Ⅰ. 서 론

1. 개요

우리나라의 도로교통 혼잡비용은 2022년 기준 총 74.56조원으로 전년 대비 14.36% 증가하였다. 또한 국내 자동차 등록대수는 2023년 기준 2,595만대로, 도로교통 혼잡비용과 더불어 매년 증가하는 추세이다. 이처럼 도로 공급은 한정되어 있지만 자동차 등록대수는 매년 증가하여 향후 교통혼잡은 더욱 심화될 것으로 전망 된다. 심화된 교통혼잡을 완화하기 위해서는 실효성 있고 구체적인 정책적 대안이 요구되는 바이며, 교통혼 잡 상황을 모니터링하고 이에 신속하게 대응할 수 있도록 관리체계를 고도화하는 것이 시급하다.(The Korea Transport Institute, 2024)

교통정보센터 및 교통관리센터는 다양한 검지 기술을 활용하여 연중무휴 365일 교통량, 속도 등의 자료를 수집하고 있으며, 기술이 확산됨에 따라 스마트교차로에서 지체시간, 평균 대기행렬 길이 등 세부적인 자료 의 수집도 가능하다. 또한 ADAS로부터 생성되는 충돌 예상시간(TTC) 등은 교통 안전성 분석에도 활용될 수 있다.(SEOUL TOPIS, 2025;Korea Expressway Corporation Road Traffic Research Institute, 2023)

이와 같이 인프라의 고도화로 인해 다양한 정보 수집이 가능해졌음에도 불구하고, 기존의 교통상황을 평 가하는 방식은 주로 교통량과 속도 등의 단일 지표에 의존하는 경우가 많으며, 여러 선행연구에서도 교통혼 잡을 나타내는 지표와 안전을 나타내는 지표를 독립적으로 분석하고 있다. 그러나 교통상황은 다양한 요인 들에 의해 복합적으로 변화하며, 특히 자율주행차량의 혼재 비율이 증가하는 시점에서 차량 간 상호작용 방 식이 다양해지고 더 복잡한 교통상황들이 발생하게 된다. 이러한 교통상황의 변화를 단일 지표만으로 파악 하는 데는 한계가 존재하며, 새로운 지표 개발의 필요성이 대두되고 있다.

따라서 본 연구의 목적은 자율주행 혼재 환경에서 교통소통 상태와 안전의 종합적인 판단이 가능한 새로 운 통합지표를 개발하는 것이다. 본 연구에서는 통합지표의 변수로 사용되는 데이터 수집을 위해 미시교통 시뮬레이션 PTV VISSIM과 상충 분석 기반의 안전성 평가 도구인 SSAM3을 활용하였다. Wiedemann 74 차량 추종 모델을 활용하여 자율주행 차량이 혼재된 도시부 단속류 환경의 네트워크를 구축하여 실험하였다.

Ⅱ. 이론적 배경

1. 선행연구

1) 교통소통 지표

Lee(2003)은 속도와 교통량 중심인 국내 이동성 조사가 매우 단편적이고 복잡한 도시부의 교통망을 설명 할 수 없다는 한계를 언급하며, 모두에게 직관적이고 거시적인 이동성 지표가 필요함을 주장하였다. 일반 이 동성 지표와 전문 이동성 지표로 이분화된 연구를 진행하였고, 분석지표의 조건으로 이해의 용이성, 목적 부 합성, 자료 획득의 용이성, 혼잡 표현 가능성 등을 제시하였다. 제시된 조건에 부합하는 TTI를 일반 이동성 지표로 채택하였으며, 정책적이고 거시적인 도로 교통망 평가에 활용 가능함을 확인하였다. 또한 TTI의 사례 연구를 통하여 지역 간 이동성 비교뿐 아니라 국제 간의 비교도 가능하다는 것을 밝혔다.

Lee et al.(2008)은 혼잡 관리 방안의 수립 및 시행 과정에서 교통 상태를 체계적으로 모니터링할 수 있는 지표 개발이 우선임을 강조하며, 기존 혼잡지표들의 특성과 한계, 국내 적용 가능성을 검토하고 새로운 혼잡 지표의 개발 방향과 요구사항에 대하여 제시하였다. 기존 혼잡지표로 사용되던 TTI와 TRI(통행시간 기반 지 표), RCI와 CSI(교통량 기반 지표), LMDI와 FCI(혼잡시간 기반 지표), OCI(통행밀도 기반 지표)의 특성과 한 계점에 대하여 고찰하였다. TTI와 TRI는 자료 수집이 용이하지만 혼잡에 대한 기준이 없기 때문에 혼잡의 유무와 강도 판단이 불가능하다는 한계를 제시하였다. LMDI와 FCI는 소통 상태 기준이 없어서 원활 정도를 판단할 수 없으며 도로시설 간 혼잡도 비교도 불가능함을 제시하였다. OCI 또한 소통 상태 기준이 없어 소 통 원활 정도를 판단할 수 없으며, RCI와 CSI는 단기 교통 상태의 변화를 판단할 수 없음을 제시하였다. 이 를 바탕으로 새로운 혼잡지표는 속도, 밀도, 교통량을 모두 나타낼 수 있어야 하며, 도로 노선 간 비교가 가 능하고 소통 원활 상태와 혼잡상태의 표현이 가능해야 함을 주장하였다.

Joo et al.(2024)는 기존의 교통상황 판단지표들은 도로의 종합적인 상황을 나타내줄 수 없기 때문에 모니 터링 지표로 적합하지 않음을 주장하며, 도로 소통 상황과 안전도 판단 지표를 결합하여 모니터링에 적합한 새로운 지표를 개발하였다. 새로운 통합지표의 변수로는 TTI, OCI, ARI 지표를 채택하였으며, 안전도 지표인 ARI의 경우 사고정보만을 포함하고 있어 도로 상황에 대한 안전도를 판단할 수 없음을 제시하며 현재 교통 정보에 대한 안전도를 분석한 고도화된 ARI를 사용하였다. 이를 바탕으로 도로 소통 정보를 나타내는 TTI 및 OCI 지표와 도로의 안전 상태를 나타내는 ARI 지표를 결합하여 전반적인 교통상황 판단이 가능한 실시 간 모니터링 지표를 개발하였다.

2) 주행 안전성 지표

Mousavi et al.(2021)은 자율주행차량의 시장 침투율(MPR)과 서비스 수준(LOS)의 변화를 통해 도로의 안전 및 운영성 변화를 분석하였다. T교차로를 대상으로 PTV VISSIM을 활용하여 자율주행 혼재 환경을 구현하 고 SSAM을 활용하여 안전성을 분석하였다. 도로의 안전성은 다양한 대리 안전 조치(SSM)을 통해 잠재적인 교통 충돌 지점을 파악할 수 있음을 언급하며, SSM으로 TTC를 선정하고 임계값을 1.5초로 지정한 후 다양 한 TTC 값을 구현하여 자율주행차량과 일반차량의 충돌을 분석하였다.

Singh et al.(2024)은 도시 혼합 교통 상황에서 비신호 교차로를 기준으로 PET 및 충돌속도, TTC와 같은 안 전 측정 지표를 채택하여 충돌 기반 도로 안전 평가에 대한 방법론을 개발하였다. TTC가 5초보다 클 경우는 일반적인 충돌로, 운전자가 차량의 제어를 유지하고 회피 조치를 취할 수 있는 충분한 여유가 있는 상황으로 판단하였다. 또한 k-mean clustering을 사용하여 후방 추돌 사고의 심각도 임계값을 결정하였으며, 1.15초 미 만의 TTC를 고위험 기준으로 판단하였다. 가장 일반적으로 사용되는 TTC의 임계값은 1.5초이지만 일부 초 기 연구에서 TTC의 임계값을 2.5초로 사용했음을 제시하였다.

3) 차량 추종 모형

Kim et al.(2024)는 시뮬레이션 내 자율주행차량의 거동을 구현하고 도로 위험 구간을 식별하기 위한 최적 의 주행 안전성 평가지표를 개발하였다. 자율주행 혼재 환경 구현을 위하여 VISSIM을 활용하고, 단속류에서 의 자율주행차량의 거동을 구현하기 위해 VISSIM 내부의 Widemann 74 모형을 적용하였다. 일반차량은 VISSIM에서 기본으로 제공하는 Wiedemann 74 모델의 파라미터를 활용하였고, 자율주행차량은 선행연구를 참고하여 Wiedemann 74 모델의 주요 파라미터를 조정하여 일반차량과는 다른 주행 행태를 반영하였다.

Park et al.(2021)은 자율주행차량이 교통흐름에 미치는 영향을 세 가지 측면에서 분석하고 예측하였다. 자 율주행 혼재환경을 구현하기 위하여 VISSIM을 활용하였으며, 도시부 단속류 특성에 적합한 Wiedemann 74 차량 추종 모델을 적용하였다. 모델의 매개변수를 조정하여 AV의 주행 행태를 현실적으로 모사하고자 하였 으며, VISSIM의 기본 AV 파라미터가 SAE 자동화 3단계 수준으로 설정되어 있다는 점을 고려하여 선행연구 를 참고한 SAE 4단계 수준의 파라미터로 조정하였다. 이를 통해 인간보다 더 공격적이고 민감한 자율주행차 량의 특성을 반영하도록 하였다.

2. 연구의 차별점 및 시사점

기존의 교통소통 지표는 주로 단일 지표의 형태로 활용되어 왔지만 단일 지표만으로 복합요인이 상호작 용하는 단속류의 교통 환경을 설명하는 데 한계가 존재한다. 또한 현재 스마트교차로 및 ITS를 통해 다양한 교통 데이터의 수집이 가능하고, 자율주행차량을 통해서 TTC와 같은 주행 안전성 데이터도 확보할 수 있는 환경이 갖추어졌지만, 이러한 다차원 정보를 활용하는 지표에 대한 연구는 아직 부족한 실정이다.

이에 본 연구는 기존 단일지표 기반 평가가 갖는 한계를 보완하고, 혼잡과 안전이 동시에 고려된 교통 상 태 진단이 가능한 통합지표 개발을 목표로 한다. ITS에서 수집 가능한 교통량과 속도 데이터를 변수로 두는 TTI, OCI 지표를 활용하여 교통 혼잡도를 평가하였으며, 자율주행차량을 통해 수집 가능한 TTC 값을 활용하 여 교통류의 안전성까지 통합적으로 분석하였다. 세 지표가 가진 속도, 밀도, 안전성이라는 상이한 특성을 통합적으로 고려하고 교통상황의 복합적 특성을 반영할 수 있는 새로운 통합지표를 제시하였다.

Ⅲ. 시뮬레이션 실행 및 Data 수집

1. 시뮬레이션 구축

1) 분석구간 네트워크 구축

본 연구의 분석 대상지는 경기도 화성시 동탄 2지구에 위치한 동탄테크노밸리(남)교차로에서 영천사거리 방향으로 향하는 동탄순환대로의 구간으로 구체적인 대상 지역은 <Fig. 1>와 같다. 본 연구는 교통 상태 변 화에 따른 지표 값의 변화를 분석하는 것이 목적이므로, 복잡한 네트워크 전체가 아닌 단일 도로 구간을 선 정하여 교통류 특성을 명확히 관찰할 수 있도록 하였다.

<Fig. 1>

Network of the analysis section

네트워크 구축으로는 미시교통시뮬레이션인 PTV VISSIM을 활용하였으며, 모든 시나리오의 시뮬레이션 시간은 4500초로 설정하였다. 시뮬레이션 초기 단계에서 차량이 안정적으로 형성되는 시간을 고려하여 900 초의 warm-up time을 적용하고 실제 분석 시간은 900초부터 4500초까지의 1시간 구간으로 설정하였다.

2) 자율주행 혼재 환경 구축

본 연구는 일반차량과 자율주행차량이 혼재된 도시부 단속류 환경을 대상으로 수행되므로, 시뮬레이션 내 도시부 자율주행 혼재 환경을 구축하였다. 본 연구에서는 도시부 단속류 환경에서 주로 활용되는 Wiedemann 74 차량 추종 모델을 적용하였으며, 일반차량과 자율주행차량에 대한 모델 파라미터 값은 선행 연구를 참고 하여 조정하였다. 일반차량의 경우 VISSIM 기본 설정에서 제공하는 Wiedemann 74 모델의 표준 파라미터 값 을 사용하였고, 자율주행차량은 선행 연구를 참고하여 Wiedemann 74 모델의 파라미터 값을 조정하여 일반차 량과 다른 주행 특성을 반영하고자 하였다.(Chin et al., 2025) 각 차량에 대한 구체적인 파라미터 값은 <Table 1>에 제시하였다.

자율주행차량의 혼재 비율은 선행연구에서 제시된 미래 자율주행차 시장점유율 전망을 참고하여 설정하 였다.(Oh et al., 2023) 본 연구에서는 선행연구의 2030년 혼재 시나리오를 참고하여 미래 교통환경 추세를 반 영하되, 통합지표 개발을 위한 충분한 TTC 데이터 확보를 위해 AV 비율을 조금 더 높게 구성하여 일반차량 80%, 자율주행차량 20%의 혼재 환경을 적용하였다.

2. 평가 환경 시나리오 구성

본 연구는 교통류 혼잡 수준에 따른 통합지표 분석을 목적으로 하므로, 대상 구간의 포화도를 0.1부터 1.0 까지 단계적으로 조정하였다. <도로용량편람>의 식을 참고하여 대상 구간의 이론적 용량을 산출한 후, 포화 도 0.1~1.0에 대응하는 교통량을 역으로 산정하였다. 산정된 포화도별 교통량은 시뮬레이션 입력값으로 사용 되었으며, 구체적인 수치는 <Table 2>에 제시하였다.

교통정보 데이터는 가공 및 집계 주기에 따라 도로의 상황 판단에 큰 영향을 미친다. 일반적으로 실시간 교통 데이터는 3분 또는 5분 단위로 수집되지만, 3분 단위의 데이터는 변동성이 커서 혼잡상황을 판단하는 데 한계가 존재한다. 따라서 국내 교통운영기관에서 제공하는 대부분의 데이터가 5분 단위로 구축되는 점을 고려하여, 본 연구에서는 변동성이 너무 크지 않으면서 실시간 특성이 반영 가능한 5분 단위를 데이터 가공 주기로 설정하였다.

그리고 데이터 추출에 앞서 <교통공학원론>에서 제시하는 ‘minimum sample size’ 산정식을 사용하여 분석 에 필요한 최소 표본수를 산정하였으며, 해당 식은 식(1)과 같다.

이때, Z-value 값은 신뢰수준 95%에 해당하는 1.96의 값을, 허용오차 E는 ±1km/h의 값을 적용하였다. 표준 편차는 포화도별로 상이하므로, 각 포화도에서 산출된 속도 표준편차의 평균값인 2.677의 값을 사용하였다. 그 결과, 분석에 필요한 최소 표본의 수는 28개로 도출되었다.

앞서 시뮬레이션 네트워크 구축에서 언급한 바와 같이, 모든 시나리오의 시뮬레이션 시간은 1시간이며 5 분 단위로 데이터를 수집하면 시뮬레이션 1회당 12개의 데이터가 추출된다. 난수시드를 변경하면서 포화도 별 4회 반복 시뮬레이션을 수행하였으며, 이에 따라 포화도별 48개의 데이터가 생성되었고 포화도 합산 전 체 데이터는 480개가 생성되어 최소 표본수 요건을 충분히 만족하였다.

3. 데이터 추출 및 분석

시뮬레이션으로 구축한 네트워크를 기반으로 분석구간에 대해 ITS 및 스마트교차로에서 수집 가능한 교 통량, 통행속도, TTC 데이터를 추출하였으며, 모든 데이터는 VISSIM의 기본 분석 기능을 사용하였다. ‘Data Collection Points’ 기능을 활용하여 교통량을 추출하고, ‘Link Segment Results’기능을 활용하여 구간 평균속도 를 추출하였다. 또한 ‘Sections’ 기능을 활용하여 데이터 수집 구간의 범위를 지정하고 설정된 Section 구간의 차량 궤적 파일(.trj)을 생성하였다. 이후 상충 분석 기반의 안전성 평가 도구인 SSAM3을 이용하여 임계값이 2.5초인 Time step 1초 단위의 TTC 데이터를 추출하였다. 그리고 VISSIM에서 생성된 차량 유형 정보가 담긴 파일 (.fzp)의 Veh_ID 및 Veh_type 정보와 SSAM 분석 결과 파일의 Veh_ID를 매칭시켜 후방차량이 자율주행 차량인 TTC 데이터만 선별하였다. 이러한 매칭 및 필터링 과정은 Python의 pandas 라이브러리를 활용하여 수행되었다.

이러한 수행과정을 통해 포화도별 48개의 set(교통량, 속도, TTC) 데이터가 생성되었으며, 박스플롯(Box Plot)을 사용하여 데이터의 분포와 이상치를 확인하였다. 박스플롯으로 시각화한 분석 결과는 각각 <Fig. 2> 에 제시하였으며 순서대로 교통량, 속도, TTC 데이터이다.

<Fig. 2>

Boxplot of 5-minute traffic volume, speed, and TTC data by v/c

포화도 증가와 함께 5분 교통량은 거의 선형적으로 증가하였다. 포화도 0.8부터 중앙값의 증가율이 둔화 되고 IQR이 확대되었는데, 이는 교통수요가 증가했지만 처리 교통량이 불안정해졌으며 용량상태에 근접했 다는 것을 의미한다.

통행속도는 포화도 0.1~0.3의 경우 속도 변동성이 작고 안정적인 소통 상태를 나타낸다. 포화도 0.4~0.6은 중앙값이 완만히 감소하고 속도 변동성이 증가하는데, 이는 차량간 상호작용이 시작되었다는 것을 의미한다. 포화도 0.7~0.8은 중앙값이 다소 빠르게 감소하고 속도 분산이 크게 증가하면서 혼잡 구간에 진입했다는 것 을 보여준다. 포화도 0.9부터 1.0은 중앙값이 약 12-13km/h로 급락하며 차량군 간 정체가 심화되었다는 것을 보여준다.

TTC의 경우 SSAM 분석 시 설정된 임계값 2.5초 이하의 데이터에 대해서만 산출된다. 포화도 0.1~0.3에서 는 위험한 상황이 발생하지 않아 대부분의 TTC값이 산출되지 않았는데, 이러한 공백의 값을 단순히 삭제하 거나 0으로 처리할 경우 안전 수준을 과소평가하는 왜곡이 발생할 수 있다. 따라서 선행연구에서 제시된 TTC 위험 임계값(1.5s-2.5s)을 고려하면서 과도하게 비현실적이지 않은 3초를 대체값으로 입력하고 분석을 진행하였다. 포화도 0.3의 경우 3초의 대체값과 2.1~2.5초의 사잇값이 혼재하여 분포 변동성이 크게 확대된 결과를 보였으며, 포화도가 증가할수록 TTC의 중앙값이 낮아지고 전체 분포의 범위가 축소되었다. 고포화도 에서는 지속적인 차량간 상호작용의 발생 및 정체의 흐름으로 인해 유사한 수준의 TTC 값이 산출되었다.

Ⅳ. 통합지표 개발 방법론

1. 통합지표의 변수 선정

통합지표 개발에 앞서, 기존에 사용되는 교통상황 지표들 중 본 연구의 목적에 부합하는 지표의 적절성을 검토하였다. 기존 교통지표의 대부분은 주로 연속류 교통환경에서 사용되고 ITS 및 스마트교차로에서 확보 하기 어려운 변수를 필요로 한다. 이에 본 연구에서는 도시부 단속류 환경을 반영할 수 있으며 ITS 및 스마 트교차로를 통해 수집 가능한 데이터를 활용할 수 있는 지표를 우선적으로 고려하였다. TTI와 OCI는 이러한 조건들을 모두 만족하고 데이터 수집이 용이한 변수를 기반으로 교통소통 상태의 변화를 효과적으로 설명할 수 있으므로 핵심 혼잡 지표로 선정하였다. TTC는 다양한 선행 연구에서 잠재적 충돌위험과 교통안전성을 평가하는 대표적인 대체 안전 지표로 활용되어 왔으며 자율주행차량 및 C-ITS를 기반으로 직접 산출이 가능 하므로 교통류 안전도를 평가하는 지표로 선정하였다.

TTI 지표는 일반적으로 식(2)와 같이 표현되며, 식이 단순하고 사용되는 변수의 접근성이 높아 데이터 수 집에 용이하다. 또한 교통류의 변화와 혼잡 정도를 직관적으로 반영할 수 있다. 일반적으로 자유류 속도는 제한속도보다 3~10km/h 높은 값으로 관측되므로 제한속도 50km/h를 기준으로 자유통행속도를 55km/h로 설 정하였다.

OCI 지표는 통행밀도에 기반하여 교통류의 전반적인 혼잡 수준을 나타낼 수 있다는 점에서 유용하다. 그 러나 기존의 OCI 지표는 혼잡도 측정의 변수로 통행밀도와 포화통행밀도를 사용하는데, 이 두 변수는 실측 이 어렵고 직접 수집하기에 한계가 있다. 따라서 선행연구에서 제시된 바와 같이 두 변수를 각각 속도와 교 통량으로 대체하는 식을 활용하였으며, 기존 OCI 지표와 차별화를 두기 위해 OCI₂로 표현하였고 산정식은 식(3)와 같다.

TTC 지표는 현재 주행 상태가 유지될 경우 충돌이 발생하기까지 남은 시간을 산출하는 대표적인 충돌접 근 위험도 지표로, 식(4)와 같이 계산된다. 대체안전지표(SSM)으로 많이 활용되며, 시뮬레이션을 통해 산출 이 가능하여 분석에 필요한 데이터 확보가 용이하다. 기존의 식이 존재하지만 본 연구에서는 VISSIM의 차량 궤적파일과 SSAM3을 이용하여 TTC 값을 산출하였다.

D = 두 차량간의 거리(m)

ΔV = 두 차량간의 상대속도(m/s)

2. 지표 검정

1) 상관분석과 KMO 및 Bartlett 구형성 검정

본 연구에서는 단일 통합지표 구축을 위하여 지표별 가중치를 산정하는 과정에서 요인분석을 활용하였다. 요인분석 수행 전, 지표 간 상관성을 확인하고 KMO 및 Bartlett 구형성 검정을 통해 분석의 적합성을 판단하 였다.

상관분석은 세 지표 간의 상관계수를 분석하여 선형적 관계 및 공선성 여부를 확인하는 절차이며, 세 지 표의 상관분석 결과는 <Table 3>에 제시하였다. TTI와 OCI₂는 0.43의 양의 상관을 가지며, 속도가 저하될수 록 점유율 기반의 지표도 악화됨을 의미한다. TTI와 TTC는 –0.53의 음의 상관을 가지며, 속도가 저하될수록 안전성 또한 저하됨을 의미한다. OCI₂와 TTC는 –0.30의 음의 상관을 가지며, 점유율이 증가할수록 안전성 이 저하됨을 의미한다.

세 지표에 대한 상관분석 수행 후, 요인의 적합성을 평가하기 위하여 KMO 검정 및 Bartlett 구형성 검정을 시행하였다. KMO 검정은 변수들 간 공통 요인 형성 가능성을 검정하는 절차이며, Bartlett 구형성 검정은 각 변수의 독립 여부를 검정하는 절차이다. 세 지표에 대한 검정 결과는 <Table 4>에 제시하였다.

검정 결과, KMO 값은 0.622으로 요인분석의 적합 기준인 0.6이상을 충족하였고, Bartlett 구형성 검정의 p-value 값은 0.0000의 수준으로 0.05미만의 기준을 충족하였다. 따라서 세 지표 간 충분한 상관구조가 존재 하고 요인분석을 수행할 통계적 타당성을 확보하였다.

2) 데이터 표준화 및 요인분석

데이터 전처리 과정에서 변수들의 스케일 차이를 조정하는 방법에는 정규화와 표준화가 있으며, 본 연구 에서는 표준화 방법을 사용하였다. 표준화는 데이터의 평균과 표준편차를 이용하여 평균 0, 표준편차 1의 분 포로 변환하는 방법으로 데이터의 단위 및 규모 차이를 제거하면서 변수 간 분산 구조를 유지할 수 있다. 요 인분석은 여러 변수들이 공유하는 공통 분산을 추출하는 방법이므로 변수를 정규화할 시 변수 간 분산 차이 가 사라져 공통 분산 구조가 왜곡될 수 있다. 따라서 본 연구에서는 모든 데이터에 대해 표준화를 수행한 후 요인분석을 진행하였다.

요인분석은 여러 변수 사이에 존재하는 공통요인을 추출하여 각 지표가 어떤 잠재적 구조에 의해 설명되 는지를 밝히는 통계적 기법이다. TTI, OCI₂ , TTC 지표가 어떠한 요인 구조를 형성하는지 확인하고 각 요인 의 설명력을 바탕으로 가중치를 산정하기 위하여 요인분석을 수행하였다. 요인분석 수행 결과는 <Table 5> 에 제시하였다.

요인분석 결과, 요인 1의 고유값은 1.852로 전체 분산의 약 62%를 설명하며 가장 지배적인 요인으로 나타 났다. 요인분석 수행 시 고유값이 1이상이고 전체 분산의 약 60% 이상을 설명하는 요인을 선정하는 것이 일 반적이다. 본 연구의 요인분석 결과에서도 요인선택 기준을 충족하는 요인은 1개로, 요인회전 없이 도출된 요인을 기반으로 가중치 산정이 가능하였다.

3. 가중치 산정 및 통합지표식 도출

요인분석을 통해 산출된 요인적재량을 기반으로 지표의 상대적 기여도를 계산하여 가중치를 산정하였다. 각 지표의 가중치는 <Table 6>에 제시하였으며, TTI와 OCI₂는 요인에 양의 방향으로 기여하고 TTC는 음의 방향으로 기여한다는 것을 의미한다.

앞서 산출된 가중치를 활용하여 개발한 최종적인 통합지표의 산정식은 식(5)와 같다.

4. 판단기준 수립

클러스터링 수행 전, 엘보우 기법을 통해 군집의 개수(K)를 결정하였다. 엘보우 기법 수행 과정에서 각 K 값에 대한 오차제곱합이 계산되는데, 값이 감소하다가 급격히 감소하던 기울기가 꺾이는 지점을 최적의 K로 선택한다. 본 연구의 데이터를 활용하여 최적의 K를 도출한 그래프는 <Fig. 3>에 제시하였으며, 최적의 K 값 은 3으로 도출되었다. 이후 480개의 데이터에 대해 최적의 K값 3을 적용하여 클러스터링을 수행하였으며, 결과는 <Table 7>에 제시하였다.

<Fig. 3>

Optimal number of clusters

cluster 1은 3개의 클러스터 중 평균이 가장 낮으며, 값의 범위도 음수이다. 이는 혼잡도 및 위험도가 가장 낮은 상태를 의미한다. cluster 2는 중간 군집으로 평균은 0에 가까운 값이며, 혼잡도 및 위험도가 조금 높은 상태이다. cluster 3는 3개의 클러스터 중 평균이 가장 높으며, 혼잡도 및 위험도가 매우 높은 상태이다. 최종 통합지표의 등급을 구분한 기준을 <Table 8>에 제시하였다.

<Fig. 4>은 3개 군집을 기준으로 포화도별 통합지표 등급을 시각화한 것으로, 보라색은 cluster1, 청록색은 cluster2, 노란색은 cluster3을 의미한다. 포화도 0.1~0.3에서는 대부분의 값이 cluster 1에 속하며, 매우 원활한 상태를 나타낸다. 포화도 0.4~0.7은 주로 cluster 2에 속하며, 약간 혼잡 및 주의의 상태를 나타낸다. 포화도 0.8에서는 cluster 2와 cluster 3의 값이 혼재하고 있으며, 포화도 0.9~1.0은 대부분의 값이 cluster 3에 속하고 매우 혼잡 및 위험한 상태를 나타낸다. 결과적으로 포화도가 증가함에 따라 통합지표 값이 전반적으로 상승 하고 혼잡 및 안전 수준이 악화되는 패턴을 잘 보여준다.

<Fig. 4>

Classification of integrated index by v/c

5. 통합지표 검증 및 실제 적용성 평가

먼저 통합지표의 통계적 유의성을 알아보기 위하여 ANOVA 분석과 Turkey 사후검정을 시행하였다. ANOVA 분석은 세 개 이상의 그룹 평균이 서로 유의하게 다른지 검정하는 통계방법으로 값이 0.05미만일 경우 유의하 다고 판단한다. 분석 결과, p-value는 2.12 × 10^-197 ≈ 0 수준이 도출되어 기준값을 충족시켰으며 안전, 주의, 위 험 세 수준 간 통합지표 평균값은 통계적으로 유의한 차이를 보였다. Turkey 사후검정은 ANOVA 분석에서 유의미한 차이가 나타났을 때, 어떤 그룹의 쌍이 서로 다른지 확인하는 사후검정으로 값이 0.05 미만일 경우 유의하다고 판단한다. 분석 결과 cluster 1-cluster 3, cluster 1-cluster 2, cluster 2-cluster 3의 세 그룹 모두 p-value 값이 0.0000수준으로 기준값을 충족시켜 통계적으로 유의함을 나타냈다.

이후, 대상 구간의 실제 도로 교통자료를 기반으로 앞서 도출한 통합지표의 활용 가능성을 평가하였다. 화 성시 교통정보센터 자료를 기반으로 임의의 하루를 선정하여 교통량을 수집하였으며, 분석 링크의 24시간 교통량 중 가장 적은 교통량(v/c 0.1), 중간 교통량(v/c 0.3), 가장 많은 교통량(v/c 0.5)의 3가지 경우를 우선 검 토하였다. 해당 링크는 평상시 정체가 빈번한 구간이 아니기 때문에, 실제 교통량 자료에서 관측된 최대 교 통량이 고포화도 상태라고 보기에 한계가 있다. 따라서 포화도 0.5 수준 교통량의 2배인 포화도 1.0 상황을 가정하여 추가 분석을 수행하였으며, 최종적으로 포화도 0.1, 0.3, 0.5, 1.0의 네 가지 경우에서 통합지표의 변 화를 평가하였다. 일반적인 교통상황과 사고 발생 시의 통합지표 값 변화를 파악하였으며, 비교 결과는 <Fig. 5>에 제시하였다.

<Fig. 5>

Comparison of integrated index in normal situations and accident situations

일반 교통상황의 포화도 0.1 수준에서는 모든 시간 구간에서 통합지표가 ‘원활 및 안전’ 범위에 해당하였 다. 포화도 0.3 수준에서는 주로 ‘원활 및 안전’과 ‘약간 혼잡 및 주의’에 해당하였다. 포화도 0.5 수준에서는 전반적으로 ‘약간 혼잡 및 주의’ 상태였으며, 포화도 1.0 수준에서는 통합지표 값이 크게 증가하여 ‘매우 혼 잡 및 위험’ 상태를 나타냈다. 이처럼 일반 상황에서 포화도가 증가할수록 통합지표 값이 높아지며 혼잡 및 위험 수준이 단계적으로 증가하는 패턴을 잘 나타냈다.

사고 발생 상황은 VISSIM의 ‘parking lot’ 기능을 활용하여 차량을 일정 지점에 정지시키는 방식으로 구현 하였다. 사고 발생 시, 포화도 0.1 수준에서는 사고가 교통류에 미치는 영향이 거의 없기 때문에 통합지표 값 이 ‘원활 및 안전’ 범위에 해당하였다. 포화도 0.3 수준에서는 ‘약간 혼잡 및 주의’와 ‘매우 혼잡 및 위험’ 범 위에 해당하며, 일반 상황과 비교하여 혼잡 및 위험도가 다소 증가된 경향을 나타냈다. 포화도 0.5 수준에서 는 주로 ‘매우 혼잡 및 위험’ 범위에 해당하며, 해당 밀도에서는 사고가 교통흐름 장애를 유발하여 일반 상 황과 비교하여 혼잡과 위험도가 크게 증가한 경향을 나타냈다. 포화도 1.0 수준에서는 ‘매우 혼잡 및 위험’ 범위에 속하였는데, 일반 상황과 비교하여 클러스터 수준은 동일하지만 더 높은 통합지표 값을 나타냈다. 결 과적으로 본 연구의 통합지표가 사고 발생 여부에 따라 교통 혼잡 및 안전 수준의 변화를 민감하게 반영할 수 있으며, 실시간으로 현장 상황을 모니터링하는 지표로서 활용이 가능함을 검증하였다.

Ⅴ. 결 론

본 연구에서는 교통류의 혼잡상태와 안전도를 동시에 평가할 수 있는 새로운 통합지표를 개발하였다. 스 마트교차로 및 ITS, 자율주행차량 단말기 등을 통해 실시간 수집에 용이한 데이터를 사용하는 지표를 우선 적으로 통합지표 구성 변수로 고려하였다. 그 과정에서, 통합지표의 변수로 도로의 혼잡도를 나타낼 수 있는 TTI와 OCI₂ 지표를 선정하고, 도로의 주행 안전성을 나타낼 수 있는 TTC 지표를 선정하였다.

선정된 세 지표를 하나의 통합지표로 구성하기 위한 가중치 산정 방법으로 요인분석을 사용하였으며, 요 인분석의 적합성을 파악하기 위해 지표 간 상관관계를 분석하고 KMO 검정 및 Bartlett 구형성 검정을 시행 하였다. 이후 요인분석을 수행하여 산출된 요인적재량을 기반으로 각 지표의 가중치를 산정하였으며, 산정 결과 TTI, OCI₂ , TTC 가중치는 각각 0.363, 0.303, -0.334으로 도출되었다. K-means 클러스터링을 통해 통합 지표의 수준을 –0.3372 이하, -0.3372~0.7378, 0.7378 초과의 세 범위로 구분하였으며, 원활 및 안전, 약간 혼 잡 및 주의, 매우 혼잡 및 위험 수준의 3단계 교통상황 판단기준을 수립하였다.

최종적으로 대상 구간의 실제 교통량 자료를 활용하여 통합지표의 실제 적용 가능성을 검증하였다. 검증 결과, 포화도가 증가함에 따라 혼잡 및 위험 수준이 단계적으로 잘 변화하는 패턴을 보여주었고 사고 발생 시 일반 교통상황보다 더 높은 통합지표 값이 도출되면서 교통류의 변화 패턴을 확인하였다. 따라서 본 연구 에서 개발한 통합지표를 활용하여 교통상황을 실시간으로 분석 및 판단하고 혼잡 및 위험 상황에 신속하게 대응할 수 있을 것으로 기대한다.

다만, 본 연구는 자율주행차량에 대해서만 TTC 값을 추출한다고 가정하고 있으므로 일반차량 100% 환경 에서의 통합지표 활용에 대해서 검토가 필요하다. 그리고 본 연구에서 개발한 통합지표는 혼잡도가 낮지만 사고 심각도가 높은 경우를 명확히 판별하는데 한계가 존재하므로, 향후 이를 개선한다면 현실적인 지표로 사용 가능할 것으로 기대된다. 또한 본 연구에서는 과포화 상황을 평가한 결과가 미제시되었고, 향후 과포화 상황의 자료를 수집하여 모형을 평가한다면, 현실적인 적용성이 높아질 것으로 생각된다.