도로기상정보시스템(RWIS; Road Weather Information System)은 날씨에 따라 수시로 변하는 도로 의 기상상태를 실시간으로 운전자에게 예보하는 첨단 교통기상 정보 시스템이다. RWIS는 도로변에 설치 된 기상관측장비와 도로 표면에 설치된 노면센서로 구성된 도로기상관측시스템(RWOS; Road Weather Observation System)으로부터 차량 운전에 위험이 되는 기상 상황을 사전에 운전자에게 알려준다. 도로 의 기상상황 및 노면상태를 관측하는 RWOS는 고가의 장비로 도로의 전 구간에 설치하여 고해상도의 도 로기상 정보를 제공하기 힘든 실정이다. 그리고 도로기상 정보 중에서 안전사고와 가장 밀접한 노면상태 (ice, snow, wet)는 도로의 특정 구간에서 노면센서나 영상을 통한 노면상태 판별에 대한 연구만 수행되 어 왔다. 특히 노면상태는 기상조건과 밀접한 관계를 갖고 있기 때문에 고해상도로 설치된 자동기상관측 장비(AWS; Automatic Weather System)를 활용한 노면상태 판별 연구가 필요하다. 따라서 본 논문에서 는 기계학습 도구로 유명한 weka의 AdaBoostM1 분류기를 활용하여 실시간으로 노면상태를 판별하는 알 고리즘을 제안한다. 이를 위해 RWOS와 AWS의 관측자료를 시계열로 매핑하여 학습데이터를 구성하고, 기계학습을 통해 노면상태 판별 모델을 구축하였다. 이를 통해 서울시 주요도로의 노드링크에 대해 기상 정보 추출하여 제공하고 기상정보를 기반으로 노면상태를 판별하여 실시간으로 제공할 수 있도록 하였다. 도로기상 관측 데이터는 그림 1과 같이 정릉터널 입출구에 설치되어 있는 RWOS의 노면상태 관측자료 와 정릉터널 입출구 인근 AWS 6개소의 기상관측자료를 시계열로 매핑하고 노면상태와 기상조건에 대한 상관성 분석을 수행하였다. 학습 모델은 수집된 관측자료(2015/1/23–2015/10/19) 387,187건으로 학습 데 이터를 구성하였다. 서울시 주요도로의 노드링크는 22,184개이며, 개별 노드링크의 위경도 좌표에 따라 SK Planet에서 구축한 AWS(255개소) 관측자료를 실시간으로 IDW(Inverse Distance Weight)로 산출하 여 학습 모델의 입력자료로 활용하였다. 학습 데이터를 기반으로 Decision Tree, SVM(Support Vector Machine), MLP(Multi-Layer Perceptron), Ensemble Learning 기법을 활용하여 실험을 수행하였고, 그 중에서 가장 좋은 분류 성능을 보여준 AdaBoostM1을 활용하여 노면상태 판별 학습 모델을 구축하였 다. 그림 2와 같이 학습 모델의 판별 성능은 10-fold cross validation으로 검증하였으며, 정확율 (precision rate)이 평균 90%, 재현율(recall rate)이 평균 89%의 성능을 보였다.

웹 지도 서비스는 사용자가 원하는 장소에 대한 지리적 정보뿐만 아니라 그와 연계된 다양한 컨텐츠를 함께 제공해주고 있다. 예를 들어, 지도에 일자리 정보를 지도위에 표현해주기도 하며, 최근 보급화 된 스 마트폰을 이용해 사용자가 찍은 사진을 지도 위에 매쉬업하여 공유하기도 한다. 이처럼 지도 서비스는 하 나의 컨텐츠가 아니라 다양한 컨텐츠를 수용할 수 있는 플랫폼으로 인식하여 단순히 지리정보뿐만 아니라 2차, 3차의 새로운 분야에서 활용되기도 한다. 그 중 네이버와 다음지도는 날씨, 교통, 주변검색과 같이 국내 다양한 생활 정보를 포함하고, 구글지도는 전 세계 지도와 구글어스라는 3차원 지도를 이용할 수 있 다는 특징을 가진다. 본 연구에서는 공간정보를 지도에 표출하는데 소요되는 시간을 최소화하기 위한 가시화 알고리즘을 제 안한다. 알고리즘은 사용자가 필요로 하는 영역의 데이터를 질의하여 표출하는 방법으로, 초기 데이터 구 성, 줌 레벨 탐지/공간질의, 클라이언트 이벤트체크, 표출 데이터 확장의 총 네 가지 단계로 구성된다. 가시화 알고리즘을 적용한 결과는 <그림 1>과 같다. 그림 1의 (a)는, 초기 데이터를 지도 위에 표출한 것이다. (b)는 사용자의 움직임 이벤트가 발생되는 화면이며, (c)와 같이 초기 데이터 외의 붉은색 라인의 일부 영역을 질의해 표출한다. 그 후에 움직임으로 인해 추가 영역이 발견되면 (d)와 같이 (c)에서의 붉은 색 영역 부분 외의 데이터를 표출하게 된다. 이와 같은 과정이 움직임 이벤트 감지로 인해 반복되어 가시 화 된다. 그결과 <표 1>과 같이 일반적인 가시화 방법에서는 서울시 범위의 약 2만개의 도로 데이터를 표 출하는데 27.88초가 소요되는 반면 본 연구에서의 가시화 알고리즘을 이용하면 매 질의와 표출에 0.84~1.6초 정도 소요된다. 본 연구에서 제안한 알고리즘을 적용했을 경우 원하는 영역만을 질의해 표출하기 때문에 일반적인 방 법에 비해 빠른 표출 결과를 나타낼 수 있었다. 이로 인해 지도 서비스에 있어 다양한 공간정보를 지도 위에 표출하는데 도움이 될 것으로 기대된다.

집중호우 등 도로에서의 기상조건은 해마다 수많은 인명 피해를 유발하고 있다. 그러나 급변하는 기상 상태에 신속하게 대처할 수 있는 재난대응체계가 부족해 교통사고 등 사회적인 비용손실이 증가하고 있 다. 이에 국내에서는 가변차로제 등 악천후 등의 교통상황에 유연하게 대처할 있는 속도관리전략에 대한 관심이 증가하고 있다. 그러나, 악천후에 유연하게 대응할 수 있는 국내 도로기상 정보제공 기술은 주로 안개 잦은 지역에 초점을 맞추고 있으며 강우정보를 운전자에게 제공하는 기술은 미흡하다. 왜냐하면 기 상학에서 강우 예측수치모형의 해상도는 km 단위의 격자단위로 기상정보가 제공된다. 따라서 도로와 같 은 선(line)의 형대로 구성된 도로에서의 강우를 예측하기 위해서는 고해상도(m단위)의 기술이 필요하다. 본 연구는 서울시의 고해상도 강우관측 빅데이터를 활용하여 실시간 강우정보를 적용한 도로구간별 안 전속도를 운전자에게 제공할 수 있는 기술을 개발하고자 하였다. 이 기술을 개발하기 위해서 서울시 강우 조건과 도로노면상태에 대한 안전요인을 고려하였다. 강우조건은 운전자의 시거(Visibility Distance)에 큰 관련이 있으며, 도로노면상태는 운전자의 정지시거(Stopping Sight Distance)와 밀접하게 연관이 있기 때문에 이 두 조건을 적용하여 시거와 정지시거를 강우조건별로 산정하였다. 최종적으로 강우량에 따라서 산정된 안전속도는 10분 단위별로 운전자에게 제공될 수 있도록 표출시스템을 개발하였다<그림 참조>. 지금까지 강우조건별 안전속도를 제공할 수 있는 연구는 활발하게 진행되고 있지만, 이 기술들이 실제 로 도로에 적용된 사례는 많지 않다. 따라서 이 기술은 강우로 인한 도로구간의 위험상황을 감지･판단하 여 운전자의 안전에 기여할 수 있는 기술이 될 것이다. 향후 연구로는 본 연구에서 정지시거를 산정할 때 직선부 도로에 대해서만 적용하였지만 다양한 도로환경 등을 반영하여 모형의 정확성 높일 수 있는 기술 개발이 이루어져야 한다.