인공지능(Artificial Intelligence, AI)은 1950년대 초기개념과 이론을 앨런 튜링이 튜링 테스트를 제안하여 기계가 인간과 같은 수준의 지능을 가질 수 있는지 대한 질문을 던지면서 시작되었다. 1980년대부터 특정 분야의 전문 지식을 모방하여 지원하는 AI 시스템인 전 문가 시스템이 부상하기 시작하면서 Machine Learning이 중요성을 얻기 시작하였다. 특히, Decision Tree, Clustering 그리고 Neural Network Algorithm 등이 연구되기 시작하였다. Clustering 기법은 다양한 분야에서 통계분석에 사용되는 자료를 정제하기 위한 비지도 학습 중 하나로, 군집화 알고리즘을 사용하여 자료의 값(Pointer)들을 특정 그룹으로 분류하는 방법이다. 이러한 Clustering을 활용하여 기존 데이터에서 숨겨진 데이터들의 특성을 파악할 수 있으며, 일정 패턴이나 특징을 가진 데이터들끼리의 군집화를 할 수 있게 된다. 이러한 클러스터링은 다양한 산업 분야에서 적용 및 활용하고 있다. 산업화 이후 미국, 벨기에 등 많은 나라에서 효율적인 도로 관 리를 위해 자국의 특성에 맞는 Pavement Management System (PMS)를 운영하고 있지만 현재 많은 분야에서 적용하고 있는 AI를 활용한 사례가 매우 드물다. 한국에서도 수십년 동안 국토교통부와 한국도로공사에서 PMS를 이용하여 도로를 관리해 왔으며, 최근에 는 몇 개 지자체에서 PMS를 도입하였다. 하지만 한국에서는 오랜 PMS 운영 경험에도 불구하고 AI를 활용하지 않고 전통적 방법인 회귀모형을 활용하여 개발한 공용성 예측모형을 사용하고 있기 때문에 그 성능이 떨어지고 있다. 따라서 본 연구에서는 Machine Learning Clustering 기법을 PMS 자료에 적용이 가능한지 확인하였다. 공용성 예측모형의 종속변수인 Performance Factors와 독립변 수인 Influencing Factors 간의 상관성을 확인할 수 없는 경우 클러스터링을 적용하여 종속변수와 독립변수 간의 상관성을 분명히 나 타내고 회귀분석이 가능하도록 하였다. Delaunay Triangulation을 적용하여 인천광역시 기상관측소의 삼각망을 형성하였다. 삼각망의 각 꼭짓점과 도로 각 지점 간의 거리에 대하여 Inverse Distance Weighted 방법을 적용하여 도로 각 구간의 PMS 자료와 영향인자를 매칭하였다. 클러스터링 기법을 원자료에 적용한 결과 공용성인자와 영향인자 간의 상관성이 분명해졌다. 또한, 클러스터링 이전과 이 후 자료의 확률밀도함수의 분포를 비교하여 클러스터링 이후의 자료가 이전의 대해서 대표성을 갖고 있는지 확인하였다.