이동체 추정궤적 불확실성 감소를 위한 CCTV 추가 배치 최적화 기법

2-1 CCTV 및 센서 배치 관련 선행 연구

선행 연구들은 주로 CCTV의 설치 목적에 따라 CCTV 설치 위치를 최적화하는 방법들에 관해 연구하였다. 그중에서도 방범 목적의 CCTV 배치에 관한 연구가 많이 이루어졌으며, 공간을 네트워크 모델로 치환하거나 격자로 치환하여 이진정수법, 머신러닝, MCLP(Maximal Covering Location Problem), 설문조사 등의 방법을 적용한 연구가 진행되었다.

Gaylon et al.은 방범 목적의 CCTV 배치를 위해 도로를 네트워크로 모델링한 후, 이진 정수계획법(Binary Integer Programming, BIP)을 활용하여 교차로 중 가능한 설치 후보 위치를 선정하고, 이후 제안 알고리즘을 통해 각 카메라의 최적 방향각을 결정하는 2단계 접근법을 적용하였다[1]. Choi et al.은 민원, CCTV 설치 지점, 범죄 발생 지점 등의 정보를 기반으로 머신러닝 기반 범죄 예측 모델과 MCLP 공간 최적화 모델을 기반으로 배치 결과를 비교하는 연구를 진행하였다[2]. Park et al.은 주민들에게 설문조사를 진행하고, 이를 기반으로 진주시 대학가 주변의 범죄 위험 구역을 분석하여 CPTED(Crime Prevention Through Environmental Design) 목적의 CCTV, 그림자 조명(고보라이트) 등 안전 시설물의 설치 위치를 제안하였다[3]. Boldt et al.은 범죄 예방 목적의 CCTV를 설치하기 위해 범죄 핫스팟을 분석하는 방법으로 범죄 핫스팟 간의 관계를 그래프 구조로 모델링하고, 이를 기반으로 공간적 패턴을 분석하는 GraphTrace를 제시하였다[4]. Moon은 전문가 설문을 기반으로 CCTV 설치 고려 기준에 대한 설문을 진행하고, 예상도주로(교차로, 전철역 등)를 포함한 23개의 세부 항목들에 대한 상대적 중요도를 비교하였으며, Cho et al.은 선행연구 및 전문가 설문을 기반으로 방범 CCTV 설치위치를 평가하는 지표를 개발하였다[5],[6].

교통관리 목적의 CCTV 설치 위치 최적화 모델은 네트워크 모델을 기반으로 출발지에서 목적지로의 이동체의 교통량을 추정하기 위해 출발지-목적지(Origin-Destination, O-D) 기반 다목적 최적화 방법을 활용하였다.

Lu et al.은 Logit 모델 기반 다량의 차량 교통량 데이터를 수집할 수 있는 CCTV 위치 선정 알고리즘을 제안하였다[7]. 해당 논문은 교차로를 CCTV 설치 위치 후보로 선정하고 출발지-목적지(O-D)의 k-Shortest path를 생성, Logit 모델을 이용하여 짧은 거리일수록 차량이 선택할 확률을 높이고 이를 점수화하여 CCTV 위치를 선정하였다. Li et al.은 교통 단속 및 관리 목적의 카메라 배치를 다목적 최적화 문제를 교차로를 설치 후보군 위치로 선정하여 연구를 수행하였다[8]. 해당 연구는 주요 신호 교차로, 사고 다발 지점, 교통위반 다발 지점을 배치 후보로 고려하며, 평균 교통량, 교통사고 빈도, 교통위반 빈도를 반영한 감시 커버리지를 극대화하는 모델을 제안하였다.

방재·환경관리 목적 CCTV 위치 선정은 최근에 연구가 시작된 주제로, 방재 및 환경관리를 위한 감시 및 데이터 수집 목적의 CCTV 위치 선정을 진행하였다.

Shi et al.은 산불 감시를 위해 화재 위험도 맵(WHP), 지형 고도(DEM), 인구 밀도 기반 화재 위험 최소화를 목적으로 이진 정수 계획법을 이용하여 CCTV 위치를 선정하는 CCTV 위치 선정 알고리즘을 개발하였다[9]. Choi and Cheong은 미세먼지 감지를 위한 최적의 CCTV 위치를 선정하기 위해 Fuzzy AHP를 활용하여 전문가들로 하여금 CCTV 위치 선정에 필요한 변수들의 상대적 중요도를 평가받고 이를 이용하여 CCTV의 위치를 선정하였다[10].

이동체 추정궤적과 관련된 CCTV 위치 선정 연구는 다른 목적의 CCTV 배치 연구에 비해 상대적으로 제한적으로 이어져 왔다. 이동체 추정궤적과 관련된 센서 위치 선정 연구의 경우, 차량번호 인식 센서(Plate Scanning)과 관련된 연구가 일부 존재하며 네트워크 및 출발지-목적지(O-D)를 이용하여 이동체 추정궤적 생성이 가능한 차량번호 인식판 위치 선정에 관심을 두었다.

Chiou et al.은 유전 알고리즘 기반 출발지-목적지(O-D)의 추정 정확도를 향상시키기 위해 차량번호 인식 범위와 경로 상에서의 차량 인식 확률을 고려하는 차량번호 인식 센서의 배치 방법을 제안하였다[11]. 또한 Gör and Karakaya는 도로 네트워크 모델 기반 자동 차량번호 인식 시스템의 배치 방법을 제안하였으며, 차량 재식별 가능성과 도로 감시율을 향상을 목표로 실제 도시 사례에 적용하여 그 효과를 분석하였다[12].

앞선 선행연구들은 각 목적에 맞추어 감지 범위를 최대화하거나 감지량을 최대화하는 등의 목적으로 CCTV 배치를 최적화하였으며, 이동체 추정궤적 생성 및 연속 추적 관점에서의 CCTV 배치 연구는 제한적으로 이루어졌다.

2-2 경로 선택 및 이동체 추적 관련 선행 연구

기존의 경로 선택 연구들에서는 주로 보행자, 자전거 운전자와 같은 이동체의 경로 선택 방법에 대해 연구하였다. 이들 연구들은 경로 선택에 영향을 미치는 요인으로 회전, 경로 길이, 경로의 안전성, 편안함 등의 여러 요인이 복합적으로 작용한다는 점을 밝혔다. 그 중에서도 일부 이동체 경로 선택 연구에서는 교차로에서의 회전 및 방향 선택이 이동체의 경로 선택과 밀접한 연관을 가질 수 있음을 언급하였다.

Sevtsuk and Basu은 이동체의 경로 선택에 있어 경로 길이와 회전, 즉 교차로에서의 경로 선택 방향이 영향을 미친다는 점을 샌프란시스코 GPS 궤적을 통해 규명하였다[13]. Ti et al.은 보행자의 경로 선택 연구를 진행하며, 다른 경로와의 상대적 길이 및 교차로의 수 및 진행 방향 변경 등의 요소가 경로 선택에 영향을 미침을 확인하였다[14].

카메라 기반 이동체 추적 관련 선행 연구에서는 다수의 카메라 기반 이동체 추적 관련 논문에서는 카메라 간의 연속 추적이 가능할수록 이동체 추적에 기반이 되는 동일객체 식별에 도움을 줄 수 있음을 제시하였다. 그러나 이러한 연구들은 주로 이동체 추적 및 동일객체 식별 문제 자체에 초점을 두고 있으며, 이를 고려한 CCTV 배치 연구로까지는 상대적으로 제한적으로 확장되었다.

이동체 궤적 추정 예측과 관련한 다수 논문들은 카메라의 위치의 중요성 및 카메라 간의 토폴로지가 이동체 추적에 있어 중요하다는 점을 시사하였다[15]-[18]. Huang et al., Mendes et al., Jiangl et al., Nam et al. 모두 이동체가 카메라에서 감지된 이동체의 최초 감지 시간 및 최후 감지 시간을 기반으로 다른 카메라의 이동체의 최초 감지 시간 및 최후 감지 시간과 연계하여 동일객체 식별률을 높이는 연구를 진행하였다. 이러한 카메라 간 위상 관계는 카메라의 실제 설치 위치에 의해 결정되므로, 카메라의 공간적 배치 구조는 이동체 추적 성능과 밀접한 관련을 가질 가능성을 시사한다.

이와 같이 기존 연구들은 교차로에서의 경로 분기와 카메라 간 연속 감지가 각각 이동체의 경로 선택 및 추적 성능과 관련됨을 제시하였다. 그러나 이러한 연구들은 주로 경로 선택 또는 이동체 추적 문제를 개별적으로 다루고 있으며, CCTV 기반 이동체 추정궤적 생성 과정에서 발생하는 경로 추정 불확실성과 연계하여 통합적으로 분석한 연구는 상대적으로 제한적이었다.

2-3 연구 필요성

기존의 CCTV 위치 선정 연구는 방범, 교통 관리, 방재 및 환경 관리 등 다양한 목적에 따라 연구되었다. 그러나 이러한 연구들은 목적의 차이에도 불구하고, 대부분 감시 범위 확대 또는 감지효율성 향상을 중심으로 CCTV 배치를 수행하였다.

그러나 이동체 추정궤적 생성 관점에서는 단순히 이동체를 많이 감지하는 것만으로는 실제 이동 경로를 추정하는데 한계가 존재할 수 있다. 커버리지 기반 센서 배치 방법에서 동일한 감시 범위를 확보하더라도, 교차로와 같은 분기 구간에서의 감지 여부에 따라 이동체의 실제 경로를 추정할 수 있는 경우가 크게 달라지기 때문이다. 특히 CCTV 간 미감지구간이 존재하는 환경에서는 이동체의 경로 선택에 대한 불확실성이 발생할 수 있으며, 이러한 불확실성은 이동체 추정궤적의 정확도를 저하시키는 요인으로 작용할 수 있다. 따라서, 이동체의 경로 선택 가능성과 연속적인 감지 가능성을 함께 고려한 CCTV 배치 환경이 필요하다.

본 연구에서 다루는 이동체 추정궤적은 CCTV에서 감지된 이동체 궤적을 기반으로 CCTV가 감지하지 못하는 미감지 구간의 궤적을 추정하여 생성한다. 이러한 과정에서 추정궤적의 불확실성은 교차로에서 발생하는 경로 분기와 카메라 간 장시간 미감지 구간으로 인해 증가할 수 있다. 교차로에서는 동일한 감지 결과에 대해 복수의 후보 경로가 생성될 수 있으며, 장시간의 미감지 구간은 이동체의 연속적인 추적 및 동일객체 식별을 어렵게 만들 수 있다. 이에 본 연구에서는 교차로에서의 경로 분기 가능성과 카메라 간 감지 연속성에 주목하였고, 이를 각각 경로 모호도와 경로 단절도로 정의하였다. 따라서 본 연구에서는 이러한 두 가지 불확실성 발생 메커니즘을 기반으로 CCTV 배치 최적화를 수행하고자 한다.

이동체 추정궤적과 관련된 연구로 차량번호 인식 센서를 이용한 일부 논문들이 존재하나 해당 논문들은 특정 지점에서의 이동체 감지 및 통행량 추정에 초점을 두고 있어 이동체의 연속적인 경로 감지나 교차로에서 발생하는 경로 선택의 모호성 문제는 상대적으로 제한적으로 고려되었다.

이에 본 연구에서는 이동체 추정궤적의 불확실성을 고려한 새로운 CCTV 위치 선정 방법을 제안함으로써, 기존 연구의 한계를 보완하고자 한다. 또한, 실제 도로 환경 및 기존 CCTV 설치 환경에서의 알고리즘을 적용함으로써 이론적 환경 뿐 아니라 현실에서의 적용 가능성을 확인하고자 한다.

4-1 실험 목적 및 실험 환경

본 연구에서는 제안 알고리즘의 성능을 단계적으로 검증하기 위해 단순화된 네트워크 환경, 교통 네트워크 벤치마크 환경, 실제 도시 환경으로 실험 환경을 구성하였다. 먼저 알고리즘의 기본 동작 특성과 네트워크 구조 변화에 따른 적용 가능성을 확인하기 위해 격자(Grid) 네트워크와 Sioux Falls 네트워크를 활용하였다. 기본적인 도로망 구조인 격자(Grid)를 구성하여, 가장 단순하고 이론적인 환경에서 제안 알고리즘의 기본 동작 특성을 확인하였다.

또한, 실제 교통 분야에서 많이 사용하는 교통 네트워크 벤치마크인 Sioux Falls 모델을 재구성하여 사용하였다. 이동체는 생성된 도로 네트워크 위에서 움직이기 때문에, 실제 교통 공간을 모델링하여 그 특징을 일반화한 교통 네트워크의 벤치마크를 활용하였다. 이를 통해 단순 격자 환경보다 복잡한 연결 구조와 경로 분기 특성을 가지는 교통 네트워크 환경에서도 알고리즘이 유효하게 동작하는지를 분석하였다.

Grid의 경우, Python을 이용하여 생성하였으며, Sioux Falls의 네트워크 구조를 동일하게 Python으로 구현하여 사용하였다. 기존의 Sioux Falls 모델에는 교통량 흐름 추정 및 비용 추정을 위한 시간, 비용 등의 정보가 포함되어 있으나 본 연구에서는 이를 사용하지 않기 때문에 이를 제외한 네트워크 구조만을 활용하였다.

Fig. 1.

Experimental environment for algorithm evaluation: (left) 5×5 grid network, (right) reconstructed sioux falls network

실험에서 활용하는 파라미터는 설치하는 센서의 개수 n으로, 1~7개의 범위에서 변화시켜 센서 개수에 따른 경로 모호도 및 경로 단절도 감소 경향성을 분석한다. 경로 모호도와 경로 단절도 간의 가중치 α는 두 목적함수를 동등하게 반영하기 위해 0.5로 설정하였다. 또한 실제 이동체는 모든 가능한 경로를 동일하게 고려하기보다는 상대적으로 합리적인 일부 대안 경로를 중심으로 선택한다고 가정하여 k=3을 기본값으로 설정하였다. 이에 대한 영향은 4.3절에서 추가적인 민감도 분석을 통해 검토하였다.

Table 2.

Experimental setup and conditions

마지막으로, 안양시 인덕원역 일대를 사례 지역으로 하여 검증을 진행하여 실제 환경에서의 검증을 기반으로 알고리즘의 적용 가능성을 확인하고자 하였다. 이를 위해 도로 중심선과 CCTV 데이터를 활용하였다.

Fig. 2.

Testbed experimental environment for algorithm case study

도로중심선은 국토지리정보원의 도로중심선 데이터를 활용하였으며, 실제 도로망과 비교하여 일부 불일치 구간을 수정한 후 사용하였다. 또한, 그래프 연산을 위해 도로 중심선을 엣지 단위로 분할하여 사용하였다. CCTV는 안양시에서 제공받은 데이터를 이용하였으며, 동일 위치에 설치된 카메라들을 GIS 기반으로 통합하여 총 60개의 설치 위치를 구축하였다. 도로와 인접하지 않은 CCTV는 도로 기반 이동체 감지에 활용되기 어렵다고 판단하여 CCTV 반경 50m 이내에 도로 엣지가 존재하지 않는 CCTV는 제외하였다. 감지 범위는 행정안전부에서 배포한 CCTV 분야의 빅데이터 분석 활용 가이드[19]를 참조하여 설정하였다.

테스트베드 실험은 기존 CCTV 설치 환경에서 추가 CCTV의 배치 전략에 따라 이동체의 경로 모호도 및 경로 단절도 감소 효과의 차이를 분석하고, 제안 알고리즘의 실제 도시 환경에서의 적용 가능성을 확인하는 것을 목적으로 한다.

4-2 성능 평가 방법

본 연구에서는 이동체의 추정궤적 생성 과정에서 발생하는 경로 불확실성을 줄이고, 연속적으로 CCTV가 감지할 수 있는 것을 목적으로 한다. 이에 따라 성능 평가는 크게 경로 불확실성 감소와 연속감지 효과의 측면에서 수행하였다. 먼저, 경로 후보수 감소를 평가하기 위해 경로 엔트로피 감소량을 사용하였으며, CCTV의 연속적 추적으로 인해 실제 경로와 얼마나 유사한 궤적이 형성되는지를 평가하기 위해 경로 유사도(Path Similarity)를 사용한다. 또한, 이러한 경로 후보 감소 및 연속 감지 효과가 실제 이동 경로의 예측 가능성 향상 여부를 확인하기 위해 경로 정확도를 추가적으로 평가하였다.

Table 3.

Evaluation metrics

첫 번째로, 경로 엔트로피 감소량(Path Entropy Reduction)은 경로의 불확실성을 얼마나 감소시켰는지를 확인하는 지표로, 선택할 수 있는 경로의 수를 얼마나 감소시켰는지를 확인하는 지표이다. 경로 엔트로피 감소량은 CCTV 설치 전후 후보 경로 수의 엔트로피 차이를 설치 전 엔트로피로 나누어 정규화한 값으로 계산한다. 예를 들어 설치 전 가능한 경로가 10개, 설치 후 2개로 감소한 경우, (log(10)−log(2))/log(10)으로 계산된다. 1에 가까울수록 후보 경로 수가 줄어 경로 불확실성이 낮아진 상황을 의미한다.

두 번째로, 경로 유사도(Path Similarity)는 CCTV로 생성한 이동체의 추정궤적이 실제 경로와 부분적인 일치 정도를 평가하는 지표이다. 앞선 경로 엔트로피 감소량이 추정 가능한 후보를 얼마나 감소시켰는지에 비해, 경로 유사도는 실제경로와의 부분적인 일치 정도를 평가한다. 따라서 경로 유사도는 전체 경로 중 공통으로 중첩되는 엣지의 비율을 통해 계산된다.

마지막으로, 경로 정확도(Path Accuracy)는 실제 이동 경로가 추정 가능한 경로 후보군 내에 포함되는지를 평가하는 지표이다. 본 연구에서는 CCTV가 설치된 노드를 기준으로 경로를 분할한 후, 각 구간에서 가능한 최단 경로 상위 3개 중 실제 경로가 포함되었는지를 기준으로 계산된다. 즉, 추정된 경로 집합에 실제 경로가 포함되면 1, 아니면 0으로 판단한다. 경로 정확도는 각 구간별로 계산된 값을 평균하여 최종 경로 정확도로 사용한다. 즉, 본 연구에서의 경로 정확도는 단일 경로를 정확히 복원하는 성능이라기보다, 실제 경로가 추정 가능한 후보 경로 집합 내에 포함되는지를 평가하기 위한 지표이다.

본 연구에서는 CCTV 배치에 따른 이동체 추정궤적의 불확실성 감소를 평가하기 위해 가상 이동체 시뮬레이터를 구축하여 이동체 궤적 데이터를 생성하였다. 가상 이동체 시뮬레이터는 전체 출발지-목적지(O-D) 중 랜덤으로 20개의 을 선택한 후, 각 출발지-목적지(O-D)에 대한 k-Shortest path 기반의 경로 후보군을 생성한다. 이후 경로 선택 모델에 따라 이동체의 실제 경로가 선택되며, 이를 반복하여 1회당 100개의 이동체 궤적을 생성한다. 본 연구에서는 다양한 출발지-목적지(O-D) 쌍에 대한 경로 선택 특성이 반영될 수 있도록 1회 실험당 100개의 이동체를 생성하였다. 또한, 출발지-목적지(O-D)를 랜덤으로 선택하기 때문에 발생하는 무작위성의 영향을 완화하고, 통계적 결과의 안정성을 확보하기 위해 각 실험을 독립적으로 30회 수행하였다. 따라서 전체 이동체 경로는 경로 선택 시나리오 별로 총 30회를 수행해 각 3,000개의 이동체 궤적을 생성한다.

시뮬레이션에서 이동체의 경로 선택 특성을 반영하기 위해 두 가지 경로 선택 시나리오를 구성하였다. 첫 번째는 Logit 기반 경로 선택 시나리오로, 실제 이동체가 최단 경로를 선택할 확률이 가장 높지만, 최단 경로만을 선택하지 않는다는 점을 반영하였다. 이에 따라 경로 길이가 짧을수록 높은 경로 선택 확률을 부여하여 보다 거리 기반의 확률적 경로 선택 특성을 반영하고자 하였다.

Table 4.

Sample trajectory data of moving objects generated via scenario (sioux falls network)

두 번째는 경로 이탈(Path Deviation) 시나리오로, 일부 이동체가 최단 경로 이외의 경로를 선택할 수 있는 상황을 반영하기 위해 구성하였다. 이는 경로 선택에 따른 확률적 선택 보다는 일부 이동체의 우회 경로 선택 및 비최단 경로 선택 가능성을 고려하기 위한 것이다. 또한, 경로 이탈 시나리오는 일부 우회 경로 및 비최단 경로를 포함함에도 불구하고 전체적으로 최단 경로 선택 비율이 높게 선택되도록 하였기 때문에 확률 기반의 Logit 기반 경로 선택 시나리오에 비해 특정 후보 경로로의 집중도가 상대적으로 높게 나타날 수 있다.

제안한 알고리즘의 성능을 확인하기 위해서 비교 대상 방법으로 Random 방식과 MCLP을 이용하였다. Random 방식은 교차로 노드 중 무작위로 CCTV 위치를 선정하는 방식으로, 기본적인 기준점을 잡기 위해 선정하였다. Random 방식은 시행 횟수에 따라 그 편차가 극단적으로 나타날 수 있기 때문에, 평가 지표의 값은 랜덤 배치를 30회 수행하고 그 수치를 각 계산한 평균값을 이용하였다. MCLP는 CCTV 위치 선정 시 많이 이용하는 방법 중 하나로 앞선 선행연구들에서도 활용된 바가 있다. MCLP와의 비교를 추가함으로써, 실제 현재 CCTV 위치 선정에 제안되는 알고리즘의 이동체 추정궤적의 불확실성 감소 효과를 비교할 수 있기 때문에 비교 방법으로 선택하였다. MCLP의 감지 반경은 네트워크 내 노드 간 연결 구조를 고려하여 반경 2 이내 노드로 설정하였다.

4-3 실험 파라미터 설정

가중치 α와 k에 대한 민감도 분석을 수행하여 실제로 해당 파라미터들이 결과에 미치는 영향을 검토하여 실험에 사용할 파라미터를 선정하였다.

최단경로의 후보군 범위를 설정하는 k 값에 대한 민감도 분석을 진행하였다. k 값의 범위는 1~7로 설정하였다. 표 5의 k 값 변화에 따른 민감도 분석 결과에 따르면 Logit 및 Path Deviation 시나리오 모두에서 k가 증가할수록 경로 엔트로피 감소량, 경로 유사도 및 경로 정확도가 증가하는 경향을 보였다. 이는 더 많은 후보 경로를 고려함에 따라 실제 이동 경로가 후보 경로 집합에 포함될 가능성이 증가하기 때문으로 해석된다. 그러나 k는 성능 향상을 위한 파라미터가 아니라 이동체가 고려하는 대안 경로 집합의 범위를 나타내는 파라미터이다. 실제 이동체는 출발지와 목적지 사이의 모든 가능한 경로를 동일하게 고려하기보다는, 일부 유력한 대안 경로(choice set)를 중심으로 경로를 선택하는 것으로 알려져 있다. 또한, K-Shortest Paths의 후보 경로 수 k는 연구 목적에 따라 달라질 수 있으며 보편적인 최적값은 존재하지 않는다[20]. 따라서 본 연구에서는 후보 경로 집합의 크기를 결정하기 위한 단일 최적 k를 가정하기보다, 대표 대안 경로 집합을 구성하기 위한 실험 설정값으로 k=3을 사용하였다. 또한 민감도 분석 결과 k 값이 변화하더라도 제안 방법과 비교 방법 모두에 동일하게 적용되는 특성이며, 본 연구에서는 절대 성능보다 동일 k 조건에서의 상대 성능 차이에 초점을 두어 평가하였다.

Table 5.

Sensitivity analysis results of evaluation metrics with respect to the number of candidate shortest paths (k)(α = 0.5, Logit scenario, Grid and Sioux Falls networks)

가중치 α는 경로 모호도와 경로 단절도의 적용 비율을 고려하게 하는 요소이다. 해당 분석을 위해 α을 0.1에서부터 0.9까지 범위로 0.2 간격씩 측정하여, α값 변화에 따른 수치 변화를 비교하였다. 표 6에서 확인할 수 있듯이, α값 변화에 따라 경로 엔트로피 감소량, 경로 유사도, 경로 정확도가 크게 변하지 않는 것을 확인할 수 있다. 이는 Path Deviation 시뮬레이션에서도 동일하게 나타나며, 제안 알고리즘이 특정 가중치 설정에 과도하게 의존하지 않고 안정적으로 동작함을 의미한다. 따라서본 연구에서는 경로 모호도와 경로 단절도를 균형적으로 고려하기 위한 기준값으로 α값을 0.5로 설정하였다.

Table 6.

Variation of performance metrics with respect to weight α(k=3, Logit scenario)

4-4 실험 결과

앞서 언급한 환경 및 평가 지표로 실험 결과를 요약하였을 때는 다음과 같다. 표 7과 표 8은 시뮬레이션(Logit, Path Deviation)별로 n=3일 때 평가 지표에 대한 평균 및 표준편차를 계산한 표이다. 표 7, 8에서 확인할 수 있듯이 제안한 알고리즘이 경로 엔트로피 감소량, 경로 유사도, 경로 정확도에서 Random 및 MCLP 대비하였을 때, 특히 경로 엔트로피 감소량 측면에서 Random 및 MCLP 대비 일관된 성능 향상을 보였으며, 경로 유사도와 경로 정확도에서도 전반적으로 개선되는 경향이 나타났다. 이를 통해 제안 방법이 단순히 특정 조건에서만 성능이 향상되는 것이 아니며, 표준편차가 평균 대비 상대적으로 크지 않게 나타나 반복 실험 간 결과 변동성이 크지 않은 점에 근거하여 다양한 환경에서도 안정적인 성능을 보임을 확인할 수 있었다. 또한 모든 시나리오에서 제안 알고리즘이 단순히 최단 경로 기반 이동이나 확률적 이동 뿐 아니라 우회 경로 선택 및 비최단 경로 선택과 같이 다양한 경로 선택 특성 환경에서도 안정적으로 동작할 가능성을 보여준다.

Table 7.

Mean and standard deviation of object trajectory estimation evaluation metrics by CCTV placement method under the logit scenario(α = 0.5, n = 3)

Table 8.

Mean and standard deviation of object trajectory estimation evaluation metrics by CCTV placement method under the path deviation scenario(α = 0.5, n = 3)

또한 CCTV 위치 선정에서 많이 사용되는 MCLP 방법이 상대적으로 낮은 성능을 보였다는 점은 커버리지 혹은 감지 범위를 고려한 CCTV 배치는 이동체 추정궤적 정확도에는 큰 영향을 미치지 않는다는 것을 확인할 수 있다. MCLP의 경우, 기존의 CCTV 감지 범위를 최대화하는 것에 목적을 두기 때문에 기존의 CCTV 감지 범위와 중첩되는 영역에는 CCTV를 배치하지 않는 경향이 있다. 그러나 이동체의 추정궤적을 정확하게 생성하기 위해서는 단순히 넓은 공간을 감시하는 것보다 이동체가 실제로 이동할 가능성이 높은 후보 경로 상에서 감지 지점이 연속적으로 배치되는 것이 중요하다. MCLP는 노드 또는 수요 지점의 커버리지 확대에는 효과적이지만, O-D 간 후보 경로에서 발생하는 경로 모호도나 센서 간 미감지 구간을 직접 고려하지 않는다. 따라서 MCLP에 의해 선택된 센서 위치는 공간적으로는 넓은 범위를 덮을 수 있으나, 이동체가 두 감지 지점 사이에서 어떤 경로를 선택했는지를 판단하는 데 필요한 경로 연결성을 충분히 확보하지 못할 수 있다. 이러한 이유로 본 실험에서 제안 방법에 비해 낮은 경로 엔트로피 감소량, 경로 유사도, 경로 정확도를 보인 것으로 해석된다.

또한, Logit 시나리오보다 Path Deviation 시나리오에서 상대적으로 높은 성능을 보였다. 이는 두 경로 선택 시나리오의 후보 경로 분포 차이에서 기인한 것으로 판단된다. 제안 알고리즘은 K-Shortest Paths 기반의 후보 경로 구조를 활용하여 CCTV 위치를 최적화하기 때문에, 실제 이동 패턴 또한 최단 경로에 가까운 형태를 유지할수록 경로 후보의 불확실성이 상대적으로 작게 형성된다. 이에 따라 Path Deviation 환경에서 더 높은 성능이 나타난 것으로 확인된다. 그럼에도 불구하고 두 시뮬레이션 환경 모두에서 일관된 성능 향상이 확인되었다는 점은 제안 방법이 다양한 경로 선택 환경에서도 안정적으로 동작할 가능성을 보여준다.

제안 알고리즘이 실제로 MCLP보다 높은 성능을 보이는지 확인하기 위해 통계적 유의성 검정을 수행하였다. 통계적 유의성 검정에는 p-value를 사용하였으며, 다중 비교에 따른 제1종 오류를 보정하기 위해 Holm 방법을 적용하였다. 표 9와 표 10은 제안 알고리즘과 MCLP 간의 평가 지표별 성능 차이(mean difference)와 Holm 보정 p-value를 나타낸 것이다.

Table 9.

Statistical significance test results between the proposed algorithm and MCLP under the Logit scenario(α = 0.5, n = 3)

Table 10.

Statistical significance test results between the proposed algorithm and MCLP under the Path Deviation scenario(α = 0.5, n = 3)

추가 설치 수에 따른 전체 검정 결과, 추가 설치 수가 1개인 경우에는 제안 방법과 MCLP 간의 차이가 제한적으로 나타났다. 반면 추가 설치 수가 2개 이상인 경우에는 경로 엔트로피 감소(entropy reduction), 경로 정확도(path accuracy) 측면에서 통계적으로 유의한 개선 효과가 전반적으로 관찰되었다. 이는 센서가 1개만 추가되는 경우에는 배치 전략에 따른 차이가 충분히 나타나지 않지만, 일정 수준 이상의 센서가 추가되면 제안 방법의 경로 모호도 및 경로 단절도 감소 효과가 보다 뚜렷하게 반영되기 때문으로 해석된다.

따라서, 표 9와 표 10은 이러한 경향을 대표적으로 확인하기 위해 추가 설치 수 n=3 조건에서 수행한 통계적 유의성 검정 결과를 제시하였다. 표 9와 표 10에서 확인할 수 있듯이, Sioux Falls 네트워크에서는 모든 평가 지표에서 통계적으로 유의한 성능 향상(p<0.05)이 나타났다. 반면 Grid 네트워크에서는 대부분의 평가 지표에서 유의한 성능 향상이 확인되었으나, Path Deviation 시뮬레이션의 경로 엔트로피 감소량에서는 통계적으로 유의한 차이가 나타나지 않았다(p=0.083). 그러나 해당 지표 역시 평균적으로는 개선되는 경향을 보였다.

이러한 차이는 도로 네트워크의 구조적 특성에서 기인한 것으로 판단된다. Grid 네트워크는 구조가 규칙적이며 동일하거나 유사한 길이의 경로가 다수 존재하기 때문에 경로 간 구분에 활용할 수 있는 정보가 상대적으로 제한적이다. 따라서 CCTV 배치를 통해 경로 모호도를 감소시키더라도 성능 향상 폭이 제한적으로 나타날 수 있다. 반면 Sioux Falls 네트워크는 경로 길이와 구조의 다양성이 높아 경로 간 차이가 보다 명확하게 나타난다. 이에 따라 CCTV 배치를 통해 경로 모호도와 경로 단절도를 보다 효과적으로 감소시킬 수 있으며, 결과적으로 이동체 추정궤적 정확도가 통계적으로 유의하게 향상된 것으로 해석된다.

더 나아가 설치된 CCTV 개수에 따른 성능을 비교하기 위해 센서의 개수 n개에 따른 성능 변화를 분석하였다. 이를 통해 동일한 CCTV 개수 환경에서 제안 알고리즘이 Random과 MCLP 대비 상대적으로 높은 성능을 보이는지를 검증하고자 하였다. 그림 3, 4, 5에서 확인할 수 있듯이, 본 연구에서 제안한 알고리즘이 대부분의 경우에서 n 값의 변화와 무관하게 Random 방식과 MCLP 대비 더 높은 성능을 보임을 확인할 수 있다.

Fig. 3.

Path entropy reduction by number of Installed sensors(Logit, Sioux Falls)

Fig. 4.

Path similarity by number of Installed sensors (Logit, Sioux Falls)

Fig. 5.

Path accuracy by number of Installed sensors (Logit)

다만, 경로 정확도 및 유사도에서 n=1일 때 Random 방식이 제안한 알고리즘보다 더 높은 경로 정확도와 유사도를 보이는 경우가 관찰되었다. 이는 CCTV가 하나일 때 확보되는 정보가 매우 제한적이기 때문에 특정 위치에 CCTV가 임의로 배치되더라도 우연히 주요 경로를 포함하는 경우 성능이 높게 나타날 수 있기 때문이다.

그러나 CCTV 설치 개수가 증가함에 따라 제안 알고리즘의 성능 폭이 점차 확대되며, n이 증가할수록 Random 및 MCLP 대비 뚜렷한 성능 우위를 보였다. 이는 CCTV 설치 개수가 증가할수록 본 연구에서 제안한 경로 모호도 및 경로 단절도를 최소화하고, 정보 획득을 극대화하는 방향으로 CCTV를 효율적으로 배치하기 때문에 경로 추정 성능을 효과적으로 향상시킬 수 있음을 보여준다. 이는 Grid 환경 및 Path Deviation 시뮬레이션 환경에서도 공통적으로 확인된 경향성으로 제안한 알고리즘이 일관되게 이동체의 경로를 추정하는데 있어 성능을 향상함을 제시할 수 있다.

마지막으로, 실제 환경에서 알고리즘의 적용 가능성을 평가하기 위해 안양시 동안구 인덕원역 일대를 사례 지역으로 선정하여 실험을 진행하였다. 인덕원역 일대는 사거리, 오거리 이상의 복잡한 교차로 구조를 가지며, 기존 CCTV가 다수 설치되어 있는 지역이라는 특징을 가진다.

이러한 환경은 이미 일정 수준 이상의 감지 체계가 구축되어 있기 때문에, 추가적인 CCTV 배치에 따른 성능 향상 폭이 제한되는 천장 효과(Ceiling Effect)가 발생할 수 있는 환경에 해당한다. 본 연구에서는 제한적 환경에서도 본 알고리즘을 이용한 CCTV 배치가 다른 배치에 비해 상대적으로 더 높은 이동체 추정궤적 불확실성 감소를 보이는지 확인하고자 했다.

표 11를 살펴보면 이미 기존 CCTV만으로도 경로 정확도와 경로 유사도가 이미 높은 수준으로 달성되어 있는 것을 확인할 수 있다. 이에 따라 CCTV 배치로 인한 추가적인 성능 향상 폭은 제한적으로 나타났다. 이는 기존 감시 체계가 이미 일정 수준 이상의 감지 성능을 확보하고 있는 것으로 해석할 수 있으며, 천장 효과(Ceiling Effect)가 발생한 상황으로 볼 수 있다.

Table 11.

Mean and standard deviation of object trajectory estimation evaluation metrics under the existing CCTV environment in the testbed

표 12는 Testbed에서의 시나리오별 CCTV 추가 설치에 따른 평가 지표 평균 및 표준편차를 제시한 표이다. 표 12에서 확인할 수 있듯이, Logit 시나리오에서는 모든 평가 지표에서 제안 알고리즘이 가장 높은 평균 성능을 나타냈다. 특히 경로 엔트로피 감소량은 0.636으로 MCLP(0.608)보다 높게 나타나, 추가 설치된 CCTV가 이동체의 후보 경로를 더욱 효과적으로 줄이는 데 기여한 것으로 판단된다. 반면 경로 유사도와 경로 정확도는 모든 방법에서 0.99 수준의 높은 값을 나타내어 방법 간 차이가 크지 않았다. 이는 실제 대상 지역에 이미 많은 CCTV가 설치되어 있어 추가 CCTV 설치에 따른 성능 향상 여지가 제한적이었기 때문으로 해석된다.

Table 12.

Mean and standard deviation of evaluation metrics for additional CCTV deployment scenarios in the Testbed(α = 0.5, n = 3)

표 13은 앞서 제시한 CCTV 추가 설치 평가지표에 대한 통계적 유의성을 검증한 표이다. Logit 시나리오에서는 경로 엔트로피 감소량에서만 통계적으로 유의한 차이가 나타난 반면, Path Deviation 시나리오에서는 모든 평가 지표에서 통계적으로 유의한 차이가 나타났다. 특히 경로 정확도의 평균 차이는 0.011로 Logit 시나리오(0.003)보다 크게 나타났다. 이는 이동체의 경로 선택 행태를 다르게 가정한 환경에서도 제안 알고리즘의 효과가 다양한 경로 선택 시나리오에서도 유지될 수 있음을 보여준다. 특히, 제안 알고리즘은 경로 모호도 및 경로 단절도를 감소시켜 이동체 궤적의 불확실성을 줄이는 것을 목적으로 설계되었기 때문에 제안 알고리즘의 효과는 경로 엔트로피 감소량 지표에서 가장 직접적으로 나타난 것으로 판단된다. 실제로 통계적 유의성 검정 결과, Logit 및 Path Deviation 시나리오 모두에서 경로 엔트로피 감소량은 통계적으로 유의한 향상을 보였다. 반면 경로 유사도와 경로 정확도는 대부분의 실험에서 이미 0.95 이상의 높은 값을 나타내고 있어 앞서 언급한 언급한 천장효과(Ceiling Effect)가 존재한 것으로 판단된다.

Table 13.

Statistical significance test results of evaluation metrics for additional CCTV deployment scenarios in the testbed(α = 0.5, n = 3)

이는 실제 센서 배치 결과 그림에서도 확인할 수 있다. 그림 6에서 확인할 수 있듯이 해당 출발점과 도착점에서는 최단 경로 후보로 3가지의 경로가 존재한다. 그러나 기존 CCTV(파란색 점)으로 인해 이미 경로가 하나로 제한된 상황이다. 다만, 기존 CCTV 간의 간격이 넓게 형성되어 있기 때문에, 이동체가 두 감지 지점 사이에서 어떤 세부 경로로 이동하였는지는 충분히 감지되지 않을 수 있다. 즉, 경로 모호도는 감소하였으나 경로 단절도는 여전히 존재하는 상황으로 해석할 수 있다.

Fig. 6.

Effect of simulated routes and existing CCTV on moving object trajectory estimation in testbed (n=3)

그림 7은 이러한 상황에서 MCLP와 제안 알고리즘의 CCTV 배치 결과를 비교한 것이다. MCLP는 감시 영역 최대화를 목표로 하기 때문에 경로가 분기하는 지점이나 연속되는 지점보다도 넓은 영역을 커버할 수 있는 위치에 CCTV가 배치되는 경향을 보인다. 다만, MCLP 또한 노드를 CCTV 설치 후보군으로 선정하여 배치를 진행하였기 때문에 일부 주요 교차로에 CCTV가 배치된 것을 확인할 수 있다. 반면 제안한 알고리즘의 경우 경로 모호도와 경로 단절도를 동시에 감소시키는 것을 목표로 하기 때문에, 경로 분기가 많고 연속 감지가 가능한 지점 중심으로 CCTV가 배치되었다. 이에 따라 기존 CCTV 환경에서 경로 후보군 수 자체의 감소 폭은 제한적이었으나, CCTV 간 미감지 구간이 감소하는 경향을 확인할 수 있다. 이는 기존 CCTV 환경에서도 단순 커버리지 확대보다 경로 연결성과 연속 감지를 고려한 CCTV 배치가 이동체 경로 불확실성 감소에 효과적일 수 있음을 보여준다.

Fig. 7.

Effect of placement difference between proposed algorithm and MCLP on trajectory estimation based on existing CCTV (n=3)

실험 결과를 종합하였을 때 단순히 CCTV를 추가 설치하는 것만으로도 경로 불확실성은 일부 감소할 수 있다는 것을 확인하였다. 그러나 실험 결과, 동일한 수의 CCTV를 설치하더라도 배치 전략에 따라 경로 엔트로피 감소량에 차이가 발생하였으며, 제안 방법은 비교 방법보다 일관되게 높은 감소 효과를 보였다. 이는 단순 커버리지 확대만으로는 경로 불확실성을 충분히 감소시키기 어렵고, 경로 분기 및 감지 연속성을 고려한 배치 전략이 필요할 수 있음을 시사한다.