Ⅰ. 서 론
1. 연구의 배경 및 목적
자율주행 기술의 상용화가 세계적으로 빨라지면서, 서로 다른 자동화 수준의 차량이 동일 도로에서 상당 기간 혼재할 것으로 예상된다. 대한민국 정부는 2027년까지 자율주행자동차(LV.4) 상용화를 목표로 다양한 제도 개편, 도로 환경 구축 그리고 자율주행 서비스 개방 방안을 추진 중이나(MOLIT, 2022), 완전 자율주행 의 보편화 이전에는 혼재 교통류가 지속될 전망이다. 혼재 교통 환경에서는 자동화 수준과 운전자 특성의 이 질성, 잔존 대기행렬이 중첩되면서 반응 지연과 차두거리 차이로 주행 불안정성이 증대하고, 차량 간 및 다 른 도로 이용자와의 상충 발생 위험이 확대된다(Lee et al., 2018). 중장기적으로는 자율주행 시스템 보급률 MPR이 2035년에 약 75%가 넘을 가능성도 제시한다(Alexander and Gartner, 2013). 이러한 과도기 혼재 상황 을 전제로 한 운영 기반의 능동적 교통관리가 요구된다.
도시부 첨두시간에는 수요가 용량을 상회하면서 하류 구간에서 생성된 충격파가 상류 링크와 인접 교차 로로 전파되며, 대기행렬이 연쇄적으로 확대되는 스필백 현상이 빈번하게 관측된다. 이 과정에서 정체파의 생성-소멸 주기가 짧아지고, 불필요한 가감속이 반복되어 결과적으로 용량 손실과 안전도 저하가 동반된다. 신호 최적화와 5030등 속도관리 수단이 도입되었으나 주로 사전 설정값과 시간대 평균 운용에 의존하므로 하류 유출량의 단기 변동에 맞춰 상류 유입률을 실시간으로 정합하고 충격파 성장을 선제적으로 감쇠하는 데에는 한계가 있다. 따라서 링크 내부에서의 실시간 속도 상한을 부여하여 유입, 유출의 균형을 능동적으로 관리하는 운영 기반의 속도제어 체계가 필요하다.
본 연구는 이러한 한계를 보완하기 위해 오전 첨두시간에 발생하는 스필백 상황을 대상으로 분석하였으 며 모터스포츠의 세이프티카(Safety-Car) 개념을 교통류 운영에 응용한 상류 유입 조절 전략을 제안한다. 정 체가 발생하는 상황에서 상류부의 링크에서 자율주행 선두 군집에 속도 상한을 부여하여 유입률을 하류 유 출용량에 정합시키고 충격파 성장을 감쇠함으로써 스필백을 저감하는 것을 목표로 한다. 본 전략은 자율주 행 혼재 단계에서 시나리오별 실시간 교통상황에 대응한 속도제어의 효과를 정량적으로 분석하고, 완전 자 율주행 도입 이전에도 적용 가능한 정책 운영 설계 근거를 제공하는데 목적이 있다.
2. 연구수행 절차
본 연구는 자율주행차와 일반차량이 혼재하는 도시부 구간을 대상으로 모터스포츠의 세이프티카 개념을 응용한 상류 유입 조절형 속도제어의 효과를 정량적으로 검증하고 운영 프로세스를 제시하고자 한다. 이를 위해 도시부 첨두시간에 발생하는 과포화 및 스필백 상황을 VISSIM 시뮬레이션 환경에서 재현하였다. 하류 부 교차로의 서비스 수준(Level of Service, LOS)을 E 수준으로 설정하여 하류 정체가 상류 링크로 전파되는 조건을 만들고, 모든 시나리오는 동일한 과포화 기준에서 비교 가능하도록 구성하였다.
분석 범위는 혼재 교통환경에서 자율주행 시스템 보급률을 MPR 0%, 25%, 50%, 75%, 100%로 단계화하여 총 5개의 혼재 수준을 설정하였다. 또한 차로수는 2, 3, 4차로 유형으로 구성하였으며 동일한 조건하에서 차 로 구성 및 자율주행 시스템 보급률(Market Penetration Rate, MPR) 변화에 따른 스필백 양상을 비교할 수 있 도록 하였다. 상류부 속도제어 전략은 정체가 발생한 하류 교차로를 기준으로 상류 1개전 링크와 2개전 링크 에 서로 다른 속도 상한 조합을 부여하여 총 9개의 CASE로 설정하였다. 이때 자율주행차의 속도제어를 통 해 링크 내에서 세이프티카가 선두에서 속도를 조절하는 것과 유사한 형태의 선두 군집이 형성되도록 하였 다. 이를 통해 상류부 유입률을 하류부 유출용량에 맞추어 조절하고 상류부의 스필백이 감쇠하는 효과를 분 석하였다.
시뮬레이션은 VISSIM을 사용하여 수행하였다. 네트워크는 기하구조 특성을 반영하여 조합한 시나리오를 구축하고 도시부의 조건을 갖추기 위해 Wiedemann 74의 car following 모델을 활용하였고 일반차량은 기본 파라미터를 적용하였으며, 자율주행 차량은 보수적인 운전행태를 구현하기 위해 Average standstill distance 1.5, Additive part of safety distance 1.25, Multiplicative part of safety 2.25를 반영하여 구현하였다. Average Standstill Distance는 정지 상태에서의 기본 차두거리를 의미하며, Additive Multiplicative Part of Safety Distance 는 선행차와의 상대 속도에 따라 안전 차두거리의 크기와 민감도를 결정하므로 이 값들을 조정함으로써 차 량 간 간격 유지 수준과 가감속 반응이 달라지게 된다. 본 연구에서는 자율주행차가 일반차에 비해 일정한 차두거리 유지와 완만한 속도 변화를 보이도록 파라미터를 설정하여, 혼재 교통환경에서 자율주행 선두 군 집이 상류부 유입을 안정적으로 조절하는 상황을 재현하였다.
시뮬레이션 결과로부터 혼잡 지표는 링크별 대기행렬 길이를 활용하여 평가하였다. 특히 하류 교차로 기 준 하류 1개전 링크의 대기행렬 길이 Q-length1과 하류 2개전 링크까지 전파된 대기행렬 길이 Q-length2를 구 분하여 산출하였으며, Q-length2는 스필백이 두 개 링크 상류까지 확산된 정도를 나타내는 지표로 해석하였 다. 각 MPR, 차로수, 속도제어 CASE별로 Q-length1, Q-length2 및 링크 전체의 축 방향 평균 대기행렬 길이를 비교함으로써, 상류부 속도제어 전략이 대기행렬 분산 및 스필백 완화에 미치는 영향을 분석하였다.
차량의 안전성 평가는 Surrogate Safety Assessment Model을 활용하여 수행하였다. VISSIM에서 생성된 개별 차량 궤적을 SSAM에 입력하여 상충(conflict)을 식별하고, TTC와 PET와 같은 대리 안전 지표를 산정하였다. 또한 SSAM의 상충 유형을 rear-end, lane change, crossing으로 분류하고, 각 시나리오별 상충 건수를 집계하여 스필백 완화와 대리 안전지표 개선 간의 관계를 파악하였다.
마지막으로, 도출된 지표 간 관계를 정량적으로 분석하기 위해 통계분석을 수행하였다. 독립변수로는 MPR, 차로수, 상류부 속도제어 변수(limit speed-1, limit speed-2)로 하였으며, 종속변수로는 Q-length1, Q-length2, TTC, PET 및 상충건수를 설정하였다. 먼저 Pearson 상관계수를 이용해 연속형 변수 간 선형적 상관 구조를 파악하 고, 분포 비대칭성과 순위 정보를 고려하기 위해 Spearman 순위 상관계수를 수행하였다. 이후 MPR 및 차로수 에 따라 스필백 지표의 평균값이 통계적을 유의하게 달라지는지를 검증하기 위해 일원분산분석(ANOVA)을 활용하여 자율주행 혼입률과 차로 구성, 상류부 속도제어 전략이 스필백 규모 및 대리 안전지표에 미치는 영 향을 체계적으로 평가하였다.
본 연구는 자율주행 혼재 단계에서 시나리오별 실시간 대응형 속도제어의 적용 가능성을 체계적으로 평 가하고, 완전 자율주행 도입 이전 단계에서도 활용 가능한 운영 정책적 설계 근거 제공을 목적으로 한다.
Ⅱ. 선행 연구 고찰 및 차별성
1 선행 연구 고찰
1) 자율주행차 MPR 혼입 관련 연구 고찰
Abdeen et al.(2022)은 연속류를 대상으로 자율주행 MPR을 0%, 25%, 50%, 75%, 100%으로 변화시켰다. AV 의 도입이 점진적으로 이루어진다고 제안하였으며 25%의 간격으로 변화 단계를 반영하였다. 연구 결과 자율 주행차량의 MPR이 50~75%에서 지연시간과 평균 대기행렬길이는 감소하고 평균속도는 증가한다는 결과를 알 수 있었다. 이러한 결과는 자율주행 비율이 50% 미만인 혼재 교통상황에서는 오히려 악화될 수 있고 더 높은 비율에서는 긍정적인 효과를 나타난다고 제시하였다.
Morando et al.(2018)도 유사하게 도시 신호 교차로와 회전 교차로를 대상으로 분석하였다. 자율주행차의 MPR은 0%, 25%, 50%, 75%, 100%로 설정하고, 대체 안전성 모델을 사용해 충돌을 계산했으며, 그 결과 MPR 이 50%에서 100%로 증가하면서 충돌수가 약 20~65% 감소했다. 이는 자율주행차가 보다 짧은 차간거리를 유지하면서도 실제 충돌은 줄어들었음을 시사한다고 제시하였다.
Studer et al.(2022)은 이탈리아 밀라노 Plino-Morgagmi 교차로를 대상으로 VISSIM을 구축해 LV.3,4인 AV,GLOSA와 결합 후 MPR을 단계적으로 바꿔가며 평가했다. MPR별 전반적으로 긍정적인 효과를 나타냈으 며 최대 대기행렬은 MPR이 30%이후부터 긍정적인 결과를 제시하였다.
2) 자율주행 파라미터 연구 고찰
PTV VISSIM Manual Wiedemann 74 Parameter의 기본값은 Average Standstill Distance 2.0, Additive Part of Safety Distance 2.0, Multiplicative Part of Safety Distance는 3.0으로 제시하였다.
Alzoubaidi and Zlatkovic(2022)는 교통형식이 다른 Diamond 인터체인지에서 CV혼입률에 따른 운영 성능을 비교하였다. CV 도입은 이동성 개선을 보였으나 구조 차이의 영향이 더 큼을 지적했으며, 보다 현실적인 결 과를 위해 Wiedemann 74 파라미터 Average Standstill Distance 2.0, Additive Part of Safety Distance 1.25, Multiplicative Part of Safety Distance는 2.25로 설정하였다.
Khashayarfard and Nassiri(2021)는 비신호 교차로에서 AV와 HDV 혼재가 안전성에 미치는 영향을 분석하고, GEH 지표로 시뮬레이션과 실측 차이를 보정하였다. AV 효과는 혼입률에 따라 제한적일 수 있음을 보였고, 운전 유형으로 행동 규칙을 부여해 AV/HDV를 구분하며, Wiedemann 74는 Average Standstill Distance 1.0, Additive Part of Safety Distance 1.5, Multiplicative Part of Safety Distance는 2.5로 도심부 AV 행태를 반영하였다.
Kim et al.(2024)은 상암 자율주행 지구 실도로 데이터로 VISSIM 내에서 AV 거동을 재현하고, 위험구간 식별에 유효한 평가지표를 도출하였다. AV는 일반차 대비 보수적 감속·일관된 속도 유지 특성을 보였고, Wiedemann 74 파라미터는Average Standstill Distance 2.0, Additive Part of Safety Distance 1.5, Multiplicative Part of Safety Distance는 2.5로 조정하여 도심부 AV 행태를 반영하였다.
2. 선행연구 시사점 및 차별성
Papadoulis et al.(2019)의 연구는 연속류에서는 자율주행차 혼입률이 증가할수록 충돌 감소율이 증가한다고 제시하였으나, 분석대상이 신호제어에 따라 정체가 반복적으로 발생하는 도시부 단속류 환경의 복잡성과 상 충 위험은 충분히 반영되지 못한 한계점이 있음을 시사하고 있다. 이에 반해, 본 연구는 MPR이 다른 차량이 혼재된 단속류 상황에서, 하류부에서 발생한 교차로 정체를 상류부 링크 내에서 분산하는 방식으로 스필백 현상을 해소하고자 한다. 자율주행차의 속도 안전성, 차두거리 유지 특성을 활용하여 상류 유입을 능동적으 로 조절하며, 추가적인 물리 인프라 없이도 정체 완화를 목적으로 하는 기존 연구와 차별성을 지닌다.
Behl and Mangharam(2010)는 연속류 고속도로 환경을 대상으로, 선행차량이 뒤따르는 차량의 추월을 제 한하고 속도를 조절하는 Pacer Car 개념을 제안하였다. 시뮬레이션 결과, 이러한 차량군 속도제어만으로도 약 8~12%의 통행량 증가와 충격파 확산 억제 효과를 제시하였다. 본 연구는 이와 유사한 접근을 취하지만, 대상이 연속류가 아닌 신호제어가 존재하는 단속류 환경이며 자율주행차의 혼재상태에서 선행 차량군을 활 용하여 스필백을 완화한다는 점에서 보다 실질적인 적용 가능성을 제시한다.
따라서 본 연구는 물리적 인프라 없이도 교통 흐름을 능동적으로 관리할 수 있는 새로운 운영전략으로서, 단속류 혼재교통 환경에서의 실질적 효과를 검증하고자 하는 점에서 기존 문헌들과의 명확한 차별성을 갖는다.
Ⅲ. 연구 방법론
1. 평가 시나리오 및 지표 정의
1) 자율주행 혼재 교통 환경 시나리오
본 연구는 자율주행차(AV)와 일반차량이 섞여 주행하는 혼재 교통환경을 대상으로 한다. AV가 전체 차량 에서 차지하는 비율 MPR을 달리한 다섯 가지 시나리오를 설정하였다. 이는 AV 도입율이 0에서 100%로 증 가할 때 교통류 특성과 안전도가 어떻게 변화하는지 분석하기 위해 선행연구와 같이 MPR은 0%, 25%, 50%, 75%, 100%단계별로 시나리오를 구성하였다. 그리고 <Table 1>와 같이 속도제어 전략으로 혼잡 교차로 1개전 링크의 속도 제어 Limit speed-1과 2개전 링크에 속도를 제어하는 Limit speed-2의 조합으로 총 9가지의 case 로 분류하였다. 또한 자율주행차(AV)의 Carfollowing model의 보수적인 자율주행차량의 특성을 반영하기 위 해 <Table 2>와 같이 Average standstill distance 1.5, Additive part of safety distance 1.25, Multiplicative part of safety 2.25로 설정하였다. 이는 자율주행차의 파라미터를 보수적으로 설정하여 시뮬레이션상에서 자율주행차 는 일반차량에 비해 더 안정적인 차간거리 유지와 완만한 가감속을 나타난다.
<Table 1>
Speed Control Strategy Case Classification
| Limit Speed-1 | Limit Speed-2 | |
|---|---|---|
| Case 1 | 50km/h | 50km/h |
| Case 2 | 50km/h | 40km/h |
| Case 3 | 50km/h | 30km/h |
| Case 4 | 50km/h | 20km/h |
| Case 5 | 40km/h | 40km/h |
| Case 6 | 40km/h | 30km/h |
| Case 7 | 40km/h | 20km/h |
| Case 8 | 30km/h | 30km/h |
| Case 9 | 30km/h | 20km/h |
<Table 2>
Classifying Multiple Situation Scenarios
| Variable | Value | |
|---|---|---|
| MPR | 0%, 25%, 50%, 75%, 100% | |
| Number of Lane | 2, 3,4 | |
| Wiedemann 74 | Average Standstill Distance | 1.5 |
| Additive Part of Safety Distance | 1.25 | |
| Multiplicative Part of Safety Distance | 2.25 | |
각 시나리오는 동일한 도로 환경과 교통량 조건에서 실행하되, AV 비율만 달리하여 비교하며 혼합차량 비율에 따른 분석을 위해 MPR 0%를 기준으로 비교 분석하였다. 아래에 <Fig. 1>과 같이 도시부 단속류 도 로에서의 적용을 위하여 연속된 5개의 연속된 교차로로 구성하고 시뮬레이션의 250m 길이의 링크를 구성하 였다. 또한 혼재상황은 하류부의 교차로 v/c가 1 이상인 상황에서 서비스 수준 LOS E로 설정하여 동일한 상 황을 기준으로 비교분석을 진행하였다.
2) 대리 안전 평가모형
대리 안전 평가모형인 Surrogate Safety Assessment Model, SSAM은 실제 교통사고 데이터의 희소성으로 인 해 발생하는 통계적 한계를 보완하기 위해 시뮬레이션 기반 차량 궤적으로부터 상충을 정량적으로 평가한 다. 본 연구에서는 VISSIM에서 산출된 개별 차량의 위치, 속도, 가속도 정보 등을 활용하여 상충 사건을 확 인하고, 대리 척도인 Time To Collision, TTC와 Post Encroachment Time, PET를 중심으로 분석하였다. TTC는 후행차량이 현 속도로 진행할 경우 선행차량의 위치에 도달하기까지의 잔여 시간이고 PET는 상충 지점을 통과한 두 차량의 시간 차이로 두 지표 모두 낮을수록 충돌위험이 높은 것으로 해석된다.
<Table 3>
Overview of Important Surrogate Safety Measures
| Surrogate Safety measures | Explanation |
|---|---|
| TTC (Time To Collision) | Minimum time-to collision value observed during the conflict |
| PET (Post Encroachment Time) | Minimum post encroachment time observed during the conflict |
| MaxS (Maximum speed) | Maximum speed of either vehicle throughout the conflict |
| DeltaS(Delta speed) | Difference in speed between the preceding and following vehicles |
| Deceleration Rate (DR) | Initial deceleration rate of the second vehicle |
SSAM은 또한 충돌각에 따라 상충을 Rear-end, Lane-change, Crossing으로 분류하여 위험 유형별 발생 특성 을 확인할 수 있다. 이를 통해 상류부 속도제어가 스필백을 완화하는 과정에서 후미추돌 또는 차로 변경 상 충이 어떻게 변화하는지를 평가할 수 있도록 하였다.
본 연구에서 Ego 차량과 주변 차량은 VISSIM의 차간 추종 및 차로 변경 모형에 따라 상호작용 하도록 설 정되었으며, 특정 차량의 궤적을 고정하지 않고 자율주행차, 일반차의 차이는 Wiedemann 74 파라미터 조정 과 속도제어 전략을 통해 구현하였다. 다만 보행자, 자전거 등 교통수단의 상호작용은 고려되지 않았으며, 시뮬레이션 기반 평가라는 특성상 실제 운전자의 변동성을 반영하기 어렵다는 한계를 가진다.
3) 상관분석
본 연구에서는 자율주행차 혼입률 (MPR), 차로수, 속도제어전략(Case)이 대기행렬 및 교통안전 지표에 미 치는 영향을 정량적으로 파악하기 위하여 상관분석을 수행하였다. 분석에 사용된 변수는 독립변수로 MPR, 차로수, speed limit1, speed limit2를 종속변수로는 하류부 기준 상류 1개전 링크의 대기행렬 길이Q-length1, 상 류 2개 전 링크까지 전파된 대기행렬 길이 Q-length2, 대리안전 지표인 TTC, PET 및 Conflict 건수(rear-end, lane-change, crossing)를 선정하였다. 동일한 교통상황 조건하에서 MPR과 속도제어전략, 차로구성이 어떻게 지표값의 변화에 영향을 주는지 비교 분석하였다.
교통류 및 대리 안전지표 데이터는 이산형 계수와 연속형 지표가 혼재되어 있고 분포가 비대칭일 가능성 이 있으므로, 연속형 변수 간 선형관계를 파악하기 위한 피어슨 상관계수(Pearson)와 변수의 순위 정보를 이 용해 단조관계를 평가하는 스피어만 순위상관계수(Spearman)를 병행하여 산출하였다. 먼저 피어슨 상관계수 를 통해 MPR, 차로수, 속도제어 변수와 Q-length1, Q-length2, TTC, PET, rear-end, lane-change, crossing 간의 선 형적 상관 구조를 파악하고, 동일한 변수쌍에 대해 스피어만 순위상관계수 및 p-value를 추가로 분석하였다.
Ⅳ. 분석 결과
1. 상관분석
1) Pearson, Spearman 상관관계
<Fig. 2>, <Fig. 3>는 주요 변수들의 피어슨 상관계수와 스피어만 상관계수를 히트맵으로 제시한 것이다. 본 연구에서는 정체가 발생한 하류부 교차로를 기준으로 상류 1개전 링크의 대기행렬(Q-length1)과 2개전 링 크까지 상류로 전파된 대기행렬(Q-length2)을 구분하여 분석하였으며, Q-length2를 스필백이 두 개 링크 상류 까지 확산된 정도를 나타내는 지표로 해석하였다. 상관분석 결과, 차로수(num-lanes)는 Q-length2와 피어슨 상 관계수 r = 0.61 스피어만 상관계수 p = 0.59 양의 상관관계를 보였다. 또한 Q-length2와 rear-end, lane change 간의 상관계수도 각각 0.53, 0.54로 나타나 스필백이 상류 2개전 링크까지 전파되어 대기행렬이 길어질수록 후미 추돌 및 차로 변경 상충 건수가 함께 증가하는 경향이 나타났다. 이때 Q-length2와의 상관계수는 Q-length1과의 상관계수보다 크게 나타나 정체가 하류부 1개전 링크보다 하류 2개전 링크까지 전파된 스필백 상황에서 conflict가 더 증가하는 것으로 해석된다. SSAM 지표인 TTC와 PET는 피어슨 상관계수 0.80의 높은 양의 상관을 보여 대부분의 상황에서 유사한 경향을 가지며, rear-end와 lane-change와도 모두 양의 상관관계 를 나타내 갈등 건수가 증가할수록 TTC가 감소하고 PET이 짧아지는 등 안전도가 저하되는 경향을 뒷받침한 다. 한편 MPR은 Q-length2와의 상관은 매우 미약하지만 TTC, PET와는 약한 양의 상관을 보여, 자율주행차 혼입률이 스필백의 공간적 규모보다는 대리 안전지표를 완화하는 방향으로 주로 작용함을 시사한다. 또한 동일한 MPR과 차로수 조건에서도 속도제어 조합에 따라 Q-length2의 분산이 크게 달라지는 경향을 보였다. 특히 MPR 25~50% 구간에서는 limit speed-2가 더 낮은 조합에서 Q-length2의 평균뿐만 아니라 시나리오 간 편차도 함께 증가하여, 스필백 규모가 커질 뿐만 아니라 정체의 변동성 역시 커지는 것으로 나타났다. 이는 상류부 속도제어가 단순히 대기행렬의 평균 길이뿐 아니라 시간에 따른 스필백의 안정성에도 영향을 미치 며, 과도한 감속 전략은 스필백을 불규칙하게 증폭시킬 수 있음을 시사한다.
2) 주요 상관계수 및 p-value
주요 변수pair의 Pearson, Spearman의 상관계수와 p-value의 유의확률은 <Table 4>와 같다. SSAM 지표인 TTC와 PET는 Pearson 상관계수 r = 0.801, Spearman 상관계수 p는 0.74로 높은 양의 상관을 나타내어 두 지표 가 conflict에 심각도에 대해 거의 동일한 경향을 나타냈다. 한편 MPR은 TTC와 약한 양의 상관관계로 보이 나 Q-length2와의 상관계수는 매우 작은 값이 나타나 p값이 0.05를 상회하여 통계적으로 유의하지 않았다. 이 는 자율주행차 MPR이 스필백의 공간적 확산정도를 정의하기 보다는 TTC, PET와 같은 대리 안전지표를 완 화하는 방향과 상대적으로 더 관련이 있음을 시사한다.
<Table 4>
Pearson, Spearman Correlation Coefficient and P-Value for Key Variables Pairs
| Pair | R-Pearson | P-Pearson | Rho-Spearman | P-Spearman |
|---|---|---|---|---|
| Num-Lanes – Q-Length2 | 0.612 | < 0.001 | 0.597 | < 0.001 |
| Q-Length2 – Rear-End | 0.528 | < 0.001 | 0.682 | < 0.001 |
| Q-Length2 – Lane-Change | 0.536 | < 0.001 | 0.628 | < 0.001 |
| TTC - PET | 0.801 | < 0.001 | 0.740 | < 0.001 |
| MPR - TTC | 0.212 | < 0.001 | 0.217 | < 0.001 |
| MPR – Q-Length2 | 0.031 | 0.107 | 0.033 | 0.089 |
3) ANOVA 분석 결과
상관분석으로 확인된 관계를 바탕으로, MPR과 차로수에 따라 스필백 지표 Q-length2의 평균이 유의하게 달라지는지를 검증하기 위해 일원분산분석을 수행하였다. <Table 5>는 MPR과 차로수를 요인으로 한 Q-length2의 ANOVA 결과를 정리한 것이다.
<Table 5>
One-way ANOVA Results
| Factor | Range | F | P-Value |
|---|---|---|---|
| MPR | 0, 25, 50, 75, 100(%) | 8.122 | < 0.001 |
| Num-Lanes | 2, 3, 4 | 1017.899 | <0 .001 |
MPR 수준에 따른 Q-length2 평균인 F는 8.122, p-value는 0.001 이하로 나타나, 자율주행차 혼입률에 따라 상류 2개전 링크까지의 대기행렬 규모가 통계적으로 유의하게 달라짐을 확인하였다. 또한 차로수에 따른 Q-length2 평균인 F는 1017.899로 나타났으며 p-value는 0.001 이하로 나타나, 스필백 규모가 차로 구성에 대 해 매우 높은 민감도를 보인 것으로 해석된다.
2. MPR 스필백 결과
속도 제어 전략은 limit speed-1과 limit speed-2의 조합으로 총 9개의 case로 구성하였다. 각 시나리오는 case1 을 기준으로 상류 단계적 감속을 하는 전략으로 링크 간 속도차이가 스필백현상에 미치는 영향을 비교할 수 있도록 하였다. <Table 6>, <Table 7>, <Table 8>은 각 2,3,4차로별 MPR과 속도제어 조합에 따른 주요 영향을 미친 하류부 1개전 대기행렬과 2개전 링크 대기행렬 그리고 x축 평균 대기행렬길이를 정리한 것이다.
<Table 6>
Two Lane Q-Length Result by MPR and Speed Control Case
| Speed Limit Case | Q-Length | ||||
|---|---|---|---|---|---|
| Limit Speed-1 | Limit Speed-2 | Q-Length1 | Q-Length2 | X축 Q-Length Average | |
| MPR 25% | 50km/h | 50km/h | 231.01m | 11.31m | 143.01m |
| 50km/h | 30km/h | 258.96m | 13.14m | 143.32m | |
| 40km/h | 30km/h | 201.52m | 19.49m | 143.94m | |
| MPR 50% | 50km/h | 50km/h | 242.55m | 10.48m | 143.18m |
| 50km/h | 40km/h | 143.56m | 20.24m | 143.31m | |
| 50km/h | 30km/h | 244.71m | 22.96m | 143.51m | |
| MPR 75% | 50km/h | 50km/h | 187.89m | 9.89m | 139.93m |
| 50km/h | 30km/h | 177.76m | 15.86m | 140.17m | |
| 50km/h | 20km/h | 208.44m | 48.33m | 140.26m | |
| MPR100% | 50km/h | 50km/h | 195.44m | 9.19m | 137.11m |
| 50km/h | 30km/h | 197.08m | 15.86m | 140.17m | |
| 50km/h | 40km/h | 291.66m | 51.65m | 137.57m | |
<Table 7>
Three Lane Q-Length Result by MPR and Speed Control Case
| Speed Limit Case | Q-Length | ||||
|---|---|---|---|---|---|
| Limit Speed-1 | Limit Speed-2 | Q-Length1 | Q-Length2 | X축 Q-Length Average | |
| MPR 25% | 50km/h | 50km/h | 205.43m | 166.33m | 145.02m |
| 50km/h | 20km/h | 124.09m | 178.24m | 146.66m | |
| 40km/h | 30km/h | 270.86m | 180.14m | 147.53m | |
| MPR 50% | 50km/h | 50km/h | 220.07m | 159.64m | 145.22m |
| 50km/h | 30km/h | 273.47m | 170.29m | 146.57m | |
| 40km/h | 40km/h | 119.13m | 183.18m | 147.29m | |
| MPR 75% | 50km/h | 50km/h | 191.92m | 156.54m | 141.75m |
| 50km/h | 30km/h | 210.06m | 176.2m | 143.15m | |
| 50km/h | 20km/h | 119.87m | 158.73m | 143.49m | |
| MPR100% | 50km/h | 50km/h | 195.2m | 147.82m | 139.15m |
| 40km/h | 40km/h | 118.15m | 175.82m | 141.17m | |
| 40km/h | 30km/h | 273.62m | 156.65m | 141.64m | |
<Table 8>
Four Lane Q-Length Result by MPR and Speed Control Case
| Speed Limit Case | Q-Length | ||||
|---|---|---|---|---|---|
| Limit Speed-1 | Limit Speed-2 | Q-Length1 | Q-Length2 | X축 Q-Length Average | |
| MPR 25% | 50km/h | 50km/h | 271.78m | 165.38m | 145.49m |
| 50km/h | 30km/h | 258.19m | 194.11m | 149.79m | |
| 50km/h | 20km/h | 271.98m | 202.78m | 150.25m | |
| MPR 50% | 50km/h | 50km/h | 268.69m | 182.68m | 145.69m |
| 40km/h | 30km/h | 237.93m | 214.29m | 152.57m | |
| 40km/h | 20km/h | 272.98m | 205.86m | 151.93m | |
| MPR 75% | 50km/h | 50km/h | 265.96m | 170.63m | 142.19m |
| 40km/h | 40km/h | 267.68m | 199.51m | 147.64m | |
| 40km/h | 30km/h | 253.11m | 207.21m | 148.08m | |
| MPR100% | 50km/h | 50km/h | 272.66m | 180.49m | 139.59m |
| 40km/h | 30km/h | 238.06m | 201.49m | 145.22m | |
| 30km/h | 20km/h | 197.46m | 186.99m | 146.69m | |
2차로의 경우, MPR 0%에서 x축 Q-length 평균은 135m 수준이며 Q-length2는 20m내외로 정체 인접 링크의 정체가 집중된다. MPR 25% 이상 50% 이하 구간에서는 Q-length2와 x축 Q-length가 143m내외 수준으로 오히 려 증가하여, 자율주행차가 일부만 혼입된 과도기에는 정체가 상류로 더 길게 전파되는 경향을 보인다. 반면 MPR 75%이상 구간에서는 Q-length1이 전반적으로 감소하고 x축 Q-length에서도 139m 수준으로 낮아져, 충 분한 수준의 MPR이 확보되면 x축의 Q-length가 다시 완화되는 효과가 나타난다.
3차로에서도 유사한 패턴이 확인된다. MPR 0%에서 x축 Q-length는 약 138m 수준이지만, MPR 25%이상 50%이하 구간에서는 147m까지 증가하며 Q-length2도 170–180m 이상으로 확대된다. 이후 MPR 75%이상인 구간에서는 x축 Q-length가 141 수준으로 감소하여, 혼재가 심한 중간 MPR 구간에서 스필백이 가장 심화되 고, MPR 75% 이상에서는 다시 개선되는 경향을 보인다.
4차로는 다른 차로에 비해 용량이 큰 링크 특성상 Q-length1·Q-length2 모두 절대값이 크게 형성되며, 특히 MPR 25%이상 50%이하 구간에서 Q-length2가 평균 194m, x축의 Q-length가 150m 이상으로 다른 차로수보다 강한 스필백이 발생한다. 그러나 여기에서도 MPR 75%이상 구간에서는 x축 Q-length가 평균145m 수준으로 다소 감소하여, 자율주행차 비율이 충분히 높을 때 스필백의 공간적 확산이 부분적으로 억제되는 경향이 나 타난다.
2,3,4차로 모든 조건에서 MPR 25%이상 50% 이하의 혼재 구간에서 Q-length2와 x축 평균 Q-length가 가장 크게 나타나 스필백이 심화되는 경향이 확인 되었다. 반대로 MPR 75%이상 구간에서는 차로수와 속도제어 전략이 적절히 설정될 경우 Q-length1과 축 Q-length가 다시 감소하여 자율주행차 비율이 충분히 확보되면 전 체 구간의 대기행렬과 스필백이 일정 수준 완화될 수 있음을 시사한다. 또한 하류 50km/h, 상류 20km/h와 같 이 링크 간 속도 차가 30km/h의 조합은 대부분의 시나리오에서 전반적인 Q-length가 증가하는 것으로 나타났 다. 이는 상류 2개전 링크에서 추가적인 대기행렬이 형성되기 쉽고 결과적으로 스필백을 저감하기보다는 정 체를 증폭시킴을 시사한다. 동일한 MPR 수준에서도 이러한 과도한 속도차를 부여한 조합에서 Q-length2의 분산과 시나리오 간 편차가 함께 커지는 양상은, 상관분석에서 확인된 바와 같이 속도제어 전략이 스필백의 변동성과 안정성에 직접적인 영향을 미친다는 점을 보여준다.
3. SSAM분석 결과
분석 결과, <Table 9>과 같이 Case1 상황 속에서 MPR변화에 따라 평균 TTC,와 PET의 값을 정량적으로 분 석하였다. MPR이 낮은 혼재 상황에서는 TTC, PET값이 낮아지는 경향을 나타내는 반면, 75%이상부터 TTC 값과 PET의 값이 증가하는 경향이 나타났다. 이는 자율주행차 비율이 충분히 확보될 경우 정체 상황에서 발 생하는 개별 상충의 심각도가 완화되었음을 의미한다. AV 비율이 높아지면 차량들이 보다 일정한 속도로 군집 주행을 하게 되어 급감속과 급차로 변경이 줄어들고, 그 결과 상충의 정량적인 지표인 TTC와 PET가 높아지는 방향으로 해석할 수 있다. 또한 <Table 10>은 생성된 시나리오에서 대표값들을 case별로 정리한 것 으로, 스필백이 완화되는 조건에서도 TTC, PET가 기준 시나리오와 비슷한 수준으로 나타나는 경향을 보였 다. 대기행렬이 축 방향으로 분산되면서도 TTC, PET가 동시에 향상되어, 상류부 유입 조절형 속도제어가 정 체 완화와 대리 안전지표 개선을 함께 달성할 수 있는 운영 전략임을 시사한다.
<Table 9>
Case1 Average TTC,PET Value Per MPR
| Two Lane | Three Lane | Four Lane | ||||
|---|---|---|---|---|---|---|
| TTC | PET | TTC | PET | TTC | PET | |
| MPR 0% | 0.73 | 1.05 | 0.87 | 1.15 | 0.82 | 1.19 |
| MPR 25% | 0.64 | 0.89 | 0.82 | 1.13 | 0.77 | 1.05 |
| MPR 50% | 0.77 | 1.15 | 0.81 | 1.06 | 0.79 | 1.15 |
| MPR 75% | 0.78 | 1.31 | 0.86 | 1.25 | 0.84 | 1.21 |
| MPR 100% | 0.73 | 1.11 | 0.91 | 1.32 | 0.89 | 1.27 |
<Table 10>
TTC, PET Representative Value Per Scenario
| Two lane | Three lane | Four lane | |||||||
|---|---|---|---|---|---|---|---|---|---|
| CASE | TTC | PET | CASE | TTC | PET | CASE | TTC | PET | |
| MPR 0% | 1 | 0.73 | 1.005 | 1 | 0.87 | 1.15 | 1 | 0.82 | 1.19 |
| MPR 25% | 1 | 0.64 | 0.89 | 1 | 0.82 | 1.13 | 1 | 0.77 | 1.05 |
| 3 | 0.9 | 1.29 | 4 | 1.05 | 1.41 | 3 | 0.92 | 1.27 | |
| 6 | 1.09 | 1.73 | 6 | 0.94 | 1.27 | 4 | 1.06 | 1.49 | |
| MPR 50% | 1 | 0.77 | 1.15 | 1 | 0.81 | 1.06 | 1 | 0.79 | 1.15 |
| 2 | 0.79 | 1.42 | 3 | 1.00 | 1.45 | 6 | 0.97 | 1.49 | |
| 3 | 1.02 | 1.49 | 5 | 0.85 | 1.28 | 7 | 1.08 | 1.63 | |
| MPR 75% | 1 | 0.78 | 1.31 | 1 | 0.86 | 1.25 | 1 | 0.84 | 1.21 |
| 3 | 0.92 | 1.46 | 3 | 0.99 | 1.54 | 5 | 0.88 | 1.32 | |
| 4 | 0.74 | 1.18 | 4 | 1.13 | 1.84 | 6 | 0.98 | 1.52 | |
| MPR 100% | 1 | 0.73 | 1.11 | 1 | 0.91 | 1.32 | 1 | 0.89 | 1.27 |
| 3 | 1.02 | 1.72 | 5 | 0.89 | 1.41 | 6 | 1.02 | 1.69 | |
| 4 | 1.11 | 1.98 | 6 | 1.02 | 1.67 | 9 | 1.07 | 1.79 | |
Ⅴ. 결론 및 향후연구
1. 결론
본 연구는 자율주행차와 일반차가 혼재된 도시부 단속류 구간을 대상으로, 모터스포츠의 세이프티카 (Safety Car) 개념을 응용한 상류부 유입 조절형 속도제어 전략을 제안하고 그 효과를 정량적으로 분석하였 다. 이를 위해 VISSIM 기반 시뮬레이션에서 MPR (0, 25, 50, 75, 100%)과 차로수 (2, 3, 4), 정체 교차로 기준 상류 2개 링크의 속도제어 조합 9개 case를 설정하고, SSAM을 통해 대리안전지표를 평가하였다. 기존 연구 가 주로 MPR 증가에 따른 일반적인 지체 개선 효과를 검토한 것과 달리, 본 연구는 정체시 상류부 속도 제 어를 통해 스필백을 축 방향으로 분산 및 완화를 할 수 있는지를 확인하였다.
분석 결과, 전 차로에서 공통적으로 MPR 25%이상 50%이하 구간에서 Q-length2와 x축 평균 Q-length가 최 대로 나타나 스필백이 가장 심화되었고, MPR 75% 이상에서는 Q-length1과 x축 평균 Q-length가 다시 감소하 여 다시 개선되는 경향이 확인되었다. 이는 자율주행차가 일부만 도입된 단계에서는 운전 행태의 이질성과 반응 지연등이 겹치면서 정체가 상류로 확산되지만, 일정 수준 이상의 MPR이 확보되면 자율주행차의 안정 적인 차두거리 유지와 속도 추종 특성이 대기행렬 완화에 기여할 수 있음을 시사한다. 또한 차로수와 Q-length2, rear-end, lane-change 간에는 유의한 양의 상관관계가 나타나, 차로수가 많을수록 스필백 규모와 후 미 추돌, 차로 변경 상충이 함께 증가하는 경향이 확인되었다. 또한 대리안전지표 분석 결과, 기준 시나리오 에서 MPR이 낮은 혼재 상황에서 TTC와 PET값이 상대적으로 낮게 나타났으나, MPR 75% 이상 구간에서는 전 차로에서는 전반적으로 증가하는 경향을 보여 상류부 속도 제어 전략이 스필백 완화 뿐만 아니라 개별 상충의 심각도 저감에도 기여할 수 있음을 확인하였다. 따라서 자율주행 혼재 단계에서 제안한 상류부 속도 제어 전략은 실시간 운영전략으로 적용될 경우, 교통류 측면에서의 스필백 및 지체 완화뿐만 아니라 대리안 전 지표 개선을 통한 개별 차량의 안전성 향상에도 기여할 수 있을 것이라고 기대된다.
2. 향후 연구
본 연구는 자율주행차와 일반차만을 대상으로한 VISSIM 시뮬레이션에 기반하고 있어 실제 교통흐름의 이 질성을 완전히 반영하지 못한 한계가 있다. 또한 상류부 속도제어 전략을 비교하기 위해 기준 시나리오인 CASE 1을 중심으로 분석을 수행하였으므로, 다른 시나리오에 대한 효과는 상대적으로 제한된 범위에서 해 석될 필요가 있다. 향후 연구에서는 화물차와 버스 등 중차량을 포함한 다양한 차량 구성과 자율주행 혼합비 율을 확장하여 시뮬레이션의 실상황을 반영한 상류부속도 제어가 안정성에 미치는 영향을 추가로 검증할 필 요가 있다. 또한 본 연구는 상류부 5개 연속 교차로 구간에서 속도제어를 적용하였으나, 제어구간 이후의 상 류 교차로 운영에 미치는 간접적인 영향은 고려하지 못하였다. 향후에는 교통수요 예측 모형과 본 연구에서 제안하는 속도제어 전략을 연계하여 광범위 네트워크 상에서 장단기 효과를 통합적으로 평가한다면, 자율주 행 혼재 단계에서의 안정성과 교통흐름 개선을 동시에 달성할 수 있는 보다 현실적인 운영 정책 대안을 제 시할 수 있을 것으로 기대된다.
