In this study, we propose an adaptive traffic control method that utilizes predictions of near-future traffic arrivals at a signalized intersection based on real-time data collected at an upstream intersection to design acyclic traffic signal timing accordingly. The proposed adaptive control method utilizes a deep learning model developed in this study to predict future traffic arrivals at downstream intersections 24 s ahead based on upstream intersection data at 4 s decision intervals. Using the predicted arrival traffic volume, signal timings were designed to minimize delays. A rolling-horizon approach was employed to correct the prediction errors during this process. The performance of the proposed traffic signal control method was validated by comparing it with the traditional time-of-day (TOD) traffic signal operation method over a 24 h period. The results of comparative validation tests conducted through simulations in a virtual environment indicate that the proposed adaptive traffic control system operates efficiently to minimize average control delays. During the morning peak period, a reduction time of 43.19 s per vehicle (57.02%) was observed, whereas the afternoon peak period exhibited a reduction of 37.91 s per vehicle (48.35%). Additionally, data analysis revealed that the optimal phase length suggested by the pre-timed method, which assumes uniform vehicle arrivals, is statistically identical at a 95% confidence level to the average phase length of the adaptive traffic control system, which assumes random vehicle arrivals. This study confirms the necessity of adopting proactive real-time signal control systems that utilize a new traffic information collection method to respond to dynamic traffic conditions and move away from conventional TOD signal operation, which primarily focuses on peak commuting hours. Additionally, it confirms the need for a fundamental shift in the underlying philosophy traditionally used in traffic signal design

기존 신호제어기법은 과거 주기에 파악된 교통상황을 바탕으로 다음 주기의 교통신호시간을 설계하는 방식으로 신호시간을 설계하기 위해 관측할 때의 교통상황과 신호시간을 제공받는 교통상황 간의 간극이 존재하였다. 또한, 설정된 주기길이 동안 차량이 교차로에 일정하게 도착하는 균일분포를 가정하지만, 실제 교차로에 도착하는 교통량의 행태는 비 균일분포로 실제 교통수요에 대응하기 어렵 다는 한계가 존재한다. 본 연구는 이러한 한계를 극복하기 위해 교차로로 진입하는 상류 교차로의 교통정보를 활용하여 단기 미래 도 착 교통량 예측모델 개발을 통해 관측 시점과 제공 시점 간의 간극을 최소화한다. 또한, 기존 주기길이 동안의 교통량 도착분포를 비 균일분포로 가정하여 주기길이가 고정되지 않는 방식(Acyclic)의 적응식 신호제어 기법(ATC) 개발한다. 제안된 단기 미래 도착 교통 량 예측모델은 실제 스마트교차로 자료를 가공하여 시뮬레이션을 통하여 학습데이터를 구축하여 장단기 메모리(LSTM) 모형과 시간 분산(TimeDistributed) 모형을 적용하여 딥러닝 모델을 개발하였다. 적응식 교통신호제어 기법은 실시간 예측 교통량을 활용하여 교통 류별 예측 지체 산출을 통하여 지체가 최소화되는 현시 종료 지점에서 현시를 종료하고 다음 시간 단계에서 예측된 교통량을 통해 최 적 현시를 재산출하는 롤링 호라이즌(Rolling Horizon)을 수행한다. 제안 신호제어 기법의 평가를 위해 미시적 교통 시뮬레이션을 활 용하여 기존 신호제어 기법인 TOD 신호제어 기법과 제안기법 간의 평가를 수행하였다.

본 연구에서는 운전 시뮬레이션을 이용하여 적응형 정속 주행(adaptive cruise control: ACC) 시스템에 대한 운전자의 신뢰 및 도로 혼잡도가 운전자의 작업부하와 상황인식에 미치는 효과를 알아보았다. ACC 시스템에 대한 운전자의 신뢰는 ACC 시스템이 정상 작동하는 조건과 시스템이 오작동하는 조건을 통해 신뢰상승 집단과 신뢰감소 집단으로 구분하였다. 도로 혼잡도는 운전자 차량 주변의 차량 수로 수준을 조작하였다. ACC 시스템에 대한 신뢰와 도로 혼잡도를 달리한 네 가지의 실험 조건 각각에 대해 운전자들의 작업부하와 상황인식을 측정하였다. 본 연구의 결과를 요약하면 다음과 같다. 먼저 ACC 시스템에 대한 신뢰감소 집단은 신뢰상승 집단에 비해 이 시스템의 사용으로 인한 운전부담 경감이나 안전운전 확보 등을 포함한 측정 항목 모두에서 시스템에 대한 신뢰 점수가 유의하게 더 낮았다. 둘째, ACC 시스템에 대한 신뢰감소 집단은 신뢰상승 집단에 비해 이차과제에서 더 느린 반응시간을 보였고, 시스템 사용에서의 주관적인 작업부하 수준도 더 높게 평정하였다. 셋째, 이와는 대조적으로 운전자들의 운전상황에 대한 상황인식은 ACC 시스템 신뢰감소 집단이 신뢰상승 집단보다 유의하게 더 우수하였다. 본 연구의 결과들은 ACC 시스템에 대한 신뢰가 운전 중에 수행하는 다양한 정보처리에 영향을 미칠 수 있음을 보였는데, 이것은 자동화된 운전보조 시스템의 설계에서 사용자의 시스템에 대한 신뢰가 중요한 변인으로 고려되어야 한다는 것을 시사한다.