| 양쪽 이전 판이전 판다음 판 | 이전 판 |
| 통행_분포 [2026/04/13 23:05] – 통행 분포 sync flyingtext | 통행_분포 [2026/04/13 23:09] (현재) – 통행 분포 sync flyingtext |
|---|
| ===== 중력 모형의 이론 체계와 구성 요소 ===== | ===== 중력 모형의 이론 체계와 구성 요소 ===== |
| |
| [[중력 모형]](Gravity Model)은 [[통행 분포]]를 추정하는 데 있어 가장 널리 사용되는 합성 모형으로, 두 지점 사이의 통행량이 각 지점의 활동 규모에 비례하고 공간적 저항에는 반비례한다는 원리를 골자로 한다. 이는 [[아이작 뉴턴]](Isaac Newton)이 정립한 [[만유인력의 법칙]]을 사회과학적 현상인 [[인구 이동]]과 [[교통류]] 분석에 투영한 것이다. 물리학에서 두 물체 사이의 인력이 질량의 곱에 비례하고 거리의 제곱에 반비례하듯, 교통 현상에서의 중력 모형은 기점의 유출 잠재력과 종점의 유입 매력도를 질량으로, 통행에 소요되는 시간이나 비용을 거리로 치환하여 해석한다. | [[중력 모형]](Gravity Model)은 [[통행 분포]]를 추정하는 데 있어 가장 널리 사용되는 합성 모형으로, 두 지점 사이의 통행량이 각 지점의 활동 규모에 비례하고 공간적 저항에는 반비례한다는 원리를 골자로 한다. 이는 [[아이작 뉴턴]](Isaac Newton)이 정립한 [[만유인력의 법칙]]을 사회과학적 현상인 [[인구 이동]]과 [[교통류]] 분석에 투영한 것이다. 물리학에서 두 물체 사이의 인력이 질량의 곱에 비례하고 거리의 제곱에 반비례하듯, 교통 현상에서의 중력 모형은 기점의 유출 잠재력과 종점의 유입 매력도를 각 물체의 질량으로, 통행에 소요되는 시간이나 비용을 거리로 치환하여 해석한다. |
| |
| 중력 모형의 기본 이론 체계는 기점 $ i $에서 종점 $ j $로 향하는 통행량 $ T_{ij} $를 산정하기 위해 다음과 같은 수학적 구조를 갖는다. $$ T_{ij} = k \frac{O_i D_j}{f(c_{ij})} $$ 여기서 $ O_i $는 기점 $ i $에서 발생하는 총 통행량, $ D_j $는 종점 $ j $에 도착하는 총 통행량을 의미하며, $ f(c_{ij}) $는 두 지점 사이의 통행 저항을 나타내는 [[마찰 함수]](Friction Function)이다. 상수 $ k $는 전체 통행량의 총합을 일치시키기 위한 조정 계수이다. 현대적 [[교통 계획]]에서는 기점과 종점의 합계 제약 조건을 엄격히 만족시키기 위해 [[균형 계수]](Balancing Factor)를 도입한 이중 제약 중력 모형의 형태를 주로 사용한다. | 중력 모형의 기본 이론 체계는 기점 $ i $에서 종점 $ j $로 향하는 통행량 $ T_{ij} $를 산정하기 위해 다음과 같은 수학적 구조를 갖는다. $$ T_{ij} = k O_i D_j f(c_{ij}) $$ 여기서 $ O_i $는 기점 $ i $에서 발생하는 총 통행량, $ D_j $는 종점 $ j $에 도착하는 총 통행량을 의미하며, $ f(c_{ij}) $는 두 지점 사이의 통행 저항에 따른 통행 강도의 감쇠를 나타내는 [[마찰 함수]](Friction Function)이다. 상수 $ k $는 전체 통행량의 총합을 일치시키기 위한 비례 상수이다. 현대적 [[교통 계획]]에서는 기점과 종점의 합계 제약 조건을 엄격히 만족시키기 위해 [[균형 계수]](Balancing Factor)를 도입한 [[이중 제약 중력 모형]]의 형태를 주로 사용한다. |
| |
| 모형의 핵심 구성 요소인 활동 규모 척도는 통행 발생 단계에서 산출된 유출량과 유입량을 기반으로 한다. 기점의 유출량은 해당 지역의 인구, 고용자 수 등 사회경제적 지표에 의해 결정되는 공급 능력을 나타내며, 종점의 유입량은 해당 지역이 통행자를 끌어들이는 매력도의 크기를 의미한다. 이러한 규모 인자들은 통행의 총량을 결정짓는 일차적인 변수로 작용하며, 공간 구조상에서 통행이 배분되는 기본적인 틀을 제공한다. | 모형의 핵심 구성 요소인 활동 규모 척도는 [[통행 발생]] 단계에서 산출된 유출량과 유입량을 기반으로 한다. 기점의 유출량은 해당 지역의 인구, 고용자 수 등 사회경제적 지표에 의해 결정되는 공급 능력을 나타내며, 종점의 유입량은 해당 지역이 통행자를 끌어들이는 매력도의 크기를 의미한다. 이러한 규모 인자들은 통행의 총량을 결정짓는 일차적인 변수로 작용하며, 공간 구조상에서 통행이 배분되는 기본적인 틀을 제공한다. |
| |
| 통행 저항을 수치화하는 마찰 함수는 중력 모형의 예측력을 좌우하는 결정적인 요소이다. 초기 연구에서는 물리적 거리의 제곱을 분모로 사용하는 단순 역자승 법칙을 따랐으나, 실제 교통 행태는 물리적 거리보다는 통행자가 체감하는 [[일반화 비용]](Generalized Cost)에 더 민감하게 반응한다. 이에 따라 [[통행 시간]], 유류비, 통행료 등을 종합적으로 반영한 저항 지표가 활용된다. 마찰 함수의 형태는 지역적 특성과 통행 목적에 따라 다르게 설정되는데, 주로 다음과 같은 [[지수 함수]]나 [[멱함수]] 형태가 사용된다. | 통행 저항을 수치화하는 마찰 함수는 중력 모형의 예측력을 좌우하는 결정적인 요소이다. 초기 연구에서는 물리적 거리의 제곱에 반비례하는 단순 역자승 법칙을 따랐으나, 실제 교통 행태는 물리적 거리보다는 통행자가 체감하는 [[일반화 비용]](Generalized Cost)에 더 민감하게 반응한다. 이에 따라 [[통행 시간]], 유류비, 통행료 등을 종합적으로 반영한 저항 지표가 활용된다. 마찰 함수의 형태는 지역적 특성과 통행 목적에 따라 다르게 설정되는데, 주로 다음과 같은 [[지수 함수]]나 [[멱함수]] 형태가 사용된다. |
| |
| 멱함수 형태는 장거리 통행의 감쇠 현상을 설명하는 데 적합하며, 지수 함수 형태는 도시 내 단거리 통행의 분포 특성을 기술하는 데 유리한 것으로 알려져 있다. 한국의 고속도로 통행 데이터를 분석한 연구에 따르면, 통행 분포는 특정 거리 임계치를 기준으로 서로 다른 지수적 감쇠 특성을 보이기도 한다((Gravity model in the Korean highway, http://stacks.iop.org/0295-5075/81/i=4/a=48005 | [[멱함수]] 형태는 장거리 통행의 감쇠 현상을 설명하는 데 적합하며, [[지수 함수]] 형태는 도시 내 단거리 통행의 분포 특성을 기술하는 데 유리한 것으로 알려져 있다. 한국의 고속도로 통행 데이터를 분석한 연구에 따르면, 통행 분포는 특정 거리 임계치를 기준으로 서로 다른 지수적 감쇠 특성을 보이기도 한다((Gravity model in the Korean highway, http://stacks.iop.org/0295-5075/81/i=4/a=48005 |
| )). | )). |
| |
| 중력 모형은 [[성장인자법]]과 달리 과거의 [[기종점 행렬]] 데이터가 존재하지 않는 신도시 개발이나 대규모 [[교통 시설]] 확충 시나리오에서도 미래 통행 분포를 논리적으로 예측할 수 있다는 강점을 지닌다. 이는 도로망의 변화로 인해 통행 저항이 감소할 경우, 해당 경로를 포함한 지역 간 상호작용이 증대되는 현상을 모형 내부에서 직접적으로 반영할 수 있기 때문이다. 또한, 물리적 거리나 비용만으로 설명되지 않는 특정 지역 간의 특수한 유대 관계를 보정하기 위해 [[K-인자]](K-factor)를 도입함으로써 모형의 현실 재현성을 높이기도 한다. | 중력 모형은 [[성장인자법]]과 달리 과거의 [[기종점 행렬]] 데이터가 존재하지 않는 신도시 개발이나 대규모 [[교통 시설]] 확충 시나리오에서도 미래 통행 분포를 논리적으로 예측할 수 있다는 강점을 지닌다. 이는 도로망의 변화로 인해 통행 저항이 감소할 경우, 해당 경로를 포함한 지역 간 상호작용이 증대되는 현상을 모형 내부에서 직접적으로 반영할 수 있기 때문이다. 또한, 물리적 거리나 비용만으로 설명되지 않는 특정 지역 간의 특수한 유대 관계를 보정하기 위해 [[K-인자]](K-factor)를 도입함으로써 모형의 현실 재현성을 높이기도 한다. |
| |
| 이러한 이론적 체계는 이후 [[엔트로피 극대화]] 이론과 결합하면서 통계역학적 정당성을 확보하게 되었다. 중력 모형은 단순히 물리 법칙의 차용에 그치지 않고, 주어진 제약 조건 하에서 발생 가능한 가장 확률 높은 통행 분포 상태를 도출하는 수리적 모형으로 발전하였다. 이는 [[교통 수요 추정]]의 4단계 모델 중 통행 분포 단계에서 가장 중추적인 역할을 수행하며, 국토 공간 구조의 변화를 예측하고 평가하는 핵심적인 도구로 활용되고 있다. | 이러한 이론적 체계는 이후 [[엔트로피 극대화]] 이론과 결합하면서 통계역학적 정당성을 확보하게 되었다. 중력 모형은 단순히 물리 법칙의 차용에 그치지 않고, 주어진 제약 조건 하에서 발생 가능한 가장 확률 높은 통행 분포 상태를 도출하는 수리적 모형으로 발전하였다. 이는 [[교통 수요 4단계 추정법]] 중 통행 분포 단계에서 가장 중추적인 역할을 수행하며, 국토 공간 구조의 변화를 예측하고 평가하는 핵심적인 도구로 활용되고 있다. |
| |
| ==== 중력 모형의 기본 구조와 수식화 ==== | ==== 중력 모형의 기본 구조와 수식화 ==== |
| |
| 두 존 사이의 통행량이 각 존의 활동 규모에 비례하고 통행 저항에 반비례한다는 기본 원리를 수식으로 제시한다. | [[중력 모형]](Gravity Model)은 [[아이작 뉴턴]](Isaac Newton)이 제량한 [[만유인력의 법칙]]을 사회과학적 현상인 [[교통 공학]]에 원용한 이론적 틀이다. 물리 세계에서 두 물체 사이의 인력이 각 물체의 질량에 비례하고 거리의 제곱에 반비례한다는 원리를 교통 현상에 투영하여, 특정 두 지역 사이의 통행량이 각 지역의 활동 규모가 클수록 증가하고 두 지역 간의 거리나 시간과 같은 [[통행 저항]]이 클수록 감소한다는 가설을 수식화한 것이다. 이는 [[통행 분포]]를 추정하는 방법론 중 가장 널리 사용되는 기법으로, 과거의 통행 패턴에 의존하는 [[성장인자법]]과 달리 토지 이용의 변화나 교통 시설의 확충으로 인한 접근성 개선 효과를 모형 내에 직접적으로 반영할 수 있다는 강점을 지닌다. |
| | |
| | 중력 모형의 가장 기본적인 수식 체계는 기점 $ i $에서 종점 $ j $로 향하는 통행량 $ T_{ij} $를 다음과 같이 정의한다. $$ T_{ij} = k \cdot \frac{P_i \cdot A_j}{d_{ij}^n} $$ 여기서 $ P_i $는 기점 $ i $에서 발생하는 [[통행 발생]]량(Production), $ A_j $는 종점 $ j $에서 유입되는 [[통행 유인]]량(Attraction)을 의미하며, $ d_{ij} $는 두 지역 사이의 [[공간적 거리]]를 나타낸다. 비례 상수 $ k $는 전체 통행량의 규모를 조정하는 역할을 하며, 지수 $ n $은 거리에 따른 통행량 감소의 민감도를 결정하는 매개변수이다. 이 식은 두 지역의 사회경제적 활동 규모가 클수록 통행이 빈번해지고, 물리적 거리가 멀어질수록 통행 의지가 급격히 감소한다는 인간의 통행 행태를 수학적으로 명확히 규정한다. |
| | |
| | 현대적인 [[교통 수요 추정]] 과정에서는 단순한 거리의 역제곱 형태를 넘어, 보다 정교화된 [[마찰 함수]](Friction Function)를 도입하여 모형을 구성한다. 마찰 함수는 통행자가 이동 과정에서 겪는 시간적, 경제적, 심리적 부담을 포괄하는 [[통행 비용]]을 변수로 취하며, 이를 통해 물리적 거리뿐만 아니라 [[교통 체증]]이나 통행료 등 실질적인 저항 요소를 반영한다. 일반화된 중력 모형의 수식은 다음과 같은 형태로 표현된다. $$ T_{ij} = P_i \cdot \frac{A_j \cdot F_{ij} \cdot K_{ij}}{\sum_{k=1}^n (A_k \cdot F_{ik} \cdot K_{ik})} $$ 이 수식에서 $ F_{ij} $는 기점과 종점 사이의 저항을 나타내는 마찰 함수이며, $ K_{ij} $는 특정 지역 쌍 사이의 특수한 사회경제적 유대 관계를 보정하기 위한 계수이다. 분모의 항은 기점 $ i $에서 도달 가능한 모든 종점들에 대한 유인력과 마찰 함수의 곱을 합산한 것으로, 이는 특정 기점에서 유출되는 통행량의 합이 해당 기점의 총 통행 발생량 $ P_i $와 일치하도록 보장하는 정규화 과정을 의미한다. 이러한 구조는 중력 모형이 [[기종점 행렬]](Origin-Destination Matrix)의 제약 조건을 만족하면서도 지역 간 상호작용의 상대적 강도를 합리적으로 배분할 수 있게 한다. ((Space Syntax를 이용한 교통수요예측의 중력모형 저항함수의 개선방안, https://scienceon.kisti.re.kr/srch/selectPORSrchArticle.do?cn=JAKO201913458198222 |
| | )) |
| | |
| | 중력 모형의 수식화 과정에서 가장 중요한 과제는 관측된 데이터를 바탕으로 마찰 함수의 형태와 매개변수를 추정하는 [[모형 보정]]이다. 지수 함수, 멱함수, 또는 이들의 결합 형태인 [[감마 함수]] 등이 마찰 함수의 후보로 사용되며, 실제 조사된 [[통행 시간 빈도 분포]]와 모형에 의한 예측치가 최대한 일치하도록 최적의 계수를 산출한다. 이러한 수식적 정교함 덕분에 중력 모형은 단순한 물리적 비유를 넘어, 도시의 공간 구조 변화가 교통 흐름에 미치는 영향을 예측하고 분석하는 핵심적인 공학적 도구로 자리 잡았다. |
| |
| ==== 마찰 함수와 통행 저항의 설정 ==== | ==== 마찰 함수와 통행 저항의 설정 ==== |
| |
| 시간, 거리, 비용 등 통행자가 느끼는 저항을 수학적 함수로 표현하는 방식과 마찰 계수의 산출 과정을 설명한다. | [[통행 분포]] 단계의 [[중력 모형]]에서 기점과 종점 사이의 교류 강도를 결정하는 핵심 기제는 [[통행 저항]](Travel Impedance)이다. 통행 저항은 두 존(Zone) 사이를 이동할 때 발생하는 물리적, 경제적, 심리적 부담을 수치화한 것으로, 단순히 물리적 거리만을 의미하지 않는다. 현대 교통 계획에서는 통행에 소요되는 시간, 유류비 및 통행료와 같은 직접 비용, 그리고 운전자의 피로도나 정시성 등을 종합적으로 고려한 [[일반화 비용]](Generalized Cost)의 개념을 사용하여 저항을 정의한다. 일반화 비용 $C_{ij}$는 일반적으로 다음과 같은 선형 결합의 형태로 표현된다. |
| | |
| | $$C_{ij} = \alpha \cdot t_{ij} + \beta \cdot d_{ij} + \gamma \cdot m_{ij} + \delta$$ |
| | |
| | 여기서 $t_{ij}$는 [[통행 시간]], $d_{ij}$는 통행 거리, $m_{ij}$는 통행 요금 등을 의미하며, 각 계수는 해당 요소가 전체 저항에서 차지하는 가중치를 나타낸다. 특히 시간 변수에 곱해지는 계수는 [[시간 가치]](Value of Time)를 반영하여 화폐 단위로 환산하는 역할을 수행한다. |
| | |
| | [[마찰 함수]](Friction Function)는 이러한 통행 저항이 증가함에 따라 두 지역 간의 통행 발생 확률이나 통행량이 어떠한 양상으로 감소하는지를 수학적으로 규정한 함수이다. 중력 모형의 일반식 $T_{ij} = A_i O_i B_j D_j f(C_{ij})$에서 $f(C_{ij})$에 해당하며, 저항에 대한 통행자의 민감도를 결정한다. 마찰 함수의 형태는 분석 대상 지역의 특성이나 통행 목적에 따라 다르게 설정되는데, 학술적으로 가장 널리 활용되는 형태는 다음과 같다. |
| | |
| | 첫째, 멱함수(Power Function) 형태이다. $$f(C_{ij}) = C_{ij}^{-\beta}$$ 이는 저항의 변화율에 따른 통행량의 변화가 일정한 [[탄력성]]을 가질 때 적합하며, 주로 지역 간 장거리 통행이나 화물 수송 분석에 활용된다. |
| | |
| | 둘째, 지수함수(Exponential Function) 형태이다. $$f(C_{ij}) = e^{-\beta C_{ij}}$$ 저항이 증가함에 따라 통행량이 급격히 감소하는 특성을 보이며, 주로 도시 내 단거리 통행이나 통근 통행의 행태를 모사하는 데 효과적이다. |
| | |
| | 셋째, 감마함수(Gamma Function) 형태이다. $$f(C_{ij}) = a \cdot C_{ij}^b \cdot e^{-c C_{ij}}$$ 멱함수와 지수함수의 특성을 결합한 형태로, 저항이 아주 작은 구간에서는 오히려 통행량이 소폭 증가하다가 일정 수준 이후부터 감소하는 현실적인 통행 행태를 반영할 수 있어 최근 대부분의 교통 수요 예측 소프트웨어에서 표준적으로 채택하고 있다. |
| | |
| | 설정된 마찰 함수의 적절성을 검증하고 최적의 매개변수를 산출하는 과정은 [[모형 보정]](Calibration)의 핵심이다. 이를 위해 실제 설문조사나 [[기종점 조사]]를 통해 관측된 [[통행 시간 빈도 분포]](Travel Time Frequency Distribution, TLFD)와 모형에 의해 추정된 분포를 비교한다. 분석가는 마찰 함수의 계수($\beta$ 등)를 반복적으로 조정하며, 관측된 평균 통행 시간과 추정된 평균 통행 시간이 일치하고 두 분포 곡선의 형태가 통계적으로 유의미한 수준에서 부합할 때까지 보정 작업을 수행한다. 이러한 과정을 통해 산출된 마찰 계수는 해당 지역 통행자들이 공간적 거리나 비용에 대해 느끼는 저항의 강도를 객관적으로 나타내는 지표가 된다. ((Space Syntax를 이용한 교통수요예측의 중력모형 저항함수의 개선방안, https://scienceon.kisti.re.kr/srch/selectPORSrchArticle.do?cn=JAKO201913458198222 |
| | )) |
| |
| ==== 제약 조건에 따른 모형의 분류 ==== | ==== 제약 조건에 따른 모형의 분류 ==== |
| |
| 기점 또는 종점의 합계 일치 여부에 따라 무제약, 단일제약, 이중제약 중력 모형으로 구분하여 각 특성을 논한다. | [[중력 모형]](Gravity Model)은 [[통행 발생]] 단계에서 예측된 각 존별 [[유출량]]($O_i$)과 [[유입량]]($D_j$)을 바탕으로 존 간의 [[통행량]]($T_{ij}$)을 배분한다. 이때 모형을 통해 계산된 결과값의 합계가 사전에 정의된 기점 유출량이나 종점 유입량의 총합과 일치해야 하는지, 즉 [[제약 조건]](Constraint condition)을 어떻게 설정하느냐에 따라 무제약, 단일제약, 이중제약 모형으로 분류한다. 이러한 분류 체계는 [[교통 계획]]의 목적과 가용 데이터의 신뢰도에 따라 선택되며, 각 모형은 수학적 구조와 수렴 특성에서 뚜렷한 차이를 보인다. |
| | |
| | 무제약 중력 모형(Unconstrained Gravity Model)은 기점과 종점의 합계 제약 조건을 강제하지 않는 가장 단순한 형태이다. 이 모형의 일반식은 다음과 같다. $$T_{ij} = K \cdot O_i \cdot D_j \cdot f(c_{ij})$$ 여기서 $K$는 비례 상수이며, $f(c_{ij})$는 두 존 사이의 [[통행 저항]]을 나타내는 [[마찰 함수]]이다. 무제약 모형에서는 계산된 $\sum_j T_{ij}$가 실제 유출량 $O_i$와 일치하지 않으며, $\sum_i T_{ij}$ 역시 $D_j$와 일치하지 않는 경우가 일반적이다. 따라서 이 모형은 전체적인 통행 패턴의 경향성을 파악하는 초기 분석이나, 기종점 데이터가 불완전하여 특정 제약을 가하기 어려운 특수 상황에서 제한적으로 사용된다. |
| | |
| | 단일제약 중력 모형(Singly Constrained Gravity Model)은 기점 또는 종점 중 어느 한쪽의 합계만을 일치시키는 방식이다. 기점제약 중력 모형(Production-constrained Gravity Model)은 각 존에서 발생하는 총 유출량($O_i$)이 보존되도록 설계되며, 주로 주거지에서 발생하는 통행이 목적지로 어떻게 분산되는지 분석할 때 활용된다. 반면 종점제약 중력 모형(Attraction-constrained Gravity Model)은 특정 존으로 들어오는 총 유입량($D_j$)을 고정하며, [[소매업]] 입지 분석이나 [[고용]] 중심지로의 통행 집중도를 파악하는 데 유용하다. 기점제약 모형의 경우, 제약 조건을 만족시키기 위해 다음과 같은 균형 계수(Balancing factor) $A_i$를 도입한다. $$T_{ij} = A_i \cdot O_i \cdot D_j \cdot f(c_{ij}), \quad A_i = \left[ \sum_j D_j \cdot f(c_{ij}) \right]^{-1}$$ 이러한 구조를 통해 특정 기점에서 출발하는 모든 통행량의 합은 정확히 $O_i$가 된다. |
| | |
| | 이중제약 중력 모형(Doubly Constrained Gravity Model)은 기점 유출량과 종점 유입량 제약 조건을 동시에 만족시켜야 하는 가장 엄격하고 정교한 형태이다. 도시 전체의 [[교통 수요 추정]]에서는 각 존의 유출량과 유입량이 이미 통행 발생 단계에서 결정되어 있으므로, 이를 모두 충족하는 이중제약 방식이 표준적으로 사용된다. 이 모형은 두 개의 균형 계수 $A_i$와 $B_j$를 포함하며, 수식은 다음과 같다. $$T_{ij} = A_i \cdot O_i \cdot B_j \cdot D_j \cdot f(c_{ij})$$ $$A_i = \left[ \sum_j B_j \cdot D_j \cdot f(c_{ij}) \right]^{-1}, \quad B_j = \left[ \sum_i A_i \cdot O_i \cdot f(c_{ij}) \right]^{-1}$$ $A_i$와 $B_j$는 서로를 포함하는 함수 관계에 있으므로, 직접적인 대수적 해를 구하기 어렵다. 따라서 일반적으로 [[프라타법]](Fratar Method)이나 [[퍼니스법]](Furness Method)과 같은 [[반복 보정법]]을 사용하여 수렴하는 해를 도출한다. 이중제약 모형은 [[앨런 윌슨]]의 [[엔트로피 극대화 모형]]과 수학적으로 동일한 구조를 가짐이 증명되었으며, 이는 통계역학적 관점에서 가장 발생 확률이 높은 통행 분포 상태를 의미한다((Multiple gravity laws for human mobility within cities, https://link.springer.com/content/pdf/10.1140/epjds/s13688-023-00438-x.pdf |
| | )). 이러한 제약 조건의 설정은 모형의 예측력을 높일 뿐만 아니라, 지역 간 [[인구 이동]]이나 화물 물동량 분석 등 다양한 [[공간 상호작용]] 모델링의 기초가 된다((수도권 화물자동차 통행분포를 위한 도착지선택모형: 집계중력모형과 실증비교, https://journal.kci.go.kr/krihs/archive/articlePdf?artiId=ART001429716 |
| | )). |
| |
| ===== 확률적 접근 및 엔트로피 극대화 모형 ===== | ===== 확률적 접근 및 엔트로피 극대화 모형 ===== |
| ==== 개입 기회 모형의 논리 ==== | ==== 개입 기회 모형의 논리 ==== |
| |
| 통행자가 목적지까지 가는 경로상에 존재하는 선택 가능한 기회들의 수에 따라 통행 분포가 결정된다는 이론을 다룬다. | [[통행 분포]]를 설명하는 전통적인 [[중력 모형]]은 두 지점 사이의 [[물리적 거리]]나 [[통행 비용]]을 주요 변수로 삼아 통행 강도를 규명한다. 그러나 [[개입 기회 모형]](Intervening Opportunity Model)은 통행자가 목적지를 선택할 때 물리적 거리 그 자체보다는 기점과 종점 사이에 존재하는 잠재적 목적지, 즉 ’기회’의 수에 더 민감하게 반응한다는 가설에서 출발한다. 이 모형은 1940년 [[새뮤얼 스토우퍼]](Samuel Stouffer)가 제안한 [[개입 기회 이론]]에 뿌리를 두고 있으며, 이후 1960년대 [[시카고]] 지역 교통 연구(Chicago Area Transportation Study, CATS)에서 [[모턴 슈나이더]](Morton Schneider)에 의해 구체적인 [[교통 수요 추정]] 모델로 정립되었다. |
| | |
| | 개입 기회 모형의 핵심 논리는 통행자가 기점에서 가까운 순서대로 배치된 각 기회를 검토하며, 특정 기회가 자신의 요구를 충족할 경우 그곳을 목적지로 선택하고 통행을 종료한다는 점이다. 이때 통행자가 특정 기회를 선택할 확률은 두 가지 조건의 결합으로 결정된다. 첫째는 해당 기회 이전까지 나타난 모든 기회를 선택하지 않고 통과했을 확률이며, 둘째는 현재 도달한 기회가 통행자의 목적을 만족시킬 확률이다. 따라서 기점으로부터 거리가 멀어질수록 통행자가 거쳐 가는 [[개입 기회]]의 수가 누적되어 증가하므로, 특정 지점까지 도달할 확률은 점차 감소하게 된다. 이는 통행 거리가 멀어질수록 통행량이 감소하는 현상을 물리적 마찰이 아닌 확률적 선택의 결과로 해석한 것이다. |
| | |
| | 이를 수학적으로 정립하기 위해, 기점 $ i $에서 발생한 통행이 $ V $개의 누적 기회를 검토한 후에도 여전히 목적지를 찾지 못했을 확률을 $ P(V) $라고 정의한다. 만약 추가적인 미소 기회 $ dV $를 검토할 때 통행자가 목적지를 선택할 확률이 $ L dV $라고 가정한다면, 여기서 $ L $은 기회당 선택 확률을 나타내는 상수이다. 이때 $ V $와 $ V+dV $ 사이에서 통행이 종료될 확률의 변화량은 다음과 같은 [[미분 방정식]]으로 표현할 수 있다. |
| | |
| | $$ dP = -L \cdot P(V) \cdot dV $$ |
| | |
| | 이 방정식을 적분하면 $ P(V) = e^{-LV} $라는 해를 얻게 된다. 기점 $ i $에서 종점 $ j $까지의 통행량 $ T_{ij} $는 기점 $ i $의 총 통행 발생량 $ O_i $ 중에서 종점 $ j $보다 가까운 곳에 위치한 누적 기회 $ V_{j-1} $까지는 통과하고, 종점 $ j $에 포함된 기회 $ V_j $ 내에서 통행을 멈출 확률의 차이로 계산된다. |
| | |
| | $$ T_{ij} = O_i [P(V_{j-1}) - P(V_j)] = O_i [e^{-LV_{j-1}} - e^{-LV_j}] $$ |
| | |
| | 여기서 $ V_{j-1} $은 기점 $ i $에서 종점 $ j $보다 가까운 모든 존의 기회(예: 고용자 수, 매장 면적 등) 합계를 의미하며, $ V_j $는 $ V_{j-1} $에 종점 $ j $의 기회 수를 더한 값이다. 이 수식은 통행 분포가 단순히 거리에 반비례하는 것이 아니라, 목적지 사이에 놓인 선택지의 밀도에 의해 결정됨을 보여준다. |
| | |
| | 개입 기회 모형은 [[중력 모형]]과 달리 공간적 저항을 물리적 거리가 아닌 [[기회의 밀도]]와 배치 구조로 파악한다는 점에서 차별화된다. 이는 도시 공간의 구조적 변화, 예를 들어 특정 지역에 대규모 상업 시설이 들어서면서 발생하는 [[통행 저항]]의 변화를 보다 동태적으로 반영할 수 있게 한다. 또한, 이 모형은 [[확률론]]적 기초 위에서 통행자의 의사결정 과정을 모사하므로 [[엔트로피 극대화 모형]]과도 이론적 궤를 같이한다. 그러나 기회당 선택 확률인 $ L $ 값이 지역이나 통행 목적에 관계없이 일정하다는 가정이 현실과 괴리될 수 있으며, 기회의 순서를 정하는 기준이 모호할 경우 예측력이 저하될 수 있다는 점은 주요한 한계로 지적된다. 그럼에도 불구하고 공간적 상호작용을 인간의 선택 행태와 결합하여 정교화했다는 점에서 [[계량지리학]] 및 [[교통공학]] 분야의 중요한 기초 이론으로 평가받는다. |
| |
| ==== 엔트로피 극대화 이론의 적용 ==== | ==== 엔트로피 극대화 이론의 적용 ==== |
| ==== 기종점 행렬의 전수화와 보정 ==== | ==== 기종점 행렬의 전수화와 보정 ==== |
| |
| 표본 조사 데이터를 전체 인구 규모로 확장하고, 관측된 교통량과의 비교를 통해 행렬을 수정하는 기법을 다룬다. | 통행 분포 단계에서 구축되는 [[기종점 행렬]](Origin-Destination Matrix, O-D Matrix)은 해당 지역 내 모든 통행자의 움직임을 직접 관측하여 작성하는 것이 현실적으로 불가능하기 때문에, 통상적으로 전체 가구 중 일부를 추출하여 조사하는 [[표본 조사]] 방식을 취한다. 대표적인 방식인 [[가구통행실태조사]]를 통해 수집된 데이터는 표본 집단의 통행 행태만을 나타내므로, 이를 해당 연구 지역의 전체 인구 규모로 확장하는 [[전수화]](Expansion) 과정이 필수적으로 요구된다. 전수화의 기본 원리는 각 표본 통행에 적절한 가중치인 전수화 계수(Expansion Factor)를 곱하여 모집단의 통행량을 추정하는 것이다. 가장 단순한 형태의 전수화 계수 $ w_i $는 특정 [[교통 분석 존]] $ i $의 전체 가구 수 $ N_i $를 유효 응답 가구 수 $ n_i $로 나눈 값으로 정의된다. |
| | |
| | $$ w_i = \frac{N_i}{n_i} $$ |
| | |
| | 그러나 실제 조사 과정에서는 가구 규모, 소득 수준, 차량 보유 여부 등에 따라 응답률이 상이하게 나타나는 층화 편향이 발생할 수 있다. 이를 보완하기 위해 인구통계학적 특성을 고려한 다차원 가중치 조정법을 적용하여 전수화의 정확도를 높인다. 전수화된 기종점 행렬은 각 존에서 발생하는 [[통행 발생]]량의 총합과 일치해야 하며, 이 과정에서 발생하는 통계적 불일치는 반복 보정 기법을 통해 조정된다. |
| | |
| | 전수화가 완료된 행렬이라 할지라도 조사 과정에서의 누락, 응답자의 기억 오류, 혹은 조사 시점과 분석 시점 사이의 시차 등으로 인해 실제 도로상의 소통 현황과 괴리가 발생할 수 있다. 이러한 오차를 수정하기 위해 수행하는 과정이 [[보정]](Adjustment)이다. 보정의 가장 고전적이고 핵심적인 방법은 [[스크린라인]](Screenline) 조사를 활용하는 것이다. 스크린라인이란 연구 지역을 가로지르는 하천, 철도, 산맥 등 지형지물을 따라 설정한 가상의 선으로, 이 선을 통과하는 모든 도로상의 [[교통량]]을 실측하여 기종점 행렬상의 통행량 합계와 비교한다. 특정 스크린라인을 통과하는 관측 교통량을 $ V_{obs} $, 행렬로부터 배정된 추정 교통량을 $ V_{est} $라고 할 때, 보정 계수 $ K $는 다음과 같이 산출된다. |
| | |
| | $$ K = \frac{V_{obs}}{V_{est}} $$ |
| | |
| | 산출된 보정 계수를 해당 스크린라인을 통과하는 모든 기종점 쌍(O-D pair)의 통행량에 곱하여 행렬을 수정한다. 만약 여러 개의 스크린라인이나 지역 경계선인 [[코드라인]](Cordon Line)이 존재할 경우, 각 라인을 통과하는 통행량의 독립성과 중복성을 고려하여 반복적으로 계수를 적용한다. |
| | |
| | 현대 교통 계획에서는 단순히 특정 선을 통과하는 합계치를 맞추는 것을 넘어, 주요 링크(Link)별 관측 교통량을 제약 조건으로 하여 기종점 행렬 자체를 직접 추정하거나 미세 조정하는 수학적 최적화 기법이 널리 활용된다. 이는 [[통행 배정]]의 역과정으로 이해될 수 있으며, 주로 [[최대우도법]](Maximum Likelihood Estimation)이나 [[엔트로피]] 극대화 원리를 적용한다. 관측된 링크 교통량 $ %%//%%a $가 주어졌을 때, 추정된 기종점 통행량 $ T%%//%%{ij} $와 해당 링크를 통과하는 통행 비율 $ p_{ij}^a $ 사이의 관계식 $ %%//%%{i,j} T%%//%%{ij} p_{ij}^a = _a $를 만족하면서, 기초 행렬과의 차이를 최소화하는 방향으로 행렬을 수정한다. 이러한 보정 과정은 모형의 신뢰도를 확보하고, 향후 수행될 [[수단 분담]] 및 통행 배정 단계에서의 예측 오차를 최소화하는 데 결정적인 역할을 한다. 다만 지나친 보정은 모형의 설명력을 약화시키고 관측치에만 매몰된 결과를 초래할 수 있으므로, 보정 전후의 행렬 구조 변화에 대한 통계적 검토가 병행되어야 한다. |
| |
| ==== 통행 시간 빈도 분포 분석 ==== | ==== 통행 시간 빈도 분포 분석 ==== |
| |
| 모형을 통해 예측된 통행 시간 분포가 실제 조사된 분포 곡선과 일치하는지 검토하는 적합도 판정 방법을 설명한다. | 통행 분포 모형, 특히 [[중력 모형]]의 신뢰성을 확보하기 위해서는 모형을 통해 추정된 결과가 실제 통행 행태를 충실히 재현하고 있는지 검증해야 한다. 이 과정에서 가장 널리 활용되는 방법 중 하나가 [[통행 시간 빈도 분포]](Travel Time Frequency Distribution, TTFD) 분석이다. 통행 시간 빈도 분포란 전체 통행을 통행 시간에 따라 일정 간격으로 구분하여 각 시간대별로 발생하는 통행의 비율이나 횟수를 나타낸 것이다. 이 분석의 핵심적인 목적은 [[기종점 조사]](Origin-Destination Survey) 등을 통해 얻어진 실제 관측 분포와 모형에 의해 계산된 예측 분포 사이의 일치성을 검토하여, 모형 내 [[마찰 함수]]의 적절성을 판정하는 데 있다. |
| | |
| | 분석의 첫 단계는 관측 데이터와 예측 데이터를 동일한 시간 단위의 [[히스토그램]]으로 시각화하여 비교하는 것이다. 일반적으로 통행 시간 빈도 분포는 단거리 통행이 빈번하고 장거리 통행으로 갈수록 빈도가 급격히 감소하는 [[감쇠 현상]]을 보이며, 이는 대개 [[감마 분포]](Gamma distribution)나 [[음의 지수 분포]]와 유사한 형태를 띤다. 만약 모형에 의해 생성된 곡선이 관측된 곡선보다 왼쪽으로 치우쳐 있다면 이는 모형이 단거리 통행을 과다 추정하고 있음을 의미하며, 반대의 경우는 장거리 통행을 과다 추정하고 있음을 시사한다. 이러한 시각적 비교는 모형의 구조적 편향성을 직관적으로 파악할 수 있게 해준다. |
| | |
| | 정량적인 적합도 판정을 위해 가장 우선적으로 검토되는 지표는 [[평균 통행 시간]](Mean Travel Time)이다. 교통 계획의 실무 지침에서는 관측된 평균 통행 시간과 모형에 의한 평균 통행 시간의 차이가 유의미한 범위 내에 들어올 것을 요구한다. 평균 통행 시간은 통행 분포의 중심 경향성을 나타내는 핵심 지표로서, 만약 두 수치의 차이가 통상적인 허용 오차 범위를 벗어난다면 모형의 [[마찰 계수]] 보정이 미흡한 것으로 간주된다. 또한, 전체 분포의 형태적 유사성을 엄밀하게 평가하기 위해 [[카이제곱 검정]](Chi-square Test)이나 [[콜모고로프-스미르노프 검정]](Kolmogorov-Smirnov Test)과 같은 통계적 기법을 활용하여 두 분포가 통계적으로 동일한 모집단에서 추출되었는지를 검증하기도 한다. |
| | |
| | 통행 시간 빈도 분포의 불일치가 발견될 경우, 분석가는 [[중력 모형]]의 매개변수를 재조정하는 과정을 거쳐야 한다. 이는 주로 [[마찰 함수]]의 함수 형태를 변경하거나 함수 내의 저항 계수 값을 수정하는 방식으로 이루어진다. 예를 들어, 특정 시간대에서 관측치와 예측치의 괴리가 반복적으로 나타난다면 해당 구간의 [[통행 저항]]을 설명하는 마찰 인자가 실제 통행자의 저항감을 제대로 반영하지 못하고 있을 가능성이 크다. 따라서 통행 시간 빈도 분포 분석은 단순한 사후 검증에 그치지 않고, 모형의 정교화를 위한 반복적인 [[모형 보정]] 과정의 핵심적인 환류 기법으로 기능한다. 이를 통해 최종적으로 도출된 통행 분포 결과는 향후 [[수단 분담]] 및 [[노선 배분]] 단계의 기초 자료로서 높은 신뢰도를 확보하게 된다. |
| |
