도시홍수 상황에서의 교통 대응 전략 수립 연구

Ⅰ. 서 론

최근 빈번하게 발생하고 있는 극한 기상 변화(폭설, 폭우 등)는 도시 기반 시설의 안전성과 기능 유지에 심각한 영향을 미치며, 국지적인 집중 호우가 잦은 하절기에는 인적･물적 피해를 대규모로 발생시킨다. 실제로 시간당 50mm 이상의 극한 강우가 발생한 빈도는 지난 50년간 약 2.3배 증가하였으며, 이로 인한 2023년 집중 호우로 인한 피해는 사유 시설 4,623건, 공공시설 9,797건이 발생한 것으로 보고되었다[1],[2].

이와 같은 기후 변화는 도시의 방재, 교통 인프라 운영 체계 전반에 불확실성을 증대시키고 있으며, 이에 대응하기 위한 도시홍수 관리 및 교통 대응 전략의 고도화가 필요한 시점이다. 기상 환경 측면에서는 도시홍수 발생 가능성을 사전에 탐지하고 예측하기 위한 관측 및 예보 기술의 고도화가 요구된다. 또한, 도로 환경 측면에서는 홍수 발생 시 교통류 변화를 실시간으로 예측하고, 차량 및 보행자에게 안전하고 효율적인 이동 경로를 제공할 수 있는 체계가 필요하다. 이러한 대응체계의 구축을 위해 최근에는 인공지능 기반(Artificial Intelligence, AI) 예측 기법이 교통류의 시계열적 변화를 정량화하고 미래의 상태를 예측하는 연구가 수행되고 있다. 예를 들어, Long Short-Term Memory(LSTM)는 장기 의존성 학습을 통해 시간적 패턴의 동적 변화를 효과적으로 반영할 수 있으며[3]-[5], Harmonic Analysis를 이용하여 교통량의 주기성을 분석하여 계절성과 비주기성을 동시에 분석할 수 있다[6]-[9]. 또한, Genetic Algorithm(GA)은 전역 최적화 탐색 능력을 기반으로 교통 수요 및 경로 선택 문제의 해를 탐색하는 데 활용되고 있다[10]-[12]. 이와 같은 인공지능 기반 예측 모형은 도시홍수와 같은 비정상적 교통 상황에서도 유효한 확장 가능성을 가질 수 있지만, 각 모델의 데이터 특성과 입력 구조가 상이하므로 교통체계 전반을 대표하기 위해서는 기존의 체계적 수요 분석 구조와 결합을 통한 분석이 필수적이다.

따라서, 본 연구에서는 인공지능 기반 예측기법의 활용 가능성을 고려하되, 도시홍수 대응 전략 수립을 위한 기초적 분석 프레임워크로써, 전통적인 4단계 교통수요모형(Trip Generation, Trip Distribution, Mode Choice, Traffic Assignment)을 적용하였다. 4단계 교통수요모형은 통행 발생지와 목적지 간의 Origin-Destination(O-D) Matrix를 산정하고, 이를 도로 네트워크에 배정함으로써 링크별 교통량 및 혼잡 수준을 도출하고, 이러한 점은 재난 상황에서의 교통망 변화를 정량적으로 분석할 수 있도록 한다. 특히, 침수로 인한 도로 기능 저하와 우회 경로 변화 등 네트워크 구조적 변동을 반영할 수 있어, 도시홍수 대응 정책의 기초 자료로써 활용이 가능하다. 본 연구에서는 국가교통 DB[13]를 기반으로 실제 도시 네트워크를 구축하고, 행정동 경계와 토지이용 특성을 고려하여 존 세분화를 수행하였다. 이러한 상황을 바탕으로 저지대 도로를 중심으로 2개의 가상 시나리오(폭우, 통행 차단)를 구성하였으며, 폭우로 인해 발생할 수 있는 시나리오(시야 저하, 차량 통행 제한 등의 도로 용량 감소 원인)를 반영하였다. 침수 구간은 GIS(Geographic Information System) 기반 정밀 도로망에서 추출하여 통행 차단 링크로 설정하였고, 시뮬레이션을 통해 홍수 전후의 교통량 및 소통 변화를 정량적으로 비교·분석하였다. 또한, 도시홍수 발생 시의 교통 흐름 변화에 대응하여, 최적 우회 경로 탐색 및 경로안내 정보의 제공을 위한 시스템 구성도 검토하였다.

본 연구의 결과는 도시홍수 발생 시 교통망의 구조적 취약성과 파급 효과를 정량적으로 평가함으로써, 인공지능 기반 예측 모형과의 융합을 위한 기초 분석체계를 제공하고, 도시 재난 대응 정책 수립에 필요한 근거 자료로 활용될 수 있을 것으로 기대된다.

Ⅱ. 교통대응 전략 수립

2-1 교통수요 네트워크 구축

도시홍수 발생 시 교통 소통 상태 변화를 정량적으로 분석하기 위해서는 평상시 도로망의 교통 특성과 수요 구조를 정확히 파악하는 것이 선행되어야 한다. 일반적으로 교통 수요 예측은 통행 발생-통행 분포-수단 분담-통행 배정의 4단계 과정으로 이루어진다. 다만, 본 연구에서는 극한 기상(도시 홍수)에서의 교통류 변화를 평가하기 위해 전통적인 4단계 수요 예측 모형을 사용했으나, 이벤트 상황의 불확실성을 반영할 수 있도록 일부 모수와 제약 조건을 반영하여 분석하였다[14].

통행 발생 단계에서는 인구, 토지 이용, 사회경제적 요인 등을 고려하여 각 존(zone)에서 유출입되는 통행량을 산정하였다. 이러한 결과는 교통 수요 모형의 기초 입력 자료로써 사용되며, 통행 분포, 통행 배정 결과에 직접적인 영향을 미친다. 통행 분포 단계에서는 산정된 통행 발생량을 기종점 간으로 배분되어 O-D Matrix를 산출하며, 중력모형(Gravity Model), 기회 모형(Opportunity Model)을 활용하여 통행 발생량을 기종점 간으로 배분하여 O-D Matrix를 산출하였다. 수단 분담 단계에서는 산출된 통행량을 교통 수단별로 구분하였으며, 분석 모형으로써 로짓 모형(Logit Model), 이산선택모형(Discrete Choice Model)을 사용하였다. 또한, 통행 배정 단계에서는 사용자 균형(User Equilibrium, UE) 기준으로 통행량을 도로망에 배정하였으며, 교통량 대 용량비(Volume-to-Capacity ratio), 평균속도, 통행비용을 계산하여 네트워크 전체의 평형 상태를 산정하였다[15]-[19].

본 연구에서는 경상남도 진주시를 연구의 대상지로 선정했으며, 교통존은 국가교통 DB(KTDB)에서 제공하는 존 정보를 기초로하여, 행정동 경계, 토지 용도, 주요 간선도로를 기준으로 세분화하였다. 도로망은 410개 노드, 1,234개 링크로 구성하였으며, 교차로 형태, 신호 주기, 현시를 조사하고 시뮬레이션의 현황 자료로써 입력하였다. 또한, 네트워크의 현황 정산을 위하여, 진주시 지능형교통체계 시스템에서 제공하는 실시간 속도자료 및 현장 조사 자료를 활용하였다. 또한, 오전 첨두, 오후 첨두, 비첨두 3개 시간대의 평균속도를 산정하였고, 도로 등급별 교통량 지체함수 및 링크저항함수를 표 1에 제시하였다.

Table 1.

VDF and BPR function in road category and region

2-2 교통수요 예측 및 분석 결과

진주시 교통존은 시단위로 구성되어 있으며, 행정동 경계, 토지이용 및 주요 도로를 기준으로 존을 세분화하였다. 내부 통행은 각 권역간 구축된 지역 내 O-D Matrix를 활용하고, 외부 유입·유출 통행은 전국권 O-D Matrix에서 진주시로 연결되는 통행을 추출하여 적용하였으며, Zone A, Zone B, Zone C로 구분하여 표 2에 제시하였다.

Table 2.

Traffic inflow and outflow by vehicle category

모형의 정산(Calibration)은 링크별 관측 교통량과 분석 교통량을 비교하는 방식으로 수행하였다. 통행 배정 분석 결과에 의한 링크의 배정 교통량과 관측 교통량을 이용하여 48개의 검증 링크를 반영한 결과, 평균 오차율은 19.02%로 나타났다. 또한, 이용자 평형(Equilibrium Assignment)을 적용하고, 통행 수단별 배정은 승용차, 버스, 화물차로 구분하였으며, 실증지 분석 대상권의 주요 도로의 지점별 통행량을 분석한 결과를 그림 1에 제시하였다.

Fig. 1.

The result for traffic volume by link

2-3 도시 침수 시나리오 분석

본 연구에서는 도시홍수 발생시의 교통류 변화를 분석하기 위해, 폭우 시나리오와 침수 시나리오를 구성하였다. 시나리오는 국가 홍수위험지도 정보시스템 자료를 활용하여 침수 취약지역을 선정한 후, 강우량, 침수심에 따라 발생할 수 있는 도로의 기능 저하를 반영하였다. 침수심 및 강우강도에 따라 도로 용량과 차량 속도가 감소하며, 강우 강도 50-70mm/h 이상일 때 도로 용량은 30-45%, 차량의 평균 속도는 40-55% 감소한다[20],[21]. 본 연구에서는 도로 용량은 35%, 차량 속도는 45% 감소되는 상황을 설정하였으며, 이러한 시나리오는 기존 연구 [22],[23]에서 제시한 경험식을 반영한 수치를 적용하였다. 극한 강우시에는 도로의 물리적 기능 상실이 발생하므로, 침수심 15cm 이상인 구간은 차량 통행이 불가한 상태로 간주하여 링크를 차단하였으며, 침수심이 10-15cm 구간은 차량 감속 및 차로 축소로 인한 용량을 50% 감소시켰다. 폭우 및 침수 시나리오에 따른 네트워크의 교통량이 변화된 결과를 표 3에 제시하였다.

Table 3.

Traffic volume forecast based on flood scenario(vpd)

주요 간선도로 중 대신로, 남강로, 공단대로, 진마대로에서는 상･하행 교통량이 평균 28% 감소하였으나, 솔밭대로, 남해고속도로, 통영-대전 고속도로에서는 우회 통행 증가로 인해 교통량이 평균 15-20% 증가하는 것으로 분석되었다. 동진로, 진주대로, 워라산로의 경우 방향별로 교통량의 증감이 상이한 비대칭 현상이 발생하였다. 이러한 결과는 저지대 도로가 침수되면서 인근 고지대로의 통행이 집중된 것으로 판단된다. 그림 2에서는 실증지 네트워크 전반의 교통 재분배 양상을 제시하였으며, 통행량의 감소 구간은 청색, 통행량 증가 구간은 적색으로 표시하였다.

Fig. 2.

Traffic volume changes under flood scenario

남강로 침수시, 상평대리후문 교차로를 중심으로 남, 북, 동 방향으로 이동하는 경로를 분석한 결과, 평상시 대비하여 통행시간이 평균 31%, 차량 지체는 약 22% 증가하였다. 또한, 도동천로 침수시, 선학초등학교 교차로를 기준으로 남, 서, 동 방향으로 이동하는 경로를 분석하였으며, 평상시에 대비하여 통행시간은 26% 증가하는 것으로 분석되었다. 침수 상황에 따른 최적 경로를 그림 3, 그림 4에 제시하였다.

Fig. 3.

Optimal route results under Namgang-ro flooding conditions

Fig. 4.

Optimal route results under Dodongcheon-ro flooding conditions

도시 홍수 시 교통 혼잡 완화를 위한 정보 제공 전략 수립에 있어 본 연구 결과의 활용을 위한 방안을 제시하였다. 도시홍수와 같은 재난 상황에서는 통행 제어뿐만 아니라, 차량의 안전성을 확보하고 효율적인 이동을 지원할 수 있는 안전 가이던스 체계 구축이 필수적이다. 이를 위해서는 침수 자료와 도로환경 정보를 결합하여 안전 영역을 예측하고, 교통 네트워크의 동적 상태를 반영하여 최적 이동 경로를 자동으로 재탐색할 수 있는 기술(실시간 침수 감지 – 경로 재탐색 – 정보 전송) 기반이 마련되어야 한다. 안전 경로를 제공할 수 있는 가이던스 정보를 제공해야 한다. 또한, 그림 5에 사례로 제시한 단말기 기반 가이던스 시스템은 도시홍수 발생 시 차량 운행 제하 구간, 대체 경로 등의 정보를 제공함으로써, 도로관제시스템에 연계한 관제 체계의 핵심 요소로 적용될 수 있어야 한다.

Fig. 5.

Route guidance strategies under urban flood conditions*We would like to clarify that these figures are authentic photographs taken in Korea. This text is not an addition or modification on our part but is inherent and realistic part of the scenes depicted.

Ⅲ. 결론 및 향후 연구과제

본 연구는 도시홍수 발생 시 교통소통 변화를 분석하고, 교통 대응 전략을 마련하기 위한 연구로 수행되었다. 이를 위해, 경상남도 진주시를 대상으로 교통 수요 모형을 구축하고, 평상시 교통 패턴과 홍수 시나리오를(폭우, 침수) 비교 분석함으로써 도로망의 구조적 취약성과 교통 효율성 변화를 분석하였다. 분석 결과, 침수 시나리오 적용시 주요 간선도로를 중심으로 교통량이 감소하고 우회 경로에 교통량이 집중되는 현상이 발생하였다. 특히, 동진로는 7,517대(상행), 7,778대(하행) 수준의 교통량 변화가 나타나 혼잡도가 크게 증가하였으며, 남강로, 공단대로 등 중심 노선이 차단될 경우 대체 도로의 V/C가 과포화 상태(1.0 이상)로 전환되었다. 이러한 결과는 도시홍수로 인한 피해가 네트워크 전반의 효율성을 저하시킬 수 있음을 시사한다.

본 연구를 발전시키기 위한 향후 연구과제는 다음과 같다. 본 연구에서는 강우 및 홍수시의 시나리오를 적용한 침수 시나리오의 가정 사항, 시뮬레이션 환경, 예측 모델, 파라미터 등에 대한 실데이터와의 정산을 통한 검증이 요구된다. 또한, 기상 자료, 실시간 교통 데이터를 융합하여 교통 예측 모델을 개발함으로써, 인공지능 기반의 동적 교통 관리 전략을 제시할 필요가 있다. 마지막으로, 도시홍수 시 도로교통 안전 영역을 예측하고, 데이터 기반 안전통행 가이던스 기술의 체계적 개발 방향에 대한 제시가 필요하다.

본 연구는 도시 침수로 인한 교통 흐름의 변화를 정량적으로 분석함으로써, 정책·기술적 대응 방안을 제시하였으며, 이를 통해 도시홍수시 교통정책을 수립할 수 있는 기초 자료로써 활용될 수 있을 것으로 기대된다.

Acknowledgments

본 연구는 과학기술정보통신부 한국건설기술연구원 연구 운영비지원(주요사업) 사업으로 수행되었습니다(20250284-001, 홍수 안심도시 실현을 위한 디지털 도시홍수 제어 기술 개발).

본 연구는 2025 춘계종합학술대회 및 대학생논문경진대회에서 발표한 논문(데이터 중심의 도시홍수 대응 도로교통 기술 개발 전략, 도시홍수 대응을 위한 인공지능 기반 모델 분석)을 수정하여 작성하였습니다.

References

• Korea Meteorological Administration. Weather Data Opening Portal [Internet]. Available: https://data.kma.go.kr, .
• C. J. Yoon, J. H. Park, Y. R. Kim, J. G. Sung, and M. S. Kim, “Development Strategy for Data-Driven Road Traffic Technologies in Response to Urban Flooding,” 2025 Korea Digital Contents Society Conference and Student Paper Competition.
• K. Greff, R. K. Srivastava, J. Koutník, B. R. Steunebrink, and J. Schmidhuber, “LSTM: A Search Space Odyssey,” IEEE Transactions on Neural Networks and Learning System, Vol. 28, No. 10, pp. 2222-2232, 2016. [https://doi.org/10.1109/TNNLS.2016.2582924]
• R. Jozefowicz, W. Zaremba, and I. Sutskever, “An Empirical Exploration of Recurrent Network Architectures,” in Proceedings of the 32nd International Conference on Machine learning, Lille: France, pp. 2342-2350, 2015. [https://doi.org/10.5555/3045118.3045367]
• S. Kumar, A. Damaraju, A. Kumar, S. Kumari, and C.-M. Chen, “LSTM Network for Transportation Mode Detection,” Journal of Internet Technology, Vol. 22, No. 4, pp. 891-902, 2021. [https://doi.org/10.53106/160792642021072204016]
• E. Fuchs, B. Trajanoska, S. Orhouzee, and H. Renner, “Comparison of Wavelet and Fourier Analysis in Power Quality,” in 2012 Electric Power Quality and Supply Reliability, Tartu: Estonia, pp. 1-7, 2012. [https://doi.org/10.1109/PQ.2012.6256210]
• M. L. A. Sarna, M. R. Hossain, and M. A. Islam, “Comparative Analysis of STFT and Wavelet Transform in Time-Frequency Analysis of Non-Stationary Signals,” International Journal of Novel Research in Engineering and Science, Vol. 11, No. 1, pp. 72-78, 2024. [https://doi.org/10.5281/zenodo.11230337]
• R. Sharma, L. Vignolo, G. Schlotthauer, M. A. Colominas, H. L. Rufiner, and S. R. M. Prasanna, “Empirical Mode Decomposition for Adaptive AM-FM Analysis of Speech: A Review,” Speech Communication, Vol. 88, pp. 39-64, 2017. [https://doi.org/10.1016/j.specom.2016.12.004]
• X. Tian, S. Wu, X. Xing, H. Liu, H. Gao, and C. Chen, “Traffic Flow Prediction based on Improved Deep Extreme Learning Machine,” Scientific Reports, Vol. 15, No. 1, 7421, 2025. [https://doi.org/10.1038/s41598-025-91910-3]
• H.-J. Yang and X. Hu, “Wavelet Neural Network with Improved Genetic Algorithm for Traffic Flow Time Series Prediction,” Optik, Vol. 127, No. 19, pp. 8103-8110, 2016. [https://doi.org/10.1016/j.ijleo.2016.06.017]
• J. Zhang, S. Qu, Z. Zhang, and S. Cheng, “Improved Genetic Algorithm Optimized LSTM Model and its Application in Short-Term Traffic Flow Prediction,” PeerJ Computer Science, Vol. 8, e1048, 2022. [https://doi.org/10.7717/peerj-cs.1048]
• J. H. Park, C. J. Yoon, Y. R. Kim, J. G. Sung, and M. S. Kim, “A Review of Prior Studies on Traffic Prediction Models for Urban Flood,” 2025 Korea Digital Contents Society Conference and Student Paper Competition
• Korea Transport Database. Main Page [Internet]. Available: https://www.ktdb.go.kr/www/index.do, .
• E. Cascetta, Transportation Systems Analysis: Models and Applications. New York, NY: Springer, 2009. [https://doi.org/10.1007/978-0-387-75857-2]
• J. de Dios Ortúzar and L. G. Willumsen, Modelling Transport, 4th ed. Hoboken, NJ: Wiley, 2011.
• A. G. Wilson, Entropy in Urban and Regional Modelling, Milton Park, UK: Routledge, 1970.
• M. Ben-Akiva and S. R. Lerman, Discrete Choice Analysis: Theory and Application to Travel Demand, Cambridge, MA: MIT Press, 1985.
• K. E. Train, Discrete Choice Methods with Simulation, 2nd ed. Cambridge, UK: Cambridge University Press, 2009.
• Y. Sheffi, Urban Transportation Networks: Equilibrium Analysis with Mathematical Programming Methods, Upper Saddle River, NJ: Prentice-Hall, 1985.
• M. Pregnolato, A. Ford, S. M. Wilkinson, and R. J. Dawson, “The Impact of Flooding on Road Transport: A Depth-Disruption Function,” Transportation Research Part D: Transport and Environment, Vol. 55, pp. 67-81, 2017. [https://doi.org/10.1016/j.trd.2017.06.020]
• J. Jeong, H. An, B. S. Cho, and J. Lee, “Development of a Methodology for Flood Damage and Resilience Assessment of Road Facility Networks,” Journal of the Korea Institute for Structure Maintenance and Inspection, Vol. 29, No. 2, pp. 18-24, 2025. [https://doi.org/10.11112/jksmi.2025.29.2.18]
• Federal Highway Administration, Empirical Studies on Traffic Flow in Inclement Weather, 2006.
• Federal Highway Administration, How Do Weather Events Affect Roads?, 2025.