통행_수요
차이
문서의 선택한 두 판 사이의 차이를 보여줍니다.
| 양쪽 이전 판이전 판다음 판 | 이전 판 | ||
| 통행_수요 [2026/04/13 14:15] – 통행 수요 sync flyingtext | 통행_수요 [2026/04/13 14:16] (현재) – 통행 수요 sync flyingtext | ||
|---|---|---|---|
| 줄 265: | 줄 265: | ||
| === 개별 행태 모형 === | === 개별 행태 모형 === | ||
| - | 효용 극대화 | + | 개별 행태 모형(Disaggregate Behavioral Model)은 통행자 개인 혹은 가구를 분석의 기본 단위로 삼아 이들의 의사결정 행태를 미시적으로 모형화하는 기법이다. 전통적인 [[4단계 수요 예측 모형]]에서 활용되던 집계형 모형(Aggregate model)이 특정 지역 내 통행자들의 평균적인 특성만을 반영함으로써 발생하는 [[생태학적 오류]](Ecological fallacy)를 극복하기 위해 등장하였다. 이 모형은 [[다니엘 맥파든]](Daniel McFadden)에 의해 체계화된 [[확률적 |
| + | |||
| + | [[확률적 효용 이론]]에 따르면, 분석가(analyst)가 관찰하는 통행자 $ n $이 대안 $ i $를 선택함으로써 얻는 효용 $ U_{in} $은 크게 두 가지 성분으로 구성된다. 하나는 통행자의 사회경제적 특성이나 교통수단의 서비스 수준과 같이 분석가가 관찰하고 측정할 수 있는 결정론적 효용(Systematic utility) $ V_{in} $이며, 다른 하나는 분석가가 파악할 수 없는 | ||
| + | |||
| + | $ U_{in} = V_{in} + _{in} $ | ||
| + | |||
| + | 여기서 결정론적 효용 $ V_{in} $은 통행 시간, 통행 비용, 소득 등 선택에 영향을 미치는 여러 독립 변수 $ X_{kin} $들의 선형 결합으로 표현되는 것이 일반적이다. | ||
| + | |||
| + | $ V_{in} = _{k} %%//%%k X%%// | ||
| + | |||
| + | 이때 $ %%//%%k $는 각 변수가 효용에 미치는 영향력을 나타내는 파라미터이다. 통행자 $ n $이 대안 집합 $ C $ 내의 여러 대안 중 특정 대안 $ i $를 선택할 확률 $ P%%//%%{in} $은 대안 $ i $에서 얻는 효용이 다른 모든 대안 $ j $에서 얻는 효용보다 클 확률로 정의된다. | ||
| + | |||
| + | $ P_{in} = (U_{in} > U_{jn}, j C, j i) $ $ P_{in} = (V_{in} + %%//%%{in} > V%%//%%{jn} + _{jn}, j C, j i) $ | ||
| + | |||
| + | 이 선택 확률을 구체적인 수식으로 도출하기 위해서는 오차항 $ _{in} $의 확률 분포에 대한 가정이 필요하다. 만약 오차항들이 서로 독립적이며 동일하게 [[제1종 극치 분포]](Type I Extreme Value Distribution) 또는 [[검블 분포]](Gumbel Distribution)를 따른다고 가정하면, | ||
| + | |||
| + | $$ P_{in} = \frac{\exp(V_{in})}{\sum_{j \in C} \exp(V_{jn})} $$ | ||
| + | |||
| + | [[로짓 모형]]은 수식의 명쾌함과 해석의 용이성 덕분에 실무에서 가장 널리 사용되지만, | ||
| + | |||
| + | 개별 행태 모형은 집계형 모형에 비해 몇 가지 중요한 학술적·실무적 장점을 지닌다. 첫째, 개인 단위의 데이터를 직접 사용하므로 정보의 손실이 적고 적은 표본으로도 모형의 파라미터를 효율적으로 추정할 수 있다. 둘째, 통행 시간이나 비용뿐만 아니라 개인의 성별, 연령, 직업 등 구체적인 변수를 모형에 포함할 수 있어 정책 변화에 따른 수요 변화를 민감하게 예측할 수 있는 [[정책 민감도]]가 높다. 셋째, 모형의 구조가 공간적 경계에 종속되지 않으므로 특정 지역에서 추정된 모형을 다른 지역이나 다른 시점에 적용하는 [[모형의 이전 가능성]](Transferability)이 상대적으로 높다는 점이다. 이러한 특성으로 인해 현대 [[교통 계획]]에서는 수단 선택 단계뿐만 아니라 경로 선택, 목적지 선택 등 다양한 의사결정 과정을 분석하는 데 핵심적인 도구로 활용되고 있다.((Daniel L. McFadden - Nobel Lecture, https:// | ||
| + | )) | ||
| === 로짓 모형과 프로빗 모형 === | === 로짓 모형과 프로빗 모형 === | ||
| - | 수단 선택 확률을 계산하기 위해 | + | [[수단 선택]] 단계에서 개별 통행자의 의사결정을 모형화하는 핵심적인 방법론은 [[확률적 효용 이론]](Random Utility Theory)에 기초한 [[개별 선택 모형]](Discrete Choice Model)이다. 이 이론은 통행자가 이용 가능한 여러 [[교통수단]] 중에서 자신에게 가장 큰 [[효용]](Utility)을 주는 수단을 선택한다고 가정한다. 특정 통행자 $ n $이 수단 $ i $를 선택함으로써 얻는 효용 $ U_{in} $은 관측 가능한 결정론적 부분인 관측 효용 $ V_{in} $과 분석가가 관측할 수 없는 무작위적 요소인 [[오차항]](Error Term) $ %%//%%{in} $의 합으로 구성된다. 즉, 효용 함수는 다음과 같이 정의된다. $ U%%//%%{in} = V_{in} + %%//%%{in} $ 통행자가 수단 $ i $를 선택할 확률 $ P%%//%%{in} $은 $ U_{in} $이 대안 집합 내의 다른 모든 수단 $ j $의 효용보다 클 확률로 |
| + | |||
| + | [[로짓 모형]](Logit Model)은 오차항 $ _{in} $이 서로 독립적이며 동일한 분포를 가진다는 [[독립 항등 분포]](Independent and Identically Distributed, | ||
| + | |||
| + | [[프로빗 모형]](Probit Model)은 이러한 로짓 | ||
| + | )). 그러나 선택 확률을 계산하기 위해 다차원 적분을 수행해야 하므로 계산 복잡도가 매우 높으며, 과거에는 연산 능력의 한계로 인해 실무 적용에 제약이 많았다. 현대에는 [[몬테카를로 시뮬레이션]](Monte Carlo Simulation) 기법의 발달로 이러한 수치 해석적 난관이 상당 부분 해소되어, | ||
| + | |||
| + | 결론적으로 로짓 모형과 프로빗 모형은 모두 [[효용 극대화]] 원리에 기반하고 있으나, 오차항에 대한 통계적 가정에 따라 분석의 용이성과 현실 반영도 측면에서 차이를 보인다. 교통 계획가는 분석 대상이 되는 수단들의 대안적 특성과 데이터의 가용성, 그리고 요구되는 예측 정밀도를 종합적으로 고려하여 적합한 모형을 선택해야 | ||
| ==== 노선 배정 ==== | ==== 노선 배정 ==== | ||
| 줄 297: | 줄 325: | ||
| === 이용자 균형 원리 === | === 이용자 균형 원리 === | ||
| - | 모든 | + | 이용자 |
| + | )) 이용자 균형의 핵심 | ||
| + | |||
| + | 이용자 균형 상태에서는 특정 기종점 쌍(Origin-Destination pair) 사이에서 이용되는 모든 경로의 통행 시간은 동일하며, 이용되지 않는 경로의 통행 시간은 이용되는 경로의 통행 시간보다 크거나 같다. 이를 수리적으로 표현하기 위해 특정 기종점 쌍 $ rs $ 사이의 경로 집합을 $ K_{rs} $, 경로 $ k K_{rs} $의 통행 시간을 $ c_k $, 경로 유량을 $ f_k $라고 하자. 이때 | ||
| + | |||
| + | 이용자 균형 상태를 | ||
| + | )) 벡만 모델은 링크 $ a $의 유량을 $ x_a $, 해당 링크의 통행 시간 함수를 $ t_a(x) $라고 할 때, 다음과 같은 목적 함수를 최소화하는 문제로 정의된다. $$ \min Z(x) = \sum_{a} \int_{0}^{x_a} t_a(\omega) d\omega $$ 이때 제약 조건으로는 각 기종점 간의 수요를 경로 유량의 합으로 만족시켜야 | ||
| + | |||
| + | 이용자 균형 원리는 현실의 교통 상황을 분석하고 장래의 교통량을 예측하는 데 있어 강력한 도구가 되지만, 몇 가지 이론적 함의와 한계를 지닌다. 대표적인 현상으로 [[브라에스의 역설]](Braess’s Paradox)이 있다. 이는 개별 이용자가 자신의 통행 시간을 줄이기 위해 새로운 도로를 건설하거나 용량을 확장했음에도 불구하고, | ||
| === 시스템 최적화 원리 === | === 시스템 최적화 원리 === | ||
| - | 네트워크 전체의 총 통행 시간을 최소화하는 관점에서의 배정 | + | 시스템 최적화(System Optimum, SO) 원리는 [[교통망]] 내의 모든 이용자가 개별적인 이익을 극대화하는 대신, |
| + | |||
| + | 시스템 최적화 상태를 수리적으로 정의하기 위해, 도로망의 각 링크 $ a $에서의 통행량을 $ x_a $, 해당 링크의 통행 시간 함수를 $ t_a(x_a) $라고 할 때, 네트워크 전체의 총 통행 시간 $ Z $를 최소화하는 목적 함수는 다음과 같이 설정된다. | ||
| + | |||
| + | $$ Z = \min \sum_{a} x_a \cdot t_a(x_a) $$ | ||
| + | |||
| + | 이때 모든 기종점(Origin-Destination) 쌍에 대한 통행 수요가 충족되어야 하며, 각 링크의 통행량은 음수가 될 수 없다는 제약 조건이 부과된다. 이 최적화 문제를 해결하기 위한 [[라그랑주 승수법]]을 적용하면, | ||
| + | |||
| + | $$ t' | ||
| + | |||
| + | 위 식에서 $ t_a(x_a) $는 추가되는 이용자 자신이 경험하는 평균 통행 시간이며, | ||
| + | |||
| + | 이용자 균형과 시스템 최적화 사이에는 필연적인 괴리가 발생한다. 개별 이용자는 타인에게 미치는 지체 영향을 고려하지 않고 오직 자신의 통행 시간만을 고려하여 경로를 선택하기 때문에, 일반적으로 이용자 균형 상태에서의 총 통행 시간은 시스템 최적화 상태보다 길게 나타난다. 이러한 두 상태 사이의 효율성 차이를 [[무질서의 대가]](Price of Anarchy)라고 정의하며, | ||
| + | |||
| + | 현실의 교통 시스템에서 이용자들이 자발적으로 시스템 최적화 상태를 유지하도록 유도하는 것은 매우 어렵다. 따라서 교통 공학자들은 시스템 최적화를 실현하기 위한 정책적 수단으로 [[혼잡 통행료]](Congestion Pricing)를 제안한다. 각 링크를 이용할 때 발생하는 한계 외부 비용만큼을 통행료로 부과하면, | ||
| ===== 현대적 수요 분석 기법과 발전 방향 ===== | ===== 현대적 수요 분석 기법과 발전 방향 ===== | ||
통행_수요.1776057309.txt.gz · 마지막으로 수정됨: 저자 flyingtext
