초록
도로상에서 발생하는 교통 혼잡비용은 지역 간 도로 보다는 도심부 내에서 비중 있게 발생하며, 이는 전체 혼잡비용의 약 63.39%를 차지하고 있다. 따라서, 교통혼잡비용의 절감을 위해서는 도심부의 교통 혼잡을 해소하는 것이 중요하다. 도심부의 교통 혼잡은 반복정체와 비반복정체로 구분되며, 비반복 정체를 신속하고 정확하게 검지하는 것이 교통혼잡의 해소에 있어 무엇보다 중요하다. 그러나 돌발상황 검지에 관한 연구는 대부분 연속류를 대상으로 수행되어 왔다. 도심부 단속류 도로의 경우, 신호 교차로 주정차 차량 등 다양한 변수가 존재하기 때문에 연속류에 적용되는 돌발상황 검지 알고리즘을 수정없이 적용하기에 무리가 있다. 따라서 본 연구에서는 도심부 단속류 도로를 대상으로 수집된 GPS 기반의 차량궤적 데이터에 인공신경망을 적용하여 돌발상황검지 모형을 구축하였다. 제안된 모형의 정확도 검증 결과, 돌발상황 검지율 46.15%, 오보율 25.00%가 도출되었다. 이러한 결과는 단속류를 대상으로 하는 초기 연구 결과로서 의미가 있다. 또한 내비게이션 장치와 같은 차량 궤적 데이터만을 활용하여 비반복정체를 검지 할 수 있는 가능성을 제시 했다는 것에 의미를 찾을 수 있을 것이다.
Traffic congestion cost is more likely to occur in the inner city than interregional road, and it accounts for about 63.39% of the whole. Therefore, it is important to mitigate traffic congestion of the inner city. Traffic congestion in the urban could be divided into Recurrent congestion and Non-recurrent congestion. Quick and accurate detection of Non-recurrent congestion is also important in order to relieve traffic congestion. The existing studies about incident detection have been variously conducted, however it was limited to Uninterrupted Traffic Flow Facilities such as freeway. Moreover study of incident detection on the interrupted Traffic Flow Facilities is still inadequate due to complex geometric structure such as traffic signals and intersections. Therefore, in this study, incident detection model was constructed using by Artificial Neural Network to aim at urban arterial road that is interrupted traffic flow facility. In the result of the reliability assessment, the detection rate were 46.15% and false alarm rate were 25.00%. These results have a meaning as a result of the initial study aimed at interrupted traffic flow. Furthermore, it demonstrates the possibility that Non-recurrent congestion can be detected by using car navigation data such as car navigator system device.
