본 연구에서는 교통관리센터(TMC)가 미래의 자율주행차(AV)들을 최적 경로로 유도하여 네트워크를 시스템 최적(SO) 원리에 부합시키고자 하는 상황을 고려한다. 그러나 이를 달성하기 위해서는 공동 의사결정 과정이 필요하며, 이용자들은 개인적 이익을 위해 TMC의 경로 안내에 비순응적일 수 있다. 본 논문은 혼합 균형(mixed equilibrium)의 새로운 개념을 도입하기 위해 미시적 시뮬레이션을 활용한 미래 교통 네트워크를 모델링한다. 이와 같은 틀에서 AV는 TMC의 SO 경로 안내를 따르며, 이용자들은 자신의 판단에 따라 이 자율성에 순응하거나 수동으로 재정의(override)하는 선택을 동적으로 할 수 있다. 우리는 먼저 모든 이용자가 완전 순응하는 시나리오를 초기 모형으로 설정하고, TMC에 해당하는 중앙집중형 Q-network를 강화학습(RL)으로 학습하여 전체 시스템 통행시간(TSTT)을 최소화하고 이용자에게 최적 경로를 제공한다. 이후 문제 설정을 다중 에이전트 강화학습(MARL) 시나리오로 확장하여, 이용자들이 자신의 의사결정에 따라 TMC의 안내를 준수하거나 벗어날 수 있도록 한다. 신경 가상 자가대국(neural fictitious self-play, NFSP)을 통해 비순응의 정도가 전체 시스템에 미치는 영향을 조사하기 위해 조절(modulating) 하이퍼파라미터를 적용한다. 그 결과, 본 연구의 RL 접근법은 동적 시스템 최적 배정(dynamic system optimal assignment) 문제를 해결하는 데 상당한 잠재력이 있음을 시사한다. 특히 TMC의 경로 안내는 일정 수준의 비순응을 통합하면서도 SO의 본질을 유지한다. 그러나 지배적인 이용자 중심 의사결정은 시스템 비효율을 초래하는 동시에 이용자 간의 격차를 만들 수 있음을 또한 보여준다. 본 연구의 틀은 AV가 우세한 미래를 위한 혁신적인 도구로서, 네트워크 성능에 대한 현실적인 관점을 제공함으로써 효과적인 교통관리 전략의 수립을 돕는다.

수요응답형 교통(Demand-responsive transit, DRT)은 쾌적하고 편리한 이동을 위해 수요에 따라 서비스를 제공한다. 이러한 이점에도 불구하고, 효율적인 DRT 운영을 위해서는 여러 고려사항을 해결할 필요가 있다. 본 연구는 신속한 이동을 원하는 승객과 최대의 수익을 추구하는 운영자 간의 상충 관계를 해소하기 위해, 수익을 극대화하고 총 통행시간을 최소화하는 다목적 혼합정수 비선형계획 모형(MINLP)을 정식화하여 이를 해결한다. 또한 DRT 운영자는 새 승객으로 인해 통행시간이 증가할 수 있다는 우려를 가진 승객과, DRT를 이용하고자 하는 요청 승객이 제공하는 이점 사이에서 균형을 도모해야 한다. 이를 위해 본 연구는 고정된 시간창을 사용한 선행연구들과 달리, 각 수락된 승객의 통행시간에 대해 예정 통행시간에 비례하는 허용 임계치를 설정하는 최대 시간 지연률(MTR: maximum time delay rate)을 도입하며, 행동경제학 원리를 반영한다. 이 관점에서 통행시간의 증가 또는 감소에 대한 효용은 예정 통행시간에 따라 달라지며, 예정 통행시간은 매몰비용으로 간주된다. 새 요청으로 인해 발생한 통행시간 증가가 허용 범위 내에 있으면 해당 요청을 수락하고, 이후 승객은 DRT를 다른 교통수단과 비교해 선택할지 여부를 결정한다. 우리는 본 연구의 방법론을 대한민국 인천에서 택시 데이터로부터 생성된 동적 승객 요청에 적용한다. DRT의 운영 파라미터 각 조합에 대해 수익과 총 통행시간의 파레토 최적 집합을 도식화한다. 그 결과, MTR 및 최소 운임거리(minimum fare distance)가 DRT 운영에서의 승객 수와 통행시간에 상당한 영향을 미치는 것으로 나타났다. 본 연구의 방법론과 결과는 DRT 운영자와 대중이 바람직한 운영 전략을 찾는 데 도움을 줄 것이다.

이 연구는 장이론(field theory)에서 도출된 새로운 안전성 조치를 제시한다. 이는 고속도로 주행 상황에서 소대(platoon) 내에 발생할 수 있는 다양한 동시 충돌(concurrent conflicts)로부터 기인하는 위험을 평가한다. 구체적으로는 차로 추종, 양보, 차로 변경과 같은 상황을 포함한다. 본 연구에서는 위험 필드(risk field)를 도로 위를 주행하는 차량들이 생성하는 유한한 스칼라 필드로 정의하였고, 충돌 필드(conflict field)는 도로에서 인접한 임의의 차량들 간에 중첩되는 위험 필드로 정의하였다. 연구는 위험 필드를 구성하기 위해 확률적 궤적 예측 모델을 사용하였으며, 실시간 응용을 위한 계산 시간을 줄이기 위해 근사(approximation) 방법을 사용하였다. 제안된 새로운 조치의 적용 가능성을 입증하기 위해, 이를 실제 주행 궤적 데이터(미국 Highway 101의 NGSIM 데이터)에 적용하였다. 그 결과를 기존의 세 가지 충돌 기반 안전성 측정치와 비교하였다: 침입 후 시간(post-encroachment time, PET), 수정 시간-대-충돌(modified time-to-collision, MTTC), 충돌 회피 감속률(deceleration rate to avoid a crash, DRAC)이다. 새로운 조치는 다른 측정치들이 차량 간 위험을 추정할 수 없었던 시간 구간(time windows)에서도 위험을 끊김 없이 연속적으로 추정하였다. 이는 전통적 측정치에 비해 중요한 이점이다. 또한 연구는 충돌 필드 측정치를 이용한 안전성 평가 결과를 안전 분석가가 직관적이고 신속하게 이해할 수 있도록, 추정된 충돌 필드의 시각화 디스플레이를 개발하였다. 우리는 제안된 새로운 안전성 조치가 향후 인간 운전 차량과 자동화 차량이 함께 존재하는 예상 미래의 혼합 교통 환경에서, 관련된 위험을 보다 견고하고 신뢰성 있게 그리고 향상된 수준으로 평가함을 결론으로 제시한다.

스마트카드 데이터는 대중교통의 기·종점(O-D) 행렬을 생성하는 데 널리 사용되며, 이는 교통 계획과 운영에 중요한 정보를 포함한다. 그러나 O-D 행렬의 생성은 스마트카드 데이터에 포함된 정보의 한계로 인해 제약을 받는데, 해당 데이터는 하차(목적지) 정보 없이 승차(기점) 정보만을 포함하기 때문이다. 이 문제를 해결하기 위해 trip chain 방법이 제안되어, 스마트카드 데이터를 이용해 목적지를 추정하는 데 크게 기여해 왔다. 그럼에도 불구하고, 목적지가 확인되지 않은 연결되지 않은 여행(즉, 목적지가 불명확한 여행)은 지속적으로 남아 있는 과제이다. 본 연구의 목적은 trip chain 방법을 적용할 수 없는 연결되지 않은 여행의 목적지를, 장기간의 스마트카드 데이터에 기반하여 승객의 시간대별 이동 패턴과 과거 승차 기록을 활용해 추정하는 방법을 개발하는 데 있다. 승객은 k-means 군집화로 군집화하였고, 각 군집에 대해 가우시안 혼합모형을 이용하여 시간대별 이동 패턴을 추정하였다. 이러한 이동 패턴은 스마트카드 데이터로부터 승객의 목적지를 추정하도록 정식화되었다. 제안된 방법은 대한민국 세종시에서 수집된 2018년 스마트카드 데이터를 사용하여 검증되었다. 기존의 trip chain 방법은 전체 여행의 60.0%에 해당하는 목적지를 일치시킨 반면, 제안 방법은 연결되지 않은 여행의 37.2%에 해당하는 목적지를 추가로 일치시킴으로써 일치율을 74.9%까지 향상시켰다.

충돌(사고) 중증도 추정은 사망자 감소와 도로 안전 확보에 필수적이다. 그러나 중증도 추정의 정확한 달성은 클래스 불균형의 큰 정도와 충돌 데이터의 복잡성으로 인해 어렵다. 이로 인해 모델에서 매개변수 편향과 과적합이 발생한다. 이러한 과제를 해결하기 위해 본 연구는 데이터 증강을 위한 새로운 생성 모델인 베이지안 가우시안 혼합을 결합한 변분 오토인코더(Variational AutoEncoder with Bayesian Gaussian Mixture, VAE–BGM)를 사용한다. 본 모델은 베이지안 추론과 오토인코더 기법의 장점을 통합하여, 충돌 중증도 추정에서 데이터 불균형과 혼합된 데이터 유형의 복잡성을 효과적으로 다룬다. VAE–BGM은 전통적인 충돌 관련 변수와 인접 차량 검지기 데이터로부터 수집된 실시간 데이터를 사용하여 평가한다. 분석은 분류 임계값과 무관하게 성능을 평가하기 위해 수신자 조작 특성–곡선 아래 면적(ROC–AUC)에 초점을 둔다. 그 결과, VAE–BGM은 다른 데이터 증강 방법들에 비해 충돌 중증도 모델의 성능을 일관되게 향상시키는 것으로 나타났다. VAE–BGM은 평균 ROC–AUC 값이 가장 높았으며(0.813), 다른 증강 방법들은 0.707–0.784를 달성하였다. 특성 중요도 분석에서는 충돌 유형, 원인 및 인근 교통량이 핵심 요인으로 확인되어, 충돌 중증도 모델에 현장 차량 검지기 정보를 통합하는 것이 중요함을 강조한다. 본 연구는 교통 안전 분석에서의 방법론적 접근을 발전시키며, 전통적인 충돌 관련 변수와 현장 차량 검지기 데이터를 결합함으로써 고속도로에서 충돌 중증도에 영향을 미치는 요인에 대한 심층 분석을 제공한다.

교통 갈등(Conflict) 분석은 전통적인 사고(crash) 기반 방법을 보완하는 선제적 교통안전 연구 접근으로 부상하고 있다. 그러나 궤적 데이터에서의 위치 측정 오차는 교통 갈등 지표의 정확성을 저해하고, 교통 갈등 기반 안전 분석의 재현성을 떨어뜨린다. 본 연구는 이러한 오차가 미치는 영향을 검토하고, 그 효과를 증폭시키는 조건을 분석한다. 우리는 정밀한 차량 궤적에 대해 통제된 무작위 잡음을 주입하여, 그 잡음이 두 가지 교통 갈등 지표인 충돌까지 시간(time-to-collision, TTC)과 수정 충돌까지 시간(modified time-to-collision, MTTC)으로 어떻게 전파되는지를 관찰하였다. 본 연구는 궤적 데이터의 비편향 위치 측정 오차가 교통 갈등 지표를 위험의 과대평가 방향으로 편향시키는 경향이 있음을 확인하였다. 이는 초기 오차 분포로부터 기대되는 대칭적 효과와는 상반된다. 갈등 유형 중 측면접촉(sideswipe) 갈등이 오차에 가장 취약했으며, 갈등 각도가 직각에 가까워질수록 오차는 감소하였다. 상대거리, 속도, 가속도가 낮은 갈등은 위치 측정 오차로 인한 부정확성에 특히 취약하였다. 또한 서로 다른 갈등 지표는 위치 측정 오차에 대한 민감도가 다양하게 나타났다. MTTC는 각 지표에 사용된 운동량(kinetic quantity)의 기저 오차로 인해 TTC보다 오차에 약 4배 더 민감하다. 이러한 결과는 교통 갈등 분석에 앞서 궤적에서 위치 측정 오차를 평가하는 것의 중요성을 강조한다. 이 접근은 연구자들이 위치 불정확성이 높은 경우 오차에 민감한 지표를 사용하지 않도록 안내함으로써, 다양한 교통 조건에서 갈등 기반 안전 분석의 신뢰성과 재현성을 향상시키는 데 기여한다.

본 연구에서는 교통관리센터(TMC)가 미래의 자율주행차(AV)들을 최적 경로로 유도하여 네트워크를 시스템 최적(SO) 원리에 부합시키고자 하는 상황을 고려한다. 그러나 이를 달성하기 위해서는 공동 의사결정 과정이 필요하며, 이용자들은 개인적 이익을 위해 TMC의 경로 안내에 비순응적일 수 있다. 본 논문은 혼합 균형(mixed equilibrium)의 새로운 개념을 도입하기 위해 미시적 시뮬레이션을 활용한 미래 교통 네트워크를 모델링한다. 이와 같은 틀에서 AV는 TMC의 SO 경로 안내를 따르며, 이용자들은 자신의 판단에 따라 이 자율성에 순응하거나 수동으로 재정의(override)하는 선택을 동적으로 할 수 있다. 우리는 먼저 모든 이용자가 완전 순응하는 시나리오를 초기 모형으로 설정하고, TMC에 해당하는 중앙집중형 Q-network를 강화학습(RL)으로 학습하여 전체 시스템 통행시간(TSTT)을 최소화하고 이용자에게 최적 경로를 제공한다. 이후 문제 설정을 다중 에이전트 강화학습(MARL) 시나리오로 확장하여, 이용자들이 자신의 의사결정에 따라 TMC의 안내를 준수하거나 벗어날 수 있도록 한다. 신경 가상 자가대국(neural fictitious self-play, NFSP)을 통해 비순응의 정도가 전체 시스템에 미치는 영향을 조사하기 위해 조절(modulating) 하이퍼파라미터를 적용한다. 그 결과, 본 연구의 RL 접근법은 동적 시스템 최적 배정(dynamic system optimal assignment) 문제를 해결하는 데 상당한 잠재력이 있음을 시사한다. 특히 TMC의 경로 안내는 일정 수준의 비순응을 통합하면서도 SO의 본질을 유지한다. 그러나 지배적인 이용자 중심 의사결정은 시스템 비효율을 초래하는 동시에 이용자 간의 격차를 만들 수 있음을 또한 보여준다. 본 연구의 틀은 AV가 우세한 미래를 위한 혁신적인 도구로서, 네트워크 성능에 대한 현실적인 관점을 제공함으로써 효과적인 교통관리 전략의 수립을 돕는다.

수요응답형 교통(Demand-responsive transit, DRT)은 쾌적하고 편리한 이동을 위해 수요에 따라 서비스를 제공한다. 이러한 이점에도 불구하고, 효율적인 DRT 운영을 위해서는 여러 고려사항을 해결할 필요가 있다. 본 연구는 신속한 이동을 원하는 승객과 최대의 수익을 추구하는 운영자 간의 상충 관계를 해소하기 위해, 수익을 극대화하고 총 통행시간을 최소화하는 다목적 혼합정수 비선형계획 모형(MINLP)을 정식화하여 이를 해결한다. 또한 DRT 운영자는 새 승객으로 인해 통행시간이 증가할 수 있다는 우려를 가진 승객과, DRT를 이용하고자 하는 요청 승객이 제공하는 이점 사이에서 균형을 도모해야 한다. 이를 위해 본 연구는 고정된 시간창을 사용한 선행연구들과 달리, 각 수락된 승객의 통행시간에 대해 예정 통행시간에 비례하는 허용 임계치를 설정하는 최대 시간 지연률(MTR: maximum time delay rate)을 도입하며, 행동경제학 원리를 반영한다. 이 관점에서 통행시간의 증가 또는 감소에 대한 효용은 예정 통행시간에 따라 달라지며, 예정 통행시간은 매몰비용으로 간주된다. 새 요청으로 인해 발생한 통행시간 증가가 허용 범위 내에 있으면 해당 요청을 수락하고, 이후 승객은 DRT를 다른 교통수단과 비교해 선택할지 여부를 결정한다. 우리는 본 연구의 방법론을 대한민국 인천에서 택시 데이터로부터 생성된 동적 승객 요청에 적용한다. DRT의 운영 파라미터 각 조합에 대해 수익과 총 통행시간의 파레토 최적 집합을 도식화한다. 그 결과, MTR 및 최소 운임거리(minimum fare distance)가 DRT 운영에서의 승객 수와 통행시간에 상당한 영향을 미치는 것으로 나타났다. 본 연구의 방법론과 결과는 DRT 운영자와 대중이 바람직한 운영 전략을 찾는 데 도움을 줄 것이다.

이 연구는 장이론(field theory)에서 도출된 새로운 안전성 조치를 제시한다. 이는 고속도로 주행 상황에서 소대(platoon) 내에 발생할 수 있는 다양한 동시 충돌(concurrent conflicts)로부터 기인하는 위험을 평가한다. 구체적으로는 차로 추종, 양보, 차로 변경과 같은 상황을 포함한다. 본 연구에서는 위험 필드(risk field)를 도로 위를 주행하는 차량들이 생성하는 유한한 스칼라 필드로 정의하였고, 충돌 필드(conflict field)는 도로에서 인접한 임의의 차량들 간에 중첩되는 위험 필드로 정의하였다. 연구는 위험 필드를 구성하기 위해 확률적 궤적 예측 모델을 사용하였으며, 실시간 응용을 위한 계산 시간을 줄이기 위해 근사(approximation) 방법을 사용하였다. 제안된 새로운 조치의 적용 가능성을 입증하기 위해, 이를 실제 주행 궤적 데이터(미국 Highway 101의 NGSIM 데이터)에 적용하였다. 그 결과를 기존의 세 가지 충돌 기반 안전성 측정치와 비교하였다: 침입 후 시간(post-encroachment time, PET), 수정 시간-대-충돌(modified time-to-collision, MTTC), 충돌 회피 감속률(deceleration rate to avoid a crash, DRAC)이다. 새로운 조치는 다른 측정치들이 차량 간 위험을 추정할 수 없었던 시간 구간(time windows)에서도 위험을 끊김 없이 연속적으로 추정하였다. 이는 전통적 측정치에 비해 중요한 이점이다. 또한 연구는 충돌 필드 측정치를 이용한 안전성 평가 결과를 안전 분석가가 직관적이고 신속하게 이해할 수 있도록, 추정된 충돌 필드의 시각화 디스플레이를 개발하였다. 우리는 제안된 새로운 안전성 조치가 향후 인간 운전 차량과 자동화 차량이 함께 존재하는 예상 미래의 혼합 교통 환경에서, 관련된 위험을 보다 견고하고 신뢰성 있게 그리고 향상된 수준으로 평가함을 결론으로 제시한다.