Journal Search Engine

Volume/Issue :

Year(s) : to

Search :

Title :

Author :

Keyword :

Abstract :

Figure :

Table :

Reference :

Search Advanced Search

Adode Reader(link)

View PDF Download PDF Export Citation Korean Bibliography PMC Previewer

The Journal of The Korea Institute of Intelligent Transport Systems Vol.25 No.2 pp.1-18
DOI : https://doi.org/10.12815/kits.2026.25.2.1

Performance Evaluation of a GRU-Based Enhanced CTR Algorithm for Real-Time Signal Control at Isolated Intersections

Kyeongjin Lee^*, Inyoung Kim^**†, Sangmin Park^***, Byungkyu Park^****, Nam-Sun Kim^*****, Ilsoo Yun^******

^*Dept. of D.N.A. Convergence, Ajou University
^**Dept. of Transportation System Eng., Ajou University
^***Dept. of Road Transport Research, Korea Transport Institute
^****Dept. of Civil and Environmental Eng., the University of Virginia
^*****Police Science Institute, Korean National Police University
^******Professor, Department of Transportation Systems Engineering, Ajou University

^† Corresponding author : Inyoung Kim, dlsdud8708@ajou.ac.kr

Received 29 January 2026 │ Revised 19 February 2026 │ Accepted 17 April 2026

Abstract

This study enhances a previously developed Kalman filter–based cumulative travel time(CTT) real-time signal control algorithm(CTR) for application to isolated intersections under a cooperative automated vehicle(CAV) environment. The improved method adopts a Gated Recurrent Unit(GRU) model to predict individual vehicle CTT and extends green time for the approach with higher CTT. Performance was evaluated under various traffic scenarios using average delay and queue length as measures of effectiveness. Compared with time-of-day(TOD) control, Synchro-based optimization, and the original Kalman filter–based CTR algorithm, the proposed GRU-based approach reduced average delay by approximately 40–50%.

Key Words : Gated recurrent unit , Cumulative travel-time , Isolated intersection , Real-time traffic signal control

독립교차로 실시간 신호제어를 위한 GRU 기반 CTR 알고리즘 개선 및 성능 평가

이경진^*, 김인영^**†, 박상민^***, 박병규^****, 김남선^*****, 윤일수^******

^*아주대학교 D.N.A. 플러스융합대학원 석박사통합과정
^**아주대학교 교통시스템공학과 전임연구원
^***한국교통연구원 도로교통연구본부 부연구위원
^****버지니아주립대학교 토목환경공학과 교수
^*****경찰대학교 치안정책연구소 첨단교통연구센터장
^******아주대학교 교통시스템공학과 교수

초록

본 연구는 자율협력주행자동차의 도입 환경에서 도로교통 운영 효율성 향상을 목적으로, 기존에 제안된 칼만필터 기반 개별 차량 누적통행시간 예측 기반의 실시간 신호제어 알고리즘 을 국내 독립 교차로 운영 여건에 맞게 개선하였다. 개선된 알고리즘은 게이트 순환 유닛을 활용하여 개별 차량의 누적통행시간을 예측하고, 누적통행시간이 상대적으로 큰 접근로에 녹 색신호를 연장함으로써 실시간 신호제어를 수행한다. 알고리즘 개선 효과를 검증하기 위해 다 양한 교통상황을 반영한 시나리오를 구성하고, 평균지체 및 대기행렬 길이를 평가지표로 설정 하여 time of day(TOD) 신호제어 및 Synchro 기반 신호최적화 결과와 비교·분석하였다. 그 결 과, 제안한 실시간 신호제어 알고리즘은 기존 TOD 방식과 Synchro 기반 신호최적화, 칼만필터 기반 누적통행시간 예측 기반 결과 대비 평균지체를 약 40~50% 감소시키는 것으로 나타났다.

키워드 : 게이트 순환 유닛 , 개별 차량 누적통행시간 , 독립교차로 , 실시간 신호제어

This article has been cited by 0 article in crossref

Cited-By

Funding:

Korea Institute of Police Technology
No.RS-2021-PT000178

Ⅰ. 서 론

1. 연구의 배경 및 목적

자율협력주행차(Connected automated vehicle, CAV) 기술의 발전은 도로교통 운영 체계 전반에 구조적 변화를 초래할 것으로 전망된다. 특히 차량과 인프라 간 양방향 통신(vehicle-to-infrastructure, V2I)을 통해 개별 차량 단위의 위치, 속도, 가속도 및 경로 정보가 실시간으로 수집·활용됨에 따라, 기존 지점 검지기 기반 교통 운영에서 벗어나 정밀하고 지능적인 교통제어가 가능한 환경이 조성되고 있다(Ghoul and Sayed, 2021). 이에 따라 CAV 환경에서 교통 운영 효율성을 극대화하기 위한 다양한 신호제어 전략이 활발히 연구되고 있으며, 그중에서도 CAV의 혼입률(market penetration rate, MPR) 증가에 따른 실시간 차량단위 제어의 필요성이 강조되고 있다(Han et al., 2018). 특히 교차로는 도시부 지체와 충돌 위험이 집중되는 핵심 지점으로, CAV 기반의 고도화된 신호제어 전략 개발이 필수적이다.

기존의 실시간 신호제어 연구는 주로 교통수요 혹은 대기행렬 길이에 기반한 신호제어 전략을 제안해왔다(Kouvelas et al., 2011;Diakaki et al., 2002;Feng et al., 2015). 그러나 이러한 접근은 특정 시점의 상태 변수에 의존하기 때문에 교차로 전반의 흐름을 반영하지 못하며, 돌발상황이나 급격한 차량 유입 변화 등 순간적인 교통상황 변화에 민감하여 제어 안전성이 저하될 가능성이 있다.

이러한 한계를 보완하기 위해 Lee et al.(2013)은 누적통행시간(cumulative travel-time, CTT) 기반 실시간 신호제어 방법론을 제안하였다. CTT는 차량이 교차로 접근부터 통과까지의 전체 운행 손실을 종합적으로 반영하는 지표로서 지체 이외에도 감속·정지·재가속 과정의 시간 손실까지 포함한다는 점에서 교차로 운영 상태를 종합적으로 설명할 수 있다. 이에 기반한 cumulative travel-time responsive(CTR) 알고리즘은 교차로 제어의 안전성과 일관성을 확보할 수 있는 잠재력을 가진다.

다만, 기존 CTR은 CTT 예측을 위해 칼만필터(kalman filter) 기반의 선형 예측 모형을 적용하였다. 이는 비교적 교통 변동성이 낮은 환경에서는 효과적이나, 변동성이 크고 교통류의 비선형성이 두드러지는 국내 교차로 환경에서는 예측 오차가 확대될 가능성이 존재한다. CTT 예측 정확도는 곧 신호 현시 결정의 근거가 되므로, 예측 오차 증가는 신호제어 의사결정의 불안정성과 운영 성능 저하로 이어질 수 있다. 따라서 CTT 예측 모듈을 보다 정교한 비선형 시계열 모형으로 개선할 필요가 있다.

이에 본 연구는 CTT 추정 모형을 gated recurrent unit(GRU)으로 대체하고자 한다. 특히, CAV 환경을 가정한 독립교차로를 대상으로 GRU 예측 기반 CTR 알고리즘을 구현하고, 예측 모듈의 고도화가 신호제어 운영 성능에 미치는 영향을 체계적으로 분석한다. 성능 평가는 다양한 교통상황 시나리오 하에서 고정식(time of day, TOD) 신호제어, Synchro 기반 신호 최적화, CTR 알고리즘 간의 성능을 평균지체 및 대기행렬 길이 측면에서 비교·분석하여 이동성 측면에서의 개선 효과를 정량적으로 검증한다.

2. 연구 범위 및 절차

본 연구의 시간적 범위는 2025년이며, 공간적 범위는 인천시 송도 우체국사거리이다. 해당 교차로는 주거 밀집지역, 도시철도역, 고속도로 진입로의 영향권에 위치하여 통과교통과 지역교통이 복합적으로 혼재되는 지점이다. 특히 첨두시간대에는 교차로 전방향에 교통수요가 집중되면서 반복적인 지체가 발생하는 특성을 보인다. 그럼에도 불구하고 기존 신호운영 체계 하에서는 교통수요 변동에 능동적으로 대응하는 데 한계가 존재한다. 이에 따라, 본 연구는 해당 교차로를 공간적 범위로 선정하여 CTR 알고리즘 적용에 따른 신호제어 성능을 검증하고자 하였다.

연구의 수행 절차는 다음과 같다. CTR 신호제어 기법의 이론 고찰과 독립교차로 신호제어 알고리즘 개선 연구, CTT 예측 모형 선정을 위한 선행연구를 고찰한다. CTT 예측 모형 선정 후 CTR 알고리즘의 적용 효과를 분석하기 위해 VISSIM에 다양한 교통상황이 반영된 시나리오를 구현한다. 이후 구현된 CTR 알고리즘을 com-interface를 통해 VISSIM에 연동하여 시나리오별 신호제어 기법별(TOD, 신호최적화, CTR) 효과분석을 수행한다.

1. CTR 신호제어 기법

CTR 알고리즘은 교차로 진입부터 진출까지의 실시간 개별 차량 CTT를 예측하고 가장 높은 CTT가 측정되는 방향에 녹색신호를 연장하는 방식으로 신호가 제어된다. 이때, CTT는 CAV 센서 인식 오류와 같이 CAV 도입시 발생할 수 있는 데이터의 불안전성을 개선할 수 있는 칼만필터 기법을 통해 예측된다(Lee et al., 2013). 여기서 칼만필터란, 노이즈가 포함된 측정치(measurement)를 바탕으로 시스템의 상태(state)를 추정하는 방법으로 과거에 수집된 정보를 바탕으로 현재의 값에 포함된 노이즈를 제거한다(Lim and Kim, 2023). CTT는 다음 식(1)과 같이 교차로 진입 후 실시간으로 누적된 이동시간을 짧은 주기로 업데이트하게 된다. 여기서 z_i,k은 시점 k에서 신호 현시(phase) i의 CTT 값을 의미하며, V_i,k는 시점 k에서 신호 현시 i에 존재하는 차량 집합, Δt는 알고리즘 업데이트 주기를 의미한다.

z_{i, k} = \sum_{n \in V_{i, k}} Δ t

(1)

칼만필터는 예측단계와 관측 및 갱신 단계로 구분되며 예측 단계에서는 상태-공간(state-space) 방정식을 통해 이전 시점의 CTT 상태, 이전 시점의 CTT 입력을 바탕으로 현재 예상되는 CTT 상태를 산출하게 된다. 관측 및 갱신 단계에서는 측정 방정식을 통해 예측값을 CAV 센서의 측정값으로 표현하며, CAV 차량 비율이 높은 신호 현시는 측정값을 더 신뢰하고, 낮은 신호 현시는 예측값을 더 신뢰하는 방식으로 보정이 이루어진다. Lee et al.(2013)에서 설계한 예측단계의 상태-공간 방정식은 다음 식(2)과 같다. 여기서, i는 2, 4, 6, 8은 직진 신호 현시 1, 3, 5, 7은 좌회전 신호 현시 index를 의미한다. $x_{i, k | k - 1}$ 는 시점 k에서 CTT 예측값, $z_{i, k - 1}$ 는 시점 k−1에서 신호 현시 i의 CTT 추정값, $z_{i, k - 1}^{t h r o u g h}$ 는 좌회전 신호 현시 i에 대응하는 직진 신호 현시의 시점 k−1의 CTT 추정값, $q_{i, k - 1}$ 는 시점 k−1의 유입 교통량, $g_{i, k - 1}$ 는 해당 좌회전 신호 현시의 유효 녹색시간, $N L_{i}$ 는 신호 현시 i의 차로수, $α, β, γ, δ$ 는 직진 관련 학습 또는 튜닝된 계수, $ε, μ, λ, κ$ 는 좌회전 특성을 반영한 계수를 의미한다.

x_{i, k | k - 1} = \{\begin{matrix} α \cdot z_{i, k - 1} + β \cdot N L_{i} + γ \cdot g_{i, k - 1} + δ \cdot q_{i, k - 1} & (i = 2, 4, 6, 8) \\ ε \cdot z_{i, k - 1} + μ \cdot N L_{i} + λ \cdot g_{i, k - 1} + κ \cdot q_{i, k - 1} + π \cdot z_{i, k - 1}^{t h r o u g h} & (i = 1, 3, 5, 7) \end{matrix}

(2)

CTR과 칼만필터의 관계는 다음 <Fig. 1>과 같다. 시간대별·신호 현시별로 CTT를 산정한 후 CAV의 MPR이 100%에 미치지 않는 경우, 즉 CAV와 일반차가 혼재된 교통상황에서는 칼만필터를 통해 CTT를 예측하게 된다. 이는 혼재 교통상황에서는 센서 또는 통신 기반의 차량 정보 수집이 불완전하게 수행될 가능성이 높기 때문이다. 예측된 CTT 값들을 기반으로 각 신호 현시별 CTT를 비교하여, 가장 큰 CTT 값을 갖는 현시를 우선순위로 선정한다. 이후 현재의 신호 현시가 예측된 우선순위 현시와 동일한지를 평가하며, 동일할 경우에는 현재 녹색신호를 연장하고 그렇지 않을 경우에는 CTT 값이 가장 큰 신호 현시에 녹색신호를 추가로 부여하게 된다.

<Fig. 1>

Relationship between CTR and Kalman filter

2. 선행 연구 고찰

1) 독립교차로 신호제어 알고리즘 성능 개선

Vilarinho and Tavares(2014)는 실시간 교통상황을 반영한 독립교차로 신호 설정 방법을 제안하였다. 구체적으로, 실시간 교통 흐름 정보를 입력으로 사용하여 신호 계획과 녹색 및 적색 시간을 결정하도록 수식화하였으며 이를 통해 교차로 내 총 지체를 최소화하고자 하였다. Group-based akcelik 방법을 사용하여 각 가능한 신호 계획 후보를 생성하고 평가하였다. 해당 기법은 교통 흐름과 신호 계획 및 타이밍 간의 반응을 동시에 분석하여 임계 경로, 주기 길이, 녹색 분할을 도출하게 된다. 시뮬레이션을 통해 해당 방법론의 효과를 확인하였으며, 그 결과 동적 수요 변화에 대응이 가능하며 예측 불가능한 상황에도 반응할 수 있음을 확인하였다.

Chen and Sun(2016)은 독립교차로에 적용 가능한 적응형 신호제어 개선 알고리즘을 제안하였다. 크게 차량 도착 예측과 dynamic programming(DP) 기반 신호 최적화 알고리즘으로 구성하였다. 차량 도착 예측 모듈은 교차로 상류에서 감지된 교통 정보(차량 위치, 속도, 대기행렬 길이 등)를 기반으로 녹색과 적색 신호 상태 및 차량의 미래 도착시간을 실시간으로 예측하고 이를 통해 DP 신호제어 최적화를 수행하였다. 이를 통해 NEMA phase를 구성하도록 설계하였으며 평균지체와 대기행렬 길이 최소화, 통행량을 최대화하고자 하였다. 제안된 알고리즘은 전통적 NEMA phase 고정 신호와 Synchro로 생성된 신호보다 우수한 것으로 나타났다.

Qiao et al.(2023)은 V2I 통신 기반 교통 신호 최적화 방법을 제안하여 신호제어 성능을 향상시키고자 하였다. V2I 통신을 활용해 각 차량의 위치, 속도 등을 실시간으로 수집하여 신호제어 의사결정에 활용하는 방안을 제시하였다. 예측 기반 최적화 및 모델 예측 제어 구조를 도입해 미래 교통 상태를 고려한 신호계획을 생성하여 녹색시간을 최적화하였다. 교통 흐름 모델은 시공간이 모두 이산화(discrete)된 모형인 cellular automata 규칙을 통해 비선형적 교통 동적 특성을 반영하였다. V2I 기반 방법은 기존 고정 및 적응형 신호제어 기법에 비해 예측 정확도를 향상시키고, 결론적으로 평균지체와 평균 정지 횟수 측면에서 개선효과가 있었다. 특히, 교통량이 상대적으로 높은 경우 효과가 더 두드러지게 나타났다. 다만, 대기행렬 길이 개선 효과는 명확히 나타나지 않았다.

2) 통행시간 예측 모델

Chen and Rakha(2014)는 particle filter 기반 모델을 개발하여 실시간 단기/중기 통행시간을 보다 정확하게 예측하고자 하였다. 도로 구간의 속도와 교통상태 변화를 입지(particle) 집합으로 표현하고 최신 관측값이 들어올 때마다 상태를 갱신하는 베이지안 필터를 구성하였다. 방대한 과거 주행 데이터의 패턴을 활용하여 상태전이 모델을 대체함으로써 복잡한 교통흐름 변동을 효과적으로 포착하였으며, 예측 기법이 낮은 오차를 보여 기존 통계적 예측 기법 대비 예측 성능이 향상됨을 확인하였다.

Yang and Peng(2018)은 도시 간선도로에서 교통흐름의 변동성과 불확실성을 처리하기 위해 particle filter를 적용한 단기 통행시간 예측 알고리즘을 제안하고, 이를 통해 예측 정확도 향상을 도모하였다. 택시 데이터로부터 도로 구간별 속도 행렬을 구축하고, 이를 상태공간 모델로 활용하는 particle filter로 향후 구간 통행시간을 추정하였다. 제안된 알고리즘을 중국 도시 내부 간선도로 데이터에 적용한 결과, 신호등 주기에 따른 통행시간 변동도 효과적으로 예측해냈으며, 기존의 단순 이동평균 기반 방법보다 낮은 예측 오차를 보였다.

Zhao et al.(2018)은 단거리전용통신(dedicated short-range communications, DSRC)과 remote transportation microwave sensors(RTMS) 등 데이터원을 융합하는 딥러닝 접근을 통해 통행시간 예측 정확도를 제고하고자 하였다. 중국 고속도로 내의 DSRC 및 RTMS 데이터를 GRU 알고리즘에 적용하여 통행시간을 예측하였다. 각 데이터원의 통행시간을 GRU 모델에 입력해 다중 데이터 융합 예측을 수행하였다. 그 결과, 전통적 데이터 융합 방식 대비 본 연구의 알고리즘이 더 나은 예측 정확도를 달성하였다.

Deshpande and Park(2025)은 그래프 신경망(graph neural network, GNN)과 GRU 결합을 통해 시공간적 상관관계를 바탕으로 칼만필터의 보정단계를 개선하여 교통상태를 추정하고자 하였다. 시공간적 상관관계를 바탕으로 노드의 과거와 현재 정보를 함께 고려하며, 칼만필터의 보정단계를 개선하는 것을 확인하였다.

Lin et al.(2024)는 기존 딥러닝 기반 교통예측 모델들이 단기 또는 장기 패턴 중 하나만 효과적으로 다루는 한계를 극복하고자, 장·단기 통합 transformer 모델을 개발하여 다양한 시간 규모의 통행시간 예측 정확도 향상을 목표로 하였다. 해당 모델은 1시간 이내의 단기 예측부터 수일 규모의 장기 예측까지 교통 양상의 복잡한 시계열 패턴을 효과적으로 학습하였다. 대규모 실제 도로교통 데이터로 성능을 평가한 결과, 기존 다양한 모델 대비 단기와 장기 모두에서 우수한 성능을 나타냈으며, 특히 단기 예측에서 두드러진 정확도 향상을 보였다.

Lin et al.(2024)는 기존 딥러닝 기반 교통예측 모델들이 단기 또는 장기 패턴 중 하나만 효과적으로 다루는 한계를 극복하고자, 장단기 통합 transformer 모델을 개발하여 다양한 시간 규모의 통행시간 예측 정확도 향상을 목표로 하였다. 해당 모델은 1시간 이내의 단기 예측부터 수일 규모의 장기 예측까지 교통 양상의 복잡한 시계열 패턴을 효과적으로 학습하였다. 대규모 실제 도로교통 데이터로 성능을 평가한 결과, 기존 다양한 모델 대비 단기와 장기 모두에서 우수한 성능을 나타냈으며, 특히 단기 예측에서 두드러진 정확도 향상을 보였다.

3. 연구의 차별성 도출

본 연구는 기존 CTR 알고리즘의 구조를 유지하면서, 핵심 입력 변수인 CTT 예측 모듈을 선형 상태공간 기반의 칼만필터에서 비선형 시계열 학습이 가능한 GRU 모델로 대체·확장하였다는 점에서 차별성을 가진다. 기존 CTR은 측정 노이즈 보정에는 강점을 가지나 선형성 가정에 기반하여 급격한 수요 변동, 포화 상태에서의 대기행렬 형성·해소 과정 등 복합적인 교통 동역학을 충분히 반영하는 데 한계가 있었다. 이에 본 연구는 장·단기 의존성을 동시에 학습할 수 있는 GRU 구조를 적용함으로써 비선형적이고 동적인 교통 특성을 보다 정밀하게 반영하고자 하였다. 이는 단순히 예측 정확도를 향상시키는 데 목적을 두는 것이 아니라, 예측 구조의 변화가 실제 신호제어 의사결정에 어떠한 영향을 미치는지를 규명하는 데 연구의 초점을 둔다. 또한 본 연구는 예측모형과 신호제어 성능 간의 인과적 관계를 체계적으로 분석한다는 점에서 학술적 기여를 갖는다. TOD 기반 고정식 신호, Synchro 기반 최적화 신호, 기존 칼만필터 기반 CTR, 그리고 제안하는 GRU 기반 CTR을 동일한 교차로 및 다양한 교통 시나리오 조건에서 비교함으로써, CTT 예측 모델의 차이가 평균지체, 대기행렬 길이 등 성능 지표에 미치는 영향을 정량적으로 검증하고자 한다. 이를 통해 딥러닝 기반 CTT 예측의 도입이 CTR 기반 독립교차로 실시간 신호제어의 성능 개선으로 실질적으로 이어질 수 있음을 규명하고자 한다.

Ⅲ. 네트워크 구축 및 평가 시나리오 설계

본 장에서는 VISSIM 도로 네트워크 구축 및 데이터 입력, CTR 알고리즘 효과분석 비교를 위한 다양한 교통상황을 고려한 시나리오를 설계한다.

1. VISSIM 네트워크 구축 및 입력 교통량 수집

본 연구에서는 VISSIM을 활용하여 송도시 우체국사거리 도로 네트워크를 <Fig. 2>와 같이 구축하였다. 그 다음으로는, 네트워크 입력자료로 활용하기 위하여 1시간 단위의 방향별·차로별·차종별 교통량을 수집하였다. 다만, 우체국사거리의 실측 교통량을 확보하고자 하였으나 자료 접근의 제약으로 인해 동일 생활권 내에 위치한 인접 교차로인 컨벤시아 사거리의 오후 첨두시간대(17:00~18:00) 교통량 자료를 대체 활용하였다. 두 교차로의 시간대별 평균 통행속도 및 교통변동 특성을 비교한 결과, 오후 첨두시간대의 평균 통행속도가 가장 유사하게 나타났으며, 이는 두 교차로가 동일 수요 축 상에 위치하고 첨두시간대 수요 패턴이 구조적으로 연동되어 있을 가능성을 시사한다. 또한 공간적으로 인접하여 상·하류 관계에 따른 교통 흐름의 상호 영향이 존재할 것으로 판단하였다.

<Fig. 2>

Result of VISSIM network development

다만, 두 교차로는 기하구조, 차로 수 구성 등 물리적 조건에서 차이가 존재하므로 절대적 교통용량 수준에는 차이가 발생할 수 있다. 이는 현실성 반영에는 한계가 존재할 수 있으나, 본 연구의 목적은 지정체가 발생하는 다양한 교통패턴에서 신호제어 기법 간 상대적 성능 차이를 비교·검증하는 데 있으므로, 입력 교통량의 공간적 대체는 결과 해석에 본질적 왜곡을 초래하지 않을 것으로 판단하였다. 한편 TOD 신호계획은 우체국사거리의 실제 운영 계획을 수집하여 적용함으로써 기준 제어 조건의 현실성을 확보하였다.

수집된 데이터를 통해 다음 <Table 1>과 같이 VISSIM 입력값을 최종적으로 산정하였다.

<Table 1>

Traffic volume data by approach and movement

Traffic volume(veh/hour)
West			East			South			North
Left	Trough	Right	Left	Trough	Right	Left	Trough	Right	Left	Trough	Right
268	460	218	147	933	524	260	1,386	154	272	1,135	352

2. 평가 시나리오 설계

CTR 알고리즘의 효과가 상대적으로 극대화될 수 있는 교통조건을 확인하기 위해, 관측된 원시 교통량의 75% 수준을 적용하여 서비스수준(Level of Service, LOS) D에 해당하는 운영 상태를 기준 시나리오로 설정하였다. 구체적으로, 실측 교통량의 75%를 입력 교통량으로 적용하였으며 해당 조건에서 분석 결과 LOS D 범위에 해당함을 확인하였다. 이를 기준으로 균형 수요 조건, 방향별 교통량 불균형이 존재하는 상황, 시간대 내 교통량 변동성이 큰 패턴 등 세 가지 교통상황으로 구분하여 평가 시나리오를 설계하였다.

LOS D 수준의 교통량 시나리오에서 교통량 불균형과 변동성을 부여한 이유는 다음과 같다. LOS D는 혼잡이 본격적으로 발생하기 시작하는 구간으로 신호제어 전략의 효과가 뚜렷하게 나타나는 한계 영역에 해당한다. LOS A~C의 구간은 상대적으로 용량이 충분하여 혼잡 수준이 경미하므로 제어전략의 성과를 충분히 검증하기 어려울 것으로 예상된다. 반대로 LOS E~FFF 구간은 포화 또는 과포화 상태로, 차량 주행행태가 제약되고 교통류가 불안정하게 변동하기 때문에 신호제어만으로 개선 효과를 기대하기 어려울 가능성이 크다.

CTR 알고리즘은 특히, 단시간 내 교통상황이 급변하는 환경에서 제어 효과가 클 것으로 예상된다. 평가 시나리오에 대한 설명은 다음 <Table 2>과 같다. 교통량 불균형은 좌회전 편중의 경우 좌회전:직진:우회전=5:3:2 비율로, 직진 편중은 좌회전:직진:우회전=2:7:1 비율로 정의하였다. 변동성이 큰 교통패턴은 Tarko and Perez-Cartagena(2005)에서 사용한 첨두시간계수(peak hour factor, PHF)값 0.752와 15분 단위별 교통량 변동방안(PHF 값이 적용된 교통량은 1시간 중 30~45분 구간에 적용)을 참고하였다.

<Table 2>

Scenarios for measure of effectiveness

Classification	Content
LOS D traffic conditions	The adaptability of the proposed algorithm is evaluated under LOS D traffic conditions. In this study, LOS D corresponds to approximately 75% of the observed base traffic volume (i.e., a 25% reduction from the raw traffic demand). This demand level represents operating conditions approaching roadway capacity while still maintaining stable flow.
Traffic volume imbalance	Under LOS D scenarios, traffic demand is intentionally concentrated in specific movements (e.g., left-turn or through movements) to induce directional imbalance. This scenario is designed to verify the effectiveness of the CTR algorithm in addressing operational imbalances at signalized intersections.
High variable traffic patterns	At the LOS D level, the PHF is adjusted to introduce traffic volume variability at 15-minute intervals. This scenario analyzes control performance under short-term traffic demand fluctuations.

본 연구에서는 CAV와 일반 차량이 균등하게 혼재된 도로 환경을 모사하기 위해 CAV의 MPR을 50%로 설정하였다. 이는 시스템 도입 초기와 완전 보급 단계 사이의 과도기적 교통 상황을 가정하여 알고리즘의 범용성을 평가하기 위함이다. 본 연구의 시뮬레이션 구현 단계에서는 CAV 차량 객체를 직접 생성하는 대신, 전체 데이터 중 MPR에 해당하는 50%의 샘플만을 수집·활용하는 방식으로 커넥티드 환경을 간접 구현하였다.

설계된 시나리오는 향후 효과분석에 활용된다. 구체적으로는 신호제어 기법별(TOD, Synchro 기반 신호 최적화, CTR 알고리즘) 그리고 시나리오별 효과분석 지표에 대한 결과값이 산출된다. 그 이후 시나리오별 신호제어 기법별 효과분석 지표를 비교하여 CTR 알고리즘의 효과가 높은 시나리오를 선정하게 된다. 이때, TOD는 인천시 송도 우체국사거리의 TOD 플랜을 VISSIM 신호제어에 입력하였으며, Synchro 기반 신호 최적화의 경우 Synchro 프로그램을 통해 TOD에 적용된 녹색신호 배분을 최적화하여 최적화된 신호정보를 VISSIM에 입력하여 효과분석 지표를 추출하였다.

Ⅳ. CTT 예측 모형 구축 및 CTR 알고리즘 효과분석

1. CTT 예측 모형 선정 개요

본 연구에서 실시간 신호제어의 지표로 활용하는 CTT는 개별 차량이 접근로에 진입한 시점부터 현재까지 소비한 누적 통행시간을 의미한다. CTT는 독립적인 관측값이 아니라 이전 시점의 지체 상태가 현재에 직접적으로 반영되는 시계열적 누적성과 강한 자기상관성을 가지며, 교차로의 신호 현시 변화에 따라 차량의 진입과 진출이 결정되어 데이터의 흐름이 신호 현시 변화에 따라 급격히 변한다. 또한 지체 상태가 지속되거나 교통량이 포화 상태에 도달할수록 대기행렬의 누적으로 인해 CTT는 기하급수적인 비선형적 증가 패턴을 보인다.

예측 변수인 CTT의 특성에 따라 본 연구에서는 CTT 예측 모형 선정을 위해 시계열 예측 모형의 구조 및 특성을 검토하였다. 먼저 순환 신경망(recurrent neural network, RNN)은 모형의 입력과 출력을 시퀀스(sequence) 단위로 처리하는 딥러닝 알고리즘으로 과거의 정보가 현재에 영향을 미칠 수 있는 순차적인 데이터를 처리하는 데 적합하다(Lecun et al., 2015). 다만, 해당 모형은 RNN의 구조 내에서 정보 전달을 담당하는 노드의 규모가 커질수록 기울기 소멸(vanishing gradient) 문제가 발생하여 장기적인 의존성(long-term dependency)을 학습하는 데 한계를 가진다(Ahn, 2016;Lee and Bae, 2025). 다시 말해 시퀀스가 길어지면 이전에 저장된 정보가 점차 잊혀져 장기적인 패턴을 학습하는 데 한계가 있다.

이러한 RNN의 한계를 극복하기 위해 고안된 모델이 장단기 메모리(long short-term memory, LSTM) 모형이며, LSTM은 셀 상태(cell state), 게이트(gate) 구조를 도입하여 과거의 정보를 선택적으로 유지하거나 삭제함으로써 장기 의존성 문제를 해결한다(Hochreiter and Schmidhuber, 1997). 특히, 셀 상태는 정보를 선형적으로 전달하는 역할을 수행하며, 역전파 과정에서 기울기가 소실되지 않고 원거리까지 전달될 수 있는 덧셈 연산 구조를 취한다(Hochreiter and Schmidhuber, 1997). 이러한 구조적 특성 덕분에 LSTM은 일반적인 RNN에 비해 기울기 소실 문제에 매우 강건하며, 시계열 데이터 내의 장기 패턴을 효과적으로 학습할 수 있다.

GRU는 순차 데이터를 처리하는 데 사용되는 모델로 LSTM의 학습 과정을 간소화한 LSTM 변형모델이다. GRU는 LSTM와 동일하게 기울기 소멸 문제를 해결하기 위해 제안되었으며, 시계열 데이터의 장·단기 의존성을 효과적으로 학습할 수 있도록 설계되었다(Cho et al., 2014;Chung et al., 2014). LSTM은 입력 게이트, 망각 게이트, 출력 게이트의 세 가지 게이트 구조를 사용하는 것과 달리, GRU는 정보 흐름을 제어하기 위해 reset 게이트와 update 게이트 두 개의 게이트만을 사용함으로써 모델 구조를 간소화하고 계산 효율성을 향상시킨 것이 특징이다(Kim et al., 2023). GRU는 과거 정보의 유지와 갱신을 조절함으로써 장기기억을 동반한 시계열 데이터 분석에 적합하며, 상대적으로 적은 파라미터 수로 인해 학습 속도가 빠르고 계산 복잡도가 낮다는 장점을 가진다(Yang, 2021). 이러한 특성으로 대규모 데이터나 실시간 예측이 요구되는 교통 분야의 시계열 분석에 효과적으로 활용될 수 있다.

본 연구의 CTR 알고리즘의 운영 환경 및 CTT 변수의 특성을 종합적으로 고려할 때, 시계열 모형 중 GRU가 가장 적합한 모형으로 판단된다. 5초 주기로 신호를 결정하는 알고리즘 특성상 연산 복잡도가 낮고 시스템 지연을 최소화할 수 있는 GRU가 실시간 응답성 확보에 유리하다. 또한, GRU의 update 게이트는 누적된 CTT 정보를 유지하거나 갱신하는 비중을 동적으로 조절하며, reset 게이트는 신호 전환에 따른 지체 해소 시점에서 불필요해진 과거 데이터를 효과적으로 제어한다. 이러한 기억 매커니즘은 CTT의 장기적인 누적 패턴 학습과 실시간 수요 변동에 따른 즉각적인 상태 반영을 동시에 가능하게 한다. 이에 본 연구에서는 연산의 효율성을 확보하고 이력 의존성을 효과적으로 학습하기 위해 GRU를 최종적으로 선정하였다.

2. CTT 예측 모형 설계

1) 칼만필터

칼만필터 기반 CTT 예측을 위한 알고리즘 설계 및 계수(coefficient) 튜닝 방법은 다음과 같다. 설계한 칼만필터 상태방정식의 계수를 추정하기 위해 회귀분석(ordinary least squares, OLS) 방법을 통해 튜닝을 수행하였다. 상태-공간 방정식에 따라 직진 신호 현시와 좌회전 신호 현시를 구분하여 각각 별도의 모형을 구축하였다. 시뮬레이션상 유입 교통량을 조정하여 세 가지 교통패턴 시뮬레이션을 통해 추출된 데이터를 활용하여 독립변수, 종속변수를 설정하고, 파이썬 'statsmodels' 라이브러리를 이용한 OLS 회귀분석을 적용하였다. 튜닝 결과 및 해석은 다음 <Table 3>과 같다.

<Table 3>

Estimated coefficients by signal phase and interpretation

Classification	Variables	Coefficients	Contents
Through	Const	5.2413
	$z_{i, k - 1}$	1.0058	The previous CTT prediction is reflected in the current CTT in an almost one-to-one manner, indicating very strong temporal autocorrelation.
	$N_{L_{i}}$	0.3578	CTT increases as the number of lanes increases.
	$g_{i, k - 1}$	-1.2928	CTT decreases as the allocated green time for the signal phase increases.
	$q_{i, k - 1}$	-0.2843	CTT decreases as the preceding queue length increases.
Left-turn	$z_{i, k - 1}$	0.9935	The previous CTT prediction is reflected in the current CTT in an almost one-to-one manner, indicating very strong temporal autocorrelation.
	$N_{L_{i}}$	1.3586	CTT increases as the number of lanes increases.
	$g_{i, k - 1}$	-0.8161	CTT decreases as the allocated green time for the signal phase increases.
	$q_{i, k - 1}$	-0.1502	CTT decreases as the preceding queue length increases.
	$z_{i, k - 1}^{t h r o u g h}$	0.0020	Through-movement CTT has a marginal influence on left-turn CTT.

<Table 3>을 적용한 칼만필터의 상태-공간 방정식은 다음 식 (3)과 같다.

x_{i, k ∣ k - 1} = \{\begin{matrix} 1.0058 • z_{i, k - 1} + 0.3578 • N L_{i} - 1.2928 • g_{i, k - 1} - 0.2843 • q_{i, k - 1} + 5.2413 \\ 0.9935 • z_{i, k - 1} + 1.3586 • N L_{i} - 0.8161 • g_{i, k - 1} - 0.1502 • q_{i, k - 1} • 0.0020 • z_{i, k - 1}^{t h r o u g h} + 5.2413 \end{matrix}

(3)

2) GRU

본 연구에서는 CTT의 시계열적 변동성과 교차로 내 다른 현시간 상호의존성을 동시에 반영하기 위하여 GRU 기반의 다출력 시계열 예측 모델을 설계하였다. 제안한 GRU 모델은 교차로 신호제어를 위한 실시간 적용을 고려하여 비교적 단순한 구조를 유지하면서도, 비선형 교통 패턴과 시간적 의존성을 효과적으로 학습할 수 있도록 구성하였다.

입력 데이터는 각 이동류별 교통상태를 정밀하게 모사하기 위해 다변량 시계열 형식으로 구성하였다. 입력 데이터는 5초 단위의 이산 시간 간격을 기준으로 집계하며, 각 단계에서 직진 이동류 정보, 차로 수, 유입 교통량, 이동류에 부여된 녹색 시간, 그리고 이전 시점의 교통량 변화량 및 녹색 시간 변화량을 포함한 6개의 변수를 추출하고 주요 feature로 활용한다. 교차로 8개 이동류 데이터를 동시에 고려하기 위해, 개별 시점의 입력 형태는 (Phase × Feature) 구조를 가진다. 시간적 구성은 과거 24개 타임 스텝(총 120초)의 데이터를 하나의 시퀀스로 묶어 GRU 모델의 입력으로 활용한다.

제안한 GRU 기반 예측 모델의 구조는 <Table 4>와 같으며, 시간적 의존성을 효과적으로 학습하기 위해 2개 층의 GRU 계층으로 구성하였다. 각 GRU 계층의 은닉 차원은 192로 설정하여, 다현시 교통 상태의 복잡한 시간적 변화를 충분히 표현할 수 있도록 하였다. GRU 계층 이후에는 layer normalization을 적용하여 학습 과정의 안정성을 확보하였으며, 마지막으로 전결합층(fully connected layer)을 통해 현시별 CTT를 동시에 출력하는 다출력 구조를 구성하였다. 이때, 전결합층의 출력단에는 LeakyReLU 활성화 함수를 적용하여 출력값이 음수로 편향되는 것을 방지하였다. 이러한 구조는 현시 간 상호작용을 하나의 시계열 표현 공간에서 통합적으로 학습할 수 있도록 한다.

<Table 4>

Model architecture of the GRU-based CTT prediction network

Layer (type)	Output Shape
Input (Time series)	(None, 24, 8, 6)
Reshape	(None, 24, 48)
GRU_1 (GRU)	(None, 24, 192)
Dropout_1 (Dropout)	(None, 24, 192)
GRU_2 (GRU)	(None, 24, 192)
LayerNorm (Layer normalization)	(None, 192)
Dense (fully connected)	(None, 8)

모델 학습을 위한 하이퍼파라미터 설정은 <Table 5>와 같다. 배치 크기는 32로 설정하였으며, 최대 100 epoch까지 학습을 수행하되 검증 손실 기준 조기 종료(early stopping)를 적용하여 과적합을 방지하였다. 최적화 알고리즘으로는 Adam을 사용하였고, 학습률은 0.01로 설정하였다. GRU 계층에는 Dropout을 적용하여 모델의 일반화 성능을 향상시켰으며, 손실 함수로는 실제 CTT 값과 예측값 간의 차이를 직접적으로 반영할 수 있는 평균제곱오차(mean squared error, MSE)를 사용하였다.

<Table 5>

Hyperparameter settings of the proposed GRU model

Hyperparameters	Value
Batch size	32
Epoch	100
Optimizer	Adam
Learning rate	0.01
Activation function	Leaky ReLU (a = 0.01)
Dropout	0.2 (GRU layers)
Early stopping	Patience 20
Loss function	Mean squared error (MSE)

GRU의 최종 출력은 마지막 시점의 은닉 상태를 기반으로 하며, 이를 전결합층에 입력하여 각 현시별 CTT을 동시에 예측하는 다출력 구조로 설계하였다. 즉, 하나의 GRU 모델을 통해 교차로 내 모든 현시에 대한 CTT를 동시에 예측하도록 구성하였다. 학습이 완료된 모델은 실시간 시뮬레이션 환경에서 5초 주기로 입력 데이터를 갱신하여 CTT를 예측하며, 예측 결과는 신호제어 로직의 핵심 입력값으로 활용된다.

3. CTT 예측 모형 성능 평가

예측을 통해 추출된 RMSE, MAE, R² 지표를 활용하여 두 모델의 성능을 비교하였다. 칼만필터와 GRU의 CTT 예측 성능은 다음 <Table 6>과 같으며, 현시별 예측 성능을 시각화한 결과는 <Fig. 3>과 같다. 요약하면, 칼만필터의 경우 CTT 예측값은 전반적으로 관측값을 잘 추종하였으나 평균 RMSE 9.45, MAE 7.32로 GRU 대비 다소 큰 오차를 보이는 것으로 나타났다. 신호 현시 중 직진에 해당하는 2, 6, 8에서는 높은 R²(>0.94)를 보여 교통량 패턴 학습 효과가 뚜렷하게 나타났다. 반면, 좌회전 신호 현시인 1, 3, 5, 7에서는 R²가 0.58~0.83 수준으로, 직진 대비 학습 성능이 제한적임을 시사하였다. 전체 설명력(R²)은 0.83으로 관측값 변동의 약 83%를 설명하며, 학습 데이터와 유사한 패턴에는 안정적인 성능을 보였다.

GRU의 예측 성능을 평가한 결과, RMSE 9.17, MAE 6.19로 평균 약 5~6 단위 수준의 오차로 안정적인 추정 성능을 확보하였다. 전체 설명력(R²)은 0.97로, 관측값 변동의 대부분을 설명하고 있으며, 칼만필터 대비 높은 신뢰성을 확보하였다. 신호 현시 전반에 걸쳐 안정적으로 관측값을 추정하여 모델 성능이 칼만필터에 비해 높게 나타났다. 즉, 앞서 제기한 칼만필터의 한계점을 GRU 모델이 실질적으로 극복하였음을 시사한다.

<Table 6>

Summary of CTT prediction performance of the Kalman filter and GRU algorithms

Models	RMSE	MAE	R²
Kalman filter	9.45	7.32	0.83
GRU	9.17	6.19	0.97

<Fig. 3>

Comparison of CTT prediction results: Kalman filter vs. GRU

4. Com-Interface 기반 CTR 알고리즘 수행 및 결과분석

1) Com-Interface 기반 실시간 CTR 알고리즘 수행

Com-Interface 기반으로 GRU 모델을 적용하는 방안은 다음과 같다. <Fig. 1>에서 칼만필터 대신 GRU 모델을 적용한다. 우선, 5초 단위의 입력데이터를 처리하기 위해 feature scaling과 sequence를 생성한다. 이때, sequence 생성 시 lookback window로 과거 24 step을 고려해야 한다. 그다음으로는 시간(t)에서 CTT를 예측하기 위해 GRU 레이어 내 hidden state를 업데이트하고 fully connected layer에서는 신호 현시별 CTT를 예측하게 된다. 마지막으로는 예측된 CTT를 역스케일링(inverse transform)을 통해 신호 현시별 CTT 추정값을 최종적으로 산출한다.

본 연구에서는 CTR 알고리즘과 VISSIM을 연동(즉, Com-Interface)하여 CTR 알고리즘 기반 실시간 신호제어를 수행하고 효과분석 지표를 산출하였다. 이때, 총 시뮬레이션 시간은 4500초(75분)이고 이 중 처음 900초(15분)는 warm-up 시간으로 설정하였다. 효과척도별 결과 값은 최종 3600초(60분) 동안의 시뮬레이션을 통해 분석하였다. 랜덤시드(random seed)는 42~44로 각 시나리오별 3회씩 시뮬레이션 한 결과의 평균값을 효과분석에 사용하였다.

2) 시나리오별 신호제어 기법별 효과분석

효과분석 지표로는 이동성 측면에서의 효과를 확인하기 위해 평균지체, 대기행렬 길이를 선정하였다. 신호제어 기법별 방향별(동, 서, 남, 북)․이동류별(직진(T), 좌회전(L), 우회전(R)) 평균지체 및 대기행렬 길이를 산출하여 신호제어 기법별 성능을 확인하였다. 여기서, CTR-KF는 CTR 알고리즘의 CTT 예측에 칼만필터를 적용한 것을 의미하며, CTR-GRU는 CTT 예측에 GRU를 적용한 것을 의미한다.

방향별로 평균지체, 대기행렬 길이에 대해 신호제어 기법별로 비교분석한 결과는 <Table 7>, <Table 8>과 같다. 분석 결과 본 연구에서 제안하는 CTR-GRU 알고리즘이 TOD, Synchro, CTR-KF 대비 전반적으로 우수한 성능을 보이는 것으로 나타났다. LOS D 기초 시나리오에서 CTR-GRU는 북측 접근로의 평균지체를 23.8초로 제어하여, TOD(47.1초) 및 Synchro(40.1초) 대비 약 40~50%의 개선 효과를 보였으며, 교통량 불균형 대응 측면에서는 직진 편중 시나리오에서 CTR-KF는 EB 지체를 7.2초까지 낮추었으나 북측지체는 54.0초로 급증시켜 극심한 불균형을 보인 반면 CTR-GRU는 EB 39.1초, NB 22.8초로 모든 방향의 흐름을 상대적으로 형평성 있게 제어하며 CTR-KF 대비 시스템의 안정성을 확보한 것으로 판단된다. 교통량 변동성이 큰 시나리오 측면에서는 CTR-KF는 WB 지체가 79.9초까지 치솟는 모습을 보였으나, CTR-GRU는 29.3초를 유지하며 TOD(31.5초)보다도 우수한 성능을 보였다. 대기행렬 길이 역시 CTR-GRU는 NB 방향에서 23.8 m를 나타내며 TOD(90.1 m) 대비 우수한 성능을 보였다. 이는 비선형 예측에 기반한 GRU 모델이 실시간으로 변화하는 미시적 교통상황에 유연하게 대응했기 때문으로 판단된다.

<Table 7>

Results of average vehicle delay estimation by intersection direction under different scenarios and signal control methods

Scenarios		Vehicle delay(sec)
		TOD				Synchro				CTR-KF				CTR-GRU
		WB	EB	SB	NB	WB	EB	SB	NB	WB	EB	SB	NB	WB	EB	SB	NB
LOS D traffic conditions		28.0	43.9	35.2	47.0	26.3	46.8	35.1	40.1	11.3	46.5	39.1	26.6	25.7	40.8	38.9	23.8
Traffic Volume imbalance	Biased left-turn	28.9	39.2	37.9	39.0	27.1	45.8	32.2	34.0	56.9	34.5	9.4	30.3	27.7	44.0	41.6	25.9
Traffic Volume imbalance	Biased through	30.3	45.8	34.0	45.3	33.0	45.4	29.0	34.3	23.3	7.20	27.9	54.0	24.6	39.1	37.8	22.8
High variable traffic patterns		31.5	43.0	35.0	53.6	34.4	37.2	30.0	34.5	79.9	60.6	46.6	17.4	29.3	46.9	43.9	27.7

<Table 8>

Results of average queue length estimation by intersection direction under different scenarios and signal control methods

Scenarios		Queue length(m)
		TOD				Synchro				CTR-KF				CTR-GRU
		WB	EB	SB	NB	WB	EB	SB	NB	WB	EB	SB	NB	WB	EB	SB	NB
LOS D traffic conditions		22.4	18.1	31.9	44.1	16.7	21.6	27.6	34.4	34.3	31.9	22.4	12.2	19.8	30.6	27.7	18.2
Traffic Volume imbalance	Biased left-turn	23.8	16.0	44.1	46.2	25.8	21.9	35.9	38.3	32.0	68.3	31.5	9.4	24.1	36.4	32.4	21.7
Traffic Volume imbalance	Biased through	30.2	19.2	34.3	41.1	24.3	17.1	25.5	29.7	24.0	24.3	24.6	40.2	18.6	28.8	25.7	16.7
High variable traffic patterns		25.6	17.4	32.0	90.2	19.7	14.1	21.1	27.9	61.8	61.8	42.3	18.2	26.6	38.9	34.4	23.8

다음으로 본 알고리즘 고도화의 핵심인 CTR-KF와 CTR-GRU의 성능 차이를 이동류별(직진, 좌회전, 우회전)로 세분화하여 분석하였으며, 그 결과 LOS D의 기본 시나리오에서는 CTR-KF는 NBT 지체가 0.05초, SBT 4.6초로 특정 직진 이동류에 과도하게 편향된 제어를 수행하는 반면, EBR 지체는 127.3초, SBR은 108.6초로 일부 이동류의 교통상황이 극심하게 악화되는 결과를 초래했다. 이에 비해 CTR-GRU는 EBT 51.8초, NBL 29.0초 등 모든 이동류의 지체를 고르게 분포시켜 교차로 운영의 형평성을 확보하였다. 교통량 불균형 시나리오 중 좌회전 편중 상황에서는 좌회전 수요 증대 시 CTR-KF는 WBL 지체가 154.1초까지 증가하며 병목 현상을 해결하지 못했으나, CTR-GRU는 WBL 29.8초, NBL 31.8초로 큰 폭으로 개선하였음을 확인할 수 있다. 이는 GRU가 좌회전 패턴의 비선형성을 예측하여 적시에 신호를 배분했음을 의미한다. 직진 편중 상황에서는 CTR-KF는 NBR 지체가 161.7초에 달하며 극심한 정체를 보였으나, CTR-GRU는 이를 40.0초로 낮추어 특정 이동류의 희생을 방지하였다. 대기행렬 측면에서도 CTR-KF의 WBT 대기행렬이 54.6m인 반면 GRU는 35.5m로 나타나 전방향 균형을 유지한 것을 확인할 수 있었다. 교통량 변동성이 큰 시나리오에서는 CTR-KF는 WBL 지체 216.8초, EBR 163.0초를 기록하며 제어에 실패하는 모습을 보였다. 그러나 CTR-GRU는 WBL 32.0초, EBR 46.0초로 나타나 실시간 수요 변동에 대한 유연한 대응력을 정량적으로 확인할 수 있었다.

다만, <Table 7>에서 확인할 수 있듯 LOS D의 기본 시나리오에서 CTR-KF의 WB 지체는 11.3초로 매우 낮게 형성되었으나, CTR-GRU는 25.7초를 나타내며 더 높은 지체를 보였다. 또한 직진 편중 상황의 경우 CTR-KF는 EB 지체를 7.2초까지 단축시킨 반면, CTR-GRU는 39.1초로 약 5.4배 높은 지체 수치를 나타냈다. 이러한 결과는 CTR-GRU가 특정 방향에 신호를 집중적으로 배분하여 해당 흐름을 소거하는 능력이 CTR-KF 방식보다 부족함을 시사한다. 알고리즘 간의 이러한 성능 차이는 <Table 9>, <Table 10>의 이동류별 데이터를 통해 더 구체적으로 확인할 수 있다. <Table 9>의 LOS D 상황에서 CTR-KF는 WBT 지체를 7.3초, NBT를 0.05초로 제어하며 특정 이동류에 신호를 압도적으로 할당하였다. 하지만 이로 인해 EBR 지체는 127.3초, SBR은 108.6초로 급격히 악화되었다. 반면 CTR-GRU는 WBT 지체가 49.5초로 CTR-KF 대비 높지만, 동시에 EBR(40.0초)과 SBR(0.9초) 등 모든 이동류의 지체를 CTR-KF 대비 작은 범위 내에서 유지하는 양상을 보인다. 이는 칼만 필터가 이전 시점의 상태를 1:1에 가깝게 반영하여 직전 상태에 매우 민감하게 반응하는 반면, GRU는 전체 8개 이동류의 비선형적 상호작용과 대기행렬 길이의 증가 패턴을 동시에 학습하여 신호를 부여하기 때문으로 해석된다. <Table 10>과 같이 대기행렬 측면에서도 직진 편중 상황에서 CTR-KF는 WBT 대기행렬을 54.6m까지 증가시켰으나, GRU는 35.5m로 나타나며 상대적으로 균형적인 대기행렬 길이를 나타내었다.

<Table 9>

Results of average vehicle delay estimation by CTR model and intersection direction

Scenarios		Vehicle delay(sec)
		CTR-KF												CTR-GRU
		WB			EB			SB			NB			WB			EB			SB			NB
		T	R	L	T	R	L	T	R	L	T	R	L	T	R	L	T	R	L	T	R	L	T	R	L
LOS D traffic conditions		7.3	7.3	19.2	12.1	127.3	0.1	4.6	108.6	4.0	0.05	79.5	0.2	49.5	1.0	26.5	51.8	40.0	30.5	53.8	0.9	62.0	0.8	41.5	29.0
Traffic Volume imbalance	Biased left-turn	8.2	8.4	154.1	10.9	92.3	0.1	6.2	13.4	8.6	0.04	89.6	1.4	52.0	1.2	29.8	55.5	43.5	33.0	57.2	1.2	66.5	1.1	44.8	31.8
Traffic Volume imbalance	Biased through	10.8	7.0	52.2	9.8	11.6	0.2	5.1	73.8	4.8	0.01	161.7	0.2	47.8	0.9	25.0	49.8	38.5	29.0	52.0	0.8	60.5	0.7	40.0	27.8
High variable traffic patterns		12.3	10.4	216.8	17.5	163.0	1.3	9.5	123.4	6.8	0.06	47.7	4.6	54.5	1.4	32.0	58.8	46.0	35.8	60.5	1.5	69.8	1.3	47.2	34.5

<Table 10>

Results of average queue length estimation by CTR model and intersection direction

Scenarios		Queue length(m)
		CTR-KF												CTR-GRU
		WB			EB			SB			NB			WB			EB			SB			NB
		T	R	L	T	R	L	T	R	L	T	R	L	T	R	L	T	R	L	T	R	L	T	R	L
LOS D traffic conditions		10.8	46.1	45.9	45.6	26.1	23.9	26.0	20.5	20.5	9.9	10.4	16.3	37.0	5.0	17.5	38.8	31.0	22.0	35.5	4.6	43.0	4.4	29.8	20.5
Traffic Volume imbalance	Biased left-turn	13.4	41.5	41.1	41.6	82.6	80.7	82.6	5.7	6.3	10.7	13.2	4.4	42.5	6.4	23.5	45.8	36.8	26.5	41.5	5.9	49.8	5.6	34.8	24.8
Traffic Volume imbalance	Biased through	54.6	8.9	8.4	8.0	33.7	31.4	33.6	20.1	20.2	52.8	54.5	13.4	35.5	4.6	15.8	36.5	29.5	20.5	33.2	4.1	39.8	3.9	27.5	18.8
High variable traffic patterns		11.1	87.2	87.1	85.5	50.9	48.9	50.9	37.9	37.9	9.0	10.9	34.7	46.8	7.2	25.8	48.5	39.5	28.8	43.8	6.8	52.5	6.5	37.5	27.5

효과분석 결과를 요약하면, 칼만필터 기반 모델은 선형적 예측의 한계로 인해 특정 이동류의 CTT를 0에 가깝게 줄이는 대신 다른 이동류를 희생시키는 제어 특성을 보였다. 이는 시스템 전체의 수치적 효율성을 일시적으로 높일 수 있으나 도로 운영의 안정성을 저해한다는 한계가 존재한다. 반면 GRU 모델은 모든 이동류를 고르게 고려하는 방향으로 신호를 제어하는 것을 확인할 수 있었다. 다만, LOS D 상황의 WBT 지체 상승(CTR-GRU 51.8초, CTR-KF 7.3초)에서 볼 수 있듯 일부 이동류의 지체 증가가 여전히 발생하는 것으로 확인되었다. CTR-GRU가 전반적으로 우수함에도 불구하고, LOS D 상황에서 WBT 지체가 CTR-KF(7.3초) 대비 CTR-GRU(51.8초)에서 상승한 지점이 존재하였다. 이는 CTR 알고리즘이 교통량이 많거나 정체가 극심한 접근로를 우선 처리하면서, 상대적으로 정체가 심하지 않은 이동류의 신호 시간을 조정한 결과로 해석된다. 따라서 향후에는 특정 이동류의 지체가 임계치를 넘지 않도록 하여 고르게 신호를 배분할 수 있는 제약조건 설정이 필요할 것으로 사료된다.

Ⅴ. 결론 및 향후 연구 과제

본 연구에서는 기존 신호제어 전략이 갖는 고정 주기·사전 계획 기반 운영의 한계를 보완하고, CAV 도입 환경에서 도로교통 운영 효율성을 제고하기 위해 CTT 기반 실시간 CTR 알고리즘을 국내 독립교차로 운영 여건에 맞게 개선하였다. 이를 위해 개별 차량의 CTT를 핵심 상태변수로 활용하는 CTR 제어 방법론의 기본 구조는 유지하되, 신호 현시 의사결정의 근거가 되는 CTT 예측 모듈을 선형 상태공간 기반 칼만필터에서 비선형 시계열 학습이 가능한 GRU 기반 예측 모형으로 대체하여 예측–제어 연계 구조를 고도화하였다. 또한 대상지 교차로를 중심으로 VISSIM 네트워크를 구축하고 COM-Interface 연동을 통해 알고리즘의 실시간 적용 가능성을 구현·검토하였다. 알고리즘 효과 평가는 평균지체 및 대기행렬 길이를 평가지표로 설정하고, TOD 신호제어, Synchro 기반 신호최적화, 칼만필터 기반 CTR(CTR-KF) 및 GRU 기반 CTR(CTR-GRU)을 동일 조건에서 비교할 수 있도록 LOS D의 기본 시나리오와 교통량 불균형(좌회전/직진 편중) 및 교통량 변동성이 큰 시나리오를 구성하여 수행하였다.

CTT 예측 성능 평가 결과, GRU 모델은 칼만필터 대비 전반적으로 더 높은 예측 신뢰도를 확보하였으며, 특히 좌회전 이동류 등 비선형성이 상대적으로 크게 나타나는 조건에서도 현시별 예측이 안정적으로 수행되는 경향을 확인하였다. 이러한 예측 신뢰도 개선은 신호 현시 선택의 변동성을 완화하여 제어 안정성으로 연결되었고, 실시간 시뮬레이션 결과 CTR-GRU는 TOD 및 Synchro 방식 대비 평균지체를 약 40~50% 수준으로 개선하였다. 또한 CTR-KF가 특정 이동류에 녹색시간을 과도하게 집중 배분함으로써 일부 방향의 지체 및 대기행렬이 급격히 악화되는 양상을 보인 반면, CTR-GRU는 방향별·이동류별 지체 분포를 균형적으로 유지하여 교차로 운영의 형평성과 강건성을 동시에 확보하였다. 다만 수요가 특정 방향으로 강하게 편중되는 일부 조건에서는 CTR-KF가 해당 방향의 지체를 더 공격적으로 단축시키는 반면, CTR-GRU의 개선 폭이 제한되는 경향이 관찰되었으며, 이는 극단적 신호 배분을 억제하는 과정에서 나타나는 성능과 형평성 간 상충관계(trade-off)로 해석된다. 종합하면 본 연구는 예측 모형의 비선형성 학습 특징이 예측 정확도 향상에 그치지 않고, 실시간 신호제어 성능뿐 아니라 운영의 안정성과 형평성에도 영향을 미칠 수 있음을 비교 실험을 통해 확인하였다.

이러한 분석 결과를 바탕으로 교통 운영 환경에 따른 신호제어 전략의 적합성을 정리하면, 본 연구에서 제안한 CTR-GRU는 수요의 시간적 변동성과 방향별 불균형이 공존하는 가변적 환경에서 운영 안정성을 극대화할 수 있는 기법으로 판단된다. TOD 및 Synchro 기반의 고정식 제어가 교통량 변화가 적은 안정적 환경에 경제적이라면, CTR-KF는 주도로의 병목 해소가 최우선인 간선축 운영에 강점이 있다. 반면, CTR-GRU는 비선형적 수요 변화에 대한 높은 예측 신뢰도를 바탕으로 특정 이동류의 희생을 최소화하며 교차로 전체의 균형을 유지하는 데 강점이 있다. 따라서 모든 접근로에 대한 관리가 필수적인 도심 밀집 지역이나 실시간 교통정보 수집이 가능한 CAV 도입 환경에서 CTR-GRU는 운영의 형평성과 안정성을 균형 있게 확보하기 위한 하나의 유효한 대안이 될 수 있을 것으로 사료된다.

본 연구를 통해 GRU 기반 독립교차로 CTR 알고리즘의 개선 효과를 확인하였으나, 실제 적용성과 일반화 성능을 높이기 위해 다음과 같은 후속 연구가 필요하다. 첫째, 현재 제어 로직이 교차로 전체 CTT의 최소화에 우선순위를 둘 경우 일부 이동류 희생이 존재할 수 있으므로, 개별 이동류 지체의 임계치 상한 제약, 최소·최대 녹색시간, 방향별 지체 불균형 완화 규칙 등 운용 제약을 알고리즘에 추가 반영할 필요가 있다. 둘째, 본 연구에서 충분히 다루지 못한 다양한 CAV 점유율(10%~100%)을 단계적으로 설정하여 점유율 변화에 따른 예측 모듈과 제어 성능의 변화를 체계적으로 분석할 필요가 있다. 셋째, 단일 교차로 중심의 분석 범위를 네트워크 단위의 연동 교차로로 확장함으로써, 실제 단속류 신호 시스템에 적용 가능한 실시간 CTR 알고리즘으로 발전시키는 연구가 필요하다. 넷째, 송도우체국사거리 교통량 자료 확보의 제약과 시뮬레이션 기반 평가라는 한계를 보완하기 위해, VDS 및 스마트 교차로 등 실측 데이터를 활용한 보정과 함께 데이터 누락·오차 상황에서도 안정적으로 작동하는 알고리즘 강건성을 검증할 필요가 있다. 마지막으로 기상 조건, 보행자 신호, 인접 교차로 연동성 등 변수를 확장한 추가 연구를 통해 적용 환경을 고도화한다면, 실시간 수요 변동에 유연하게 대응하는 차세대 신호제어 시스템으로서 실제 교통 현장의 혼잡 완화에 기여할 수 있을 것으로 기대된다.

ACKNOWLEDGEMENTS

본 연구는 2025년도 정부(경찰청)의 재원으로 과학치안진흥센터의 지원(No.RS-2021-PT000178, 네트워크 제어를 위한 교통정체 및 혼잡 운영관리 기술 개발)을 받아 수행하였습니다.

Figure

<Fig. 1>.