Abstract
Conventional methods for collecting origin-destination trips have been mainly relied on the surveys of home or roadside interview. However, the methods tend to be costly, labor intensive and time disruptive to the trip makers, thus the methods are not considered suitable for Planning applications such as routing guidance, arterial management and information Provision, as the parts of deployments in Intelligent Transport Systems Motivated by the problems, more economic ways to estimate origin-destination trip tables have been studied since the late 1970s. Some of them, which have been estimating O-D table from link traffic counts are generally Entropy maximizing, Maximum likelihood, Generalized least squares(GLS), and Bayesian inference estimation etc. In the Paper, with user equilibrium constraint we formulate GLS problem for estimating O-D trips and develop a solution a1gorithm by using Genetic Algorithm, which has been known as a g1oba1 searching technique. For the purpose of evaluating the method, we apply it to Seoul inner ringroad and compare it with gradient method proposed by Spiess(1990). From the resu1ts we fond that the method developed in the Paper is superior to other.
링크에서 관측된 교통량과 기존의 기종점표(Origin-Destination matrix)를 결합해 새로운 OD를 추정하고자 하는 연구들은 1980년대부터 20여년간 많은 연구자들을 통해 논의되어 왔다. 특히 최근들어 ITS 등의 보급으로 교통관리를 위한 기본자료로서 링크 교통량의 관측이 확대되면서, 도시고속도로 및 간선도로 관리, 경로안내 시스템 등에 사용될 목적으로 링크관측교통량 자료를 이용한 OD 추정의 필요성이 더욱 높아지고 있다. OD 추정을 위해 사용되는 기존기법으로는 여러 가지가 있으나 가장 대표적인 기법으로는 베이지안 추정을 이용하는 통계적 방법(Maher, 1983), Entropy 극대화 규칙을 이용하는 방법(Van Zuylen and Willumsen, 1980; Fisk and Boyce, 1983; Fisk, 1989), 최우추정법을 이용한 방법(Spiess, 1987), 그리고 일반화 최소자승법을 이용하는 방법(Gothe et al., 1989; Bell, 1997; Yang et al., 1992) 등이 있다. 본 연구에서는 이러한 방법들 중 최소자승법을 이용해 OD추정모형을 구축하고, 최적해를 얻기 위하여 유전알고리즘(Genetic Algorithm)을 이용한 알고리즘을 개발하였다 또한, 개발된 모형을 통해 얻은 결과를 Spiess(1990)가 제시하여 현재 EMME/2에서 사용되고 있는 Gradient method의 결과와 비교하였다. 본 연구에서는 모형의 추정력 비교를 위해 각 기종점 통행량의 평균 추정오차 외에 동일한 기점을 갖는 기종점 통행량 간의 규모순위(OD 구조) 추정력을 확인하였다. 서울시 내부순환도로를 분석대상으로 하여, 대상지역에서 오전에 조사된 OD를 기존(Target) OD로 사용하였고, 오후의 OD를 추정대상 OD로 설정하였으며, 각 링크에서 오후에 조사된 실제교통량을 링크 관측교통량으로 사용하였다. 분석결과 유전알고리듬을 이용한 최소자승법을 통해 얻은 결과가 Gradient method를 통해 얻은 결과에 비해 우수한 것으로 나타났다.