T map 예측 교통정보 고도화

안녕하세요, LBS Platform 운영팀 최찬영입니다.  이번 포스팅을 통해 T map 에서 예측 교통정보를 생성하고, 이를 고도화 하려고 시도하는 부분에 대해 말씀드리겠습니다.

1. 개요

T map 길안내(Route Plan, 이하 RP) 서비스에서 개인화 RP 및 Dynamic RP의 차별성 있는 서비스 제공을 위해서는 미래 교통정보에 대한 정확한 예측이 가장 중요한 변수입니다.

기존 사용중인 패턴교통정보(Historical Traffic Data)에 대해 설명하고, 현재 추진중인 예측교통정보(Prediction Traffic Data) 고도화에 대해 아래와 같이 말씀드리려고 합니다.

2. 패턴&예측 교통정보의 정의

패턴교통정보(Historical Traffic Data)는 과거 일정기간 동안에 제공된 교통정보를 기반으로 요일별·시간별·링크별 패턴화된 교통정보 set을  의미합니다. 현재, T map에서는 제공된 교통정보를 토대로 각 구간별 수집률을 고려한 탄력적인 패턴교통정보를 구축하여 사용 중입니다.

그림1. 패턴교통정보 생성 방법

예측교통정보(Prediction Traffic Data)는 패턴교통정보, 유고정보, 기상정보, Seasonal 특성정보들을 고려하여 미래의 일정 시점까지를 예측하는 교통정보 set입니다. 미래에 발생할 상기 변수들이 교통흐름에 미치는 영향을 예측하여 선제적 대응이 가능한 일자별·시간별(5분간격)·링크별 예측교통정보를 생성하게 됩니다.

3. 美 INRIX 예측교통정보 구축 사례

INRIX는 교통정보 예측을 위해 다양한 예측변수 구축하고, 이를 Baysian 예측모델을 통해 구현하고 있습니다.

그림2. INRIX 예측 교통정보 구축 및 적용 사례

4. T map 예측교통정보 

아래 그림과 같이, 현재 시간 시점을 기준으로 미래 1년에 대한 예측교통정보(Prediction Traffic Data)를 활용합니다. 해당 1년 예측교통정보에는 기본적인 패턴교통정보의 계절적 특성이 반영되어 있습니다. 해당 데이터를 기반으로 다양한 예측변수들로부터 기인된 단기/중기 예측값들을 업데이트 하는 형태로 됩니다.

그림3. T map 예측 교통정보 개요


Seasonal 특성의 고려

표1. 2월 2주차 금요일 데이터에 대한 연도별 평균 속도 분석

‘14년 2/14(금)는 발렌타인데이의 Seasonal 특성으로 인해 평균 속도는 과거3년 2월 2주차 금요일 대비 0.17%, 전 주 대비 4.5%, 최근3 MON 대비 6% 감소함을 볼 수 있습니다.

7월말/8월초 여름 휴가철 Seasonal 특성으로 인한 정체 상황 발생으로 인해 7/29(월) 해당 구간은 평상 시, 패턴과는 다른 정체가 발생됨을 볼 수 있습니다.

영동선 문막SA->문막IC 구간(강릉방면)

그림4. [‘13년 7/22(월)] vs. [7/29(월)] 실시간/패턴 교통정보 비교

명절 – 설날, 추석연휴기간- 명절 영향권인 연휴시작 前日과 연휴 前週 데이터 포함
여름휴가철 – 7월 마지막주 ~ 8월 첫째주
연말연시 – 12월 31일, 1월 1일
표2. 중요 Seasonal특성 변수 List-up

유고정보 특성의 고려

그림5. ‘14년 1/16 한강대교 북단 추돌사고 영향 사례 분석

상기 그림은 한강대교 북단 추돌사고 영향을 전주 실시간/패턴 교통정보와 비교한 것 입니다. 해당 사고 영향으로 하위 링크인 상도터널 남단->북단 구간이 사고발생 30분 후부터 기존 일상적인 패턴과는 다른 형태의 정체가 발생함을 볼 수 있습니다.

기상정보 특성의 고려

기상정보는 현재 당사 Weather Planet 정보를 실시간으로 연계하여 제공받고 있습니다.

그림6. SK플래닛 기상정보 연계 및 활용방안

‘13년 12/9(월) 새벽부터 내린 비가 월요일 출근길 교통상황에 미치는 영향을 전 주 패턴정보 추세와 비교해 보았습니다.

그림7. 경부선 판교JC->판교IC 구간 속도비교

그림8. 경부선 판교IC->양재 구간 속도비교

상기 그림과 같이 정상적인 월요일 출근 시간대와 비가 내린 월요일 출근 시간대의 속도패턴을 살펴보면 비의 영향으로 평상시와는 다른 정체상황이 발생하고 있음을 볼 수 있습니다.

기지국 이동량 정보 특성의 고려

기지국간 이동량 정보(Hand-off 정보)를 가지고 특정 구간에 대해 용량을 구할 수 있습니다. 도로용량이란 주어진 도로 조건에서 15분 동안 최대로 통과할 수 있는 승용차 교통량을 1시간 단위로 환산한 값입니다.

그림9. 기지국 정보 현황 및 해당 데이터에 기반한 교통량-속도 곡선

상기 설명 드린 도로용량 현황과 전국에 분포한 기지국 H/O정보를 통해 특정 구간의 교통량 데이터를 추출할 수 있으며, 해당 데이터를 토대로 해당 도로의 용량을 추출할 수 있습니다. 도로의 용량 데이터는 아래 그림에서 보는 바와 같이 교통정보 예측에 중요한 변수가 됩니다.

그림10. 기지국 이동량 정보와 통행속도 간의 상관관계 그래프

 5. 글을 마치며

앞에서 언급한 바와 같이 다양한 예측변수들을 T map 교통정보에 기반하여 각각의 영향도를 분석하였으며, 이를 토대로 최적 예측값을 찾기 위해 다양한 예측 알고리즘을 검토 중 입니다.

향후에는 Neural Network등의 새로운 기술을 사용하여 예측 알고리즘을 고도화하는 것을 검토하고 있습니다.

감사합니다.

최찬영 LBS Platform운영팀

T map 교통정보 담당자 입니다. ^^

공유하기