Earticle

서울도시철도에서 역 정차시간 증가는 후속 열차 지연과 운행시격 불안정을 유발하는 주요요인이다. 본 연구는 무인운전 고무차륜 경전철인 신림선을 대상으로 실제 운행자료를 활용하여 정차시간 예측모형을 구축하고, 기존 OR 기반 방식과 ARIMA, LSTM, HYBRID모형의 성능을 비교하였다. 분석자료는 샛강, 대방, 보라매, 신림역의 2025년 2월 3일부터 2월 7일까지 정차시간 자료이며, 학습 70%, 검증 15%, 테스트 15%로 구분하였다. 분석 결과, HYBRID 모형은ARIMA 잔차를 LSTM으로 보정함으로써 전반적으로 가장 안정적인 예측성능을 보였다.

This study develops a dwell time prediction model for the Sillim Line, an unmanned rubber-tired light rail system in Seoul, using actual operation data. Dwell time data from four transfer stations— Saetgang, Daebang, Boramae, and Sillim—collected from February 3 to 7, 2025, were divided into training, validation, and test sets at a ratio of 70%, 15%, and 15%. The performance of OR-based, ARIMA, LSTM, and ARIMA+LSTM HYBRID models was compared. The results show that the HYBRID model achieved the most stable prediction performance by correcting ARIMA residuals with LSTM. This suggests that the proposed model can support train delay management and operational decision-making.

본 연구는 수도권 광역버스에서 장애인 이용량의 시간대별 변동성과 일반인 대비 상대적이용수준을 분석하여 교통약자의 이용 형평성을 진단하였다. 이를 위해 교통카드 자료를 활용하여 장애인 광역버스 이용량의 시간대별 패턴을 도출하고, DTW 기반 군집분석과 일반화 가법 혼합모형을 적용하였다. 분석 결과, 광역버스 노선은 출퇴근 집중형과 분산형 패턴으로 구분되었으며, 장애인의 상대적 이용수준은 시간대와 노선군에 따라 서로 다른 변화 양상을 보였다. 또한 운행 횟수, 자동차전용도로 경유 여부, 버스 유형 등이 장애인의 상대적 이용수준과유의한 관련성을 보였다. 본 연구는 노선별·시간대별 형평성 진단을 통해 맞춤형 광역 교통복지 정책 수립을 위한 실증적 근거를 제공한다.

This study examined the temporal variability of metropolitan bus use by disabled passengers and analyzed their relative level of use compared with general passengers in the Seoul metropolitan area. Using smart card data, the study identified temporal patterns of disabled passengers’ metropolitan bus use and applied Dynamic Time Warping (DTW)-based clustering and a generalized additive mixed model (GAMM). Disabled passenger was modeled as the dependent variable, while general passenger was included as an offset term to estimate relative use. The results show that metropolitan bus routes can be classified into two groups: a peak-oriented cluster and a distributed cluster. The relative level of use by disabled passengers showed different patterns according to the time of day and differed across route clusters. Service frequency, expressway operation, and bus type were also significantly associated with the relative use of metropolitan bus services by disabled passengers. In addition, route-level random effects also identified routes with relatively low relative use by disabled passengers even after controlling for general passenger use and major operational characteristics. These findings suggest that public transport equity should be evaluated not only in terms of total use but also in terms of route- and time-specific patterns. This study provides empirical evidence for developing targeted metropolitan bus policies to improve mobility equity for transportation-vulnerable users.

본 연구는 공식 교통사고 데이터베이스에서 별도 식별이 어려운 급발진 주장 및 페달 오조작 의심 사고를 대상으로, 대규모언어모델(LLM)을 활용하여 뉴스기사 기반 비정형 사고자료를 구조화하고 사고 특성 및 심각도 관련 요인을 분석하였다. 2024~2025년 국내 뉴스기사 중 관련 키워드가 포함된 기사를 수집하여 중복 및 비관련 기사를 정제하고, 동일 사고 단위로 통합하였다. 이후 LLM을 이용해 사고일시, 장소유형, 운전자 특성, 충돌대상, 피해규모, 급발진 주장, 페달 오조작 언급 및 조사당국 판단 등을 JSON 형식으로 추출하였다. 기사 원문과 비교‧검증 결과, 시군구, 장소유형, 운전자 연령대, 보행자 관련 여부, 피해규모 등 명시적 사고 정보는 높은 정확도로 구조화되었으나, 사고일시와 조사결과 정보는 일부 추가 검토가 필요하였다. 사고심각도 분석에서는 보행자 관련 여부가 중상 이상의 심각피해사고와 가장 강한 관련성을 보였으며, 운전자 성별, 장소유형, 페달 조작상황의 독립적 관련성은 제한적이었다. 본 연구는 LLM 기반 비정형 교통사고자료 구조화가 공식 사고자료에서 포착하기 어려운 특수사고유형의 탐색적 분석에 활용될 수 있음을 제시한다.

This study used a large language model(LLM) to structure news-reported crash data and explore injury severity factors in crashes involving sudden acceleration claims or suspected pedal misapplication. Domestic news articles published between 2024 and 2025 were collected, filtered, and integrated into crash-level records. The LLM extracted key information in JavaScript Object Notation(JSON) format, including the crash time, location type, driver characteristics, collision objects, injury outcomes, claims, and investigation findings. Validation against the original articles showed that explicitly reported information was generally extracted with high accuracy, whereas ambiguous information required additional review. The injury severity analysis revealed that pedestrian involvement was most strongly associated with severe crashes involving fatal or serious injuries. These findings suggest that LLM-based structuring of news-reported crash data can support exploratory safety analysis of rare crash types that are difficult to identify in official crash databases.

자율주행 차량의 도입 및 확산에 따라 일반차량과 자율주행 차량이 혼재하는 과도기적 교통환경에 있으며, 이질적인 주행 특성 간 상호작용은 상충(conflict) 상황을 야기할 가능성이 높다. 특히 차로변경이 빈번한 교차로 및 합류부 등에서 상충 상황이 집중적으로 발생하고 있다. 차량간 차로변경은 대표적인 상충 유발 행태로, 일반차량과 자율주행 차량 간 대응성의 한계로 교차로 또는 엇갈림(weaving) 구간에서 충돌 위험이 급격하게 증가한다. 이에 교통류의 엇갈림은 자율주행 혼재 환경에서 반드시 고려해야 할 핵심적인 고위험 상황으로 인식하고 체계적으로 계량화할 필요가 있다. 본 연구는 개별차량의 궤적 데이터를 활용하여 연속된 교차로 간의 진출입 특성을 반영한 교통류 간 엇갈림 비율을 산정하고, 이를 토대로 상충 위험이 높은 구간을 식별하였다. 교통류 엇갈림 지표와 교통사고율 간의 상관관계 분석 결과 두 지표간 양의 상관관계가 존재하는 것으로 분석되었다. 본 지표는 연속류 도로 뿐만 아니라 도로망 전체의 사고위험에 대한 일관성 있는 평가 및 우선순위 산정 등 모니터링에 활용 가능할 것으로 기대된다.

The introduction and proliferation of Autonomous Vehicles (AVs) have created a transitional mixed traffic environment, where the interaction between vehicles with heterogeneous driving characteristics is highly likely to generate conflict situations. Specifically, conflicts are concentrated in sections with frequent lane changes, such as intersections and merging segments. Lane changing is a representative conflict-inducing behavior, and the collision risk sharply increases in intersections and weaving zones due to limitations in the responsiveness between Conventional Vehicles(CVs) and AVs to abrupt maneuvers. Consequently, traffic weaving is recognized as a critical high-risk scenario in mixed traffic environments and requires systematic quantification. This study utilizes individual vehicle trajectory data to calculate a Traffic Weaving Index (TWI) that reflects entry and exit characteristics between consecutive intersections. Based on this index, segments with a high risk of conflict were identified. The correlation analysis between the proposed TWI and the crash rate confirmed a significant positive correlation. The developed index is expected to be useful for traffic safety monitoring, particularly for the consistent evaluation and prioritization of crash risks across the entire road network, extending beyond uninterrupted flow highways.

전 세계적으로 자전거 및 개인형 이동수단의 이용이 급격히 증가하면서 자전거도로 내 다양한 이동 객체 간의 충돌 위험이 심화되고 있다. 국내 자전거 교통사고는 전년 대비 증가 추세에 있으며, 특히 자전거와 보행자 간 사고가 급증하는 등 자전거도로 안전관리의 필요성이 높아지고 있다. 이를 해결하기 위해 보행자, 자전거, 전동 킥보드, 차량의 4종 이동 객체를 실시간으로 탐지하는 영상 기반 AI 탐지 시스템의 도입이 요구된다. 그러나 딥러닝 기반 탐지 모델은 학습 환경과 배포 환경 간의 계절 변화, 조도 조건, 카메라 설치 각도 차이 등으로 인한 도메인 시프트 문제로 교차 도메인 성능이 급격히 저하되는 한계를 지닌다. 본 연구에서는 이를 해결하기 위해 시각-언어 모델인 Grounding DINO를 선생 모델로 활용하여 타겟 도메인의 비라벨 영상으로부터 의사 레이블을 자동 생성하고, 이를 소스 도메인 정답 어노테이션 데이터와 혼합하여 YOLO11을 재학습하는 비지도 도메인 적응 파이프라인을 제안한다. 실험 결과, 제안 방법은 소스 도메인 단독 학습 모델 대비 타겟 도메인 mAP50-95가 0.1721에서 0.4108로 138.7% 향상되었다. 본 연구는 추가적인 현장 어노테이션 없이 다양한 자전거도로 환경으로의 신속한 현장 확대 적용 가능성을 제시한다.

Bicycle road accidents are increasing annually in South Korea, with collisions between cyclists and pedestrians surging because of the rapidly increasing use of bicycles and personal mobility devices worldwide. The introduction of vision-based AI detection systems capable of real-time identification of four moving object classes-pedestrians, bicycles, micro-mobility devices, and vehicles-is required to address this. Despite this, deep learning-based detection models suffer from significant cross-domain performance degradation because of domain shifts caused by seasonal changes, lighting conditions, and differences in camera installation angles between training and deployment environments. This paper proposes an unsupervised domain adaptation pipeline that leverages Grounding DINO, a vision-language model, as a teacher model to automatically generate pseudo-labels from unlabeled target-domain images, which are then mixed with source-domain ground truth annotations to retrain YOLO11. The experimental results show that the proposed method improves the target-domain mAP50-95 from 0.1721 to 0.4108, a 138.7% increase over the source-only baseline model. This paper presents the potential for rapid deployment across diverse bicycle road environments without the need for additional field annotation efforts.

자율협력주행은 V2X 통신을 통해 안전성을 향상시키는 반면, 위치 및 행동 데이터의 연속적 처리로 개인정보 유·노출 위험을 증가시킨다. 본 연구는 V2X 데이터 흐름을 수집–이용–저장–공유–폐기로 구분하고, ETSI, IEEE, 3GPP 및 국내 SCMS 분석을 통해 가명인증서 운영, 인증서 폐기, 오행위 검출, NR V2X 취약성 등 핵심 이슈를 도출한다. 이를 기반으로 표준 요구 사항을 정량 지표, 합격선, 증적 기반으로 운영화한 사이버보안 평가 프레임워크를 제안한다. 제안된 프레임워크는 p95 기반 지연 통제, 적용률 기준, 탐지 성능 지표를 포함하며, 실제 환경 에서 재현 가능한 평가를 지원한다.

Cooperative automated driving enhances safety through V2X communication but increases privacy risks due to the continuous processing of location and behavioral data. This study addressed the challenge of achieving both safety and privacy by analyzing the V2X data lifecycle—collection, usage, storage, sharing, and disposal—and identifying associated risks and protection requirements. Key issues, including pseudonym certificate management, certificate revocation, misbehavior detection, and NR V2X vulnerabilities, were identified using ETSI, IEEE, 3GPP standards, and the Korea SCMS framework. Based on this analysis, a cybersecurity evaluation framework is proposed that operationalizes standard requirements into measurable quantitative metrics, pass/fail criteria, and evidence-based validation structures. The framework incorporates p95-based latency control, coverage thresholds, and detection performance metrics, enabling reproducible evaluation in real-world environments and providing a practical basis for assessing the cybersecurity and privacy compliance of cooperative automated driving systems.

본 연구는 자율주행 도로관리차량(AMV)을 활용한 시공간 위험도기반 최적 순찰경로 탐색방법론을 제안한다. 사고·돌발건수와 CCTV음영구간을 링크단위로 정리하고, 잠재계층분석(LCA)을 통해 시간대별 우선순찰링크를 도출하였다. 이후 가중치 A* 알고리즘을 적용하여 순찰경로를 생성하고, 화성시 실증지역기반 시뮬레이션을 통해 기존 유인순찰전략과 비교하였다. 분석결과, 제안된 AMV 순찰경로는 순찰커버리지와 사고다발구간 및 음영링크 커버율을 향상시키고, 중복순찰율을 감소시키는 것으로 나타났다. 다만 시뮬레이션 기반 분석에는 한계가 있으므로, 향후 실제 운영데이터를 활용한 검증이 필요한 것으로 보인다.

This study proposes a spatiotemporal risk-based optimal patrol routing method using Autonomous Road Maintenance Vehicles (AMVs). Accident and incident data and CCTV shadow areas were aggregated at the link level, and Latent Class Analysis (LCA) was applied to identify time-dependent priority patrol links. Patrol routes were generated using a weighted A* algorithm and evaluated through a simulation-based case study in Hwaseong City. Results show that the proposed AMV patrol strategy improves patrol coverage of accident-prone and shadow links while reducing patrol overlap. Future validation using actual operational data is required.

본 연구는 광주광역시 내 설치된 9,939대의 전기차 충전기를 대상으로 시설군별 이용 행태와 운영 효율성을 분석하였다. 2024년 6월 실시간 데이터를 기반으로 분석한 결과, 시설별 이용 특성이 명확히 구분되었다. 공동주택의 완속 충전기는 1회 평균 290분으로 가장 긴 이용시간을 기록하며 야간 기저 수요를 담당한 반면, 급속 충전기는 시설과 관계없이 35~43분의 일정한 이용 시간을 보였다. 전반적인 충전기 가용 용량 대비 실 이용률은 약 10% 수준으로 낮게 나타났으나, 특정 거점의 급속 충전기는 일일 최대 237 kWh의 높은 공급량을 기록하는 등 지역 간 효율의 편차가 크게 나타났다. 이러한 결과는 현재의 충전 인프라가 수요와 공급의 불일치를 겪고 있음을 시사한다. 따라서 향후 정책은 단순한 수적 확대에서 벗어나, 본 연구에서 확인된 고수요 지점과 시설별 체류 시간을 고려한 전략적 재배치에 집중할 필요가 있다. 본 연구의 데이터는 효율적인 도시 충전 네트워크 구축과 탄소중립 실현을 위한 정량적 기초 자료로 활용될 수 있다.

This study evaluated the utilization patterns and efficiency of 9,939 EV chargers in Gwangju across four facility types. An analysis of the one-week real-time data from June 2024 showed distinct behaviors: slow chargers in apartments recorded the longest average duration (290 min) for overnight demand, while fast chargers remained consistent at 35–43 minutes across all facilities. Although overall capacity utilization was low at approximately 10%, high-demand hubs showed significant daily energy throughput of up to 237 kWh, highlighting a sharp contrast in efficiency. These findings reveal a mismatch between infrastructure supply and actual demand. Consequently, future policies should shift from simple numerical expansion to strategic, demand-oriented placement based on the spatial usage density. This study provides a quantitative basis for optimizing urban charging networks and supporting carbon neutrality goals.

자율주행 운행설계영역(ODD) 확장을 위한 기상 조건 임계값 설정에는 센서 저하의 실증근거가 필요하나, ISO 34503:2023 제10조(Clause 10)는 정량적 기준값을 제시하지 않고 있다. 본 연구는 AI허브 악천후 데이터(1,810씬, 72,021프레임)의 3D 어노테이션을 전수 파싱하고 비 모수 통계 검정을 적용하여 기상 유형별 라이다(LiDAR) 센서 저하 메커니즘을 정량 분석하였다. 분석 결과 비 조건에서는 3D 위치정보 미획득 비율(3D null ratio, 65.4%)이, 눈 조건에서는 시야 차폐 비율(occluded ratio, 69.3%)이 각각 최고치를 기록하여, 두 기상 조건이 질적으로 다 른 메커니즘(위치 소실 vs 시야 차폐)으로 라이다(LiDAR) 성능을 저하시킴이 모든 핵심 지표에서 확인되었다(Kruskal-Wallis, p<0.001). 이 결과는 기상 유형별로 차별화된 센서 보완 전략과 ODD 운행 기준 마련의 실증적 근거를 제공한다.

Establishing weather-based thresholds for Operational Design Domain (ODD) expansion requires empirical evidence on sensor degradation, yet ISO 34503:2023 Clause 10 provides no quantitative benchmarks. This study parsed full-frame 3D annotations from an adverse weather dataset (1,810 scenes, 72,021 frames) on AI Hub and applied nonparametric statistical tests to quantify LiDAR degradation by weather type. Results show that the 3D null ratio peaked at 65.4% under rain while the occluded ratio reached 69.3% under snow, confirming that the two conditions degrade LiDAR through qualitatively distinct mechanisms — position loss versus visual occlusion — with significant differences across all indicators (Kruskal-Wallis, p<0.001). These findings provide an empirical basis for weather-type-differentiated sensor compensation strategies and ODD operational criteria.