도로 네트워크에서 이동 객체 궤적 분석을 통한 도로 혼잡 구간 판별 기법 = A Congested Route Discrimination Scheme through the Analysis of Moving Object Trajectories in Road Networks

국문 초록 (Abstract)

도로 네트워크에서 이동 객체 클러스터링은 교통 모니터링, 경로 추천 등과 같은 응용에서 매우 필수적이다. 이동 객체 클러스터링에 대한 기존 연구들은 특정 도로 세그먼트에 포함된 차량 수를 고려하여 밀집 구역을 발견하였다. 하지만 실제적인 도로 환경에서는 도로마다 다른 길이나 도로의 폭이 다르기 때문에 차량 수만으로 도로가 밀리는 구간을 발견하기에는 문제가 있다. 또한 기존 밀집 구역 발견연구들은 도로 내 방향성을 고려하지 않는 밀집 구간을 발견한다. 따라서 본 논문에서는 기존 밀집도 기반 클러스터링 연구와는 달리 도로 내 차량 및 도로 환경을 고려하여 도로 혼잡 구간을 판별하는 기법을 제안한다. 제안하는 혼잡 구간 판별 기법은 거리와 폭이 다른 세그먼트로 분할하고, 방향성이 존재하는 각도로 내에 차량의 속도 및 객체 포화도에 따른 혼잡 세그먼트를 추출한다. 이를 통해 혼잡 구간을 판별하는 클러스터를 수행한다. 성능 평가 결과를 통해 제안하는 기법은 혼잡 구역을 클러스터링하여 방향 별 혼잡 구간을 파악할 수 있음을 확인하였다.

다국어 초록 (Multilingual Abstract)

In road networks, the clustering scheme of moving objects is one of core technologies for applications such as route recommendation and traffic monitoring. The existing schemes find out the density route considering the number of objects in a road segment. However, it causes incorrect density route, since it did not consider road width and length in real road environments. The existing density route scheme was also unconcerned about the direction of the road. To overcome such problems, we propose a congested route discrimination scheme considering object and road environments. The proposed scheme divides the road into segments with different width and length. And then, it extracts congested road segments based on the velocity of a car and a saturation degree within each road segment. By doing so, we perform clustering to find congested routes. Our experimental results show that our proposed scheme derives the directional congested routes through the clustering of the congested segments.

목차 (Table of Contents)

• 요약
• Abstract
• 1. 서론
• 2. 관련연구
• 3. 제안하는 도로 혼잡 구간 판별 기법
• 4. 성능 평가 및 분석
• 5. 결론 및 향후 연구
• 참고문헌

참고문헌 (Reference)

1 이승준, "소통관리 지표 개발을 위한 기존 혼잡지표의 국내 적용성평가 연구" 한국도로학회 10 (10): 119-128, 2008

2 J. I. Won, "Trajectory Clustering in Road Network Environment" 299-305, 2009

3 P. C. Mauroux, "TrajStore: An Adaptive Storage System for Very Large Trajectory Data Sets" 109-120, 2010

4 X. Li, "Traffic Density-Based Discoveryof Hot Routes in Road Networks" 4605 : 441-459, 2007

5 J. W. Chang, "TMN-tree: New Trajectory Index Structure for Moving Objects in Spatial Networks" 1633-1638, 2010

6 G. P. Roh, "Supporting Pattern Matching Queries over Trajectories on Road Networks" 23 (23): 1753-1758, 2011

7 Z. Chen, "Discovering Popular Routes from Trajectories" 900-911, 2011

8 N. Pelekis, "Clustering Trajectories of Moving Objects in an Uncertain World" 417-427, 2009

9 A. Kharrat, "Characterizing Traffic Densityand its Evolution Through Moving Object Trajectories" 257-263, 2009

10 H. M. O. Mokhtar, "A Time Parameterized Technique for Clustering Moving Object Trajectories" 1 (1): 14-30, 2011

11 K. Tapas, "A Local Search Approximation Algorithm for K-means Clustering" 89-112, 2004

12 M. Huang, "A Grid Based Trajectory Indexing Method for Moving Objects on Fixed Network" 1-4, 2010

13 T. Brinkhoff, "A Framework for Generating Network-Based Moving Objects" 6 (6): 153-180, 2002

14 M. Ester, "A Density- based Algorithm for Discovering Clusters in Large Spatial Databases with noise" 2 (2): 226-231, 1996