| 논문 정보 | |
| 제목 | Building the road network for city-scale active transport simulation models |
| 저자 |
Afshin Jafari a, Alan Both a, Dhirendra Singh b c, Lucy Gunn a, Billie Giles-Corti a
|
| 소속 | School of Global, Urban and Social Studies, RMIT University, Australia b School of Computing Technologies, RMIT University, Australia c Data61, CSIRO, Australia |
| 저널 | ELSEVIER ScienceDirect |
| 주제 | Simulation Modelling Practice and Theory |
| 논문제출일 | 2021.08.05 |
| 인용수 | 25회 (2025.01.08 기준) |
호주 멜버른 대도시권에 대해서
도보, 자전거 등을 포함한 네트워크를 구축한 방법을 담은
논문이 있어서 정리해보려한다
최근에 관심갖게 된 연구 주제 중 하나가
실제 도로를 컴퓨터 상에서 그래프 형태의
도로 네트워크로 모델링 하는 부분인데
관련된 부분을 정리해놓은 것 같아서
읽어보았다
사실 내가 관심있는 부분은 도로 네트워크 모델링 부분이라
본 논문에서 다른 부분은 조금 약하게 정리할 예정이다
논문 전체 내용을 하나하나 요약하는 느낌보다는
내가 읽고 이해한대로 재구성해서 해보려고한다
Introduction
본 논문에서는 도시 규모의 교통수단 모델링에
최적화된 도로 네트워크를 생성하는 알고리즘을 소개한다
기존의 도로 네트워크 모델링은
도로, 도보, 자전거와 같은 수단만 모델링이 되어왔지만
최근들어 대중교통까지 교통 시뮬레이션 모델에 통합하려는
관심이 증가하였다
도로 네트워크를 생성할 때
제한 속도, 차선 수, 허용되는 교통수단과 같은
일반적인 도로 속성들 뿐만 아니라
보행자와 자전거 이용자들에게도 필요한 속성들도 포함시켰다
이 알고리즘은 호주 멜버른 대도시권을 대상으로
네트워크 표현을 생성하였으며
기존 네트워크 생성 알고리즘과 호주 빅토리아 주정부의
기존 도시 규모 교통 모델 네트워크와 비교를 통해
비슷한 정확도를 가지면서도, 두 배 이상의 속도를 제공함을 입증했다
대부분의 교통 시뮬레이션을 위한 도로 네트워크 데이터는
shp과 같은 gis 입력 형태로 되어있는데
이는 구하기가 쉽지 않다
이에 따라 본 논문에서는
오픈소스인 OpenStreetMap(OSM)의 데이터를 활용하여
도로 네트워크 구축 알고리즘을 설계하였다
OSM이 구하기 쉽고 도구에 종속되지 않는 데이터이지만
OSM의 도로 네트워크는 시뮬레이션을 하기에는
복잡하기 때문에 이의 균형을 맞추는 일이 중요하다
따라서 본 논문에서는 OSM 데이터를 활용하여
도로 데이터를 구축하는 유연하고 조정 가능한
오픈소스 알고리즘을 제안한다
이 알고리즘의 목표는 대규모 교통 시뮬레이션에서
더 빠른 경로 탐색 시간을 위해
출력 네트워크의 노드와 링크 수를 단순화 하면서
도보, 자전거, 도로 등의 메타 데이터들을 정확하게 표현하는 것이다
Methodology
도로 네트워크 생성 알고리즘의 순서는 아래와 같다
1. OSM에서 노드와 링크 추출
2. 차선 수, 제한 속도 등 OSM 속성 값 추출
3. 복잡한 로터리, 교차로와 같은 기하학적 형태 단순화
4. 자전거 패턴 모델링을 위한 도로 고도 데이터 통합
5. 대중교통 인프라 추가
6. 정리 및 출력
1. OSM에서 도로 노드와 링크 추출
OSM은 노드, 경로, 관계, 태그 4가지의 주요 요소를
사용하여 현실 세계를 모델링한다
OSM은 개방적이고 다양한 사람들이 데이터 제작에
참여하기 때문에 데이터의 태그가 다양했고
이를 지역 상황별로 필터링 할 필요가 있었다
따라서 태그 필터 기준을 2가지로 설정했는데
1. 호주 태깅 가이드라인
2. OSM 태그 사용 인기도를 분석하여
주요 태그들로 필터링
이다
위와 같이 2개의 가이드 라인으로 링크를 추출한 다음
두 링크가 교차하는 지점, 종료되는 지점에
네트워크 노드를 추가하였다
또한, 링크 중 하나가 지하도, 터널, 교량으로 식별되는 경우는
아무리 서로 교차하더라도 노드를 추가하지 않았는데
이는 지하도, 터널, 교량은 실제 3D 환경에서는
서로 교차하지 않지만 2D 평면으로 변경하는 과정에서
두 링크가 교차하는 것처럼 표현되기 때문이다
그러고, 도로 교차로에 신호등이나 로터리 여부를
노드 속성으로 추가하였다
이렇게 나온 결과를 SQLite DB에 저장한다음
다음 과정에서 활용하였다
2. OSM 속성 값 추출
OSM의 태그 key-value 쌍을 처리하여
차선 수, 제한 속도, 허영되는 교통 수단, 자전거 전용 인프라 유무 등의
속성을 추출하였다
하지만 OSM의 데이터는 항상 원하는 정보가 있는 것이 아니기 때문에
정보가 없는 경우에는 아래 table에 있는 기본 값을 추정하였다
또한 자전거 도로 유형을 식별하기 위해서는
아래 Table2의 태그 조합을 사용하였다
3. 복잡한 로터리, 교차로와 같은 기하학적 형태 단순화
1단계에서 추출된 도로 네트워크들은 단절된 부분이 있다
위의 Fig2처럼 내부 골프장이나 쇼핑센터의 길 같은 경우
외부의 다른 도로들과는 단절된 섬(islands) 형태의 도로네트워크이다
따라서 이를 해결하기 위해, 연결된 링크 클러스터를 선택하고
나머지 단절된 네트워크는 제거하였다
또한 복잡한 교차로와 회전교차로는 아래 Fig3처럼
여러 링크로 표현이 되어 있다
이를 단순화하기 위해 20m 이하의 거리를 가진
공통 링크로 연결된 이웃 노드 2개를 병합하였다
따라서 복잡한 교차로와 회전 교차로의 경우
단일 노드로 축소되었으며
이 새로운 노드를 통해서 다시 새로운 링크를 계산하였다
이런 방식으로 노드를 병합한 결과
일부 링크는 루프 혹은 평행을 형성했다
따라서 루프는 단순히 제거하였고
평행 링크는
단방향 혹은 양방향이 같은 경우는 하나로 통합
반대 방향의 단방향 링크는 하나의 양방향으로 통합하였다
또한, 500m 미만의 링크 중
하나의 노드가 다른 링크와 연결되지 않은 막다른 길의 경우 제거하였다
마지막으로, 도로의 지오메트리를
네트워크 노드를 연결하는 직선으로 단순화하였는데
단순화하기 이전에
자전거 및 보행자 접근이 가능하고 속도 제한이 60km/h 이하이며
길이가 500m 이상인 도로는 500m 간격으로 나누었다
이는 이후에 도로 경사도의 계산 정확성을 높이고
도로의 대략적인 형태를 유지하기 위함이다
4. 자전거 패턴 모델링을 위한 도로 고도 데이터 통합
각 노드에 고도를 할당하기 위해
Victorian Department of Environment, Land, Water and Planning에서
제공하는 10m 해상도의 LiDAR 기반 디지털 고도 모델(DEM)을 사용했다
고도값을 할당하기 위해 네 개의 가장 가까운 셀 중심의
가중 평균을 사용해 격자 위치의 값을 계산하는
이중선형 보간법(bilinear interpolation)을 사용했다
도로 구간 i의 경사율(%)을 구하는 식은
위와 같다
5. 대중교통 인프라 추가
General Transit Feed Specification(GTFS) 데이터를
기반으로 대중교통 인프라를 추가했다
해당 데이터에서 대중교통 정류장 및
평일 차량 운행 일정을 추출하였고,
대중교통 정류장은 도보, 자전거, 자동차로 접근 가능한
가장 가까운 네트워크 노드에 연결되었다
6. 정리 및 출력
위의 단계를 모두 거쳐 최종 네트워크를 생성하였다
이를
1. ESRI Shapefile
2. SpatialLite 데이터베이스
3. XML 파일
3가지 유형의 출력 형식으로 변환하여
다양한 목적으로 사용 가능하게 하였다
Evaluation
호주 멜버른 대도시권 지역의 네트워크를
위 알고리즘을 이용햐여 생성하였다
본 논문의 모델을 포함하여 총 3가지 모델을
이용하여 성능을 비교하였다
1) MATSim-Generated Network(MGN)
2) 본 알고리즘을 사용해 생성된 네트워크 (SON)
3) Victoria Network(IVN)
최단 경로 비교
각 모델에서 만들어진 네트워크를 바탕으로
출발지와 도착지 간의 최단 경로를
생성하여 비교하기로 하였다
MGN모델을 기준으로 SON과 IVN의 모델의 결과값을
비교하는 방식으로 최단경로 평가가 진행되었다
1. 샘플 경로 생성
출발지와 도착지가 특정 지역에 편향되지 않도록
2가지 기준으로 설정하였다
1) 네트워크의 모든 노드가 출발점으로 균등한 확률로
선택되도록 보장
2) 출발점 선택 후 각 이동 모 드의 여행 거리가
현실적인 분포를 따르도록 설정
결과적으로 도보, 자전거, 자동차 모드별로
1000개의 샘플 경로를 생성하였다
2. 최단 경로 거리 계산
각 샘플 경로에 대해 다익스트라(Dijkstra) 알고리즘을 이용해
최단 경로를 계산하였다
시뮬레이션 실행 시간 비교
본 연구에서 산출된 도로 네트워크 SON이
다른 네트워크들에 비교하여
교통 시뮬레이션 수행 시간에서
어떻게 성능을 발휘하는지 평가하기 위해
실행 시간을 측정하고 비교하였다
시뮬레이션 모델에서는
도보, 자전거, 자동차를 주요 교통수단으로 포함했으며
대중교통 등 다른 교통 수단을 이용한 경우
에이전트가 도로를 무시하고
출발지에서 목적지까지 경로를 따라가도록했다
(이 이후로 계속 시뮬레이션 에이전트에 대한 내용이 나오는데
에이전트의 개념만 알지 구체적으로 어떤건지
기술적으로 잘 알지도 못하고
내 연구 주제와는 관련이 없기 때문에
일정부분 생략했다
에이전트 기반 교통 모델링 시뮬레이션이 정확히 뭔지는 모르지만
논문의 내용으로 유추해보았을 때
에이전트가 어떤 교통수단을 이용하고 어떤 위치에 있는지 등을
확인하는 .. 그런 교통 시뮬레이션 기법같았다)
Result
Fig5에서는 각 모델을 사용하여 만튼 네트워크별로
호주 멜버른 상업 지구 일대를 표현한 결과이다
Fig8은 멜버른 시티 지역에서
교차로/로터리 유형과 고도를 보여준다
Fig9는 네트워크 링크에 연결된
도로의 속성을 보여준다
MGN(기준 네트워크)를 기준으로 한
샘플 여행의 walking, cycling, driving 별 비교 결과이다
결과에 따르면 IVN보다 SON(본 논문의 알고리즘 네트워크)이
더 우수한 성능을 보임을 나타낸다
그러나, Car의 경우 table3의 지표를 보면
IVN보다 SON이 더 효율적인 성능을 보이지 못했다
이는 자동차 중심의 도로가 설계되어있는
멜버른의 도로 네트워크 설계 때문일 가능성이 크다
마지막으로 실행 시간 비교 결과
모든 샘플 크기에서
SON은 MGN보다 평균 두 배 정도
더 빠른 수행 시간을 기록했다
IVN은 네트워크 크기가 훨씬 작기 때문에
MGN, SON보다 더 빠른 속도를 보였지만
세부도로가 중요할 경우 IVN은 추천되는 네트워크가 아니다
본 논문에 대한 정리는 간단하게 하고 마치려고한다
내가 관심있었던 osm과 같은 기존 데이터에서
어떻게 도로 네트워크의 노드와 링크를 추출했는지
대략적으로 알 수 있어서 좋았다
하지만 개인적인 생각으로는
전체 알고리즘 프로세스가 조금 논리성이
부족하지않았나하는 생각이 들었다
예를 들면,
복잡한 교차로나 회전교차로에서 노드와 링크를
생략했다고 했는데
이 생략하는 방식이 이전 연구에서도 그렇게해서 참고했다던가
이런 방법으로 생략해야만하는 이유에 대한 설명이 부족했던 것 같다
내가 네비게이션 도로 네트워크에 관심이 많아
카카오맵을 포함해서 이것저것
대형 지도 기업(?)들의 알고리즘을 찾아봤을 때
복잡한 교차로의 경우에서
어떤 구간은 좌회전, 우회전 가능
어떤 구간은 직진만 가능 하기 때문에
복잡한 도로 네트워크에서는 여러개의 노드와 링크로
표현하는 것을 보았던 것 같은데
topology상으로는 생략이 가능할지 모르겠지만
이를 생략해서 정말 정확한 경로 추출이 가능할지는 의문이 들었다
당연히 노드와 링크가 간소화되면
수행시간이 빨라지는 것은 맞지만
수행 시간을 빠르게 하기 위해
정확도를 어느 정도 포기하지 않았나 하는 생각이 들었다
알고리즘 성능 평가에서도
비교 대상이 적어서 아쉬운 점도 있었던 것 같다
개인적으로는 MGN에 비해서 본 연구의 알고리즘이
IVN보다 낫다고 해서
본 연구의 알고리즘 성능이 제대로
입증이 된건지는 잘 모르겠다
하지만 난 늘..
내가 가만히 앉아
손가락 까딱 안하고 이들의 연구를 읽으면서
이건 잘했고 이건 못했고하며
평가할 처지나 위치가 전혀 아니란걸 알고있기 때문에..
어찌됐든 이 논문을 쓰기위해
정말 뼈를 갈았을 연구자분들이
대단한건 매한가지이다
나도 여러 다양한 논문들을 보며
좋은 연구란 무엇인지
좋은 논문이란 무엇인지
계속 생각하고 배울 수 있는 사람이 되었으면 좋겠다
아무튼 이렇게 이번 논문리뷰 마무리-!