https://doi.org/10.7848/ksgpc.2017.35.3.133
기상인자를 고려한 도로 위험지도 개발
Development of a Road Hazard Map Considering
Meteorological Factors
김형준1)
Kim, Hyung Joon
Abstract
Recently, weather information is getting closer to our real life, and it is a very important factor especially in the transportation field. Although the damage caused by the abnormal climate changes around the world has been gradually increased and the correlation between the road risk and the possibility of traffic accidents is very high, the domestic research has been performed at the level of basic research. The Purpose of this study is to develop a risk map for the road hazard forecasting service of weather situation by linking real - time weather information and traffic information based on accident analysis data by weather factors. So, we have developed a collection and analysis about related data, processing, applying prediction models in various weather conditions and a method to provide the road hazard map for national highways and provincial roads on a web map. As a result, the road hazard map proposed in this study can be expected to be useful for road managers and users through online and mobile services in the future. In addition, information that can support safe autonomous driving by continuously archiving and providing a risk map database so as to anticipate and preemptively prepare for the risk due to meteorological factors in the autonomous driving vehicle, which is a key factor of the 4th Industrial Revolution, and this map can be expected to be fully utilized.
Keywords: Weather Information, Traffic Accidents, Road Hazard Level, Web Map, Autonomous Driving, Road Hazard Map
초 록
최근 기상정보는 우리 실생활에 더욱 밀접해지고 있으며, 특히 교통분야에는 매우 중요한 요소로 작용하고 있다.
전 세계적으로 기상이변에 따른 교통분야의 피해는 점차 증가하고 있지만, 기상상태에 따른 도로 위험정도, 교통사 고 발생가능성 등 상관관계가 매우 높을 것으로 추정됨에도 불구하고 교통예보서비스, 교통안전정보 제공 등 국내 연구는 기초연구 수준에 진행되고 있다. 본 연구는 기상인자별 사고분석 자료를 기반으로 실시간 기상정보와 교통 정보를 연계하여 기상상황별 도로위험 예보서비스를 위한 위험지도 개발을 연구목적으로 하고 있다. 이를 위해 관 련자료 수집 및 분석, 자료가공, 기상상태별 예측모형을 적용, 웹 지도상에서 전국고속도로를 대상으로 기상상태별 도로 위험지도를 제공하는 방안을 개발하였다. 그 결과 본 연구에서 개발한 도로 위험지도는 향후 온라인, 모바일 서비스 등 도로 관리자, 사용자에게 유용하게 활용할 수 있을 것으로 기대할 수 있다. 또한, 제4차 산업혁명의 핵심 키워드인 자율주행자동차 운행에 있어 기상요소에 따른 위험도를 예측하고 선제적으로 대비할 수 있도록 위험지도 DB를 지속적으로 아카이빙하고 제공하여 보다 안전한 자율주행을 지원할 수 있는 정보로써 활용할 수 있을 것으 로 판단된다.
핵심어 : 기상정보, 교통사고, 도로 위험정도, 웹 지도, 자율 주행, 도로 위험지도
Original article
Received 2017. 04. 07, Revised 2017. 04. 18, Accepted 2017. 05. 20
1) Member, Dept. of Geoinformatics, LBCSoft (E-mail: [email protected])
This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License (http://
creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium,
1. 서 론
기상정보는 우리의 생활에 밀접한 영향을 미치고 있으며, 급격한 기상상황 변화는 특히 교통 분야에 큰 영향을 주고 있 다. 최근 전 세계적으로 기상이변으로 인한 피해는 점차 증가 하고 있으며, 2015년 2월에 발생한 인천 영종대교 106중 추돌 사고는 짙은 안개로 인한 운전자 시야확보 불량으로 인한 교 통사고에 해당한다. 이로 인해 기상변화에 따른 실시간 도로 위험정보 제공의 필요성에 대한 이슈가 제기되었다. 실제로 강 우, 강설, 안개, 기온변화 등 기상상황 변화로 인한 도로 주행 환경의 변화에 따른 도로 위험정보, 교통사고 발생가능성 등 상관관계가 매우 높을 것으로 추정됨에도 불구하고 교통예보 서비스, 교통안전정보 제공 서비스 구축에 대한 연구는 자료 수집의 한계로 인해 사고위험도 예측 모형개발 등 기초연구 수준에서 진행되고 있는 것으로 조사되었다. 따라서 본 연구 에서는 기존 연구의 한계를 극복하기 위해 기상정보와 교통사 고정보 및 도로 기하구조정보 등을 융합하고 기상상태에 따 른 도로의 사고심각도 및 가능성 모델을 적용하여 기상인자 에 따른 도로위험 정도가 표출된 웹맵 서비스를 개발하는 것 이 본 연구의 목적이다.
2. 국내·외 현황
2.1 국내 현황
2.1.1 이론적 고찰
최근에는 기상과 관련한 교통안전과의 관계를 분석하고, 사고심각도에 미치는 영향, 실시간 사고위험도 예측 모형을 구축하는 등의 연구는 활발히 이루어지고 있다.
Ha et al.(2005)은 교차로 교통사고에 있어 사고 심각도에 영향을 미치는 요인을 분석하고 교차로 안전성 향상에 기여 하고자 하였으며, Lee et al.(2008)은 안개시 발생한 사고자료 및 기상자료를 토대로 도로기하구조, 주변 환경요소 등의 설 명변수를 수집하여 안개발생시 발생하는 교통사고의 사고율 과 사고심각도 모형을 개발하였다. Park et al.(2010)은 과거 사 고이력자료를 이용하여 기상상태요인과 도로요인과의 교통 사고 발생관계 판별 분석을 수행하고, 눈, 맑음, 비, 안개, 흐 림 등 5가지 기상인자에 대해 노면과 경사도를 통해 구분하였 다. Hong et al.(2012)은 교통안전과 고속도로의 기하구조의 특성관계를 주간, 야간으로 비교하여 분석한 바 있으며, 운전 자의 전방 상황주시에 영향을 주는 환경에서 도로의 선형과 교통안전과의 관계를 분석하여 위험한 도로조건을 도출하였 다. Choi et al.(2013)는 고속도로 화물차사고의 심각도에 영향
을 미치는 기상 및 도로·교통요인을 도출하고 이항 로지스틱 회귀분석을 이용하여 사고 심각도의 확률적 증가에 영향을 미치는 요인을 기상별로 비교분석하였다. Chung et al.(2011) 은 교통혼잡 지표, 강설시 도로의 등판 가능성 지표, 강우시 도로 침수 가능성 지표를 적용한 교통취약성 맵을 시범적으 로 구축하였으며, 교통예보시스템 구성 방안을 제시하였다.
Park et al.(2013)은 교통사고 심각도에 영향을 미치는 요소에 대한 분석을 위하여 도로기하 구조요인과 도로환경 요인을 독립변수로 선정하고, 순서형 프로빗 회귀모형을 적용하여 사 고심각도에 영향을 미치는 변수를 분석하였다.
2.1.2 국내 웹맵 서비스 현황
국내에서 운영 중인 웹맵 서비스는 공공부문과 민간부문 으로 구분할 수 있다. 공공부문에서는 국토교통부의 ‘공간정 보오픈플랫폼 (V-World, 브이월드)’과 국토지리정보원 ‘바로e 맵’을 들 수 있다. 브이월드는 웹맵 서비스와 모바일 어플리케 이션 제공으로 사용자의 다양한 이용환경을 만족시키고 있 다 . 3차원 지도를 가장 기본이 되는 지도 데이터로 활용하고 있으며 , 이를 바탕으로 다양한 주제도를 제공하고 있다. 바로 e맵은 국가기본도를 기반으로 공신력 있는 공공행정정보가 융·복합되어 웹맵으로 서비스되며, 웹맵 서비스를 위한 원천 데이터도 별도로 제공하고 있다.
민간부문에서는 대표적으로 NAVER와 Daum 지도서비스 를 들 수 있다. NAVER는 정확하고 신속한 지도서비스 갱신 을 위해 현장조사팀을 운영하는 등 데이터 수집 및 가공에 중 점을 두고 있다. Daum은 신규 콘텐츠 발굴 및 구축을 통한 신 규 서비스 제공에 중점을 두고 있다. 이러한 국내 웹맵 서비스 는 배경지도, 교통상황, CCTV(Closed-Circuit Television), 날 씨 등 기본적인 정보만을 제공하고 있으며, 그 현황은 다음 Table 1과 같다. 현황 분석 결과 국내 웹맵 서비스의 제공정보 는 단순히 현황만을 제공하고 있어, 기상인자에 따른 위험요 소 예측, 판단, 대응 등에 대해 사용자가 활용하기에는 다소 미흡한 실정이라 할 수 있다.
Information
type Vworld Baro e map Daum
map Naver map Traffic condition O X O O
CCTV O X O O
Weather X X O O
General map O O O O
Satellite map O O O O
Table 1. Information provided by domestic web map service
2.1.3 국내 기상관련 시스템 현황
국내에서 운영되고 있는 기상정보시스템은 고속도로 및 국 도 , 주요 교량 등을 대상으로 구축되어 있다. 기상정보와 교 통과의 관계를 활용하여 구축ㆍ운영되고 있는 정보시스템은 한국도로공사와 도로교통공단에서 운영중에 있으나, 두 시스 템은 기상상황에 따른 교통소통 상태를 예보하기 위해 구축 한 서비스이다.
한국도로공사에서 운영중인 교통예보지원시스템의 경우 기상청의 단기, 중기예보 중 기온, 강수여부, 강수량, 강우여 부 , 강우량을 활용하여 과거의 교통량과 기상 패턴 중 현재와 가장 유사한 패턴을 찾아 기상상황에 대한 예보서비스를 제 공하고 있다.
도로교통공단에서 운영중인 UTIS(Urban Traffic Infor- mation System)시스템은 경찰청에서 수집한 안전데이터 중 기상관련 데이터와 미끄러운 도로, 침수, 급커브, 급경사 데이 터를 위치기준으로 융합하여 서비스하고 있으며 서비스 현황 은 Fig. 1과 같다. 관련한 연구과제인 ‘기상악화로 인한 교통사 고 취약성 맵 구축’에서는 기상수준별, 도로기하구조별, 교통 상황별 교통사고 발생가능성과 심각도 모델 구축 및 관련 취 약성 맵을 구축한 사례가 있으며 Fig. 2와 같다.
2.2 국외 현황
국내와 달리 미국과 유럽에서는 도로상황의 변화에 따른 교통패턴의 변화를 예측하고, 이를 취약성 맵과 같은 형태로 정보를 제공하고 있는 실정이다.
미국의 연방도로청(FHAW, the Federal Highway Administration)에서는 기상정보, 시정거리, 노면상태(온도, 결빙 ), 도로변 강이나 호수의 수위와 같은 도로기상 측정요 소 등의 정보를 도로기상정보시스템(RWIS, Road Weather Information System)을 통해 제공하고 있으며 Fig. 3과 같다.
영국 기상청의 ‘Open Road’는 레이더 기상이미지를 도로망 을 기준으로 5분마다 제공하며, 도로변 기상관측자료를 분석 하여 제설작업 투입결정에 활용하고 있다.
일본은 총 1,000여개의 도로 기상관측장비에서 수집된 기 상정보를 이용하여 노면온도 및 노면상태의 예측정보를 작성 한다 . 기상예측정보와 함께 인터넷을 이용하여 도로관리자 들에게 제공하고 있으며 그 관계성은 Fig. 4와 같다.
공공기관 외에도 미국 민간업체인 ‘The Weather Channel’,
‘ NBC DFW’등에서 서비스 중인 기상채널에서는 교통상황정 보를 기반으로 각종 기상상태를 오버랩하여 사용할 수 있도 록 지도정보서비스를 제공하고 있다.
Fig. 1. UTIS system of Korea ROAD Traffic Authority
Fig. 3. Traffic accident vulnerability map according to
weather conditions(USA) Fig. 4. Winter maintenance support system Fig. 2. Traffic accident vulnerability map according to
weather conditions
2.3 국내·외 현황분석
도로 기상정보 시스템 측면에서 국내·외 기술개발에 대해 검토한 결과 미국, 영국 등 선진국 대비 국내 기술수준은 초 기단계로 분석할 수 있다. 국내 현황분석 결과 도로 소통정보 에 대한 서비스 기술은 세계 최고 수준이지만 기상정보와 교 통정보를 융합하여 기상인자에 따른 도로위험 분석 연구는 시작단계에 불과하다. 기상정보와 교통정보를 융합하여 실제 서비스 중인 사례로는 기상청에서 연구개발(Bae et al., 2013) 및 운영중인 웨비게이션이 있으나 운행구간에 대한 기본적인 날씨와 최종 목적지의 기상실황, 초단기예보, 기상특보, 기상 레이더 영상 등 4종의 날씨정보만 TPEG(Transport Protocol Expert Group) 규격에 맞게 변환하여 차량용 내비게이션으로 전송하고 있다. 이는 단순한 기상정보만을 제공하고 있어 기 상인자에 따른 도로 위험도 제공을 통해 사고예측하기에는 미흡한 실정이다. 국외의 경우 도로교통 분야에서 기상의 중 요성을 인식하여 관련 연구 수행이 약 50년간 누적되어 있으 며 , 이로 인한 다양한 노하우가 축적된 것으로 볼 수 있다. 특 히 기상정보와 실시간 교통정보를 융합하여 사용자에게 제 공함으로써 사고예측을 가능하게 하고 있다. 따라서 본 연구 에서는 상황별 기상정보를 분석하고 실시간 교통정보의 융합 을 통해 기상인자에 따른 도로 위험지도를 개발하고자 한다.
3. 기상인자에 따른 도로 위험지도 개발
기상인자에 따른 도로 위험지도의 개발절차는 기상, 교통 상황 , 도로기하구조, 교통사고 등의 관련자료를 수집 및 융 합한 후 자료간의 상관관계를 분석하고, GIS기법을 적용하 여 비정형·비공간정보에 대한 시·공간적 매칭이후 예측모델 적용을 통해 기상상태별 교통사고 위험도 맵을 구축하였다.
본 연구는 자료 수집 및 분석, 자료 가공, 심각도 모델 및 가 능성 모델 개발, 도로 위험지도 개발 순서로 이루어지며 상세 구축 내용은 Fig. 5와 같다.
3.1 기초자료 수집 및 분석
본 연구에서는 기상인자에 따른 도로 위험요소를 예측하 고 배경지도 위에 메쉬업하여 도로 위험지도를 서비스하고자 한다 . 위험요소 예측을 위해서는 사고 유발인자 혹은 사고발 생 요인들을 통계적으로 분석하는 모델이 필요하다. 이를 위 해 교통사고 발생 및 위험도 예측모형에 대한 선행연구를 비 교분석하여 사고발생 가능성은 이항 로짓모형을 적용하였고, 사고 심각도는 순서형 프로빗 모형을 적용하였다(Park et al., 2013). 또한, 사고 발생가능성 및 사고심각도 모형에 필요한 사 고자료 , 기상자료, 교통자료, 기하구조자료를 해당 기관들로 부터 2012년에서 2014년까지 과거 3년간의 자료를 수집하였 으며 그 내용은 Table 2와 같다.
도로 (구간)정보는 전국고속도로의 형상정보를 이용하기 위 해 국토교통부에서 배포하는 표준노드링크를 이용하였으며, Table 3과 같이 링크의 속성정보 중 도로등급을 활용하여 전 국고속도로를 추출하여 사용하였다. 교통자료는 한국교통연 구원의 3년간(2012년～2014년) 고속도로에 해당하는 통행정 보로 링크ID, 관측일시, 속도, 교통량으로 구성되어 있다.
사고자료는 Table 4와 같이 한국도로공사에서 제공하는 Table 2. Traffic accident impact factors collected from
related organizations for recent 3 years
Data type Influence factors
Accident data Occurrence spot, parking on the shoulder, road condition, lighting system, obstacle facilities on the shoulder
Weather data Rainfall, snowfall, accumulated rainfall, accumulated snowfall, temperature, time Traffic data Speed, traffic, lane, speed limit(km/h) Geometric data Horizontal alignment, superelevation, incline, no. of lanes
Fig. 5. Flow chart for developing the road hazard map
2012년부터 2014년까지의 전국고속도로에 해당하는 정보를 수집하였고 사고일자, 사고시간, 노선명, 이정, 좌표값, 사망자 수 등으로 구성되어 있다. 또한, 사고날짜, 사고내용 등의 정보 를 포함하는 보험개발원의 사고자료도 2012년부터 2014년까 지 약 13백만건도 수집하였다.
기상자료는 기상청에서 제공하는 자동기상관측시스템 (AWS, Automatic Weather System)의 평균풍속, 일 누적 강 수량 등을 수집하였으며, AWS에서 수집한 정보는 Table 5 와 같다. 강설정보는 종관기상관측시스템(ASOS, Automated Synoptic Observing System)의 자료를 수집하였고, 추가적으 로 3시간 단위로 수집된 자료인 동네예보 자료를 수집하였다.
동네예보 자료는 격자의 X, Y 값, 적설, 적설/강수, 강수, 없음 등으로 구성되어 있으며 그 내용은 Table 6과 같다.
기하구조자료는 한국도로공사 사고데이터 내에 있는 기하 구조 정보를 사용하였으며, 기하구조 정보는 평면선형, 편경 사, 편경사 구분, 노면상태, 조명시설, 방책시설 등으로 구성 되어 있다.
3.2 기초자료 가공
3.2.1 교통자료 가공
수집된 교통자료는 1분단위로 누적된 3년간의 자료 약 27억 건으로써 대용량 자료이므로 다른 수집자료인 사고자료, 기 상자료 등과의 시간적 단위를 맞추기 위해서 일반적으로 분 석에 활용하는 자료인 5분 단위로 가공하여 적용하였다. 5분 단위 가공방법은 05분 이하의 값을 평균하여 05분 데이터로 생성하였고, 06분 이상의 값을 평균하여 10분 데이터로 생성 하였다.
결측치, 이상치(Outlier), 중복 제거 그리고 링크와 매칭되 지 않은 자료를 제거하였으며, 속도 생성은 산술평균과 조화 평균 두 가지로 생성하고, 교통량 각 시간별 자료를 5분단위로 가공하였으며 그 기준은 Table 7과 같다.
교통량이 결측된 링크에 대하여 주행 방향에 따른 전링크, 후링크, 전전링크, 후후링크를 각각 비교하여 교통량 값을 보 정하는 작업을 1회에 한하여 실시하였다.
보정의 기준의 1순위로 전 링크, 2순위 후 링크, 3순위 전전 링크, 4순위 후후 링크를 매칭하였으며, 보정한 결과는 결측 갯수 총 9,643건 중 1,411건의 교통량 자료를 보정하였으며, 최 종 가공된 교통자료의 건수는 Table 8과 같다.
Table 3. Road codes of standard node links
Name Code Code information
Road_
rank
101 Expressway 102 Other Expressway 103 Major Arterial 104 Urban Arterial 105 Rural Arterial 106 Major Collector 107 Minor Collector
108 etc
Table 4. Accident data of Korea Expressway Corporation
Number Column name
1 Accident date 2 Accident time
3 Route name
4 Direction
5 GRS80_X
6 GRS80_Y
… …
Table 5. AWS information
Number Column name
1 ID
2 Date of observation
3 AWS Point
4 Average wind velocity 5 1 minute average temperature 6 Precipitation detection 7 Daily accumulated precipitation
8 TM_Y
9 TM_X
10 Address
Table 6. ASOS information
Number Column name
1 Point
2 Date and time 3 Temperature(°C) 4 Precipitation(mm) 5 Wind velocity(m/s)
6 Humidity(%)
7 Snowfall(cm)
8 Newly snowfall data for 3 hours(cm)
Table 7. Processing criteria of traffic data
Data processing Criteria
Remove Null value In case traffic or speed are null value Outlier In case traffic < 0, speed = 0 Remove overlap In case year, month, date and link ID
are the same
3.2.2 사고자료 가공
사고자료는 한국도로공사에서 수집된 자료와 보험개발원 에서 수집된 자료로 구분된다. 먼저, 한국도로공사에서 수집 된 사고자료는 전국기반의 데이터로써, 전국고속도로에서 일 어난 사고자료 데이터만을 추출하기 위해 ArcGIS 프로그램 을 이용하였으며, 표준노드링크의 링크 ID와 매칭기법을 통 해 이정기반의 X, Y좌표 약 29,951건을 추출하였다. 또한 한 국도로공사가 제공하는 4단계의 교통사고 등급분류를 적용 하여 컬럼을 추가했으며, 교통사고 등급분류 기준은 Table 9 와 같다.
보험개발원에서 수집된 사고자료의 경우 주소정보와 우편 번호 데이터를 포함하고 있어 사고가 발생한 대략적인 지점을 추출하였다 . 해당 사고지점에 대한 좌표는 Google의 지오코 딩 API를 이용하여 X, Y 값 좌표를 추출 하였으며 최종 가공 된 결과는 약 237,875건이다.
3.2.3 기상자료 가공 (1) AWS 자료가공
AWS 지점정보의 경우 관측 지점이 고속도로의 연장과 일
치하지 않으므로 실제 고속도로와 근접한 AWS 지점을 추출 하기 위해 Thiessen Polygon을 생성하고 고속도로 링크와의 조인을 통해 총 283개 지점을 추출하였다. AWS 지점정보 세 부 가공절차는 Fig. 6과 같이 4단계로 이루어진다.
1단계에서는 기상청에서 수집된 1,969건의 AWS 지점정보 중 용도가 방재용, 관서용, 기타, 경기도에 해당되는 4개의 값 만 분류기준으로 남겨놓고 나머지는 삭제하였다. 2단계에서 는 AWS 지점ID가 1개인 것을 사용하였으며, 중복인 데이터 는 삭제하였다. 3단계에서는 추가적으로 2014년 이후 설치된 지점 및 AWS 사용기한이 짧은 것을 제거하고 사용기한이 비 교적 긴 지점을 사용하여 최종 688개 지점을 추출하였다. 4단 계에서는 Fig. 7과 같이 3단계에서 추출된 AWS지점 688개소 를 ArcGIS를 이용하여 Thiessen Polygon을 생성하고 고속도 로 링크와 조인하여 고속도로 인근에 위치하고 있는 AWS 지 점 총 283개소를 최종 추출하였다.
Table 8. Number of cases of traffic data processing
Item 2012 2013 2014
Whole data 825,178,702 715,906,760 1,223,833,413 Number of usage 715,906,760 667,405,778 999,857,701
Fig. 6. Flow chart for data processing of AWS
Table 9. Traffic accident classification(Korea Expressway Corporation)
Item A grade B grade C grade D grade
Casualties More than 3 deaths More than 10 casualties More than 20 injured
More than 1 deaths
More than 5 injured More than 1 injured
Etc.
Related vehicle
More than 10
vehicles related to deaths and casualties
More than 10
vehicles related to injured accident
More than three vehicles
related
(2) ASOS 자료가공
AWS 지점정보에서 제공하는 기상자료는 강수량 정보만을 제공하고 있어 강우와 강설로 구분하기 위해 ASOS의 적설정 보를 보조자료로 활용하였다. 1시간 단위로 생성된 ASOS 자
료와 1분단위로 생성된 283개 AWS지점의 STN_ID 및 일시 정보 (년/월/일/시/분)를 기준으로 매칭했으며, 그 결과는 매칭 유무에 따라 강설, 강우로 구분하기 위해 고려하였다. 상세한 ASOS 자료가공 흐름도는 Fig. 8과 같다.
Fig. 8. Flow chart for data processing of ASOS (a) AWS points mapping
(c) Create Thiessen polygon
(b) Join the thiessen Polygon and expressway links
(d) Extract selected AWS points
Fig. 7. Extraction procedure for AWS points close to the expressway
(3) 동네예보 가공
기상청에서 운영중인 동네예보는 우리나라 영역을 동서 149개, 남북 253개로 5km×5km 간격의 격자형태로 구성하 고 12개의 예보요소를 3시간/12시간/24시간 간격으로 구분 하여 48시간 정량 예보하는 시스템이다. 3시간 간격의 예보요 소 8종은 기온, 습도, 강수 확률, 강수형태, 풍향, 풍속, 유의파 고 , 하늘상태 등으로 구성되며, 12시간 간격의 예보요소 2종 은 강수량, 적설이 포함된다. 그리고 24시간 예보요소 2종은 최저기온 , 최고기온을 포함한다.
동네예보는 사고지점에 대한 적설량을 매칭하기 위해 필요 한 자료로써 수집된 자료를 기반으로 Fig. 9와 같이 4단계로 가공되어 최종 적설량을 추출한다.
1단계 시간칼럼 가공은 수집된 파일명이 하루단위의 수집 된 시간이 세계표준시간으로 되어 있어 국내 시간대와 동일 한 시간대로 맞추기 위하여 9시간을 더한 파일명으로 변환하 였다 . 2단계는 X, Y 값에 대한 좌측 상단을 (1, 1)을 기준으로 우측 (가로방향)으로 X축, 하단(세로방향)으로 Y축을 기준으 로 격자모형에 대한 (1, 1)부터 (149, 253)까지의 격자를 변환 하였다 . 3단계에서는 변환된 각각의 격자를 우리나라 좌표계
인 UTM-K로 매칭하여 각각의 좌표를 추출하였다. 4단계에 서는 격자좌표 위에 사고지점 좌표를 매칭하고 사고지점에 해 당하는 격자의 적설량을 추출하였다.
(4) 일 누적 강수량 가공
AWS 지점정보에서 제공하는 일 누적 강수량은 1분단위로 수집되고 있으므로 앞서 언급한 바와 같이 시간적 단위를 맞 추기 위해서 일 누적 강수량의 경우도 5분단위의 기준으로 가 공하였다 . 처음 00:05분 시간대의 일 누적 강수량 값 그대로 사용하며 그다음 시간대인 10분 값에서 전 시간대의 값을 차 감하여 값을 생성한다. 마지막으로 23:55 시간대의 값과 가공 된 시간대의 값의 합이 일치하는지 확인하였다.
(5) 기하구조자료 가공
기하구조자료 가공 중 평면선형 가공은 대상 노선의 링크 를 버텍스 단위로 세분화하고 분할된 링크의 진행방향에 따 른 각도를 산정하여 최종적으로 곡선률을 산출 하였다. 종단 경사는 분할된 링크를 대상으로 ArcGIS를 이용하여 고도값 을 공간조인하여 최종 분할된 링크에 경사율을 산출하였다.
(a) Convert to Korean Standard Time
(c) Coordinate transformation
(b) Create grid coordinates
(d) Extraction of accident point and snowfall value through spatial joining
Fig. 9. Flow chart for data processing of Dong-Nae Forecast(Digital Forecast)
3.3 위험도 데이터 구축
3.3.1 사고 심각도 DB구축
사고 심각도 모델 DB구축은 가공된 교통자료, 사고자료, 기상자료 , 기하구조자료 중 사고자료를 기준으로 매칭하여 구축하였다 . 사고심각도 DB구축 항목은 Table 10과 같다. 기 상자료의 경우 AWS 지점ID와 수집시간을 매칭 기준으로 하 며 , 교통자료의 경우 링크 ID와 5분단위 교통정보를 매칭 기 준으로 하였다. 사고정보를 교통정보 및 기상정보에 매칭하기 위해서 01분~05분의 사고정보를 00분의 교통정보 및 기상정 보에 매칭하고, 06분~10분의 사고정보는 05분의 교통정보 및 기상정보에 매칭하였다.
3.3.2 사고 가능성 DB구축
사고 가능성 모델 구축은 최초 기준링크에 대한 전, 전전, 후 , 후후, 링크에 매칭하고 이에 해당하는 기상자료, 교통자 료 , 기하구조자료를 매칭하여 DB를 구축하였으며 DB구축 항목은 Table 11과 같다. 사고 발생링크, 상류 2개 링크, 하류 2개 링크를 대상으로 링크와 사고지점간의 관계를 확인할 수 있도록 Flag 값을 포함하도록 구축하였다. 강우로 인한 사고 인 경우는 사고 전/후 12시간 범위에서 강우가 계속되는 시점 까지 5분단위로 생성했으며, 강설로 인한 사고인 경우는 사고 전 /후 12시간 범위에서 강설이 계속되는 시점까지 1시간/3시 간 단위로 생성하였다.
3.4 도로 위험지도 개발
도로 위험지도의 제작은 배경 데이터 가공, 맵 디자인, 맵 표출 레벨별 데이터 셋 구성, 웹맵 서비스를 위한 맵타일 생성 절차를 거쳐 지도상에 표출된다. 도로 위험지도의 배경 데이 터 제작시 배경지도와 위험도를 중첩하여 구성하며, 배경지도 는 래스터데이터, 위험도는 벡터데이터로 제작되어 지도 화면 에 표현된다. 배경 데이터 제작시 국가기본도, 새주소, 연속지 적도 등을 기초자료로 하고 가독성 향상을 위해 맵 디자인 가 이드에 맞게 가공한다.
3.4.1 배경지도 제작
배경지도는 대중교통 레이어, 레저 레이어 등 전체적으로 14단계의 레벨로 표출되며 레벨이 증가할수록 표출되는 정보 의 종류가 증가한다. 맵 디자인 단계에서는 LOD별 색상과 데 이터 타입별 디자인을 설정한다. 맵 표출 레벨별 데이터 셋 구 성 단계에서는 축척 레벨을 단계별로 나누어 레벨별 특성에 따라 주기 및 폰트 크기를 선정한다. 맵 타일 생성 단계에서는 OGC 표준을 준용하여 레벨별로 랜더링한 맵타일을 생성한 다 . 배경지도의 제작 흐름도는 Fig. 10과 같다.
3.4.2 위험도 등급정보 제작
배경지도에 등급별로 위험도를 매쉬업하여 위험정보를 제 공하기 위해 Lee et al.(2008), Park et al.(2013)에서 제시한 사 고심각도 모델을 적용하여 위험도 등급 정보를 가공하였다.
우선 , 특정 기간에 대해 1분 단위 기상자료를 각 링크별로 5 분단위로 집계하고, 5분 단위 강수량을 일 누적 강수량을 이 용하여 계산하여 5분 단위로 기상정보를 가공하였다. 그리고 동일한 기간에 대해 1분 단위 교통자료를 링크별로 5분 단위 로 집계하고 차량 속도는 산술평균을 작성하여 교통량은 각 시간별 자료를 합한 후 5분 단위로 교통정보를 가공하였다.
Table 10. DB for accident severity Weather Classification criteria
Rain
Obstacle facilities Vertical grade Under 80Km/h average speed
Under 15°c Above 3mm rainfall Above 4m/s wind speed Over 50mins rainfall duration time
Snow
Curve Vertical grade Above three-lane road Under 70km average speed
Under –5°C Table 11. DB for possibility of accident Weather Classification criteria
Rain
Accident time Above 100km/h speed limit
Under 0°C
Below 20min rainfall duration time Below 50mm accumulated rainfall
Above 1mm rainfall No lighting system
Snow
Obstacle facilities on the shoulder Above 70km/h speed limit Under 3h snowfall duration time
Above 2°C
rainfall(continuous)
마지막으로 사고 주변 링크에 대해 기상정보, 교통정보 및 기 하구조 정보를 융합하여 강우/강설 등의 기상정보에 따른 도 로구간 위험등급을 산출하였으며, Table 12는 산출된 도로구 간 위험등급을 링크ID에 부여한 것으로, 표준노드링크 ID 와 해당링크의 중심점좌표(x
n, y
n, z
n) 및 도로구간 위험등급 (상/중/하)를 나타낸 것이다.
위험도는 위험요인에 따라 모양에 차이를 두거나 위험등급 에 따라 색상에 구분을 두어 표출할 수 있다. 강우 및 강설 시 도로구간의 위험도 표시는 위험(Red), 주의(Yellow), 안전 (Green)으로 색상을 3가지로 구분하여 위험도를 표시하였으 며, 강우시 위험도를 3가지 색상을 이용한 막대형태로, 강설시 위험도의 경우 3가지 색상을 이용한 세로선형의 패턴으로 표 현하였으며 예시는 Fig. 11과 같다. 등급별 위험도와 배경지도 를 중첩한 예시는 Fig. 12와 같다.
3.4.3 파일럿 시스템 개발
도로 위험지도를 웹을 통해서 서비스하기 위한 파일럿 시스 템을 개발하였다. 도로 위험지도의 정보흐름 단계는 웹서버 가 사용자 단말로부터 수신한 요청사항을 분석하는 단계, 웹 서버가 배경지도 DB서버 및 위험도 DB서버로 검색위치, 화 면 중심좌표, 축척정보를 포함한 검색정보를 전송하는 단계, 웹서버가 배경지도와 위험도 정보를 매쉬업한 지도를 생성하 는 단계로 구성된다. 웹서비스를 위한 시스템 구성은 맵타일 서버 , WEB/WAS 서버, GIS 서버, 위험도 DB 서버로 구성하 였으며 도로 위험지도 시스템의 정보 흐름도는 Fig. 13과 같다.
위험지도의 주요 기능으로 위험도 맵 메뉴 컨트롤, 교통소 통정보 표출, 지도 레벨 컨트롤, 권역 노선도 리스트, 스크린샷 기능 , Chart 저장 기능 등으로 구성하였다.
사용자가 분석지표를 선택하면 도로 위험지도 화면구성 을 위한 정보를 맵타일서버와 위험도 DB서버에 요청한다. 등 급별 위험도를 매쉬업하기 위해 필요한 벡터데이터는 위험도 DB서버에 보유하고 있으며, 사용자가 요청한 위치에 해당되 는 데이터를 전송하여 최종 화면에 표출하는 순으로 요청정 보를 제공한다. 분석지표 선택 창에서 지표를 선택하면 표준 노드링크의 중심선(링크)를 이용하여 각 링크별 위험도를 색 상 (Red, Yellow, Green)으로 구분하여 사고 가능성은 5단계 로 , 사고 심각도는 4단계로 표출한다. 또한 시뮬레이션 기능 을 선택하여 강우, 강설 등 분석지표별로 도로 위험도를 시뮬 레이션 할 수 있으며 프로토타입으로 구현된 도로 위험지도 의 화면구성은 Fig. 14와 같다.
Fig. 10. Flow chart for generating background map
Table 12. Information for road risk grade LINK ID Road name Risk grade of rain Spatial data
001 The Gyeongbu
expressway Good 002 The Gyeongbu
expressway Fair 003 The Jungang
expressway Poor
… … … …
Fig. 12. Mash-up of risk grade map
Fig. 11. Design of risk by grades
<Rainfall hazard> <Snowfall hazard>
Fig. 13. Architecture flow diagram of road hazard web map system
Fig. 14. Road hazard map system (prototype)
4. 결 론
지금까지 본 연구는 기상상황별 교통사고 발생 가능성 및 심각도 예측모형 구축에 필요한 기초 자료를 수집하고, 수집 한 자료에 대한 오류제거, 필터링, 융합 등 기초분석 과정을 수 행하였다. 이러한 기초분석 과정을 기반으로 통계적 모형 기 반 교통사고 발생 가능성 및 심각도 DB을 구축하였으며, 전 국 고속도로에 대한 기상상태별 도로 위험지도를 제작하고 파 일럿 시스템을 개발하였다.
기존 연구에서는 교통상황자료, 사고자료, 기상자료 등을 이용하여 위험도 분석 및 예측기술을 개발하고 있으나 도로 구간과 이격된 기상정보 수집소의 정보만을 이용하여 위험도 모델을 정립하는 등 공간분석기법 적용의 한계가 있었다.
본 연구에서는 사고당시의 기상정보와 교통사고정보, 도로 의 형상적, 구조적 특징정보를 융합 및 공간분석하여 고속도 로에서의 사고발생 위험도를 정량적으로 배경지도상에 매쉬 업 함으로써 도로 위험도 정보를 사용자들에게 가시적으로 제공할 수있도록 하였다. 이는 사용자들이 사고 위험도를 예 측함으로써 교통사고율을 감소 시킬 수 있을 것으로 사료된 다.
향후 네비게이션에서 사용되는 안전도움정보에 차량위치 와 기상상태별 사고 위험도가 결합된 정보를 포함시켜 음성 을 통해 안전운전을 지원하는 구체적인 연구가 수행될 필요 가 있다.
이러한 연구 주제들에 대한 지속적인 연구가 수행된다면, 제4차 산업혁명의 핵심키워드인 자율주행자동차 운행에 있 어 기상요소에 따른 위험도를 예측하고 선제적으로 대비할 수 있도록 위험지도 DB를 지속적으로 아카이빙하고 제공하 여 보다 안전한 자율주행을 지원할 수 있는 정보로 활용할 수 있을 것으로 판단된다.
감사의 글
본 논문은 한국기상산업진흥원 기상상태별 도로위험도 분 석 및 도로위험 기상예측기술개발 세부 과제인 기상상태별 교 통사고 위험도맵 구축(KMIPA2015-4012) 연구의 지원으로 이루어졌습니다.
References
