| 양쪽 이전 판이전 판다음 판 | 이전 판 |
| 거리표 [2026/04/13 15:51] – 거리표 sync flyingtext | 거리표 [2026/04/13 15:52] (현재) – 거리표 sync flyingtext |
|---|
| === 군집 분석과 계층적 분류 === | === 군집 분석과 계층적 분류 === |
| |
| [[군집 분석]](Clustering Analysis)은 라벨이 부여되지 않은 데이터 집합에서 개체 간의 유사성을 바탕으로 동질적인 그룹을 형성하는 [[비감독 학습]](Unsupervised Learning)의 핵심 기법이다. 이 과정에서 [[거리표]], 즉 [[거리 행렬]](Distance Matrix)은 분석의 출발점이자 알고리즘이 참조하는 유일한 수치적 토대가 된다. 개별 데이터의 속성값 자체보다 데이터 간의 상대적 거리에 집중함으로써, 고차원 공간에 산재한 데이터들의 구조적 응집성을 파악할 수 있다. | [[군집 분석]](Clustering Analysis)은 [[레이블]](label)이 부여되지 않은 데이터 집합에서 개체 간의 [[유사도]]를 바탕으로 동질적인 그룹을 형성하는 [[비지도 학습]](Unsupervised Learning)의 핵심 기법이다. 이 과정에서 [[거리표]]이자 [[거리 행렬]](Distance Matrix)은 분석의 출발점이자 [[알고리즘]]이 참조하는 핵심적인 수치적 토대가 된다. 개별 데이터의 [[속성]]값 자체보다 데이터 간의 상대적 거리에 집중함으로써, 고차원 공간에 산재한 데이터들의 구조적 응집성을 파악할 수 있다. |
| |
| [[계층적 군집 분석]](Hierarchical Clustering)은 거리표에 기록된 근접도를 기반으로 개체들을 순차적으로 병합하거나 분할하여 계층적인 트리 구조를 형성한다. 그중에서도 주로 사용되는 상향식 접근법인 [[병합적 군집화]](Agglomerative Clustering)는 초기 상태에서 모든 개체를 각각의 독립된 군집으로 간주한다. 이후 알고리즘은 거리표에서 가장 작은 값을 갖는, 즉 가장 유사도가 높은 두 군집을 선택하여 하나의 새로운 군집으로 통합한다. 이 과정은 모든 개체가 하나의 군집으로 합쳐질 때까지 반복되며, 매 단계마다 군집 간의 거리를 재계산하여 거리표를 갱신하는 절차를 거친다. | [[계층적 군집 분석]](Hierarchical Clustering)은 거리표에 기록된 [[근접도]]를 기반으로 개체들을 순차적으로 병합하거나 분할하여 계층적인 [[트리 구조]]를 형성한다. 그중에서도 주로 사용되는 상향식 접근법인 [[병합적 군집화]](Agglomerative Clustering)는 초기 상태에서 모든 개체를 각각의 독립된 군집으로 간주한다. 이후 알고리즘은 거리표에서 [[최솟값]]을 갖는, 즉 유사도가 가장 높은 두 군집을 선택하여 하나의 새로운 군집으로 통합한다. 이 과정은 모든 개체가 하나의 군집으로 합쳐질 때까지 반복되며, 매 단계마다 군집 간의 거리를 재계산하여 거리표를 갱신하는 절차를 거친다. |
| |
| 군집 간의 거리를 정의하고 거리표를 갱신하는 방식은 [[연결법]](Linkage Method)에 따라 달라지며, 이는 최종적인 군집의 형태에 결정적인 영향을 미친다. 대표적인 연결법으로는 다음과 같은 방식들이 존재한다. | 군집 간의 거리를 정의하고 거리표를 갱신하는 방식은 [[연결법]](Linkage Method)에 따라 달라지며, 이는 최종적인 군집의 형태에 결정적인 영향을 미친다. 대표적인 연결법으로는 다음과 같은 방식들이 존재한다. |
| |
| 첫째, [[단일 연결법]](Single Linkage)은 두 군집에 속한 원소들 사이의 거리 중 최솟값을 군집 간 거리로 정의한다. 수학적으로 군집 $C_i$와 $C_j$ 사이의 거리 $D(C_i, C_j)$는 다음과 같이 표현된다. $$ D(C_i, C_j) = \min_{x \in C_i, y \in C_j} d(x, y) $$ 이 방식은 군집 간의 가장 가까운 지점을 연결하므로 기하학적으로 길게 늘어진 형태의 군집을 찾는 데 유리하나, 소수의 데이터에 의해 서로 다른 군집이 연결되는 [[연쇄 효과]](Chaining Effect)가 발생할 수 있다. | 첫째, [[단일 연결법]](Single Linkage)은 두 군집에 속한 원소들 사이의 거리 중 최솟값을 군집 간 거리로 정의한다. 수학적으로 군집 $C_i$와 $C_j$ 사이의 거리 $D(C_i, C_j)$는 두 군집의 원소 $x, y$ 사이의 거리 $d(x, y)$를 이용하여 다음과 같이 표현된다. $$ D(C_i, C_j) = \min_{x \in C_i, y \in C_j} d(x, y) $$ 이 방식은 군집 간의 가장 가까운 지점을 연결하므로 기하학적으로 길게 늘어진 형태의 군집을 찾는 데 유리하나, 소수의 데이터에 의해 서로 다른 군집이 연결되는 [[연쇄 효과]](Chaining Effect)가 발생할 수 있다. |
| |
| 둘째, [[완전 연결법]](Complete Linkage)은 두 군집의 원소들 사이의 거리 중 최댓값을 선택한다. $$ D(C_i, C_j) = \max_{x \in C_i, y \in C_j} d(x, y) $$ 이는 군집 내의 모든 원소가 일정 거리 이내에 있도록 강제하므로, 지름이 작고 조밀한 구형의 군집을 형성하는 경향이 있다. | 둘째, [[완전 연결법]](Complete Linkage)은 두 군집의 원소들 사이의 거리 중 최댓값을 선택한다. $$ D(C_i, C_j) = \max_{x \in C_i, y \in C_j} d(x, y) $$ 이는 군집 내의 모든 원소가 일정 거리 이내에 있도록 강제하므로, 지름이 작고 조밀한 구형의 군집을 형성하는 경향이 있다. |
| |
| 셋째, [[평균 연결법]](Average Linkage)은 두 군집의 모든 원소 쌍에 대한 거리의 산술 평균을 구한다. 이는 단일 연결법과 완전 연결법의 절충안으로서, 데이터의 이상치에 상대적으로 덜 민감하며 안정적인 군집 구조를 제공한다. | 셋째, [[평균 연결법]](Average Linkage)은 두 군집의 모든 원소 쌍에 대한 거리의 [[산술 평균]]을 구한다. 이는 단일 연결법과 완전 연결법의 절충안으로서, 데이터의 [[이상치]](outlier)에 상대적으로 덜 민감하며 안정적인 군집 구조를 제공한다. |
| |
| 넷째, [[와드 방법]](Ward’s Method)은 군집 병합 시 발생하는 [[오차 제곱합]](Sum of Squared Errors, SSE)의 증가량을 최소화하는 방향으로 군집을 결합한다. 이는 군집 내부의 동질성을 극대화하는 방식이며, 통계적으로 유의미한 크기의 군집을 형성하는 데 효과적이다. | 넷째, [[와드 방법]](Ward’s Method)은 군집 병합 시 발생하는 [[오차 제곱합]](Sum of Squared Errors, SSE)의 증가량을 최소화하는 방향으로 군집을 결합한다. 이는 군집 내부의 동질성을 극대화하는 방식이며, 통계적으로 유의미한 크기의 군집을 형성하는 데 효과적이다. |
| === 표지판의 배치 간격과 시인성 === | === 표지판의 배치 간격과 시인성 === |
| |
| 일정한 거리마다 설치되는 거리표의 간격 규정과 야간 및 고속 주행 시의 가독성 확보 방안을 논한다. | 거리표의 배치 간격은 이용자의 위치 파악 효율성과 관리의 정밀도를 결정하는 핵심적인 공학적 요소이다. [[도로표지 규칙]] 및 관련 지침에 따르면, 거리표는 도로의 등급과 기능에 따라 엄격히 규정된 간격에 맞춰 설치된다. 고속도로와 같은 간선 도로망에서는 일반적으로 1km마다 해당 노선의 기점으로부터의 누적 거리를 나타내는 주(主) 거리표를 설치하며, 이용자가 보다 세밀하게 위치를 식별할 수 있도록 200m 간격으로 보조 거리표를 배치하는 체계를 갖추고 있다. 이러한 등간격 배치는 [[선형 참조 시스템]]의 공간적 연속성을 유지하는 토대가 되며, 특히 긴급 상황 발생 시 신고자가 자신의 위치를 신속하게 전달하여 [[골든 타임]]을 확보하게 하는 결정적인 근거가 된다. 배치 간격의 결정에는 [[인간공학]]적 관점이 반영되는데, 간격이 너무 넓으면 위치 정보의 불확실성이 증대되고, 반대로 지나치게 좁으면 운전자가 처리해야 할 정보량이 급증하여 주의력을 분산시킬 위험이 있기 때문이다. |
| | |
| | 운전자의 [[시인성]](Visibility) 확보는 고속 주행 환경에서 거리표가 정보 전달 매체로서의 기능을 수행하기 위한 필수 전제 조건이다. 시인성은 단순히 표지판의 존재를 인지하는 단계를 넘어, 표기된 수치와 정보를 정확히 읽고 이해할 수 있는 [[가독성]](Legibility)을 포괄하는 개념이다. 차량의 주행 속도가 높아질수록 운전자의 [[시야각]]은 급격히 좁아지며, 주변 사물을 식별하는 [[동적 시력]] 또한 저하된다. 이에 따라 [[교통공학]]에서는 도로의 [[설계 속도]]에 비례하여 거리표의 규격과 문자의 크기를 상향 조정함으로써 충분한 [[판독 거리]]를 확보하도록 규정하고 있다. 이는 운전자가 표지판을 인지한 후 필요한 정보를 습득하고 판단을 내리기까지 소요되는 [[지각 반응 시간]] 동안 차량이 이동하는 거리를 물리적으로 보장하기 위함이다. |
| | |
| | 야간 및 기상 악화 시의 시인성을 극대화하기 위해 거리표에는 [[재귀반사]](Retroreflection) 기술이 필수적으로 적용된다. 재귀반사란 입사된 빛이 광원을 향해 그대로 되돌아가는 특성을 이용한 것으로, 차량 전조등에서 투사된 빛을 운전자의 눈으로 집중시켜 별도의 조명 장치 없이도 야간에 높은 명암 대비를 형성한다. 거리표의 바탕색과 문자색 사이의 [[휘도 대비]]는 판독 효율에 결정적인 영향을 미치며, 대한민국을 비롯한 많은 국가에서는 녹색 또는 청색 바탕에 흰색 문자를 조합하여 시각적 피로도를 최소화하면서도 가독성을 극대화하는 표준을 채택하고 있다. 또한, 고속 주행 시 발생하는 진동이나 기류의 영향을 최소화하고 다양한 각도에서 반사 성능이 유지될 수 있도록 고성능 [[반사지]]를 사용하며, 표지판의 설치 높이와 각도는 전조등의 조사 범위를 고려하여 최적의 반사 효율을 낼 수 있는 지점에 고정된다.((국토교통부, 도로표지 제작·설치 및 관리지침, http://cyeng.iptime.org/xe/board_moct/23385 |
| | ))((국토교통부, 안전표지의 종류, 만드는 방식, 설치하는 장소·기준 및 표시하는 뜻, https://law.go.kr/flDownload.do?flNm=%5B%EB%B3%84%ED%91%9C+6%5D+%EC%95%88%EC%A0%84%ED%91%9C%EC%A7%80%EC%9D%98+%EC%A2%85%EB%A5%98%2C+%EB%A7%8C%EB%93%9C%EB%8A%94%EB%B0%A9%EC%8B%9D%2C+%EC%84%A4%EC%B9%98%ED%95%98%EB%8A%94+%EC%9E%A5%EC%86%8C%C2%B7%EA%B8%B0%EC%A4%80+%EB%B0%8F+%ED%91%9C%EC%8B%9C%ED%95%98%EB%8A%94+%EB%9C%BB%28%EC%A0%9C8%EC%A1%B0%EC%A0%9C2%ED%95%AD+%EB%B0%8F+%EC%A0%9C11%EC%A1%B0%EC%A0%9C1%ED%98%B8%EA%B4%80%EB%A0%A8%29%0A&flSeq=31834682 |
| | )) |
| |
| ==== 교통 수단별 거리표 체계 ==== | ==== 교통 수단별 거리표 체계 ==== |
