화물차량의 방문시설 공간설정 방법론 연구
A Study on the Visiting Areas Classification of Cargo Vehicles Using Dynamic Clustering Method
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
화물의 흐름은 물류시설 투자 및 물류관련 정책 수립에 필요한 핵심적인 기초자료이다. 국가승인통계인 화물자동차의 기종점 통행량은 분석의 공간적 해상도가 시군구 단위로 집계되고 있다. 이는 물류시설 방문 및 이용에 관한 상세한 정보로 활용하는데 한계가 있다. 본 연구에서는 화물차의 이동 정보를 분석함에 있어 공간적 해상도를 시설단위로 식별 추출할 수 있는 방법론을 트립체인 정보를 활용하여 개발하고자 하였다. 먼저, DTG를 활용하여 개별 화물차량의 방문지 위치정보를 식별하고, 화물차의 통행 순서정보를 이용하여 화물차량의 방문한공간적 범위를 H3 기반의 폴리곤으로 생성하였다. 생성된 트립체인 폴리곤 간의 연계성을 전국 단위로 분석함으로 폴리곤의 H3 해상도를 결정하였으며, 최적의 해상도를 동적으로 도출하기 위한 파라미터의 결정 알고리즘을 개발하였다. 전국을 대상으로 실증하여 폴리곤을 생성하고 최적 해상도 결정 결과 공간 적합도는 81.26% 수준으로 확보되고 오차율은 14.8% 수준으로검증되었다. 본 연구에서 개발한 방법론으로 화물차량의 통행체인 특성과 방문 시설의 특성에따라 군집화함으로 물류 거점을 기준으로 화물의 특성을 파악할 수 있는 기반을 마련하였다.
Abstract
This study aims to improve understanding of freight movement, crucial for logistics facility investment and policy making. It addresses the limitations of traditional freight truck traffic data, aggregated only at city and county levels, by developing a new methodology. This method uses trip chain data for more detailed, facility-level analysis of freight truck movements. It employs DTG (Digital Tachograph) data to identify individual truck visit locations and creates H3 system-based polygons to represent these visits spatially. The study also involves an algorithm to dynamically determine the optimal spatial resolution of these polygons. Tested nationally, the approach resulted in polygons with 81.26% spatial fit and 14.8% error rate, offering insights into freight characteristics and enabling clustering based on traffic chain characteristics of freight trucks and visited facility types.
참고문헌 (20)
- Aggarwal, C. C., "Data streams: Models and algorithms (vol. 31)", pp.129~131 (2007), Springer
- Akter, T., "Truck Activity Pattern Classification Using Anonymous Mobile Sensor Data", pp.8~16 (2019), University of Arkansas
- Chandra, A., "Designing zoning systems for freight transportation planning : A GIS-based approach for automated zone design using public data sources", Transportation Research Procedia, 48, pp.605~619 (2020)
- 정규수, "그리드 인덱스 기법을 이용한 교통 빅데이터 맵핑 방안 연구", 한국ITS학회 논문지, 19(6), pp.107~117 (2020), 한국ITS학회[DOI]
- The Freight Analysis Framework Version 4 (FAF4)-Building the FAF4Regional Database: Data Sources and Estimation Methodologies, "Hwang, H. L.", Oak Ridge National Lab, 3~13 (2016)
- Kim, J. E., "Analysis of truck trip behavior using big data : Focused on major logistics facilities", Proceedings of the KOR-KST(Korean Society of Transportation)Conference, 2021, pp.360~361 (2021)
- 김정은, "국내 화물통행실태조사 체계 개선 연구", 교통연구, 25(1), pp.41~55 (2018), 한국교통연구원[DOI]
- Upgrading Reliability of Estimating Big Data-Driven Transport Demand, "Kim, J. Y.", The Korea Transport Institute, 241~251 (2019)
- A Study on the Reliability of Traffic Demand Prediction Based on Big Data, "Kim, J. Y.", The Korea Transport Institute, 115~134 (2018)
- Kuppam, A., "Development of a Tour-Based Truck Travel Demand Model using Truck GPS Data", TRB 93rd Annual Meeting Compendium of Papers (2014)
- 이언경, "부가가치 창출을 위한 항만배후단지 유치품목 선정 연구: 인천항 사례를 중심으로", 해운물류연구, 25(3), pp.639~663 (2009), 한국해운물류학회[DOI]
- "National Spatial Data Infrastructure Portal"[URL]
- Shafeeq, B. M. A., "Dynamic clustering of data with modified k-means algorithm", 2012 International Conference on Information and Computer Networks, 27, pp.221~225 (2012)
- National Freight Transportation Survey, "The Korea Transport Institute", 289~296 (2017)
- National Transport Survey 2022: National Freight O, "D Main Survey", The Korea Transport Institute, 2022, pp.3~287
- National Transport Survey Long-Term Strategy Formulation Study, "The Korea Transport Institute", 23~28 (2023)
- "The Korea Transport Institute"[URL]
- "Uber"[URL]
- Xing, Y., "A Dynamic Regional Partitioning Method for Active Traffic Control", Sustainability, 14(16), pp.9802~ (2022)