A Coordinated Routing Approach for Enhancing Bus Timeliness and Travel Efficiency in Mixed-Traffic Environment

Each language version is independently generated for its own context, not a direct translation.

🚌🚗 핵심 비유: "버스는 VIP, 자율주행차는 스마트한 조력자"

이 연구의 배경은 다음과 같은 상황입니다.
도심에는 버스가 다니는 **전용 차선 **(DL)이 있습니다. 버스가 제시간에 도착하려면 이 차선이 비어있어야 합니다. 하지만 최근 **자율주행차 **(CAV)가 늘어나고 있는데, 이 차들이 전용 차선을 함께 쓰면 버스가 막힐까 봐 걱정입니다.

이 논문은 "버스를 방해하지 않으면서, 자율주행차도 전용 차선을 함께 써서 교통 체증을 줄이는 방법을 찾아냈습니다.

1. 문제 상황: "버스 전용 차선에서 자율주행차가 너무 많으면?"

기존 방식: 버스는 전용 차선을 타고, 일반 차 (사람이 운전하는 차) 는 일반 차선을 탑니다. 자율주행차는 아직 어디를 다닐지 정해져 있지 않거나, 그냥 가장 빠른 길만 찾습니다.
문제점: 만약 자율주행차들이 버스와 같은 전용 차선을 무작정 따라가면, 버스가 정류장에 멈출 때 뒤에 차들이 줄을 서서 버스가 늦어집니다. 반대로, 자율주행차들이 전용 차선을 못 쓰게 하면 일반 도로가 너무 막힙니다.

2. 해결책: "스마트한 교통 경찰"

이 논문이 제안한 방법은 실시간으로 상황을 보고 미리 계획을 바꾸는 것입니다.

상황 감지: 시스템은 "아, 저기 버스 전용 차선에 버스가 오고 있는데, 그 앞에 자율주행차들이 너무 많이 모이고 있네?"라고 실시간으로 감지합니다.
**미리 경고 **(예측) "이대로 가면 버스가 5 분 늦어질 거야!"라고 미리 예측합니다.
**스마트한 우회 **(재경로) 시스템은 그 버스 근처에 있는 일부 자율주행차에게만 "너는 지금 전용 차선을 비켜서 일반 도로로 살짝 우회해. 버스가 먼저 지나가면 다시 전용 차선으로 들어와."라고 지시합니다.

3. 핵심 아이디어: "최소한의 변화로 최대의 효과"

이 시스템은 모든 자율주행차의 경로를 다 바꾸는 게 아니라, 버스를 막을 가능성이 있는 '소수의 차'만 골라서 길을 바꿔줍니다.

비유: 콘서트장에 VIP (버스) 가 들어갈 때, VIP 가 지나갈 길만 살짝 비워주는 것입니다. 모든 관객 (자율주행차) 이 다 자리를 옮길 필요는 없고, VIP 길에 딱 맞는 몇몇 사람만 살짝 비켜주면 됩니다.

📊 실험 결과: "버스는准时 (정시), 차들은 더 빨라져"

연구진은 샌프란시스코의 실제 도로 데이터를 이용해 시뮬레이션을 돌려봤습니다. 결과는 놀라웠습니다.

버스의 정시 도착률:
- 기존 방식 (경로 고정): 버스가 10~30% 만 제시간에 도착했습니다.
- 제안된 방법: 90% 이상의 버스가 제시간에 도착했습니다! 버스가 정류장에 멈출 때 뒤의 자율주행차들이 미리 비켜주었기 때문입니다.
자율주행차와 일반차의 이동 시간:
- 오히려 전체적인 이동 시간이 줄었습니다.
- 왜일까요? 버스 전용 차선을 자율주행차들이 함께 쓰면 차선 용량이 늘어나기 때문입니다. 다만, 버스를 방해하지 않도록 '스마트하게'만 쓰면 됩니다.
- 마치 고속도로의 긴급차량 전용 차로를 평소에는 일반 차량이 같이 쓰다가, 구급차가 오기 직전에만 비워주는 것과 비슷합니다.
**자율주행차 비율 **(Penetration Rate)
- 자율주행차가 30% 정도만 있어도 효과가 극대화되었습니다. 50% 이상으로 늘어난다고 해서 효과가 크게 달라지지 않았는데, 이는 시스템이 이미 최적의 균형을 찾았다는 뜻입니다.

💡 한 줄 요약

이 논문은 "버스가 제시간에 오게 하려면 자율주행차들이 전용 차선을 아예 못 쓰게 해야 하나?"라는 질문에 대해, "아니요. 버스가 오기 직전에 '스마트하게' 길을 비워주는 자율주행차만 골라서 우회시키면, 버스는 제시간에 오고 자율주행차들도 더 빨리 갈 수 있다"는 것을 증명했습니다.

결론적으로, 버스와 자율주행차가 서로를 배려하며 '함께' 움직일 때, 도시 전체의 교통이 훨씬 더 원활해진다는 멋진 아이디어입니다! 🚌✨🚗

Each language version is independently generated for its own context, not a direct translation.

1. 연구 배경 및 문제 정의 (Problem Statement)

배경: 연결 및 자동화 차량 (CAV) 의 도입이 가속화되면서, 완전한 자율주행으로의 전환은 점진적으로 이루어질 것입니다. 이 과도기 동안 CAV 와 인간 운전 차량 (HV) 이 공존하는 '혼합 교통 환경'에서 교통 효율성을 극대화하는 것이 중요합니다.
현황: CAV 전용 차선 (DL) 은 CAV 의 반응 시간 단축 및 차간 거리 축소를 통해 용량을 크게 늘릴 수 있으나, 새로운 차선 건설 비용과 공간 부족으로 인해 기존 일반 차로 (GPL) 를 전용 차로로 전환하거나 기존 버스 전용 차선을 CAV 와 공유하는 방안이 현실적입니다.
핵심 문제:
- 기존 버스 전용 차선 (DL) 을 CAV 와 공유할 경우, CAV 의 유입으로 인해 버스의 정시성 (Schedule Adherence) 이 저하될 수 있습니다.
- 반대로, 버스 우선권을 지나치게 강조하면 CAV 의 이동 효율성이 떨어지고 전체 교통 체증이 심화될 수 있습니다.
- 기존 연구들은 주로 차선 수준의 조정이나 시간표 기반 최적화에 집중하여, **실시간 교통 흐름에 기반한 네트워크 수준의 동적 라우팅 (Dynamic Routing)**을 통해 혼잡을 완화하면서도 버스 운영의 신뢰성을 유지하는 데 한계가 있었습니다.

2. 제안된 방법론 (Methodology)

이 논문은 버스와 CAV 가 공동으로 전용 차선 (Joint DL) 을 사용하는 혼합 교통 네트워크에서 실시간 데이터 기반의 조정된 동적 라우팅 전략을 제안합니다.

A. 시스템 모델링

네트워크 구조: 방향성 그래프 $G=(V, E)$ 로 표현되며, 노드는 버스 정류장 ( $S$ ) 과 교차로 ( $I$ ) 로 구성됩니다.
차선 구분: 각 도로 구간은 일반 차로 (GPL, HV 와 CAV 사용 가능) 와 공동 전용 차로 (Joint DL, 버스 및 CAV 만 사용 가능) 로 구성됩니다.
차량 유형: HV(수동), CAV(자동화), 버스(고정 노선 및 시간표 준수).
교통류 모델링:
- BPR 함수 (Bureau of Public Roads): 실시간 교통량 ( $f_e$ ) 과 용량 ( $c_e$ ) 을 기반으로 실제 통행 시간 ( $\tau_e$ ) 을 추정합니다.
- 예측 모니터링: 센서 데이터를 활용하여 특정 시간 창 ( $\Delta T$ ) 내에서 DL 에 진입할 것으로 예상되는 CAV 의 누적 수를 계산합니다. 이를 통해 버스 정류장 도착 전에 잠재적인 혼잡을 예측합니다.

B. 조정된 라우팅 알고리즘 (Coordinated Routing Approach)

재라우팅 대상 CAV 식별:
- 버스의 예상 도착 시간과 현재 교통 상태를 비교합니다.
- 특정 도로 구간에서 예상 통행 시간이 자유 흐름 통행 시간의 $(1+\lambda)$ 배를 초과할 것으로 예측되면 (즉, 버스 지연이 예상될 때), 해당 구간에 진입할 CAV 들을 재라우팅 대상으로 선정합니다.
동적 경로 최적화:
- 선정된 CAV 들에 대해 실시간 교통 조건 (DL 및 GPL 의 예상 통행 시간) 을 반영하여 새로운 최적 경로를 재계산합니다.
- 목적 함수: 재라우팅 대상 CAV 들의 총 통행 시간을 최소화하면서, DL 의 혼잡을 완화하여 버스의 정시성을 보장합니다.
- 해법: 예측을 고려한 Dijkstra 알고리즘을 사용하여, 정적 가중치 대신 실시간 추정 통행 시간을 가중치로 하는 최적 경로를 도출합니다.

3. 주요 기여 (Key Contributions)

혼합 교통 네트워크에서의 CAV 재라우팅 모델링: 버스와 CAV 가 공동 전용 차선을 공유하는 환경에서, 버스의 시간표 준수와 CAV 의 이동 효율성을 동시에 고려한 수학적 모델을 제시했습니다.
동적 경로 조건 추정 및 실시간 조정: 실시간 교통 흐름 모니터링을 통해 DL 의 잠재적 혼잡을 사전에 감지하고, 이에 따라 CAV 의 경로를 동적으로 조정하는 프레임워크를 개발했습니다. 이는 기존 연구들이 간과했던 '네트워크 수준의 동적 조절'을 가능하게 합니다.
시뮬레이션을 통한 검증: 샌프란시스코의 실제 도로 네트워크 데이터를 기반으로 SUMO(Simulation of Urban MObility) 환경에서 미시적 교통 시뮬레이션을 수행하여 제안된 전략의 유효성을 입증했습니다.

4. 실험 결과 (Results)

시뮬레이션 설정: 샌프란시스코 Van Ness Avenue 코어를 모사한 네트워크에서, 10 대의 버스와 다양한 CAV/HV 유입량 (CAV 침투율 30% 기준) 을 가정하여 피크 시간대 교통 상황을 시뮬레이션했습니다.
비교 대상:
- SRP (Static Route Planning): 재라우팅 없는 고정 경로.
- DRP (Dynamic Route Planning): 실시간 데이터 기반 재라우팅 (단, 버스 우선 고려 부족).
- Proposed Method (제안 방법): 버스 정시성 우선 고려한 조정된 라우팅.
주요 성과:
- 버스 정시성: 제안된 방법은 버스 정시 도착 비율을 평균 **90%**까지 향상시켰습니다 (SRP: 23%, DRP: 57%).
- 버스 지연: 제안 방법은 버스의 누적 지연 시간을 거의 제로 (0) 에 가깝게 줄였습니다.
- CAV 및 HV 이동 효율성: CAV 를 혼잡 구간 (특히 버스 정차로 인한 DL 혼잡) 에서 미리 우회시킴으로써, CAV 와 HV 의 전체 통행 시간을 모두 단축시켰습니다.
- CAV 침투율 영향: CAV 침투율이 30% 에서 50% 로 증가해도 버스 및 CAV 지연은 큰 변화가 없었으나, HV 지연은 지속적으로 감소하여 시스템 전체 효율성이 향상됨을 확인했습니다.
- 공동 전용 차선 효과: CAV 가 DL 을 공유하는 것만으로도 CAV 와 HV 의 이동 시간이 단축되지만, 제안된 조정 전략을 적용해야만 버스 지연을 증가시키지 않으면서 이러한 이점을 극대화할 수 있음을 입증했습니다.

5. 의의 및 결론 (Significance)

이 연구는 혼합 교통 환경에서 CAV 와 대중교통의 공존 전략을 제시한다는 점에서 중요한 의의를 가집니다.

이중 목표 달성: 단순히 CAV 의 이동 시간 단축에만 초점을 두는 것이 아니라, 버스의 정시성이라는 공공 서비스의 핵심 가치를 보호하면서 CAV 의 이동 효율성을 동시에 개선하는 균형을 찾았습니다.
실용성: 새로운 전용 차선 건설 없이 기존 인프라 (버스 전용 차선) 를 활용하여 CAV 의 이점을 극대화할 수 있는 실현 가능한 솔루션을 제공합니다.
미래 방향: 제안된 프레임워크는 다중 모달 교통 시스템으로 확장 가능하며, 대규모 도시 네트워크에서의 확장성 또한 향후 연구 과제로 제시되었습니다.

결론적으로, 이 논문은 실시간 데이터와 예측 기반의 조정된 라우팅을 통해 CAV 와 버스가 상호 간섭을 최소화하며 협력할 수 있는 새로운 패러다임을 제시하여, 미래 지능형 교통 시스템 (ITS) 의 핵심 요소로 자리 잡을 수 있음을 보여주었습니다.