고속도로 통행료수납자료를 이용한 통행시간 예측모형 개발 = Development of The Freeway Operating Time Prediction Model Using Toll Collection System Data

다국어 초록 (Multilingual Abstract)

The object of this study is to develop an operating time prediction model for expressways using toll collection data. A prediction model based on modular neural network model was developed and tested using real data. Two toll collection system(TCS) data set, Seoul-Suwon section for short range and Seoul-Daejeon section for long range, in Kyongbu expressway line were collected and analyzed. A time series analysis on TCS data indicated that operating times on both ranges are in reasonable prediction ranges. It was also found that predic- tion for the long section was more complex than that for the short section. However, a long term prediction for the short section turned out to be more difficult than that for the long section because of the higher sensitivity to initial condition. An application of the suggested model produced accurate prediction time. The features of suggested prediction model are in the requirement of minimum (3) input layers and in the ability of stable operating time prediction.

국문 초록 (Abstract)

경인고속도로가 개통된 1969년 이후로 우리나라 고속도로는 국토의 대동맥으로서 꾸준한 확장과 신설을 거듭해 왔으며, 조만간 고속도로 3,000㎞시대를 맞이하게 될 전망이다. 이에 고속도로는 건설과 확장 위주에서 효율적 운영이 중요성이 과거 그 어느 때보다도 강조되고 있다. 최근 고속도로망이 복잡해져 감에 따라 교통정보의 가치가 점점 높아지고 있고, 더욱이 정보통신기술의 급격한 발달과 함께, 휴대폰, PDA, PNS 등의 보급이 증가함에 따라 교통정보의 수요가 급증하고 있다. 특히, 통행시간 정보의 경우, 혼잡이 있는 도로망에서 최적의 경로선택을 하고, 경로간에 적절한 교통량분산을 통해 자원의 효율적 배분을 달성하는데 있어 필수적인 정보로서 그 중요성을 더해 가고 있는 실정이다.본 연구에서는 고속도로 통행료수납시스템(TCS)에서 수집되는 톨게이트간 통행시간 데이터를 기반으로 TCS 통행시간 데이터의 속성과 시계열적 패턴을 규명하고, 이를 바탕으로 모듈라 신경망모형(Modular Neural Network Model)을 이용한 통행시간 예측모형을 개발하였다.우선, 단거리(서울→수원)와 장거리(서울→대전) 그리고 평일과 주말로 구분하여 TCS 데이터에 대한 시계열 패턴 분석을 한 결과, 단거리와 장거리 공히 충분한 범위의 예측가능한 시간적 범위를 가지고 있으며, 복잡한 정도는 장거리가 높은 것으로 나타났다. 다만, 단거리구간이 장거리 구간에 비해 초기조건에 대한 민감성이 큰 이유로 상대적으로 장기예측이 어려운 것으로 분석되었다. 한편, 모형 적용 현장의 요구기능을 분석하여 모듈라 신경망 구조를 가진 예측모형을 개발하였으며, 최소한 약 80분 이상의 장기예측이 요구되는 서울→대전구간에 적용한 결과, 대부분 10분 이내의 낮은 오차를 보였다. 본 연구에서 개발된 모형은 예측범위가 고정적인 대부분의 시계열모형과는 달리 최소의 입력(3개)을 가지면서 하나의 신경망으로 학습한 최대/최소의 예측시간범위내에서 그 크기에 상관없이 거의 동일한 수준의 예측력을 보이는 장점을 가지고 있다.