Korea Digital Contents Society
[ Article ]
Journal of Digital Contents Society - Vol. 22, No. 5, pp.801-807
ISSN: 1598-2009 (Print) 2287-738X (Online)
Print publication date 31 May 2021
Received 15 Apr 2021 Revised 03 May 2021 Accepted 10 May 2021
DOI: https://doi.org/10.9728/dcs.2021.22.5.801

노면결빙 및 안개 데이터 기반 도로 위험도 평가

양충헌1, * ; 김진국2
1한국건설기술연구원 인프라안전연구본부 차세대인프라연구센터 연구위원, KICT School 전임교원
2한국건설기술연구원 인프라안전연구본부 차세대인프라연구센터 전임연구원
Road risk assessment based on road freezing and fog data
Choongheon Yang1, * ; Jinguk Kim2
1Research Fellow, Future Infrastructure Research Center, Department of Infrastructure Safety Research, Korea Institute of Civil Engineering and Building Technology, Goyang-si, Gyeonggi-do, KICT School, Professor, Korea
2Researcher, Future Infrastructure Research Center, Department of Infrastructure Safety Research, Korea Institute of Civil Engineering and Building Technology, Goyang-si, Gyeonggi-do, Korea

Correspondence to: *Choongheon Yang Tel: +82-31-910-0184 E-mail: chyang@kict.re.kr

Copyright ⓒ 2021 The Digital Contents Society
This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-CommercialLicense(http://creativecommons.org/licenses/by-nc/3.0/) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.

초록

도로는 대표적인 기상조건인 강설·강우·안개에 취약한 특성을 가지고 있다. 이는 도로 교통류의 안정성을 현격하게 감소시켜, 교통사고 위험 가능성을 높인다. 도로 주행 중 운전자가 경험하는 다양한 기상조건은 필연적인 것으로, 기상으로 인해 열악해진 도로주행환경에 대한 위험 정도를 파악하는 것이 매우 중요하다. 본 연구에서 사업용 차량에 장착된 영상센서 및 DTG(Digital Tacho Graph)를 활용하여 도로 상의 안개 및 노면결빙 데이터를 수집·처리하고, 수집된 데이터와 도로속성데이터를 융·복합할 수 있는 알고리즘과 시스템 개발을 통해 새로운 형태의 도로위험정보를 제공할 수 있는 방법론을 정립하였다. 결과적으로 이러한 방법론을 테스트베드에 적용하여 특정구간에 대한 도로 위험도를 평가하고 시사점을 도출하였다.

Abstract

Road tends to be vulnerable to snowfall, rainfall, and fog which are typical weather conditions. This may significantly reduce the stability of traffic flow and increase the likelihood of traffic accidents. Various weather conditions experienced by drivers while driving on the road are inevitable, and thus it is very important to grasp the degree of risk that has become inferior due to the weather. In this study, fog and road freezing data on the road are collected and processed using the image sensor and DTG (Digital Tacho Graph) installed in commercial vehicles. The methodology developed here can provide new types of road hazard information has been established through the development of algorithms and the relevant system that can combine the collected data and road inventory data. As a result, this methodology was applied to the testbed to evaluate the road risk for a specific roadway section.

Keywords:

Commercial vehicles, Road inventory data, Road hazard information, road freezing, fog

키워드:

사업용 차량, 도로속성데이터, 도로위험정보, 노면결빙, 안개

Ⅰ. 서 론

도로는 외부조건에 취약한 특성을 가진다. 일반적으로 외부조건인 기상상황이 고려된다. 대표적인 기상상황은 강설·강우·안개로 운전자의 시야 감소 또는 차량 타이어와 노면과의 마찰력 저하에 영향을 미친다. 이는 전체적인 교통류의 안정성을 급격히 감소시켜, 잠재적인 교통사고 위험을 높이게 된다. 도로 주행 중 운전자가 경험하는 다양한 기상조건은 필연적인 것으로, 도로 상에서 발생하는 교통사고와 직·간접적인 영향이 있다. 지난 3년간(‘16년~’18년) 교통사고를 분석한 결과, 전체 교통사고 발생 건수는 감소(연평균 -0.9%)하였으나, 노면결빙으로 인한 교통사고는 오히려 증가한 것(연평균 9.1%)으로 나타났다. 특히, 노면결빙 사고는 하루 중 상대적으로 기온이 낮은 06시~10시 사이에 집중적으로 발생한 것으로 나타났다[1]. 노면결빙으로 인한 교통사고의 경우, 치사율이 건조한 노면상태일 때와 비교해서 약 1.9배 높은 것으로 밝혀졌다. Edwards의 연구에 따르면 기상요인과 교통사고간의 심각도를 상관관계분석을 통해 확인한 결과, 안개가 교통사고 심각도 및 치명도 관점에서 가장 높게 나타났다[2]. 실제로 국내뿐만 아니라, 미국 및 유럽 등에서도 안개로 인한 교통사고 빈도가 높게 나타나고 있으며, 대부분 대형사고와 연관이 있는 것으로 밝혀졌다. 지난 2015년 영종대교에서 해무로 인한 시정거리 미확보로 인해 106중 추돌사고가 발생하여 2명이 사망하고, 70여명이 치명상을 입은 대형교통사고가 발생하였다. 이후에도 안개로 인한 크고 작은 사고가 지속적으로 발생하고 있다. 이는 운전자의 시야가 정확하게 확보되지 않는 안개 속 도로에서는 다른 기상조건에 비해 사고 발생 가능성이 높으며, 치사율도 매우 높은 것으로 나타났다[3]. 도로교통 분야에서는 수십 년 전부터 기상조건과 교통 상태와의 직·간접적인 연관성을 밝히기 위한 연구를 많이 수행하였다 [4-8]. 이러한 연구 대부분의 초점은 기상조건에 따른 교통용량 및 운영속도의 변화를 알아내는 것이었다. 공통된 연구의 결과로 기상조건은 교통용량을 심각히 저하시키고, 운영속도의 급격한 변화를 야기한다고 제시하고 있다. 최근에는 기상조건에 따른 교통안전관점에서의 도로 위험도를 규명하기 위한 연구가 많이 진행되고 있다[9-12]. 기상조건에 따른 도로 위험도를 산정하기 위해서는 도로 상에 발생한 기상상태 또는 노면조건에 대한 정확한 데이터 수집이 필수적이다.

본 연구에서 안개 및 노면결빙 데이터는 사업용 차량에 장착된 영상 센서 및 DTG 정보를 활용하여 수집한다. 특히, 노면결빙 데이터는 DTG 데이터와 함께 실시간 GPS 좌표에 근거한 차량속도, 차륜회전속도, G-센서, 블랙박스 영상 데이터 모두가 알고리즘을 통해 융·복합 처리된다[13][14]. 이러한 수집·처리 기술은 기존 연구를 통해 정확도 및 유용성이 입증되었다. 수집·처리된 모든 데이터는 무선통신을 통해 실시간으로 서버에 전송되는데, 이러한 서버는 정보공유시스템(DAta Interchange factory for Safety Solution, DAISS)안에 있다. DAISS는 수집된 정보와 동일한 구간에 대한 도로속성데이터를 융·복합하여 새로운 형태의 도로위험정보를 제공하기 위해 개발되었다[11][12]. 도로위험정보는 교통소통에 장애가 되는 이벤트 또는 상황을 탐지하여 도로관리자와 도로이용자에게 제공된다면, 교통사고의 위험을 사전에 예방하는 효과를 얻을 수 있다. 교통사고는 현재 우리 사회가 직면한 가장 심각한 문제이기 때문에 많은 기술과 정책 개발을 필요로 한다[15]. 따라서 도로위험정보는 교통안전관점에서 도로관리자와 도로이용자 모두에게 필수적인 것으로 현재는 물론 향후 자율주행시대에도 반드시 필요한 것이다. DAISS에는 도로위험정보를 생성할 수 있는 알고리즘과 이를 통해 산출된 정량적인 값에 대한 위험 정도를 나타낼 수 있는 인덱스가 포함된다. 본 연구의 가장 큰 특징은 사업용 차량에 부착된 다양한 단말기에서 수집·처리된 실시간 노면결빙 및 안개 데이터와 도로관리기관에서 축적한 도로속성데이터를 이용하여 새로운 정보를 생성·제공하는 것이다[16].

이러한 연구가 필요한 이유는 다양한 기술로 정확한 도로기상 및 노면상태 관련 데이터를 수집해도, 그 자체만으로는 도로 주행 시 실질적인 위험정도는 알 수 없기 때문이다. 본 연구를 통해 산출되는 도로위험정보를 통해 운전자는 특정 구간을 주행할 때에 사전에 주행속도를 적절하게 조절하여 사고 위험을 감소 예방할 수 있다. 본 연구에서는 노면결빙 및 안개에 따른 도로 위험도를 산정할 수 있는 알고리즘과 관련 인덱스를 개발하였다. 또한, 개발내용을 실제 테스트베드 적용을 통해 특정 구간에 대한 도로 위험도를 평가하고 시사점을 도출하였다.


Ⅱ. 도로위험정보 알고리즘 및 인덱스 개발

2-1 도로위험정보 알고리즘

도로위험 알고리즘 개발에 필요한 안개데이터 수집은 그림 1과 같이 사업용 차량에 장착된 영상 센서(블랙박스) 수집 데이터의 영상처리(주파수 변환·분석) 및 DTG 수집 차량센서(안개등, 가속도 등) 데이터 융·복합 분석을 통해 이루어진다. 데이터의 영상처리는 서포트벡터머신(Support Vector Machine)을 통해 이루어진다[11].

Fig. 1.

Concept of fog data collection technology based on image sensor of commercial vehicles

노면결빙데이터 수집은 그림 2와 같이 사업용 차량의 DTG를 이용하여 수집된 GPS 속도(차량이동속도), 휠 스피드(차륜회전속도), 외기온도, G-센서 데이터와 블랙박스 영상 데이터의 융·복합 분석을 통해 노면의 결빙여부를 측정하도록 개발되었다.

Fig. 2.

Concept of road freezing data collection technology based on commercial vehicles’ sensor

안개 위험정보 제공 알고리즘은 수집·처리된 안개 데이터와 해당 구간의 평균통행속도 정보를 기반으로 한다. 평균통행속도를 주요 변수로 선정한 기준은 ① 공공과 민간의 다수 전문가들의 의견과 ② 실시간과 비실시간 정보 모두가 존재하는지 여부를 고려한 것이다. 실시간 정보를 활용하는 경우, 도로의 현재 상태를 의미하므로, 도로 이용자에게 유용한 정보가 되며, 비실시간 정보는 도로관리자에게 상습안개구간선정 등 도로 유지·관리 업무에 활용될 수 있도록 해준다. 궁극적으로 알고리즘은 안개발생구간에서 교통류의 속도가 높을수록 피해가 클 가능성이 높을 수 있음을 포함한다.

아래 식은 안개로 인한 도로구간별 상대적 위험도를 나타낸다. Fog Risk Degree(FRD)는 안개로 인한 위험 정도를 나타내는 지표가 된다[16].

Fog Risk Degree=λtfd×λtfd=CVfogdetectCVpass(1) 

여기서,

λtfd:t 시간 동안 사업용 차량이 안개를 감지한 비율

CVpass : t시간 동안 특정 구간을 통과한 총 사업용 차량 대수

CVfogdetect : t시간 동안 특정 구간을 통과한 사업용 차량대수 중 : 안개를 감지한 차량대수

노면결빙 위험정보 제공 알고리즘은 수집·처리된 결빙 데이터와 해당 구간의 구간평균통행속도, 도로 기하구조 특성, 사업용 차량의 교량통과 여부, 기상청 제공 정보를 기반으로 하여 도로구간별 상대적 위험도를 산정한다. 도로 기하구조 특성으로는 구배가 핵심 변수로 고려되며, 교량통과여부에 대한 고려는 같은 조건일 때 교량이 일반 토공구간보다 상대적으로 온도가 빨리 떨어지는 특성을 반영하기 위함이다. 기상청 제공 정보에서 강수 유무를 활용하는데, 도로상의 강수의 유무는 노면결빙을 이루는 조건과 매우 밀접한 관계가 있는 특성을 반영하기 위함이다[16].

Road Freezing Risk Degree  =Ww×λtrfd×λbd×λgd×λtrfd=CVrfdetectCVpass,  λbd=CVbpassCVrfdetect, λgd=CVgpassCVrfdetect(2) 

여기서,

λtrfd:t 시간 동안 사업용 차량이 결빙을 감지한 비율

CVpass : t시간 동안 특정 구간을 통과한 총 사업용 차량 대수

CVrfdetect : t시간 동안 특정 구간을 통과한 사업용 차량 대수 중 결빙을 감지한 차량 대수

λbd : t시간 동안 교량에서 결빙을 감지한 사업용 차량의 비율

λgd : t시간 동안 구배 구간에서 감지한 사업용 차량의 비율

Ww : 기상청 제공 현재날씨(또는 예보) 중 강수확률을 고려한 가중치

위 식에서 실시간 구간평균통행속도와 기상청 예보 정보를 활용하는 경우, 결빙 위험 정도는 실시간성을 가진다고 판단할 수 있으며, 과거 정보를 활용하는 경우, 비실시간성을 가진다고 판단할 수 있다. 그림 3은 위 두 알고리즘이 DAISS에서 처리되는 순서도를 나타낸다. 사업용 차량으로부터 수집되는 노면결빙 및 안개 데이터는 해당 링크의 구간평균통행속도 정보, 도로 기하구조 정보, 기상 정보와의 매칭을 통해 식 (1), (2)에 따라 최종적으로 위험도를 산출하게 된다.

Fig. 3.

Algorithm verification procedure for DAISS

2-2 도로위험정보 인덱스

최종 산정된 링크 기반의 도로위험(안개 또는 노면결빙)의 정량적인 값은 정규화(Normalization)를 통해 시각적 판단이 가능한 4가지 지표를 제안하였다. 이는 정량적인 값 자체만으로는 위험정도를 정확히 알 수 없기 때문이며, 상대적인 비교를 통한 도로구간에 따른 위험정도 인식이 가능하도록 하는 것이다. 우선 수집·처리된 안개 및 노면결빙 데이터가 정규분포를 따른다고 가정하여, Z-값을 산정한다. 이는 통계에서 표본추출과 관련된 것으로 최종 정보의 유효성을 보장하기 위해서는 30개의 표본 (예: 사업용 차량 30대가 특정구간을 통과함)이 적정하며, 표본수가 30개 이상인 경우, 정규분포에 근사하는 특징을 이용한 것이다.

Zti=Xt-1,t-μ0,tσ0,t(3) 

여기서,

μ0,ti :t시간 동안 수집된 사업용 차량 정보 i 평균

σ0,ti :t시간 동안 수집된 사업용 차량 정보 i 표준편차

Xt-1,t :t-1에서 시간 동안 수집된 사업용 차량 정보 i 의 평균

i : 가공처리된 안개 및 노면결빙 정보

정규화된 값은 사용자가 직관적으로 노면결빙과 안개에 따른 도로구간의 위험 정도를 쉽게 이해할 수 있도록 점수로 변환한다. 표 1은 Z-값에 상응하는 100점 환산 점수를 산출하는 식을 나타낸다[17][18].

Conversion formula

100점 환산 점수는 최종 사용자가 매우 쉽게 직관적으로 도로위험정도를 인지할 수 있도록 한 것이다. 즉, 100점에 근접할수록 도로위험 정도가 심각함을 나타낸다.

제시된 환산식에서 최소점수 50점을 설정한 이유는 특정 환산 점수가 비정상적으로 작은 점수에 의해 과도하게 영향 받지 않도록 하기 위한 것이다. 최종 환산된 점수는 최소 점수 50 그리고 최대 점수 100 범위 사이에 분포하게 된다. 표 2에서 제시하고 있는 4가지 범주 (관심, 주의, 경계, 심각)는 현재 국토교통부와 행정안전부에서 활용하고 있는 “도로분야 위기대응 단계별 수행요령(대설)”의 범주를 준용한 것이다.

Four types of index based on 100-score value

2-3 DAISS 개요

국토교통부에서는 국토공간정보 융·복합 강화와 IT를 활용한 정보공유시스템을 구축·운영하고 있다. 그림 4는 DAISS의 기본 개념을 나타낸다. 사업용 차량의 단말기에서 수집·처리된 안개 및 노면결빙 데이터가 DAISS에 직접 연계된다. 일단 연계된 데이터들은 DAISS내 알고리즘을 통해 다른 데이터베이스에 축적되어 있는 도로속성데이터와 융·복합 처리된다. 처리된 결과는 도로구간에 따른 위험정도를 인덱스를 통해 링크기반으로 최종 산출한다. 최종 산출된 인덱스는 민간과 공공부문에 도로위험정보로써 제공된다. 요약하면, DAISS는 차량 단말기에서 수집·가공 처리된 데이터와 도로속성데이터를 통해 도로 이용자는 물론 도로관리자의 필요에 맞게 정량화하고 이를 다양한 형태로 제공할 수 있도록 구성되어 있다.

Fig. 4.

Overview of DAISS

그림 4에 있는 Highway Management System (HMS)은 2000년대 초반부터 한국의 일반국도유지관리 업무 절차의 체계적인 관리와 업무를 데이터 기반으로 분석·관리하여 궁극적으로 효율적인 도로관리 운영 업무를 수행하기 개발되어 활용 중이다[19]. HMS는 산사태 등 안전사고 예방, 기상이변에 대응하는 제설관리체계 구축, 도로점용, 도로이용불편신고체계 구축, 도로포장, 교량, 터널, 교통량 등 도로관리에 정보화를 접목한 것이 특징이다. 그러나 HMS 데이터베이스는 모두 비실시간성으로 운전자가 즉시 활용하기 어렵다. 그림 5는 DAISS 개발 결과를 나타낸다. DAISS는 국가표준노드링크 기반으로 생성된 도로위험지표에 따른 통계정보 뿐만 아니라 다양한 정보와 융합·가공 처리된 데이터(text, index) 및 지도기반 정보(visualization)를 제공한다. 또한, 공공 및 민간의 이용자가 쉽게 활용할 수 있도록 Open API를 제공하고 있다.

Fig. 5.

DAISS development results


Ⅲ. 테스트베드를 활용한 현장적용

본 절에서는 실질적인 사업용 차량에서 수집한 데이터와 HMS 축적 데이터 연계를 기반으로 실제 테스트베드를 대상으로 최종 DAISS 제공 정보의 신뢰성을 검증하였다. 이를 위해 실제로 최종 검증을 거친 데이터만을 활용하였다. 2020년 10월 말부터 표 3과 같이 상주-영천 고속도로, 화성시 관내 도로, 전국 도로를 대상으로 일반 사업용 차량에서 안개 및 결빙 데이터를 수집하고 있다.

Connected data status

DAISS의 검증 툴을 이용하여 표 3의 테스트베드로부터 수집된 데이터를 기반으로 성능 테스트를 수행하였다. 그림 6과 같이 2020년 12월 11일 경기도 화성 동탄 인근 도로의 안개 위험도는 심각단계를 보여주고 있다. 노면결빙의 경우 2021년 1월 12일 상주-영천 고속도로에서 심각단계를 나타내고 있다. 이와 같이 DAISS에서 도출된 위험도 결과를 토대로 테스트베드 대상 중 일부구간에 대한 현장조사를 동시에 수행하여, 실제 DAISS로부터 도출된 위험정보가 현실을 제대로 반영하고 있는지를 검증하였다.

Fig. 6.

Road hazard index assessment results in the test bed

아직까지 노면결빙 및 안개에 대한 위험정보를 실시간으로 제공해 주는 시스템은 존재하지 않는다. 따라서 DAISS의 경우 노면결빙 및 안개에 대한 위험정보를 도로관리자 또는 운전자에게 실시간으로 제공해 줌으로써 선제적인 도로 유지관리가 가능할 뿐만 아니라 교통사고 예방에도 도움을 줄 수 있다.


Ⅳ. 결 론

이제까지는 양질의 교통소통정보를 생산하고 제공하기 위한 노력이 중요했다. 특히, ITS에서 C-ITS로 전환되는 과정에서 교통소통정보에서 교통안전정보로 변화함에 따라 도로에서 발생 가능한 다양한 위험 상황을 사전에 인지하고 제공하기 위한 기술들이 개발되고 있다. 과거의 교통안전정보는 도로 구간 내에 잠재적인 교통사고 위험이 존재하거나 실제 교통사고가 많이 발생하는 지점 주변에 고정식 데이터 수집 인프라를 설치하여 운영하였다.

따라서 본 연구에서는 지점 데이터 수집 한계를 극복하기 위해서 사업용 차량에 장착된 영상센서 및 DTG를 활용하여 도로 상의 안개 및 노면결빙 데이터를 수집·처리하고, 수집된 데이터와 도로속성데이터를 융·복합할 수 있는 알고리즘과 시스템 개발을 통해 새로운 형태의 도로위험정보를 제공할 수 있는 방법론을 정립하였다.

또한, 실제 테스트베드에 적용하여 특정 구간에 대한 도로 위험도를 평가하고 검증하였다.

본 연구는 차량 단말기를 통해 주행 중 안개 및 노면결빙 데이터를 수집하여, 궁극적으로는 도로구간별 위험정도를 제공하는데 큰 의미가 있다. 이는 공공부문에서 인프라 설치비용을 획기적으로 절감하며, 상대적으로 낮은 비용으로 도로의 특정 지점이 아닌 도로 구간에 따른 정보를 실시간으로 수집하는 장점이 있다. 또한, 교통안전분야에서 인공지능은 영상인식을 기반으로 필수적으로 적용될 수 있음을 확인하였다.

본 연구를 통해 도출되는 도로위험정보는 민간교통정보시스템과의 연계 및 공유를 통해 기존의 고정식 인프라의 정보와 함께 도로이용자에게 추가적으로 정보제공이 가능하다. 즉, 도로이용자들은 특정정보에만 의존하지 않고, 같은 내용의 정보라도 다양한 데이터 소스를 통해 수집함으로써, 정보의 정확도와 신뢰성을 더욱 높일 수 있다. 결과적으로 본 연구는 도로안전에 있어서 긍정적인 편익을 제공할 수 있고, 향후 자율주행 및 C-ITS의 상용화 시에도 매우 중요한 정보를 제공할 수 있을 것이다.

Acknowledgments

본 연구는 2020년도 정부(국토교통부)의 재원으로 국토교통과학기술진흥원의 지원을 받아 수행되었습니다. (No.20POQW-B148886-03 , 사업용 차량을 이용한 도로교통 정보 수집 및 활용기술 개발)

References

  • Road Traffic Authority Driver’s License Examination Office. Total Traffic Accidents Decrease, Traffic accidents on freezing roads increase [Internet]. Available: http://www.koroad.or.kr/kp_web/krPrView.do?board_code=GABBS_050&board_num=134983, .
  • J.B. Edwards, “The relationship between road accident severity and recorded weather”. Journal of Safety Research, Vol. 29, No. 4, pp. 249-262, 1998. [https://doi.org/10.1016/S0022-4375(98)00051-6]
  • Ministry of Land, Infrastructure and Transport. Road Traffic Safety Management Strategy in Fog Hazardous Section [Internet]. Available: http://www.molit.go.kr/USR/NEWS/m_71/dtl.jsp?id=95075431, .
  • A. T. Ibrahim, F. L. Hall, “Effect of Adverse Weather Conditions on Speed-Flow Occupancy Relationships”, Transportation Research Board, Transportation Research Record 1457, National Research Council, Washington D.C., 1994.
  • B. L. Smith, et al, An Investigation into the Impact of Rainfall on Freeway Traffic Flow, Transportation Research Board, Washington, D.C., 2004.
  • FHWA. Empirical Studies on Traffic Flow in Inclement Weather, 2006.
  • Colyar, J., L. Zhang, and J, Halkias (2003), Identifying and Assessing Key Weather-Related Parameters and their Impact on Traffic Operations Using Simulation, ITE 2003 Annual Meeting, Institute of Transportation Engineers, Washington D.C
  • E. D. Sterzin, Modeling Influencing Factors in a Microscopic Traffic Simulator, Masters Thesis, Department of Civil and Environmental Engineering, Massachusetts Institute of Technology, Cambridge, MA, 2004.
  • S. J. Lee, “A Study on Factors that Influence Traffic Accident Severity in Road Surface Freezing”, Journal of the Korean Society of Safety, Vol. 32, No. 6, pp. 150-156, December 2017.
  • K. K. Lee, “Effects of Meteorological Factors on the Frequency of the Traffic Accidents in Seoul”, J. Soc. Korea Ind. Syst. Eng, Vol. 38, No. 1, pp. 1-7, March 2015. [https://doi.org/10.11627/jkise.2014.38.1.01]
  • S. I. Lee, J. M. Won, O. K. Ha, “A Study on the Development of a Traffic Accident Ratio Model in Foggy Areas”, Journal of the Korean Society of Safety, Vol. 23, No. 6, pp. 171-177, 2008.
  • D. H. Lee, W. S. Jeong, H. J. Kim, J. W. Kim, “Study about the Evaluation of Freezing Risk Based Road Surface of Solar Radiation”, Journal of the Korea Institute for Structural Maintenance and Inspection, Vol. 17, No. 5, pp.130-135, September 2013. [https://doi.org/10.11112/jksmi.2013.17.5.130]
  • Korean Institute of Civil Engineering and Building Technology. Commercial Vehicle-Based Road and Traffic Information System, 1st Annual Report(No.18TLRP-B148886-01), 2018.
  • Korean Institute of Civil Engineering and Building Technology, Commercial Vehicle-Based Road and Traffic Information System, 2nd Annual Report(No.19TLRP-B148886-02), 2019.
  • I. Malygin, V. Komashinskiy, O. Korolev, “ Cognitive technologies for providing road traffic safety in intelligent transport systems”, Transportation Research Procedia, Vol. 36, pp. 487-492, 2018. [https://doi.org/10.1016/j.trpro.2018.12.134]
  • C. H. Yang, J. G. Kim, “Developing Road Hazard Estimation Algorithms Based on Dynamic and Static Data”, J. Korea Inst. Intell. Transp. Syst, Vol.19 No.4, August, 2020. [https://doi.org/10.12815/kits.2020.19.4.55]
  • C. H. Yang, A. C. Regan, “A multi-criteria decision support methodology for implementing truck operation strategies”, Transportation, Vol. 40, No. 3, pp. 713-728, 2013. [https://doi.org/10.1007/s11116-012-9432-7]
  • C. H. Yang, A. C. Regan, I. S. Kim, “Estimating road management equipment inventory needs and associated purchase costs”, Transport Policy, Vol. 36, pp. 242-247, 2014. [https://doi.org/10.1016/j.tranpol.2014.09.009]
  • C. J. Yoon, J. G. Sung, “Development of Integrated highway management system in Korea”, Proceeding of the Eastern Asia Society for Transportation Studies, Vol. 5, pp. 783-790, 2005.

저자소개

양충헌(Choongheon Yang)

2008년 : Ph.D. in Civil Engineering, at Univ. of California, Irvine

2002년 : 명지대학교 교통공학 석사

2000년 : 명지대학교 교통공학 학사

2009년~현 재: 한국건설기술연구원 인프라안전연구본부, 세대인프라연구센터 연구위원 KICT School 도시 및 교통시스템 공학 세부전공책임

※ 관심분야:도로안전, 도로관리, 지하도로

김진국(Jinguk Kim)

2006년 : 관동대학교 교통공학 석사

2004년 : 강릉대학교 컴퓨터공학 학사

2015년~현 재: 한국건설기술연구원 인프라안전연구본부, 세대인프라연구센터 전임연구원

※ 관심분야:도로안전, 도로관리, 도로정보, 지하도로

Fig. 1.

Fig. 1.
Concept of fog data collection technology based on image sensor of commercial vehicles

Fig. 2.

Fig. 2.
Concept of road freezing data collection technology based on commercial vehicles’ sensor

Fig. 3.

Fig. 3.
Algorithm verification procedure for DAISS

Fig. 4.

Fig. 4.
Overview of DAISS

Fig. 5.

Fig. 5.
DAISS development results

Fig. 6.

Fig. 6.
Road hazard index assessment results in the test bed

Table 1.

Conversion formula

Condition Conversion formula
1.645≤Z≤Max(Z) 50+{[(95+5×{(Z-1.645)/(Max(Z)-1.645)}] ×0.5}
1.282≤Z≤1.645 50+{[(90+5×{(Z-1.282)/(1.645-1.282)}] ×0.5}
1.038≤Z≤1.282 50+{[(85+5×{(Z-1.038)/(1.282-1.038)}] ×0.5}
0.842≤Z≤1.038 50+{[(80+5×{(Z-0.842)/(1.038-0.842)}] ×0.5}
0.676≤Z≤0.842 50+{[(75+5×{(Z-0.676)/(0.842-0.676)}] ×0.5}
0.526≤Z≤0.676 50+{[(70+5×{(Z-0.526)/(0.676-0.526)}] ×0.5}
0.387≤Z≤0.526 50+{[(65+5×{(Z-0.387)/(0.526-0.387)}] ×0.5}
0.255≤Z≤0.387 50+{[(60+5×{(Z-0.255)/(0.387-0.255)}] ×0.5}
-0.255≤Z≤0.255 50+{[(40+5×{(Z+0.255)/(0.255+0.255)}] ×0.5}
-0.387≤Z≤-0.255 50+{[(35+5×{(Z+0.387)/-0.255+0.387)}] ×0.5}
-0.526≤Z≤-0.387 50+{[(30+5×{(Z+0.526)/(-0.387+0.526)}] ×0.5}
-0.676≤Z≤-0.526 50+{[(25+5×{(Z+0.676)/(-0.676+0.842)}] ×0.5}
-0.842≤Z≤-0.676 50+{[(20+5×{(Z+0.842)/(-0.676+0.842)}] ×0.5}
-1.038≤Z≤-0.842 50+{[(15+5×{(Z+1.038)/(-0.842+1.038)}] ×0.5}
-1.282≤Z≤-1.038 50+{[(10+5×{(Z+1.282)/(-1.038+1.282)}] ×0.5}
-1.645≤Z≤-1.282 50+{[(5+5×{(Z+1.645)/(-1.282+1.645)}] ×0.5}
Min(Z)≤Z≤-1.645 `50+{[(0+5×{(Z+Min(Z))/(-1.645+Min(Z))}] ×0.5}

Table 2.

Four types of index based on 100-score value

Category Caution Alert Warning Danger
Score 50-63 64-75 75-88 88-100

Table 3.

Connected data status

Road hazard data Testbed Probe vehicle
Fog and road freezing Sangju-YoungCheon Freeway 10
Hwaseong – Metropolitan area 23
National Road 97