량 감소로 인해 도로별 통행시간 증가에 따른 동적 통행 비용 산출 모델을 제시하였다. 용량 감소 기반 모델은 다양한 교통 조건에서 안정적인 성능을 보였으며, 교통 혼잡 및 용량 저하 상황을 합리적으로 설명할 수 있 음을 보였다.
2. 선행연구 시사점 및 차별성
기존 돌발상황 대응 시스템은 단순 유형 구분 및 2차 사고 대응을 위한 일반적인 사후 대응에 초점이 맞 춰져 있다. 이러한 대응 방식은 단순히 사고 유형을 구분하고 사고 이후의 조치에 집중하는 구조로, 돌발상 황 발생 직후의 교통 흐름을 예측하거나 부가적인 혼잡 상황이 발생하기 전에 미리 대응할 수 있는 체계는 부족하다. 또한, 돌발상황을 현장에서 관리자가 직접 확인하고 시스템에 입력하는 방식으로 운영되기 때문에 즉각적인 교통 혼잡의 파악과 대응에 한계가 있다. 돌발상황의 복잡한 양상을 충분히 반영하지 못해 사전적 교통 관리 방안을 마련하는 데 한계가 있다.
대부분의 돌발상황 영향 예측 연구들은 연속류에 초점이 맞춰져 있으며, 단속류 대상 돌발상황 예측 연구 의 경우 공사, 도로점용 등 돌발적인 상황이 아닌 계획된 도로점용 상황을 대상으로 모형이 개발되어 한정된 조건에서만 적용이 가능하다. 기존 연구의 경우, 차량 간 상호작용이 복잡하게 이루어지는 단속류에서의 돌 발상황 영향 예측에 적용하기에는 한계점이 있다.
본 연구는 이러한 한계를 극복하고자 단속류 환경에서 발생하는 돌발상황에 대한 실시간 예측 모형을 제 안한다. 특히 교통신호가 있는 도로 환경이나 공사 구간에서 발생하는 돌발상황의 교통 흐름 변화를 정량적 으로 분석하고 영향권을 예측함으로써 보다 효과적인 교통 관리 및 사고 대응 체계를 구축하는 데 기여할 것이다. 이를 통해 돌발상황 발생 시 신속하고 정확한 예측을 가능하게 하여 교통 혼잡을 예방하고 대응 방 안을 강화하는 실질적 해결책을 제시할 것으로 기대된다.
Ⅲ. 연구 방법론
1. 돌발상황 시뮬레이션 구축
1) 네트워크 구축
도로에서 돌발상황의 경우, 실제 발생한 데이터의 표본이 매우 적어 돌발상황 발생 시 교통 데이터를 임 의로 수집하기 위해 가상의 교통환경 구축이 가능한 VISSIM 시뮬레이션을 활용하여 시나리오를 구축하였 다. <Fig. 2>과 같이 도시부 단속류 도로에서의 적용을 위하여 연속된 2개 신호 교차로로 구성하고, 시뮬레이 션의 불필요한 과부하를 줄이기 위해 500m 길이의 대향차로가 없는 링크로 구성하였다.
VISSIM 시뮬레이션 내 활용 도구 중, <Fig. 3>와 같이 “Parking Lot” 기능을 활용하여 연속 교차로 사이 링 크 내 긴급 주·정차량을 임의로 발생시켜 차로가 차단된 돌발상황을 구현하였다. 시나리오별 차단 차로 수에 따라 “Parking Lot” 영역을 추가하여 차로를 차단한 후 시뮬레이션을 실행하였다.
2) 유형 분석을 위한 시나리오 설정
도시부 도로 환경에서 대기 차량 생성 유형을 분석하기 위해 다양한 기하구조와 교통량 조건을 적용하여 <Table 1>과 같이 시나리오를 구성하였다. 본 연구에서는 국내 도시부 도로의 일반적인 제한속도인 50km/h 를 적용하였으며, 교통 변수는 스마트교차로를 통해 수집 가능한 링크 내 유출입 교통량과 상류부·하류부의 신호주기 및 현시를 기반으로 설정하였다. 포화도의 경우 일반적인 교통상황에서 돌발상황의 영향만을 고려 했을 때의 환경을 가정하여 0.2부터 0.4까지 0.1 단위로 증가시키며 분석하였다.
<Table 1>
Item for providing unexpected situation information
| Variable | Value | |
|---|---|---|
| Number Lane | One way 2, One way 3, One way 4 | |
| Number of Cut-off Lane | One way 2 | 0, 1 |
| One way 3 | 0, 1, 2 | |
| One way 4 | 0, 1, 2, 3 | |
| Saturation (V/C) | Increase by 0.1 units from 0.2 to 0.4 | |
| Location of Unexpected Situation (m) | Intersection stop line reference 200m | |
| Green Time Ratio (g/C) | 0.3 | |
| Cycle | 1, 3, 6, 9 | |
2. 영향권 분석 결과
1) 대기행렬 발생 행태
일반적인 도시부 도로에서 돌발상황 발생 시 대기행렬 발생 행태를 파악하기 위해, 시나리오별로 VISSIM 시뮬레이션 30회 반복 수행을 통해 수집한 평균 대기행렬 길이 데이터를 기반으로 신호주기가 진행됨에 따 른 혼잡 영향권을 파악하였다.
포화도 0.2, 0.3 수준의 경우 <Table 2>와 <Table 3>에서와 같이 차로 수와 차단 차로 수가 동일한 조건에 서, 돌발상황 발생 시 대기행렬은 신호교차로와 돌발상황 발생지점에서 각각 독립적으로 발생하는 경향을 보였다. 주기가 진행됨에 따라 신호교차로에서의 대기행렬은 점차 안정화되는 반면, 돌발상황 발생지점에서 는 지속적으로 증가하는 경향을 보였다.
<Table 2>
Saturation 0.2 Queue Measurements
| Number of lane | Number of cut-offlanes | Sphere of influence | Queue length by cycle(m) | |||
|---|---|---|---|---|---|---|
| 1 | 3 | 6 | 9 | |||
| 2 | 1 | signal intersection | 95.33 | 91.58 | 99.31 | 102.62 |
| unexpected point | 83.58 | 74.97 | 77.66 | 87.70 | ||
| 3 | 1 | signal intersection | 93.97 | 94.9 | 102.28 | 100.07 |
| unexpected point | 69.61 | 77.07 | 71.19 | 76.74 | ||
| 2 | signal intersection | 69.67 | 89.38 | 106.5 | 92.24 | |
| unexpected point | 90.89 | 87.6 | 80.99 | 85.84 | ||
| 4 | 1 | signal intersection | 99.42 | 95.74 | 107.62 | 100.49 |
| unexpected point | 83.40 | 78.78 | 85.6 | 78.83 | ||
| 2 | signal intersection | 104.33 | 107.63 | 102.62 | 101.15 | |
| unexpected point | 97.21 | 90.50 | 87.70 | 87.19 | ||
| 3 | signal intersection | 52.09 | 79.61 | 100.07 | 76.35 | |
| unexpected point | 103.00 | 143.21 | 176.46 | 176.49 | ||
<Table 3>
Saturation 0.3 Queue Measurements
| Number of lane | Number of cut-offlanes | Sphere of influence | Queue length by cycle(m) | |||
|---|---|---|---|---|---|---|
| 1 | 3 | 6 | 9 | |||
| 2 | 1 | signal intersection | 112.45 | 132.11 | 135.77 | 137.27 |
| unexpected point | 112.29 | 117.77 | 109.77 | 124.81 | ||
| 3 | 1 | signal intersection | 132.69 | 133.47 | 103.93 | 152.02 |
| unexpected point | 99.07 | 124.54 | 113.01 | 113.64 | ||
| 2 | signal intersection | 111.01 | 105.81 | 104.94 | 101.07 | |
| unexpected point | 110.39 | 176.4 | 206.26 | 212.62 | ||
| 4 | 1 | signal intersection | 139.1 | 176.75 | 104.03 | 204.28 |
| unexpected point | 129.94 | 122.68 | 116.93 | 126.49 | ||
| 2 | signal intersection | 114.65 | 156.26 | 137.27 | 152.69 | |
| unexpected point | 119.71 | 137.33 | 124.81 | 140.59 | ||
| 3 | signal intersection | 104.95 | 81.46 | 152.02 | 91.87 | |
| unexpected point | 125.28 | 133.79 | 113.64 | 265.05 | ||
포화도 0.4 수준의 경우 <Table 4>에서와 같이 신호교차로와 돌발상황 발생지점에서 각각 독립적으로 발 생하는 경향을 일부 보였으나, 일부 시나리오에서는 신호교차로의 대기행렬이 돌발상황 발생지점까지 도달 하는 경우가 발생하였다. 3차로 중 2차로 차단, 4차로 중 3차로 차단과 같이 돌발지점 통과 교통량이 적을 수밖에 없는 경우에는 신호교차로의 대기행렬이 낮게 측정되었다. 통과 가능 차로가 1개인 네트워크에서는 돌발상황 발생지점을 기준으로 대기행렬이 급격히 증가하여 링크 길이를 초과하는 경우가 발생하였다.
<Table 4>
Saturation 0.4 Queue Measurements
| Number of lane | Number of cut-offlanes | Sphere of influence | Queue length by cycle(m) | |||
|---|---|---|---|---|---|---|
| 1 | 3 | 6 | 9 | |||
| 2 | 1 | signal intersection | 150.76 | 195.25 | 203.51 | 206.13 |
| unexpected point | 176.66 | 250.9 | 304.59 | 306.33 | ||
| 3 | 1 | signal intersection | 154.96 | 206.15 | 205.73 | 206.3 |
| unexpected point | 142.06 | 186.33 | 218.03 | 257.26 | ||
| 2 | signal intersection | 96.64 | 105.12 | 104.95 | 100.16 | |
| unexpected point | 237.06 | 295.44 | 302.09 | 304.63 | ||
| 4 | 1 | signal intersection | 137.67 | 164.81 | 102.99 | 200.82 |
| unexpected point | 124.75 | 200.25 | 304.6 | 304.52 | ||
| 2 | signal intersection | 154.17 | 151.19 | 146.13 | 164.74 | |
| unexpected point | 174.2 | 240.03 | 306.33 | 304.52 | ||
| 3 | signal intersection | 81.11 | 87.95 | 76.77 | 76.97 | |
| unexpected point | 501.1 | 304.69 | 304.65 | 309.65 | ||
포화도 0.5 이상의 환경에서는 1주기 이내에 모든 영향권에서 대기행렬길이가 링크를 초과하여, 실질적인 영향권 파악이 불가능하여 모형 적용 대상 시나리오에서 제외하였다.
2) 영향권 분류 결과
돌발상황 발생 이후, 대기행렬은 신호교차로와 돌발상황 발생지점에서 각각 독립적으로 형성되었으며, 일 부 경우에는 신호교차로에서 발생한 대기행렬이 돌발상황 발생지점까지 도달하는 경우가 있었다. 이러한 혼 잡 발생 행태 분석 결과를 바탕으로 링크 내 영향권을 돌발상황 발생지점을 기준으로 <Fig. 4>와 같이 상류 부(C⟶A) 유형, 하류부(B⟶A) 유형의 2가지로 구분하여 이론모형에 반영한다.
3. 영향권 예측 모형 개발
1) 모형 개발 개요
본 연구는 돌발상황 발생 시 교통 영향권을 예측하기 위한 이론 모형을 개발하였다. 이 모형은 돌발상황으 로 인한 교통 흐름의 변화와 대기행렬의 증가를 정량적으로 예측할 수 있도록 설계되었으며, 특히 단속류 환 경에서 교차로 간 돌발상황이 신호체계와 교통 흐름에 미치는 영향을 종합적으로 분석하였다. 모형 개발에서 는 돌발상황 발생지점에서의 최대 통과 교통량, 신호주기, 대기행렬 길이의 변화를 종합적으로 분석하였다.
본 모형의 개발에는 교차로 사이 구간의 교통 흐름에 영향을 미치는 다양한 변수들이 사용되었다. 주요 변수로는 차로당 포화교통량(Vmax), 차로 수(N ), 교통량(V ), 그리고 교차로 주기(C )등으로 구분하였다. 이 변수들을 기반으로 돌발상황 유형에 따라 최대 대기 길이, 돌발상황 발생지점에서의 최대 통과 교통량, 상류 부에서 발생지점으로 유입되는 교통량 및 대기행렬을 예측하고, 하류부에서 발생하는 영향을 추가적으로 분 석하여 전체 대기행렬 길이를 추정한다. 이 과정은 교차 검증을 통해 신뢰도를 평가하였다.
2) 모형 설계
본 모형은 돌발상황 발생지점을 기준으로 상류부와 하류부로 구분하여 설계되었다. 먼저 상류부에서 돌발 상황 발생지점까지의 구간 (C⟶B)에서 유입되는 교통량을 분석한다. 이를 위해, 최대 통과 교통량 비율로 상 류부 교차로에서의 유입 교통량 해소시간(TB )을 계산하며, 이를 통해 초기 최대 대기 길이(QBmax )를 도출한 다. 사고 발생 시점에서 상류부 신호주기와 해소 시간의 차이(SJ , Signal judgment)를 계산하여, 상류부에서 발생하는 잔여 대기 길이(RQB )를 평가한다.
이후, 돌발상황 발생지점에서 하류부 교차로까지의 구간(B→A)을 분석한다. 상류부에서의 유입 교통량이 하류부 녹색시간 유출 교통량보다 많을 경우, 하류부에서의 최대 대기 길이(RQA )를 산출한다. 돌발상황 발 생 후, 주기별 유입 교통량과 유출 교통량을 비교하여 누적 대기 길이(FQA )를 추정하며, 이 대기 길이가 돌 발상황 발생지점까지 도달 여부를 판단한다. 특정 주기에서 대기 길이가 돌발상황 발생지점까지 도달할 경 우, 포화 상태에서 교통량에 따라 다시 포화되는 시간(NST , New Saturation Time)을 계산하며, 새로운 대기 길이(NWL , New Waiting Length)를 산출한다.
3) 변수 설정
다양한 조건 하에서의 대기행렬 생성 유형을 확인하기 위해 복잡하고 변수가 많은 도시부 도로 환경에 맞 춰 다양한 기하구조와 교통량 조건을 적용하여 <Table 5>와 같이 모형 구축 변수를 구성하였다.
<Table 5>
Model Default Variables
| variable | explain | Default value |
|---|---|---|
| Vmax | Saturation traffic per lane | 2,200veh/h |
| CL | Average length of vehicle | 5m |
| N | Number of lane | 2, 3,4 |
| NE | Number of lanes blocked by an unexpected situation | 1~3 |
| VC | Traffic flowing from the upstream (C) intersection | - |
| CC, CA | Intersection signal cycle in upstream (C) and downstream(A) | - |
| Mt | Time lost due to unforeseen circumstances | - |
| Gr | Downstream (A) intersection green time | - |
| EL | Distance from downstream intersection to unexpected point | - |
| v/c | Typical Urban Road Saturation | 0.2~0.5 |
단, 국내 도시부 도로의 일반적인 제한속도인 50km/h를 적용하였다. 교통변수는 일반적으로 스마트교차로 를 통해 수집 가능한 링크 내 유·출입교통량과 상류부, 하류부의 신호주기 및 현시를 적용하였다. 포화도의 경우 일반적인 교통상황에서 돌발상황의 영향만을 고려했을 때의 환경을 가정하여 0.2부터 0.1 단위로 증가 하여 분석하였다.
단속류 조건을 세부적으로 고려하기 위해 기본값으로 설정된 변수들을 바탕으로 계산된 변수를 식(1)~(4) 와 같이 도출하여 초기 조건 설정에 활용한다.
하류부(A) 교차로의 경우, 돌발상황 발생에 따른 차량 정지에 의한 손실시간을 가정하여 실제 통과 가능 한 유효녹색시간을 산출한다. 그에 따른 적색시간도 설정된 주기(초)를 기반으로 산출한다.
where,
where,
모형에서 교통량 해소 가능 여부 판단을 위해 활용될 신호교차로(A), 돌발상황 발생 지점(B)에 대한 최대 통과 가능 교통량을 산출한다.
where,
where,
EC 는 대기행렬길이의 생성 강도를 의미하며, 돌발위치에서 발생하는 대기행렬길이의 성장속도를 시뮬레 이션별로 수집한 후 학습을 통하여 <Table 6>과 같이 최적값을 선정하였다. EC 의 값이 클수록 대기행렬길 이가 급격히 발생하고, 낮을수록 대기행렬길이의 증가량이 감소한다.
<Table 6>
Queue generation intensity by lane count
| Number of Lanes | Number of Blocked Lanes | Maximum Throughput Ratio |
|---|---|---|
| 2 | 1 | 0.36 |
| 3 | 1 | 0.38 |
| 3 | 2 | 0.28 |
| 4 | 1 | 0.32 |
| 4 | 2 | 0.38 |
| 4 | 3 | 0.29 |
Ⅳ. 영향권 예측 모형 개발 및 검증
1. 돌발상황 발생 시 단계별 영향권 예측 모형
1) 상류부 이론모형
상류부 교차로에서 돌발상황 발생지점까지의 교통류 흐름을 분석하기 위해, 상류부 유입교통량 해소시간 (TB )과 돌발상황 발생지점 최대 대기행렬 길이 (QBmax )를 계산한다. 이러한 계산을 통해 돌발상황 발생지점 에서의 대기행렬 길이 증가 여부를 판단하며, 상류부 신호주기(CC )와 비교하여 대기행렬 길이의 변화를 추 정한다.
돌발상황 발생지점에서의 상류부 유입교통량 해소시간은 식(5)과 같이 구할 수 있다.
where,
돌발상황 발생지점의 대기행렬 길이는 상류부 교차로의 신호주기와 유입 교통량에 따라 식(6)과 같이 결 정된다.
where,
상류부 신호주기와 돌발상황 발생지점에서의 상류부 유입교통량 해소 시간(TB )과의 비교를 통해 링크 유 입교통량이 신호주기 이내에 돌발상황 발생지점을 통과할 수 있는지 판단할 수 있는 변수 SJ (Signal Judgment)를 식(7)과 같이 구할 수 있다.
where,
SJ ≥ 0 일 경우, 상류부 신호교차로 신호주기 내에 해소가 가능하여 돌발상황 발생지점에서의 대기행렬 이 발생하지 않는다. SJ < 0 일 경우, 상류부 교차로에서 유입되어 돌발상황 발생지점을 통과하지 못한 교통 량으로 인해 돌발상황 발생지점에서의 대기행렬이 발생하게 되며, 1주기가 진행되었을 때 돌발상황 발생지 점에서의 잔여(늘어나는) 대기행렬 길이(RQB )는 식(8)과 같이 계산한다.
where,
1개 주기가 진행될 때마다 해당 잔여 대기행렬 길이만큼 전체 대기행렬길이가 증가함으로 간주하여 주기 별 돌발상황 발생지점 대기행렬 길이는 식(9)과 같이 계산한다.
where,
2) 하류부 이론모형
하류부 이론모형의 경우, <Table 7>과같이 교통량 해소 시간(TB )와 하류부 녹색시간(GA )을 비교하여 주기 내 유입 교통량이 녹색시간 이내에 해소 가능 여부를 판단하여 각각 상황별 모형을 구축하였다.
<Table 7>
Downstream Theoretical Model
| Condition | Description |
|---|---|
| TB <GA | The length of the queue does not increase even if the signal cycle progresses because all incoming traffic in the cycle is resolved |
| TB ≥GA | There is more inflow traffic than outflow traffic in the cycle, queue length increases as the signal cycle is repeated |
교통량 해소시간(TB )이 하류부 녹색시간(GA )보다 작을 경우, 하류부 신호교차로에서의 교통량이 해소되 지 않은 것으로 주기별 대기행렬 길이를 식(10)과 같이 계산한다.
where,
이 경우, 돌발상황 발생 지점에서의 대기행렬 길이를 산출하여 최종 대기 길이를 식(11)과 같이 표출한다.
where,
교통량 해소시간(TB )이 하류부 녹색시간(GA )보다 큰 경우, 하류부 교차로 접근로의 포화교통량보다 유입 교통량이 더 많은 것을 의미하며, 하류부를 기준으로 주기당 발생하는 하류부 교차로 대기행렬을 식(12)과 같이 계산한다.
where,
RQA 를 통해, 주기별 유입량(inflow)과 유출량(outflow)을 계산하여 주기당 하류부 신호교차로 대기행렬길 이를 식(13)과 같이 예측한다.
where,
특정 주기에서 신호에 의한 대기행렬이 돌발상황 발생지점까지 도달할 경우(FQAi ≥ EL ), 정지선부터 돌 발상황 발생지점까지의 구간이 포화 상태가 되고 이후 녹색시간에 의해 교통량에 따라 다시 포화되는 시간 (NST )을 계산하며, 상류부에서의 새로운 대기 길이(NWL )를 계산한다.
where,
where,
-
TB:돌발상황 발생지점 유입교통량 해소 시간(초)
-
N:차로수
-
NST:상류부 구간 재포화 소요 시간(초)
-
RQA:1주기당 생성되는 신호교차로 대기행렬길이(m)
-
:RQB1주기당 생성되는 돌발지점 대기행렬길이(m)
-
QCmax:돌발상황 발생지점 최대 유입 대기행렬길이(m)
-
EL:돌발지점 이격거리(m)
3) 평가 지표
돌발상황 발생 시 영향권 예측 모형을 평가하기 위한 교통지표로 대기행렬 길이(Queue Length)를 설정하였 다. 대기행렬 길이는 교통혼잡을 정량적으로 측정할 수 있는 대표적인 지표로, 도로 구간에서 차량이 정체로 인해 정지하거나 서행하는 상태를 반영한다. 이는 돌발상황 발생 시 혼잡도를 파악하는 데에 있어 직관적인 지표가 될 수 있으며, 시뮬레이션에서 측정된 대기행렬길이를 비교함으로써 모형의 정확성과 신뢰성을 검증 할 수 있다. 정확도 검증을 위해 각 시뮬레이션 시나리오에서 측정된 대기행렬 길이를 실제값으로 예측값과 비교하여, 대칭 평균 절대 백분율 오차(Symmetric Mean Absolute Percentage Error, SMAPE)를 활용하여 정확도 를 분석하였다. SMAPE는 식(16)과 같이 상대적 오차를 나타낼 수 있으며, 값이 낮을수록 정확도가 높음을 의 미하고 절댓값을 통해 실제값과 예측값의 크기가 모두 고려되어 크기 차이에 의한 왜곡을 줄일 수 있다.
where,
2. 모형 평가
1) 종합 평가 결과
본 연구에서는 다양한 단속류 변수를 적용한 시나리오별로 돌발상황 발생 시 영향권 예측 모형을 적용하여 예측된 대기행렬길이를 산출한 후, 시뮬레이션에서 측정된 데이터와 비교하였다. 돌발지점의 영향권인 상류 부(B지점), 신호교차로 영향권인 하류부(A지점)에 대하여 평균 SMAPE를 산출한 결과는 <Table 8>과 같다. 상 류부(B지점)의 평균 SMAPE는 8.2%로 비교적 높은 예측 정확도를 보였으며, 하류부(A지점)의 평균 SMAPE는 27.1%로 상류부 대비 오차율이 높게 나타났다. 이는 모형이 돌발지점(B)에서 차로 차단으로 발생하는 병목의 대기행렬 증가는 비교적 안정적으로 재현한 반면, 신호교차로(A)의 주기적 방출 특성과 영향권 상호작용을 단 순화하여 반영함에 따라 하류부 오차가 확대되었기 때문으로 해석된다.
<Table 8>
Accuracy Comparison
| Number of Lanes | Number of Blocked Lanes | SMAPE(%) | |
|---|---|---|---|
| Upstream(B) | Downstream(A) | ||
| 2 | 1 | 4.2 | 25.9 |
| 3 | 1 | 6.9 | 21.8 |
| 2 | 8.6 | 38.5 | |
| 4 | 1 | 4.3 | 17.5 |
| 2 | 5.7 | 27.4 | |
| 3 | 19.4 | 31.5 | |
| Average | 8.2 | 27.1 | |
2) 평가 결과 해석
<Table 8>의 정확도 비교 결과, 상류부(B지점)의 평균 SMAPE는 8.2%로 낮게 나타난 반면, 하류부(A지점) 는 27.1%로 상대적으로 큰 오차를 보였다. 이는 본 모형이 돌발상황 발생지점(B)에서의 차로 차단에 의해 형 성되는 병목 조건에서의 대기행렬 증가는 비교적 안정적으로 재현하였지만, 신호교차로(A) 영향권에서의 주 기적 방출 특성과 대기행렬 도달이 발생하는 복합 혼잡 조건을 단계별 산정 과정에서 단순화하여 반영한 데 서 기인한다. 주요 원인은 다음과 같다.
하류부(A지점)는 신호 운영에 의해 대기행렬이 주기별로 생성, 해소되며 변동성이 구조적으로 크다. 포화 도 0.2, 0.3인 <Table 2>, <Table 3>에서도 신호교차로 영향권의 대기행렬은 주기 진행에 따라 증가 및 감소가 반복되는 반면, 돌발지점(B)에서는 차로 차단으로 인해 대기행렬이 누적되는 경향이 상대적으로 뚜렷하다. 이로 인해 동일한 SMAPE 지표를 적용할 경우, 하류부(A지점)는 주기 경계에서 상대오차가 확대되기 쉬운 구조를 가진다.
포화도 0.4 수준(<Table 4>)에서는 일부 시나리오에서 신호교차로(A) 대기행렬이 돌발상황 발생지점(B)까 지 도달하여 링크가 포화 상태에 가까워진다. 본 모형은 재포화 시간과 새로운 대기길이를 통해 이를 반영하 였으나, 주기별 유입, 유출 변동과 잔여 대기행렬 누적으로 인해 비선형적 변화가 발생하면서 해당 조건에서 하류부(A지점) 예측 오차가 증가한 것으로 판단된다.
하류부(A지점)는 최대 통과 비율의 고정 적용에 대한 민감도가 크다. <Table 6>의 대표값은 신호 조건, 차 로변경 및 합류에 따른 실효 통과 특성 변동을 충분히 반영하지 못해서 하류부 예측 오차를 확대시킬 가능 성이 있다.
본 모형은 상류부(B지점)에서의 차로 차단 기반 대기행렬 증가는 안정적으로 예측한 반면, 하류부(A지점) 는 신호에 따른 주기적 변동과 대기행렬 도달이 결합되는 조건에서 상대적으로 큰 오차가 발생한 것으로 해 석된다.
Ⅴ. 결론 및 향후연구
본 연구는 도시부 단속류 도로에서 돌발상황 발생 시 교통 혼잡 영향권을 예측하기 위한 이론모형을 개발 하고, 시뮬레이션 데이터를 통해 이를 검증하였다. 돌발상황 발생지점을 기준으로 상류부와 하류부로 구분하 여 각각의 영향권을 분석하였으며, 단속류 환경에서 돌발상황이 대기행렬 및 병목현상에 미치는 영향을 정 량적으로 평가하였다.
시뮬레이션 결과, 상류부 모형은 평균 오차율 8.2%로 비교적 높은 정확도를 보였으나, 차단 차로 수가 많 아지는 시나리오(예: 3차로 중 2차로 차단, 4차로 중 3차로 차단)에서는 대기행렬 증가에 대한 예측 정확도가 낮아지는 경향이 확인되었다. 하류부 모형의 경우 평균 오차율이 27.1%로 나타났으며, 포화도 0.3 이상의 높 은 교통량 시나리오에서는 일부 조건에서 오차율이 38% 정도 수준으로 증가하여 정확도가 저하되었다. 이는 신호교차로의 주기적 방출 특성과 특정 주기에서 대기행렬이 돌발상황 발생지점까지 도달하는 복합 혼잡 조 건이 결합될 경우, 대기행렬의 변동성이 크게 증가하는 반면, 본 모형은 이를 단계별 산정 과정에서 단순화 하여 반영했기 때문으로 해석된다.
본 연구에서 개발한 이론모형은 중, 저포화 수준의 교통 조건에서 돌발상황 발생지점을 기준으로 한 영향 권 확산 여부와 대기행렬 증가 경향을 비교적 안정적으로 예측하는데 실용성이 있다. 특히 스마트교차로 검 지기를 통해 수집 가능한 유입 교통량, 통과 교통량, 신호 주기 및 녹색시간 정보를 입력자료로 활용함으로 써, 돌발상황 발생 직후 영향권 확산 가능성을 주기 단위로 조기에 판단하는 운영 지원 도구로 적용할 수 있 다. 또한 예측 결과를 기반으로 돌발상황 영향권이 링크 길이를 초과할 때 예상되는 경우, 우회 안내 제공, 현장 출동 운선순위 설정, 신호 운영 조정등과 같은 교통 운영 대응의 기준으로 활용 가능할 것으로 기대된 다. 다만 고포화 및 혼잡 조건에서는 추가적인 개선이 필요하며, 이를 보완할 경우 실시간 교통관리 및 돌발 상황 대응 능력의 고도화에 기여할 수 있을 것으로 기대된다.
향후 연구에서는 이와 같은 한계를 보완하기 위해 다음과 같은 방향으로 연구를 진행할 필요가 있다. 첫 째, 본 연구는 시뮬레이션 데이터를 기반으로 모형을 검증하였으므로 실제 교차로 환경에서 모형을 적용하 여 실용성을 검토할 필요가 있다. 이를 통해 모형의 현실성을 강화하고, 시뮬레이션 결과와 실제 교통 상황 간의 차이를 분석할 수 있을 것이다. 둘째, 상류부와 하류부 간의 교통량 연계 및 대기행렬의 상호작용을 동 적으로 반영하는 통합 모형을 개발해야 한다. 이를 통해 상·하류부의 복합 혼잡 상황과 신호교차로로 인한 대기행렬 변화에 대한 예측력을 높일 수 있다. 셋째, 단속류 환경에서의 교통 밀도를 반영한 비선형 예측 모 형을 도입할 필요가 있다. 현재 모형은 대기행렬 분포와 차량 추종 이론을 충분히 고려하지 못했으며, 높은 포화도와 다양한 차단 조건에서도 적용 가능한 개선된 모형이 요구된다.
이를 통해 도시부 단속류 도로에서 돌발상황 발생 시 실시간 교통 운영 및 혼잡 완화 방안 수립에 활용 가능한 예측체계로 발전할 수 있을 것으로 기대된다.
