내비게이션 데이터를 활용한 시간대 그룹별 통행량 집중률 분포 패턴 분석
DC Field | Value | Language |
---|---|---|
dc.contributor.author | 송용욱 | - |
dc.contributor.author | 김익기 | - |
dc.contributor.author | 남호현 | - |
dc.contributor.author | 박상준 | - |
dc.date.accessioned | 2022-12-20T05:48:52Z | - |
dc.date.available | 2022-12-20T05:48:52Z | - |
dc.date.issued | 2021-06 | - |
dc.identifier.issn | 1229-1366 | - |
dc.identifier.uri | https://scholarworks.bwise.kr/erica/handle/2021.sw.erica/111262 | - |
dc.description.abstract | 이 연구는 내비게이션의 실측 데이터를 이용하여 지역 간 통행에 있어 통행거리별로 출발시각 선택에 차이가 있다는 가설과 이와 같은 출발시각 차이는 통행거리별로 시간대별 교통량 분포패턴의 차이를 야기한다는 행태적 가설을 검증하고자 하였다. 현재 교통수요추정 시 가구통행실태조사 표본자료를 전수화하여 추정된 AAWDT(Annual Average WeekDay Traffic)를 이용하여 첨두 ‧ 비첨두의 집중률을 적용하여 교통패턴을 추정 분석하고 있다. 하지만 이와 같이 통행거리(통행시간)에 상관없이 획일적 첨두 및 비첨두 집중률을 적용하여 네트워크 노선배정분석을 하여 각 도로구간의 첨두시, 비첨두시의 교통량을 추정하는 것은 현실적 통행패턴과는 차이가 클 것으로 고려된다. 그래서 본 연구에서는 현실에서 실측 조사된 내비게이션 자료로부터 통행거리별 출발시각의 차이로 인한 첨두시간대의 차이를 네트워크 분석에 반영함으로써 출발시각 시점을 기준으로 첨두시와 비첨두시의 집중률 패턴을 좀 더 현실적으로 추정하는 방법을 제안한다. 본 연구에서 사용한 자료는 현재 국내 내비게이션 서비스 중 가장 높은 점유율을 확보하고 있는 SK T-map 자료이며, 2016년의 평일 261일의 자료를 사용하였다. 적용한 분석도구는 통계 패키지 프로그램인 SAS와 데이터 마이닝 플랫폼인 RapidMiner를 이용하여 k-means 클러스터링을 실시하였다. 내비게이션 실측자료를 기반으로 지역 간 통행의 통행거리를 통행특성이 유사하도록 거리별 7개의 그룹으로 구분하였으며, 구분한 거리별 그룹에 대해 시간대별 평균 교통량 비율을 산출하였다. 위에서 구한 통행거리별 7개 그룹의 출발시간 기준 24시간 교통량 집중률 자료를 활용하여 그룹별 시간대를 첨두, 비첨두 및 심야로 구분하는 것과 같이 유사 교통패턴을 그룹화 및 단순화하여 시간대별 분포패턴을 가장 현실적으로 표현 하는 방법에 대한 연구를 수행하였다. 즉, 7개의 그룹의 하루 24시간의 시간대별 교통량 집중률을 k=2부터 k=5까지 k-means 클러스터링 분석을 통해 집중률 패턴이 유사한 시간대를 하나의 그룹으로 구분하였다. k값에 따라 k-means 클러스터링 결과별 BIC, Elbow Method, 실루엣 계수, 상관계수 분석과 절편이 없는 단순회귀모형의 기울기와 값을 평가 분석결과 시간대별 교통 패턴을 3개로 구분하는 것이 최적의 결과로 도출되었다. 또한 네트워크 분석이 가능하도록 연구결과로 얻어진 통행거리 구분과 시간대별 교통량 집중률 패턴 구분이 반영된 OD 자료를 구축하는 방법도 제안하였다. 이와 같이 통행거리별 출발시각의 차이를 반영한 하루의 시간대 그룹별 OD 자료에 의한 네트워크의 노선배정(traffic assignment)을 수행할 경우 단거리, 중거리 및 장거리 통행이 혼재한 도로구간(링크) 상의 시간대 구간 그룹의 교통량 패턴을 더욱 현실적 분석을 가능하게 할 수 있을 것으로 기대된다. | - |
dc.description.abstract | This study was intended to verify the hypothesis that there is a difference in the choice of start time by travel distance and the behavioral hypothesis that such difference in departure time results in differences in vehicle trip distribution patterns by time range using actual measurement data of navigation. In the current, when estimating traffic demand, use AAWDT (Annual Average WeekDay Traffic) estimated from household traffic survey sample data to estimate traffic pattern by applying the ratio of peak and non-peak vehicle trip. However, it is thought that estimating the concentration ratio of roads with uniform rate of peak and non-peak regardless of travel distance (travel time) to analyze the network path will differ significantly from the actual traffic patterns. This study proposes a more realistic method of estimating by reflecting the traffic patterns which difference in peak and non-peak time due to differences in departure time by distance using actual measurement data of navigation. in the network analysis. This study use SK T-map data, which has the highest share of navigation service in Korea, of 261 day on weekdays during one year. SAS (statistical package program) and RapidMiner (data mining platform) were used as analysis tools to construct k-means clustering. Based on actual navigation data, interregional travel distance was divided into seven groups to have similar characteristics, and the average traffic rate was calculated by the distance groups. By grouping and simplifying similar traffic patterns such as peak, non-peak and night using 24-hours traffic concentration rate data from derived seven distance group, a study was conducted on how to most realistically express traffic patterns. In other word, using the 24-hour traffic concentration rate of seven distance groups, through the k-means clustering analysis from k=2 to k=5, the time zone with similar traffic pattern of concentration was divided into one group. The results of BIC, Elbow, Silhouette, correlation coefficient analysis by k-means clustering result, slope, and value of non-segmented simple regression model were compared according to k value. As a result of this study, it was found that it is best to classified traffic pattern by time into three groups. In addition, it proposed a method of building OD data to enable network analysis that reflected the classification of travel distance and traffic concentration ratio patterns obtained from the research results. It is expected that a more realistic analysis of the traffic patterns of time bands on roads where short, medium and long distance traffic is mixed when performing a traffic assignment based on OD data which reflecting differences in departure time by travel distance. | - |
dc.format.extent | 19 | - |
dc.language | 한국어 | - |
dc.language.iso | KOR | - |
dc.publisher | 대한교통학회 | - |
dc.title | 내비게이션 데이터를 활용한 시간대 그룹별 통행량 집중률 분포 패턴 분석 | - |
dc.title.alternative | Exploring Temporal Traffic Variation Patterns with Navigation Data | - |
dc.type | Article | - |
dc.publisher.location | 대한민국 | - |
dc.identifier.doi | 10.7470/jkst.2021.39.3.221 | - |
dc.identifier.bibliographicCitation | 대한교통학회지, v.39, no.3, pp 221 - 239 | - |
dc.citation.title | 대한교통학회지 | - |
dc.citation.volume | 39 | - |
dc.citation.number | 3 | - |
dc.citation.startPage | 221 | - |
dc.citation.endPage | 239 | - |
dc.identifier.kciid | ART002726350 | - |
dc.description.isOpenAccess | Y | - |
dc.description.journalRegisteredClass | kci | - |
dc.subject.keywordAuthor | construction of OD data reflecting differences in departure time by distance | - |
dc.subject.keywordAuthor | grouping of time sections by similar patterns according to traffic concentration rate | - |
dc.subject.keywordAuthor | k-means clustering | - |
dc.subject.keywordAuthor | navigation data | - |
dc.subject.keywordAuthor | simple regression | - |
dc.subject.keywordAuthor | 교통량 집중률에 따른 유사패턴으로 시간대의 그룹화 | - |
dc.subject.keywordAuthor | 통행거리별 출발시각 차이를 반영한 OD 자료 구축 | - |
dc.subject.keywordAuthor | 내비게이션 데이터 | - |
dc.subject.keywordAuthor | k-means 클러스터링 | - |
dc.subject.keywordAuthor | 단순회귀모형 | - |
dc.identifier.url | https://www.dbpia.co.kr/journal/articleDetail?nodeId=NODE10569244 | - |
Items in ScholarWorks are protected by copyright, with all rights reserved, unless otherwise indicated.
55 Hanyangdeahak-ro, Sangnok-gu, Ansan, Gyeonggi-do, 15588, Korea+82-31-400-4269 sweetbrain@hanyang.ac.kr
COPYRIGHT © 2021 HANYANG UNIVERSITY. ALL RIGHTS RESERVED.
Certain data included herein are derived from the © Web of Science of Clarivate Analytics. All rights reserved.
You may not copy or re-distribute this material in whole or in part without the prior written consent of Clarivate Analytics.