관리 차선 고속도로 네트워크 거시 모델링과 보정 전략

본 논문은 Part I에서 제시한 관리 차선‑고속도로 네트워크의 거시 모델링을 확장하여, 네트워크 전체 규모에서 모델 파라미터를 효율적으로 보정하는 방법론을 제시한다. 서론에서는 관리 차선(HOV 차선, 유료 차선 등)이 교통 수요 관리와 실시간 제어 수단으로 활용되는 현황을 설명하고, 이러한 시설이 기존 고속도로와 달리 두 개의 평행 흐름(관리 차선과 일반 차선) 사이에 물리적·심리적 상호작용을 발생시킨다는 점을 강조한다. 기존의 거시 모델은 주로 단일 흐름을 가정했으나, 관리 차선에서는 마찰(friction) 효과와 스무딩(smoothing) 효과가 중요한데, 이는 관리 차선 차량이 GP 차선의 혼잡도에 따라 속도가 변하거나, 차선 간 차량 교환이 부드럽게 이루어지는 현상을 의미한다. 2절에서는 모델의 기본 구조를 상세히 정의한다. 네트워크는 유향 링크 집합 L과 노드 집합 N으로 구성되며, 각 링크는 C개의 차량 클래스(예: 일반, HOV 등)의 밀도 벡터 ρₗ(t)를 가진다. 링크 모델은 전통적인 첫 번째 차수(kinematic‑wave) CTM을 기반으로 하면서, 송신 함수 Sₗ와 수신 함수 Rₗ에 클래스별 파라미터를 포함한다. 특히 관리 차선 링크에 대해서는 마찰 계수 σₘₗ을 도입해 자유 흐름 속도 v̂ₘₗ(t)=v_fₘₗ−σₘₗ·Δₘₗ(t) 로 조정하고, 이를 통해 관리 차선의 송신 능력을 제한한다. 노드 모델은 각 입·출구 링크의 수요·공급과 분할비 βᶜᵢⱼ(t)를 이용해 흐름 fᶜᵢⱼ(t)를 계산한다. 분할비는 완전히 정의된 경우와 정의되지 않은 경우가 있으며, 후자는 상태‑의존형 솔버를 통해 추정한다. 이 솔버는 로그잇 선택 모델이나 동적 시스템 기반 모델을 활용해, 차량이 관리 차선에 진입·이탈할 확률을 현재 밀도·속도 상태에 따라 결정한다. 또한 관성 효과와 상호 제한 구간(μᵢⱼ(t))을 포함해 FIFO 제약을 완화하고, 스무딩 효과를 구현한다. 3절에서는 전체 보정 절차를 제시한다. 첫 단계는 링크 수준의 기본 다이어그램 파라미터(최대 흐름, 임계 밀도 등)를 기존 방법(Dervisoglu et al., 2009)으로 추정한다. 두 번째 단계는 네트워크 전체에서 관측된 센서 데이터(속도, 유량)와 시뮬레이션 결과를 비교해 오차 함수를 정의하고, 분할비, 관성·마찰·스무딩 파라미터를 동시에 최적화한다. 이때 반복 학습(Iterative‑Learning) 알고리즘을 사용해 파라미터를 점진적으로 조정한다. 특히 관리 차선 접근 비율(특수 차량 비율)과 오프램프 분할비는 직접 측정이 어려워, 모델 내부에서 추정된 값이 실제 교통 흐름을 재현하는지 검증한다. 4절에서는 캘리포니아 주의 두 관리 차선 구간을 사례 연구로 적용한다. 첫 번째 사례는 전면 접근형 관리 차선으로, 모든 진입 차량이 자유롭게 진입·이탈할 수 있다. 두 번째 사례는 게이트형으로, 특정 구간에서만 진입이 허용되며, 게이트 노드에서 클래스 전환(관리 차선→일반 차선) 모델이 적용된다. 두 사례 모두 실제 교통 센서(루프 디텍터) 데이터를 사용해 모델을 보정했으며, 결과는 다음과 같다. (1) 재현된 평균 속도와 유량이 실제 관측값과 95 % 이상 일치한다. (2) 마찰 계수 σ는 0.15~0.25 사이에서 최적값을 보였으며, 이는 물리적 차선 구분(바리케이드 유무)에 따라 차이가 있음을 확인한다. (3) 스무딩 효과 파라미터는 급격한 차선 전환이 발생하는 구간에서 큰 값을 가졌으며, 이는 실제 차량이 차선 변경 시 발생하는 지연을 잘 모사한다. (4) 오프램프 분할비는 보정 과정에서 크게 변동했으며, 특히 혼잡 구간에서 관리 차선 차량이 GP 차선으로 빠르게 이동하는 현상이 관찰되었다. 5절에서는 연구 결과의 의의와 한계를 논의한다. 관리 차선‑고속도로 네트워크를 거시 수준에서 정확히 모델링함으로써, 정책 입안자는 동적 요금, 접근 제한, 실시간 제어 전략을 사전에 시뮬레이션하고 효과를 예측할 수 있다. 그러나 파라미터 추정에 필요한 고품질 센서 데이터가 부족한 경우, 특히 분할비와 관성 파라미터는 불확실성이 크다. 또한 현재 모델은 1차원 흐름을 가정하므로, 복합 교차로나 다중 차선 간 상호작용을 완전히 포착하지 못한다는 점이 향후 연구 과제로 제시된다. 결론적으로, 본 논문은 관리 차선‑고속도로 네트워크의 물리‑심리적 상호작용을 거시 모델에 통합하고, 반복 학습 기반 보정 절차를 통해 실제 교통 데이터를 성공적으로 재현함으로써, 향후 교통 관리와 정책 설계에 실용적인 도구를 제공한다.