2.1 혼잡도 관련 선행 연구

혼잡도에 관한 선행 연구는 혼잡도 개선, 분석 방법 및 시스템에 관한 사례로 분류할 수 있으며, 본 연구에서는 기존의 사례를 검토 및 보완하여 혼잡도 데이터를 실시간 표출하는 전체 과정과 측정값의 보정ㆍ검증을 통한 신뢰성 있는 시스템 구현에 초점을 두어 연구하였다. 표 1은 최근 열차 혼잡도 관련 연구를 간략히 요약하여 보여주고 있다.

혼잡도 개선에 관한 기존의 연구를 살펴보면 배차간격 축소, 열차 칸 증설, 혼잡도 정보 제공, 객실 공간 조정 등 혼잡도 개선을 위한 대안을 제시하고 있고, 혼잡도 분석 관련 연구는 승객의 체감 혼잡도(객실 온ㆍ습도 및 CO₂ 농도 고려 등), 열차 운행계획, 승객의 다중경로 등 다양한 변수를 고려한 혼잡도 모형을 제시하여 기존 분석 방법을 개선ㆍ발전시켰으며, 혼잡도 시스템은 전반적인 혼잡도 시스템에 대한 연구를 통하여 현장 상황에 보다 유리한 방식을 제시하고, 응ㆍ하중 압력(ASP) 값과 실제 승차 인원 간 동기화 등 혼잡도의 정확성을 높이고자 하였다.

특히, 정구인 등의 연구는 대차 하부의 응·하중 압력 값을 기초로 하여 열차 혼잡도를 측정하고 측정된 값을 기준값과 비교, 보정하여 신뢰성을 확보하고자 하였다는 점에서 본 연구와 공통점을 가지고 있으며, 열차의 응ㆍ하중 값을 기초로 혼잡도 표출 방안을 제시한 점이 높이 평가된다. ^[9] 다만, 측정된 응ㆍ하중값과 실제 계수한 승차인원과의 비교, 보정 등의 세부적인 과정이나 실제 운영 환경에서의 혼잡도 표출 등이 제시되지 않은 아쉬움이 있다. 이에 본 연구에서는 열차에서 취득한 혼잡도 데이터(응ㆍ하중 값)를 무선 상용망, 유선 폐쇄망 및 UTM 등 유무선 네트워크와 보안장치를 통하여 종합관제실과 도시철도 역사로 전송ㆍ표출하고 측정한 값을 보정ㆍ검증하는 전체 시스템과, 대부분 승객 분산 목적으로 이용되고 있는 혼잡도 시스템을 종합관제실에 설치하여 190% 이상 심각 수준 발생 시 경보표출 등 비상 상황에 대응하는 방법을 함께 제시하였다.

2.2 혼잡도 계산 및 단계

“철도 혼잡도 관리 Guide Line”에는 열차 혼잡도와 역사 혼잡도를 정의하고 각각의 산정 방법 및 측정 방법을 제시하였다. 열차 혼잡도($C_T$)는 열차 탑승 기준 인원 대비 실제 탑승 인원 비율로 다음과 같은 식으로 계산한다.

여기서 $N_S$는 탑승 기준 인원으로 해당 열차 편성을 구성하고 있는 각 객차의 설계 시 정원을 모두 합한 인원이고, $N_B$는 실제 탑승 인원으로 해당 열차 편성을 구성하고 있는 각 객차에 탑승하고 있는 인원을 모두 합한 인원이다. 객차별 혼잡도는 해당 객차의 탑승 기준 인원 대비 실제 객차 탑승 인원 비율로 산정될 수 있다.

표 2는 혼잡도별 정성적 단계 및 정량적 단계의 정의를 요약하였다. ^[1] 보통 단계는 혼잡이 없거나 매우 낮은 수준이며 열차와 역 시설 간 이동이 원활하게 이루어지고 승객들이 편안하게 이용할 수 있는 상태로, 정량적으로 혼잡도 150% 이하일 때이다. 주의 단계는 혼잡이 조금씩 증가하여 열차나 역 내에서 승객 이동이 다소 불편을 느끼고 혼잡 관리 및 심각 상황 대비 예방조치 필요한 상태로, 혼잡도는 150%~170%일 때이다. 혼잡 단계는 열차나 역 시설 내에서 혼잡이 상당히 높으며 승객의 이동이 제한되거나 불편을 느끼고 안전 문제 발생할 가능성이 높을 때로 혼잡도는 170%~190%일 때이다. 심각 단계는 열차나 역 시설 내에서 혼잡이 극도로 높으며 승객의 이동이 매우 어렵고 안전뿐 아니라 서비스 지연, 중단 등의 심각한 문제가 발생할 수 있어 즉각적 대응이 필요한 상태로 혼잡도는 190% 이상일 때이다.

2.3 혼잡도 측정 방법들

승강장이나 객실에 설치된 CCTV 목측(目測), 차량 대차의 응ㆍ하중 값 측정, 교통카드 소지 승객의 승ㆍ하차 데이터, 스마트폰 기지국 접속률 등을 활용할 수 있으며 세부 내용은 다음과 같다. ^[1]

2.3.1 역사 승ㆍ하차 게이트 데이터

교통카드 소지 승객의 기ㆍ종점 간 승ㆍ하차 게이트 및 환승역 데이터를 열차 승차 인원으로 환산한 것으로 다음의 표 3과 같이 측정한다. 먼저 환승 최단 경로를 설정하고 환승 소요 시간을 설정한다. 이어서 기종점 데이터, 환승 자료 및 열차 스케쥴을 고려하고, 다음으로 시간대별 승차 인원을 산출하여, 최종적으로 혼잡도를 산출하게 된다.

표 3. 교통카드 데이터 활용 측정 절차

Table 3. Transportation Card Data Utilization Measurement Procedure

2.3.2 응ㆍ하중 센서(대차 공기 스프링)

응ㆍ하중 센서 방법은 ASP 센서로 측정된 공기압을 전압으로 변환(공/전 변환)하여 얻어진 응ㆍ하중 데이터를 승차 인원으로 환산한다. 환산 시 사용되는 인당 몸무게는 한국인 남녀 평균 몸무게(66㎏)를 사용하였으며 표 4와 표 5에 측정 절차 및 하중 계산 방법을 요약하였다. 응ㆍ하중 센서 활용 측정 절차는 공차 중량, 만차 중량, 탑승 기준 인원 및 최대 승객 설정값을 정하고, ASP 데이터와 승객 하중을 계산하고 혼잡도를 산출한다.

표 4. 응ㆍ하중 센서 활용 측정 절차

Table 4. Measurement procedure using load sensor

표 5. 승객 하중 계산

Table 5. Occupant load calculation

구 분	계산 방법
탑승객 전체 하중(㎏)	ㆍ$\frac{\text{측정}ASP - \text{공차}ASP}{\text{만차}ASP - \text{공차}ASP} \times \text{최대승객하중}(kg)$
객차 탑승 인원(인)	ㆍ$\frac{\text{탑승객전체하중}(kg)}{\text{기준몸무게}(kg/\text{인})}$
몸무게 산정	ㆍ기준 몸무게는 통계청 최근 자료 적용 ㆍ기준 몸무게(㎏/인) $m \times \text{남자평균몸무게}(kg) + w \times \text{여자평균몸무게}(kg)$ ㆍ본 논문에서는 66(㎏/인) 적용
기타	ㆍ정확도 향상을 위하여 노선 데이터 반영 고려

2.4 본 연구 측정 방법

그림 1은 대차 하부 공기압 센서에서 취득한 응ㆍ하중 데이터를 기반으로 열차 혼잡도를 산출하고 이를 무선 상용망과 보안 시스템을 거쳐 종합관제실 및 역사로 전송, 표출하는 전체 흐름을 나타낸다. 혼잡도는 단계별 색상으로 표출되며 190% 이상 심각단계시 경보가 발생하도록 하였다. 표 7은 전체 구성에 대한 플로우 차트를 보여준다.

그림 1. 시스템 전체 구성도

Fig. 1. Overview of the System Structure

표 7. 전체 구성에 대한 플로우 차트

Table 7. Overall Flowchart

2.4.2 네트워크 보안

혼잡도 서버는 열차의 응ㆍ하중 데이터를 실시간으로 분석, 처리 및 저장 등 통합적으로 제어 및 관리를 수행한다. 제어와 관련된 폐쇄망 등 내부 전송망을 인터넷 또는 외부 정보통신망과 연동하기 위하여 관련법(국가 정보보안 기본 지침 등)에 의거 물리ㆍ기술 및 관리ㆍ운영적 대책 등을 포함한 자체 보안대책을 수립하였으며 주요 내용은 다음과 같다.

1) 내부망과 인터넷망 간 접점 최소화(관제실 내 인터넷 1회선 사용, 공유기 사용 배제 및 무선랜 기능 배제)

2) 서버 측 CC(Common Criteria)에 인증된 UTM, 방화벽 및 VPN(Virtual Private Network) 등 구축

3) 서버ㆍ클라이언트에 SSL(Secure Socket Layer) 등 암호화 적용

4) 단방향 통신방식 사용 등

그림 2. 시스템 설치 사진

Fig. 2. System Installation Images

3.1 데이터 수집

인천 2호선은 단일 노선의 경전철로 방학기간을 제외한 평일 수송 수요 편차가 크지 않고, 오전ㆍ오후 러시아워 시간대의 혼잡도 패턴 또한 동일하게 반복되는 특성을 고려하여 1주일(평일)을 표본으로 하여 분석을 시행하였다. 분석 대상 시간대는 공휴일을 제외한 영업시간 전체 시간대를 포함하였으며, 운행 스케쥴 상이로 수집되는 데이터의 양은 일부 차이가 존재하며, 열차 편성별 샘플 수는 평균 430개(165개 ~ 665개)로 회귀 및 상관 분석을 수행하기에 충분한 표본 수를 갖는 것으로 판단하였다. 또한, 데이터 분석 과정에서 입력값이 없거나 공차 ASP보다 낮은 비정상적인 ASP 값에 국한하여 해당 데이터를 제외하였으나 이러한 경우는 매우 제한적이었으며, 대부분의 편성에서 별도의 결측 데이터 보정이나 구간 제외 처리는 필요하지 않았다.

3.2 상관관계 분석

선형 회귀분석에 앞서 응ㆍ하중 데이터(보정 전)와 AFC Data 간 상관관계를 분석하였으며 다음의 그림 3과 같다. 분석 결과 두 Data 간 상관계수는 0.93으로 매우 높은 양(+)의 상관관계를 가져 서로 매우 유사한 패턴임을 알 수 있다.

그림 3. 응ㆍ하중 vs AFC 혼잡도 상관관계

Fig. 3. Load vs AFC congestion correlation

표 8은 특정 편성 및 시간대의 데이터 값 일부를 발췌한 것으로 최초 혼잡도와 보정된 혼잡도를 보여준다.

3.3 AFC 데이터에 의한 응ㆍ하중 값 보정

3.4 AFC와 응ㆍ하중 값 기반 혼잡도 간 선형 회귀분석

선형 회귀분석(Linear Regression Analysis)은 한 개 이상의 독립변수(예측에 사용하는 값으로 설명변수)와 종속변수(예측하고자 하는 값으로 반응변수) 사이의 선형 관계를 Modeling 하여 독립변수의 변화가 종속변수에 미치는 영향을 추정하고 예측하는 통계적 분석 방법으로, 표 10은 본 연구의 선형회귀 분석과 관련된 내용을 정리하여 보여주고 있다. 본 연구에서는 AFC 기반 혼잡도를 독립변수 R, 응ㆍ하중 기반 혼잡도를 종속변수 Q로 설정하여 표 10의 순서로 분석을 시행하였으며, 표 11은 선형회귀분석 결과를 정리하고 있다. 그림 4는 선형 회귀분석 결과를, 그림 5는 보정 전ㆍ후를 보여주고 있다.

선형 회귀분석 방법을 기초로 전동차 43개 편성의 최종 보정률을 구하였다. 효율적인 데이터 분석을 위하여 파이썬 통계 모듈을 사용하였다. 43개 편성에 대한 분석결과 Q = a + b×R과 같이 회귀식을 직접 도출할 수 있었다. 전동차 편성 간 혼잡도 차이가 있었으나 시스템 운용 시간이 길어질수록 데이터 누적에 따라 혼잡도 차이는 감소할 것으로 기대하고 있다. ^[11]

주)

• 결정계수는 AFC 기반 혼잡도(R)가 응·하중 기반 혼잡도(Q)를 설명하는 비율을 의미한다.

• 상관계수는 두 변수 간 선형 상관관계의 강도를 나타낸다.

• p-value는 회귀분석 결과의 통계적 유의성을 나타낸다.

• 전체 편성 결정계수(R²)는 평균 0.905로 대부분의 편성에서 AFC와 보정된 응ㆍ하중값 간 높은 설명력을 보임을 확인하였으며, 모든 편성에서 회귀계수의 p-value가 0에 수렴하는 수준으로 나타나 통계적으로 유의함을 확인하였다.

그림 4. 응ㆍ하중 vs AFC 혼잡도 선형 회귀분석

Fig. 4. Load vs AFC congestion Linear Regression

그림 5. 보정 전ㆍ후

Fig. 5. Before and After Correcting

3.5 목측 신뢰성 향상을 위한 CCTV 개선

객실 CCTV는 관제사가 무인 경전철의 승객 분포를 파악하는 보조적 용도로 사용 중이며, 시스템 노후화로 인한 영상 품질 저하로 상용 무선망으로의 전환을 검토하였다.

시험을 위해 관제실과 시험 열차 1대에 VPN 장치를 추가로 설치 후 현장 테스트를 진행하였다. 시험 결과 본선 운행 중 단절 없이 실시간 수준의 안정적인 영상전송이 이루어짐을 확인하였다. 본 논문에서는 상용망 전환으로의 기술적 타당성과 효과를 확인하는데 주안점을 두었고, 이동통신망 사용에 따른 사용료 등은 정책적인 판단이 필요한 부분으로 향후 LTE-R 자체망 구축 시 적용할 수 있을 것으로 판단된다.

3.6 토의 및 기대효과

혼잡도를 측정한 후 참값(AFC 데이터 및 CCTV 목측)과 측정값(응ㆍ하중 데이터) 간 보정 작업을 진행하였다. 보정 작업은 탑승객 몸무게 산정, 무게를 인원수로 환산하는 과정 및 열차 편성별 AS(Air Spring) 특성 등 다양한 원인에 기인하므로 보정 작업은 필수적이며 누적 데이터가 많을수록, 작업 횟수를 반복할수록 보정률이 개선됨을 확인하였다.

응ㆍ하중 데이터와 AFC 데이터 간 보정을 위하여 구간 별 두 측정값의 비를 구하고 공기압을 5[kpa] 단위로 세분화하여 보정률 산정 및 43개 열차 개별 편성에 적용하였고, 두 혼잡도 간 상관관계와 선형 회귀분석을 통하여 산정된 보정률이 유의미함을 확인하였다. 다만, 보정률을 높이기 위한(최종 95% 이상 목표) 주기적 보정 및 보정 방법 개선은 지속적인 과제로 남아있다.

인공지능을 활용, 도시철도 역사 혼잡도를 실시간으로 측정하는 시스템을 개발하고, 역사ㆍ열차 혼잡 발생 실태별 대응책을 마련하는 것이 필요할 것으로 여겨진다. 인공지능 기반 도시철도 혼잡도 수준의 실시간 평가 및 운행지원 시스템 개발에 본 연구 결과가 활용될 수 있을 것으로 기대된다.