차이

문서의 선택한 두 판 사이의 차이를 보여줍니다.

--- 교통수요예측 [2026/04/14 01:58] – 교통수요예측 sync flyingtext
+++ 교통수요예측 [2026/04/14 02:02] (현재) – 교통수요예측 sync flyingtext
@@ 줄 159: / 줄 159: @@
 === 중력 모형 ===
-두 지역 간의 거리와 유인력을 바탕으로 통행량을 결정하는 물리학적 접근법을 기술한다.
+중력 모형(Gravity Model)은 [[아이작 뉴턴]]의 [[만유인력]] 법칙을 사회적 상호작용에 응용한 [[통행 분포]] 예측의 대표적인 방법론이다. 물리학에서 두 물체 사이의 인력이 각 물체의 질량에 비례하고 거리의 제곱에 반비례한다는 원리를 차용하여, 두 [[교통분석존]] 사이의 통행량이 각 존의 활동 규모에 비례하고 이들 사이를 이동하는 데 소요되는 저항에 반비례한다고 가정한다. 이는 [[통행 발생]] 단계에서 산출된 각 존의 유출 및 유입 통행량을 공간적으로 배분하는 과정에서 가장 널리 사용되는 합성 모형(Synthetic Model)으로 분류된다.
+중력 모형의 가장 기본적인 수리적 형태는 다음과 같이 표현된다.
+$$ T_{ij} = k \frac{O_i D_j}{f(c_{ij})} $$
+여기서 $ T_{ij} $는 출발지 $ i $에서 목적지 $ j $로의 예측 통행량이며, $ O_i $는 출발지 $ i $에서 발생하는 총 통행량, $ D_j $는 목적지 $ j $로 유입되는 총 통행량을 의미한다. $ f(c_{ij}) $는 두 지역 간의 거리, 시간, 비용 등을 포함하는 [[일반화 비용]]에 따른 저항을 나타내는 [[마찰 함수]](Friction Function)이며, $ k $는 비례 상수이다. 초기 모형에서는 거리에 대한 멱함수 형태가 주로 사용되었으나, 현대 교통 계획에서는 지역적 특성을 보다 정밀하게 반영하기 위해 지수함수나 감마함수 등 다양한 형태의 함수가 적용된다.
+실무적인 적용 과정에서는 각 존의 유출량 및 유입량 합계가 사전에 결정된 통행 발생량과 일치하도록 보정하는 제약 조건에 따라 모형을 구분한다. 생산제약 중력 모형(Production-constrained Gravity Model)은 각 출발지에서 나가는 통행량의 합이 기결정된 유출 통행량과 일치하도록 설계되며, 유입제약 중력 모형(Attraction-constrained Gravity Model)은 목적지로 들어오는 통행량의 합에 초점을 맞춘다. 도시 전체의 교통 체계를 분석할 때는 유출량과 유입량 모두를 만족시켜야 하므로 이중제약 중력 모형(Doubly-constrained Gravity Model)이 주로 활용된다. 이 과정에서 각 존의 균형을 맞추기 위한 반복 계산 절차가 수행되며, 이는 [[엔트로피 극대화 모형]](Entropy Maximization Model)과 수학적으로 동일한 기초를 공유한다.
+중력 모형은 [[성장인자법]]과 달리 과거의 통행 패턴에만 전적으로 의존하지 않고, 장래의 토지 이용 계획이나 교통망의 변화가 통행 분포에 미치는 영향을 동태적으로 반영할 수 있다는 강력한 장점을 지닌다. 특히 새로운 교통 시설이 도입되어 특정 구간의 [[통행 저항]]이 감소할 경우, 해당 경로를 포함한 지역 간의 통행 수요가 어떻게 재편될지를 논리적으로 설명할 수 있다. 그러나 모형의 정확도를 확보하기 위해서는 마찰 함수의 매개변수를 실제 관측 데이터와 일치시키는 정산(Calibration) 과정이 필수적이며, 이 과정에서 상당한 수준의 통계적 기법과 양질의 기초 자료가 요구된다.
+또한 중력 모형은 존 내 통행(Intrazonal trip)을 과소평가하거나, 통행자의 목적이나 사회경제적 특성에 따른 개별적인 선택 행태를 충분히 반영하지 못한다는 비판을 받기도 한다. 그럼에도 불구하고 물리적 법칙의 명료함을 [[도시 계획]]에 성공적으로 이식했다는 점과, 거시적인 관점에서 지역 간 통행 흐름을 파악하는 데 있어 탁월한 효율성을 보여준다는 점에서 여전히 [[전통적 4단계 분석 체계]]의 핵심적인 위치를 점하고 있다. 이는 단순한 수리적 도구를 넘어 공간 구조와 교통 수요 간의 유기적 관계를 규명하는 [[지역과학]]의 중요한 이론적 토대가 된다.
 ==== 교통 수단 선택 단계 ====
@@ 줄 189: / 줄 201: @@
 === 효용 극대화 이론 ===
-이용자가 자신의 이익을 최대화하는 방향으로 수단을 선택한다는 경제학적 기초를 다룬다.
+효용 극대화 이론(Utility Maximization Theory)은 [[미시경제학]]의 소비자 선택 이론을 [[교통공학]] 및 [[교통계획]] 분야에 접목한 것으로, 개별 통행자가 직면한 여러 교통 수단 대안 중 자신에게 가장 큰 만족을 주는 대안을 선택한다는 [[합리적 선택 이론]]에 근거한다. 이 이론은 [[교통 수단 선택 단계]]에서 통행자의 의사결정 과정을 수리적으로 모형화하는 핵심적인 논리적 토대를 제공한다. 전통적인 경제학 관점에서 소비자가 예산 제약하에 재화의 묶음을 선택하듯, 교통 이용자는 통행 시간, 비용, 편리성 등의 속성을 고려하여 주관적 만족도인 [[효용]](utility)을 극대화하는 수단을 결정한다고 상정한다.
+교통 수단 선택 상황에서 개별 통행자 $n$이 대안 집합 $C$ 내의 특정 수단 $i$를 선택함으로써 얻게 되는 효용 $U_{in}$은 직접적으로 관측될 수 없는 수량적 가치이다. 그러나 분석가는 통행자의 사회경제적 특성과 수단 자체의 서비스 특성을 바탕으로 효용의 일부를 설명할 수 있다. 이에 따라 효용은 관측 가능한 변수들로 구성된 체계적 효용(systematic utility) $V_{in}$과 분석가가 파악할 수 없는 무작위적 요소를 포함하는 오차항(error term) $\epsilon_{in}$의 합으로 정의된다. 이를 [[무작위 효용 이론]](Random Utility Theory)이라 하며, 다음과 같은 수식으로 표현된다.
+$$U_{in} = V_{in} + \epsilon_{in}$$
+체계적 효용 $V_{in}$은 통행 시간, 통행 비용, 환승 횟수, 접근성 등과 같은 독립 변수들의 선형 결합으로 구성되는 것이 일반적이다. 예를 들어, 특정 수단의 체계적 효용 함수는 $V_{in} = \beta_0 + \beta_1 \times (\text{시간}) + \beta_2 \times (\text{비용})$과 같은 형태로 정립될 수 있다. 이때 각 변수의 계수 $\beta$는 해당 속성이 전체 효용에 미치는 영향력을 의미하며, 특히 시간 변수와 비용 변수의 계수 비를 통해 통행자가 단축된 시간의 가치를 화폐 단위로 환산한 [[시간가치]](Value of Time, VOT)를 도출할 수 있다.
+효용 극대화 원리에 따르면, 통행자 $n$이 대안 $i$를 선택할 조건은 대안 $i$로부터 얻는 효용이 다른 모든 대안 $j$로부터 얻는 효용보다 클 때이다. 즉, 모든 $j \in C (j \neq i)$에 대하여 $U_{in} > U_{jn}$이 성립해야 한다. 그러나 오차항 $\epsilon_{in}$의 존재로 인해 분석가는 특정 수단의 선택 여부를 확정적으로 예측할 수 없으며, 대신 특정 수단이 선택될 확률을 계산하게 된다. 이러한 확률적 접근은 오차항의 확률 분포 가정에 따라 [[로짓 모형]](Logit Model)이나 [[프로빗 모형]](Probit Model)으로 구체화된다.
+이러한 이론적 체계는 [[다니엘 맥패든]](Daniel McFadden)에 의해 정립된 [[조건부 로짓 모형]]의 기초가 되었으며, 개별 경제 주체의 행태를 미시적으로 분석할 수 있는 틀을 마련하였다는 점에서 학술적 의의가 크다. 효용 극대화 이론은 단순히 통행량의 분할을 넘어, 새로운 교통 수단의 도입이나 요금 체계의 변화, 통행 시간 단축을 목적으로 하는 [[사회기반시설]] 투자 사업의 편익을 산정하는 데 있어 이론적 근거가 된다. 이용자가 느끼는 효용의 변화를 화폐 가치로 환산함으로써 정책 변화에 따른 사회적 후생의 증감을 정량적으로 평가할 수 있기 때문이다.
+다만, 효용 극대화 이론은 인간이 모든 정보를 완벽하게 인지하고 항상 합리적으로 판단한다는 전제를 바탕으로 하므로, 실제 인간의 [[제한된 합리성]]이나 습관적 선택 행태를 충분히 반영하지 못한다는 비판을 받기도 한다. 이를 보완하기 위해 최근에는 [[심리학]]적 요소를 결합한 잠재 변수 모형이나 선택 집합의 제약을 고려한 확장된 효용 이론들이 연구되고 있다. 그럼에도 불구하고 효용 극대화 이론은 교통 수요 분석의 논리적 일관성을 유지하고 수리적 엄밀성을 확보하는 데 있어 여전히 가장 중요한 기초 이론으로 기능하고 있다.
 === 로짓 모형과 프로빗 모형 ===
-확률론적 선택 모형을 통해 수단별 점유율을 계산하는 수리적 기법을 설명한다.
+교통 수단 선택 단계에서 개별 통행자의 의사결정 과정을 분석하기 위해 가장 널리 활용되는 방법론은 [[확률적 효용 이론]](Random Utility Theory)에 기반을 둔 확률론적 선택 모형이다. 이 이론은 통행자가 직면한 여러 대안 중에서 자신에게 가장 큰 효용을 주는 수단을 선택한다는 [[합리적 선택 이론]]을 전제로 하되, 분석가가 관찰할 수 없는 개인의 선호나 상황적 요인을 [[오차항]](Error Term)으로 처리하여 확률적으로 접근한다. 통행자 $n$이 대안 $i$를 선택함으로써 얻는 효용 $U_{in}$은 관측 가능한 결정론적 효용 $V_{in}$과 관측 불가능한 확률적 오차항 $\epsilon_{in}$의 합으로 구성된다.
+$$ U_{in} = V_{in} + \epsilon_{in} $$
+이때 오차항 $\epsilon_{in}$에 어떠한 확률 분포를 가정하느냐에 따라 로짓 모형과 프로빗 모형으로 구분된다. 로짓 모형(Logit Model)은 오차항이 서로 독립적이며 동일한 [[제1종 극치 분포]](Type I Extreme Value Distribution) 또는 [[검블 분포]](Gumbel Distribution)를 따른다고 가정한다. 이러한 가정하에서 특정 수단을 선택할 확률은 지수 함수 형태의 수식으로 도출되며, 이를 [[다항 로짓 모형]](Multinomial Logit Model, MNL)이라 한다. 통행자 $n$이 대안 집합 $C_n$ 중에서 대안 $i$를 선택할 확률 $P_{in}$은 다음과 같이 정의된다.
+$$ P_{in} = \frac{\exp(V_{in})}{\sum_{j \in C_n} \exp(V_{jn})} $$
+로짓 모형은 수식이 간결하여 파라미터 추정이 용이하고 계산 효율성이 높다는 장점이 있어 교통 계획 실무에서 표준적으로 사용된다. 그러나 로짓 모형은 [[독립성 가정]](Independence from Irrelevant Alternatives, IIA)이라는 강력한 제약을 가진다. 이는 임의의 두 대안 간 선택 확률의 비율이 제3의 대안 존재 여부와 상관없이 일정해야 한다는 원칙이다. 이로 인해 유사한 특성을 가진 수단들이 대안 집합에 포함될 경우 선택 확률이 왜곡되는 ’빨간 버스-파란 버스 역설(Red Bus-Blue Bus Paradox)’과 같은 문제가 발생할 수 있다. 이러한 한계를 극복하기 위해 대안 간의 상관관계를 계층적으로 구조화한 [[중첩 로짓 모형]](Nested Logit Model)이 대안으로 제시되기도 한다.((로짓 수단선택모형의 균형연구, https://koreascience.kr/article/JAKO201019547060120.page
+))
+프로빗 모형(Probit Model)은 오차항 $\epsilon_{in}$이 [[다변량 정규 분포]](Multivariate Normal Distribution)를 따른다고 가정하는 모델이다. 로짓 모형과 달리 대안 간 오차항의 상관관계를 허용하므로, IIA 가정의 제약에서 자유롭다는 결정적인 장점이 있다. 즉, 승용차와 버스처럼 서로 유사한 특성을 공유하는 수단들 사이의 공분산을 명시적으로 모형에 반영할 수 있어 보다 현실적인 선택 행태를 묘사할 수 있다.
+하지만 프로빗 모형은 대안의 수가 증가할수록 확률을 산출하기 위한 다중 적분(Multiple Integral)의 계산 복잡도가 기하급수적으로 증가한다는 단점이 있다. 과거에는 이러한 수치 해석적 한계로 인해 실무 적용에 어려움이 있었으나, 최근에는 컴퓨터 연산 능력의 향상과 [[몬테카를로 시뮬레이션]](Monte Carlo Simulation) 및 [[시뮬레이션 기반 추정]] 기법의 발달로 인해 그 활용 범위가 넓어지고 있다.
+결과적으로 로짓 모형과 프로빗 모형은 [[교통 수단 선택]] 단계에서 통행자의 행태적 불확실성을 정량화하는 핵심 도구이다. 분석가는 데이터의 가용성, 대안 간의 유사성, 그리고 요구되는 예측 정밀도를 고려하여 적절한 모형을 선택해야 한다. 로짓 모형은 광역 단위의 대규모 교통망 분석에서 효율적인 대안이 되며, 프로빗 모형은 수단 간 경합 관계가 복잡하거나 정밀한 정책 효과 분석이 필요한 미시적 연구에서 그 효용이 크다.
 ==== 통행 노선 배정 단계 ====
-선택된 수단이 실제 도로망이나 철도망의 어느 경로를 이용할지 결정하는 최종 단계를 다룬다.
+통행 노선 배정(Traffic Assignment)은 [[전통적 4단계 분석 체계]]의 최종 단계로, 앞선 [[교통 수단 선택]] 단계를 통해 결정된 특정 수단의 [[기종점]] 간 통행량을 실제 [[교통망]] 상의 구체적인 경로에 할당하는 과정이다. 이 단계의 핵심 목적은 개별 통행자가 출발지에서 목적지까지 이동할 때 어떤 노선을 선택할 것인지를 예측하여, 개별 도로 링크(link)나 철도 구간에 부하되는 교통량을 산출하는 데 있다. 이는 도로의 신설이나 확장, 혹은 대중교통 노선 개편이 전체 교통 흐름에 미치는 영향을 정량적으로 파악하기 위한 필수적인 절차이다.
+노선 배정의 기본 전제는 통행자가 자신에게 가장 유리한 경로를 선택한다는 [[합리적 선택 이론]]에 기반한다. 이때 선택의 기준이 되는 지표를 일반화 비용(Generalized Cost)이라 하며, 이는 단순한 물리적 거리뿐만 아니라 [[통행 시간]], 유류비, 통행료, 그리고 정성적인 불편함 등을 화폐 가치나 시간 단위로 환산하여 통합한 개념이다. 통행자는 통행 비용이 최소화되는 경로를 선호하며, 이러한 개별 통행자의 선택이 모여 교통망 전체의 흐름을 형성하게 된다.
+교통 노선 배정의 이론적 토대는 [[존 워드롭]](John Wardrop)이 제시한 두 가지 원리, 즉 [[이용자 평형]](User Equilibrium, UE)과 [[시스템 최적화]](System Optimum, SO)로 요약된다. 제1원리인 이용자 평형은 모든 통행자가 자신의 통행 시간을 최소화하기 위해 경로를 선택한 결과, 실제로 이용되는 모든 경로의 통행 시간이 동일해지고 이용되지 않는 경로의 통행 시간은 그보다 크거나 같은 상태를 의미한다. 이 상태에서는 어느 한 통행자가 일방적으로 경로를 변경하더라도 자신의 통행 시간을 단축할 수 없으므로 [[내쉬 균형]]과 유사한 안정 상태에 도달한다. 반면 제2원리인 시스템 최적화는 교통망 내 모든 통행자의 총 통행 시간의 합을 최소화하는 관점에서의 배정 방식으로, 개별 이용자의 이익보다는 사회적 효율성을 극대화하는 상태를 지칭한다.
+교통량의 증가에 따른 지체 현상을 모형화하기 위해 [[지체 함수]](Volume-Delay Function)가 사용된다. 대표적인 모델인 [[BPR 함수]](BPR function)는 미국 도로국(Bureau of Public Roads)에서 제안한 것으로, 특정 링크의 교통량과 처리 용량 사이의 관계를 다음과 같이 정의한다.
+$$ t_a = t_0 \left[ 1 + \alpha \left( \frac{v_a}{c_a} \right)^\beta \right] $$
+여기서 $ t_a $는 링크 $ a $의 통행 시간, $ t_0 $는 자유 흐름 상태에서의 통행 시간, $ v_a $는 해당 링크의 교통량, $ c_a $는 링크의 용량을 의미하며, $ $와 $ $는 도로의 특성에 따라 결정되는 파라미터이다. 이 함수는 교통량이 용량에 근접할수록 통행 시간이 급격히 증가하는 현실적인 물리 현상을 반영한다.
+노선을 실제로 배정하는 기법은 분석의 정밀도와 목적에 따라 다양하게 구분된다. 가장 단순한 [[전량 배정법]](All-or-Nothing Assignment)은 교통량에 따른 지체를 고려하지 않고 모든 통행량을 최단 경로에만 할당하는 방식이나, 현실성이 낮아 주로 기초 분석에만 활용된다. 이를 보완한 [[증분 배정법]](Incremental Assignment)은 전체 통행량을 일정 비율로 나누어 순차적으로 배정하며 매 단계마다 지체 함수를 통해 경로 비용을 갱신한다. 현대 실무에서 가장 널리 쓰이는 방식은 수학적 최적화 기법을 사용하여 이용자 평형 상태를 도출하는 [[용량 제약 배정법]](Capacity Restraint Assignment)으로, 반복 계산을 통해 교통망 전체의 [[수렴성]]을 확보한다.
+최근에는 통행자가 교통 상황에 대해 완벽한 정보를 갖지 못하거나 인지 오류가 존재함을 가정하는 [[확률적 노선 배정]](Stochastic Traffic Assignment) 모형도 중요하게 다루어진다. 이는 개별 이용자의 경로 선택이 확률적으로 분포한다고 가정하여 보다 현실적인 교통 흐름을 재현하려는 시도이다. 통행 노선 배정 단계에서 도출된 링크별 교통량은 향후 대기오염 및 소음 예측, 도로 용량의 적정성 평가, 그리고 교통 시설 투자에 대한 [[비용 편익 분석]]의 기초 자료로 활용되며, 이를 통해 국가 교통 정책의 효율성을 검증하게 된다.
 === 이용자 평형 원리 ===
-개별 이용자가 더 이상 통행 시간을 단축할 수 없는 안정적인 상태에 도달하는 원리를 설명한다.
+이용자 평형(User Equilibrium, UE) 원리는 [[교통수요예측]]의 [[통행 노선 배정]] 단계에서 개별 통행자의 경로 선택 행태를 설명하는 가장 핵심적인 이론적 기초이다. 이 원리는 1952년 [[존드롭]](J. G. Wardrop)에 의해 체계화되었으며, 흔히 ’존드롭의 제1원리’라고 불린다. 이용자 평형은 도로 네트워크 상의 모든 이용자가 자신의 [[통행 시간]]이나 비용을 최소화하려는 이기적이고 합리적인 선택을 내린다는 가정에 기반한다. 구체적으로, 특정 기종점(Origin-Destination) 쌍 사이에서 이용되는 모든 경로의 통행 시간은 동일하며, 이용되지 않는 경로의 통행 시간은 이용되는 경로의 통행 시간보다 크거나 같아야 한다. 이러한 상태에 도달하면 어떠한 개별 이용자도 현재의 경로를 변경함으로써 자신의 통행 시간을 추가적으로 단축할 수 없게 되는데, 이는 [[게임 이론]]의 [[내쉬 균형]](Nash Equilibrium)과 궤를 같이하는 안정적인 상태로 간주된다.((Wardrop, J. G., “Some theoretical aspects of road traffic research”, https://www.icevirtuallibrary.com/doi/abs/10.1680/ipeds.1952.18159
+))
+이용자 평형 상태는 이용자가 네트워크 상황에 대한 완전한 정보를 가지고 있으며, 모든 이용자가 동일한 가치 판단 기준을 가진다는 전제하에 성립한다. 현실의 도로망에서는 특정 경로에 교통량이 집중될수록 해당 경로의 통행 시간이 증가하는 [[통행 시간 함수]](Link Performance Function)가 작동한다. 이용자들은 초기에는 가장 빠른 경로를 선택하지만, 해당 경로가 혼잡해짐에 따라 발생하는 지체로 인해 다른 대안 경로와 통행 시간이 같아질 때까지 경로를 분산하게 된다. 결과적으로 모든 이용 가능한 경로의 효용이 균등해지는 지점에서 평형이 이루어진다. 이러한 원리는 단순히 교통량의 산술적 배분을 넘어, 인간의 경제적 선택 행태가 물리적인 [[교통망]]의 흐름에 어떻게 투영되는지를 보여주는 중요한 사례이다.
+이러한 이용자 평형 상태를 수리적으로 도출하기 위한 노력은 1956년 벡만(M. J. Beckmann) 등에 의해 정립되었다. 벡만 변환(Beckmann Transformation)으로 알려진 이 기법은 개별 이용자의 평형 상태를 하나의 수학적 [[최적화]] 문제로 공식화하였다. 이용자 평형 문제는 각 링크의 통행 시간 함수를 교통량에 대해 적분한 값들의 합을 최소화하는 목적함수를 설정함으로써 해결할 수 있다. 목적함수 $Z$는 다음과 같이 정의된다.
+$$ Z = \sum_{a} \int_{0}^{x_a} t_a(\omega) d\omega $$
+여기서 $x_a$는 링크 $a$의 교통량이며, $t_a(\omega)$는 해당 링크의 교통량에 따른 통행 시간 함수를 의미한다. 이 식은 [[통행량 보존 법칙]]과 각 링크의 교통량이 0보다 크거나 같아야 한다는 비음 조건(Non-negativity constraint)을 제약 조건으로 가진다. 벡만 모형의 목적함수 자체는 물리적인 의미를 직접적으로 가지지는 않으나, 이 함수를 최소화하는 해가 곧 존드롭이 정의한 이용자 평형 조건과 수학적으로 일치한다는 점이 증명되었다.((Beckmann, M., McGuire, C. B., & Winsten, C. B., “Studies in the Economics of Transportation”, https://cowles.yale.edu/sites/default/files/2022-08/specpub-beckmann-mcguire-winsten.pdf
+))
+이용자 평형 원리는 교통 정책의 효과를 분석하는 데 있어 중요한 함의를 갖는다. 대표적인 현상으로 [[브래스의 역설]](Braess’s Paradox)이 있는데, 이는 개별 이용자가 자신의 이익만을 극대화하는 평형 상태에서는 도로를 새로 건설하더라도 오히려 네트워크 전체의 총 통행 시간이 증가할 수 있음을 보여준다. 또한, 이용자 평형은 사회 전체의 총 통행 시간을 최소화하는 [[시스템 최적화]](System Optimum, SO) 원리와는 차이가 발생한다. 시스템 최적화 상태에서는 타인에게 미치는 지체 영향인 [[한계 비용]](Marginal Cost)을 고려하여 경로를 배정하지만, 이용자 평형에서는 개별 이용자가 체감하는 평균 비용만을 고려하기 때문이다.
+현대 교통 분석에서는 이용자 평형 원리의 한계를 보완하기 위한 연구가 지속되고 있다. 특히 모든 이용자가 교통 상황을 완벽하게 인지한다는 가정을 완화하여, 인지 오차를 확률 변수로 도입한 [[확률적 이용자 평형]](Stochastic User Equilibrium, SUE) 모형이 널리 활용된다. 또한, 시간의 흐름에 따라 변화하는 교통 상황을 반영하기 위한 [[동적 교통 배정]](Dynamic Traffic Assignment, DTA) 기법 역시 이용자 평형의 기본 원리를 동태적 네트워크 환경으로 확장한 결과물이다. 이러한 이론적 발전은 도시 교통 체계의 효율성을 정밀하게 진단하고, 합리적인 [[교통 계획]]을 수립하는 데 핵심적인 역할을 수행한다.
 === 시스템 최적화 원리 ===
-사회 전체의 총 통행 시간을 최소화하는 관점에서의 경로 배정 방식을 고찰한다.
+시스템 최적화(System Optimization, SO) 원리는 [[교통망]] 내의 모든 통행자가 소비하는 총 통행 시간의 합을 최소화하는 관점에서 노선을 배정하는 방식이다. 이는 영국의 경제학자이자 교통공학자인 [[존 워드롭]](John Glen Wardrop)이 제시한 두 번째 원리에 기초하며, 개별 이용자의 편익보다는 사회 전체의 효율성을 극대화하는 데 목적을 둔다. [[이용자 평형]] 원리가 개별 통행자의 이기적 선택에 따른 평형 상태를 기술한다면, 시스템 최적화는 교통 행정가나 설계자의 관점에서 자원 배분의 이상적인 목표치를 제시한다.
+수리적으로 시스템 최적화는 목적 함수를 전체 링크의 통행량과 통행 시간의 곱으로 설정하여 이를 최소화하는 [[최적화]] 문제로 정의된다. 특정 링크 $a$의 통행량을 $x_a$, 해당 링크의 통행 시간 함수를 $t_a(x_a)$라고 할 때, 시스템 최적화의 목적 함수 $Z$는 다음과 같이 정의된다.
+$$Z = \sum_{a} x_a \cdot t_a(x_a)$$
+이 함수를 최소화하기 위한 조건은 각 경로의 [[한계 통행 시간]](Marginal Travel Time)이 동일해지는 지점에서 결정된다. 여기서 한계 통행 시간은 특정 경로에 차량 한 대가 추가됨으로써 발생하는 시스템 전체의 시간 증가분을 의미한다. 이용자 평형이 각 경로의 평균 통행 시간을 일치시키는 방향으로 수렴한다면, 시스템 최적화는 한계 비용의 균등화에 초점을 맞춘다. 링크 $a$의 한계 통행 시간 $m_a(x_a)$는 다음과 같이 유도된다.
+$$m_a(x_a) = \frac{d}{dx_a} [x_a \cdot t_a(x_a)] = t_a(x_a) + x_a \cdot \frac{dt_a(x_a)}{dx_a}$$
+위 식에서 $t_a(x_a)$는 추가된 차량 본인이 느끼는 직접적인 통행 시간이며, $x_a \cdot \frac{dt_a(x_a)}{dx_a}$는 해당 차량의 진입으로 인해 기존 이용자들이 추가로 겪게 되는 지체 시간, 즉 [[외부 불경제]](External Diseconomy)를 의미한다. 개별 이용자는 일반적으로 자신이 타인에게 미치는 지체 영향을 고려하지 않으므로, 자유로운 선택 상황에서는 시스템 최적화 상태보다 더 많은 총 통행 시간이 소요되는 이용자 평형 상태에 놓이게 된다.
+시스템 최적화 상태에서의 총 통행 시간은 수학적으로 이용자 평형 상태보다 작거나 같음이 증명되어 있다. 그러나 현실적으로 개별 이용자는 자신의 통행 시간을 최소화하려는 속성을 지니기 때문에, 강제적인 통제나 경제적 유인책 없이는 시스템 최적화 상태에 도달하기 어렵다. 이를 정책적으로 구현하기 위해 도입되는 개념이 [[혼잡통행료]](Congestion Pricing)이다. 각 이용자에게 자신이 유발한 외부 비용만큼의 통행료를 부과하여 한계 비용을 내부화함으로써, 개별 이용자의 선택이 사회적 최적 상태와 일치하도록 유도하는 것이다.
+이러한 시스템 최적화 원리는 [[교통 공학]]에서 도로 용량 증설이나 신규 노선 건설의 효과를 평가할 때 중요한 기준점이 된다. 특히 네트워크에 도로를 추가했음에도 불구하고 전체적인 지체가 악화되는 [[브래스의 역설]](Braess’s Paradox)과 같은 현상을 분석할 때, 시스템 최적화는 네트워크 설계자가 지향해야 할 이론적 상한선을 제시한다. 최근에는 [[지능형 교통 체계]](Intelligent Transport Systems, ITS)나 [[자율주행 자동차]]의 경로 제어 알고리즘 설계에서 중앙 집중식 관제를 통해 사회적 효율성을 높이기 위한 핵심적인 기법으로 활용되고 있다. 이는 개별 차량의 경로 선택권을 일부 제한하더라도 전체 시스템의 소통 효율을 극대화하여 물류 비용과 에너지 소모를 줄이는 데 기여한다.
 ===== 현대적 교통수요 분석 기법 =====

SethQ Wiki

사용자 도구

사이트 도구

차이

문서 도구